Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company

Descripción del Articulo

Hoy en día, es crucial pronosticar con precisión los productos, especialmente para una empresa que importa sus productos. Disponer de una previsión precisa permite a la empresa optimizar la gestión de recursos, aumentando la productividad y evitando la sobreventa o subventa de productos. Además, est...

Descripción completa

Detalles Bibliográficos
Autores: Gonzalez Jauregui, Bruno Piero, Mariscal Cruzado, Diana Micaela
Formato: tesis de grado
Fecha de Publicación:2024
Institución:Universidad de Lima
Repositorio:ULIMA-Institucional
Lenguaje:inglés
OAI Identifier:oai:repositorio.ulima.edu.pe:20.500.12724/21467
Enlace del recurso:https://hdl.handle.net/20.500.12724/21467
Nivel de acceso:acceso abierto
Materia:Aprendizaje automático
Bienes de consumo duraderos
Pronóstico de ventas
Planificación de requerimientos de material
https://purl.org/pe-repo/ocde/ford#2.11.04
id RULI_6ea458fcff9b0406d24e4700e3b89e57
oai_identifier_str oai:repositorio.ulima.edu.pe:20.500.12724/21467
network_acronym_str RULI
network_name_str ULIMA-Institucional
repository_id_str 3883
dc.title.en_EN.fl_str_mv Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
title Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
spellingShingle Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
Gonzalez Jauregui, Bruno Piero
Aprendizaje automático
Bienes de consumo duraderos
Pronóstico de ventas
Planificación de requerimientos de material
https://purl.org/pe-repo/ocde/ford#2.11.04
title_short Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
title_full Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
title_fullStr Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
title_full_unstemmed Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
title_sort Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
author Gonzalez Jauregui, Bruno Piero
author_facet Gonzalez Jauregui, Bruno Piero
Mariscal Cruzado, Diana Micaela
author_role author
author2 Mariscal Cruzado, Diana Micaela
author2_role author
dc.contributor.advisor.fl_str_mv Taquía Gutiérrez, José Antonio
dc.contributor.author.fl_str_mv Gonzalez Jauregui, Bruno Piero
Mariscal Cruzado, Diana Micaela
dc.subject.es_PE.fl_str_mv Aprendizaje automático
Bienes de consumo duraderos
Pronóstico de ventas
Planificación de requerimientos de material
topic Aprendizaje automático
Bienes de consumo duraderos
Pronóstico de ventas
Planificación de requerimientos de material
https://purl.org/pe-repo/ocde/ford#2.11.04
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.11.04
description Hoy en día, es crucial pronosticar con precisión los productos, especialmente para una empresa que importa sus productos. Disponer de una previsión precisa permite a la empresa optimizar la gestión de recursos, aumentando la productividad y evitando la sobreventa o subventa de productos. Además, establecer un modelo de planificación de materiales basado en la demanda es esencial para garantizar que nuestros proveedores cumplan con sus compromisos de nivel de servicio. En este proyecto de investigación, se emplean Machine Learning y Big Data para mejorar los métodos de previsión de las empresas de bienes de consumo. Se han entrenado los datos recopilados de las ventas de la empresa durante los últimos cuatro años para “la categoría de cabello” y se empleará el método Arima para predecir los primeros 8 meses del año 2023. Además, el Plan de requisitos de materiales impulsado por la demanda (DDMRP) se implementa para mejorar el nivel de servicio de los proveedores. El impacto del modelo propuesto se evaluará utilizando indicadores como el sesgo de pronóstico (FB), la precisión del pronóstico (FA), el error porcentual absoluto medio (MAPE) y el acuerdo de nivel de servicio (SLA).
