Vous êtes sur la page 1sur 7

Redalyc

Sistema de Informacin Cientfica


Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal

TORO OCAMPO, ELIANA M.;MEJA GIRALDO, DIEGO A.;SALAZAR ISAZA, HAROLD PRONSTICO DE VENTAS USANDO REDES NEURONALES Scientia Et Technica, Vol. X, Nm. 26, diciembre-sin mes, 2004, pp. 25-30 Universidad Tecnolgica de Pereira Colombia
Disponible en: http://redalyc.uaemex.mx/src/inicio/ArtPdfRed.jsp?iCve=84911640006

Scientia Et Technica ISSN (Versin impresa): 0122-1701 scientia@utp.edu.co Universidad Tecnolgica de Pereira Colombia

Cmo citar?

Nmero completo

Ms informacin del artculo

Pgina de la revista

www.redalyc.org Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

Scientia et Technica Ao X, No 26, Diciembre 2004. UTP. ISSN 0122-1701

25

PRONSTICO DE VENTAS USANDO REDES NEURONALES


RESUMEN Este artculo muestra algunas tcnicas de pronstico tradicionales que son comparadas con el comportamiento de una Red Neuronal Artificial. Se usa un problema de pronstico de ventas como referencia. Para obtener un buen comportamiento de la Red Neuronal se aplican diferentes funciones de transferencia as como diferentes criterios de parada. Son obtenidos excelentes resultados que muestran el potencial de esta tcnica artificial. PALABRAS CLAVES: Redes Neuronales Artificiales, Tcnicas de Pronstico. ABSTRACT This paper shows some traditional forecasting techniques that will be compared with an Artificial Neural Network's behavior. A sell forecasting problem is used as a reference problem. Different transfer functions as well as different stop criteria are used in order to get a well behavior Neural Network. Excellent results are obtained that shows the potential of this artificial technique. KEYWORDS: Artificial Neural Network, Forecasting Techniques. ELIANA M. TORO OCAMPO Ingeniero Industrial Profesor Catedrtico UTP. Estudiante Maestra en Ing. Elctrica Universidad Tecnolgica de Pereira eliana@ohm.utp.edu.co DIEGO A. MEJA GIRALDO Ingeniero Electricista Profesor Transitorio UTP. Estudiante Maestra en Ing. Elctrica Universidad Tecnolgica de Pereira diegomej@utp.edu.co HAROLD SALAZAR ISAZA Ingeniero Electricista, Ms.C Profesor Facultad Ingeniera Elctrica Universidad Tecnolgica de Pereira hsi@utp.edu.co Grupo de Investigacin en Planeamiento de Sistemas Elctricos e Investigacin de Operaciones. Universidad Tecnolgica de Pereira 1. INTRODUCCIN El uso ptimo de los recursos, la creciente demanda de una mayor variedad de productos, entre otros, obliga a los fabricantes a realizar programas de produccin ms estrictos y flexibles para poder maximizar el uso de los costosos equipos de produccin, mano de obra, inversiones en materias primas, de forma que se cumplan las fechas de entrega a los clientes finales minimizando los costos. Para realizar eficientes programas de produccin que atiendan la demanda sin incurrir en excesivos costos de capital, es deseable un adecuado manejo de la informacin de ventas con el fin de realizar pronsticos con buen nivel de confianza para todos los departamentos de la empresa. Un pronstico de ventas es una tcnica que permite calcular las proyecciones de ventas de una manera rpida y confiable, utilizando como fuentes de datos, ya sea las transacciones de inventarios o la facturacin de ventas realizadas. Tambin permite estimar la demanda hacia el futuro, basndose en informacin histrica generada por el movimiento de productos del mdulo de Control de Inventarios o por las ventas del mdulo de facturacin. Las tcnicas generalmente aceptadas para la elaboracin de pronsticos se dividen en cinco categoras: juicio ejecutivo, encuestas, anlisis de series de tiempo, anlisis
Fecha de Recepcin: 28 Septiembre 2004 Fecha de Aceptacin: 29 Noviembre 2004

