Forecasting con Machine Learning para la cadena de suministro en una empresa comercial, Lima 2024

• Autores: De la Cruz Osorio, Jorge David, Peralta Finaflor Sharon, Nicole Miriam
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/166345
• Enlace del recurso: https://hdl.handle.net/20.500.12692/166345
• Nivel de acceso: acceso abierto
• Materia: Inteligencia artificial; Aprendizaje automático; Previsión; https://purl.org/pe-repo/ocde/ford#2.02.04

La investigación se enmarcó en el cumplimiento del Objetivo de Desarrollo Sostenible (ODS) 8, Trabajo decente y crecimiento económico, explorando cómo el forecasting basado en machine learning optimizó la cadena de suministro en una empresa comercial. El estudio se centró en la reducción del error en la predicción de la demanda, la minimización del sobrestock y la disminución de costos de almacenamiento. Con un diseño cuasiexperimental y enfoque cuantitativo, se utilizó el marco CRISP-DM para implementar modelos de machine learning como XGBoost, Random Forest y SVM, evaluados mediante métricas como el R2. La población incluyó registros de inventario de clientes entre 2023 y 2024. Los resultados demostraron mejoras significativas: el error promedio se redujo de -15.44 (pre-test) a -3.67 (post- test); el sobrestock mensual disminuyó de 215.32 a 7.69 unidades, y los costos bajaron de 279,827.87 a 204,531.62 soles mensuales. XGBoost destacó como el modelo más efectivo, traduciéndose en beneficios operativos como un control más eficiente del inventario y menores costos. Estos resultados promovieron prácticas sostenibles y eficientes, fortalecieron la competitividad empresarial y generaron un impacto positivo en el desarrollo económico sostenible.