Integración de modelos ARIMA y simulación Monte Carlo en R para el pronóstico de demanda y la planificación productiva en cadenas de suministro
DOI:
https://doi.org/10.61347/ei.v5i1.319Palabras clave:
ARIMA, planificación de la producción, pronóstico de demanda, series temporales, simulación Monte CarloResumen
El presente artículo tuvo como objetivo aplicar modelos cuantitativos de series temporales ARIMA en R para fortalecer la planificación de la producción en un entorno industrial. El estudio se desarrolló bajo un enfoque cuantitativo, predictivo y aplicado, utilizando una serie temporal mensual de demanda industrial compuesta por 60 períodos. El procesamiento estadístico se realizó mediante el software R, en el cual se efectuaron el análisis exploratorio de la serie, la descomposición temporal, la evaluación de autocorrelación, el ajuste de modelos ARIMA estacionales y la generación de pronósticos para 12 meses futuros. Los resultados evidenciaron que el modelo SARIMA(1,0,1)(1,0,0)[12] representó adecuadamente el comportamiento histórico de la demanda, al capturar la tendencia creciente y las fluctuaciones mensuales de la serie. La validación del modelo mostró indicadores de error reducidos y ausencia de autocorrelación significativa en los residuos, lo que respaldó su capacidad predictiva. Además, se incorporó una simulación Monte Carlo como análisis complementario para construir escenarios conservadores, base y alto de la demanda futura, permitiendo transformar el pronóstico puntual en rangos de decisión útiles para la planificación productiva bajo incertidumbre. Se concluye que el uso combinado de modelos ARIMA en R y simulación Monte Carlo constituye una herramienta cuantitativa pertinente para apoyar la programación de la producción, la planificación de capacidad, el abastecimiento de materiales y la gestión de inventarios en entornos industriales.
Descargas
Citas
Abed, A. (2024). Accelerate demand forecasting by hybridizing CatBoost with the dingo optimization algorithm to support supply chain conceptual framework precisely. Frontiers in Sustainability, 5, 1388771. https://doi.org/10.3389/frsus.2024.1388771
Aldahmani, E., Alzubi, A., & Iyiola, K. (2024). Demand forecasting in supply chain using uni-regression deep approximate forecasting model. Applied Sciences, 14(18), 8110. https://doi.org/10.3390/app14188110
Alqatawna, J., Abu-Salih, B., Obeid, N., & Almiani, M. (2023). Incorporating time-series forecasting techniques to predict logistics companies’ staffing needs and order volume. Computation, 11(7), 141. https://doi.org/10.3390/computation11070141
Borucka, A. (2023). Seasonal methods of demand forecasting in the supply chain as support for the company’s sustainable growth. Sustainability, 15(9), 7399. https://doi.org/10.3390/su15097399
Dieny, A., & Sutrisno, T. (2026). Production planning forecasting using seasonal and non-seasonal ARIMA method with Minitab applications: Study case: DC Company. Journal of Economics and Management Sciences, 8(2), 394–403. https://doi.org/10.37034/jems.v8i2.259
Fatima, S., & Rahimi, A. (2024). A review of time-series forecasting algorithms for industrial manufacturing systems. Machines, 12(6), 380. https://doi.org/10.3390/machines12060380
Ghafour, K., & Aljanabi, A. (2023). The role of forecasting in preventing supply chain disruptions during the COVID-19 pandemic: A distributor-retailer perspective. Operations Management Research, 16(2), 780–793. https://doi.org/10.1007/s12063-022-00327-y
Goel, L., Nandal, N., Gupta, S., & Karanam, M. (2024). Revealing the dynamics of demand forecasting in supply chain management: A holistic investigation. Cogent Engineering, 11(1), 2368104. https://doi.org/10.1080/23311916.2024.2368104
Kozlovskyi, S., Kulinich, T., Duszyński, M., Popovskyi, T., Dluhopolska, T., Kornatka, A., & Popovskyi, Y. (2025). Forecasting demand for eco-friendly vehicles using machine learning technologies in the era of Management 5.0. Sustainability, 17(10), 4429. https://doi.org/10.3390/su17104429
Kubek, D., & Więcek, P. (2025). Hybrid demand forecasting in fuel supply chains: ARIMA with non-homogeneous Markov chains and feature-conditioned evaluation. Energies, 18(22), 6044. https://doi.org/10.3390/en18226044
Kummaraka, U., & Srisuradetchai, P. (2025). Monte Carlo dropout neural networks for forecasting sinusoidal time series: Performance evaluation and uncertainty quantification. Applied Sciences, 15(8), 4363. https://doi.org/10.3390/app15084363
Lei, C., Zhang, H., Wang, Z., & Miao, Q. (2025). Deep learning for demand forecasting: A framework incorporating variational mode decomposition and attention mechanism. Processes, 13(2), 594. https://doi.org/10.3390/pr13020594
Ma, S., Li, Y., Tong, Y., & Feng, Y. (2023). Deep learning combinatorial models for intelligent supply chain demand forecasting. Biomimetics, 8(3), 312. https://doi.org/10.3390/biomimetics8030312
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4), 1346–1364. https://doi.org/10.1016/j.ijforecast.2021.11.013
Mbonyinshuti, F., Nkurunziza, J., Niyobuhungiro, J., & Kayitare, E. (2024). Health supply chain forecasting: A comparison of ARIMA and LSTM time series models for demand prediction of medicines. Acta Logistica, 11(2), 269–280. https://doi.org/10.22306/al.v11i2.510
Niu, T., Zhang, H., Yan, X., & Miao, Q. (2024). Intricate supply chain demand forecasting based on graph convolutional networks. Sustainability, 16(21), 9608. https://doi.org/10.3390/su16219608
Rao, H., Li, J., & Sun, X. (2025). Demand forecasting and allocation optimization of green power grid supply chain based on machine learning algorithm: A study based on the whole-process data of power grid materials. Sustainability, 17(3), 1247. https://doi.org/10.3390/su17031247
Sifuentes-Domínguez, S., Mejia-Muñoz, J, Cruz-Mejia, O., Pizarro-Gurrola, R., Domínguez-Flores, A., & Ortega-Máynez, L. (2026). Predicting demand in supply chain management: A decision support system using graph convolutional networks. Future Internet, 18(1), 26. https://doi.org/10.3390/fi18010026
Wang, C., Chien, C., & Trappey, A. (2021). On the application of ARIMA and LSTM to predict order demand based on short lead time and on-time delivery requirements. Processes, 9(7), 1157. https://doi.org/10.3390/pr9071157
Więcek, P., Kubek, D., & Szkutnik, J. (2024). The impact time series selected characteristics on forecasting methods effectiveness. Energies, 17(16), 4163. https://doi.org/10.3390/en17164163
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