de regresin y pruebas de mercado. La eleccin del mtodo o mtodos depender de los costos involucrados, del propsito del pronstico, de la confiabilidad y consistencia de los datos histricos de ventas, del tiempo disponible para hacer el pronstico, del tipo de producto, de las caractersticas del mercado, de la disponibilidad de la informacin necesaria y de la pericia de los encargados de hacer el pronstico. Lo usual es que las empresas combinen varias tcnicas de pronstico. La economa colombiana tiene gran parte de su aparato productivo basado en pequeas y medianas empresas donde los recursos escasean y resuelven sus interrogantes con base solamente en la intuicin y la experiencia, el propsito de este artculo es presentar una aplicacin de la teora de redes neuronales en pronsticos de produccin mensuales basada en datos de ventas mensuales a fin de aumentar las alternativas y poniendo esta herramienta al alcance de grupos de apoyo y capacitacin de PYMES, dejando claro que un pronstico no es la verdad absoluta a algn evento futuro, es solo una aproximacin a la realidad, entre ms se acerque a ella mejor ser. Para este artculo se propone hacer pronstico de ventas usando las redes neuronales artificiales, ya que son metodologas novedosas que permiten hacer pronstico

26 donde hay cierto comportamiento no lineal y prometen un buen desempeo en este campo de investigacin. 2. TCNICAS CLSICAS DE PRONSTICO Las ms utilizadas son: Juicio ejecutivo, Encuesta de pronstico de los clientes, Encuesta de Pronstico de la Fuerza de Ventas, Mtodo Delphi, Anlisis de series de tiempo, Anlisis de regresin, Prueba de mercado. 2.1 Juicio ejecutivo Se basa en la intuicin de uno o ms ejecutivos experimentados con relacin a productos de demanda estable. Su inconveniente es que se basa solamente en el pasado y est influenciado por los hechos recientes. 2.2 Encuesta de pronstico de los clientes til para empresas que tengan pocos clientes. Se les pregunta que tipo y cantidades de productos se proponen comprar durante un determinado perodo. Los clientes industriales tienden a dar estimados ms precisos. Estas encuestas reflejan las intenciones de compra, pero no las compras reales. 2.3 Encuesta de Pronstico de la Fuerza de Ventas Los vendedores estiman las ventas esperadas en sus territorios para un determinado perodo. La sumatoria de los estimados individuales conforma el pronstico de la empresa o de la divisin. El inconveniente es la tendencia de los vendedores a hacer estimativos muy conservadores que les facilite la obtencin futura de comisiones y bonos. 2.4 El mtodo Delfos (Delphi) Se contratan expertos que hacen pronsticos iniciales que la empresa promedia y les devuelve para refinar los estimados individuales. El procedimiento puede repetirse varias veces hasta cuando los expertos - trabajando por separado - lleguen a un consenso sobre los pronsticos. Es un mtodo de alta precisin. 2.5 Anlisis de series de tiempo Se utilizan los datos histricos de ventas de la empresa para descubrir tendencias de tipo estacional, cclico y aleatorio o errtico. Es un mtodo efectivo para productos de demanda razonablemente estable. Por medio de los promedios mviles determinamos primero si hay presente un factor estacional. Con un sistema de regresin lineal simple se determina la lnea de tendencia de los datos para establecer si hay presente un factor cclico. El factor aleatorio estar presente si se puede atribuir un comportamiento errtico a las ventas debido a acontecimientos aleatorios no recurrentes. 2.6 Anlisis de regresin Se trata de encontrar una relacin entre las ventas histricas (variable dependiente) y una o ms variables independientes, como poblacin, ingreso per-cpita o producto interno bruto (PIB). Este mtodo puede ser til

