Predicción de demanda mediante inteligencia artificial para mejorar la gestión de inventarios y flotas
Contenido principal del artículo
Resumen
Este estudio analiza el impacto de la Inteligencia Artificial (IA) en la predicción de la demanda como estrategia para optimizar la gestión de inventarios y flotas logísticas. Se compararon modelos avanzados como redes neuronales recurrentes (RNN), Transformers y Gradient Boosting con métodos estadísticos tradicionales como ARIMA y Suavizado Exponencial. Los resultados mostraron que los modelos basados en IA redujeron el error de pronóstico hasta en un 50 %, disminuyeron los costos logísticos en un 31,5 % y redujeron los kilómetros en vacío en un 15 %. Además, se evidenció el potencial de la IA para reducir emisiones de CO?, alineándose con objetivos de sostenibilidad. No obstante, se identificaron retos relevantes, como la necesidad de datos de alta calidad y la capacitación técnica especializada. Se propone explorar futuras líneas de investigación centradas en la escalabilidad de la IA para PYMEs y su integración con blockchain.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Licensing Agreement
This journal provides free access to its content through its website following the principle that making research available free of charge to the public supports a larger exchange of global knowledge.
Web content of the journal is distributed under a Attribution-NonCommercial-ShareAlike 4.0 International.
Citas
Avella Castro, J. C., & Mendéz Hernández, Á. J. (2021). Inventory classifier using a convolutional neural network synchronized with a database.
Campos Diez Canseco, Hernán. (2017). Digital transformation in the transportation industry: LATAM analysis.
Caso Matos, C. D. (2024). Algorithmic personalized pricing: Case studies.
Charles, V., Emrouznejad, A., & Gherman, T. (2023). A critical analysis of the integration of blockchain and artificial intelligence for supply chain. Annals of Operations Research, 327(1), 7-47.
Jones, J. (2025). AI-driven demand forecasting in supply chains: A qualitative analysis of adoption and impact. https://doi.org/10.20944/preprints202501.1349.v1
Li, A., Zhuang, S., Yang, T., Lu, W., & Xu, J. (2024). Optimization of logistics cargo tracking and transportation efficiency based on data science deep learning models.
Quindimil, M. (2024). Artificial Intelligence and International Trade from a Latin American Perspective. Global Trade and Customs Journal, 19(11/12).
Rashid, H. (2023). Investigating Barriers and Challenges to Artificial Intelligence (AI) Implementation in Logistic Operations: A Systematic Review of Literature. In Proceedings of the International Conference on Industrial Engineering and Operations Management.
Ricci, A. (2024). Reinforcement Learning for a Routing Optimization Problem. Solving a VRP with a FedEx data set.
Rocco di Torrepadula, F., Napolitano, E. V., Di Martino, S., & Mazzocca, N. (2024). Machine learning for public transportation demand prediction: A systematic literature review. Engineering Applications of Artificial Intelligence, 137, 109166. https://doi.org/10.1016/j.engappai.2024.109166
Samun, T. I., Mahmud, S., Rahman, M., & Ridoy, M. M. H. (2025). A hybrid distribution network model for cost, quality and distribution optimization in perishable goods supply chains. Malaysian Journal of Science and Advanced Technology, 1-11.
Urzúa-Morales, J. G., Sepulveda-Rojas, J. P., Alfaro, M., Fuertes, G., Ternero, R., & Vargas, M. (2020). Logistic modeling of the last mile: Case study Santiago, Chile. Sustainability, 12(2), 648.
van Hoek, R. I., & Chong, I. (2001). Epilogue: UPS logistics–practical approaches to the e?supply chain. International Journal of Physical Distribution & Logistics Management, 31(6), 463-468.
Wang, L., & Hsu, H. H. (2025). IoT technology in maritime logistics management: exploration of data analysis methods. Discover Internet of Things, 5(1), 66.
Wen, Q., Zhou, T., Zhang, C., Chen, W., Ma, Z., Yan, J., & Sun, L. (2022). Transformers in time series: A survey. arXiv preprint arXiv:2202.07125. https://doi.org/10.48550/arXiv.2202.07125