"Predicción y estrategia en la compra de materias primas: un modelo data-driven para el aceite de soja en la salmonicultura chilena"

Abstract

La volatilidad del precio del aceite de soja representa un riesgo sustancial para la rentabilidad de la industria salmonera chilena. Frente a políticas de compra reactivas o no analíticas, este estudio aborda dicho desafío mediante el diseño y validación de un sistema proactivo de apoyo a la decisión. Para ello, se desarrolló un portafolio de 17 modelos de machine learning para pronosticar el precio. Las predicciones alimentaron un motor de simulación con 7 políticas de compra inteligentes, cuya robustez fue evaluada a través de un exhaustivo análisis de sensibilidad y una Simulación de Monte Carlo con 1,000 escenarios futuros. El principal hallazgo es que un modelo predictivo avanzado (LGBM_Optuna) consistentemente genera un valor económico medible. Los resultados indican que su estrategia óptima tiene una probabilidad promedio de éxito de 98,9% para generar ahorros, con un valor medio esperado de $296.442 USD anuales con los parámetros de compra de la empresa estudiada. En conclusión, la tesis entrega un framework analítico validado que transforma la compra de materias primas desde un proceso reactivo basado en la intuición, hacia una función estratégica y proactiva que gestiona el riesgo y crea una ventaja competitiva cuantificable.

Soybean oil price volatility represents a substantial risk to the profitability of the Chilean salmon farming industry. In contrast to reactive or non-analytical purchasing policies, this study addresses this challenge by designing and validating a proactive decision support system. To this end, a portfolio of 17 machine learning models was developed to forecast prices. These predictions fed a simulation engine with 7 intelligent purchasing policies, whose robustness was evaluated through extensive sensitivity analysis and a 1,000-scenario Monte Carlo simulation. The main finding is that an advanced predictive model (LGBM_Optuna) consistently generates measurable economic value. Results indicate that its optimal strategy applied to the purchasing needs of the studied company, has a 98.9% average probability of success in generating savings, with an expected average value of $296,442 USD annually. In conclusion, this thesis delivers a validated analytical framework that transforms raw material procurement from a reactive, intuition-based process to a strategic and proactive function that manages risk and creates a quantifiable competitive advantage