Scientia et Technica Ao X, No 26, Diciembre 2004. UTP

cuando se dispone de datos histricos que cubren amplios perodos de tiempo. Es ineficaz para pronosticar las ventas de nuevos productos de los que no se tienen histricos. 2.7 Prueba de mercado Se pone un producto a disposicin de los compradores en uno o varios territorios de prueba. Luego se miden las compras y la respuesta del consumidor a diferentes mezclas de mercadeo. Con base en esta informacin se proyectan las ventas para unidades geogrficas ms grandes. Es til para pronosticar las ventas de nuevos productos o las de productos existentes en nuevos territorios. Estas pruebas son costosas en tiempo y dinero, adems alertan a la competencia. 3. REDES NEURONALES El cerebro humano tiene varias caractersticas deseadas por cualquier sistema y esta es la razn por la que se ha incrementado el inters acerca del funcionamiento de las redes neuronales. Las redes neuronales biolgicas aprenden de la informacin disponible en su entorno y bajo ciertas condiciones exhiben la capacidad para generalizar ms all de la informacin con que fueron entrenadas, esta es la caracterstica ms importante que se busca implementar en las redes neuronales artificiales (RNA). Por lo tanto, las RNA son modelos matemticos que tratan de hacer una pequea emulacin del funcionamiento del cerebro humano. Las RNA han demostrado su capacidad para resolver problemas donde el cmputo tradicional ha tenido gran dificultad durante aos. Algunas aplicaciones exitosas de las redes neuronales son: procesamientos de imgenes y voz, reconocimiento de patrones, planeamiento, prediccin, control y optimizacin [2,5,6]. Los computadores tradicionales se basan en la arquitectura de Von Neuman y procesan la informacin secuencialmente. Un computador serial consiste de un solo procesador que puede manipular instrucciones y datos que se localizan en la memoria. El procesador lee, ejecuta, una a una, las instrucciones en memoria. Este sistema serial es secuencial, todo sucede en una secuencia determinstica de operaciones. En contraste una red neuronal no es secuencial. La red neuronal no ejecuta instrucciones, esta responde en paralelo a las entradas que se le presentan. El resultado no se almacena en una posicin de memoria, este consiste en el estado de la red cuando se logra el equilibrio. El conocimiento en una red neuronal no se almacena en instrucciones, el poder de la red est en su topologa y en los valores de las conexiones (pesos) entre neuronas. Las redes neuronales no ejecutan programas, las redes reaccionan, aprenden y se auto-organizan. Para entrenar

Scientia et Technica Ao X, No 26, Diciembre 2004. U.T.P

27 4. SOLUCIN DEL PROBLEMA DE PREDICCIN EMPLEANDO REDES NEURONALES ARTIFICIALES

una red neuronal se le presentan de manera repetitiva y sistemtica una serie de entradas tipo con sus respectivas salidas, esta es una manera de establecer clases para las distintas entradas. Las redes neuronales procesan informacin simultneamente utilizando el paralelismo masivo de procesadores elementales llamados neuronas, este paralelismo hace que las redes sean ms robustas que las mquinas tipo Von Neuman, puesto que varias neuronas pueden fallar y la red contina funcionando de forma aceptable, en contraste con un programa de computador que falla si se eliminan algunas lneas de cdigo. Algunas de las caractersticas de las redes neuronales artificiales: son tolerantes a fallas, tienen alta capacidad de adaptacin a nuevos ambientes, pueden manejar informacin difusa, con ruido o defectuosa, son altamente interconectadas y tienen un buen desempeo ante situaciones desconocidas. Cuando se habla de aprendizaje de una red neuronal, no es ms que sintonizar sus pesos de tal forma que el comportamiento global de la red sea lo ms adecuado posible. Para este proceso existen diferentes alternativas (algoritmos), cada una con una serie de variantes que se desempean mejor que otras dependiendo de las condiciones y escenarios de cada problema. Una vez la red neuronal ha sido entrenada, ya est lista para su operacin. Lo que queda por realizar es validarla usando algn conjunto de prueba, es decir, informacin que no ha sido mostrada en la etapa de entrenamiento. En la seccin 3.1 se da una breve descripcin matemtica de la operacin de una red neuronal. 3.1 Operacin de una red neuronal artificial Si la estructura topolgica de una red neuronal es n-h-s significa que hay n nodos de entrada, h neuronas ocultas y s neuronas de salida. Los nodos de entrada reciben los valores a procesar x j , con j = 1, , n , las neuronas

Para cumplir con el objetivo planteado y teniendo en cuenta que se trata de un fenmeno regido por el comportamiento de los meses anteriores (tendencia) se propone una red neuronal que sea alimentada con los niveles de ventas de perodos de tiempo anteriores al que se desea estimar y con un parmetro que informe el perodo que se desea estimar dado que el problema que se esta abordando es de tipo estacional. Con toda esta informacin la red debe pronosticar un nivel de ventas partiendo del comportamiento histrico de dicha variable. Si V ( t ) es el nivel de ventas del mes t y k el nmero de perodos (meses) anteriores a usar en la prediccin, se puede decir que el conjunto de datos V (t k ), V (t k + 1), , V (t 1) son los datos de ventas de los k meses anteriores. Por lo tanto, el objetivo que debe cumplir la red neuronal es que su salida V ( t ) , dada por la ecuacin

