Advertisement

Effect on the Demand and Stock Returns: Cross-Sectional of Big Data and Time-Series Analysis

  • Amelec ViloriaEmail author
  • Indira Meñaca Guerrero
  • Hugo Martínez Caraballo
  • Nelson Orellano Llinas
  • Lesbia Valero
  • Hugo Hernández Palma
  • Edwin Caño Otero
  • Omar Bonerge Pineda Lezama
Conference paper
Part of the Communications in Computer and Information Science book series (CCIS, volume 1122)

Abstract

For reducing the degree of uncertainty caused by constant change in the environment, large, medium or small, private or public organizations must support their decisions in something more than experience or intuition; they must be supported by the development of accurate and reliable forecasts in order to meet the needs in the organization planning tasks. This case study presents a growing company dedicated to the storage of perishable products and incorporates time series forecasting techniques to estimate the volume of storage to foresee the requirements of additional facilities, personnel and materials needed for product mobility.

Keywords

Warehousing Cold chain Forecasts Time series Perishable products 

References

  1. 1.
    Torres, M.: Pronósticos, una herramienta clave para la planeación de las empresas. Instituto Tecnológico de Sonora [consultado 12 Ene 2016]. Disponible en (2011). http://itson.mx/publicaciones/pacioli/Documents/no71/47a. pronósticos, una herramienta clave para la planeación de las empresas.pdf
  2. 2.
    Velázquez, J.D., Dyner, R.I., Souza, R.C.: Políticas para la integración del juicio experto y los pronósticos estadísticos en el marco organizacional. Estudios Gerenciales 99(22), 131–150 (2006)Google Scholar
  3. 3.
    Velázquez, J., Franco, C., García, H.: Un modelo no lineal para la predicción de la demanda mensual de electricidad en Colombia. Estudios Gerenciales 25(112), 37–54 (2009)CrossRefGoogle Scholar
  4. 4.
    Vidal, C.J., Londono, J.C., Contreras, F.: Aplicación de los modelos de inventario en una cadena de abastecimiento de productos de consumo masivo con una bodega y N Puntos de venta. Ingeniería y Competitividad 6(1), 35–52 (2004)CrossRefGoogle Scholar
  5. 5.
    Alonso, J., Arcila, A.: Empleo del comportamiento estacional para mejorar el pronóstico de un commodity: el caso del mercado internacional de azúcar. Estudios Gerenciales 29(129), 406–415 (2013)CrossRefGoogle Scholar
  6. 6.
    Arango, M., Adame, W., Zapata, C.: Gestión cadena de abastecimiento—logística con indicadores bajo incertidumbre, caso aplicado sector panificador Palmira. Ciencia e Ingeniería Neogranadina 20(1), 97–115 (2010)CrossRefGoogle Scholar
  7. 7.
    Arrendondo, F., Vázquez, J.: Un modelo de análisis racional para la toma de decisiones gerenciales, desde la perspectiva elsteriana. Cuadernos de Administración 26(46), 135–158 (2013)Google Scholar
  8. 8.
    Medina, S.: Las cadenas de frío y eltransporte refrigerado en México. Comercio Exterior, 59(12), 1010–1017 (2009)Google Scholar
  9. 9.
    Medina, J., Ortegón, E.: Manual de prospectiva y decisión estratégica. Naciones Unidas, CEPAL, ILPES, Santiago de Chile (2006)Google Scholar
  10. 10.
    Munoz, A.: Metodología para el dimensionamiento de almacenes basado en la estimación de la demanda para el sector cosmético. Universidad Militar Nueva Granada [consultado 14 Ene 2016]. Disponible en (2014). http://repository.unimilitar.edu.co/bitstream/10654/12624/1/ART%C3%8DCULO%20FINAL.pdf
  11. 11.
