Diseño de un modelo predictivo para la demanda y planificación de la producción de café en microbeneficios de Santa María de Dota

Abstract

Este proyecto tiene como objetivo diseñar un modelo predictivo que apoye a los microbeneficios de café en Santa María de Dota en la planificación de la demanda y la producción, utilizando datos históricos junto con variables de mercado y del entorno. La investigación sigue la metodología CRISP-DM, estructurando el proceso en fases de comprensión del negocio, análisis y preparación de datos, modelado y evaluación, sin implementar el modelo en un entorno operativo. Tras consolidar el conjunto de datos a partir de fuentes relevantes, se aplicaron procesos de limpieza y tratamiento para garantizar su adecuación a los modelos predictivos. Además, se evaluaron seis técnicas de predicción en tres iteraciones, con el fin de identificar el modelo con mejor rendimiento. Las redes neuronales, en su tercera iteración, mostraron un potencial prometedor en términos de precisión predictiva, al demostrar su capacidad para interpretar patrones complejos y no lineales en los datos, manteniendo una tasa de error relativamente baja. En el futuro, este modelo puede ayudar a reducir la incertidumbre en la producción de café y facilitar decisiones informadas en la planificación. La principal conclusión es que el modelo seleccionado tiene el potencial de ser útil en los microbeneficios del café, lo que promueve un uso eficiente de los recursos y una gestión de la demanda más efectiva.

The objective of this project is to design a predictive model to support coffee micromills in Santa Maria de Dota in demand and production planning, using historical data together with market and environmental variables. The research follows the CRISP-DM methodology, structuring the process in phases of business understanding, data analysis and preparation, modeling, and evaluation, short of implementing the model in an operational environment. After consolidating the data set from relevant sources, cleaning and treatment processes were applied to ensure its suitability for predictive models. Six predictive techniques were evaluated in three iterations to identify the best performing model. Neural networks, in their third iteration, showed promising potential in terms of predictive accuracy, demonstrating their ability to interpret complex and nonlinear patterns in the data while maintaining a low error rate. In the future, this model could help reduce uncertainty in coffee production and facilitate informed decisions in planning. The main conclusion is that the selected model has the potential to be useful in coffee micro-profits, promoting efficient use of resources and more effective demand management.