Ingeniería Industrial Comercial
URI permanente para esta colecciónhttps://hdl.handle.net/20.500.12640/3739
Examinar
5 resultados
Resultados de la búsqueda
Ítem 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 AntonioLa 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.Ítem Restringido 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 LeslyEn 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.Ítem 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 LeslieLa 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.Ítem 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 MelizaEn 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.Ítem Restringido 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 VioletaUn 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.
