Aplicación de técnicas de minería de datos y análisis de tendencias para el pronóstico de demanda en las MiPymes del sector textil

Con la creciente expansión del sector textil, uno de los tópicos que ha generado mayor interés es el pronóstico de la demanda, ya que está ligado a diversas áreas dentro de las organizaciones generando hasta una dependencia para la toma de decisiones, sin embargo, a su vez propone un reto el conseguir predicciones cercanas a la realidad debido a la volatilidad que genera el mercado. Muchos investigadores han venido utilizando métodos netamente estadísticos para predecir esta demanda y, en las últimas décadas se han visto apoyados por el uso de la inteligencia artificial (Machine Learning). Con el creciente uso de plataformas electrónicas tales como buscadores, páginas de ventas, etc., el interés por las organizaciones en aprovechar la información que generan los usuarios para mejorar sus servicios y productos se ha incrementado de forma sustancial. Este trabajo consistió en generar un modelo de pronóstico de demanda enfocado en las MiPymes del sector textil mediante datos obtenidos por medio de técnicas de minería de datos en tráfico de búsquedas e información histórica. Dicho modelo se generó a través de un conjunto de fases denominadas como: configuración de trabajo, recolección de datos, limpieza y adecuación, construcción y evaluación del modelo de pronóstico, utilizando algoritmos como la regresión lineal, regresión de Ridge y Lasso, K-nearest neighborns, support vector regression y random forest. Los resultados demostraron que los modelos Ridge y Support vector regression, proporcionaron mejores resultados en cuanto al error generado en la predicción comparado a modelos estadísticos tradicionales de regresión univariantes.With the growing expansion of the textile sector, one of the topics that has generated the most interest is the forecast of demand, since it is linked to various areas within organizations, generating up to a dependency for decision-making, however, at its own expense. Sometimes it proposes a challenge to get predictions close to reality due to the volatility generated by the market. Many researchers have been using purely statistical methods to predict this demand and, in recent decades, they have been supported by the use of artificial intelligence (Machine Learning). With the growing use of electronic platforms such as search engines, sales pages, etc., the interest by organizations in taking advantage of the information generated by users to improve their services and products has increased substantially. This work consisted of generating a demand forecasting model focused on MSMEs in the textile sector using data obtained through data mining techniques in search traffic and historical information. This model was generated through a set of phases called: work configuration, data collection, cleaning and adaptation, construction and evaluation of the forecast model, using algorithms such as linear regression, Ridge and Lasso regression, K-nearest neighborns, support vector regression, and random forest. The results showed that the Ridge and Support vector regression models provided better results in terms of the error generated in the prediction compared to traditional univariate regression statistical models.Ingeniero IndustrialCuenc