Ingeniería Industrial Comercial
Permanent URI for this collection
Browse
Recent Submissions
Item Open Access 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, MarksEn 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.Item 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 JohnLa 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.Item 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 JhonDiversos 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).Item Open Access 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, MarksLa 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.Item Open Access 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 JhonEn 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.Item 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 JhonLa 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.Item Open Access 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 JhonLas 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.Item Restricted 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 JhonLa 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.Item 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, MarksEste 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.Item Open Access 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 JhonLa 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.Item Open Access 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 JhonEl 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.Item Open Access 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 JhonEn 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.Item 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 JhonEn 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.Item Open Access Propuesta de modelo predictivo empleando la técnica de machine learning para determinar la viabilidad de las cotizaciones de los proyectos de evacuación y señalización en la empresa P & R Arquitectos Consultores S.A.C.(Universidad ESAN, 2023) Ajalcriña Grimaldo, Lourdes Alexandra; Alderete Arias, Fiorella Angelica; Carrizales Valencia, Camila Graciela; Tipe Carrasco, Jhosep Fernando; Fabian Arteaga, Junior JhonNos encontramos en la era de transformación digital en el cual las empresas buscan automatizar sus procesos, esto con el fin de mejorar la productividad, la experiencia del cliente, reducir los costos y mejorar la toma de decisiones. En el presente trabajo, analizaremos a la empresa P & R Arquitectos, la cual presenta una problemática en los proyectos de evacuación y señalización ya que el 76% de cotizaciones son rechazadas. Es por ello que se analizaron una serie de variables que se evalúan para determinar el estado final de las cotizaciones y, a partir de ellas se construyeron los modelos de Machine Learning utilizando 4 diferentes técnicas, tales como: K-NN, Support Vector Machine, Regresión Logística y Árbol de decisión con el fin de obtener el modelo que sea más preciso y, además, se compararon los resultados con normalización y sin normalización. De los resultados obtenidos, la técnica de árbol de decisiones tiene una mejor predicción de las cotizaciones (85.88% con normalización). Se espera que el modelo de predicción de cotizaciones ayude en tomar mejores decisiones al momento de brindar una respuesta final al cliente ya sea realizando ajustes en cuestión de costos o negociando con el cliente de manera directa.Item Open Access Aplicación de técnicas de Machine Learning para predecir el número de ventas de créditos en el sector bancario(Universidad ESAN, 2023) Rodriguez Villanueva, Alvaro André; Sánchez Adauto, Egor Leonardo; Valverde Rojo, Lisset Milena; Fabian Arteaga, Junior JhonUna de las principales fuentes de ingreso del sector bancario es el otorgamiento de créditos. La captación de clientes frente a este producto depende de montos y tasas de interés atractivas. Uno de los canales de venta de los créditos es el telemarketing el cual proactivamente ofrece préstamos. El presente trabajo propone al área de telemarketing de un banco la elaboración de un modelo predictivo con técnicas de machine learning que permita conocer el número de ventas de crédito que se realizarán con el fin de agilizar la toma de decisiones frente a estrategias de venta y mejorar la planificación de recursos para optimizar el costo de venta. Para la construcción del modelo se utilizaron técnicas de aprendizaje supervisado de clasificación k-NN y SVM. En la primera simulación se tuvo niveles de precisión de 61.68% y 68.41% respectivamente. Dada la dispersión de los datos se realizó la normalización la cual arrojó niveles de precisión de 91.12% para k-NN y 93.85% para SVM siendo este último la mejor técnica de predicción. Como futuros pasos se propone la utilización de otras técnicas de machine learning que permitan una comparación de resultados de predicción con los modelos elaborados en este trabajo.Item Open Access Técnicas de Machine Learning para determinar la producción de cultivos y personal requerido en las campañas de cosecha de la empresa Fundos Rejas SAC(Universidad ESAN, 2022) Briceño Rodríguez, Rafael Isaac; Celedonio Rojas, Marco Antonio; Crisóstomo Fernández, Walter Javier; Medrano Pelaez, Jose Luis; Salas Castillo, Patricia Elizabeth; Fabian Arteaga, Junior JhonDiferentes empresas están utilizando técnicas de Machine Learning para analizar sus conjuntos de datos con la finalidad de encontrar comportamientos y patrones que les permitan crear modelos matemáticos predictivos, que a su vez pueden predecir diferentes variables de salida para determinar la producción y la cantidad de personal requerido para los cultivos de palta, arándano y mandarina. En el presente estudio, se utilizó una base de datos que comprende los años de campañas de cosecha (2019 a 2022). Para ello, la metodología CRISP-DM para obtener un mejor alineamiento