Modelo Deep Learning para mejorar la predicción de las ventas en la Empresa San Fernando S.A.C., Lima, 2023

• Autor: Suarez Romero, Alexander Cristhian
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Federico Villarreal
• Repositorio: UNFV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unfv.edu.pe:20.500.13084/8850
• Enlace del recurso: https://hdl.handle.net/20.500.13084/8850
• Nivel de acceso: acceso abierto
• Materia: Sistemas inteligentes, robótica, domótica; Aprendizaje profundo; Crisp-dm; Pronósticos de ventas; Series temporales; https://purl.org/pe-repo/ocde/ford#2.02.04

El estudio tuvo una orientación cuantitativa, diseño experimental, cuya finalidad fue determinar en qué medida el modelo Deep Learning puede producir una mejora de la predicción de las ventas en la Empresa San Fernando S.A.C., 2023. Se tomó en cuenta una investigación con diseño preexperimental, de tipo aplicada. La población del presente trabajo de investigación estuvo conformada por 50 trabajadores del departamento de ventas, según criterios del investigador. En el recojo de los datos, se empleó la base datos histórica de la empresa San Fernando, dichos datos fueron procesados a través de algoritmos de redes neuronales convulsionadas. De la misma manera, se aplicó un método de estructuras Inteligentes denominado Crisp-DM que proviene del inglés Cross Industry Standard Process for Data Mining, que traducido es “Proceso Estándar Inter-Industrias para Minería de Datos”. El fin de este método es realizar modelos partiendo por analizar los datos de un negocio para adelantarse a errores futuros y dar solución a la elaboración del modelo con una dirección sólida considerando la temporalidad y el sistema de los datos. El paso siguiente sería poner en práctica el modelo y realizar la evaluación de su desempeño empleando grupos de información de prueba para conseguir hallazgos precisos acerca de la capacidad predictiva de las Redes Neuronales en ese contexto, para finalizar se tuvo como conclusión que el modelo se ha determinado con los pesos de adiestramiento con relación a los pesos de predicción R2 is: 0.9970536105123016, es con una aproximación del 99%.