Optimización de la cadena de suministro en la industria de alimentos - mediante modelos estadísticos y de machine learning

Aug 2, 2026

Subido por Skyler

La eficiencia en la cadena de suministro alimentaria depende de pronósticos precisos y de planes de producción óptimos. El estudio integra modelos estadísticos (ARIMA, SARIMA, SARIMAX, Holt-Winters) y técnicas de machine learning (Random Forest, XGBoost, LSTM) para planificar una empresa de alimentos con datos históricos de ventas 2022-2024 de avena, harina de maíz y alimento para perros, además de variables macroeconómicas como precios de materias primas y tipo de cambio. Los resultados respaldan un enfoque híbrido: ARIMA/SARIMA para estacionalidad y tendencias lineales, y LSTM para patrones no lineales y demandas estables, reduciendo desabastecimientos y excesos de inventario. Se proyecta el plan 2025 y se simula su robustez ante variabilidad.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas14

Tiempo de lectura22 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Modelos estadísticos tradicionales

Comparación con enfoques de machine learning

Enfoque híbrido y selección de modelos

Proyección y simulación del plan de producción 2025

OPTIMIZACIÓN DE LA CADENA DE SUMINISTRO EN LA INDUSTRIA DEALIMENTOS MEDIANTE MODELOS ESTADÍSTICOS Y DE MACHINE LEARNING Anderson Escobar Corté[s](s1 aescobarc@unbosque.edu.co)[1](s1 aescobarc@unbosque.edu.co)[ aescobarc@unbosque.edu.co](s1 aescobarc@unbosque.edu.co), Luis Felipe Ramírez Del Rio2, [lramirezri@unbosque.edu.co](lramirezri@unbosque.edu.co), Juan Carlos [Rubriche](Rubriche3 jcrubrichec@gmail.com)[3](Rubriche3 jcrubrichec@gmail.com)[ jcrubrichec@gmail.com](Rubriche3 jcrubrichec@gmail.com). Departamento de Matemáticas, Universidad del Bosque, Colombia. Resumen La eficiencia en la cadena de suministro alimenticio depende de pronósticos precisos y planes de producción óptimos. Este estudio combinó modelos estadísticos (ARIMA, SARIMA, SARIMAX, Holt-Winters) y de machine learning (Random Forest, XGBoost, LSTM) para optimizar la planificación en una empresa de alimentos, utilizando datos históricos de ventas (2022-2024) de tres categorías (avena, harina de maíz, alimento para perros) y variables macroeconómicas (precios de materias primas, tasa de cambio) . Los resultados mostraron que los modelos estadísticos (ARIMA/SARIMA) son másprecisos en series con estacionalidad clara. Mientras que, los modelos de machine learning (LSTM) superan a los clásicos en demandas estables. Se proyectó el plan de producción para 2025, integrando factores macroeconómicos, y se simuló su desempeño bajo variabilidad. Los hallazgos respaldan un enfoque híbrido: modelos estadísticos para estacionalidad y tendencias lineales, y machine learning para patrones no lineales, reduciendo desabastecimientos y excesos de inventario. Se sugieren sistemas automatizados de pronóstico en tiempo real como futura dirección. 1. Introducción Una gestión eficiente de la cadena de suministro en la industria alimentaria dependecríticamente de pronósticos precisos de demanda, que permitan equilibrar producción, inventario y distribución. Los errores en la predicción generan costosos desbalances, desde quiebres de stock hasta excesos de inventario, impactando negativamente en los costos operativos y el nivel de servicio al cliente [1,2] . Estudios recientes demuestran que técnicas avanzadas de pronóstico pueden reducir los errores de predicción entre 30-50%, disminuyendo hasta en 65% las ventas perdidas porfalta de stock y optimizando los niveles de inventario en 20-50%[3] . Tradicionalmente, métodos estadísticos como ARIMA y Holt-Winters han sido ampliamente utilizados por su capacidad para capturar tendencias y estacionalidad [4] . Sin embargo, los modelos de machine learning (Random Forest, XGBoost, LSTM) han demostrado superioridad almanejar patrones complejos y no lineales en los datos [5] . En este estudio se comparó el desempeño de ambos enfoques usando datos reales de trescategorías de productos alimenticios (avena, harina de maíz y alimento para perros), incorporando además variables macroeconómicas como precios de materias primas y tipode cambio para determinar un análisis empírico riguroso comparando modelos estadísticos vs. ML en pronóstico de demanda alimentaria y un enfoque híbrido práctico para planificación de producción, seleccionando el mejor modelo por SKU. La investigaciónincluye una simulación de eventos discretos para evaluar la robustez del plan de producciónbajo distintos escenarios, ofreciendo recomendaciones concretas para mejorar la eficiencia operativa en el sector. La optimización de la cadena de suministro en la industria alimentaria requiere pronósticosprecisos de demanda para equilibrar producción, inventario y distribución. Este estudio compara el desempeño de modelos estadísticos tradicionales (ARIMA, SARIMA, HoltWinters) con técnicas modernas de machine learning (Random Forest, XGBoost, LSTM) utilizando datos históricos de ventas (2022-2024) de tres categorías de productos: avenas, harinas de maíz y alimentos para perros, junto con variables macroeconómicas clave (precios de materias primas y tasa de cambio) [5] .

Preguntas frecuentes

Qué modelos estadísticos y de machine learning se comparan para el pronóstico?

Se combinan modelos estadísticos como ARIMA, SARIMA, SARIMAX y Holt-Winters, junto con machine learning como Random Forest, XGBoost y LSTM. La comparación evalúa su desempeño en el pronóstico de demanda.

Qué datos se utilizan para construir y probar los modelos?

Se emplean datos históricos de ventas 2022-2024 de tres categorías: avena, harina de maíz y alimento para perros. Además se incorporan variables macroeconómicas como precios de materias primas y tasa de cambio.

Cuál es la lógica del enfoque híbrido propuesto?

El enfoque híbrido asigna ARIMA/SARIMA para capturar estacionalidad y tendencias lineales, mientras que LSTM se usa para patrones no lineales y demandas estables. Con ello se busca reducir desabastecimientos y excesos de inventario.

Aug 2, 2026

Subido por Skyler