“Año de la Integración Nacional y El Reconocimiento de Nuestra Diversidad”
FACULTAD DE INGENIERIA
E.A.P. ING. SITEMAS E INFORMATICA
ESTUDIANTES:
NAVARRO ARANGO, Rubén.
SOTACURO PARE, Luis.
CATEDRATICO: MIGUEL CÓRDOVA SOLIS
HUANCAYO - PERU
2012
ANÁLISIS Y PRONÓSTICO DE VENTA DE STOCKS Y VOLÚMENES DE VENTA PARA LA EMPRESA
CELLPOWER SAC MEDIANTE REDES NEURONALES.
I. Antecedentes del problema (estudios e investigaciones previas del
problema que se pretende resolver).
PRONÓSTICO DE VENTAS USANDO REDES NEURONALES
INTRODUCCIÓN
El uso óptimo de los recursos, la creciente demanda de una mayor variedad de
productos, entre otros, obliga a los fabricantes a realizar programas de
producción más estrictos y flexibles para poder maximizar el uso de los
costosos equipos de producción, mano de obra, inversiones en materias
primas, de forma que se cumplan las fechas de entrega a los clientes finales
minimizando los costos. Para realizar eficientes programas de producción que
atiendan la demanda sin incurrir en excesivos costos de capital, es deseable un
adecuado manejo de la información de ventas con el fin de realizar pronósticos
con buen nivel de confianza para todos los departamentos de la empresa.
Un pronóstico de ventas es una técnica que permite calcular las proyecciones
de ventas de una manera rápida y confiable, utilizando como fuentes de datos,
ya sea las transacciones de inventarios o la facturación de ventas realizadas.
También permite estimar la demanda hacia el futuro, basándose en
información histórica generada por el movimiento de productos del módulo de
Control de Inventarios o por las ventas del módulo de facturación. Las técnicas
generalmente aceptadas para la elaboración de pronósticos se dividen en cinco
categorías: juicio ejecutivo, encuestas, análisis de series de tiempo, análisis
donde hay cierto comportamiento no lineal y prometen un buen desempeño en
este campo de investigación.
Problema principal.
Por el constate crecimiento de uso de telefonía móvil y en la venta de recargas
virtuales (Claro Recargas) y los cobros de servicios que incluyen: 3Plays (Cable,
Voz; Internet), Recargas DHT(Claro TVSat, Telmex,DirectTV), nos hemos visto
con la obligación de reformular nuestro negocio, trazándonos nuevos objetivos
en este negocio, invertir mas en este rubro, por lo cual nos hemos planteado a
desarrollar una herramienta que sea capas de predecir o pronosticar sobre las
ventas futuras y los volúmenes de ventas a futuro que se tendrán, gracias a
esta aplicación lograremos optimizar nuestras ventas exactas sin que nos
faltara saldo ni sobrara saldo.
II. Objetivo principal.
Analizar los datos históricos de venta de todo los tipos de stocks como
son recargas virtuales, cobro de servicios DHT y Fonoclaro de los 13
últimos meses.
Analizar los datos históricos de los volúmenes de ventas de los 13
últimos meses.
III. Marco conceptual (conceptualizar al menos 10 términos empleados en
el informe).
Tiempo Aire: se llama así a todas las formas de pago de todos los servicios como son el de cable, telefonía inalámbrica y las recargas virtuales para teléfonos móviles (Celulares).
Volumen de Venta: Cantidad de atenciones por mes acumulado mediante este sistema de pagos y recargas virtuales.
Recargas DHT: Son los pagos que los clientes realizan a través de este de
este sistema de recargas virtuales por sus servicios de Cable como son: Claro
TVSat, Telmex y DirectTV.
IV. Metodología de desarrollo empleado:
IV.1Mostrar datos de la muestra.
IV.2Capturar los pasos de creación de la RNA realizado en NeuroShell.
IV.3Graficar el modelo de Red de Neuronas Artificiales, indicando neuronas,
valores iniciales y pesos de las relaciones.
IV.4Desarrollo de la aplicación informática y ejecutable, de prioridad en
algún lenguaje de programación (no necesariamente en VB ni C++).
