Previsión de stock con técnicas de Inteligencia Artificial para distribuidoras de alimentación y bebidas

Please use this identifier to cite or link to this item: http://hdl.handle.net/10045/120108
Información del item - Informació de l'item - Item information
Title: Previsión de stock con técnicas de Inteligencia Artificial para distribuidoras de alimentación y bebidas
Authors: Garrido Marín, Carlos
Research Director: Cazorla, Miguel
Center, Department or Service: Universidad de Alicante. Departamento de Ciencia de la Computación e Inteligencia Artificial
Keywords: Inteligencia Artificial | Distribución de alimentación y bebidas | Previsión de stock | Aprendizaje automático | Aprendizaje profundo | Extreme Gradient Boosting (XGB) | Perceptrón Multicapa
Knowledge Area: Ciencia de la Computación e Inteligencia Artificial
Issue Date: 13-Dec-2021
Date of defense: Jun-2021
Abstract: Uno de los problemas clave a los que se enfrentan las empresas de distribución de alimentación y bebidas es el mantenimiento y reducción de inventario o stock de productos. La previsión de stock es una ventaja competitiva muy importante en las empresas de este sector ya que así se logra un abastecimiento óptimo al menor coste posible. La optimización de la predicción del stock constituye, por tanto, un problema real de las empresas del sector que constituye una oportunidad para el desarrollo de herramientas de software adecuadas. En España, la mayoría de los softwares ERP del sector utiliza métodos estadísticos (media móvil, suavizado exponencial, etc.) para la previsión y optimización del stock de productos en diferentes periodos de demanda. El objetivo principal de este Trabajo de Fin de Grado es el de explorar la aplicación de técnicas de inteligencia artificial como alternativa a las técnicas estadísticas habituales de gestión y optimización de stock utilizadas por las empresas de distribución de alimentación y bebidas. Para lograr este objetivo, se han utilizado los datos suministrados por dos empresas del sector que me han permitido entrenar diferentes modelos y evaluar aquellos que mejor se adaptan a la problemática planteada. Para ello, he aplicado algoritmos de aprendizaje automático y profundo que, al contrario que los modelos estadísticos, no asumen a priori una relación particular del histórico de stock, sino que aprenden los patrones de demanda de la demanda histórica de stock de productos de estas empresas. En este estudio, he evaluado tanto modelos de aprendizaje automático (árbol de regresión, bosque extremadamente profundo, AdaBoost con árboles de regresión como clasificadores base, y Extreme Gradient Boosting) como modelos de aprendizaje profundo (Perceptrón Multicapa). Entre las dos bases de datos suministradas por las empresas, se obtuvo el consumo diario de 2200 productos que cumplían una serie de requisitos, filtrándose éstos en base a parámetros intrínsecos al tipo de negocio de las empresas de este sector (depósitos, rapples, tasa de consumo, etc.), ya que los modelos presentan unos resultados muy deficientes si no se consideran adecuadamente estos parámetros. Un aspecto clave de la gestión de datos es la segmentación de datos en función del periodo de demanda — obteniéndose los mejores resultados usando un periodo de una semana— y consumo del producto, ya que un consumo bajo genera atipicidades. En su conjunto, el mejor rendimiento de los modelos investigados se obtiene cuando ambas bases de datos se tratan conjuntamente y separando los productos en dos conjuntos en función del consumo promedio de demanda; indagar en la causa de esta mejora requeriría un mayor volumen de datos de diferentes empresas del sector. El análisis de la precisión de los resultados de los modelos investigados usando diferentes indicadores (BIAS, MAE y RMSE) muestran que lo modelos con mejor rendimiento en la predicción de stock son el Extreme Gradient Boosting (XGB) y el Perceptrón Multicapa. El modelo XGB presenta un sesgo más elevado cuando se enfrenta a conjuntos de datos con muchas atipicidades, pero muestra un excelente rendimiento en relación con los otros modelos de aprendizaje automático. El Perceptrón Multicapa presenta, asimismo, un alto sesgo en conjuntos de datos con muchas atipicidades, pero muestra un excelente rendimiento en las entradas que no poseen tantas atipicidades. Estos dos modelos han sido los mejores en la predicción de stock de estas empresas con los datos proporcionados.
URI: http://hdl.handle.net/10045/120108
Language: spa
Type: info:eu-repo/semantics/bachelorThesis
Rights: Licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0
Appears in Collections:Grado en Ingeniería Informática - Trabajos Fin de Grado

Files in This Item:
Files in This Item:
File Description SizeFormat 
ThumbnailTFG_Carlos-Garrido-Marin.pdf1,3 MBAdobe PDFOpen Preview


This item is licensed under a Creative Commons License Creative Commons