Calderón Niquín, MarksCabrera Reyes, JairoCamero Veneros, MarioCastillón Medina, Densel GiomarGarcia Condori, GuadalupeGarcía Guzmán, Rony Yeltsin2024-03-152024-04-042024-03-152024-04-042023https://hdl.handle.net/20.500.12640/3704Este 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.application/pdfspainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc/2.5/pe/LogísticaAprendizaje automáticoInteligencia artificialPrediccionesDemandaAviculturaHuevosinfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.11.04https://purl.org/pe-repo/ocde/ford#5.02.04