Aplicación de modelos de Machine Learning para la planificación de la demanda en la empresa CBC Peruana S.A.C

• Autores: Maciel Carpio, Zannie Xilena, Salas Barrera, Felipe Alvaro, Sanchez Anticona, Crishtian Sebastian, Sanchez Chacon, Gabriela de los Angeles, Santana Fernandez, Jose Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad ESAN
• Repositorio: ESAN-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.esan.edu.pe:20.500.12640/3891
• Enlace del recurso: https://hdl.handle.net/20.500.12640/3891
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Regresiones lineales; Demanda; Industria de elaboración de bebidas; https://purl.org/pe-repo/ocde/ford#5.02.04; https://purl.org/pe-repo/ocde/ford#2.11.04

La industria de bebidas enfrenta desafíos específicos en la planificación de la demanda, ya que la variabilidad de los patrones de consumo y la imprevisibilidad del cliente exige a las empresas establecer estrategias para satisfacer la demanda. El presente trabajo de investigación se centra en la aplicación de técnicas de Machine Learning para pronosticar la demanda de dos productos clave de la empresa CBC Peruana S.A.C: paquetes de gaseosa Concordia de Piña de 03 litros de 04 unidades y paquetes de gaseosa Evervess Ginger de 1,5 litros de 06 unidades. Para ello, se utilizaron modelos de Regresión lineal, LightGBM Regressor y series de tiempo, como SARIMA y FB Prophet, aplicando los enfoques de Forecasting y Regresión. La evaluación de modelos se realizó utilizando métricas como MAE, MAPE y RMSE. Entre los resultados obtenidos, se obtuvo que el modelo FB Prophet registra un MAPE promedio de 24.64, MAE promedio de 685.16 y un RMSE promedio de 1003.90. Este estudio proporciona una base sólida para futuras investigaciones en la aplicación de Machine Learning en la industria de bebidas y demuestra el potencial de estas tecnologías para transformar las operaciones comerciales y mejorar la competitividad en el mercado.