Sistema basado en Machine Learning para predicción de inventarios para una empresa del sector industrial

• Autores: Lira Pacheco, Angélica María, Tinoco Ricapa, Nadia Lorena
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/687929
• Enlace del recurso: http://hdl.handle.net/10757/687929
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Gestión de inventarios; Predicción de demanda; Optimización de stock; Sistema web; Inventory management; Demand forecasting; Stock optimization; Web system; https://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.02.04

En el sector industrial, la gestión de inventarios enfrenta constantes desafíos debido a la variabilidad de la demanda, los plazos de entrega irregulares y la falta de integración entre los sistemas de información. Estas limitaciones dificultan mantener un equilibrio entre la disponibilidad de insumos y la eficiencia operativa, generando sobrecostos por exceso de stock y pérdidas por desabastecimiento. Ante esta problemática, la presente implementación propuso el desarrollo de un sistema basado en Machine Learning para la predicción de inventarios en una empresa del sector industrial, cuyo objetivo es estimar con mayor precisión la demanda de productos, optimizando los niveles de inventario y reduciendo costos operativos. La propuesta integra tres modelos predictivos ARIMA/SARIMA, Random Forest y XGBoost, seleccionados por su capacidad para capturar patrones temporales y variaciones en el comportamiento de los productos. El sistema se implementó bajo una arquitectura lógica compuesta por PostgreSQL como base de datos, un entorno de entrenamiento en Google Colab y un dashboard web para la visualización de resultados y alertas. En la validación, el modelo híbrido alcanzó un MAPE global de 24.21 %, además de una coherencia de volumen del 98.31 % entre la demanda real y pronosticada. Estos valores reflejan un desempeño adecuado frente a la variabilidad de la demanda por SKU. Tras su implementación, el tiempo de gestión de inventarios disminuyó de seis a una hora diaria y la productividad aumentó de 16.7 a 100 artículos por hora, evidenciando una mejora significativa en la eficiencia operativa.