Ingeniería Industrial Comercial

Permanent URI for this collection

https://hdl.handle.net/20.500.12640/3739

Browse

Now showing 1 - 20 of 41

Restricted
Desarrollo de un modelo de RFM y técnicas de clustering para la segmentación de clientes en una empresa de bienes de consumo masivo
(Universidad ESAN, 2024) Toledo Rios, Julynho Merlin; Delgado Lorino, Alonso; Bazan Arzapalo, Jean Pablo; Garcia Quispe, Guerel Orlando; Canorio Ochoa, Diego Antonio; Fabian Arteaga, Junior John
La implementación de modelos de clustering para la segmentación de clientes en empresas de bienes de consumo masivo es una estrategia fundamental en la comprensión del comportamiento del consumidor y en la mejora de las relaciones con estos. Esta investigación aborda la aplicación de un modelo de RFM y técnicas de clustering, en una empresa peruana líder en el sector de bienes de consumo masivo. El objetivo principal es reconocer los patrones de compra y la clasificación de clientes en grupos homogéneos basándose en variables clave como recencia, frecuencia y valor monetario de las compras. Utilizando métodos de aprendizaje automático no supervisado, como k-means, BIRCH y Gaussian Mixture Model, se procesan y analizan grandes volúmenes de datos para lograr una segmentación efectiva. Esta segmentación permitiría a la empresa dirigir sus esfuerzos de marketing de manera más precisa y desarrollar estrategias personalizadas para cada grupo de clientes. Los resultados obtenidos revelan patrones de compra significativos y sugieren que una segmentación cuidadosa puede proporcionar información valiosa para la formulación de decisiones estratégicas, contribuyendo al crecimiento y competitividad de la empresa en el mercado de bienes de consumo masivo.
Open Access
Desarrollo de algoritmo de recomendación de SKU para los clientes de Alicorp que cuentan con un canal de atención digital usando técnicas de machine learning
(Universidad ESAN, 2024) Espinoza Sutta, Milton; Limachi Pampamallco, Ana Isabel; Melo Locumber, Noe; Rodriguez Otiniano, Junior Ricardo; Valencia Cañote, Sebastian; Fabian Arteaga, Junior Jhon
Saber qué es lo que quiere el cliente es uno de los retos más grandes que afrontan las empresas en la actualidad. En cuanto al uso de tecnología, las nuevas tendencias que aplican soluciones cuyo objetivo es mejorar, de manera incremental, la capacidad de poder recomendar productos o servicios de manera más exacta. No obstante, para identificar lo que desean los clientes, se necesita una base histórica que nos permita comprender sus necesidades y preferencias. Por ello, este trabajo de investigación se enfoca en el desarrollo de un algoritmo de recomendación que, a través del procesamiento de datos, pueda recomendar productos según el perfil del cliente. La investigación utiliza datos de Alicorp, una empresa peruana líder en consumo masivo, con dos millones de transacciones de ventas de clientes como panaderías, restaurantes y bodegas. Se aplicaron técnicas basadas en reglas como RFM y algoritmos de machine learning como Kmeans, LGBM Classifier y LGBM Ranker en la etapa de modelamiento. Para definir el mejor algoritmo se utilizó una medida de recall promedio de clientes de los productos recomendados. La familia de algoritmos LGBM demostró una precisión superior, destacando el LGBM Ranker que logró un impresionante recall de 0.8950.
Restricted
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; Tinoco Neyra, David
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.
