Comparación de métodos estadísticos y redes neuronales para la toma de decisiones en la asignación de ubicación del almacenamiento

• Autor: Sánchez Ferrer, Agusto Guillermo
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/28758
• Enlace del recurso: https://hdl.handle.net/20.500.12672/28758
• Nivel de acceso: acceso abierto
• Materia: Almacenes; Pronóstico de la demanda; Redes neuronales artificiales; https://purl.org/pe-repo/ocde/ford#1.02.00; https://purl.org/pe-repo/ocde/ford#2.02.04

En la actualidad, los almacenes enfrentan diversos desafíos logísticos, siendo uno de los más críticos el proceso de preparación de pedidos, en el cual los tiempos de recolección se incrementan significativamente debido a la congestión ocasionada por la falta de productos en las ubicaciones asignadas, lo que ha motivado la aplicación de estrategias como el slotting para optimizar la asignación de productos mediante técnicas analíticas; sin embargo, las variaciones estacionales y los cambios en la demanda dificultan una asignación eficiente y flexible. En este contexto, la investigación desarrolla un enfoque orientado a mejorar la asignación de ubicaciones de almacenamiento mediante el pronóstico de la demanda de productos, empleando métodos estadísticos y redes neuronales como soporte para la toma de decisiones logísticas, a partir del análisis de datos históricos correspondientes a 50 productos durante un período de siete años, comprendido entre enero de 2016 y julio de 2023. El estudio se estructura en dos fases, en las que inicialmente se integra un modelo novedoso sustentado en la revisión rigurosa de antecedentes, y posteriormente se comparan diferentes técnicas de pronóstico, tales como el modelo autorregresivo integrado de medias móviles estacional, la suavización exponencial doble y triple, y redes neuronales basadas en unidades recurrentes con puertas y memoria de largo y corto plazo. Los resultados obtenidos demuestran que el enfoque híbrido propuesto mejora la precisión de los pronósticos de demanda y contribuye a la optimización de la asignación de ubicaciones en el almacenamiento, permitiendo reducir los tiempos de preparación de pedidos y fortalecer el desempeño logístico de los almacenes.