Facultad de Ingeniería
URI permanente para esta comunidadhttps://hdl.handle.net/20.500.12640/3729
Examinar
4 resultados
Resultados de la búsqueda
Ítem 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 DanielLa 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.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 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 YeltsinEste 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.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.
