Diseño de una red neuronal para la determinación de la demanda en un almacén de medicamentos e insumos médicos

Abstract

La presente memoria laboral tiene el objetivo de desarrollar un modelo de red neuronal de regresión para predecir la demanda de medicamentos e insumos médicos en la empresa Luz y Vida. La empresa enfrentaba dificultades para implementar modelos convencionales de pronóstico debido a su extenso catálogo de más de 5,000 productos, lo que dificultaba la aplicación efectiva de métodos tradicionales. El proyecto se centró en proponer una solución cuantitativa que ayude en la toma de decisiones en el abastecimiento de medicamentos mediante el uso de redes neuronales, dado que la empresa realizaba todo este proceso de compras basado principalmente en la experiencia, logrando de esta forma impactar en el exceso o faltantes de stock, ofreciendo un enfoque más eficiente y basado en datos para la gestión del abastecimiento. La solución propuesta consistió en una red neuronal profunda de tipo secuencial, utilizando datos históricos de ventas de tres años, variables externas (estacionalidad, promociones, etc.) y técnicas de normalización para optimizar el entrenamiento. El modelo se estructuro en 1 capa de entrada que recibe las variables de entrada, 4 capas ocultas con 512, 256, 128 y 64 neuronas respectivamente con función de activación ReLU, función de pérdida de error cuadrático medio (MSE) y optimizador Adam que utiliza descenso de la gradiente para actualizar los pesos y sesgos de la red neuronal, entrenado con una división de datos del 80% para entrenamiento, 10% para validación y 10% para pruebas. Los resultados mostraron un alto rendimiento, obteniendo un coeficiente de determinación de R² = 0.85, que indica que el modelo es capaz de explicar el 85% de la variabilidad de las ventas. El impacto económico fue evaluado mediante indicadores clave: un Valor Actual Neto (VAN) de 90.854,81 Bs, una Tasa Interna de Retorno (TIR) de 10,37% y una relación Beneficio/Costo (B/C) de 1,36, demostrando la rentabilidad de la implementación. En conclusión, el proyecto logró desarrollar una solución escalable y automatizada que mejora la precisión de los pronósticos de demanda, reduce costos operativos, aumenta la eficiencia y reduce la incertidumbre en la toma de decisiones en el abastecimiento de productos.