Trabajos de suficiencia profesional
URI permanente para esta comunidadhttps://hdl.handle.net/20.500.12640/3726
Examinar
3 resultados
Resultados de la búsqueda
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 Acceso Abierto Los efectos de la toma de riesgos en el desempeño financiero de empresas en la industria manufacturera del Perú: el rol mediador de la innovación(Universidad ESAN, 2023) Basurto Cervantes, Franco Eduardo; Luna Tejeda, Dánica Varine; Paredes Quiroz, Renzo Daniel; Pumacayo Tuesta, Angie Cindy Gasdaly; Tello Carlos, Juan DiegoEsta investigación busca probar si la innovación media la relación entre la toma de riesgos (risk taking) y el desempeño financiero. Se espera que la innovación pueda permitir a una empresa explorar nuevas ideas y tecnologías, lo que le permita desarrollar productos y procesos innovadores, abordar nuevos mercados, aumentar la satisfacción de los clientes y obtener una ventaja competitiva; mejorar la eficiencia de los procesos y reducir los costos de producción; y aumentar su valor a largo plazo al proporcionar una base sólida para un crecimiento sostenible empresarial. La investigación se realizará mediante el uso de encuestas a empresas de la industria manufacturera y se utilizará un modelo en el cual se realizan regresiones econométricas para evaluar las hipótesis, para luego contrastarse con una estimación cuantitativa de los efectos indirectos asociados a la innovación de productos y procesos. El presente estudio serviría entonces de soporte para complementar los resultados no concluyentes de la literatura desarrollada sobre la relación entre toma de riesgos y desempeño financiero.
