Pronóstico de ventas de las empresas del sector alimentos: una aplicación de redes neuronales
Barra lateral del artículo
Los artÃculos que se aprueban para publicación en la revista Semestre Económico deben acogerse a las siguientes condiciones:
a) Los autores ceden a la revista Semestre Económico los derechos patrimoniales (copy right), para lo cual debe entregar el formato de originalidad y derechos de autor debidamente diligenciado y con firmas originales.
b) Los artÃculos que se publican en la revista Semestre Económico se pueden usar, reproducir, transmitir y exponer con fines académicos siempre y cuando se cumplan las siguientes condiciones:
- Se cite la referencia bibliográfica de Semestre Económico (autores, revista, editorial, edición,…)
- No se use con fines comerciales
- El uso con fines diferentes o la publicación en otro sitio electrónico requiere de la autorización por escrito del editor de la revista.
Contenido principal del artículo
Resumen
El objetivo de esta investigación es pronosticar las ventas de las siguientes empresas: Industrias Bachoco, Grupo Bafar, Grupo Bimbo, Gruma, Grupo Herdez, Grupo Lala y Grupo Industrial Maseca del periodo 2006 al 2015, a través de modelos lineales (regresión lineal) y no lineales (redes neuronales artificiales, tablas de decisión, árbol de decisión y procesos gaussianos) para medir el desempeño de cada uno de estos modelos y seleccionar para cada empresa aquel modelo que presente un mayor ajuste a los datos históricos. Como resultado, en el periodo de 2006-2015 los modelos de regresión lineal múltiple presentaron un mejor desempeño en determinar las ventas de Bachoco, Bafar, Herdez, Lala y Maseca con más de 90 % de recuperación de los datos dentro de este periodo.
Detalles del artículo
Citas
Chávez Sánchez, Carlos Omar (2015). Modelo de predicción de la tendencia del tipo de cambio peso-dólar mediante triangulación de arbitraje. Tesis para optar al tÃtulo de MagÃster en Finanzas. MaestrÃa en Finanzas, Universidad Nacional Autónoma de México, Ciudad de México, 1-49.
Economática (2016). Plataforma [Base de datos]. Alicorp
GarcÃa, Arturo; Vázquez, Daniel; Reyes, Heriberto; Sáenz, Alberto y Limón, Alejandro (2009). Investigación en el ámbito empresarial: pronósticos, supervisión e indicadores financieros (estudio de casos). Veracruz: Universidad Cristóbal Colón, 202 p.
Gupta, Saurabh y Kumar, Nishant (2013). A study of advancement in sales forecasting models. En: Pranjana, vol. 16, n.° 1, p. 1-10.
Huerta, Rogelio (2008). Monopolio, precio de la tortilla y estancamiento de la economÃa mexicana. En: EconomÃa Informal, vol. 351, n.° 2, p. 67-84.
Inegi -Instituto Nacional de EstadÃstica y GeografÃa. (2017). Indicadores de población. Recuperado de https://www.inegi.org.mx/temas/estructura/
Jain, Chaman (2002). Benchmarking the management support for a forecasting function. En: The Journal of Business Forecasting Methods and Systems, vol. 21, n.° 3, p. 8-10.
Juárez RodrÃguez, Viridiana. (2007). Análisis del efecto del tipo de cambio en la estructura financiera de las empresas que cotizan en la Bolsa Mexicana de Valores: sector alimentos, bebidas y tabaco. Tesis para optar al tÃtulo de Licenciado. Licenciatura en ContadurÃa, Universidad Nacional Autónoma de México, Ciudad de México, 1-158.
Lundberg, Johan y Lundberg, Sofia (2012). Distributional Effects of Lower Food Prices in a Rich Country. En: Journal of Consumer Policy, vol. 35, n.° 3, p. 373-391.
Makridakis, Spyros y Wheelwright, Steven (1977). Forecasting: Issues and Challenges for Marketing Management. A framework from relating the available techniques to specific situations. En: Journal of Marketing, vol. 41, n.° 4, p. 24-38.
Melchor Quinto, Argelia (2010). Uso de redes neuronales artificiales para el pronóstico de la inflación. Tesis para optar al tÃtulo de Licenciado. Licenciatura en ActuarÃa, Universidad Nacional Autónoma de México, Ciudad de México, 1-92.
Morales, Arturo y GarcÃa, Oswaldo (2016). Clasificación y predicción de las empresas exitosas y no exitosas del sector comercial de la BMV mediante el uso de redes neuronales óptimas. En: Revista Administración de Riesgos, vol. 6, n.° 1, p. 51-94.
Morel Salas, Graciela (2012). Predicción de crisis financieras utilizando redes neuronales artificiales: un ejercicio para la economÃa mexicana. Tesis para optar al tÃtulo de Doctor. Doctorado en EconomÃa, Universidad Nacional Autónoma de México, Ciudad de México, 1-235.
Ohidul, Haque (2005). Income Elasticity and Economic Development Methods and Applications. En: Advanced Studies in Theoretical and Applied Econometrics, vol. 42, n.° 1, p. 111-122.
Standard & Poor’s Dow Jones Indices (2017). S&P Dow Jones Indices. Recuperado de http://www.spdji.com
Valdivia, Stephanie y Morales, Arturo (2016). Determinants of the Index of Prices and Quotations on the Mexican Stock Exchange: Sensitivity Analysis Based on Artificial Neural Networks. En: Global Journal of Business Research, vol. 10, n.° 2, p. 27-32.
Van Tassel, Charles (1967). Analysis of Food Demand. En: Journal of Retailing, vol. 43, n.° 2, p. 38-43.
Villar Corona, Marco Antonio (2013). Pronóstico del tipo de cambio peso-dólar utilizando redes neuronales artificiales. Tesis para optar al tÃtulo de MagÃster en Finanzas. MaestrÃa en Finanzas, Universidad Nacional Autónoma de México, Ciudad de México, 1-115.
Wienclaw, Ruth (2015). Forecasting Methods for Management. En: Research Starters -Business, p. 1-6.
Zhang, G. Peter. (2004). Neural Networks in Business Forecasting. USA: Universidad del estado de Georgia.