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-11-06T14:05:26Z
dc.date.available.none.fl_str_mv 2024-11-06T14:05:26Z
dc.date.issued.fl_str_mv 2024
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.other.none.fl_str_mv Tesis
format bachelorThesis
dc.identifier.citation.es_PE.fl_str_mv Gonzalez Jauregui, B. P., & Mariscal Cruzado, D. M. (2024). Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company [Tesis para optar el Título Profesional de Ingeniero Industrial, Universidad de Lima]. Repositorio Institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/21467
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12724/21467
dc.identifier.isni.none.fl_str_mv 121541816
identifier_str_mv Gonzalez Jauregui, B. P., & Mariscal Cruzado, D. M. (2024). Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company [Tesis para optar el Título Profesional de Ingeniero Industrial, Universidad de Lima]. Repositorio Institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/21467
121541816
url https://hdl.handle.net/20.500.12724/21467
dc.language.iso.none.fl_str_mv eng
language eng
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.*.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Lima
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad de Lima
dc.source.none.fl_str_mv Repositorio Institucional - Ulima
Universidad de Lima
reponame:ULIMA-Institucional
instname:Universidad de Lima
instacron:ULIMA
instname_str Universidad de Lima
instacron_str ULIMA
institution ULIMA
reponame_str ULIMA-Institucional
collection ULIMA-Institucional
bitstream.url.fl_str_mv https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/5/T018_71910212_T.pdf.jpg
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/7/FA_71910212_SR.pdf.jpg
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/9/TURNITIN_GONZALEZ%20JAUREGUI%20BRUNO%20PIERO_20162088%20.pdf.jpg
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/1/T018_71910212_T.pdf
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/2/FA_71910212_SR.pdf
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/3/TURNITIN_GONZALEZ%20JAUREGUI%20BRUNO%20PIERO_20162088%20.pdf
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/4/T018_71910212_T.pdf.txt
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/6/FA_71910212_SR.pdf.txt
https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/8/TURNITIN_GONZALEZ%20JAUREGUI%20BRUNO%20PIERO_20162088%20.pdf.txt
bitstream.checksum.fl_str_mv 97598fe745899030285cdc22420b1f2e
b0d2d55f69b8fc64eb341b3779803a3d
7b8ae2972b6775c54cdb765d64d24728
13259c7a3036b34ec7ecdc3e005e0b0b
68dc2096990779e01b101885ca665b94
076facf109ffc07e6d41de95d71acba9
a4410cecb41139d6be9f117a76bbac64
a03cb5b8642cc825facd2278cad03a93
ff340257d583761ba22db5305fd1318e
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad de Lima
repository.mail.fl_str_mv repositorio@ulima.edu.pe
_version_ 1845977348814405632
spelling Taquía Gutiérrez, José AntonioGonzalez Jauregui, Bruno PieroMariscal Cruzado, Diana Micaela2024-11-06T14:05:26Z2024-11-06T14:05:26Z2024Gonzalez Jauregui, B. P., & Mariscal Cruzado, D. M. (2024). Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company [Tesis para optar el Título Profesional de Ingeniero Industrial, Universidad de Lima]. Repositorio Institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/21467https://hdl.handle.net/20.500.12724/21467121541816Hoy en día, es crucial pronosticar con precisión los productos, especialmente para una empresa que importa sus productos. Disponer de una previsión precisa permite a la empresa optimizar la gestión de recursos, aumentando la productividad y evitando la sobreventa o subventa de productos. Además, establecer un modelo de planificación de materiales basado en la demanda es esencial para garantizar que nuestros proveedores cumplan con sus compromisos de nivel de servicio. En este proyecto de investigación, se emplean Machine Learning y Big Data para mejorar los métodos de previsión de las empresas de bienes de consumo. Se han entrenado los datos recopilados de las ventas de la empresa durante los últimos cuatro años para “la categoría de cabello” y se empleará el método Arima para predecir los primeros 8 meses del año 2023. Además, el Plan de requisitos de materiales impulsado por la demanda (DDMRP) se implementa para mejorar el nivel de servicio de los proveedores. El impacto del modelo propuesto se evaluará utilizando indicadores como el sesgo de