The semiconductor industry faces significant challenges during crises, where demand fluctuations disrupt supply chains and amplify the bullwhip effect. This thesis evaluates the use of advanced machine learning models, including N-HiTS, XGBoost, and LightGBM, alongside traditional methods like exponential smoothing and ARIMA, to forecast these fluctuations using external macroeconomic and industry-specific data. Results show N-HiTS outperforms other models in crisis and unstable scenarios, while exponential smoothing remains effective during stable periods. However, Gradient Boosting Decision Trees like XGBoost and LightGBM, while underperforming N-HiTS, offer better interpretability. External variables exhibit strong correlations with the target variable, enabling accurate forecasts but not implying causation.

La indústria dels semiconductors afronta grans reptes durant les crisis, on les fluctuacions de la demanda desestabilitzen les cadenes de subministrament i amplifiquen l’efecte bullwhip. Aquesta tesi avalua l’ús de models avançats d’aprenentatge automàtic, com N-HiTS, XGBoost i LightGBM, juntament amb mètodes tradicionals com l’Exponential Smoothing o ARIMA, per predir aquestes fluctuacions utilitzant dades macroeconòmiques externes i específiques de la indústria. Els resultats mostren que N-HiTS supera altres models en escenaris de crisi gràcies a la seva capacitat per capturar patrons complexos. No obstant això, els models basats en Gradient Boosting Decision Trees, com XGBoost i LightGBM, tot i tenir un rendiment inferior a N-HiTS, ofereixen millor interpretabilitat. Exponential Smoothing continua sent efectiu en períodes estables. Les variables externes presenten fortes correlacions amb la variable objectiu, cosa que permet prediccions precises però no implica causalitat.

La industria de los semiconductores enfrenta grandes desafíos durante las crisis, donde las fluctuaciones de la demanda desestabilizan las cadenas de suministro y amplifican el efecto bullwhip. Esta tesis evalúa el uso de modelos avanzados de aprendizaje automático, como N-HiTS, XGBoost y LightGBM, junto con métodos tradicionales como Exponential Smoothing o ARIMA, para predecir estas fluctuaciones utilizando datos macroeconómicos externos y específicos de la industria. Los resultados muestran que N-HiTS supera a otros modelos en escenarios de crisis gracias a su capacidad para capturar patrones complejos. Sin embargo, los modelos basados en Gradient Boosting Decision Trees, como XGBoost y LightGBM, aunque tienen un rendimiento inferior a N-HiTS, ofrecen mejor interpretabilidad. Exponential Smoothing sigue siendo efectivo en períodos estables. Las variables externas presentan fuertes correlaciones con la variable objetivo, lo que permite predicciones precisas pero no implica causalidad.