Ingeniería Industrial Comercial

URI permanente para esta colecciónhttps://hdl.handle.net/20.500.12640/3739

Examinar

Mostrando 1 - 20 de 41

Restringido
Análisis del impacto de la participación externa sobre la transformación digital en las organizaciones del sector bancario en el Perú, considerando el rol moderador de la incertidumbre tecnológica y la cultura organizacional de mercado
(Universidad ESAN, 2020) Cosio Olazabal, Velia Alejandra; Mamani López, Mayra Alejandra; Pimentel Bravo, Víctor; Rojas Burga, Pierina Alexandra; Vela Mejía, Diego Alonso; Velásquez Sarmiento, Carlos Abel
A medida que la interacción digital se ha ido volviendo parte de la vida cotidiana, también las necesidades de los servicios financieros han ido cambiando, siendo cada vez más flexibles con disponibilidades de 24 horas al día, los 7 días de la semana y que sean fáciles de utilizar como las redes sociales o los correos electrónicos. Esto ha impulsado a los bancos a ofrecer un servicio consistente a través de todos los canales de distribución y a repensar el papel de las sucursales. En este contexto, el presente estudio pretende demostrar cómo la transformación digital en el sector bancario se ve afectada por la participación externa considerando dos variables como rol moderador, la incertidumbre tecnológica y la cultura organizacional. Para llevar a cabo la elaboración del siguiente trabajo de investigación se definió las variables dependientes e independientes, considerando las dos moderadoras. Posteriormente se procedió a esbozar el modelo con las variables dependientes, independientes y moderadoras definiendo la población de estudio, la cual consta de 49 entidades financieras a nivel nacional (Perú). La metodología planteada es cuantitativa y para ello se procedió a plantear un cuestionario para hallar el Índice de Transformación Digital de Arthur D. Little. En base a los resultados se busca contribuir como base a los posteriores trabajos enfocados en el sector banca, a la vez de brindar un documento guía de cómo el impacto de la transformación digital se da en las organizaciones bancarias en el Perú.
Acceso Abierto
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
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.
Acceso Abierto
Aplicación de técnicas de Machine Learning para identificar factores de predicción del estado de las cotizaciones en el sector de maquinaria ligera
(Universidad ESAN, 2022) Aliaga Urbina, Leslie Alexandra; Calle Burga, Frank Junior; Pacori Choquejahua, Carla Isabel; Palma Bendezú, Noelia Yackelina; Salinas Cevallos, Hector Jhon
En el presente estudio haremos uso de Machine learning, usando 4 técnicas en la categoría de aprendizaje supervisado, para la predicción del estado de las cotizaciones, buscando agilizar la toma de decisiones con respecto al tiempo y costos de importación, y evitar la pérdida de ventas. Para la construcción del modelo predictivo se inició con la recopilación y limpieza de datos. Posteriormente, se utilizó el 80 % de datos recopilados para el entrenamiento de los modelos y 20% para la evaluación de las predicciones. Con la técnica k-NN se obtuvo un accuracy del 67.9% con un parámetro de k = 5; con la técnica Regresión logística, se obtuvo un 70.69% de accuracy; con la técnica SVM se obtuvo un 63.79% de accuracy y con la técnica Árbol de decisión se obtuvo un accuracy de 87.93%. Se aplicó codificación y normalización como mejora a la base de datos y con ello, la técnica de Árbol de decisión obtuvo el valor más alto de accuracy - 88.79%. Se recomienda el empleo de técnicas adicionales de Aprendizaje Supervisado a fin de seleccionar la que mejor resultado obtenga en la predicción.
Acceso Abierto
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
Una 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.