Open Access
Mejora del sistema de seguridad y salud para reducir accidentes en un taller automotriz
(Universidad ESAN, 2024) Alcantara Honores, Carlos Fredy; Caraza Alvarez, Tania Vanessa; Llacza Huaytan, Luis Fernando; Soberon Dueñas, Deborah; Tapia Parra, Miguel Angel; Tinoco Neyra, David
La investigación se adentra en los desafíos específicos que enfrenta AUTOLAND, una empresa destacada en la industria automotriz peruana, con un enfoque particular en su taller localizado en Surco, Lima. Este taller, esencial para las operaciones de la empresa, ha experimentado una serie de obstáculos debido a la carencia de un sistema de seguridad y salud eficaz. La incidencia de accidentes ha tenido un impacto tangible en la productividad general de la organización. Para abordar esta problemática se ha implementado con determinación el método 5S, una estrategia integral para mejorar las condiciones de seguridad y salud en el entorno laboral. Los resultados obtenidos tras la aplicación de esta metodología son prometedores y reflejan una transformación sustancial en el taller. Este estudio no solo subraya la importancia crítica de invertir en seguridad laboral, sino que también resalta cómo una cultura organizacional centrada en la seguridad puede mejorar significativamente el desempeño de los trabajadores y por consecuencia, impulsar el éxito operativo y comercial de AUTOLAND.
Restricted
Propuesta de mejora en la gestión de inventarios para incrementar la rentabilidad de Multimedical Supplies SAC mediante innovación tecnológica incremental
(Universidad ESAN, 2024) Aucca Zuñiga, Dayana Nashly; Cabezas Chavez, Paulo Cesar; Cozar Yaranga, Anthony Jhimy; Diaz Silva, Yazuly Meyleen; Valdivia Solis, Diego Wilder; Tinoco Neyra, David
El presente trabajo tiene como finalidad brindar una propuesta de mejora en la gestión de inventarios que permita incrementar la rentabilidad de Multimedical Supplies S.A.C.; donde se aplicará innovación incremental. La investigación posee un enfoque cuantitativo, de alcance explicativo y diseño no experimental de tipo transversal, debido a que se analizaron datos numéricos correspondientes al periodo 2017-2023 que permitieron identificar los problemas y sus causas. La metodología propuesta para estructurar la solución es DMAIC. Esta consiste en la innovación del proceso de reposición mediante su automatización con el uso de business intelligence que permitirá un correcto análisis de la información del inventario total aplicando formulación correspondiente al sistema P y clasificación ABC en Excel, y la visualización de indicadores de gestión relevantes mediante un dashboard en Power BI para realizar un monitoreo y control de los inventarios en tiempo real que a su vez proporcionará información confiable para la toma de decisiones. Finalmente, se obtiene como resultado de la propuesta que se tuvo un incremento de 17.21% en el nivel de servicio, 1.29 en el índice de rotación y 11% en el margen bruto, que denota la efectividad de la propuesta para cumplir el objetivo plasmado.
Open Access
Propuesta de mejora en el área de producción para aumentar la productividad en Intraplast E.I.R.L. aplicando manufactura esbelta
(Universidad ESAN, 2024) Campos Gutarra, Vania Brigitte; Ore Ichpas, Nayely Mayli; Quezada Castellanos, Alexis Alfredo; Rios Blanco, Felix Andres; Rodriguez Yumpo, Brigitte Tamiko; Tinoco Neyra, David
La empresa Intraplast E.I.R.L. busca mejorar su posicionamiento en el mercado local a través del incremento en la calidad de sus productos y cumplimiento en el tiempo de entrega a sus clientes. La investigación desarrollada posee como objetivo diagnosticar la situación actual de la empresa; y a través de herramientas de manufactura esbelta, que fueron evaluadas por medio de criterios como factibilidad, costo/ beneficio, impacto y tiempo de implementación, se propone la estandarización de procesos a través del estudio de tiempos, Value Stream Map, mejora del espacio de trabajo a aplicando 5S’s y aplicación de método de mejora continua a través del Ciclo de Deming. Para la simulación, se empleará el software Arena Simulation a fin de visualizar el flujo de proceso, ingresando cantidades y tiempos de producción. Los datos recopilados para desarrollar las propuestas corresponden desde el año 2020 al 2023. Como resultados de la simulación, se obtiene una mejora en indicadores como productividad, tasa de productos defectuosos, tiempo de ciclo, cumplimiento de plazos, tasa de producción y de devoluciones.
