Machine Learning para predecir volúmenes operacionales de las líneas de negocio de Cenabast

Abstract

La presente tesis, tiene el objetivo de utilizar modelos de Machine Learning para predecir volúmenes operacionales de las líneas de negocio de Cenabast. Las líneas de negocio son conformadas por medicamentos que poseen tres características su alta dispersión en el precio, la inelasticidad del precio y la regresividad del precio. Dada las características del mercado del medicamento la producción de parte de los proveedores y demanda de los productos por parte de las personas, tienen un impacto directo en la salud de la población. Por lo anterior, es de gran importancia predecir los volúmenes operacionales de las líneas de negocio de Cenabast, ya que, a través de las líneas de negocio se busca mejorar las condiciones sanitarias de la población. Para el desarrollo de la tesis se utilizan datos históricos de abastecimiento entregados por Cenabast de las compras desde el año 2011 al 2021. Donde, en primera instancia los medicamentos son clasificados según sus similitudes en su coeficiente de variación y cantidad promedio de datos, como resultado del total de la base de datos se utilizó el 21% equivalentes a 441 medicamentos, debido que al obtener gran cantidad de datos y bajo coeficiente de variación de los productos, se presentan datos más homogéneos para utilizar modelos de Machine Learning. En los 441 medicamentos, se utilizan seis modelos Machine Learning los cuales son Lineal Regression, Decision Tree Regression, Random Forest Regression, Ridge Regression, Lasso Regression y Elastic Net Regression, con el objetivo de predecir la demanda de los medicamentos. Se logra concluir, que el mejor modelo utilizando parámetros por defecto Lineal Regression con un coeficiente de determinación de 72,76%, y en caso de utilizar el método de hiperparámetros Decisión Tree Regressión con un coeficiente de determinación de 73,14%.