NEURALPOS
Red neuronal artificial aplicada en el pronstico de ventas para la planificacin de
la operacin en restaurantes de comida rpida
47031
51833
Noviembre de 2006
ii
NEURALPOS
Red neuronal artificial aplicada en el pronstico de ventas para la planificacin de
la operacin en restaurantes de comida rpida
Los abajo firmantes, miembros del comit evaluador autorizamos la impresin del
proyecto de titulacin de:
47031
51833
iii
DECLARACIN DE ORIGINALIDAD
Nosotros Raymundo Camarena Perea y Hike Jess Briazo Corren 51833 declaramos
que el material contenido en esta publicacin fue generado con la revisin de los
documentos que se mencionan en la seccin de Referencias y que la Aplicacin de
Cmputo y La Red Neuronal desarrollados son originales y no han sido copiado de
ninguna otra fuente, ni ha sido usado para obtener otro ttulo o reconocimiento en otra
Institucin de Educacin Superior.
Alumno1
Alumno2
iv
Agradecimientos
Primeramente agradezco a Dios por su gran Amor e infinita misericordia que
hasta el momento nos sostiene. A mi familia, padre, madre y hermanos, por su apoyo
incondicional recibido todo el tiempo, a Fabiola (mi novia) por su ayuda en la revisin
de la redaccin de este documento. A todos los profesores que a lo largo de mi carrera
contribuyeron en mi formacin como profesionista y ser humano. Como agradecimiento
especial al Dr. Jenaro Paz por su ayuda y paciencia inagotables y al Profesor Nahitt
Padilla Franco por su apoyo incondicional y su gran disposicin mostrada a lo largo del
proyecto.
Gracias
vi
vii
NDICE
Autorizacin de Impresin
iii
Declaracin de Originalidad
iv
Agradecimientos
vi
Captulo Introduccin.....
1.1
Antecedentes..
1.2
1.3
Solucin propuesta.....
2.2
2.3
11
2.4
14
2.5
El Perceptrn ....
18
2.6
Adaline.......
19
22
22
23
3.2.1 Recopilacin
23
3.2.1.1
sale).
23
27
consumidores..
31
Organizacin e Interpretacin
33
3.2.2
3.2.2.1
datos
33
34
43
Captulo 4. ..
46
46
viii
4.1.1 Modelo 1.
46
48
49
52
52
61
64
4.6 Conclusiones...
65
Apndices....
67
Bibliografa.
110
ix
Captulo 1
Introduccin
1.4 Antecedentes.
Las empresas de comida rpida carecen de un mtodo formal y eficiente, que les
permita realizar su pronstico de ventas para la planeacin ptima de su operacin. No se
cuenta con un mtodo formal y de alta precisin, en donde el criterio de las personas
encargadas de la planeacin no sea el factor determinante para obtener los resultados
deseados.
La mayora de los mtodos que utilizan son poco confiables. Esto se debe, a que
manejan historiales con rango de tiempos insuficientes. Estos datos son analizados por el
gerente, para posteriormente alimentar los parmetros necesarios en sus clculos, como
por ejemplo, los mximos y mnimos indispensables para el control de productos en stock.
Al trmino del da, se cuenta con el reporte para solicitar el pedido de los productos y
organizar la fuerza laboral que sern utilizados en la venta del siguiente periodo.
Captulo 2
2
Desde nuestros orgenes otra de las lneas que los investigadores siguen es aplicar
los principios fsicos de la naturaleza para el desarrollo de maquinas que realicen los
trabajos en nuestro lugar. Trabajos o tareas que se realizan con una cierta capacidad de
inteligencia segn nos dice uno de los principios bsicos de la Inteligencia Artificial. La
computacin neuronal perteneciente a las llamadas maquinas cibernticas se remonta hasta
los 100 a.C. cuando Heron el Alejandrino construye un autmata hidrulico. Pero no es
hasta que Alan Turing empieza ha estudiar el cerebro como una forma de hacer
computacin aunque no de manera formal como lo realizaron los primeros tericos que
concibieron los principios fundamentales de la Computacin Neuronal Warren McCulloc,
neurofisilogo, y Walter Pitts, matemtico, los cuales en el ao de 1943 despliegan la teora
de como trabajan las neuronas llegando a modelar una simple red neuronal utilizando
circuitos elctricos. Ya en el 1949 Donald Hebb escribe un libro titulado La organizacin
del comportamiento donde habla de una conexin que existe entre la psicologa y la
fisiologa. Luego en 1957 Frank Rosenblatt comienza con el desarrollo de la red neuronal
ms antigua la cual llamaron Perceptrn la cual se usa en diferentes maneras en el
reconocimiento de patrones. En 1959 Bernard Widrow y Marcial Hoff, crean el modelo
ADALINE que por sus siglas en ingles significa ADaptative LINear Elements el cual fue el
4
primer modelo en ser aplicado a un problema real el cual fue en el filtrado de seales que
eliminaba el eco en las lneas telefnicas usada comercialmente en varias dcadas.
sumaban sus entradas. Despus desarroll una extensin a su modelo llamado Brain-in-aBox.
Shun-Ichi Amari combin las redes neuronales biolgicas con rigurosos modelos
matemticos de Redes Neuronales Artificiales. Quien gracias a el se pudo llegar a la
solucin de el problema de la asignacin de creditos. Tambien estudio el tratamiento de las
redes neuronales dinmicas y aleatoriamente conectadas, estudios de aprendizaje
competitivo y tambin el anlisis matemtico de memorias asociativas.
En 1987 se crea una extensin del modelo de Auto asociativas de Hebb, el cual
consiste en manejarlas con dos niveles utilizando aprendizaje sin supervisin y su creador
fue Bart Kosko.
mas cortas llamadas dendritas. El axn puede reproducir en torno a su punto de arranque y
frecuentemente ramifica extensamente cerca de su extremo.
