Álvarez Barría, Víctor Daniel2025-09-262025-09-262022-12-09https://repositorio.usm.cl/handle/123456789/76588En las industrias con uso intensivo de activos la planificación de la demanda es clave. En la industria minera es importante dar continuidad operacional a través de pronósticos precisos de componentes críticos. Por otro lado, generar pronósticos de demanda precisos también es crucial en empresas e-commerce con grandes sistemas logísticos, pues es indispensable para la gestión de las operaciones y para la misma supervivencia del negocio. Los pronósticos de demanda generalmente se basan en modelos univariables usando solamente los datos históricos de ventas, lo cual los hace susceptibles a la incertidumbre propia de escenarios dinámicos en donde existen múltiples variables que interactúan con la demanda. Los modelos más robustos que se están desarrollando en la actualidad integran Data Science. Se estima que disminuyen los errores de pronóstico en un 30-50 %. Dadas las posibles correlaciones entre los patrones de demanda de los productos o componentes, y también de las correlaciones entre estos mismos patrones de demanda y variables externas relacionadas, como festividades, feriados, datos de sensores, tasas de falla, entre otras variables relevantes, es que se genera una solución por medio del desarrollo de un modelo integrador usando redes neuronales Long Short-Term Memory (Deep Learning). El objetivo principal es desarrollar modelos multivariables de pronósticos de demanda para industrias con uso intensivo de activos a través del entrenamiento de redes neuronales con el fin de disminuir errores en escenarios de gran incertidumbre. Se evaluaron 4 tipos de modelos en base a si entregaban el pronóstico de uno (uniobjetivo) o varios productos (multi-objetivo) y si eran desarrollados para pronosticar SKUs similares (por grupos) o no (por lotes), demostrando que los modelos UGR (uni-objetivos y por grupos) son los que alcanzan un menor error. Además, todos los modelos logran un menor error agregado por producto que los modelos ARIMA + GARCH. A partir del uso de la metodología de Data Science de IBM y las estrategias propuestas de agrupamiento de variables e identificación de productos prioritarios se desarrollaron modelos multivariables de pronósticos de demanda para estas industrias usando LSTM que disminuyeron los errores en escenarios inciertos. Se espera que en futuras investigaciones se ahonde en los modelos MGR (multiobjetivo y por grupos) en cuanto a una mejora en el agrupamiento de series de tiempo, como también contrastar diferentes tipos de variables externas (continuas o dummy) y su impacto en los modelos. Por último, el desarrollo de modelos usando LSTM y ARIMA+GARCH abriría varias áreas de futuras investigaciones.82 páginasesModelo de pronósticoPronósticos de la demandaModelos multivariablesRedes neuronales artificialesInteligencia artificialSeries de tiempoData Science3560900283281