Tendencias estacionales de productos farmacéuticos basadas en inteligencia artificial en la ciudad de Quevedo 2022-2024
| dc.contributor.advisor | Samaniego Mena, Eduardo Amable | |
| dc.contributor.author | Ordóñez Guerrero, Karina Michelle | |
| dc.date.accessioned | 2025-10-22T18:59:33Z | |
| dc.date.available | 2025-10-22T18:59:33Z | |
| dc.date.issued | 2025 | |
| dc.description | This study examined the seasonal demand for pharmaceutical products at a pharmacy in Quevedo, Ecuador, using statistical analysis techniques and machine learning models. A dataset of 89.590 monthly sales records from November 2022 to December 2024 was employed. The workflow included data cleaning, imputation of missing records, and organization of variables for analysis. We applied seasonal-trend decomposition using locally estimated scatterplot smoothing (STL), as well as Holt–Winters, SARIMA, Random Forest, XGBoost, and long short-term memory (LSTM) neural network models. Among these, the LSTM model achieved the best performance according to the root mean square error (RMSE), followed by Holt–Winters. These techniques enabled forecasting demand for approximately 3.800 products, uncovering monthly and quarterly patterns that can guide inventory management enhancements and anticipate replenishment needs. To facilitate practical deployment, an interactive Streamlit application was developed, featuring comparative tables, charts, performance metrics, and a six-month forecasting module. It also incorporates alerts for high stock levels or potential stockouts, allowing procurement planning without requiring specialized technical expertise. | |
| dc.description.abstract | Este estudio examinó la demanda estacional de productos farmacéuticos en una farmacia ubicada en la ciudad de Quevedo, utilizando técnicas de análisis estadístico y modelos de aprendizaje automático. Se trabajó con un conjunto de 89.590 registros de ventas mensuales, comprendidos entre noviembre de 2022 y diciembre de 2024. El proceso incluyó limpieza de datos, imputación de registros incompletos y organización de las variables para su análisis. Se aplicó el método de descomposición estacional y de tendencia basado en loess (STL), así como Holt-Winters, SARIMA, Random Forest, XGBoost y redes neuronales LSTM. Entre ellos, el modelo LSTM obtuvo el mejor desempeño según la raíz del error cuadrático medio (RMSE), seguido por Holt-Winters. Estas técnicas permitieron proyectar la demanda de aproximadamente 3.800 productos, identificando patrones mensuales y trimestrales que pueden servir de guía para mejorar la gestión del inventario y anticipar necesidades de reposición. Para facilitar el uso práctico de los resultados, se desarrolló una aplicación interactiva con Streamlit, que presenta tablas comparativas, gráficas, métricas de rendimiento y una sección de predicción semestral. Además, incorpora indicadores de niveles elevados de stock o posibles quiebres, lo que permite planificar compras de manera más ordenada sin requerir conocimientos técnicos especializados. | |
| dc.format.extent | 157 | |
| dc.identifier.citation | Ordóñez Guerrero, Karina Michelle (2025). Tendencias estacionales de productos farmacéuticos basadas en inteligencia artificial en la ciudad de Quevedo 2022-2024. Quevedo. UTEQ. 157 Paginas | |
| dc.identifier.other | 1300019 | |
| dc.identifier.uri | https://repositorio.uteq.edu.ec/handle/43000/8801 | |
| dc.language.iso | spa | |
| dc.publisher | Quevedo: UTEQ | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 United States | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | |
| dc.subject | Demanda farmacéutica | |
| dc.subject | Predicción de ventas | |
| dc.subject | Descomposición STL | |
| dc.subject | Holt-Winters | |
| dc.title | Tendencias estacionales de productos farmacéuticos basadas en inteligencia artificial en la ciudad de Quevedo 2022-2024 | |
| dc.type | masterThesis |
