Plataforma en línea basada en Machine Learning, para gestión del inventario en una empresa del rubro de fabricación de productos basados en madera

• Autores: Burgos Osorio, Brayan Antoni, Lozano Malca, Luiggi Alfonso
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/164524
• Enlace del recurso: https://hdl.handle.net/20.500.12692/164524
• Nivel de acceso: acceso abierto
• Materia: Gestión; Inventario; Previsión; Optimización; Aprendizaje automático; https://purl.org/pe-repo/ocde/ford#2.02.04

El presente trabajo tiene como objetivo evaluar la capacidad de un sistema basado en machine learning supervisado en la gestión de inventarios de una empresa maderera en Lima, Perú. La problemática principal radica en la variabilidad de la demanda y la dependencia de métodos manuales, lo cual genera altos costos operativos debido a excesos de inventario y desabastecimientos. Para abordar esta situación, se diseñó e implementó un sistema basado en machine learning supervisado utilizando la metodología CRISP-DM y algoritmos como XGBoost, ARIMA y Redes Neuronales, priorizando la identificación precisa del stock de seguridad y el nivel de servicio. Los resultados demostraron que XGBoost fue el modelo más eficiente, alcanzando un R² perfecto (1.0) y menores valores de MAE y RMSE en comparación con otros modelos. Este sistema permitió optimizar la planificación del inventario, reduciendo pérdidas económicas y mejorando la satisfacción de los clientes con un nivel de servicio superior al 90%. Además, la investigación se alinea con los Objetivos de Desarrollo Sostenible (ODS), promoviendo la modernización tecnológica y la sostenibilidad en el sector maderero. Se concluye que la implementación de la plataforma mejora significativamente la toma de decisiones, optimizando la gestión de inventarios y fortaleciendo la competitividad de la empresa. Se recomienda integrar variables externas, como estacionalidad y tendencias de mercado, y proporcionar capacitación continua al personal para maximizar los beneficios del sistema.