Ciencia de la Predicción

287
486

Diferentes investigaciones se están adelantando en la actualidad sobre las técnicas que existen para realizar predicciones acertadas con respecto al comportamiento del mercado.

{accesstext mode=»level» level=»registered»}

Por favor regístrese, regrese a esta sección y disfrute de todo nuestro contenido.||

 

Ciencia de la Predicción y Redes Neuronales

Dentro de esa variedad de métodos aparece el esquema de las Redes Neuronales que ofrecen mayor precisión y un amplio espectro de aplicación en diferentes industrias, por eso es importante dar a conocer dicho sistema que está ocupando una posición relevante en las investigaciones del sector.

 Alfonso Sarmiento – Investigador Asociado del Centro Latinoamericano de Innovación en Logística – CLI – presentó durante la pasada versión del Congreso Internacional de Logística y Supply Chain, el proyecto que esta entidad adelanta con respecto a la “Planeación de Demanda para Productos Nuevos”.

El objetivo de esta iniciativa – de acuerdo con la ponencia de Sarmiento – es identificar y evaluar los modelos existentes de planeación de demanda para introducir nuevos productos y seleccionar, documentar e implementar la opción que mejor se adecúe al esquema de negocio de la compañía.

 El Funcionario aclaró que para cada clase de nuevo artículo existen técnicas de pronóstico que son más apropiadas que otras. Esto puede analizarse en el  Gráfico No.1.

 

Gráfico No.1
Técnicas de Pronóstico

 

Posterior a esta aclaración, Sarmiento procedió a hacer referencia a un tema de gran relevancia dentro del entorno logístico actual: las Redes Neuronales. 

A propósito de estas redes, José R. Hilera  (1995) las define como sistemas dinámicos autoadaptativos que tienen precisamente esta cualidad de “ajustarse” debido a los elementos procesales que la componen. Asimismo son dinámicas porque tienen la capacidad de cambiar constantemente para amoldarse a las nuevas condiciones. 

 

También existen profesionales que aseveran que realizar predicciones es una labor muy compleja y esto obliga a que los analistas cuenten con diferentes elementos que le permitan ampliar sus conocimientos sobre todos los procesos; las redes neuronales artificiales tienen la capacidad de realizar esta clase de evaluaciones porque tienen excelentes resultados en el reconocimiento de patrones complejos.

Según el concepto de Hilera y Víctor J. Martínez (1995) estas redes tienen características similares a las que presenta el cerebro humano, como por ejemplo pueden generalizar de casos anteriores a situaciones nuevas, abstraer características básicas a partir de entradas que representan datos irrelevantes y aprender de la experiencia.

Retomando la explicación  del Investigador del CLI, éste señaló que el elemento funcional básico del cerebro es la neurona, la cual está conformada por un cuerpo (o soma), dendritas y axón.

La información viaja de neurona a neurona mediante impulsos eléctricos que entran por las dendritas y salen por el axón.

Adicionalmente cada una de las neuronas procesa unos valores de entrada y genera una respuesta de salida (ver Gráfico No.2).

Gráfico No.2
Red Neuronal

Arquitectura de las Redes Neuronales Artificiales

En la ponencia del Representante del CLI se dio a conocer que las RNA están conformadas por varias neuronas interconectadas entre sí y que están distribuidas en diferentes capas; debido a esto también se les conoce como redes neuronales multicapas.

Asimismo dio a conocer las categorías que hacen parte de los drivers de la demanda:

 

Teoría Económica:

  • Poder adquisitivo consumidor.
  • Gustos y preferencias del cliente (moda, hábitos).
  • Precio productos relacionados (sustitutos, complementarios).
  • Precio producto.

 

Socieconómicos:

  • Tasa de desempleo.
  • Mercado objetivo (país, región, ciudad).
  • Nivel promedio de ingresos.
  • Población económicamente activa.

 

Mercadeo:

  • Tipo de canal (tradicional, moderno).
  • Publicidad y promociones.
  • Periodo de Tiempo:
  • Día de la semana.
  • Estación.
  • Temporada. 
  • Como parte del proyecto adelantado por el CLI se llevaron a cabo una serie de pruebas piloto, una de ellas fue el caso de reducción de precio de un yogurt marca A con sabor a fresa.
  • En este ejemplo se partió de la premisa de que en agosto de 2010 se aplicó una rebaja en el costo de dicho producto y en el Gráfico No.3 se plasma el pronóstico generado por la Red Neuronal.

 

Gráfico No.3
Resultados Prueba Piloto – Red Neuronal

 

El tema de esta clase de métodos de predicción también fue analizado en la edición de otoño de 2011 de la revista Pictures of the Future de Siemens.

En esta publicación se dio a conocer que las tecnologías predictivas que están en plena evolución ofrecen ahora en Siemens fotografías nítidas de la producción, comportamiento y futuras necesidades de mantenimiento de sistemas que van desde turbinas hasta parques eólicos y del desarrollo de tendencias económicas como los precios de las materias primas.

Cabe mencionar que Siemens apoya sus decisiones de compra de electricidad en Alemania y de grandes adquisiciones de cobre a nivel mundial en las predicciones emitidas por el Software de Medio Ambiente para Redes Neuronales – SENN que – de acuerdo con Voceros de la compañía – es el sistema de modelación no lineal de alta dimensión más avanzado en su tipo.

Expertos de Siemens agregan que las redes neuronales ofrecen importantes ventajas con respecto a los sistemas predictivos tradicionales que se basan en la lógica lineal.

En la revista de esta organización también se dio a conocer que el SENN desempeña un papel preponderante en la predicción del suministro de energía eólica; dentro de este contexto dicha herramienta toma pronósticos del  clima que están disponibles únicamente en un patrón de red burdo y las convierte en previsiones del abastecimiento de energía local.

Además Siemens desarrolló una red neuronal para modelar las emisiones de óxido nitroso de las turbinas a gas. Gracias a este modelo es posible evaluar las relaciones entre las diferentes variables de entrada y la producción de una turbina respecto al tiempo.

SENN no sólo se limita a la predicción de los costos de la energía y la materia prima sino que ofrece el potencial de una amplia variedad de aplicaciones, puesto que está en capacidad de colaborar en la toma de decisiones relevantes, costosas, desafiantes y completas que pueden requerirse en el entorno actual (tales como inversiones en vías e infraestructura eléctrica).

De acuerdo con Hans-George Zimmermann – Científico de Investigación Principal Senior de Siemens – la ciencia de la predicción es una carrera entre la creciente complejidad del mundo real y nuestra habilidad acelerada de representarlo de forma matemática mediante capacidades asociadas con tecnologías de información, como en el caso del SENN.

 

 {/accesstext}

Comments are closed.