Modelo de pronóstico para la demanda del fijador dinámico interespinoso usando técnicas estadísticas avanzadas y redes neuronales artificiales

En este artículo se presentan los modelos aplicados en la empresa Eco síntesis, dedicada a la comercialización de implantes quirúrgicos, para el pronóstico de la demanda de su producto: implante interespinoso para columna. En primera instancia se desarrolla un proceso de recolección de datos para estimar la demanda, luego se realiza un análisis estadístico de los datos y se determina el modelo estadístico que mejor se ajusta a las observaciones para, finalmente, construir el modelo estadístico de pronóstico. Simultáneamente, se desarrollan cada uno de los pasos que conllevan, con el uso de las redes neuronales artificiales, a la construcción de un modelo de pronóstico para establecer las posibles diferencias y semejanzas. La aplicación de los modelos ha resultado ajustado a las observaciones de la demanda propuesta, en tanto que el desempeño del modelo de RNA usado es mejor en cuanto a una disminución de la raíz del error cuadrático medio presentada por el modelo estadístico ARMA (1,2) en los periodos donde se conocía el valor real de las observaciones. Así mismo, vemos cómo el modelo de RNA alcanza un desempeño adecuado en un tiempo muy reducido, apenas de un segundo. Se concluye por la experiencia en este trabajo que para series temporales que se ajustan a modelos ARMA, es adecuado usar modelos de red neuronal sencillos con dos capas de redes, una de salida y otra de entrada, pues el uso de modelos multicapa no trajo buenos resultados en nuestro trabajo. En la serie de tiempo como la presentada en este estudio, donde el comportamiento no tendencial fue característico, el haber usado un modelo de RNA con propagación hacia adelante permitió alcanzar resultados buenos en cuanto a la precisión del pronóstico.

In this article, we present the models used in the Ecosintesis Company, dedicated to the marketing of surgical implants, to forecast the demand of its product: interspinous implant for spine. First, we develop a data collection process to estimate the demand, then it is performed a statistical analysis of the data and it is determined the statistical model that best fits the observations, to eventually build the statistical model predictions. Simultaneously, each involving steps are developed, with the use of neural networks to build a prediction model to establish the differences and similarities. The application of the models has been adjusted to the observations of demand proposal. As long as the performance of the used RNA model is better in terms of a decrease in the root mean square error by the statistical model ARMA (1,2) in periods where they knew the real value of the observations. Also, it is seen how the RNA model achieves an adequate performance in a very short time, just a second. We conclude by the experience in this work that for time series that fit ARMA models, is appropriate to use simple neural network models network with two layers, one input and one output, as the use of multilayer models, did not show good results in our work. In the time series presented in this study, where the no trend behavior was characteristic, having used a model of RNA with forward propagation, it was possible to achieve good results in terms of forecast accuracy.