Mejora en el proceso de planificación de la demanda en la empresa de consumo masivo ALICORP utilizando técnicas de Machine Learning

Gutierrez Macedo, Allison Giomara; Prada Quintana, Christian; Quispe Melgarejo, Ursi Nicole; Quispe Rodriguez, Carmen Meliza

Mejora en el proceso de planificación de la demanda en la empresa de consumo masivo ALICORP utilizando técnicas de Machine Learning

dc.contributor.advisor	Fabian Arteaga, Junior Jhon
dc.contributor.author	Gutierrez Macedo, Allison Giomara
dc.contributor.author	Prada Quintana, Christian
dc.contributor.author	Quispe Melgarejo, Ursi Nicole
dc.contributor.author	Quispe Rodriguez, Carmen Meliza
dc.coverage.spatial	Perú
dc.date.accessioned	2023-05-08T19:58:09Z
dc.date.available	2023-05-08T19:58:09Z
dc.date.issued	2023
dc.description.abstract	En 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.	es_ES
dc.format	application/pdf	es_ES
dc.identifier.uri	https://hdl.handle.net/20.500.12640/3381
dc.language.iso	spa	es_ES
dc.publisher	Universidad ESAN	es_ES
dc.publisher.country	PE	es_ES
dc.rights	info:eu-repo/semantics/closedAccess	es_ES
dc.rights	Atribución-NoComercial-CompartirIgual 2.5 Perú	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/2.5/pe/	*
dc.subject	Aprendizaje automático	es_ES
dc.subject	Optimización	es_ES
dc.subject	Demanda de consumo	es_ES
dc.subject	Proyecciones	es_ES
dc.subject	Industria alimentaria	es_ES
dc.subject	Empresas industriales	es_ES
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.11.04	es_ES
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#5.02.04	es_ES
dc.title	Mejora en el proceso de planificación de la demanda en la empresa de consumo masivo ALICORP utilizando técnicas de Machine Learning	es_ES
dc.type	info:eu-repo/semantics/bachelorThesis	es_ES
dc.type.other	Trabajo de suficiencia profesional	es_ES
renati.advisor.dni	44749148
renati.advisor.orcid	https://orcid.org/0000-0001-9804-7795	es_ES
renati.author.dni	71638031
renati.author.dni	48383935
renati.author.dni	71638031
renati.author.dni	73655865
renati.discipline	722056	es_ES
renati.juror	Chávez Rojas, Mónica Patricia
renati.juror	Calderón Niquín, Marks Arturo
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional	es_ES
renati.type	https://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional	es_ES
thesis.degree.discipline	Ingeniería Industrial y Comercial	es_ES
thesis.degree.grantor	Universidad ESAN. Facultad de Ingeniería	es_ES
thesis.degree.name	Ingeniero Industrial y Comercial	es_ES