    Pindyck, S., Rubinfeld, L.: Econometría, modelos y pronósticos: pronósticos con un modelo de regresión de una sola ecuación, 4th edn. McGraw Hill, México (2001)Google Scholar
  12. 12.
    Izquierdo, N.V., Lezama, O.B.P., Dorta, R.G., Viloria, A., Deras, I., Hernández-Fernández, L.: Fuzzy logic applied to the performance evaluation. honduran coffee sector case. In: Tan, Y., Shi, Y., Tang, Q. (eds.) ICSI 2018. LNCS, vol. 10942, pp. 164–173. Springer, Cham (2018).  https://doi.org/10.1007/978-3-319-93818-9_16CrossRefGoogle Scholar
  13. 13.
    Pineda Lezama, O., Gómez Dorta, R.: Techniques of multivariate statistical analysis: an application for the Honduran banking sector. innovare. J. Sci. Technol. 5(2), 61–75 (2017)Google Scholar
  14. 14.
    Fogarty, D., Blackstone, J., Hoffmann, T.: Administración de la producción e inventarios, 2.a edn. México (2014)Google Scholar
  15. 15.
    Patria. Gallego, G., Toktay, L.: All-or-nothing ordering. Under a capacity constrain and forecast of stationary demand (2003) [consultado 13 Oct 2015]. Disponible en: https://pdfs.semanticscholar.org/81ef/e6d84d9fc4414d3685bf018fc4ff35d46ed4.pdf
  16. 16.
    Gutiérrez, V., Vidal, C.: Modelos de gestión de inventarios en cadenas de abastecimiento: revisión de la literatura. Revista Facultad Ingeniería Universidad de Antioquia 43, 134–149 (2008)Google Scholar
  17. 17.
    Hanke, J.E., Wichern, D.W.: Pronósticos en los negocios, 8.a edn. Pearson Educación, México (2006)Google Scholar
  18. 18.
    López, C.: Manual para la preparación y venta de frutas y hortalizas: del campo al mercado. Boletín de servicios agrícolas de la FAO 151, 49–50 (2003)Google Scholar
  19. 19.
    Masini, J., Vázquez, F.: Compendio de modelos cuantitativos de pronósticos (2014). [consultado 20 Dic 2015]. Disponible en: https://books.google.com.mx/books?id=fnLcBQAAQBAJ&printsec=frontcover&hl=es#v=onepage&q=los%20metodos%20&f=false
  20. 20.
    Toro, E.M., Mejia, D.A., Salazar, H.: Pronóstico de ventas usando redes neuronales. Scientia et technica 10(26), 25–30 (2004)Google Scholar
  21. 21.
    Villada, F., Muñoz, N., García, E.: Aplicación de las Redes Neuronales al Pronóstico de Precios en Mercado de Valores, Información tecnológica 23(4), 11–20 (2012)CrossRefGoogle Scholar
  22. 22.
    Wen, Q., Mu, W., Sun, L., Hua, S., Zhou, Z.: Daily sales forecasting for grapes by support vector machine. In: International Conference on Computer and Computing Technologies in Agriculture, pp. 351–360 (2013)CrossRefGoogle Scholar
  23. 23.
    Wu, Q., Yan, H.S., Yang, H.B.: A forecasting model based support vector machine and particle swarm optimization. In: 2008 Workshop on Power Electronics and Intelligent Transportation System, pp. 218–222 (2008)Google Scholar
  24. 24.
    Ballou, R.H.: Logística, 5.a edn. Administración de la cadena de suministro. Pearson Educación, México (2004)Google Scholar
  25. 25.
    Corres, A., Esteban, A., García, J., Zarate, C.: Análisis de series temporales. Ingeniería Ind. 8(1), 21–33 (2009)Google Scholar
  26. 26.
    Erossa, V.: Proyectos de inversión en ingeniería: su metodología. Limusa, México (2004)Google Scholar
  27. 27.
    Rahman, M.A., Islam, M.Z.: A hybrid clustering technique combining a novel genetic algorithm with K-Means. Knowl. Based Syst. 71, 345–365 (2014).  https://doi.org/10.1016/j.knosys.2014.08.011CrossRefGoogle Scholar
  28. 28.
    Amelec, V.: Increased efficiency in a company of development of technological solutions in the areas commercial and of consultancy. Adv. Sci. Lett. 21(5), 1406–1408 (2015)CrossRefGoogle Scholar