Open Access
Predicción del caudal del río Torata utilizando algoritmos de Machine Learning para el aprovisionamiento de agua a la población del distrito
(Universidad ESAN, 2024) Aguirre Vasquez, Mayra Araceli; Churampi Coronado, Heidy Denis Ana; Garcia Garcia, Jeff Steven; Mamani Ventura, Danny Alvis; Montes Manrique, Diego Alfredo; Fabian Arteaga, Junior Jhon
Diferentes estudios utilizan el aprendizaje automático para el análisis de datos y por ende construir modelos predictivos y encontrar comportamientos que representen diversas variables de salida. Basado en ello, el presente trabajo de suficiencia profesional tiene como misión principal desarrollar un modelo para predecir el caudal del río Torata utilizando algoritmos de Machine Learning y con ello estimar la oferta hídrica, además se busca brindar un marco amplio a las autoridades en la toma de medidas proactivas para garantizar un adecuado aprovisionamiento de agua a la población, incluyendo la administración de infraestructuras de almacenamiento, división y tratamiento. Utilizando datos históricos de las estaciones hidrométricas y meteorológicas del río Torata monitoreados y proporcionadas por la Mina Cuajone y técnicas de Machine Learning, se desarrollaron modelos predictivos para brindar un aporte eficaz al proyecto de aprovisionamiento de agua (Presa Altarani). La investigación se estructura en seis capítulos que abarcan desde el planteamiento del problema y metodología, dando como resultado el mejor modelo de predicción SVR lineal con un 𝑅2de 0.946 y un MSE de 0.041, hasta la presentación de conclusiones y una proyección de 5 años del caudal y oferta hídrica del río Torata con R𝟐 de 0.877 y MSE de 0.123.
Embargo
Predicción del tipo de parto en el departamento de ginecología-obstetricia del Hospital Santa Rosa mediante Machine Learning
(Universidad ESAN, 2023) Perez Garcia, Adams Smith; Seminario Vergaray, Raul Francisco; Calderón-Niquín, Marks
En el presente trabajo, se uso Machine Learning en el ámbito de aprendizaje supervizado. para predecir los tipos de partos de las gestante atendidas en el Hospital Santa Rosa, buscando optimizar los recursos de la institución tanto material como humano. Para la creación del Modelo se recopiló toda la información existente en el hospital santa rosa y el ministerio de salud (Minsa) mediante un cruce de información, luego de la limpieza de datos, se utilizo el 80% para el aprendizaje y uN 20% para la para corroborar la predicción. El modelo predominante para nuestro trabajo fue el Árbol de decisión, donde se identifico la variable y ( tipos de partos existentes) y las variables x ( diagnosticas por lo que existe complicaciones durante el parto). con lo cual el modelo se pudo recrear.
Open Access
Aplicación de modelos de Machine Learning para la planificación de la demanda en la empresa CBC Peruana S.A.C
(Universidad ESAN, 2023) Maciel Carpio, Zannie Xilena; Salas Barrera, Felipe Alvaro; Sanchez Anticona, Crishtian Sebastian; Sanchez Chacon, Gabriela de los Angeles; Santana Fernandez, Jose Daniel; Fabian Arteaga, Junior John
La industria de bebidas enfrenta desafíos específicos en la planificación de la demanda, ya que la variabilidad de los patrones de consumo y la imprevisibilidad del cliente exige a las empresas establecer estrategias para satisfacer la demanda. El presente trabajo de investigación se centra en la aplicación de técnicas de Machine Learning para pronosticar la demanda de dos productos clave de la empresa CBC Peruana S.A.C: paquetes de gaseosa Concordia de Piña de 03 litros de 04 unidades y paquetes de gaseosa Evervess Ginger de 1,5 litros de 06 unidades. Para ello, se utilizaron modelos de Regresión lineal, LightGBM Regressor y series de tiempo, como SARIMA y FB Prophet, aplicando los enfoques de Forecasting y Regresión. La evaluación de modelos se realizó utilizando métricas como MAE, MAPE y RMSE. Entre los resultados obtenidos, se obtuvo que el modelo FB Prophet registra un MAPE promedio de 24.64, MAE promedio de 685.16 y un RMSE promedio de 1003.90. Este estudio proporciona una base sólida para futuras investigaciones en la aplicación de Machine Learning en la industria de bebidas y demuestra el potencial de estas tecnologías para transformar las operaciones comerciales y mejorar la competitividad en el mercado.
