Implementación de un sistema informático inteligente para el pronóstico de ventas de la Cevichería Rico Norte de la ciudad de Puno 2024

• Autor: Becerra Lucano, Rodrigo Alexander
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/23029
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/23029
• Nivel de acceso: acceso abierto
• Materia: CRISP-DM; Machine Learning; Pronóstico de ventas; Sistema Informático Inteligente; XGBoost; https://purl.org/pe-repo/ocde/ford#1.02.02

La presente tesis tuvo como objetivo implementar un sistema informático inteligente que pronostique las ventas diarias de la cevichería Rico Norte de la ciudad de Puno, Perú, como solución a problemas como la falta y desperdicio de insumos, la tardía atención en días con mucha clientela, y la necesidad de realizar cambios en el negocio que no perjudiquen su economía. La investigación se llevó a cabo en los años 2023 y 2024. Se usó la metodología de desarrollo CRISP-DM que consta de 6 fases. En la fase de comprensión del negocio se abarcaron las necesidades y requerimientos. En la comprensión de datos se recopilaron los datos proporcionados por el dueño. En la preparación de datos se realizó el preprocesamiento de datos. En el modelado se implementaron los modelos de Machine Learning SARIMA (Modelo Autorregresivo Integrado de Media Móvil Estacional), XGBoost (Extreme Gradient Boosting), LSTM (Long Short-Term Memory), y MLP (Modelo de Perceptrón Multicapa). En la evaluación se usaron las métricas de rendimiento MAE (Error Absoluto Medio), MSE (Error Cuadrático Medio), R^2 (Coeficiente de Determinación), y MAPE (Error Porcentual Absoluto Medio). En el despliegue se implementó el sistema con las tecnologías HTML, CSS, JavaScript, Python y SQL, integrando el modelo XGBoost debido a su mejor desempeño. Los resultados destacaron a XGBoost como el mejor modelo. Se realizó una prueba t-Student que acepta la hipótesis alternativa en la mayoría de variables evaluadas, donde los datos predichos por XGBoost no presentaron diferencia significativa respecto a los datos reales. En conclusión, la implementación de un sistema informático inteligente con XGBoost logró predecir con mínimo margen de error las ventas diarias en la cevichería Rico Norte de la ciudad de Puno.