pronóstico (FB), la precisión del pronóstico (FA), el error porcentual absoluto medio (MAPE) y el acuerdo de nivel de servicio (SLA).Nowadays, is crucial to accurately forecast products, especially for a company that import its goods. Having an accurate forecasting enables the company to optimize resource management, increasing productivity and preventing overselling or underselling of products. Additionally, establishing a demand-based material planning model is essential to ensure that our suppliers meet their service level commitments. In this research project, Machine Learning and Big Data are employed to enhance de forecasting methods of consumer goods company. The data collected from the company’s sales over the last four years for “the hair category” has been trained and the Arima method will be employed to predict the first 8 months of the year 2023. Furthermore, the Demand Driven Material Requirement Plan (DDMRP) is implemented to improve suppliers service level. The impact of the proposed model will be evaluated using indicators such as Forecast Bias (FB), Forecast Accuracy (FA), Mean Absolute Percentage Error (MAPE) and Service Level Agreement (SLA).application/pdfengUniversidad de LimaPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/Repositorio Institucional - UlimaUniversidad de Limareponame:ULIMA-Institucionalinstname:Universidad de Limainstacron:ULIMAAprendizaje automáticoBienes de consumo duraderosPronóstico de ventasPlanificación de requerimientos de materialhttps://purl.org/pe-repo/ocde/ford#2.11.04Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods companyinfo:eu-repo/semantics/bachelorThesisTesisSUNEDUTítulo ProfesionalIngeniería IndustrialUniversidad de Lima. Facultad de IngenieríaIngeniero Industrialhttps://orcid.org/0000-0002-1711-6603099943707220267191021271120066https://purl.org/pe-repo/renati/level#tituloProfesionalMalaga Ortiz Maria TeresaCalderon Gonzales, Wilson DavidTaquía Gutiérrez, José Antoniohttps://purl.org/pe-repo/renati/type#tesis009THUMBNAILT018_71910212_T.pdf.jpgT018_71910212_T.pdf.jpgGenerated Thumbnailimage/jpeg11440https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/5/T018_71910212_T.pdf.jpg97598fe745899030285cdc22420b1f2eMD55FA_71910212_SR.pdf.jpgFA_71910212_SR.pdf.jpgGenerated Thumbnailimage/jpeg16465https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/7/FA_71910212_SR.pdf.jpgb0d2d55f69b8fc64eb341b3779803a3dMD57TURNITIN_GONZALEZ JAUREGUI BRUNO PIERO_20162088 .pdf.jpgTURNITIN_GONZALEZ JAUREGUI BRUNO PIERO_20162088 .pdf.jpgGenerated Thumbnailimage/jpeg8714https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/9/TURNITIN_GONZALEZ%20JAUREGUI%20BRUNO%20PIERO_20162088%20.pdf.jpg7b8ae2972b6775c54cdb765d64d24728MD59ORIGINALT018_71910212_T.pdfT018_71910212_T.pdfTesisapplication/pdf241795https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/1/T018_71910212_T.pdf13259c7a3036b34ec7ecdc3e005e0b0bMD51FA_71910212_SR.pdfFA_71910212_SR.pdfAutorizaciónapplication/pdf219017https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/2/FA_71910212_SR.pdf68dc2096990779e01b101885ca665b94MD52TURNITIN_GONZALEZ JAUREGUI BRUNO PIERO_20162088 .pdfTURNITIN_GONZALEZ JAUREGUI BRUNO PIERO_20162088 .pdfReporte de similitudapplication/pdf2779301https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/3/TURNITIN_GONZALEZ%20JAUREGUI%20BRUNO%20PIERO_20162088%20.pdf076facf109ffc07e6d41de95d71acba9MD53TEXTT018_71910212_T.pdf.txtT018_71910212_T.pdf.txtExtracted texttext/plain11097https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/4/T018_71910212_T.pdf.txta4410cecb41139d6be9f117a76bbac64MD54FA_71910212_SR.pdf.txtFA_71910212_SR.pdf.txtExtracted texttext/plain2676https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/6/FA_71910212_SR.pdf.txta03cb5b8642cc825facd2278cad03a93MD56TURNITIN_GONZALEZ JAUREGUI BRUNO PIERO_20162088 .pdf.txtTURNITIN_GONZALEZ JAUREGUI BRUNO PIERO_20162088 .pdf.txtExtracted texttext/plain27794https://repositorio.ulima.edu.pe/bitstream/20.500.12724/21467/8/TURNITIN_GONZALEZ%20JAUREGUI%20BRUNO%20PIERO_20162088%20.pdf.txtff340257d583761ba22db5305fd1318eMD5820.500.12724/21467oai:repositorio.ulima.edu.pe:20.500.12724/214672025-09-17 13:54:58.372Repositorio Universidad de Limarepositorio@ulima.edu.pe
score 13.056207
Improvement proposal based on machine learning, big data and DDMRP to improve forecasting compliance in a consumer goods company
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares