Pronóstico de tiempos de tránsito marítimos y probabilidad de entrega a tiempo usando algoritmos de Machine Learning en el operador logístico Expeditors Perú S.A.C

Simple item page
dc.contributor.advisorFabian Arteaga, Junior Jhon
dc.contributor.authorTrujillo Grados, Alexandra Cecil
dc.contributor.authorMeza Arismendis, Carmen Rosa
dc.contributor.authorCalero Lazaro, Darwin Rubens
dc.contributor.authorHuaman Avellaneda, Grecia Patricia
dc.contributor.authorPalma Abanto, Katherine Violeta
dc.coverage.spatialPerú
dc.date.accessioned2022-11-11T14:45:20Z
dc.date.available2022-11-11T14:45:20Z
dc.date.issued2022
dc.description.abstractUn suceso fortuito como la pandemia genera retrasos importantes y costos logísticos adicionales, este evento termina evidenciando la mala planificación en la logística de las empresas. El presente trabajo busca complementar los escasos estudios enfocados en las variables que puedan afectar al tiempo de tránsito para el desarrollo de una mejor planificación organizacional. El objetivo de esta investigación es la predicción de tiempos de tránsito y determinación de entrega a tiempo en los embarques marítimos, a través del uso de 4 algoritmos del aprendizaje supervisado de Machine Learning. Para la predicción de tiempos de tránsito, se obtuvo un error absoluto medio (MAE) de 8.58 con un coeficiente de determinación (R²) de 0.3190 en el algoritmo de regresión lineal, obteniendo como variable más influyente “puerto de destino”, y en la determinación de entrega a tiempo se halló que el algoritmo KNN vecinos más cercanos genera el mejor pronóstico en comparación de la regresión logística, SVC y Naive Bayes, con un 67,38% de precisión. El uso de estas técnicas sienta una base para futuros estudios comparativos de los algoritmos de Machine Learning en el pronóstico de tiempos de tránsito en la logística internacional.es_ES
dc.formatapplication/pdfes_ES
dc.identifier.urihttps://hdl.handle.net/20.500.12640/3236
dc.language.isospaes_ES
dc.publisherUniversidad ESANes_ES
dc.publisher.countryPEes_ES
dc.rightsinfo:eu-repo/semantics/closedAccesses_ES
dc.subjectLogísticaes_ES
dc.subjectAprendizaje automáticoes_ES
dc.subjectDistribución del tiempoes_ES
dc.subjectTransporte marítimoes_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.07.00es_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.11.04es_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#5.02.04es_ES
dc.titlePronóstico de tiempos de tránsito marítimos y probabilidad de entrega a tiempo usando algoritmos de Machine Learning en el operador logístico Expeditors Perú S.A.Ces_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.type.otherTrabajo de suficiencia profesionales_ES
renati.advisor.dni44749148
renati.advisor.orcidhttps://orcid.org/0000-0001-9804-7795es_ES
renati.author.dni72896517
renati.author.dni76536506
renati.author.dni71230327
renati.author.dni45760572
renati.author.dni70022806
renati.discipline722056es_ES
renati.discipline521236es_ES
renati.jurorBallon Alvarez, Eber Joseph
renati.jurorCalderón Niquín, Marks Arturo
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_ES
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesionales_ES
thesis.degree.disciplineIngeniería Industrial y Comerciales_ES
thesis.degree.disciplineIngeniería en Gestión Ambientales_ES
thesis.degree.grantorUniversidad ESAN. Facultad de Ingenieríaes_ES
thesis.degree.nameIngeniero Industrial y Comerciales_ES
thesis.degree.nameIngeniero en Gestión Ambientales_ES
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
2022_IIC_22-2_04_R.pdf
Size:
312.15 KB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Ingeniería Industrial Comercial
Ingeniería en Gestión Ambiental