Open Access
Pronóstico de la producción de papa en la cuenca Jequetepeque - Cajamarca en base a las variables meteorológicas utilizando técnicas de Machine Learning
(Universidad ESAN, 2023) Diaz Hurtado, Eddy Emerson; Fustamante Campos, Danly Maryoy; Gave Cardenas, Joshua; Heredia Menor, Keico Anavela; Sedano Ruiz, Maria Rosalia; Fabian Arteaga, Junior Jhon
Diversos estudios utilizan técnicas de Machine Learning para analizar datos, buscar comportamientos y patrones, con la finalidad de construir modelos matemáticos predictivos y pronosticar diferentes variables de salida. Este estudio se centra en usar técnicas de aprendizaje supervisado para predecir la producción de papa en la cuenca Jequetepeque, teniendo a la Dirección Regional de Agricultura de Cajamarca (DRAC) como parte interesada. Se usó la metodología CRISP-DM por ser el método más adecuado para el despliegue del proyecto. Las fuentes de datos usadas para la recolección de la información fueron el SENAMHI, POWER NASA, BCRP y el INEI, utilizando datos meteorológicos y de producción de papa desde 1981 al 2022. Los modelos que se utilizaron fueron Regresión Lineal, SVR, Árbol de Decisión para Regresión y ARIMA. Además, se emplearon métricas estadísticas como el MAE, MSE, RMSE y R^2 para definir el mejor rendimiento del modelo, el cual resultó ser el SVR, que alcanzó un MAE de 0.2377799, un MSE de 0.1618759, un RMSE de 0.4023380 y un R^2 de 0.8356449. Se concluye que se logró el objetivo propuesto logrando modelar un algoritmo de Machine Learning que permite predecir la producción de la papa con un error mínimo (RMSE de 0.402337).
Embargo
Propuesta de segmentación de clientes aplicando técnicas de Machine Learning para mejorar la estrategia de ventas de productos de bebidas en el departamento de Ica
(Universidad ESAN, 2023) Alikhan Trujillo, Kledy Fiorella; Aspiazu Neyra, Luis Eduardo; Auccapiña Guillen, Juan Abner; Ayna Benegas, Irene; Cardenas Pijo, Melisa Consuelo; Calderón Niquín, Marks
La investigación se centra en el mercado de bebidas en el departamento de Ica, con el objetivo de automatizar la segmentación de clientes y, por consiguiente, mejorar las estrategias comerciales de ventas. Al implementar las fases de la metodología, las primeras etapas se dedicarán al procesamiento y tratamiento riguroso de los datos, preparando así el terreno para la construcción del modelo en la fase subsiguiente. Se emplearán técnicas de aprendizaje no supervisado de Machine Learning, como K-Means, K-Medoids, Agrupación Jerárquica, DBSCAN y HDBSCAN, con parámetros óptimos. En las últimas fases, se realizarán las agrupaciones de perfiles de tipo clúster basándose en un análisis detenido de la información recopilada y las variables pertinentes. El resultado será un reporte consolidado que proporcionará una visión detallada por cada perfil de cliente. Con esta información clave el gestor comercial de ventas podrá tomar decisiones comerciales estratégicas sobre ventas. De forma complementaria, se realizará una validación con un experto del rubro para verificar el tipo de clúster adecuado como candidato óptimo de la automatización de la segmentación de clientes.
Restricted
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; Fabian Arteaga, Junior Jhon
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.
