Desing or a mathematical model for product demand forecasting in Leonisa stores

Actualmente las empresas enfrentan un reto a nivel logístico muy complejo que consiste en abastecerse con las cantidades justas de productos para evitar los excesos y/o faltantes. La empresa Leonisa presenta una problemática con respecto a la acumulación de inventario, que los lleva a incurrir en altos costos logísticos. Con el objetivo de dar solución a esta problemática se propone el diseño de un modelo matemático que contempla como alternativas diferentes técnicas estadísticas que incluyen los métodos de análisis de series temporales Arima y Holt Winter, además de técnicas de Machine Learning como Redes Neuronales. Estos modelos fueron entrenados a partir del uso de información histórica suministrada por la compañía Leonisa y a su vez fueron evaluados mediante la métrica SSE (Suma de errores al cuadrado) sobre un subconjunto de datos de prueba. Esta evaluación permitió determinar el carácter predictivo de los modelos, favoreciendo a la técnica de Redes Neuronales Artificiales, con lo cual fue posible llevar a cabo el diseño de un aplicativo basado en este algoritmo de Aprendizaje Automático para pronosticar los diferentes valores de demanda que pueden presentarse en periodos futuros. Gracias a la realización del proyecto fue posible conocer, que a partir de la utilización del aplicativo que realiza los pronósticos basados en el modelo de Redes Neuronales, el nivel de inventario actual para el periodo (enero a agosto de 2019) se reduciría aproximadamente en un 66% en comparación con el nivel actual, para la referencia seleccionada. Además, se logra brindar una herramienta técnica pero práctica que le sirva de guía en la toma de decisión en relación a las cantidades a pedir de cierta referencia, permitiendo integrar una tecnología avanzada de pronósticos con la experiencia adquirida durante tantos años por los encargados del reabastecimiento de mercancía.Currently companies face a very complex logistical challenge, supplying themselves with the right amounts of products to avoid excessandes and/or shortages. The company Leonisa presents a problem regarding the accumulation of inventory, which leads them to incur high logistical costs. With the aim of solving this problem, we propose the design of a mathematical model that includes as alternatives different statistical techniques that include the methods of analysis of time series Arima and Holt Winter, in addition to Machine Learning techniques such as Neural Networks. These models were trained based on the use of historical information provided by the Leonisa company and in turn were evaluated using the SSE metric (Sum of squared errors) on a subset of test data. This evaluation allowed us to determine the predictive nature of the models, favoring the Artificial Neural Networks technique, with which it was possible to carry out the design of an application based on this Automatic Learning algorithm to forecast the different demand values that may arise in future periods. Thanks to the realization of the project, it was possible to know that from the use of the application that makes the forecasts based on the Neural Networks model, the current inventory level for the period (January to August 2019) would be reduced approximately by a 66% compared to the current level, for the selected reference. In addition, it is possible to provide a technical but practical tool that will guide you in the decision making regarding the quantities to be requested for a certain reference, allowing you to integrate an advanced forecasting technology with the experience acquired during so many years by those in charge of refueling of merchandis