Algoritmos de Aprendizaje Supervisado para Proyección de Ventas de Camarón Ecuatoriano con Lenguaje de Programación Python
| Autor | Bernardo Patricio Cordero-Torres |
| Cargo | Investigador de la Unidad de Posgrado de la FIGMMG, de la Universidad Nacional Mayor de San Marcos. Lima, Perú. Investigador independiente. Machala, Ecuador |
| Páginas | 30-51 |
Economía y Negocios, 2022, 13(02), 30-51.
http://revistas.ute.edu.ec/index.php/economia-y-negocios
ARTÍCULO DE INVESTIGACIÓN
ISSN-e: 2602-8050
Recibido (Received): 2021/12/01
Aceptado (Accepted): 2022/05/16
Publicado (Published): 2022/12/01
https:/doi.org/10.29019/eyn.v13i2.996
Algoritmos de Aprendizaje Supervisado para Proyección
de Ventas de Camarón Ecuatoriano con Lenguaje
de Programación Python
Supervised Learning Algorithms for Sales Projection
of Ecuadorian Shrimp with Python Programming Language
Bernardo Patricio CORDERO-TORRES1
1. Universidad Nacional Mayor de San Marcos, Unidad de Posgrado de la FIGMMG. Lima, Perú.
Email: bernardo.cordero@unmsm.edu.pe.
Resumen
Esta investigación desarrolla la mejor aproximación para la proyección no lineal de las ventas de una empresa ca-
maronera que cotiza en la bolsa de valores, en contraste con las estimaciones lineales corporativas publicadas. Se
parte de la búsqueda de datos a través de un FODA de la variable de interés: precio promedio del camarón ecua-
toriano, identificando las variables explicativas de precios del camarón en Estados Unidos, el cambio observado del
dólar frente al yuan, exportaciones ecuatorianas, importaciones estadounidenses de camarón indio, barril de crudo
WTI y el índice de precios FPI™ del salmón, esto como las variables más influyentes interpretadas por el resultado
de un coeficiente de determinación ajustado de 0.807. La instrumentación del modelo econométrico evalúa los
indicadores estadísticos de tres algoritmos de regresión lineal de aprendizaje supervisado predictivo en el lenguaje
de programación Python, siendo Ridge el modelo con menor error cuadrático medio igual a 0.274. Basándose en
supuestos a cinco años con Ridge se pronostican ventas desde 2021 a 2025, correlacionando las variables ingresos
históricos de la empresa camaronera versus el precio promedio del camarón mediante interpolación polinomial.
Comparando ambas líneas de tendencia resultantes se demuestra que los ingresos esperados conservan un com-
portamiento no lineal acorde con su desempeño histórico.
Palabras Clave
Econometría, Aprendizaje supervisado, Lenguaje de programación python, Proyección de ventas, Industria camaronera.
Abstract
This research develops the best approximation for the non-linear projection of sales of a shrimp company listed on
the Stock Exchange, in contrast to published corporate linear estimates. It starts from the search for data through a
SWOT of the variable of interest: average price of Ecuadorian shrimp, identifying the variables: explanatory of shrimp
prices in the United States, the observed change of the dollar against the yuan, Ecuadorian exports, US imports of
Indian shrimp, barrel of WTI crude oil and the FPI™ salmon price index, as the most influential interpreted by the
result of an adjusted coecient of determination of 0.807. The instrumentation of the econometric model evaluates
the statistical indicators of three predictive supervised learning linear regression algorithms in the Python program-
ming language, with Ridge being the model with the lowest mean square error equal to 0.274. Based on five-year as-
sumptions with Ridge, sales are forecast from 2021 to 2025, correlating the variables historical revenue of the shrimp
company versus the average price of shrimp through polynomial interpolation, comparing both resulting trend lines
showing that the expected revenues maintain a behavior non-linear according to its historical performance.
Keywords
Econometrics, Supervised Learning, Python Programming Language, Sales Projection, Shrimp Industry.
