Propuesta de mejora de la planificación de la demanda interna aplicando modelos de Machine Learning en una empresa de consumo masivo

Vista sencilla de ítem
dc.contributor.advisorTinoco Neyra, David Arturo
dc.contributor.authorUlpiano Tucto, Renato
dc.contributor.authorYufra Jove, Victor Manuel
dc.contributor.authorChavez Caituiro, Alvaro Andre
dc.coverage.spatialPerú
dc.date.accessioned2026-02-06T21:37:42Z
dc.date.issued2025
dc.description.abstractLa investigación propone mejorar la planificación de la demanda interna de una empresa peruana de consumo masivo, aplicando modelos de Machine Learning dirigidos al pronóstico de insumos y materiales indirectos. El estudio surge ante las limitaciones del método actual basado en hojas de cálculo y decisiones empíricas, que generan ineficiencias en los niveles de inventario y costos operativos. La metodología adoptada sigue el enfoque CRISP-DM (Cross Industry Standard Process for Data Mining), que abarca desde la comprensión del negocio hasta el despliegue del modelo predictivo. Se emplearon registros históricos de compras, consumo y stock entre los años 2019 y 2025, aplicándose cuatro algoritmos de aprendizaje supervisado: Regresión Lineal, LightGBM Regressor, SARIMA y FB Prophet, seleccionados por su capacidad para modelar relaciones no lineales y patrones estacionales en series temporales. Los resultados evidencian que los modelos basados en Machine Learning ofrecen un desempeño superior respecto a los métodos tradicionales de pronóstico, logrando mayor precisión en la estimación de la demanda y reduciendo la variabilidad del error. En consecuencia, se demuestra que la incorporación de técnicas de analítica predictiva permite optimizar la toma de decisiones, mejorar la rotación de inventarios y fortalecer la eficiencia de la cadena de suministro interna.
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12640/4881
dc.languageEspañol
dc.language.isospa
dc.publisherUniversidad ESAN
dc.publisher.countryPE
dc.rightshttps://purl.org/coar/access_right/c_abf2
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 Internationalen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectPlanificación de la demanda
dc.subjectAprendizaje automático
dc.subjectConsumo masivo
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.titlePropuesta de mejora de la planificación de la demanda interna aplicando modelos de Machine Learning en una empresa de consumo masivo
dc.typehttps://purl.org/coar/resource_type/c_7a1f
dc.type.otherTrabajo de suficiencia profesional
local.acceso.esanAcceso abierto
renati.advisor.dni08480142
renati.advisor.orcidhttps://orcid.org/0000-0002-6135-8669
renati.author.dni76445747
renati.author.dni71252729
renati.author.dni73975301
renati.discipline722008076
renati.jurorCastro Gamarra, Giannina María
renati.jurorFlores Salinas, José Alberto
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
thesis.degree.disciplineIngeniería Industrial Comercial
thesis.degree.grantorUniversidad ESAN. Facultad de Ingeniería
thesis.degree.nameIngeniero(a) Industrial y Comercial

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
ING G12- VERSION DEFINITIVA TSP.pdf
Tamaño:
6.69 MB
Formato:
Adobe Portable Document Format
Descripción:
Texto completo
Descargar
Miniatura
Nombre:
2025_IIC_25-2_14_F.pdf
Tamaño:
221.82 KB
Formato:
Adobe Portable Document Format
Descripción:
Autorización (acceso restringido)
Descargar
Miniatura
Nombre:
2025_IIC_25-2_14_TU.pdf
Tamaño:
29.64 MB
Formato:
Adobe Portable Document Format
Descripción:
Informe Turnitin (acceso restringido)
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Ingeniería Industrial Comercial