Optimización de la cadena de suministro en la industria de alimentos mediante modelos estadísticos y de machine learning
Cargando...
Archivos
Fecha
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
La eficiencia en la cadena de suministro alimenticio depende de pronósticos precisos y planes de producción óptimos. Este estudio combinó modelos estadísticos (ARIMA, SARIMA, SARIMAX, Holt-Winters) y de machine learning (Random Forest, XGBoost, LSTM) para optimizar la planificación en una empresa de alimentos, utilizando datos históricos de ventas (2022-2024) de tres categorías (avena, harina de maíz, alimento para perros) y variables macroeconómicas (precios de materias primas, tasa de cambio). Los resultados mostraron que los modelos estadísticos (ARIMA/SARIMA) son más precisos en series con estacionalidad clara. Mientras que, los modelos de machine learning (LSTM) superan a los clásicos en demandas estables.
Se proyectó el plan de producción para 2025, integrando factores macroeconómicos, y se simuló su desempeño bajo variabilidad. Los hallazgos respaldan un enfoque híbrido: modelos estadísticos para estacionalidad y tendencias lineales, y machine learning para patrones no lineales, reduciendo desabastecimientos y excesos de inventario. Se sugieren sistemas automatizados de pronóstico en tiempo real como futura dirección.
Descripción
Abstract
Efficiency in the food supply chain depends on accurate forecasts and optimal production plans. This study combined statistical models (ARIMA, SARIMA, SARIMAX, Holt-Winters) and machine learning models (Random Forest, XGBoost, LSTM) to optimize planning in a food company, using historical sales data (2022-2024) from three categories (oats, corn flour, dog food) and macroeconomic variables (raw material prices, exchange rate).
The results showed that statistical models (ARIMA/SARIMA) are more accurate in series with clear seasonality. Meanwhile, machine learning models (LSTM) outperform traditional models in stable demand. The production plan was projected for 2025, integrating macroeconomic factors, and its performance under variability was simulated. The findings support a hybrid approach: statistical models for seasonality and linear trends, and machine learning for nonlinear patterns, reducing stockouts and excess inventory. Automated real-time forecasting systems are suggested as a future direction.
Palabras clave
Optimización de cadena de suministro, Pronósticos de demanda, Enfoque híbrido (modelos estadísticos + Machine Learning)