Restringido
Las capacidades dinámicas y su influencia en la innovación de productos para mejorar el desempeño financiero en las Pymes
(Universidad ESAN, 2020) Cruz Solórzano, Dana Cristina; Oncoy Tahua, Estephanie Pamela; Pacheco Olivera, Daniela; Salazar De La Cuba, José Alonso; Urquizo Ayala, Milagros Helena
La mayor parte de las Pymes presenta debilidades de carácter estructural lo cual disminuye su competitividad y condicionan su capacidad de supervivencia y crecimiento. En un entorno cambiante, en el que existe una rápida evolución tecnológica y una mayor competencia en los mercados es necesarios ajustes en los recursos y capacidades de la organización para lograr procesos y productos innovadores, así como crear, mantener y apropiarse de los beneficios potenciales que generan ventajas competitivas sostenibles. En este estudio de investigación se busca analizar a la PyMES y cómo mejorar su rendimiento para poder responder de una manera adecuada a las cambiantes necesidades del mercado. Es así que se propone una correlación positiva entre las capacidades dinámicas de las empresas, y cómo estas se ven influenciadas por un entorno VUCA, además, se plantea nuevos y profundos desafíos por lo cual cada organización responderá y optará por las estrategias y decisiones que considere correctas. Finalmente se propone la relación positiva entre innovación de productos en PyMES y cómo éstas ayudarían a tener ventaja competitiva para que de esta manera pueda generar un mejor desempeño financiero.
Restringido
La cultura organizacional y su influencia en el proceso de toma de decisiones de las MYPES familiares de Lima Metropolitana
(Universidad ESAN, 2020) Castillo Gallo, Susan Alexandra; Lavado Benavides, Jesús André; Lovera Pineda, Claudia Carolina; Roncal Bazan, Carlos Fernando; Sánchez Mendoza, Emily Alessandra
En el Perú, alrededor del 80% de las empresas existentes son de origen familiar y aportan el 40% de PBI. Dentro de la mayoría de las familias peruanas hay una cabeza o un proveedor quien tiende a ser el líder de la empresa y cuyas decisiones determinan la cultura y el desempeño (rentabilidad) de la misma. Sin embargo, no se puede deducir a priori si la cultura organizacional afecta o influye sobre las decisiones de los líderes de empresas familiares, es por eso que en este estudio se busca determinar cómo la cultura organizacional de las diferentes empresas MYPES familiares de Lima Metropolitana guarda una relación con el proceso de toma de decisiones dentro de las mismas. Para responder a este problema, se buscará determinar si la comunicación, el aprendizaje y desarrollo, la diversidad cultural, el trabajo en equipo y la confianza, obligación y cohesión tienen una influencia significativa sobre la toma de decisiones. Este estudio presenta dos tipos de metodología de investigación, la observacional y la correlacional, ambas se trabajan con una muestra de 30 MYPES familiares en Lima Metropolitana. Luego de la implementación de la metodología se espera evidenciar la influencia de la cultura organizacional sobre el proceso de tomas de decisiones, sin embargo, se podría obtener resultados negativos ya que es muy probable que las decisiones tomadas por el líder o cabeza de familia sean totalmente personales y que no exista una cultura organizacional establecida.
Acceso Abierto
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
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.
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
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.
Restringido
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
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.
Acceso Abierto
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
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.
Restringido
La educación virtual como estrategia de negocio en el sector educativo y su impacto en el desempeño financiero de las universidades de postgrado a través de los resultados en el servicio al cliente
(Universidad ESAN, 2020) Garay Rubina, Amelia Jacqueline; Meléndez Fernández, Ana Lucero; Melgarejo Jiménez, Rodrigo Alí; Palacios Olivares, Ana Laura; Surco Ninahuanca, Solange Juselina
El 2020 fue un año de muchos cambios en el contexto de una pandemia mundial por el Covid-19. Debido a las restricciones de movilización muchas empresas se han visto obligadas a adaptarse y a cambiar sus estrategias de negocio. Dentro de estas es la educación de postgrado la que ha denotado un mayor interés en el mercado ya que se aprecia un importante crecimiento en segmentos concretos como el de mujeres, el de trabajadores independientes o personas de mayor edad en comparación al año 2019. En este escenario, este trabajo de investigación busca conocer qué tanto ha influenciado la educación virtual como nueva estrategia de las universidades postgrado en su desempeño financiero a través de su impacto en el servicio al cliente, tomando como base las teorías de estrategia de negocio y servicio al cliente. El método de investigación a aplicar medirá el impacto de la estrategia en el servicio en sus dimensiones satisfacción, fidelidad, retención y calidad, asimismo, que tanto afectó ello en su desempeño financiero.
Restringido
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.