PRESENTACIÓN:
CÓDIGO FUENTE:
Public Class Form1
Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button1.Click
Dim inarray(2) As Integer
Dim outarray(2) As Integer
inarray(1) = TextBox1.Text
inarray(2) = TextBox2.Text
Dim netsum as double
Static feature2(10) As Double
' inarray(1) is ANIO
' inarray(2) is MES
' outarray(1) is VENTA_MENSUAL_DE_RECARGAS_VIRTUALES
' outarray(2) is
VOLUMEN_DE_VENTA_MENSUAL_DE_RECARGAS_VIRTUALES
If (inarray(1) < 2009) Then inarray(1) = 2009
If (inarray(1) > 2012) Then inarray(1) = 2012
inarray(1) = (inarray(1) - 2009) / 3
If (inarray(2) < 1) Then inarray(2) = 1
If (inarray(2) > 12) Then inarray(2) = 12
inarray(2) = (inarray(2) - 1) / 11
netsum = 9.860767
netsum = netsum + inarray(1) * -34.5516
netsum = netsum + inarray(2) * -5.443162
feature2(1) = 1 / (1 + Math.Exp(-netsum))
netsum = 4.619665
netsum = netsum + inarray(1) * -24.83328
netsum = netsum + inarray(2) * -12.12446
feature2(2) = 1 / (1 + Math.Exp(-netsum))
netsum = 9.477969
netsum = netsum + inarray(1) * -33.50198
netsum = netsum + inarray(2) * -5.475481
feature2(3) = 1 / (1 + Math.Exp(-netsum))
netsum = 18.80686
netsum = netsum + inarray(1) * -23.38053
netsum = netsum + inarray(2) * -9.012132
feature2(4) = 1 / (1 + Math.Exp(-netsum))
netsum = 6.195424
netsum = netsum + inarray(1) * -26.44604
netsum = netsum + inarray(2) * -6.258724
feature2(5) = 1 / (1 + Math.Exp(-netsum))
netsum = 6.449625
netsum = netsum + inarray(1) * -27.0544
netsum = netsum + inarray(2) * -6.230001
feature2(6) = 1 / (1 + Math.Exp(-netsum))
netsum = 7.898185
netsum = netsum + inarray(1) * -29.75237
netsum = netsum + inarray(2) * -5.77907
feature2(7) = 1 / (1 + Math.Exp(-netsum))
netsum = 8.920398
netsum = netsum + inarray(1) * -36.22493
netsum = netsum + inarray(2) * -4.212807
feature2(8) = 1 / (1 + Math.Exp(-netsum))
netsum = 6.245955
netsum = netsum + inarray(1) * -26.5744
netsum = netsum + inarray(2) * -6.256671
feature2(9) = 1 / (1 + Math.Exp(-netsum))
netsum = -44.78326
netsum = netsum + inarray(1) * -60.42775
netsum = netsum + inarray(2) * 52.7394
feature2(10) = 1 / (1 + Math.Exp(-netsum))
netsum = 1.327364
netsum = netsum + feature2(1) * 0.4853619
netsum = netsum + feature2(2) * -3.177731
netsum = netsum + feature2(3) * 0.4904534
netsum = netsum + feature2(4) * -1.580148
netsum = netsum + feature2(5) * 0.3994046
netsum = netsum + feature2(6) * 0.4375465
netsum = netsum + feature2(7) * 0.5139459
netsum = netsum + feature2(8) * -4.96562
netsum = netsum + feature2(9) * 0.4085133
netsum = netsum + feature2(10) * 2.969448
outarray(1) = 1 / (1 + Math.Exp(-netsum))
netsum = 1.232921
netsum = netsum + feature2(1) * 0.2452118
netsum = netsum + feature2(2) * -2.773013
netsum = netsum + feature2(3) * 0.252297
netsum = netsum + feature2(4) * -1.528417
netsum = netsum + feature2(5) * 0.4309185
netsum = netsum + feature2(6) * 0.4483762
netsum = netsum + feature2(7) * 0.3256469
netsum = netsum + feature2(8) * -3.11439
netsum = netsum + feature2(9) * 0.4369478
netsum = netsum + feature2(10) * 1.758309
outarray(2) = 1 / (1 + Math.Exp(-netsum))
outarray(1) = 11528 * (outarray(1) - 0.1) / 0.8 + 145
If (outarray(1) < 145) Then outarray(1) = 145
If (outarray(1) > 11673) Then outarray(1) = 11673
outarray(2) = 2493 * (outarray(2) - 0.1) / 0.8 + 26
If (outarray(2) < 26) Then outarray(2) = 26
If (outarray(2) > 2519) Then outarray(2) = 2519
Label5.Text = outarray(1)
Label6.Text = outarray(2)
End Sub
End Class
IV.5Realizar tres pruebas de recuerdo y tres pruebas de aprendizaje
(deberán estar comentadas).
