Ao de la Integracin Nacional y El Reconocimiento de Nuestra Diversidad

FACULTAD DE INGENIERIA

E.A.P. ING. SITEMAS E INFORMATICA

ANLISIS Y PRONSTICO DE VENTA DE STOCKS Y VOLMENES DE VENTA PARA LA EMPRESA CELLPOWER SAC MEDIANTE REDES NEURONALES.

ESTUDIANTES: NAVARRO ARANGO, Rubn. SOTACURO PARE, Luis.

CATEDRATICO: MIGUEL CRDOVA SOLIS

HUANCAYO - PERU 2012

I. Antecedentes del problema (estudios e investigaciones previas del problema que se pretende resolver).

PRONSTICO DE VENTAS USANDO REDES NEURONALES

INTRODUCCIN

El uso ptimo de los recursos, la creciente demanda de una mayor variedad de productos, entre otros, obliga a los fabricantes a realizar programas de produccin ms estrictos y flexibles para poder maximizar el uso de los costosos equipos de produccin, 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 produccin que atiendan la demanda sin incurrir en excesivos costos de capital, es deseable un adecuado manejo de la informacin de ventas con el fin de realizar pronsticos con buen nivel de confianza para todos los departamentos de la empresa. Un pronstico de ventas es una tcnica que permite calcular las proyecciones de ventas de una manera rpida y confiable, utilizando como fuentes de datos, ya sea las transacciones de inventarios o la facturacin de ventas realizadas. Tambin permite estimar la demanda hacia el futuro, basndose en informacin histrica generada por el movimiento de productos del mdulo de Control de Inventarios o por las ventas del mdulo de facturacin. Las tcnicas generalmente aceptadas para la elaboracin de pronsticos se dividen en cinco categoras: juicio ejecutivo, encuestas, anlisis de series de tiempo, anlisis donde hay cierto comportamiento no lineal y prometen un buen desempeo en este campo de investigacin.

Problema principal. Por el constate crecimiento de uso de telefona mvil 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 obligacin de reformular nuestro negocio, trazndonos 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 volmenes de ventas a futuro que se tendrn, gracias a esta aplicacin lograremos optimizar nuestras ventas exactas sin que nos faltara saldo ni sobrara saldo.

II. Objetivo principal. Analizar los datos histricos de venta de todo los tipos de stocks como son recargas virtuales, cobro de servicios DHT y Fonoclaro de los 13 ltimos meses. Analizar los datos histricos de los volmenes de ventas de los 13 ltimos meses.

III. Marco conceptual (conceptualizar al menos 10 trminos empleados en el informe). Tiempo Aire: se llama as a todas las formas de pago de todos los servicios como son el de cable, telefona inalmbrica y las recargas virtuales para telfonos mviles (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 travs de este de este sistema de recargas virtuales por sus servicios de Cable como son: Claro TVSat, Telmex y DirectTV.

IV. Metodologa de desarrollo empleado: 4.1 Mostrar datos de la muestra.

4.2 Capturar los pasos de creacin de la RNA realizado en NeuroShell.

4.3 Graficar el modelo de Red de Neuronas Artificiales, indicando neuronas, valores iniciales y pesos de las relaciones.

4.4 Desarrollo de la aplicacin informtica y ejecutable, de prioridad en algn lenguaje de programacin (no necesariamente en VB ni C++). PRESENTACIN:

CDIGO 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

4.5 Realizar tres pruebas de recuerdo y tres pruebas de aprendizaje (debern estar comentadas). PRUEBAS DE RECUERDO:

Una vez entrenada nuestra red neuronal, con datos histricos de las ventas y volmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de recuerdo ingresando como variables de entrada el ao y el mes a pronosticar, cuyos resultados nos arrojan tres pronsticos: Para la primera prueba de recuerdo se tomo como dato de entrada el ao 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 histricos de las ventas y volmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de recuerdo ingresando como variables de entrada el ao y el mes a pronosticar, cuyos resultados nos arrojan tres pronsticos: Para la segunda prueba de recuerdo se tomo como dato de entrada el ao 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 histricos de las ventas y volmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de recuerdo ingresando como variables de entrada el ao y el mes a pronosticar, cuyos resultados nos arrojan tres pronsticos: Para la primera prueba de recuerdo se tomo como dato de entrada el ao 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 histricos de las ventas y volmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de aprendizaje ingresando como variables de entrada el ao y el respectivo mes a pronosticar, cuyos resultados nos arrojan tres pronsticos: Para la primera prueba de recuerdo se tomo como dato de entrada el ao 2014 y el mes a pronosticar es el mes de Diciembre, cuyos outputs que nos arrojan son: que nuestra venta mensual en soles ser 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 histricos de las ventas y volmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de aprendizaje ingresando como variables de entrada el ao y el respectivo mes a pronosticar, cuyos resultados nos arrojan tres pronsticos: Para la primera prueba de recuerdo se tomo como dato de entrada el ao 2015 y el mes a pronosticar es el mes de Enero, cuyos outputs que nos arrojan son: que nuestra venta mensual en soles ser 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 histricos de las ventas y volmenes de venta de las recargas virtuales, en seguida hicimos tres pruebas de aprendizaje ingresando como variables de entrada el ao y el respectivo mes a pronosticar, cuyos resultados nos arrojan tres pronsticos: Para la primera prueba de recuerdo se tomo como dato de entrada el ao 2013 y el mes a pronosticar es el mes de Febrero, cuyos outputs que nos arrojan son: que nuestra venta mensual en soles ser de 11673 nuevos soles y como volumen de venta pronosticado para dicho mes fue de 2519 recargas virtuales realizadas en total.

V. Bibliografa (estilo Vancouver).