en la etapa de desarrollo. Se utilizaron técnicas de aprendizaje supervisado entre ellas Regresión lineal Múltiple, Árbol de Regresión y Vectores de Soporte de Regresión, para medir el modelo que tiene mejor desempeño se utilizaron las métricas como el R2 y RMSE. Dentro de los resultados obtenidos, se obtuvo que, para determinar la producción del cultivo de palta, la mejor técnica fue la de Regresión Lineal Múltiple y para los cultivos de arándano y mandarina fue el Árbol de Regresión, por otro lado, para determinar la cantidad de trabajadores para el cultivo de palta el mejor modelo fue Árbol de Regresión y para los cultivos de mandarina y arándano fue el SVR.Item Open Access 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; Fabian Arteaga, Junior JhonUn 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.Item Open Access Propuesta de segmentación de clientes aplicando técnicas de Machine Learning para mejorar la experiencia de compra mediante un sistema de recomendación de productos de Tottus(Universidad ESAN, 2022) Atencio Manyari, Stefany Anyela; De la Rosa Flores, Harold; Hilario Maravi, Sayuri; Navarro Huarcaya, Margareth; Rosas Vivanco, Dianaluz Milagros; Fabián Arteaga, Junior JohnActualmente, el constante cambio en los factores externos como la tecnología, el mercado, y ahora la pandemia global están obligando a las empresas del sector retail a buscar diferentes estrategias de venta para mejorar la experiencia de compra de sus clientes y así obtener mejores beneficios. Por ello, este trabajo busca segmentar a los clientes a través de la aplicación de técnicas de Machine Learning para crear un sistema de recomendación de productos personalizados de acuerdo con las características a la cual pertenece cada cliente y así mejorar la experiencia de compra agilizando y facilitando el proceso desde el aplicativo móvil de la empresa. La propuesta de segmentación se realizó aplicando para el preprocesamiento de los datos el método estadístico de PCA y se modeló mediante tres técnicas de aprendizaje no supervisado: K-means, K-medoids y Clustering Jerárquico. Estas técnicas se evaluaron de forma teórica considerando el método del codo y el dendograma los cuales resultaron en K grupos óptimos. Finalmente, para validarlo de forma práctica, se solicitó la evaluación de un experto de la empresa quien mediante una entrevista comparó los resultados de las técnicas y escogió a K-medoids como la segmentación más adecuada para el negocio.Item Open Access Propuesta de optimización del flujo de información en la cadena de suministros de una empresa minera para la mejora de la efectividad en el proceso de movilización de personal mediante el uso de Lean Information Management(Universidad ESAN, 2022) Curi Reyes, Alexander; Becerra Bisso, Jose Salvador; Ramos Moscoso, Angelica Maria; Valladolid Paredes, Oscar Enrique; Vilchez Roman, Alexandra Estefania; Estrada Morriberón, Renzo AngelEl presente trabajo está enfocado en proponer optimización del flujo de información por medio de la identificación de desperdicios usando Lean Information Management. El Lean Information Management describe tanto una metodología enfocada en la identificación de desperdicios dentro de los flujos de información de los procesos de la organización como la posibilidad de reducir los tiempos de entrega y mejorar el procesamiento de la información. De esta manera, en el trabajo se evidencia cómo esta filosofía es pertinente tanto para contingencias que demanden procesamiento y tratado de información en contextos como los recientes de pandemia o en cualquiera en el que se halle una empresa en un ambiente de crecientes cambios y exigencias burocráticas. En ese sentido, la presente investigación tiene como objetivo corregir las deficiencias del flujo de información que generan sobre costos y tiempos de entrega no óptimos en el proceso de movilización de personal de una empresa minera. Y así, proporcionar una solución que ayude a mejorar la disponibilidad de información en el momento, estandarizar la elaboración y/o tratamiento de información y entregables con la finalidad de reducir los tiempos de espera y minimizar sobre procesos, duplicidad documentaria y asegurar la disponibilidad de información.Item Open Access Predicción de los valores de la demanda máxima de energía eléctrica empleando técnicas de machine learning para la empresa Nexa Resources – Cajamarquilla(Universidad ESAN, 2022) Bustinza Barrial, Alexis Alfredo; Bautista Abanto, Anghy Mabel; Alva Alfaro, Diego Alexis; Villena Sotomayor, Giovanni Mauricio; Trujillo Sabrera, Jeanpiere Manuel; Fabian Arteaga, Junior JhonNexa Resources Cajamarquilla es una empresa dedicada a la extracción, tratamiento y transformación de metales. Actualmente, el precio de metales eco amigables viene en aumento debido a las restricciones en el transporte marítimo de combustibles desde Rusia, por lo que se han incrementado los costos de petróleo, gasolina y otros. Las operaciones de las empresas que dependen de energía eléctrica generada por estos combustibles ha aumentado, es en este sentido que se ha propuesto disminuir su consumo de energía eléctrica aplicando herramientas de Machine Learning para pronosticar sus puntos máximos de demanda de energía y poder dosificar su producción. En el presente estudio se aplicó una metodología basada en una estructura cuantitativa relacionando de dos a más variables con un diseño experimental, la variable dependiente y a predecir es el consumo de energía la cual dependerá de periodos de tiempo y tipo de días de la semana (festivo, laborables). Finalmente, los resultados nos ayudaron a elaborar un modelo matemático que nos ayuda a conocer el comportamiento de la demanda de energía; por lo tanto, se pueden anticipar los consumos máximos y de esta manera dosificar su uso para reducir costos y efectos secundarios en los procesos de producción.
