Modelo de pronóstico de ventas de vehículos livianos usando redes neuronales artificiales

La precisión en la predicción de las ventas es vital en cualquier tipo de industria ya que puede mejorar la calidad de las estrategias de negocios o de la toma de decisiones, específicamente en la industria automotriz juega un papel cada vez más importante debido a la creciente competencia registrada en el mercado, a los largos tiempos de desarrollo y producción y a su relación con las variables económicas. En este documento se compara el desempeño de los métodos clásicos de previsión contra las redes neuronales artificiales (RNA) al pronosticar las ventas de vehículos livianos de la empresa Neohyundai, se consideran variables internas y externas propias del sector. Primero, se llevó a cabo un paso de pre-procesamiento para asegurar la calidad de los datos de entrada a la RNA, en esta etapa se incluye la normalización y la selección de las variables más influyentes a través de la regresión de Lasso, a continuación se establece la arquitectura de la red y los parámetros de aprendizaje. Los resultados muestran que las RNA superan a los métodos tradicionales de predicción, esto significa que la demanda de vehículos que son bienes de consumo duradero puede ser pronosticada mediante el uso de diferentes variables. Además, al determinar la importancia relativa de las variables de entrada se encontró que las variables económicas contribuyen de forma significativa en la previsión.Accuracy in sales prediction is vital in any type of industry as it can improve the quality of business strategies or decision making. Specifically, in the automotive industry it plays an increasingly important role due to the growing competition registered in the market, to the long development and production times and to its relationship with the economic variables. This study compares the performance of the classical forecasting methods against artificial neural networks (ANN) when forecasting light vehicle sales of the Neohyundai company, internal and external variables characteristic of the sector are considered. First, a preprocessing step was carried out to ensure the quality of the input data to the ANN, in this stage the normalization and selection of the most influential variables through Lasso regression is included, then Network architecture and learning parameters are established. The results show that ANN exceed traditional prediction methods, this means that the demand for vehicles that are durable consumer goods can be predicted by using different variables. Furthermore, when determining the relative importance of the input variables, it was found that the economic variables contribute significantly to the forecast.Ingeniero IndustrialCuenc