Comparativa de modelos predictivos de repuestos en mantenimiento industrial mediante ciencia de datos

Abstract

En la presente investigación se aborda el problema de la predicción de demanda en inventarios de repuestos de mantenimiento industrial, caracterizados por un comportamiento altamente intermitente y variable. El estudio se desarrolló en la empresa Organización Más Molinos de Nariño S.A.S., utilizando información histórica de consumo extraída del sistema SAP Business One correspondiente al periodo 2021–2025. Inicialmente se realizó un proceso de depuración, agregación mensual y análisis exploratorio de datos, con el fin de caracterizar estadísticamente las series temporales de 36 materiales críticos. Mediante métricas como el porcentaje de meses sin consumo, el coeficiente de variación y el Average Demand Interval (ADI), se determinó que la mayoría de los repuestos presentan demanda intermitente o errática, condición que limita la aplicabilidad de modelos tradicionales de pronóstico. Posteriormente se implementó y evaluó comparativamente cuatro enfoques predictivos: ARIMA + Red Neuronal, CNN + LSTM, CNN + GRU + BiLSTM + Atención y Prophet. El desempeño se midió mediante MAE, RMSE y R², permitiendo analizar la estabilidad y capacidad de ajuste de cada modelo frente a distintos patrones de consumo. Los resultados evidencian que Prophet presenta mayor estabilidad global en series altamente irregulares, mientras que las arquitecturas de aprendizaje profundo muestran mejor desempeño en materiales con patrones temporales definidos. El principal aporte del estudio radica en la identificación de las condiciones estadísticas bajo las cuales es viable aplicar modelos predictivos en inventarios de mantenimiento industrial, proponiendo un enfoque diferenciado según el nivel de intermitencia de cada material. Esta aproximación permite fortalecer la planificación de repuestos, reducir riesgos de quiebre de stock y mejorar la toma de decisiones basada en datos en entornos industriales.