Ingeniería Industrial Comercial
URI permanente para esta colecciónhttps://hdl.handle.net/20.500.12640/3739
Examinar
7 resultados
Resultados de la búsqueda
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 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, MelissaLas 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.Ítem 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 AnjelyLa 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.Ítem Acceso Abierto 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 ManuelNexa 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.Ítem 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 JhonEn 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.Ítem Acceso Abierto Técnicas de Machine Learning para la clasificación automática de clientes en una empresa de seguros(Universidad ESAN, 2021) Asencio Diaz, Luz de los Angeles Manuela; Chiang Cornejo, Ricardo Hernan; Crisóstomo Fernández, Fernanda Lucía; Hernández Quiroz, Gisela Vanesa; Lajo Aurazo, Almendra SofiaMachine Learning y los modelos matemáticos en los que se basa para poder identificar patrones y dar una estimación basada en data histórica son usados cada vez más en diferentes industrias para procesar información que antes se consideraba masiva y por ende difícil de relacionar de manera certera por métodos tradicionales. Con la inclusión de las técnicas de como regresión logística y K-NN, hoy en día es posible formular y proponer un modelo de predicción de aprendizaje supervisado que se ajuste a los requerimientos de clasificación de una empresa. Esta investigación propone la aplicación de las mencionadas técnicas para la elaboración de modelos predictivos de clasificación de tipos de asegurados para una determinada empresa en la industria aseguradora de vehículos automóviles; usando como base de datos los registros históricos recopilados del año 2019.Ítem Acceso Abierto Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel(Universidad ESAN, 2021) Bernachea Collazos, Carla Benedicta; Chilet Paisig, Edward; Guzmán Fernández, Paola; Inche Contreras, Victor Hugo; Leon Munive, Johana MayraSegún datos del Banco Mundial, la industria de las telecomunicaciones enfrenta cada año a una fuga de clientes que bordea el 30%. Estudios recientes han mostrado que tanto atributos cuantitativos: cantidad de minutos, mensajes, etc.; así como los cualitativos: edad, sexo, tipo de dispositivo tienen influencia en la fuga de clientes. En base a la literatura encontrada se definieron dos tipos de variables: demográficas y del comportamiento del consumidor las cuales son útiles para realizar la predicción de permanencia del cliente. Es por eso que haciendo uso de la técnica de regresión logística, se busca predecir la probabilidad de fuga de los clientes (Churn) de la empresa Bitel. Se realizó un exhaustivo trabajo de preprocesamiento y se llegó a entrenar un modelo de regresión logística con un accuracy score de 88%