PRUEBAS DE RECUERDO:
Una vez entrenada nuestra red neuronal, con datos históricos de las ventas y volúmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de recuerdo ingresando como variables de entrada el año y el mes a pronosticar, cuyos resultados nos arrojan tres pronósticos: Para la primera prueba de recuerdo se tomo como dato de entrada el año 2010 y el mes a pronosticar es el mes de Enero, cuyos output que nos arrojan son que nuestra venta mensual en soles fue de 145 nuevos soles y como volumen de venta pronosticado para dicho mes fue de 26 recargar virtuales realizadas en total.
Una vez entrenada nuestra red neuronal, con datos históricos de las ventas y volúmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de recuerdo ingresando como variables de entrada el año y el mes a pronosticar, cuyos resultados nos arrojan tres pronósticos: Para la segunda prueba de recuerdo se tomo como dato de entrada el año 2011 y el mes a pronosticar es el mes de Diciembre, cuyos output que nos arrojan son que nuestra venta mensual en soles fue de 11673 nuevos soles y como volumen de venta pronosticado para dicho mes fue de 2519 recargas virtuales realizadas en total.
Una vez entrenada nuestra red neuronal, con datos históricos de las ventas y volúmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de recuerdo ingresando como variables de entrada el año y el mes a pronosticar, cuyos resultados nos arrojan tres pronósticos: Para la primera prueba de recuerdo se tomo como dato de entrada el año 2012 y el mes a pronosticar es el mes de febrero, cuyos output que nos arrojan son que nuestra venta mensual en soles fue de 11673 nuevos soles y como volumen de venta pronosticado para dicho mes fue de 2519 recargas virtuales realizadas en total.
PRUEBAS DE APRENDIZAJE:
Una vez entrenada nuestra red neuronal, con datos históricos de las ventas y volúmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de aprendizaje ingresando como variables de entrada el año y el respectivo mes a pronosticar, cuyos resultados nos arrojan tres pronósticos: Para la primera prueba de recuerdo se tomo como dato de entrada el año 2014 y el mes a pronosticar es el mes de Diciembre, cuyos outputs que nos arrojan son: que nuestra venta mensual en soles será de 11673 nuevos soles y como volumen de venta pronosticado para dicho mes fue de 2519 recargas virtuales realizadas en total.
Una vez entrenada nuestra red neuronal, con datos históricos de las ventas y volúmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de aprendizaje ingresando como variables de entrada el año y el respectivo mes a pronosticar, cuyos resultados nos arrojan tres pronósticos: Para la primera prueba de recuerdo se tomo como dato de entrada el año 2015 y el mes a pronosticar es el mes de Enero, cuyos outputs que nos arrojan son: que nuestra venta mensual en soles será de 11673 nuevos soles y como volumen de venta pronosticado para dicho mes fue de 2519 recargas virtuales realizadas en total.
Una vez entrenada nuestra red neuronal, con datos históricos de las ventas y volúmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de aprendizaje ingresando como variables de entrada el año y el respectivo mes a pronosticar, cuyos resultados nos arrojan tres pronósticos: Para la primera prueba de recuerdo se tomo como dato de entrada el año 2013 y el mes a pronosticar es el mes de Febrero, cuyos outputs que nos arrojan son: que nuestra venta mensual en soles será de 11673 nuevos soles y como volumen de venta pronosticado para dicho mes fue de 2519 recargas virtuales realizadas en total.
V. Bibliografía (estilo Vancouver).