Open Access
Implementación de técnicas de Machine Learning para la segmentación de clientes en una empresa del sector farmacéutico
(Universidad ESAN, 2023) Inga Llacza, Fabricio Gustavo; Miranda Manrique, Kevin Miguel Angel; Quispe Zuñiga, Dennys; Reyna Torres, July Mabel; Turriate Naveda, Santiago; Fabian Arteaga, Junior Jhon
La presente tesis se enfocó en la investigación e implementación de técnicas de Machine Learning para una empresa del sector farmacéutico, utilizando un conjunto de datos con más de 30 mil transacciones comerciales del período de junio a agosto de 2023. Esta investigación abarcó la recopilación, procesamiento, modelado y evaluación de los datos proporcionados por la empresa, para lo cual se emplearon técnicas de aprendizaje no supervisado como el modelo K-Means y Jerárquico, lo que llevó a la exitosa identificación de cuatro segmentos distintos de clientes. Estos hallazgos resaltan la efectividad de Machine Learning en la segmentación de clientes, lo que permitió poder identificar grupos con similitudes en sus características y patrones de comportamientos. Asimismo, se llevaron a cabo evaluaciones comparativas entre diferentes técnicas para determinar cuál se adaptaba mejor a las necesidades de la empresa. Tras un análisis detallado, se concluyó que el modelo K-Means era el más adecuado en este contexto, debido a que las agrupaciones se ajustaban más a la realidad del negocio. En consecuencia, se formularon estrategias personalizadas para aumentar la retención y satisfacción del cliente, con lo cual se tendrá mayor certeza en la toma de decisiones estratégicas y análisis de datos comerciales.
Embargo
Desarrollo de un modelo de Machine Learning para la clasificación de clientes siniestrosos de seguro vehicular en la compañía aseguradora MAPFRE Perú
(Universidad ESAN, 2023) Mariluz Saavedra, Julio Alejandro; Torres Ricalde, Luz Edith; Velazco Guerrero, Melissa; Fabian Arteaga, Junior Jhon
Las últimas innovaciones tecnológicas, como Big Data o Maching Learning, están transformando la forma en cómo se desempeñan las compañías en casi todos los sectores, incluyendo el rubro asegurador. Este estudio se centra en la incorporación de técnicas de Machine Learning en MAPFRE Perú para desarrollar un modelo predictivo que permita identificar a los clientes con mayor probabilidad de sufrir un siniestro vehicular. El objetivo es optimizar el control de los gastos asociados a estos incidentes en la empresa. Para determinar el modelo más optimo se utilizaron cinco diferentes algoritmos de aprendizaje supervisado: Logistic regression, Linear Support Vector Machine, k-Nearest Neighbors, Classification and Regression Tree y Random Forest. Finalmente, para comparar los resultados de cada modelo se utilizaron las métricas del "accuracy" y el "F1-score". El modelo seleccionado fue Random Forest, con el cual se obtuvo un buen rendimiento con el conjunto de datos preprocesado “dfL4”, teniendo un “accuracy” del 82.97% y un “F1-score” del 75.67%. El potencial que implica la aplicación de Machine Learning en la industria aseguradora es considerable, por lo que es esencial continuar avanzando en investigaciones que incorporen nuevas variables, técnicas y modelos para seguir aprovechando sus beneficios.
Embargo
Implementación de un modelo de Machine Learning para la predicción de la demanda de muebles de sala en la empresa Mallhogar.com
(Universidad ESAN, 2023) Chipana De La Cruz, David Ismael; Chugnas Sebastian, Analy Sandy; Chupillón Bautista, Yarelis Nicole; Guzmán Ramos, Pedro Jesús; Huancaya Rivas, Hasdaly Anjely; Fabian Arteaga, Junior Jhon
La empresa Mallhogar.com se dedica a la venta online de muebles. Actualmente, busca predecir la demanda de muebles de sala que ofrece en el mercado peruano. En este contexto, el objetivo de esta investigación fue desarrollar un modelo de predicción de la demanda que permita optimizar su producción, gestionar sus inventarios y agilizar la distribución de productos terminados. Para lograrlo se recopiló información de datos históricos de venta del periodo 2020-2023, se aplicó modelos de Machine Learning, en cinco tipos de muebles de sala. Los modelos de predicción que se emplearon fueron Regresión Lineal, CatBoost, XGBoost y LightGBM. Los resultados fueron evaluados comparando métricas como el Factor de determinación, Error Cuadrático Medio y Raíz del Error Cuadrático Medio, se analizó cómo el modelo se ajusta a los datos de entrenamiento con sus posibles limitaciones. Los experimentos realizados mostraron que los modelos LightGBM y XGBoost tuvieron mejores resultados con una ligera superioridad en comparación a los otros modelos, lo cual se vio reflejado en todos los modelos de muebles analizados, al final se obtuvo la predicción de muebles a vender para los meses de diciembre del 2023, enero del 2024 y febrero del 2024.