En la siguiente figura presentamos la forma promedio de una neurona biolgica la cual
consta como ya lo mencionamos de 3 partes principales que definimos debajo de la figura:
Fuente: http://ohm.utp.edu.co/neuronales/Capitulo1/RNBiologica.htm
Cuerpo de la neurona o soma: aqu son procesadas las seales que entraron a travs de las
dendritas y pueden venir del exterior o desde otras neuronas, despus de ser procesada la
informacin entrante un nuevo impulso es generado si todas las condiciones se cumplen.
Dendritas: estas son las ramificaciones fibrosas que brotan del cuerpo de la neurona
Axn: esta es la fibra principal por donde la seal de salida es enviada. Este canal
transmisor tambin se ramifica para llevar la seal generada por la clula a otras neuronas,
a travs de las dendritas de estas.
A la conexin entre las neuronas se les llama sinapsis, en estas uniones especiales es
donde la seal es trasmitida y recibida tanto de la neurona que transmite como la neurona
que recibe.
10
11
12
W1
X
W2
W3
Wn
Figura 2.2 Esquema general de una clula de McCulloch-Pitts Fuente: Isasi-Galvan Redes de Neuronas Artificiales
Esta clula recibe un conjunto de n valores como su entrada pudiendo ser discretos
o continuos dependido del modelo considerado y de la aplicacin que se le dar. En este
momento las definiremos como n valores binarios, X={x1,x2,x3,..,xn}, los cuales pueden
provenir de otras neuronas o del exterior, la cual producir una nica salida tambin
binaria, s. Cada clula se caracteriza por n+1 valores reales, de los cuales n son los pesos de
las conexiones (wi) correspondientes a las entradas xi, y el otro es el valor del umbral que
pudiera ser diferente para cada clula. La clula opera en lapsos discretos. Si el resultado de
la suma ponderada de las entradas supera al umbral preestablecido solo as la clula se
activara o lo que es igual tomara el valor de 1.
13
1 i wixi(t) > 0
S (t+1)=
0 en caso contrario
Partiendo de esto podemos definir que una red neuronal es un conjunto de neuronas
de McCulloch y Pitts, procesadas en el mismo intervalo de tiempo y sus salidas conectaran
a otras entradas de neuronas. Pudiendo esta salida afectar a varias entradas pero una
entrada solo se alimentara de una salida.
La red podr tener contacto con el exterior mediante las entradas y salidas. Las
lneas de entrada de la red pueden ser la entrada de una o de todas las neuronas de la red.
De igual manera las salidas vendrn de alguna o de todas las neuronas de la red.
Cuando decimos capa o nivel nos estamos refiriendo al grupo de neuronas las
cuales sus entradas estn alimentadas de la misma fuente y las salidas llegan a un mismo
destino.
14
y1
y2
yj
yj
yn
Figura 2.3 Clula de McCulloch-Pitts con su funcin de activacin
16
La fase de aprendizaje de una RNA es el proceso por el cual los pesos son
ajustados por la estimulacin del entorno que la rodea.
Una vez que la red ya paso por el entrenamiento esta lista para la fase de ejecucin
o de recuerdo. Generalmente el aprendizaje termina (aunque no en todos los modelos)
quedando fijos la estructura y los pesos de la red. Aqu ya tenemos lista nuestra red para
comenzar a procesar los datos.
17
2.5 El Perceptrn
x1
xn
y
f(x)
La salida de la unidad es :
y=1
si w1*x1+w2*x2<
y=-1
si w1*x1+w2*x2>
w2
y=-1
y=1
w1
18
2.6 El Adaline
1
X1
xn
y
f(x)
19
f(x)
f(x)
+1
x
-1
Perceptrn
Adaline
E = p-1(dp-yp)2
A continuacin aplicaremos el algoritmo iterativo de descenso del gradiente
wj = wj wj = wj . E/wj
Los pasos para resolver la Adaline es muy parecido al del Perceptrn pero como
usaremos la regla delta a este algoritmo se le conoce como LMS (Least mean square). Para
la derivacin de la regla delta necesitamos que la funcin de activacin f. sea lineal.
20
4.-Ir al paso 2
Con esto terminamos este captulo, para que en el siguiente nos adentremos en la
manera que recopilamos, organizamos, e interpretamos la informacin con la que
trabajaremos en nuestro modelo de RNA.
21
Captulo III
Recopilacin, Organizacin e interpretacin de la Informacin.
En este captulo mostraremos el proceso realizado para llegar al tipo de RNA que
necesitaremos para pronosticar las ventas. Para
22
Debido a que no existen reglas tericas para decidir el lmite de capas ocultas y de
neuronas que se asignen, hemos escogido solo una capa oculta por los datos que se
analizaron y ser la manera tpica que se maneja en este tipo de redes, y por el hecho de
tratarse de una red no tan compleja ya que a medida que se eleva la complejidad de la
relacin entrada/salida deseada, debe aumentar el numero de neuronas ocultas. Si la red que
estamos modelando estuviera demasiado grande de tal manera que se pudiera separar en
mltiples estados o fases, se necesitaran mas capas ocultas teniendo cuidado con esto ya
que si se ponen dems solo llegaremos a permitir que memorice nuestra red y no dar una
solucin general real.
3.2.1 Recopilacin:
3.2.1.1 Sistema de recopilacin utilizado en los POS (Point of sale)
23
24
Los histricos que fueron generados por el sistema de la sucursal 1, que es la que
ser analizada en este trabajo, y con la cual se entrenara a la RNA, fueron tomados de los
respaldos que genera el equipo de sistemas de esta empresa. Tomndose solamente desde
marzo 2005 hasta abril 2006 para ser analizado. No tomamos aos anteriores debido a que
se manejaban distintas unidades de medida y segn un anlisis del comportamiento de las
ventas no serian de ayuda para nuestro fin debido a que se realizaron cambios que afectaron
la tendencia de la venta; como por ejemplo
agrandado su aforo y capacidad de produccin de tal manera que los datos de esos aos no
serian relevantes para nuestro estudio ya que aument significativamente la venta. En la
siguiente seccin mostraremos la estructura de la base de datos y todas las tablas que
manejan para decidir cuales tablas necesitaremos en nuestro estudio, adems de mostrar en
la siguiente figura todos los archivos que se manejan en el ambiente donde se corre el
sistema.
