Desarrollo de una Nueva Aplicación de Análisis de Demanda de Productos para las Compras Regionales y un Modelo de Predicción de la Variable de Flete y Seguro en las Compras para el Pre-costeo de Producto en Grupo Transmerquim al Utilizar Herramientas de Machine Learning.

Abstract

Uno de los pilares en un negocio de distribución de materias primas es la determinación de los factores que inciden sobre la demanda en la cadena de suministros. Tener una certeza de los movimientos que se hacen a través del tiempo y que a la postre genera un patrón del proceso de importación de productos futuros, es por esto que se motiva la creación de un mecanismo que sea sencillo y automático en la integración de variables que formulen en el final del proceso un cálculo de posible demanda al introducir cálculos predictivos de otras variables que en conjunto suman un costo del producto listo para la venta. Con este panorama el departamento de importaciones en conjunto con el departamento de tecnología de la información se han propuesto llevar a otro nivel de análisis de información los datos que suman la base en la toma de decisión en la importación de artículos, con lo cual buscan liberar tiempo empleado para la fabricación de estos reportes y sumar ese tiempo al análisis de los mismos al llevar esto a un nuevo nivel en la automatización y en el análisis de los patrones que se generan con la información ya procesada. Adicional a esto, se busca llevar un nuevo elemento, en el pre-costeo de la mercadería con la aplicación de técnicas de Machine Learning en el cálculo de costos por flete y seguro de las cargas que se importan. Para esto se emplean algoritmos supervisados y especialmente algoritmos de regresión estadística, que es una de las técnicas más empleadas cuando se busca determinar una variable en función de una o más variables explicativas o relacionadas. Estas técnicas permiten el pre-costeo de productos en puerto con lo cual se agiliza la comercialización de los mismos. Este trabajo se desarrolla en dos fases la primera desarrolla una herramienta multidimensional que extrae de diferentes fuentes los datos necesarios para una análisis de demanda futura de materias primas y la segunda fase un análisis experimental de variables de costeo inherentes a la importación de productos al utilizar técnicas de Machine Learning y específicamente algoritmos supervisados, como regresión lineal, regresión de redes neuronales, regresión lineal bayesiana entre otros algoritmos de regresión.