V (t ) = F [V (t k ), V (t k + 1), , V (t 1), t ]
sea lo ms cercana posible a V ( t ) . Por lo tanto, se
puede decir que V ( t ) es la estimacin de las ventas para

el perodo t. F ( i ) es una funcin vectorial no lineal de mapeo entre entradas y salidas de la red.
4.1 Algoritmo de entrenamiento de la red neuronal usada para pronstico

ocultas reciben las entradas x j ponderadas por los pesos


wij y bias bi para generar las salidas yi (salidas de cada

Para el problema de la prediccin se tiene disponible un conjunto de datos que representan el nivel de ventas durante N perodos. Segn el modelo matemtico, estos datos forman parte del conjunto de entrenamiento para la red neuronal. La red usada para esta aplicacin es una backpropagation con momentum (parmetro), pertenece al conjunto de redes que tiene un aprendizaje supervisado, por lo tanto, se requiere de un conjunto de entrenamiento completo en trminos de entrada salida, es decir, para cada entrada se conoce la salida que debera producir la red. A continuacin se plantea el algoritmo de entrenamiento de la red neuronal usada. Se tienen N datos V1 , , VN que representan el nivel de ventas disponible para el entrenamiento [7]. Para evitar efectos de saturacin en las neuronas y problemas de convergencia, se decidi escalar esta variable por un valor de 100, por lo tanto la salida de la red se debe multiplicar por este valor para obtener las ventas estimadas reales.

neurona de la segunda capa) que se calculan como n yi = i wij x j + bi con i = 1, , h j =1 donde i ( ) es la funcin de transferencia de la neurona
i . Finalmente los nodos de salida hacen la suma ponderada de las salidas de las neuronas ocultas y posteriormente se aplica la funcin de activacin para obtener las salidas de la red neuronal, es decir

h ys = s wsi yi + bs con s = 1, , g i =1

Para este trabajo, la neurona de salida entrega el valor de las ventas estimadas para un mes dado. Si este valor est en notacin decimal, es suficiente que g = 1 .

28
Algoritmo de entrenamiento Para l = 1 hasta N k * Propagacin hacia adelante
- calcular el vector salidas de la primera capa yi1 Para i = 1 hasta h
Nbits k yi1 = i wijV j + l 1 + wit xtl + bi t =1 j =1 - Calcular la salida de la red V

Scientia et Technica Ao X, No 26, Diciembre 2004. UTP

h V = wsi yi1 +bs i =1 * Propagacin hacia atrs - Calcular el error e = V V


l l+k

El algoritmo de entrenamiento mostrado corresponde a una red neuronal backpropagation con momentum , es una variante que se le hace al algoritmo backpropagation puro con el fin de brindarle ms de estabilidad a la convergencia al algoritmo. Este proceso iterativo se debe resolver durante un nmero significativo de pocas hasta que algn criterio de convergencia determine que la red ha aprendido la informacin que se le ha mostrado. El criterio de convergencia (o criterio de parada) que se usa en esta aplicacin es el error por poca que se calcula como N 1 p 2 E av = el , N p = N k 2 N p l =1 donde N p representa el nmero total de patrones de entrenamiento. Eav representa el error promedio total cuando se han propagado todos los patrones de entrenamiento. Por lo tanto, cuando en el proceso de aprendizaje se obtiene un Eav Eav min se detiene el proceso y se chequea el desempeo de la red. Para realizar una mejor prediccin se podra pensar que un valor de k grande permitira que la red se alimente con ms cantidad de informacin, pero esto conlleva a que el nmero de patrones que se tendran para entrenar la red es pequeo y se correra el riesgo de presentarle poca informacin en el momento del aprendizaje. Por lo tanto, la escogencia de k implica un proceso de ensayo y error para determinar el valor adecuado.
4.2 Simulacin y resultados