25
26
Adems
usaremos
la
tabla
el
27
Esta tabla contiene los campos en donde guardamos los detalles de los movimientos
como la sucursal ya que actualmente se cuenta con 10 sucursales, el tipo de movimiento
que se realiz, y que mostraremos mas delante los movimientos posibles, la clave o
identificador asignado, el monto del movimiento, y otros campos de control.
Tipos de movimientos posibles:
Entradas:
Salidas:
EP
SV
EA
SA
ER
SX
Salidas Anacrnicas
ET
ST
MN
MV
29
Para la RNA que se presentar en este trabajo escogeremos para que se analice el
insumo que mas se vende, la carne de cerdo preparada al pastor, en este insumo se manejan
cantidades muy grandes semanalmente. Pertenece al grupo de carnes, que es el grupo
principal y en funcin de este deban hacer el pedido de los dems insumos.
En la tabla de abajo enumeramos tos los insumos que por el momento se manejan,
omitiendo los insumos que no estn relacionados directamente con la venta de carne como
la papelera, los utensilios y otros insumos no relevantes para nuestro estudio.
insumoid
BABLCE
BACILA
BAGUAC
BAJALA
BALECH
BALIMO
BAMOCE
BAPEPI
BAPIGA
BARABA
BAROAR
BAROTA
BATOMA
BAVEAS
BBEMPA
BEAGBO
BEBOSO
BECAAM
BECAPU
BECERV
BEDULC
BEFICH
BEFLAN
BEGAAG
BEVA12
BEVA16
BEVA24
BEVA32
BEVACA
CABARB
CABIST
CAFALA
CAPAPA
CAPAST
CAPOLL
insugpoid
BA
BA
BA
BA
BA
BA
BA
BA
BA
BA
BA
BA
BA
BA
BE
BE
BE
BE
BE
BE
BE
BE
BE
BE
BE
BE
BE
BE
BE
CA
CA
CA
CA
CA
CA
descrip
CEBOLLA BLANCA
CILANTRO
GUACAMOLE
CHILE JALAPEO
LECHUGA
LIMON
CEBOLLA MORADA
PEPINO
PICO GALLO
RABANOS
ROJA ARBOL
SALSA ROJA TATEMADA
TOMATE
Verde Asado
Empanada
AGUA BOTELLA
SODA BOTE
CAFE AMERICANO EN POLVO
TAZA CAPUCHINO
CERVEZA
DULCE DE LECHE
FICHAS JUEGOS
FLAN
AGUA GARRAFON
VASO 12 OZ
VASO 16 OZ
VASO 24 OZ
VASO 32 OZ
VASO PARA CAFE 10OZ
BARBACOA
BISTEC
FAJITA-ALAMBRE
PAPAS
PASTOR
POLLO
usmi
KG
KG
KG
KGS
KG
KG
KG
KG
KG
KG
KG
KGS
KG
KG
PZA
PZA
PZA
KGS
PZA
PZA
PZA
PZA
PZA
PZA
PZA
PZA
PZA
PZA
PZA
KG
PZA
IND
PZA
IND
PZA
30
CAQUES
CATOCI
CATOJR
CATOST
CAVERD
CAFRIJ
POGAVE
RAJQUE
CA
CA
CA
CA
CA
CA
BE
CA
QUESOS
TOCINO
Tortilla Junior
Tortilla Harina Super Taco
VERDURAS
Frijoles Charros
Galleta Avena
RAJAS QUESO
PZA
IND
PZA
PZA
IND
IND
PZA
31
32
Para comenzar el anlisis del comportamiento de los datos fue necesario desarrollar
una pequea aplicacin que nos entregara previamente acomodada la informacin. Se
intent primeramente trabajar solo con la hoja de clculo Excel pero no tenia la capacidad
suficiente para manejar la informacin en memoria y era muy tardado, adems que para el
desarrollo del sistema integral de pronsticos de venta se llevar a cabo en trabajos
posteriores el anlisis de todas las sucursales y todos los insumos ser necesario, por lo que
disminuir el tiempo en la organizacin de la informacin que se tiene que llevar a cabo para
decidir el modelo de la red y los parmetros que la alimentarn cremos de gran
importancia desarrollar algo que facilitara este laborioso trabajo por lo que lo
desarrollamos. Aunque se tendr que seguir trabajando con Excel para otros anlisis se
ahorrar mucho tiempo en el acomodo de la informacin. En la siguiente figura mostramos
dicha aplicacin.
33
Aportacin
04Vs05
2005
Aportacin
05Vs06
2006
Aportacin
En
1,034,053.95
9.18%
-21%
819,303.19
7.97%
38%
1,132,017.67
13.52%
Fb
943,625.80
8.38%
-10%
846,878.44
8.24%
24%
1,049,097.77
12.53%
Mr
946,553.53
8.41%
-2%
925,499.60
9.00%
12%
1,032,344.70
12.33%
Ab
943,456.16
8.38%
-10%
850,760.73
8.28%
7%
907,002.24
10.84%
My
990,697.34
8.80%
-6%
930,244.05
9.05%
0%
929,778.59
11.11%
Jn
991,079.38
8.80%
-19%
805,252.23
7.83%
7%
858,396.43
10.26%
Jl
924,896.88
8.21%
-21%
727,638.16
7.08%
14%
828,414.22
9.90%
Ag
883,016.36
7.84%
-14%
756,864.00
7.36%
3%
778,683.69
9.30%
Sp
803,771.27
7.14%
-20%
641,094.21
6.24%
33%
854,252.21
10.21%
Oc
862,276.11
7.66%
-13%
747,271.94
7.27%
-100%
0.00%
Nv
862,918.21
7.66%
33%
1,148,713.53
11.18%
-100%
0.00%
Dc
1,073,817.67
9.54%
0%
1,078,815.53
10.50%
-100%
0.00%
34
La siguiente tabla muestra el porcentaje de aportacin que tiene cada uno de los 31
das en su mes, se ordeno de mayor a menor para apreciar mejor cuanto era lo que aportaba
cada da de la semana y observar dicho comportamiento.
