Predicción de la demanda en un entorno de alta variedad de productos: un modelo para la industria de sillas de oficina con componentes intercambiables
No Thumbnail Available
Date
2026
Journal Title
Journal ISSN
Volume Title
Publisher
PUCE - Quito
Abstract
La predicción de la demanda constituye uno de los problemas más relevantes en la gestión de operaciones y la cadena de suministro, debido a su impacto directo en la planificación de la producción, la gestión de inventarios y la rentabilidad empresarial (Chopra & Meindl, 2019). Tradicionalmente, el pronóstico se ha abordado mediante modelos univariantes de series de tiempo, tales como ARIMA y ETS, los cuales han demostrado ser eficaces en contextos donde los productos presentan comportamientos relativamente estables y estructuras bien definidas (Box et al., 2015; Hyndman & Athanasopoulos, 2021).
Sin embargo, la evolución de los mercados hacia esquemas de alta personalización ha incrementado significativamente la complejidad del problema. En industrias donde los productos finales se construyen a partir de componentes intercambiables, la demanda no depende únicamente del comportamiento histórico de un producto individual, sino de la interacción estructural entre múltiples configuraciones posibles (Pine, 1993; Salvador et al., 2009).
En la industria de sillas de oficina con diseño modular, una misma base, respaldo o mecanismo puede formar parte de numerosas configuraciones finales. Esta característica genera una explosión combinatoria que dificulta la aplicación directa de modelos tradicionales de series de tiempo, pues la demanda de un componente depende simultáneamente de múltiples productos finales que lo incorporan. Desde la perspectiva del diseño modular, esta interdependencia introduce desafíos en la agregación y desagregación de la demanda (Ulrich, 1995).
En este contexto, el avance de técnicas de Machine Learning y Deep Learning ha abierto nuevas posibilidades para modelar relaciones no lineales, capturar interdependencias complejas y manejar alta dimensionalidad en los datos (James et al., 2021; Goodfellow et al., 2016). Estas herramientas resultan particularmente prometedoras para abordar entornos de alta variedad de productos, donde los enfoques estadísticos clásicos presentan limitaciones estructurales.
Description
Keywords
Pronóstico de la demanda, Logística empresarial, Aprendizaje automático (Inteligencia artificial), Análisis de series de tiempo, Diseño de productos - Industria del mueble