Técnicos

Curso Taller en Vivo: Planeamiento de la Demanda con Inteligencia Artifical

Análisis y Desarrollo de Casos Prácticos Reales: Conocimientos de Aplicación Inmediata en su Trabajo Diario

Contexto del programa

Contenido general

1. Fundamentos de Inteligencia Artificial
a. Fundamentos de IA
b. Clasificación de la IA: Redes neuronales
c. Herramientas de IA: Chat GPT, Phyton y Google Colab

2. Fundamentos de Planeamiento de la Demanda
a. Principios de la demanda y el proceso de 4 etapas
b. Componentes de un buen pronóstico: estadístico y aleatorio (supuestos)
c. Importancia de crear un modelo de gestión de demanda

3. Automatizando el Proceso con Streamline
a. Implementación del software Streamline
b. Revisión de datos a cargar al sistema: limpieza de datos
c. Automatización del modelo: navegación con STREAMLINE

4. Algoritmos de Ia para Detectar Patrones de Comportamiento
a. Lumpy demand: comportamiento de demanda histórica erratica
b. Short history: casos de productos nuevos
c. Outliers: eliminación de picos y valles en la data histórica
d. Sparse history: casos de demanda histórica dispersa
e. Model change: casos de cambios en el comportamiento de la demanda
f. Negative trend: comportamiento histórico de demanda con tendencia negativa
g. Slow Move Products SMP: productos de baja rotación
h. Taller: modelos de IA aplicados. Prueba de modelos en Google Colab

5. Algoritmos de Pronóstico de Demanda Basada en Promedios y Suavización
a. Fundamentos estadísticos
b. Promedio móvil simple
c. Promedio móvil ponderado
d. Suavizamiento exponencial
e. Taller: casos en Excel para comprender la lógica
f. Taller: STREAMLINE, carga de datos, ejecución de planes de demanda

6. ¿Cómo Seleccionar el Mejor Modelo de Pronóstico?
a. Exactitud del pronóstico: mediciones del error
b. Indicador de exactitud MAD Mean Average Deviation
c. Indicador de exactitud MAPE Mean Average Percentage Error
d. Otros indicadores: MSE, Bias y Tracking Signal
e. Taller: casos de selección del mejor modelo de pronóstico Excel vs IA (Phyton y Google Colab)

7. Modelos de Ia Creados en Phyton y Ejecutados en Google Colab
a. Carga y preparación de datos
b. Construcción de modelos en Phyton
c. Evaluación de resultados en Google Colab
d. Modelos como Random Forest y XGBoost
e. Visualización de resultados

8. Cambios al Pronóstico Estadístico: Market Intelligence y Market Research
a. Cambios en el proceso por la IA
b. Creando un sistema de market intelligence
c. Metodologías de búsqueda de información: market research
d. Implementación de algoritmos en una red neuronal de planificación de demanda
e. Taller: diseño del proceso de demanda

9. Pronóstico de Demanda Basado en Regresión Lineal Simple
a. Fundamentos estadísticos
b. Modelo de regresión lineal simple
c. Coeficiente de correlación y determinación R2
d. Taller: casos de pronósticos con regresión lineal simple. Caso especial en STREAMLINE

10. Casos Especiales de Pronósticos de Demanda
a. Pronósticos de demanda con estacionalidad
b. Pronósticos basados en un modelo de regresión múltiple
c. Estrategias para la gestión de la incertidumbre
d. Taller: casos especiales de pronóstico en Phyton y Google Colab

Dirigido a

Gerentes, Jefes, Analistas de la Cadena de Abastecimiento, Logística, Ventas, Operaciones, Producción y Supply Chain. Ingenieros, Administradores, consultores, asesores y en general a profesionales relacionadas al Planeamiento de la Demanda y Supply Chain. Profesionales comprometido en los procesos de planeación de compras, ventas y suministros, manejo de materiales, control de inventarios, manufactura y producción, almacenes y bodegas, transportes de carga y distribución física internacional.

Objetivo

- Comprender los fundamentos de la inteligencia artificial y su aplicación práctica en el planeamiento moderno de la demanda dentro de entornos empresariales complejos. 
- Identificar patrones de comportamiento de la demanda, anomalías y escenarios especiales para mejorar la calidad del análisis y la toma de decisiones. 
- Aplicar modelos de pronóstico basados en promedios, suavización, regresión y algoritmos de IA, utilizando herramientas especializadas y entornos de análisis. 
- Evaluar la precisión de los pronósticos mediante indicadores clave como MAD, MAPE, MSE, Bias y Tracking Signal, seleccionando el modelo más conveniente para cada caso. 
- Diseñar un proceso integral de gestión de demanda que combine automatización, market intelligence y criterio experto para reducir incertidumbre y elevar el nivel de planeación.

Modalidad y beneficios

Material de trabajo, Certificado Digital

Fechas y horario

13, 14 y 15 Mayo
07:00 p.m. - 10:00 p.m.

Solicita PDF completo al WhatsApp