- Calcular el gradiente local de la neurona de salida i =1 - Calcular el gradiente local de la neurona de salida Para i = 1 hasta h
t =1 j =1 * Actualizacin de los pesos - Pesos de la capa de salida Para i = 1 hasta h

s = ' wsi yi1 +bs el

i = i' wijVl + j + wit xt + bi wsi s

Nbits

wsi ( l ) = s yi1 + wsi ( l 1) wsi wsi + wsi ( l ) - Pesos de la primera capa Para j = 1 hasta k wij ( l ) = iVl + j + wij ( l 1) wij wij + wij ( l ) Para t = 1 hasta N bits wit ( l ) = i xtl + wit ( l 1) wit wit + wit ( l ) Fin de la poca

La empresa Nacional de Confecciones lleva un registro estadstico de sus ventas mensuales [7] por unidad de producto. Se recolectaron 36 datos pertenecientes a las ventas registradas en los ltimos tres aos. Despus de realizar varios ensayos se obtuvo que el nmero de datos de perodos anteriores con que se podra hacer una buena prediccin es k = 3 , es decir, la red utiliza la informacin de un trimestre para predecir las ventas del cuarto mes. Adems este valor de k permite que el nmero de patrones an sea representativo N p = 33 . Las redes neuronales usadas estn conformadas por siete entradas, de las cuales cuatro corresponden a los bits que representan el mes a predecir y las tres restantes a las ventas de los tres meses anteriores al mes a predecir. La funcin de transferencia de las neuronas y el criterio de parada del algoritmo de entrenamiento influyen enormemente en la convergencia y en el buen desempeo de una red neuronal (generalizacin). Por esta razn, en este artculo se presentan algunos casos que muestran el entrenamiento de las redes con diferentes tipos de funciones de transferencia en la neurona de salida y

Las entradas xtl corresponden a los bits que forman el mes l por lo tanto xtl puede ser 0 o 1. Dado que los meses se enumeran del 1 al 12 se requieren 4 bits para hacer una correcta codificacin en binario, entonces se tiene que N bits = 4 . Por ejemplo, para el mes 9 (septiembre) se
9 9 9 tiene x19 = 1, x2 = 0, x3 = 0, x4 = 1 . Adems, el valor del mes es peridico (se repite cada 12), es decir, si durante la ejecucin del algoritmo l = 20 , este valor corresponde al mes 8 (agosto) del tercer ao.

Scientia et Technica Ao X, No 26, Diciembre 2004. U.T.P

29 La tolerancia para el error por poca fue Eav min = 1 105 . La trayectoria generada para estimar las ventas del cuarto ao se comporta ms conforme a la realidad del fenmeno, es decir, conserva el mismo patrn de comportamiento a los tres aos anteriores. A pesar de que la tolerancia es mayor que en el caso anterior, la red ha generalizado mejor.

diferentes criterios de parada (tolerancia para el error por poca). Para la capa oculta siempre se usa la funcin de transferencia ( z ) = tanh( z ) en todas las neuronas.
4.3 Estimaciones para el ao 2004

En la Fig.1 se muestran los datos de ventas por mes para los aos 2001, 2002 y 2003. A continuacin se muestran algunas redes que han sido entrenadas para pronstico de ventas del ao 2004 usando diferentes topologas, funciones de transferencia y criterios de parada.

Figura 2
4.3.3 Tercer caso Debido a los mejores resultados vistos en el segundo caso, esta red tambin fue entrenada con el 90 % del conjunto de entrenamiento, usando 60 neuronas en la capa oculta. Para la nica neurona de salida se seleccion una funcin de transferencia lineal ( z ) = z . La

Figura 1
4.3.1 Primer caso Esta red fue entrenada con la totalidad del conjunto de entrenamiento y usando 50 neuronas en la capa oculta y usando funcin de transferencia sigmoidal 1 (z) = para la neurona de la capa de salida. 1 + e z La tolerancia para el error por poca para este caso fue Eav min = 1 107 . Con este valor pequeo se esta exigiendo a la red neuronal un rgido aprendizaje del conjunto de entrenamiento.