APRENDIZAJE SUPERVISADO PARA PROYECCIÓN DE VENTAS DE CAMARÓN
31
Revista Economía y Negocios - Año 2022 - Vol. 13 - Núm. 02 - 30-51.
Introducción
La producción de camarón en Ecuador es
un referente mundial (Lucien-Brun, 2018),
así como relevante es su contribución a la
economía del país, lo que torna imperante
el poder aprovechar todos los datos dispo-
nibles y combinarlos con las herramientas
estadísticas que ofrecen las ciencias de la
computación, lo que permitiría aportar con
nuevos hallazgos para establecer los posi-
bles escenarios para la toma de decisiones
estratégicas para hacer frente a una mayor
incertidumbre inherente al Covid-19 (Gordillo
et al., 2022). El objetivo de la investigación
reside en modelar, con base a algoritmos de
machine learning, los pronósticos de ventas
de una exportadora de camarones ecuato-
riana y contrastarlos con las proyecciones
publicadas sobre su futuro financiero.
Bajo la premisa de que las empresas
buscan financiar capital de trabajo o sus ope-
raciones en el corto plazo, el modelado inicia
con un modelo econométrico, Los inputs de
este modelo económico consisten en varia-
bles que correlacionan directamente los pre-
cios promedios del camarón ecuatoriano de
exportación (PPCE) y que arrojan prediccio-
nes validadas por su menor error cuadrático
(Mojjada et al., 2020). Estos valores resul-
tantes serán asociados con las ventas de la
empresa, siendo ajustados a una función no
lineal como ilustra la propia tendencia histó-
rica de ingresos declarados en sus estados
de resultados en la bolsa de valores, con lo
cual finalizará el modelado. Estos resultados
difieren de la expectativa obtenida por la cali-
ficadora de riesgos dentro del mismo periodo
de tiempo para futuros periodos (Tenorio-Vi-
laña & Mideros-Mora, 2022).
Si bien este caso de estudio toma in-
formación presentada para financiamiento
mediante la emisión de obligaciones por par-
te de una compañía calificadora de riesgos,
este trabajo constituye una contribución
para la búsqueda de aplicaciones prácti-
cas de la investigación de operaciones que
sustenten (bajo premisas comprobables) el
control de la estructura patrimonial y la sos-
tenibilidad del capital de trabajo de las em-
presas (Altaf & Shah, 2021). Esto se realiza
con el fin de demostrar la capacidad de pago
de una empresa frente a grupos de interés
correspondientes a fuentes de posible apa-
lancamiento en el corto plazo como son los
accionistas, fondos propios y las obligacio-
nes contraídas con entidades del sistema fi-
nanciero, este último característico del teji-
do empresarial ecuatoriano (Gutiérrez Ponce
et al., 2019). Como alternativa válida se con-
sidera, además, el crédito concedido por los
proveedores (García Regalado et al., 2020).
Revisión de la Literatura
Desde el primer programa de inteligencia
artificial empleado para el juego de damas
trabajado por Arthur Samuel en 1959 (Ga-
bel, 2019), la versatilidad presentada por
los algoritmos de machine learning tienen
un amplio espectro de aplicación para las
ciencias –cuyos avances y desarrollos expe-
rimentales han abierto un nuevo paradigma
mediante la creciente escalabilidad de la
generación y del almacenamiento de infor-
mación sumada a la capacidad automática
de procesamiento–, potenciando las ya co-
nocidas herramientas estadísticas para la
identificación de patrones y correlaciones
de grandes conjuntos de datos con la fina-
lidad de desarrollar nuevos conocimientos
(Schleder & Fazzio, 2021).
El proceso de modelado de aprendi-
zaje supervisado empleado en la presente
investigación difiere de otros que han sido
implementados, tal como se muestra en la
Tabla 1 (a esta Tabla corresponden el análisis
de series de tiempo o de redes neuronales,
ambos métodos tradicionales de estimación
para el caso de productos de exportación
Para continuar leyendo
Solicita tu prueba