Restringido
El impacto de la cultura organizacional en la innovación de procesos de las pymes peruanas según el entorno VUCA
(Universidad ESAN, 2020) Chirinos Mendoza, José Luis; Loza Puerta, Eloy Alejandro; Meneses Chuquillanqui, Andrea Del Carmen; Ponce Sifuentes, Thalia Mercedes; Tambini De La Peña, Maritha Alicia
Hoy en día, la innovación juega un papel clave en el logro de ventajas competitivas de manera sostenible que permite a las empresas, principalmente a las de menor tamaño, mejorar su desempeño económico, organizativo y financiero, toda vez que este tipo de empresas tiene mayor capacidad de adaptación y de respuesta a los cambios del entorno, logrando explotar oportunidades existentes en mayor medida que el resto de la competencia. En este contexto se ha realizado la presente investigación acerca de cómo influyen estas variables entre sí, sobretodo partiendo del desempeño en la innovación. Por otro lado, se aplicarán técnicas de recolección de datos a fin de contribuir de manera eficiente a esta investigación, y también, como parte del estudio se propone analizar las MYPES del Perú. El presente estudio busca contribuir a la literatura con nuevas evidencias para entender la relación existente entre la cultura organizacional y la innovación, así como la importancia del tipo de cultura, exponiendo las necesidades de la organización y cómo orientar el desarrollo de un clima laboral que comprometa e identifique a los empleados dentro de la empresa, alineándose de forma que todo el personal tenga el mismo pensamiento innovador y busque continuamente el cambio y equilibrio organizacional.
Acceso Abierto
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
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
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
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.
Acceso Abierto
Mejora del proceso de disposición de productos observados en el área de Aseguramiento de Calidad de una empresa PET usando técnicas de machine learning
(Universidad ESAN, 2022) Ore Vargas, Jorge Humberto; Pinedo Chávez, Luis Alonso; Ramírez Núñez, Karen Andrea; Sullón Cabello, Claudia Noelia; Villanueva Méndez, Martín Jesús
La industria de empaques rígidos es un sector altamente competitivo en temas de calidad y precio en el Perú y el mundo. Es por ello, que se requiere que las empresas optimicen el uso de sus recursos para poder ofrecer lo que el mercado demanda. El presente trabajo plantea mejorar el proceso de disposición de productos observados en el área de Aseguramiento de Calidad a través de un modelo predictivo, resultante de la aplicación de técnicas de machine learning y así disminuir los tiempos que actualmente se emplean en este proceso. Estas técnicas son K-NN (k-Nearest Neighbors), Máquinas de soporte vectorial (SVM), Naive Bayes y Árbol de decisiones. Para su entrenamiento se usó data histórica de los años 2021 y 2022 la cual fue tratada y definida en conjunto con los especialistas. Como resultado de la evaluación del Accuracy de cada modelo, se pudo concluir que el más preciso es el Árbol de decisiones, la cual podrá ser aplicada a futuro en la empresa para contribuir con la mejora del proceso.
Acceso Abierto
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
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.
Restringido
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
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.
Restringido
Modelo de Machine Learning para la segmentación automática de clientes según su perfil de compra del canal de venta interna en Molitalia
(Universidad ESAN, 2021) Bernuy Murriel, Astrid Carolina; Manza Briceño, Mirella Maribel; Garay Macukachi, Jessica Diyanira; Guillen Aguilar, Yomira Alizon; Juarez Polar, Jefry Romulo
Debido al COVID-19, la empresa Molitalia redujo sus ventas en los canales internos y externos, esto se debe a que los consumidores han reducido su poder de compra en las categorías de alimentos; por lo cual, Molitalia se ve obligada a mapear soluciones y estrategias que se adapten al nuevo entorno. Siendo uno de los hallazgos la poca capacidad de respuesta a las exigencias y preferencias de los clientes internos. Por ello, este proyecto se centró en el desarrollo de un modelo de segmentación automática de perfiles de compra de los clientes internos, con ello se podrá implementar estrategias que se adapten a las necesidades de los clientes, responder rápidamente a los cambios en la demanda, contar con información a tiempo real del perfil de compra del cliente, agilizar y fortalecer los procesos de venta para beneficio de la organización.Para ello, se desarrollaron diez modelos de Machine Learning usando la técnica de aprendizaje no supervisado “K-Means”. Además, se analizaron y evaluaron los modelos mediante dos validaciones: teórica, mediante el indicador “inercia”; y práctica, por medio del experto de estrategia comercial. Concluyendo que el mejor modelo es el K=4, logrando descubrir cuatro perfiles de clientes internos: Beginners, Middle, Expert, Senior.
Restringido
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
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.