Un modelo para predecir la demanda en farmacias

Abstract

[Resumen] La gestión del inventario de medicamentos es una de las tareas más complejas a realizar en una farmacia. Una buena estimación de las compras favorece el compromiso entre satisfacer la demanda de los usuarios y minimizar los costos de mantenimiento de inventario y de almacenamiento. Por ello, conocer a priori la demanda de un determinado medicamento ayuda a decidir qué cantidad se debe comprar de producto. Las aplicaciones inteligentes, como los sistemas de recomendaciones o los sistemas predictivos, son altamente demandados por la industria farmacéutica dado su potencial para optimizar la compra y/o tener un mayor control de los inventarios, entre otros beneficios. En este trabajo se proponen dos métodos para predecir la demanda de medicamentos de la Farmacia del Instituto del Seguro Social de Ecuador, en la ciudad de Ibarra; uno basado en series de tiempo y otro usando redes neuronales. Los métodos fueron aplicados a medicamentos que tenían un comportamiento estacional y cíclico. Los modelos se evaluaron usando el error cuadrático medio y el error absoluto y se escogió el de menor error, que, en este caso, fue el modelo generado por la red neuronal.

[Abstract] Inventory management of medicines is one of the most complex tasks for a pharmacy. Accurate purchase estimation allows pharmacies to balance the need to meet user demand and minimise inventory maintenance and storage costs by reliably predicting how much of a drug should be purchased. This paper proposes two methods for predicting the demand for medicines from the Pharmacy of the Ecuadorian Social Security Institute (Ibarra): one based on time series, and one based on neural networks. The models were tested on medicines with a seasonal, cyclical demand, and assessed using mean square error and mean absolute error measurements. The model based on neural networks was found to have a lower error rate.