Aplicación de redes neuronales profundas para la predicción de ventas: un enfoque integrado

Resumen

Este estudio investiga la aplicación de ensambles de aprendizaje profundo, combinando arquitecturas de LSTM, CNN y MLP, para mejorar la precisión en la predicción de ventas en una empresa tecnológica. Utilizando un conjunto de datos exhaustivo que abarca desde 2021 hasta 2024, con más de 10,000 registros mensuales, se implementó un protocolo robusto de validación temporal. Los resultados indican que el modelo ensamble supera consistentemente a los modelos clásicos e individuales, mostrando un sMAPE de 12.3%, MdAPE de 10.5%, WAPE de 15.2% y un RMSE de 0.28 para el horizonte H=1, cifras que reflejan mejor capacidad para capturar patrones complejos y dependencias temporales en los datos de ventas. Estos valores evidencian una mejora significativa sobre modelos base como el naive estacional, que exhibe un sMAPE del 25.0% y RMSE de 0.50 para el mismo horizonte. Este método integrado ofrece una herramienta eficaz para decidir estratégicamente y manejar inventarios de manera eficiente, aunque requiere más recursos computacionales y mayor dificultad en la calibración y entrenamiento de los modelos. Sin embargo, las ventajas en precisión y resistencia hacen que valga la pena la inversión, situando los modelos de aprendizaje profundo en conjunto como una solución avanzada en la predicción comercial según la literatura relacionada en el área.