Open Access
Diseño de un modelo de predicción de demanda online de paquete de huevos (15 unidades) para una empresa proveedora de productos avícolas en Lima mediante Machine Learning
(Universidad ESAN, 2023) Cabrera Reyes, Jairo; Camero Veneros, Mario; Castillón Medina, Densel Giomar; Garcia Condori, Guadalupe; García Guzmán, Rony Yeltsin; Calderón Niquín, Marks
Este estudio se enfoca en abordar los desafíos que enfrenta una empresa avícola en Lima (Perú), específicamente en su canal de ventas en línea, destacando la falta de herramientas de inteligencia artificial para prever la demanda de su producto estrella: paquetes de huevos de 15 unidades. La investigación adopta un enfoque experimental con base cuantitativa, entrenando 12 modelos que abarcan desde estadísticos tradicionales hasta avanzados de Machine Learning. La metodología se divide en cuatro pasos clave: extracción de datos, preprocesamiento, modelado y análisis de resultados. El Random Forest, con optimización de hiperparámetros y validación cruzada, se revela como el más eficaz, logrando un RMSE de 38.62 y un MAE de 28.94 que significan una reducción sustancial del 52.16% en MSE y 26.15% en MAE en comparación con un modelo estadístico base (SARIMAX). Además, se propone una optimización en el equipo de planificación, con reducciones significativas en personal (50%) y costos (62.5%). A pesar de los resultados positivos, se recomienda la exploración de modelos más complejos como redes neuronales artificiales y la consideración de la implementación en la nube de Google (GCP) para mejorar continuamente la eficiencia del modelo y adaptarse a las dinámicas cambiantes del mercado.
Restricted
Predicción de la demanda empleando técnicas de machine learning en una empresa industrial de películas plásticas
(Universidad ESAN, 2023) Pacheco Prieto, Alexandra Gabriela; Pari Cruz, Milagros Margaret; Rojas Caro, Lady Leslie; Fabian Arteaga, Junior Jhon
La empresa en estudio se dedica a la producción y comercialización de láminas para empaques flexibles. Actualmente, la industria de productos plásticos ha venido mostrando un gran potencial y dinamismo con un crecimiento en los últimos años. Por ello, se ha propuesto predecir de manera exacta la demanda aplicando herramientas de Machine Learning, y así producir la cantidad correcta para atender a sus clientes y generar el stock necesario. En la investigación se aplicó una metodología cuantitativa con un diseño experimental y alcance correlacional, siendo la variable dependiente a predecir la demanda de productos. Se realizó una comparativa de cuatro algoritmos: regresión lineal, árboles de decisión, ARIMA y vectores de soporte de regresión para determinar el algoritmo adecuado a seguir. Finalmente, analizando las métricas de error de los modelos, el algoritmo de Regresión Lineal resultó con un R2 de 0.98 que indica su mayor ajuste al comportamiento de la demanda. Este dato nos permitirá tomar decisiones inmediatas con respecto al abastecimiento de materia prima, una programación correcta de producción y determinar el stock en inventarios que permitan responder rápidamente a la demanda cambiante.