03/01/2005
03/09/2005
03/16/2005
03/02/2005
03/23/2005
03/15/2005
03/30/2005
03/22/2005
Martes
Miercoles
Miercoles
Miercoles
Miercoles
Martes
Miercoles
Martes
6.03%
5.43%
3.53%
3.13%
2.83%
2.78%
2.60%
2.57%
2.21%
1.93%
1.31%
1.18%
1.09%
1.09%
1.03%
03/08/2005
03/29/2005
03/13/2005
Martes
Martes
Domingo
Sabado
Domingo
Domingo
Domingo
Sabado
Sabado
Sabado
Viernes
Jueves
Jueves
Lunes
Viernes
03/19/2005
03/27/2005
03/20/2005
03/06/2005
03/05/2005
03/26/2005
03/12/2005
03/04/2005
03/17/2005
03/24/2005
03/14/2005
03/18/2005
Martes
Domingo
Lunes
Jueves
Miercoles
Mz y Ab
2006
25.40%
5.45%
33.15%
25.10%
32.78%
35
1.01%
0.95%
0.95%
0.84%
0.79%
0.77%
0.76%
0.70%
03/31/2005
03/10/2005
03/11/2005
03/03/2005
03/28/2005
03/21/2005
03/07/2005
03/25/2005
Jueves
Jueves
Viernes
Jueves
Lunes
Lunes
Lunes
Viernes
Fecha
arreglada
01/03/2005
02/03/2005
03/03/2005
04/03/2005
05/03/2005
06/03/2005
07/03/2005
08/03/2005
09/03/2005
10/03/2005
11/03/2005
12/03/2005
13/03/2005
14/03/2005
15/03/2005
16/03/2005
17/03/2005
18/03/2005
19/03/2005
20/03/2005
21/03/2005
22/03/2005
23/03/2005
24/03/2005
25/03/2005
26/03/2005
27/03/2005
28/03/2005
29/03/2005
30/03/2005
31/03/2005
Dia
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
DOW
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
9
9
9
9
10
10
10
10
10
10
10
11
11
11
11
11
11
11
12
12
12
12
12
12
12
13
13
13
13
13
13
SUM_CANTIDAD
3,283.00
2,945.00
364.00
566.00
1,110.00
1,126.00
328.00
2,608.00
3,131.00
412.00
409.00
835.00
1,526.00
470.00
2,826.00
3,043.00
509.00
447.00
1,353.00
1,202.00
331.00
2,691.00
2,945.00
472.00
303.00
958.00
1,223.00
340.00
2,351.00
2,719.00
435.00
43,261.00
Bolsas
82
74
9
14
28
28
8
65
78
10
10
21
38
12
71
76
13
11
34
30
8
67
74
12
8
24
31
9
59
68
11
Tabla 3.4
Ver grfico y fuente de datos de tabla 3.4 en apndice
36
Ver graficada tabla de Marzo y Abril 2006 ordenada por fecha en apndice.
3.20%
1.79%
2.49%
3.27%
3.68%
0.99%
4.02%
4.18%
2.23%
1.80%
3.55%
4.76%
0.93%
6.18%
7.61%
2.63%
1.99%
3.14%
4.75%
2.33%
5.26%
2.56%
2.02%
1.77%
2.77%
3.68%
1.20%
4.51%
5.63%
2.33%
2.79%
4.11%
5.15%
1.51%
4.88%
5.17%
1.92%
2.39%
4.00%
4.09%
1.29%
5.14%
6.51%
2.33%
1.12%
3.28%
4.08%
1.35%
4.52%
5.26%
1.33%
2.24%
3.26%
3.52%
1.48%
4.06%
4.31%
1.64%
2.96%
2.72%
4.42%
Fecha
01/03/2006
02/03/2006
03/03/2006
04/03/2006
05/03/2006
06/03/2006
07/03/2006
08/03/2006
09/03/2006
10/03/2006
11/03/2006
12/03/2006
13/03/2006
14/03/2006
15/03/2006
16/03/2006
17/03/2006
18/03/2006
19/03/2006
20/03/2006
21/03/2006
22/03/2006
23/03/2006
24/03/2006
25/03/2006
26/03/2006
27/03/2006
28/03/2006
29/03/2006
30/03/2006
31/03/2006
01/04/2006
02/04/2006
03/04/2006
04/04/2006
05/04/2006
06/04/2006
07/04/2006
08/04/2006
09/04/2006
10/04/2006
11/04/2006
12/04/2006
13/04/2006
14/04/2006
15/04/2006
16/04/2006
17/04/2006
18/04/2006
19/04/2006
20/04/2006
21/04/2006
22/04/2006
23/04/2006
24/04/2006
25/04/2006
26/04/2006
27/04/2006
28/04/2006
29/04/2006
30/04/2006
Dia
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
Lunes
Martes
Miercoles
Jueves
Viernes
Sabado
Domingo
DOW
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
2
3
4
5
6
7
1
WOY
9
9
9
9
10
10
10
10
10
10
10
11
11
11
11
11
11
11
12
12
12
12
12
12
12
13
13
13
13
13
13
13
14
14
14
14
14
14
14
15
15
15
15
15
15
15
16
16
16
16
16
16
16
17
17
17
17
17
17
17
18
SUM_CANTIDAD
886.00
496.00
688.00
905.00
1,018.00
274.00
1,112.00
1,156.00
618.00
497.00
982.00
1,319.00
258.00
1,710.00
2,107.00
727.00
550.00
869.00
1,315.00
646.00
1,456.00
708.00
558.00
491.00
766.00
1,018.00
331.00
1,248.00
1,558.00
644.00
771.00
1,011.00
1,267.00
370.60
1,199.40
1,270.80
472.80
587.80
983.20
1,005.40
317.40
1,264.40
1,600.40
573.00
274.80
806.80
1,003.20
332.00
1,110.80
1,294.80
328.00
551.40
801.80
866.80
363.00
998.20
1,060.00
403.20
727.00
669.80
1,086.40
Bolsas
22
12
17
23
25
7
28
29
15
12
25
33
6
43
53
18
14
22
33
16
36
18
14
12
19
25
8
31
39
16
19
25
32
9
30
32
12
15
25
25
8
32
40
14
7
20
25
8
28
32
8
14
20
22
9
25
27
10
18
17
27
37
Tabla de marzo 2006 ordenada por los porcentajes de aportacin en orden descenderte.
