Análisis comparativo de algoritmos de Machine Learning frente a métodos tradicionales para el pronóstico de demanda sostenida en el tiempo con distintos niveles de variabilidad
Palabras clave:
pronóstico de demanda, machine learning, series de tiempo, nerviosismo del sistema, gestión de inventarioResumen
El pronóstico de demanda es crítico para que las organizaciones de manufactura planifiquen la producción y gestionen el inventario eficientemente. Mientras que los métodos tradicionales de series de tiempo, como el promedio móvil y la regresión lineal, ofrecen simplicidad y robustez, el auge de los algoritmos de Machine Learning (ML) promete una mayor precisión a través del modelado de datos complejos. Sin embargo, la superioridad de ML es cuestionable en entornos industriales en los que se carece variables exógenas y se depende únicamente de datos endógenos históricos. Además, los modelos complejos de ML pueden sufrir de sobreajuste, reaccionando desproporcionadamente al ruido reciente e induciendo un "nerviosismo" en el sistema que impacta severamente la estabilidad de la cobertura del inventario (Days of Supply). Este artículo presenta un análisis comparativo entre algoritmos de ML y métodos de pronóstico tradicionales para demanda sostenida. El estudio evalúa la precisión del pronóstico y la robustez de las proyecciones a través de diferentes niveles de variabilidad en la demanda, analizando su consecuente impacto en la toma de decisiones de inventario.
Descargas
Referencias
Bontempi, G., Ben Taieb, S., & Le Borgne, Y. A. (2012). Machine learning strategies for time series forecasting. European Business Intelligence Summer School, 62-77.
Carbonneau, R., Laframboise, K., & Vahidov, R. (2008). Application of machine learning techniques for supply chain demand forecasting. European Journal of Operational Research, 184(3), 1140-1154.
Chapman, S. N. (2000). The Fundamentals of Production Planning and Control. Pearson.
Heisig, G., Fleischmann, M., & Meyr, H. (2010). Planning stability in supply chain management. Supply Chain Management and Advanced Planning, 415-435.
Ho, C. J. (1989). Evaluating the impact of operating environments on MRP system nervous-ness. International Journal of Production Research, 27(7), 1115-1135.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learn-ingforecasting methods: Concerns and ways forward. PLoS ONE, 13(3), e0194889.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). The M5 accuracy competition: Results, findings and conclusions. International Journal of Forecasting, 38(4), 1346-1374. https://doi.org/10.1016/j.ijforecast.2021.11.013
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: methods andapplications. John Wiley & Sons.
Nahmias, S. (2004). Production and Operations Analysis (5th ed.). McGraw-Hill.
Silver, E. A., Pyke, D. F., & Thomas, D. J. (2016). Inventory and Production Management in Supply Chains. CRC Press.
Vollmann, T. E., Berry, W. L., Whybark, D. C., & Jacobs, F. R. (2005). Manufacturing Planning and Control for Supply Chain Management (5th ed.). McGraw-Hill.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Franco M. Novara
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
