Ingeniería en Gestión Ambiental

URI permanente para esta colecciónhttps://hdl.handle.net/20.500.12640/3738

Examinar

Filtros

2022 - 20243

Ajustes

Acceso: search.filters.access.Acceso restringidoIdioma: search.filters.itemlanguage.Español

Resultados de la búsqueda

Mostrando 1 - 3 de 3
  • Miniatura
    ÍtemRestringido
    Evaluación de la implementación de Customer Relationship Management (CRM) y su impacto en la optimización de la gestión comercial del área de Educación Continua de la Instituto Carrión
    (Universidad ESAN, 2024) Arana Torpoco, Jean Fred; Cosio Chavez, Karen Valeria; Gonzalez Riva, Christian Isaias; Paredes Solano, Angela Karin; Polar Velasquez, Diego Alonso
    En un entorno educativo cada vez más dinámico, es crucial que las instituciones educativas tengan herramientas tecnológicas que les permitan mantener una gestión ágil y personalizada de las relaciones con los clientes para desarrollar una ventaja competitiva en el mercado. El presente trabajo de investigación busca evaluar la efectividad del sistema de gestión de relación con los clientes (CRM) que fue implementado en el Instituto Carrión en julio del 2022 y su impacto en la gestión comercial del Área de Educación Continua. Para ello se evaluó el impacto del CRM en la optimización de los tiempos de procesos, los niveles de ventas y la influencia en las estrategias comerciales, comparando los valores obtenidos antes y después de la implementación. Se identificó que el CRM generó en el Instituto Carrión un impacto positivo en los niveles de ventas (13.4% más), mejora en los tiempos de los procesos comerciales (8.20% menos) y la efectividad de las estrategias comerciales (16.13% más). Este trabajo aporta como un antecedente importante en el campo del sector educativo al proporcionar un caso práctico de tecnología aplicada para mejorar la gestión comercial en instituciones de educación superior.
  • Miniatura
    ÍtemRestringido
    Técnicas de machine learning para la mejora del método de proyección de ventas de los análisis de multirresiduos de plaguicidas en alimentos de Mérieux Nutrisciences
    (Universidad ESAN, 2023) Huisacayna Cutipa, Abigail Nelly; Jacinto Martell, Samuel Humberto; La Rosa Gadea, Marghore Susana; Machuca Abanto, Axl Boris; Torres Yupanqui, Rocio del Pilar Lesly
    En la actualidad es importante que toda empresa realice pronósticos de todo tipo, que ayuden a mitigar el impacto negativo y/o aprovechar los impactos positivos que los cambios generan. El propósito del presente trabajo es identificar la técnica del aprendizaje automático que mejore el método de proyección de ventas generadas por el análisis de multirresiduos de plaguicidas en alimentos de la empresa Mérieux Nutrisciences. Se emplea la metodología Cross-Industry Standard Process for Data Mining (CRISP-DM) para determinar el modelo predictivo óptimo para la empresa. Después de adquirir y adecuar la data, se aplica y analiza en las técnicas de regresión lineal, light gradient boosting machine (LightGBM), seasonal auto regressive integrated moving average (SARIMA) y long short-term memory (LSTM). Con la ejecución de los modelos establecidos, se concluyó que el uso de modelos predictivos permite a las empresas, tomar decisiones más acertadas y mejorar su gestión, además, se visualizó que el modelo LightGBM tiene una mayor precisión que los otros modelos con un 0.0152 de mean squared error (MSE). Se recomienda realizar el modelado con un mayor número de data para generar un pronóstico más preciso, contrastar con el laboratorio y realizar estudios adicionales para ajustar hiperparámetros propios del modelo.
  • Miniatura
    ÍtemRestringido
    Pronóstico de tiempos de tránsito marítimos y probabilidad de entrega a tiempo usando algoritmos de Machine Learning en el operador logístico Expeditors Perú S.A.C
    (Universidad ESAN, 2022) Trujillo Grados, Alexandra Cecil; Meza Arismendis, Carmen Rosa; Calero Lazaro, Darwin Rubens; Huaman Avellaneda, Grecia Patricia; Palma Abanto, Katherine Violeta
    Un suceso fortuito como la pandemia genera retrasos importantes y costos logísticos adicionales, este evento termina evidenciando la mala planificación en la logística de las empresas. El presente trabajo busca complementar los escasos estudios enfocados en las variables que puedan afectar al tiempo de tránsito para el desarrollo de una mejor planificación organizacional. El objetivo de esta investigación es la predicción de tiempos de tránsito y determinación de entrega a tiempo en los embarques marítimos, a través del uso de 4 algoritmos del aprendizaje supervisado de Machine Learning. Para la predicción de tiempos de tránsito, se obtuvo un error absoluto medio (MAE) de 8.58 con un coeficiente de determinación (R²) de 0.3190 en el algoritmo de regresión lineal, obteniendo como variable más influyente “puerto de destino”, y en la determinación de entrega a tiempo se halló que el algoritmo KNN vecinos más cercanos genera el mejor pronóstico en comparación de la regresión logística, SVC y Naive Bayes, con un 67,38% de precisión. El uso de estas técnicas sienta una base para futuros estudios comparativos de los algoritmos de Machine Learning en el pronóstico de tiempos de tránsito en la logística internacional.