Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES
Resumen
Este estudio abordó la ineficiencia en la gestión de inventarios de PYMES comerciales mediante modelos de pronóstico de demanda basados en datos reales de punto de venta. El objetivo fue mejorar la precisión predictiva y apoyar decisiones de reposición. Se
empleó un dataset de 4,451,113 registros (marzo 2020–diciembre 2024) y un flujo KDD con depuración, tratamiento de atípicos y agregaciones diaria, semanal y mensual. Se evaluaron Prophet, XGBoost y Árbol de Decisión con una partición temporal 70/20/10 y
métricas MAE, RMSE y sMAPE, además de un híbrido Prophet+XGBoost. El sMAPE disminuyó de 27.2 % (diario) a 15.7 % y 12.5 % (semanal y mensual), reflejando reducciones del 40–50 %. Los modelos mostraron desempeños estadísticamente equivalentes (p > 0.05); no obstante, el Árbol de Decisión resaltó por su parsimonia y Prophet por su estabilidad en series agregadas. Se concluyó que modelos interpretables y de bajo costo computacional permiten pronósticos suficientemente robustos para PYMES, con potencial de reducir quiebres y excesos de inventario entre 10–15 %. Se recomienda integrar covariables exógenas y explorar la optimización conjunta pronóstico–reabastecimiento.
Descripción
Citación
Aprobación
Revisión
Complementado por
Referenciado por
Grado o título
Ingeniero de Sistemas
Programa
Ingeniería de Sistemas
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Peruana Unión
DOI
Colecciones
Licencia Creative Commons
Archivos
Cargando...
Nombre
Samuel_Tesis_Licenciatura_2026.pdf
Tamaño
917,94 KB
Formato
Adobe PDF
Cargando...
Nombre
Reporte de Similitud.pdf
Tamaño
843,58 KB
Formato
Adobe PDF
Cargando...
Nombre
Autorización.pdf
Tamaño
227,91 KB
Formato
Adobe PDF