tolerancia impuesta para el error por poca fue Eav min = 1 104 . Analizando la Fig. 2, la estimacin realizada por la red para el cuarto ao presenta un comportamiento ms cercano a la realidad, las tendencias mostradas por la red al igual que en el caso anterior tienen un comportamiento ms real. Esta red tiene una mejor generalizacin durante el segundo trimestre estimado del ao 2004. Se podra decir que el comportamiento de las redes mostradas en estos dos ltimos casos presenta el resultado ms confiable en la prediccin teniendo en cuenta el buen nivel de generalizacin. Cabe resaltar que cuando se entrenan redes neuronales para este tipo de aplicaciones es difcil decidir cul es la de mejor desempeo, solamente en el momento de la operacin es posible analizar cul esta ms cerca de la realidad.
4.4 Comparaciones entre redes neuronales y algunas tcnicas clsicas de pronstico A continuacin se muestran pronsticos usando algunas tcnicas estadsticas como el simple promedio mvil

Observando la prediccin para el 2004 en la Fig.2 se nota que la curva no sigue el patrn de comportamiento segn los aos anteriores, por lo tanto, se puede afirmar que esta red no generaliza.
4.3.2 Segundo caso Esta red fue entrenada con el 90% del conjunto de entrenamiento y usando 25 neuronas en la capa oculta con funcin de transferencia sigmoidal. El 10% restante de los patrones no es mostrado, se deja como un conjunto de prueba para chequear la generalizacin de la red.

30 (SPM) y el doble promedio mvil (DPM). Estas tcnicas son usadas en el anlisis de series de tiempo [1]. Para este trabajo, estas metodologas son objeto de comparacin con los resultados ofrecidos por las redes neuronales propuestas.

Scientia et Technica Ao X, No 26, Diciembre 2004. UTP

Figura 4 comportamiento estacionario de las ventas, slo usan datos de algunos perodos anteriores y pronostican sin tener en cuenta la poca del ao solicitada. Las redes neuronales se aprenden la dinmica del fenmeno y tienen en cuenta el tiempo como una variable que afecta el ciclo de las ventas. De esta forma ofrecen resultados ms robustos y cercanos a la realidad.
6. BIBLIOGRAFA

Figura 3 En las Fig.3 y 4 se muestran los pronsticos de ventas usando SPM y DPM con k = 2 y k = 3 respectivamente.
5. CONCLUSIONES

Un manejo eficiente de la informacin permite hacer predicciones acertadas de acuerdo a la poca del ao y manejar niveles de inventarios adecuados que le proporcionen liquidez al negocio. Debido a la capacidad que poseen las redes neuronales de aprender ciertas caractersticas que presentan algunos fenmenos (en este caso el fenmeno es de tipo estacional) es posible hacer uso de ellas en problemas de prediccin, donde la variable a estimar tiene un comportamiento variable pero con un patrn de comportamiento similar a lo largo del tiempo. En el proceso de entrenamiento de una red neuronal es muy importante el criterio de parada, se debe tener en cuenta para lograr una buena generalizacin de la red neuronal a la hora de operar. Una de las formas de obtener una buena generalizacin es no ser tan rgido con el aprendizaje del conjunto de entrenamiento. Se pudo observar que cuando se tiene un error por poca muy pequeo (menor que una tolerancia) se cree que la red ha aprendido mejor. En algunas aplicaciones este concepto no aplica pues la red no generaliza correctamente. Los pronsticos obtenidos con tcnicas estadsticas (SPM y DPM) no muestran una tendencia realista del

[1] ABURTO Luis, Weber Richard. Cadena de suministro: Qu necesitarn mis clientes maana? Trend Management Volumen 6. Ingeniera Industrial. Universidad de Chile. Mayo de 2004 [2] DELGADO Alberto Inteligencia artificial y minirobots ECOE ediciones 2da edicin Santaf de Bogot. 1998 [3] HAGAN Martn, DEMUTH Howard and BEALE Mark. Neuronal Network Design PWS publishing company. Boston. USA 1996 [4] HAYKIN Simon. Neural Network a comprehensive foundation 2nd Edition. Prentice-hall 1999 [5] HILERA Jos, MARTINEZ Vctor Redes neuronales artificiales, fundamentos modelos y aplicaciones Rama Editorial. Madrid. 1995 [6] LOONEY Carl G. Pattern recognition using neuronal network. Oxford University press. New York. 1997 [7] Nacional de Confecciones. Estadsticas de ventas [8] OSPINA Bolaos Dagoberto. Sistemas administrativos de produccin y operaciones. Pereira 1987. UTP