Facultad De Ingeniera
Carrera Profesional
Ingeniera de Sistemas e Informtica
Presentado por:
Ventura Mamani Wily
Curso: Seminario de Tesis I
Dcimo Ciclo
Profesor asesor:
Ing. Adin Snchez Snchez
Arequipa Per
2015
1. TTULO DE LA INVESTIGACIN
DISEO E IMPLEMENTACIN DE UN SISTEMA DE PRONSTICO DE
VENTAS PARA TABLEROS SAC UTILIZANDO REDES NEURONALES
FRENTE A LA EXPERIENCIA DE LOS VENDEDORES AREQUIPA AO2015.
2. PROBLEMA DE INVESTIGACIN
2.1. Descripcion del Problema
La prediccion de ventas en la empresas ha sido una de las tareas mas
importantes puesto que las empresas nesecitan conocer los productos
que son mas vendidos o menos vendidos en un determinado tiempo
para evitar exeso o escases de productos, pero hasta ahora muchas de
las empresas llevan este control mediante algunas herramientas o la
experiencia de los vendedores. Se utilizan pronosticos en diferentes
areas de la empresa como ventas, compras, produccion, etc.
Sinembargo un error en la prediccin podra dejar a una empresa sin la
materia prima o los insumos suficientes para su produccion o podria
dejarle con un inventario demasiado grande, en cualquier situacion un
pronstico erroneo disminuye las utilidades de la empresa.
En la actualidad las consecuencias anteriores representan un grave
problema para muchas empresas ya que los pronosticos de ventas se
deben hacer para miles de productos.
IMPLEMENTACIN
DE
UN
SISTEMA
DE
neuronales
frente
la
experiencia
de
los
vendedores?
Interrogantes Especficas:
de ventas?
Cmo es la experiencia de venta de los vendedores en la
prediccin de ventas?
Qu diferencias existen entre las tcnicas que permitan
descubrir la prediccin de ventas?
3. Objetivos de la Investigacin
3.1. Objetivo general
para el pronstico.
Desarrollar la arquitectura de la red neuronal ms apropiada para
el pronstico de ventas.
Aplicar la tcnica de redes neuronales para la prediccin de
ventas
Determinar la
prediccin de ventas.
Comparar las tcnicas que permitan descubrir la prediccin de
ventas.
la
precisin
deseada
del
pronstico,
el
costo
del
2. Marco Terico
2.1. Redes Neuronales Artificiales
2.1.1. Introduccin
Si tuviramos que definir la principal caracterstica que nos separa del resto de
animales seguramente, la gran mayora de nosotros, responderamos la
capacidad de raciocinio. Esta capacidad nos ha permitido desarrollar una
tecnologa propia de tal manera que, en estos momentos, esta tecnologa se
orienta a descubrir su origen. Cmo funciona el cerebro? Se pueden
construir modelos artificiales que lo emulen? Se pueden desarrollar mquinas
inteligentes? Todas estas preguntas han conducido a un rpido desarrollo de
un campo multidisciplinar del conocimiento conocido como Inteligencia Artificial
(I.A.). Este campo se podra dividir en dos clases que podramos definir como
macroscpico y microscpico.
En el primero de ellos se intenta modelizar el funcionamiento del cerebro en
base a reglas del tipo si ocurre esto entonces..., el nombre de macroscpico
se debe a que no se toma en cuenta en ningn momento la estructura interna
del cerebro sino que modeliza su comportamiento en base a un funcionamiento
que podramos definir como global. En la segunda aproximacin se parte de la
estructura que presenta el cerebro de tal forma que se construyen modelos que
tienen en cuenta dicha estructura. De esta forma aparecen neuronas
artificiales que se combinan entre s para formar estructuras multicapas que,
a su vez, pueden combinarse para formar comits de expertos, etc. Esta
forma de combinacin recuerda la estructura en niveles del cerebro. Esta
aproximacin de la I.A conocida como redes neuronales ha sufrido, en los
ltimos aos, un incremento espectacular en publicaciones, aplicaciones
comerciales, nmero de congresos celebrados, etc.
en
un
sentido
solamente,
no
existiendo
la
posibilidad
de
realimentaciones.
Lgicamente estas estructuras no tienen memoria.
Redes neuronales recurrentes. Esta red viene caracterizada por la existencia
de lazos de realimentacin. Estos lazos pueden ser entre neuronas de
diferentes capas, neuronas de la misma capa o, ms sencillamente, entre una
misma neurona. Esta estructura recurrente la hace especialmente adecuada
para estudiar la dinmica de sistemas no lineales. La siguiente figura
representa el esquema de una red recurrente.
recurrentes).
