Modelo de redes neuronales artificiales para optimizar la planificación del abastecimiento de materiales en la Empresa Cal y Cemento Sur S.A.

Abstract

En los años recientes, el interés por el aprendizaje automático ha crecido significativamente, obteniéndose buenos resultados en costos de operación y procesos. Este estudio presenta un modelo fundamentado en técnicas de aprendizaje automático, cuyo propósito es incrementar la precisión en las predicciones y optimizar la planificación del abastecimiento de materiales dentro de la organización. La empresa Cal y Cemento Sur S.A. se enfrenta el desafío de disponibilidad oportuna de materiales y la compra excesiva de algunos materiales, identificando que el problema principal radica en la configuración estática de parámetros como el stock de seguridad y el punto de pedido. Aprovechando el histórico de consumos de usuarios en información almacenada se puede superar esta problemática mediante la implementación de un modelo de redes neuronales. Aplicando la metodología CRISP-DM, se realizó un análisis exhaustivo de los datos, identificando variables prioritarias para el modelo. Tras un proceso de muestreo, se tomó 3,093 materiales de muestreo no probabilístico, de una población inicial de 30,003 códigos de material. Posteriormente, se entrenó y ajustó hiperparámetros de los modelos MLP, CONV1D, LSTM, RNN, BiLSTM y GRU, concluyendo que el modelo LSTM obtuvo los mejores resultados con un MSE de 1.91, un MAE de 0.64, un RMSE de 1.38 y un R² de 0.92 los cuales permite visualizar un sólido ajuste a los datos. Este modelo no solo demostró mejorar la cobertura de inventarios, sino también optimizar significativamente la planificación en comparación con el método tradicional, basado en parámetros estáticos.