Pronóstico de la demanda en el sector de restaurantes mediante técnicas de inteligencia artificial en el área urbana de Chimbote
Resumen
La gestión de la demanda es un aspecto importante en la administración de restaurantes, ya que influye en la planificación de insumos, la programación del personal y el control de la merma. En muchos establecimientos, estas decisiones aún se basan en la experiencia del administrador o en estimaciones históricas, que pueden perder precisión por efectos de la estacionalidad semanal, los feriados o la temporada. Este estudio evalúa algoritmos de inteligencia artificial para pronosticar la demanda diaria de clientes en restaurantes del área urbana de la ciudad de Chimbote mediante la metodología CRISP-DM. Los resultados mostraron que un solo algoritmo no representaba adecuadamente los patrones comunes y el comportamiento propio de cada restaurante. Por ello, se propuso un sistema con Random Forest para identificar patrones compartidos y Ridge Regression para estimar el comportamiento de cada negocio. El sistema se evaluó con 1.619 registros diarios de tres restaurantes, obtenidos entre julio de 2023 y diciembre de 2024. Tras aplicar la descomposición STL, el modelo alcanzó un MAE relativo global de 7,3%, inferior al 15% establecido como criterio de aceptación. Además, el MASE de 0,7201 confirmó un mejor desempeño que el modelo naïve lag-7.
Descargas
Citas
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc.
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics,
Cobos Gutierrez, C. E. (2025). Artificial intelligence in restaurants: A solution to forecast demand and reduce food waste in Miraflores. Edelweiss Applied Science and Technology, 9(8), 1002–1013. https://doi.org/10.55214/2576-8484.v9i8.9526
Guevara Buitrón, M. A. (2019). Aplicación de redes neuronales artificiales para optimizar el pronóstico de la demanda en Mc Donald's RIS Perú, Callao – 2019 (Tesis de pregrado). Universidad César Vallejo, Callao, Perú.
Hanke, J. E., & Wichern, D. W. (2009). Business Forecasting (9th ed.). Upper Saddle River, NJ: Pearson/Prentice Hall.
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la investigación (6.ª ed.). México D. F., México: McGraw Hill
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. Monash University.
Instituto Nacional de Estadística e Informática. (2023, junio 15). Negocios de restaurantes se incrementaron 9,16% en abril de 2023. https://m.inei.gob.pe/prensa/noticias/negocios-de-restaurantes-se-incrementaron-916-en-abril-de-2023-14439/
International Organization for Standardization. (2008). ISO/IEC 25012: Software engineering — Software product Quality Requirements and Evaluation (SQuaRE) — Data quality model. ISO/IEC.
Krajewski, L. J., Ritzman, L. P., & Malhotra, M. K. (2007). Operations Management: Processes and Value Chains (8th ed.). Upper Saddle River, NJ: Prentice Hall.
Li Loo, F. F. (2019). Inteligencia de negocios en el pronóstico de ventas, Centro Nacional de Servicios, Lima, 2019 [Tesis de maestría, Universidad César Vallejo]. Repositorio Institucional UCV.
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and Applications. New York: John Wiley & Sons.
Pereira, J., Rodrigues, F., Ferreira, M., & Silva, P. (2024). Food waste reduction through machine learning demand forecasting in catering services. Journal of Food Service Management, 15(2), 85–102.
Raykar, S., Sapate, P. P., Tandon, M., S., B., & L, S. (2023). Demand sensing for restaurants using forecasting methods. International Advanced Research Journal in Science, Engineering and Technology, 10(5), 499–506. https://doi.org/10.17148/IARJSET.2023.10568
Shah, H., Myller, N., & Islas Sedano, C. (2025). Forecasting daily customer flow in restaurants: A multifactor machine learning approach. Applied Computing and Intelligence, 5(2), 168–190. https://doi.org/10.3934/aci.2025011
Tanizaki, T., Hoshino, T., Shimmura, T., & Takenaka, T. (2019). Demand forecasting in restaurants using machine learning and statistical analysis. Procedia CIRP, 79, 679–683. https://doi.org/10.1016/j.procir.2019.02.164
Wang, J., & Chen, Y. (2023). Introduction to transfer learning: Algorithms and practice. Springer Nature Singapore. https://doi.org/10.1007/978-981-19-7584-4
Zhou, X., Wang, W., Buntine, W., & Bergmeir, C. (2025). Context-driven cold-start web traffic forecasting. World Wide Web. https://doi.org/10.1007/s11280-025-01359-7
Derechos de autor 2026 Dayán Fernando Macedo Alcántara , Sanchez Rodas Ronald Samuel
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