7.61%
6.18%
5.63%
5.26%
4.76%
4.75%
4.51%
4.18%
4.02%
3.68%
3.68%
3.55%
3.27%
3.20%
3.14%
2.79%
2.77%
2.63%
2.56%
2.49%
2.33%
2.33%
2.23%
2.02%
1.99%
1.80%
1.79%
1.77%
1.20%
0.99%
Fecha
arreglada
15/03/2006
14/03/2006
29/03/2006
21/03/2006
12/03/2006
19/03/2006
28/03/2006
08/03/2006
07/03/2006
05/03/2006
26/03/2006
11/03/2006
04/03/2006
01/03/2006
18/03/2006
31/03/2006
25/03/2006
16/03/2006
22/03/2006
03/03/2006
20/03/2006
30/03/2006
09/03/2006
23/03/2006
17/03/2006
10/03/2006
02/03/2006
24/03/2006
27/03/2006
06/03/2006
Dia
Miercoles
Martes
Miercoles
Martes
Domingo
Domingo
Martes
Miercoles
Martes
Domingo
Domingo
Sabado
Sabado
Miercoles
Sabado
Viernes
Sabado
Jueves
Miercoles
Viernes
Lunes
Jueves
Jueves
Jueves
Viernes
Viernes
Jueves
Viernes
Lunes
Lunes
DOW
4
3
4
3
1
1
3
4
3
1
1
7
7
4
7
6
7
5
4
6
2
5
5
5
6
6
5
6
2
2
WOY
11
11
13
12
11
12
13
10
10
10
13
10
9
9
11
13
12
11
12
9
12
13
10
12
11
10
9
12
13
10
SUM_CANTIDAD
2,107.00
1,710.00
1,558.00
1,456.00
1,319.00
1,315.00
1,248.00
1,156.00
1,112.00
1,018.00
1,018.00
982.00
905.00
886.00
869.00
771.00
766.00
727.00
708.00
688.00
646.00
644.00
618.00
558.00
550.00
497.00
496.00
491.00
331.00
274.00
Bolsas
53
43
39
36
33
33
31
29
28
25
25
25
23
22
22
19
19
18
18
17
16
16
15
14
14
12
12
12
8
7
Tabla 3.6a
38
Tabla de Abril 2006 ordenada por los porcentajes de aportacin en orden descenderte.
6.51%
5.26%
5.17%
5.15%
5.14%
4.88%
4.52%
4.42%
4.31%
4.11%
4.09%
4.08%
4.06%
4.00%
3.52%
3.28%
3.26%
2.96%
2.72%
2.39%
2.33%
2.24%
1.92%
1.64%
1.51%
1.48%
1.35%
1.33%
1.29%
1.12%
Fecha
arreglada
12/04/2006
19/04/2006
05/04/2006
02/04/2006
11/04/2006
04/04/2006
18/04/2006
30/04/2006
26/04/2006
01/04/2006
09/04/2006
16/04/2006
25/04/2006
08/04/2006
23/04/2006
15/04/2006
22/04/2006
28/04/2006
29/04/2006
07/04/2006
13/04/2006
21/04/2006
06/04/2006
27/04/2006
03/04/2006
24/04/2006
17/04/2006
20/04/2006
10/04/2006
14/04/2006
Dia
Miercoles
Miercoles
Miercoles
Domingo
Martes
Martes
Martes
Domingo
Miercoles
Sabado
Domingo
Domingo
Martes
Sabado
Domingo
Sabado
Sabado
Viernes
Sabado
Viernes
Jueves
Viernes
Jueves
Jueves
Lunes
Lunes
Lunes
Jueves
Lunes
Viernes
DOW
4
4
4
1
3
3
3
1
4
7
1
1
3
7
1
7
7
6
7
6
5
6
5
5
2
2
2
5
2
6
WOY
15
16
14
14
15
14
16
18
17
13
15
16
17
14
17
15
16
17
17
14
15
16
14
17
14
17
16
16
15
15
SUM_CANTIDAD
1,600.40
1,294.80
1,270.80
1,267.00
1,264.40
1,199.40
1,110.80
1,086.40
1,060.00
1,011.00
1,005.40
1,003.20
998.20
983.20
866.80
806.80
801.80
727.00
669.80
587.80
573.00
551.40
472.80
403.20
370.60
363.00
332.00
328.00
317.40
274.80
Bolsas
40
32
32
32
32
30
28
27
27
25
25
25
25
25
22
20
20
18
17
15
14
14
12
10
9
9
8
8
8
7
Tabla 3.6b
39
Grupo de datos analizados por los tres periodos principales auxiliados por grficos.
Primer periodo 01-Marzo-2005 al 30-Abril-2005.
