Este documento describe cómo aplicar redes neuronales artificiales para pronosticar ventas estacionales utilizando datos de ventas históricos. Explica los pasos tomados para construir una red neuronal que fue entrenada con datos de meses anteriores para predecir el volumen de ventas de un mes futuro específico, teniendo en cuenta el patrón estacional. La red neuronal logró pronósticos más precisos que métodos estadísticos convencionales al aprender la dinámica del comportamiento estacional de las ventas.

1. REPUBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA EDUCACION
INSTITUTO UNIVERSITARIO POLITECNICO SANTIAGO MARIÑO
CARRERA: INGENIERIA EN SISTEMAS 47
Redes Neuronales
Alumno:
Darwis Gonzalez CI:28115710
Tutor:
Ing. José Guzmán

2. COMO APLICAR REDES
NEURONALES
Las redes neuronales forman una teoría computacional emergente que
puede utilizarse en gran número y variedad de aplicaciones. Se pueden
desarrollar redes neuronales en un periodo de tiempo razonable y pueden
realizarse tareas concretas mejor que con otras tecnologías convencionales,
incluyendo los sistemas expertos.
Cuando se implementan mediante hardware (redes neuronales con chips
VLSI), presentan una alta tolerancia a fallos del sistema y proporcionan un
grado de paralelismo en el proceso de datos muy grande. Esto hace posible
insertar redes neuronales de bajo coste en sistemas existentes y
recientemente desarrollados.

3. CON RESPECTO A MODELOS ECONÓMICOS Y FINANCIEROS
Una de las aplicaciones más importantes del modelado y pronóstico es la creación de pronósticos
económicos como por ejemplo los precios de existencias, la producción de las cosechas, el interés de las
cuentas, el volumen de las ventas etc. Las redes neuronales están ofreciendo mejores resultados en los
pronósticos financieros que los métodos convencionales.
En esta ocasión se tomaran el volumen de las ventas.
Para cumplir con el objetivo planteado y teniendo en cuenta que se
trata de un fenómeno regido por el comportamiento de los meses
anteriores (tendencia) se propone una red neuronal que sea
alimentada con los niveles de ventas de períodos de tiempo
anteriores al que se desea estimar y con un parámetro que informe el
período que se desea estimar dado que el problema que se está
abordando es de tipo estacional. Con toda esta información la red
debe pronosticar un nivel de ventas partiendo del comportamiento
histórico de dicha variable.

4. Resolver un problema mediante el uso de redes neuronales artificiales (RNA) supone
aplicar una metodología que presenta aspectos comunes con las técnicas
convencionales de modelado estadístico, pero también otros más particulares, que
solamente se dan en el campo de las RNA. A continuación, se describen los pasos que
se han seguido para la construcción de un modelo de red neuronal capaz de ayudar
al manejo eficiente de la información, para permitir hacer predicciones acertadas con
respecto a lo modelo de ventas y manejar niveles de inventarios adecuados que le
proporcionen liquidez al negocio.

5. Debido a la capacidad que poseen las redes neuronales de aprender ciertas características que presentan
algunos fenómenos (en este caso el fenómeno es de tipo estacional) es posible hacer uso de ellas en
problemas de predicción, donde la variable a estimar tiene un comportamiento variable pero con un
patrón de comportamiento similar a lo largo del tiempo.
En el proceso de entrenamiento de una red neuronal es muy importante el criterio de parada, se debe
tener en cuenta para lograr una buena generalización de la red neuronal a la hora de operar. Una de las
formas de obtener una buena generalización es no ser tan rígido con el aprendizaje del conjunto de
entrenamiento. Se pudo observar que cuando se tiene un error por época muy pequeño (menor que una
tolerancia) se cree que la red ha aprendido mejor.
En algunas aplicaciones este concepto no aplica pues la red no generaliza
correctamente. Los pronósticos obtenidos con técnicas estadísticas (SPM y
DPM) no muestran una tendencia realista del comportamiento estacionario de
las ventas, sólo usan datos de algunos períodos anteriores y pronostican sin
tener en cuenta la época del año solicitada. Las redes neuronales se “aprenden”
la dinámica del fenómeno y tienen en cuenta el tiempo como una variable que
afecta el ciclo de las ventas. De esta forma ofrecen resultados más robustos y
cercanos a la realidad.

6. Selección de las variables relevantes y preprocesamiento de los datos Para obtener una
aproximación funcional óptima, se deben elegir cuidadosamente las variables a emplear. Más
concretamente, de lo que se trata es de incluir en el modelo las variables predictoras que
realmente predigan la variable dependiente, pero que a su vez no covaríen entre sí (Smith,
1993).
Una vez seleccionadas las variables que iban a formar parte del modelo, se procedió al
preprocesamiento de los datos para adecuarlos a su tratamiento por la red neuronal. Para
trabajar con el modelo de red neuronal aplicado en este estudio, el backpropagation, es muy
aconsejable —aunque no imprescindible— conseguir que los datos posean una serie de
cualidades (Masters, 1993; Martín del Brío y Sanz, 1997; SPSS Inc., 1997b; Sarle, 1998).