Pronóstico de la demanda en el sector de restaurantes mediante técnicas de inteligencia artificial en el área urbana de Chimbote

• Macedo Alcántara , Dayán Fernando ^[1] ; Ronald Samuel , Sanchez Rodas ^[1]
  1. [1] Universidad Nacional del Santa

     Universidad Nacional del Santa

     Chimbote, Perú

     
• Localización: Ciencia Latina: Revista Multidisciplinar, ISSN-e 2707-2215, ISSN 2707-2207, Vol. 10, Nº. 4, 2026
• Idioma: español
• Títulos paralelos:
  • Demand forecasting in the restaurant sector through artificial intelligence techniques in the urban area of Chimbote
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    Demand forecasting is a key aspect of restaurant management, as it directly affects inventory planning, staff scheduling, and food waste control. In many restaurants, these decisions are still based on managers' experience or historical estimates, which may lose accuracy due to weekly seasonality, holidays, or seasonal effects. This study evaluates artificial intelligence algorithms to forecast daily customer demand in restaurants located in the urban area of Chimbote, following the CRISP-DM methodology. The results showed that a single algorithm could not adequately capture both common demand patterns and the specific behavior of each restaurant. Therefore, a two-component system was proposed, using Random Forest to identify shared patterns and Ridge Regression to estimate the behavior of each business. The system was evaluated using 1,619 daily records collected from three restaurants between July 2023 and December 2024. After applying STL decomposition, the proposed model achieved a global relative MAE of 7.3%, below the 15% acceptance threshold. In addition, a MASE of 0.7201 confirmed that the proposed approach outperformed the naïve lag-7 model.