  29. 29.
    Amelec, V.: Validation of strategies to reduce exhausted shelf products in a pharmaceutical chain. Adv. Sci. Lett. 21(5), 1403–1405 (2015)CrossRefGoogle Scholar
  30. 30.
    Varela, I.N., Cabrera, H.R., Lopez, C.G., Viloria, A., Gaitán, A.M., Henry, M.A.: Methodology for the reduction and integration of data in the performance measurement of industries cement plants. In: Tan, Y., Shi, Y., Tang, Q. (eds.) Data Mining and Big Data. LNCS, vol. 10943, pp. 33–42. Springer, Cham (2018).  https://doi.org/10.1007/978-3-319-93803-5_4CrossRefGoogle Scholar
  31. 31.
    Lis-Gutiérrez, M., Gaitán-Angulo, M., Balaguera, M.I., Viloria, A., Santander-Abril, J.E.: Use of the industrial property system for new creations in Colombia: a departmental analysis (2000–2016). In: Tan, Y., Shi, Y., Tang, Q. (eds.) Data Mining and Big Data. LNCS, vol. 10943, pp. 786–796. Springer, Cham (2018).  https://doi.org/10.1007/978-3-319-93803-5_74CrossRefGoogle Scholar
  32. 32.
    Pickrahn, I., et al.: Contamination incidents in the pre-analytical phase of forensic DNA analysis in Austria—Statistics of 17 years. Forensic Sci. Int. Genet. 31, 12–18 (2017).  https://doi.org/10.1016/j.fsigen.2017.07.012CrossRefGoogle Scholar
  33. 33.
    Isasi, P., Galván, I.: Redes de Neuronas Artificiales. Un enfoque Práctico. Pearson, London (2004). ISBN 8420540250Google Scholar
  34. 34.
    Kulkarni, S., Haidar, I.: Forecasting model for crude oil price using artificial neural networks and commodity future prices. Int. J. Comput. Sci. Inf. Secur. 2(1), 81–89 (2009)Google Scholar
  35. 35.
    Mazón, J.N., Trujillo, J., Serrano, M., Piattini, M.: Designing data warehouses: from business requirement analysis to multidimensional modeling. In: Proceedings of the 1st International Workshop on Requirements Engineering for Business Need and IT Alignment. Paris, France (2005)Google Scholar
  36. 36.
    Viloria, A., Lis-Gutierrez, J.P., Gaitán-Angulo, M., Godoy, A.R.M., Moreno, G.C., Kamatkar, S.J.: Methodology for the design of a student pattern recognition tool to facilitate the teaching - learning process through knowledge data discovery (big data). In: Tan, Y., Shi, Y., Tang, Q. (eds.) Data Mining and Big Data. LNCS, vol. 10943, pp. 670–679. Springer, Cham (2018).  https://doi.org/10.1007/978-3-319-93803-5_63CrossRefGoogle Scholar
  37. 37.
    Barrios-Hernández, K.D.C., Contreras-Salinas, J.A., Olivero-Vega, E.: La Gestión por Procesos en las Pymes de Barranquilla: Factor Diferenciador de la Competitividad Organizacional. Información tecnológica 30(2), 103–114 (2019)CrossRefGoogle Scholar
  38. 38.
    Atsalakis, G.S., Valavanis, K.P.: Surveying stock market forecasting techniques – Part II: Soft computing methods. Expert Syst. Appl. 36(3, Part 2), 5932–5941 (2009)CrossRefGoogle Scholar

Copyright information

© Springer Nature Singapore Pte Ltd. 2019

Authors and Affiliations

  • Amelec Viloria
    • 1
    Email author
  • Indira Meñaca Guerrero
    • 2
  • Hugo Martínez Caraballo
    • 2
  • Nelson Orellano Llinas
    • 3
  • Lesbia Valero
    • 4
  • Hugo Hernández Palma
    • 4
  • Edwin Caño Otero
    • 4
  • Omar Bonerge Pineda Lezama
    • 5
  1. 1.Universidad de la CostaBarranquillaColombia
  2. 2.Universidad Simón BolívarBarranquillaColombia
  3. 3.Corporación Universitaria Minuto de Dios – UNIMINUTOBarranquillaColombia
  4. 4.Corporación Universitaria LatinoamericanaBarranquillaColombia
  5. 5.Universidad Tecnológica Centroamericana (UNITEC)San Pedro SulaHonduras

Personalised recommendations