🧠 Modelo LSTM con Transfer Learning
Pronóstico de Demanda para Ferreterías
Sistema Inteligente para la Gestión de Inventarios
Universidad Tecnológica del Perú
🧠 ¿Qué es LSTM?
LSTM (Long Short-Term Memory) es un tipo de red neuronal especializada en aprender patrones
en series de tiempo.
¿Qué hace?
- Analiza las ventas de las últimas 8 semanas
- Aprende patrones de subida y bajada
- Predice las ventas de la próxima semana
¿Por qué es útil?
- Captura tendencias a largo plazo
- Recuerda patrones estacionales
- Ignora ruido aleatorio
🔄 ¿Qué es Transfer Learning?
Transfer Learning permite usar el conocimiento aprendido en una ferretería para predecir en
otras.
Analogía Simple:
Es como un chef que aprendió a cocinar en un restaurante y usa esas habilidades en otro restaurante
diferente.
No empieza de cero, sino que adapta lo que ya sabe.
Sin Transfer Learning
Cada ferretería necesita +200 semanas de datos para entrenar un modelo desde cero.
Con Transfer Learning
Una ferretería con solo 20 semanas puede usar el conocimiento de otra con más datos.
📊 Estrategia: F4 como Modelo Base
Se entrenó el modelo base con Ferretería 4 (242 semanas de datos consistentes)
y se aplicó Transfer Learning a las demás.
F4 (Base)
→
F1 (Transfer)
F2 (Transfer)
F3 (Transfer)
¿Por qué F4? Tiene datos más consistentes, menos semanas con cero ventas, y productos de
demanda regular.
📏 Métricas de Evaluación
R² (Coeficiente de Determinación)
R² = 1 - (Error del modelo / Varianza total)
- R² = 1: Predicción perfecta
- R² = 0: Igual que predecir el promedio
- R² < 0: Peor que el promedio
- R² > 0.5: Aceptable para empresas
RMSE y MAE
RMSE = √(Σ(real - predicho)² / n)
MAE = Σ|real - predicho| / n
RMSE: Error promedio (sensible a errores grandes)
MAE: Error promedio en unidades reales
📊 Resultados por Ferretería
| Ferretería |
Semanas |
Estrategia |
R² |
Evaluación |
| F4 (Base) |
242 |
Modelo Base |
0.60 |
✅ Bueno |
| F1 |
256 |
Transfer + Fine-tuning |
0.56 |
✅ Bueno |
| F2 |
78 |
Transfer + RobustScaler |
0.41 |
⚠️ Aceptable |
| F3 |
20 |
Transfer (sin fine-tuning) |
0.44 |
⚠️ Aceptable |
📊 Gráfico: Predicción vs Real por Ferretería
Interpretación: Cada gráfico muestra la línea azul (ventas reales) vs línea roja
(predicción).
Cuanto más se superponen, mejor es el modelo.
⚖️ ¿Por qué F4 es Mejor Base que F1?
| Ferretería |
F1 como Base |
F4 como Base |
Diferencia |
| F1 |
0.58 (base) |
0.56 |
-0.02 |
| F2 |
0.34 |
0.41 |
↑ +0.07 |
| F3 |
0.16 |
0.44 |
↑ +0.28 🚀 |
| F4 |
0.61 |
0.60 (base) |
-0.01 |
| PROMEDIO |
0.42 |
0.50 |
↑ +0.08 |
Hallazgo clave: F3 mejoró de 0.16 a 0.44 (+175%) usando F4 como base, demostrando la
efectividad del Transfer Learning para ferreterías con pocos datos.
📈 ¿Cómo Leer los Gráficos de Predicción?
Línea Azul: Valores Reales
Son las ventas reales que ocurrieron cada semana.
Es la "verdad" contra la que comparamos.
Línea Roja Punteada: Predicción
Son las ventas que el modelo predijo para cada semana.
Cuanto más cerca de la azul, mejor.
¿Qué buscar?
- Buen modelo: Las líneas se superponen o están muy cerca
- Modelo regular: Sigue la tendencia pero no los picos exactos
- Mal modelo: Las líneas van en direcciones opuestas
⚠️ Limitaciones del Modelo
No Puede Predecir:
- Picos de demanda por eventos únicos
- Compras extraordinarias de clientes
- Efectos de promociones no recurrentes
- Cambios bruscos por factores externos
Funciona Mejor Con:
- Productos de demanda regular
- Ferreterías con +50 semanas de datos
- Patrones estacionales consistentes
- Productos con pocas semanas en cero
📦 Predicción por Producto
También se puede predecir ventas de productos individuales:
| Ferretería |
Productos Analizados |
R² Promedio |
Mejor Producto |
| F1 |
20 |
0.47 |
Grapas eléctricas (0.72) |
| F4 |
18 |
0.43 |
Tubo 3/4 (0.80) |
Insight: Los productos de demanda regular (tubos, clavos, grapas) son más predecibles que
productos de compra ocasional.
📦 Gráfico: Predicción por Producto (F1)
Top 4 productos más predecibles de F1: Grapas, Tarugos, Clavos.
Estos productos tienen demanda regular y pocos picos extremos.
📦 Gráfico: Predicción por Producto (F4)
Mejor producto: Tubo 3/4 sel luz plastisur con R² = 0.80.
Los tubos tienen demanda muy regular y predecible.
✅ Conclusiones
- El modelo supera el umbral de 50% considerado aceptable para uso
empresarial
- Transfer Learning es especialmente efectivo para ferreterías con datos limitados
- La selección del modelo base impacta significativamente en los resultados
- Productos de demanda regular son más predecibles
¿Preguntas?
Sistema de Pronóstico de Demanda
Modelo LSTM con Transfer Learning