Figura 3.12
Distribucin sugerida por el Input Analyzer
Figura 3.13
Distribucin Emprica periodo mensual
Ver fuente de datos y grfico en Excel en apndice
40
Periodo Mensual
40,000.00
Cantidad consumida
35,000.00
30,000.00
25,000.00
20,000.00
15,000.00
10,000.00
5,000.00
Ab
ril
zo
ar
br
Fe
er
o
o
er
br
ic
ie
m
D
ov
N
En
e
br
ie
m
ub
ct
O
ie
m
pt
re
br
e
to
os
Se
Ag
lio
Ju
ni
o
Ju
o
ay
M
Ab
ril
ar
zo
41
Periodo Semanal
12000
10000
8000
6000
4000
2000
0
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61
Nmero de la semana
42
43
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Pusimos en negritas la semana santa de cada ao debido a que cae diferente fecha
cada ao y se tendr que hacer una tabla de das festivos para los aos siguientes. Para el
quinto parmetro de entrada decidimos poner las promociones fijas y pudimos ver ese
comportamiento en las tablas 3.6a y 3.6b donde la diferencia de consumo con respecto de
los das donde no esta la promocin de 2x1 martes y mircoles es muy visible. En la
entrada seis consideramos importante que se tomara en cuenta alguna promocin que se
pusiera de manera temporal ya que en experiencias anteriores se experiment un
incremento en hasta del 40%. Uno de los factores ms importantes para el incremento en
las ventas de algn insumo en especfico es si se le invierte en mercadotecnia y publicidad,
aunque no se ponga en promocin disminuyndole el precio, si se publica en cualquier
medio (Televisin, radio, Impresos) este presenta una alza importante en su venta aunque
no tan alta como si estuviera en promocin si lo suficientemente significativa como para ser
considerado en nuestro sptimo parmetro. El octavo y ultimo parmetro para uno de
nuestros modelos ser el tomar en cuenta si otro insumo esta en una promocin igual, lo
decidimos as porque en fechas recientes se igual un insumo y modific demasiado el
comportamiento del otro que se puso primero y esto lo vemos en la siguiente grfica donde
son las ventas de Marzo del 2005 siendo el nico insumo al 2x1, cuando entra la promocin
44
el mes de Marzo del 2006 notamos una disminucin del consumo de pastor de alrededor del
40%.
Unidades de Pastor
Vendidas
3,000.00
2,500.00
2,000.00
1,500.00
1,000.00
500.00
0.00
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
Para nuestra salida de la RNA usaremos solo 2 nodos, uno sern las unidades
vendidas y la otra las bolsas vendidas (bolsas = unidades / 40) del insumo al que nos
referimos en la entrada de la RNA que para este anlisis usaremos el pastor.
Con todos los datos recopilados, analizados e interpretados acerca del pastor, sus
tendencias, los patrones observados y ya decididos por los parmetros que usaremos en
nuestra RNA es momento de enfocarnos en lo siguiente que ser apoyarnos en el software
Matlab 6.5 para comenzar el entrenamiento de los modelos sugeridos de RNA, poder
evaluarlos y escoger el que mejor resultados nos ofrezca. Todo esto ser detallado en el
captulo siguiente.
45
Captulo IV
RNA (Red Neuronal Artificial) creacin, entrenamiento y resultados.
4.1.1 Modelo 1
46
2 nodos de salida
Las entradas que se decidieron para este modelo fueron 8, la primera entrada es el
da de la semana, el segundo la semana del ao, para el tercero si son das afectados por da
de pago que caen en quincena o fin de mes, en el cuarto si es da festivo que afecte
significativamente la venta, el quinto es si el insumo analizado est en promocin fija, con
47
4.1.2 Modelo 2
Bsicamente son las mismas entradas de nuestro primer modelo pero le hemos
aumentado una novena entrada, esta consiste en alimentar a la red con un promedio de las 8
semanas anteriores. Creemos que esto puede ayudar a identificar cambios en las tendencias
las cuales no pudieran ser identificadas por nuestro primer modelo.
Para la salida omitimos la segunda, pensamos que si es solo una salida la capacidad
de la red tanto como de aprendizaje y a la hora de establecer relaciones (mediante el ajuste
de pesos) ser ms rpida y confiable. Esto lo comprobaremos en las prximas pginas
donde evaluaremos el resultado obtenido de los dos modelos.
48
1 nodo en salida
meses de distintos aos para este estudio, decidimos marzo y abril del 2005 y marzo y abril
del 2006 (los meses escogidos lo aplicaremos en ambos modelos):
2005
2005
Mes
3
Sabado
Viernes
Jueves
Martes
2006
2006
2006
2006
2006
122
30/04/2006
29/04/2006
121
28/04/2006
27/04/2006
26/04/2006
120
Sabado
2005
119
Viernes
2005
118
Jueves
2005
Domingo
2005
Miercoles
Ao
Miercoles
06/03/2005
6
05/03/2005
5
04/03/2005
4
03/03/2005
Fecha
3
02/03/2005
2
01/03/2005
6
9
7
10
1
10
$? -2+1
Festivo
PromoFija
6
7
8
PromoTemp
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
1
0
0
1
0
0
1
0
0
1
Venta
Bolsas
27
82
74
14
28
28
Domingo
7
17
1
18
10
18
17
1,086.40
669.80
6
17
727.00
5
17
403.20
4
17
1,060.00
1,110.00
Ins=promo?
2,945.00
Spot?
3,283.00
1,126.00
5
9
DOW
566.00
4
9
364.00
WOY
3
9
Dia
27
Los primeros 8 renglones son las entradas y los ltimos dos la matriz de salida.
Ver Matriz de datos completa del Modelo 1 en apmdice
50
Valores que pueden tomar las entradas y las salidas de la RNA para el Modelo 1.
# Entrada
1
2
Entradas
DOW
WOY
3
4
5
6
$? -2+1
Festivo
PromoFija
PromoTemp
7
8
Spot?
Insumo=promo?