Embargo
Técnicas de Machine Learning para incrementar el rendimiento de los campos de caña de azúcar en una empresa agroindustrial
(Universidad ESAN, 2023) Alcantara Bernal, Francisco Fernando; Mckitting Cornejo, Gerardo Gabriel; Siancas Gutierrez, Susan Aracelly; Zaldívar Valdez, Ana Sofía; Fabian Arteaga, Junior Jhon
El rápido crecimiento demográfico genera una presión importante sobre la agricultura mundial debido al aumento de la demanda y la reducción de espacios aptos para el cultivo. Esto obliga a que las empresas agroindustriales tengan que obtener mejores rendimientos de cada campo para mantener o aumentar sus niveles de producción. La presente investigación busca complementar los estudios sobre la relación de las variables que afectan el rendimiento de los campos de cultivo de caña de azúcar. El objetivo de este estudio es predecir el porcentaje de sacarosa a obtenerse de un campo de caña de azúcar; para ello, se usaron dos técnicas de aprendizaje supervisado: regresión lineal y regresión vectorial de soporte (SVR), ejecutándose cada una tanto con data normalizada como sin normalizar. Finalmente, se compararon los resultados de cada modelo usando el coeficiente de determinación y raíz del error cuadrático medio. El modelo seleccionado fue el de SVR con kernel RBF y data normalizada, teniendo una precisión del 38.3% y un RMSE de 0.7962 puntos de sacarosa. El potencial que supone el uso de Machine Learning en el sector agroindustrial es muy grande y por ello se deben de seguir desarrollando investigaciones con nuevas variables, técnicas y modelos.
Restricted
Mejora en el proceso de planificación de la demanda en la empresa de consumo masivo ALICORP utilizando técnicas de Machine Learning
(Universidad ESAN, 2023) Gutierrez Macedo, Allison Giomara; Prada Quintana, Christian; Quispe Melgarejo, Ursi Nicole; Quispe Rodriguez, Carmen Meliza; Fabian Arteaga, Junior Jhon
En el mundo globalizado en el que vivimos, es importante que las empresas utilicen herramientas avanzadas como el Machine Learning para mantenerse a la vanguardia y satisfacer las exigencias de sus clientes. La presente investigación se centra en la aplicación de técnicas de Machine Learning en la empresa ALICORP. La naturaleza cambiante y exigente del rubro, obliga a las organizaciones a buscar cómo satisfacer la demanda. Las técnicas de machine learning son utilizadas para proyectar la demanda y controlar los inventarios de manera eficiente. Para determinar la técnica más adecuada para proyección de datos se compararon tres técnicas: Regresión Lineal Múltiple, Árbol de Decisión de Regresión y Vectores de Soporte de Regresión. Luego se compararon métricas como RMSE y R2, se concluyó que la técnica de Árbol de Decisión de Regresión es la mejor opción ya que nos brindó RMSE de 12 y R2 de 0.95. La aplicación de esta técnica es crucial porque permite proyectar la demanda con mayor precisión, teniendo mejor control sobre sus inventarios, lo que se traduce en mayor rentabilidad. Usar Machine Learning en la proyección es una herramienta poderosa y, en particular, la técnica de Árbol de Decisión de Regresión ha demostrado ser altamente efectiva.
Open Access
Segmentación de clientes para mejorar la experiencia de compra de productos electrónicos en Falabella
(Universidad ESAN, 2023) Aragón Gallegos, Angela Del Carmen; Cerquin Silva, Sabina Isabel; Escurra Yactayo, Renzo Omar; Roncalla Viena, Andrea Liliana; Fabian Arteaga, Junior Jhon
En la presente investigación se pretende encontrar perfiles de consumidores de la empresa Saga Falabella y para esto analizamos las ventas del sector electro de la empresa entre los meses de noviembre del 2022 y enero del 2023, tomando en cuenta campos como el género de los consumidores, marcas de preferencia, categoría de equipos, métodos de pago y unidades vendidas, así como también si las compras fueron efectuadas por internet o en los diferentes locales que esta empresa posee a nivel nacional. Mediante la aplicación de métodos de aprendizaje no supervisado como: clustering jerárquico, K-Means y K-Medoids, se limpió, normalizó y procesó la data, de esta forma se consiguió obtener segmentos de consumidores bien definidos. Se obtuvieron cinco grupos de clientes con diferentes características y preferencias, esto ayudaría a Saga Falabella a enfocar mejor sus estrategias de marketing y de retención de clientes, favoreciendo el aumento de sus ventas y la preferencia de los consumidores por encima de otras empresas del mismo rubro.