Redes parcialmente conectadas. En este caso no se da la conexin total
entre neuronas de diferentes capas.
resurgimiento
del
inters
de
las
redes
neuronales
artificiales.
ec.(5.1)
ec.(5.2)
La funcin f es una funcin umbral genrica, entre las que cabe destacar la
funcin Sigmoid y la funcin Hiperblica.
El valor de la salida de la unidad j es enviado o transmitido a lo largo de todas
las conexiones de salida de dicha unidad.
La Figura muestra la fase de propagacin hacia adelante.
ec.(5.3)
ec.(5.4)
La Figura representa la obtencin del valor j para las unidades de las capas
ocultas.
El ajuste de los pesos asociados a las conexiones se realiza a partir del valor ?
de cada unidad de proceso. Cada peso es ajustado segn la ecuacin (5.5)
conocida como la regla ? generalizada (Rumelhart y McClelland 1986)
wji = j ai
ec.(5.5)
2.3 Antecedentes
Ttulo: Sistema de pronstico de la demanda de productos farmacuticos
basado en redes neuronales
Autores: Eybi Gil Zavaleta, Enith Rodrguez Collas
Ao: 2010
Procedencia: Universidad Nacional Mayor de San Marcos Lima-Per
Resumen: La supervivencia en los negocios altamente competitivos de hoy
requiere una visin precisa de la demanda para poner en marcha los planes de
produccin, inventario, distribucin y compra dentro de las empresas; el sector
farmacutico no es la excepcin, pues los efectos de las temporadas,
promociones, cambios de precios, publicidad, productos con bajo o alto nivel de
movimiento y datos atpicos en general afectan en la determinacin de la
misma. En este contexto, pronosticar por arriba de la demanda tiene entre sus
consecuencias el excesivo inventario de frmacos, obsolescencia o caducidad,
y por otro lado, pronosticar por debajo de la demanda tiene como consecuencia
la prdida de las ventas y un posible incremento en los costos. Por lo
mencionado, el tema se centra en el desarrollo de un sistema que usa las
tcnicas de redes neuronales artificiales para el pronstico de la demanda de
productos.
En este trabajo se propone el uso de una red neuronal (Perceptrn multicapa)
para el pronstico de la demanda de productos farmacuticos, la cual realizar
su fase de aprendizaje con el algoritmo backpropagation que brinda una taza
de error de 3.57% en el mejor caso encontrado; su implementacin se
desarrollar bajo la tecnologa de MATLAB para la construccin de la red
neuronal y del lenguaje JAVA para el diseo de la interfaz grfica de usuario.
2.2.4. Hiptesis
El diseo e implementacin de un sistema que utilice la tcnica de redes
neuronales artificiales es posible obtener un pronstico de ventas ms
aceptado comparado con la experiencia de los vendedores.
Variable Dependiente
Pronostico de ventas
Variable Independiente
Redes Neuronales
Indicadores
Ajuste de la cantidad de productos
Cantidad de Bienes o Servicios
Compradores o Consumidores
Disposicin a adquirir el producto o servicio
Capacidad de pago
Precio dado
Indicadores
Peso correspondiente de las neuronas
Nmero de neuronas en la capa de entrada
Nmero de neuronas en la capa oculta
Nmero de neuronas en la capa de salida
Diagrama de Flujo:
Proceso del Area de Ventas
Requerimiento de Hardware
Procesador Intel Core I5- 3.06 GHz, 4MB Total Intel Smart Cache,
LGA1156, 32nm.
Lector de Memorias 5 en 1
Estabilizador de 100W
Requerimiento de Personal
Jefe de Proyecto
Analista
Diseador
Programador
COSTO (S/.
Material de oficina
50.00
Papel
30.00
Tner de impresora
TOTAL
COSTOS DE PERSONAL
RECURSOS HUMANOS
Jefe de Proyecto es
Programador
Diseador
Analista
TOTAL
120.00
200.00
COSTO (S/.
el
2000.00
1500.00
1500.00
5000.00
) 5 Meses
500.00
Windows 8.1
Office 2010
Nod 32
Matlab 10.0
Netbeans Java
TOTAL
313.97
44.62
280.35
0.00
2729.54
S/. 1200.00
S/. 500.00
S/. 200.00
S/. 1900.00
Beneficios Intangibles:
1 - 8 mes
9mes
10mes
11mes
12mes
13 mes
1900.00
1900.00
1900.00
1900.00
4129.54
2229.54
329.54
Costo
S/. 7929.54
Beneficios
(S/.)
Costo/Beneficio
(S/.)
1900.
00
6029.
54
-1570.46
2.2.5.5. Costo/Beneficio.