Salidas
Cantidad
Consumida
Bolsas
1
2
Dia de la semana
Semana del ao
Dias afectados por el dia de pago quincena o fin de
mes
Si ese dia es festivo genera un cambio significativo
Si el producto se encuentra en promosion fija
Si el producto se encuentra en promocin
Cuando el insumo se encuentra en campaa
publicitaria
Si existe otro insumo en promocion identica
Valores
1 al 7
1 al 52
10
10
10
10
10
10
Fecha arreglada
01/03/2005
02/03/2005
03/03/2005
Dia
Martes
Miercoles
Jueves
1
2
3
4
5
6
7
8
DOW
WOY
$? -2+1
Festivo
PromoFija
PromoTemp
Spot?
Insumo=promo?
3
9
1
0
1
0
1
0
4
9
0
0
1
0
1
0
5
9
0
0
1
0
Promedio
2,592.38
2,885.88
405.63
3,283
2,945
364
SUM_CANTIDAD
121
122
29/04/2006
30/04/2006
Sabado
Domingo
7
17
1
0
1
0
1
18
1
1
1
0
861.20
1,110.10
670
1,086
51
Entradas
DOW
WOY
3
4
5
6
$? -2+1
Festivo
PromoFija
PromoTemp
7
8
9
Spot?
Insumo=promo?
Promedio
Dia de la semana
Semana del ao
Das afectados por el da de pago quincena o fin de
mes
Si ese dia es festivo genera un cambio significativo
Si el producto se encuentra en promocin fija
Si el producto se encuentra en promocin
Cuando el insumo se encuentra en campaa
publicitaria
Si existe otro insumo en promocin idntica
Promedio del consumo de las 8 semanas anteriores
Salida
Cantidad
Consumida
1 al 7
1 al 52
10
10
10
10
10
10
promedios
52
2do Modelo
53
54
Ventana donde se muestran los pesos iniciales de la entrada 1 capa 1 de cada modelo.
55
56
Dos millones de pocas fueron las que se escogieron, aunque fue un nmero
arbitrario en ensayos previos vimos que eran suficientes para un desempeo adecuado para
el modelo 1, adems para no caer en el sobreentrenamiento si decidamos agregarle mas
pocas.
57
58
En nuestro segundo modelo solo fue necesario entrenarlo con un milln de pocas,
le hicimos solo 1 prueba a las quinientas mil y la prueba final al terminar el entrenamiento
con un milln de pocas. El desempeo mostrado fue mucho mejor que el primer modelo
tanto en el nmero de pocas para disminuir el error como para la prueba final de
desempeo, la cual detallaremos en la seccin correspondiente.
59
60
Modelo 1 Salida 1.
Unidades por vender propuestas
por la RNA Modelo 1
Fecha
arreglada
Dia
3,023.30
01/03/2005
Martes
3,283
-260
2,866.10
02/03/2005
Miercoles
2,945
-79
883.35
03/03/2005
Jueves
364
519
819.18
04/03/2005
Viernes
566
253
908.92
05/03/2005
Sabado
1,110
-201
1,758.60
06/03/2005
Domingo
1,126
633
1,188.70
07/03/2005
Lunes
328
861
2,708.70
08/03/2005
Martes
2,608
101
2,675.80
09/03/2005
Miercoles
3,131
-455
679.99
10/03/2005
Jueves
412
268
1,517.10
01/03/2006
Miercoles
886
631
713.29
02/03/2006
Jueves
496
217
664.01
03/03/2006
Viernes
688
-24
612.67
04/03/2006
Sabado
905
-292
793.68
05/03/2006
Domingo
1,018
-224
801.09
06/03/2006
Lunes
274
527
1,276.60
07/03/2006
Martes
1,112
165
1,344.20
08/03/2006
Miercoles
1,156
188
707.70
09/03/2006
Jueves
618
90
644.77
10/03/2006
Viernes
497
148
Venta real
la venta real.
Tabla 4.3 Cmparacin de los resultados obtenidos por la RNA contra la venta real del
Modelo 1 y la salida 1.
61
Modelo 1 Salida 2.
Diferencia en
unidades
BOLSAS por vender propuestas
de la RNA contra
Fecha
arreglada
Dia
Venta real
la venta real.
44.66
01/03/2005
Martes
82
-37
75.52
02/03/2005
Miercoles
74
40.91
03/03/2005
Jueves
32
33.64
04/03/2005
Viernes
14
19
9.61
05/03/2005
Sabado
28
-18
46.47
06/03/2005
Domingo
28
18
44.47
07/03/2005
Lunes
36
77.68
08/03/2005
Martes
65
12
66.40
09/03/2005
Miercoles
78
-12
25.22
10/03/2005
Jueves
10
15
20.86
01/03/2006
Miercoles
22
-1
19.39
02/03/2006
Jueves
12
17.17
03/03/2006
Viernes
17
14.43
04/03/2006
Sabado
23
-8
36.73
05/03/2006
Domingo
25
11
29.63
06/03/2006
Lunes
23
21.32
07/03/2006
Martes
28
-6
18.49
08/03/2006
Miercoles
29
-10
18.65
09/03/2006
Jueves
15
16.44
10/03/2006
Viernes
12
Tabla 4.4 Cmparacin de los resultados obtenidos por la RNA contra la venta real del
Modelo 1 y la salida 2.
Cuando pensamos en poner como salida la venta del insumo pero con un factor de
conversin cremos que el manejar nmeros mas pequeos resultara mejor, pero los
resultados nos mostraron lo contrario, que es mas eficiente la RNA cuando manejamos las
unidades y no las bolsas. Fue otro factor para decidir que el modelo 2 solo pondramos una
salida.
