Implementación de un modelo de Machine Learning para la predicción de la demanda de muebles de sala en la empresa Mallhogar.com

dc.contributor.advisorFabian Arteaga, Junior John
dc.contributor.authorChipana De La Cruz, David Ismael
dc.contributor.authorChugnas Sebastian, Analy Sandy
dc.contributor.authorChupillón Bautista, Yarelis Nicole
dc.contributor.authorGuzmán Ramos, Pedro Jesús
dc.contributor.authorHuancaya Rivas, Hasdaly Anjely
dc.coverage.spatialPerú
dc.date.accessioned2024-04-04T01:26:25Z
dc.date.accessioned2024-03-15T00:40:15Z
dc.date.available2024-04-04T01:26:25Z
dc.date.available2024-03-15T00:40:15Z
dc.date.embargoEnd2025-12-01
dc.date.issued2023
dc.description.abstractLa 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.es_ES
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12640/3705
dc.languageEspañol
dc.language.isospa
dc.publisherUniversidad ESANes_ES
dc.publisherUniversidad ESAN
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0*
dc.subjectLogísticaes_ES
dc.subjectAprendizaje automáticoes_ES
dc.subjectDemandaes_ES
dc.subjectPrediccioneses_ES
dc.subjectMuebleses_ES
dc.subjectEmpresas comercialeses_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.11.04
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#5.02.04
dc.titleImplementación de un modelo de Machine Learning para la predicción de la demanda de muebles de sala en la empresa Mallhogar.comes_ES
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.type.otherTrabajo de suficiencia profesional
local.acceso.esanEmbargado
renati.advisor.dni44749148
renati.advisor.orcidhttps://orcid.org/0000-0001-9804-7795
renati.author.dni46778330
renati.author.dni75503623
renati.author.dni73214273
renati.author.dni70793887
renati.author.dni73987439
renati.discipline722056
renati.discipline613066
renati.discipline521236
renati.jurorChávez Rojas, Mónica
renati.jurorBallon Alvarez, Joseph
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional
thesis.degree.disciplineIngeniería Industrial y Comercial
thesis.degree.disciplineIngeniería de Tecnologías de Información y Sistemas
thesis.degree.disciplineIngeniería en Gestión Ambiental
thesis.degree.grantorUniversidad ESAN. Facultad de Ingeniería
thesis.degree.nameIngeniero Industrial y Comercial
thesis.degree.nameIngeniero de Tecnologías de Información y Sistemas
thesis.degree.nameIngeniero en Gestión Ambiental

Archivos

Bloque original

Mostrando 1 - 4 de 4
Miniatura
Nombre:
2023_IIC_23-2_06_R.pdf
Tamaño:
87.58 KB
Formato:
Adobe Portable Document Format
Descripción:
Resumen
No hay miniatura disponible
Nombre:
2023_IIC_23-2_06_TC.pdf
Tamaño:
6.34 MB
Formato:
Adobe Portable Document Format
Descripción:
Texto completo
No hay miniatura disponible
Nombre:
2023_IIC_23-2_06_F.pdf
Tamaño:
295.52 KB
Formato:
Adobe Portable Document Format
Descripción:
Autorización (acceso restringido)
No hay miniatura disponible
Nombre:
2023_IIC_23-2_06_TU.pdf
Tamaño:
24 MB
Formato:
Adobe Portable Document Format
Descripción:
Informe turnitin (acceso restringido)