AgroEcoAnalytics/references/0-all-Especificaciones-del-proyecto.md

Especificaciones del problema a tratar para la Red de Bancos de Alimentos de México (RedBAMX)

1. ¿Qué problema se plantea resolver?

El problema que se plantea resolver es la predicción del precio de los productos agrícolas. Utilizando métodos de aprendizaje automático se busca predecir los precios futuros de los productos, utilizando datos históricos sobre el progreso mensual de la producción de cultivos y variables climatológicas.

2. ¿Por qué es un problema importante para la institución/organización/empresa?

Para la RedBAMX, prever el precio de los productos agrícolas es esencial para planificar y optimizar sus operaciones. Al poder anticipar los precios, la organización puede tomar decisiones informadas sobre la adquisición de excedentes agrícolas y establecer alianzas estratégicas con los productores. Esto contribuye a optimizar la distribución de alimentos, a reducir la pérdida y el desperdicio de los mismos, objetivos fundamentales de la RedBAMX.

3. ¿Cuáles son las métricas para medir el impacto de la solución una vez obtenida?

Las métricas para medir el impacto de la solución podrían incluir:

• Precisión de las predicciones de precios.
• Porcentaje de reducción de pérdida y desperdicio de alimentos.
• Número de alianzas estratégicas establecidas con productores.
• Eficiencia en la distribución de alimentos.

4. ¿Qué problema de aprendizaje implica resolver?

El problema de aprendizaje implica resolver una tarea de regresión, ya que se busca predecir un valor numérico (precio) basado en variables de entrada (datos agrícolas y climatológicos).

5. ¿Qué métricas permiten medir la calidad del modelo de aprendizaje? ¿Cuáles son sus valores deseables?

En este contexto, se evaluarán distintos modelos principalmente mediante:

• Error Cuadrático Medio (MSE)
• Error Absoluto Medio (MAE)
• Coeficiente de Determinación ($R^2$)

El MSE cuantifica la discrepancia entre las predicciones del modelo y los valores reales de los precios agrícolas, siendo deseable un valor cercano a cero, lo que indica predicciones precisas. Similar al MSE, el MAE permite cuantificar esta misma diferencia pero ahora en las mismas unidades que la variable objetivo, por lo tanto dependiendo del contexto y la escala de los datos, un valor bajo es lo que se busca. Por otro lado, el $R^2$, proporciona una medida de cuánta variabilidad en los precios es explicada por el modelo, siendo deseable un valor cercano a 1, lo que indica una buena capacidad del modelo para predecir los precios con precisión.

1. ¿Cómo están alineadas las métricas de la calidad del modelo con las métricas de impacto de la solución? De preferencia tratar de cuantificar.

Las métricas de calidad del modelo, como el MSE, MAE y $R^2$, están directamente vinculadas al impacto de la solución en la eficiencia de las operaciones de RedBAMX. Un bajo MSE ó MAE indicaría predicciones precisas de los precios agrícolas, lo que facilita una mejor planificación de adquisiciones de alimentos y una reducción efectiva en la pérdida y el desperdicio de alimentos. Además, un alto valor de $R^2$ sugiere que el modelo puede explicar una gran parte de la variabilidad en los precios, proporcionando una base sólida para la toma de decisiones estratégicas en RedBAMX. Estas métricas contribuirán a optimizar las operaciones y a lograr los objetivos de la organización en términos de mejora en la alimentación y nutrición en México.