Evaluación de la incorporación de nuevas variables en la predicción de demanda para una empresa de alimentos

Abstract

Agrosuper es una empresa chilena del sector alimentario de productos cárnicos, la cual alcanzó en 2022 un volumen de ventas de $4.179 millones de dólares. Dentro de la estructura de Agrosuper, se encuentra el área de planificación de demanda, donde la principal responsabilidad de esta área es la anticipación, estimación y gestión precisa de la demanda futura de los productos que la empresa ofrece. En su búsqueda constante por mejorar la precisión en sus pronósticos de demanda, esta área ha identificado una oportunidad de mejora que reside en la incorporación de nuevas variables en sus modelos de predicción, ya que en la actualidad solo están utilizando la demanda histórica para sus pronósticos de demanda. Lograr una mayor precisión en los pronósticos de demanda beneficiaría al área de cadena de suministro en varios aspectos, ya que facilitaría una planificación de demanda más exacta, proporcionaría una gestión de inventario más eficaz y perfeccionaría la eficiencia operacional [7]. De manera conjunta, estas mejoras podrían traducirse en ahorros sustanciales de tiempo y recursos económicos. Este proyecto se enfoca en esta oportunidad de mejora, con el objetivo de evaluar la precisión al introducir nuevas variables en la predicción de demanda, específicamente enfocada en el sector de productos procesados (elaborados y cecinas) de la empresa. Para ello, se propone desarrollar una red neuronal y variaciones de esta misma red utilizando las distintas combinaciones de variables. Para alcanzar este objetivo, se utilizó la metodología CRISP-DM, la cual se basa en un ciclo iterativo que comprende cinco fases: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado y evaluación. Bajo esta metodología, se desarrolló una red neuronal LSTM (Long Short-Term Memory), que tiene la capacidad de aprender y recordar información a largo plazo [14]. También se consideraron variables internas de la empresa, las cuales fueron el precio, la facturación en kilos y la elasticidad de la demanda. En el desarrollo de este proyecto, se estableció un caso base que consistente en una red LSTM que solo utiliza la demanda histórica. Adicionalmente, se generaron variantes de esta red que integran diversas combinaciones de las variables seleccionadas, con el fin de evaluar la precisión de los pronósticos comparados a este caso base. Tras evaluar la precisión de los pronósticos entregados por las diversas redes, se observa que, en general, indican una mayor precisión en comparación con el caso base. En particular, para el sector de productos elaborados, al considerar la variable del precio, se obtiene un pronóstico con una precisión promedio del 90,4% contra un caso base de 88,5%. Y para el sector de cecinas, utilizando las variables precio y elasticidad se tiene una precisión del 86,2% contra un caso base de 80,5%. De esto se deduce que, al incorporar nuevas variables, se logra una mayor precisión en comparación con el uso exclusivo de la demanda histórica.