Modelo para la predicción de compra de materia prima en la gestión de inventario para producción en Pymes del sector retail aplicando machine learning

• Autores: Salazar Vera, Johnny Daniel, Antunez Cueva, Julio Cesar
• 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:10757/684062
• Enlace del recurso: http://doi.org/10.19083/tesis/684062; http://hdl.handle.net/10757/684062
• Nivel de acceso: acceso abierto
• Materia: Pymes; Gestión de Inventarios; Interpretación de modelos; Predicción; Inventory Management; Model Interpretation; Forecasting; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#2.00.00

Predecir la compra de materia prima para las empresas representa un desafío considerable, ya que una gestión inadecuada puede afectar directamente la toma de decisiones estratégicas y la rentabilidad. En ese sentido, las pequeñas y medianas empresas (PYMES), en particular, suelen enfrentarse a este problema debido a la falta de recursos tecnológicos avanzados y sistemas de predicción eficientes. Actualmente, existen herramientas optimizadas y modelos matemáticos diseñados para prever la demanda de materia prima y mitigar estos riesgos. En este contexto, el presente estudio propone un modelo de predicción de compras basado en el algoritmo Elastic Net. Este enfoque combina las ventajas de los métodos de regresión Lasso y Ridge, lo que permite analizar de manera efectiva los datos históricos de ventas e inventarios, incluso cuando las variables están altamente correlacionadas. El modelo propuesto tiene como objetivo no solo mejorar la precisión de las predicciones, sino también proporcionar a las PYMES una solución práctica para optimizar sus niveles de inventario, reducir costos operativos y mejorar la eficiencia en sus procesos logísticos. Los resultados experimentales muestran que este modelo supera a otros enfoques en indicadores clave como el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE) y el coeficiente de determinación (R²). Estos hallazgos destacan la utilidad práctica del modelo, ofreciendo una herramienta confiable para que las empresas gestionen sus recursos de manera más estratégica y competitiva, lo que refuerza su sostenibilidad en un mercado dinámico.