62
Modelo 2
Diferencia en
unidades
de la RNA contra
Fecha
arreglada
Dia
3,011.30
01/03/2005
Martes
3,283
-272
3,108.80
02/03/2005
Miercoles
2,945
164
438.79
03/03/2005
Jueves
364
75
601.80
04/03/2005
Viernes
566
36
955.26
05/03/2005
Sabado
1,110
-155
1,088.70
06/03/2005
Domingo
1,126
-37
292.20
07/03/2005
Lunes
328
-36
2,468.80
08/03/2005
Martes
2,608
-139
3,013.50
09/03/2005
Miercoles
3,131
-118
444.35
10/03/2005
Jueves
412
32
1,251.10
01/03/2006
Miercoles
886
365
644.90
02/03/2006
Jueves
496
149
668.41
03/03/2006
Viernes
688
-20
710.39
04/03/2006
Sabado
905
-195
1,099.10
05/03/2006
Domingo
1,018
81
763.61
06/03/2006
Lunes
274
490
1,341.30
07/03/2006
Martes
1,112
229
1,114.90
08/03/2006
Miercoles
1,156
-41
638.43
09/03/2006
Jueves
618
20
672.45
10/03/2006
Viernes
497
175
Venta real
la venta real.
Tabla 4.5 Cmparacin de los resultados obtenidos por la RNA contra la venta real del
Modelo 1 y la salida 1.
Ver la tabla completa en Excel de los 4 meses probados en apndice (marzo y abril del
2005 y 2006)
63
Como pudimos observar en las tablas de resultados, de los dos modelos evaluados,
la mejor opcin es el Modelo 2, a simple vista podemos observar por la columna en donde
se calculan las diferencias entre lo sugerido por la RNA y lo vendido realmente. Para la
salida 2 del modelo 2 quedo totalmente descartada ya que algunos das presenta diferencias
hasta por el total de la venta. Notamos una mejora en la salida 1 del modelo 1 pero aun as
si se comparan todas las diferencias del modelo 2 contra las del modelo 1, es
significativamente mejor el Modelo 2. Por lo que concluimos que el haber manejado el
promedio de las 2 semanas anteriores (promedio sacado segn da correspondiente, los
lunes se promedian con los lunes, los martes con los martes, a si hasta terminar con toda la
semana) fue de gran ayuda. Probablemente existan otros modelos que se pueden probar, lo
cual lo dejamos a trabajos posteriores (que seguramente los seguiremos haciendo), tales
como aumentar las entradas del modelo 2 como incluirle los mximos y mnimos a la
entrada de la red, tomar en cuenta en algunas entradas las distribuciones en vez de los
valores, y as seguir probando con el fin de encontrar algn modelo mejor.
Los pesos resultantes de los 2 modelos sern incluidos en los anexos de este
documento, ya que sern necesarios para el desarrollo de la solucin integral para cubrir la
problemtica al cien por ciento.
64
4.6 Conclusiones
Los
problemtica que se present al inicio de este documento. Se decidi as por ser una de las
tecnologas emergentes, adems de encontrarlas muy interesantes y segn los textos ledos
han dado excelentes resultados a problemas donde la estadstica tradicional se torna
compleja o algunas veces no presentaba una solucin del todo aceptable. Auque no se
realizo una prueba paralela para comparar los resultados de algn modelo estadstico que
existiera contra los de la RNA desarrollada consideramos por los resultados obtenidos que
es una excelente opcin, adems de darnos la oportunidad de haber explorado un campo
nuevo donde no lo habamos hecho, haciendo de este trabajo una experiencia agradable y
de haber enriquecido nuestro conocimiento en esta rea tan interesante. Si bien este trabajo
de proyecto de titilacin no es la solucin integral si es un gran avance y una etapa cubierta
para esta. Adems de existir un compromiso en la compaa para la cual se realiz este
anlisis, esperemos optimistamente trascienda a otros negocios del mismo giro, con los
cuales hemos sostenido platicas y se han mostrado muy interesados en este proyecto por la
gran solucin que se le da a una gran problemtica, que hasta el momento empresarios
mexicanos no le han tomado la debida atencin. Algunas de las empresas que esperemos
obtengan este producto son restaurantes de comida rpida como subwey, tacotote, gorditas
doa tota, de comida china Express, pizzeras y restaurantes como mariscos de Mazatln, lo
bichis, barrigas, etc.. Adems de poder negociar con empresas que cuenten con su
65
sistema para la industria restaurantera para que esta funcionalidad sea integrada en sus
sistemas.
Finalmente, podemos decir que al decidir atacar un problema con RNAs deber ser
porque ofrecen ventajas, no necesariamente tendr siempre que ser la mejor solucin. Para
esto debe tenerse una perspectiva global en la que se tomen en cuenta el aspecto monetario,
la rapidez con la que se pida la solucin, la confiabilidad del modelo, etre otras cosas, y no
solamente el rendimiento que ofrezca el sistema. Si se toman en cuenta todos estos factores,
las RNA a mostrado ser favorecidas sobre todo por la relacin que existe entre la
eficiencia/costo que estas presentan.
Esperamos que este tipo de ramas de investigacin sean apoyadas por los maestros,
y las impulsen con sus alumnos, ya que existe una amplia gama de aplicaciones en las que
pueden ser usadas, no solamente las RNA tambin la lgica difusa, inteligencia
computacional, ciberntica, inteligencia artificial, algoritmos genticos, etc.terminando
con una frase excelente de C. Frabetti del prlogo [Moravec 88], y mientras los filsofos
discuten si es posible o no la inteligencia electrnica, los investigadores la construyen.
66
Apndice
Tablas completas de datos y grficas.
67
Referencias bibliogrficas.
[1] Pedro Isasi Viuela y otros, Redes de neuronas artificial. Un Enfoque Prctico,
Pearson-Prentice Hall 2004.
[2] Ma. Luisa Delgado y otros, Aplicacin de las redes neuronales artificiales a la
estadistica, La Muralla S.A., 2003.
[3] Bonifacio Martin del Brio y otros, Redes Neuronales y Sistemas Difusos, Alfaomega
Ra-Ma, 2da. Edicion 2002.
Fuentes Electronicas
http://ohm.utp.edu.co/neuronales/Capitulo1/RNBiologica.htm
68