Araujo González, ChristianCabanillas Martínez, Elmer JhosbanMartínez Reyes, Paul Fray1/25/20191/25/20192014https://hdl.handle.net/20.500.14414/11296Survival in the highly competitive business today requires an accurate view of demand to implement production plans, inventory, distribution and purchase within business; the pharmaceutical industry is no exception, as the effects of seasonality, promotions, price changes, advertising, products with low or high motion and outliers generally affect the determination of the same. In this context, above forecast demand among its consequences the drug excess inventory, obsolescence or expiration, and on the other hand, below the forecast demand has resulted in the loss of sales and a possible increase in costs . As mentioned, the theme focuses on the development of a computational model, which the techniques of artificial neural networks and genetic algorithms for forecasting demand for products used._x000D_ In the present work an analysis and comparison of computational models and then the data mining techniques is performed, which I decided to use the most appropriate for the development of computer modeling techniques (Which used a multilayer perceptron neural network with backpropagation algorithm optimized with genetic algorithms) with the traditional model (only used multilayer Perceptron neural network with backpropagation algorithm) for forecasting the demand for pharmaceuticals.._x000D_ The accuracies and errors obtained by each of them are: our proposed model has 98.55% accuracy and 1.45% error, the traditional model have 89.0589% accuracy and 10.9410% error._x000D_ This leads to the conclusion that neural networks can be optimized using genetic algorithms, in order to get better results for different problems are proposedLa supervivencia en los negocios altamente competitivos de hoy requiere una visión precisa de la demanda para poner en marcha los planes de producción, inventario, distribución y compra dentro de las empresas; el sector farmacéutico no es la excepción, pues los efectos de las temporadas, promociones, cambios de precios, publicidad, productos con bajo o alto nivel de movimiento y datos atípicos en general afectan en la determinación de la misma. En este contexto, pronosticar por arriba de la demanda tiene entre sus consecuencias el excesivo inventario de fármacos, obsolescencia o caducidad, y por otro lado, pronosticar por debajo de la demanda tiene como consecuencia la pérdida de las ventas y un posible incremento en los costos. Por lo mencionado, el tema se centra en el desarrollo de un Modelo Computacional, la cual se usa las técnicas de minería de dato para el pronóstico de la demanda de productos._x000D_ En el presente trabajo se realiza un análisis y comparación de los modelos computacionales y posteriormente las técnicas de minería de datos, las cuales te decidió usar las técnicas más apropiadas para el desarrollo del modelo computacional (La cual se usó de una red neuronal Perceptrón multicapa con el algoritmo backpropagation optimizada con algoritmos genéticos) con el modelo tradicional (sólo usa red neuronal Perceptrón multicapa con el algoritmo backpropagation) para el pronóstico de la demanda de productos farmacéuticos._x000D_ Las precisiones y errores obtenidos por cada uno de ellos son: El modelo propuesto tiene 98.55% de precisión y 1.45% de error, el modelo tradicional tienes 89.0589% de precisión y 10.9410% de error._x000D_ Esto conlleva a concluir que las redes neuronales se pueden optimizar utilizando los algoritmos genéticos, para así poder obtener mejores resultados para los diferentes problemas que se proponganspainfo:eu-repo/semantics/openAccessModelo computacionalProductos farmacéuticosinfo:eu-repo/semantics/bachelorThesis