<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">
Título profesional 2026

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

Título de la revista

ISSN de la revista

Título del volumen

Editor

Universidad Peruana Unión

DOI

Licencia Creative Commons

Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Excepto donde se indique lo contrario, la licencia de este ítem se describe como Creative Commons Atribución-NoComercial-CompartirIgual 4.0

Archivos

Cargando...
Miniatura
Nombre

Samuel_Tesis_Licenciatura_2026.pdf

Tamaño

917,94 KB

Formato

Adobe PDF

Cargando...
Miniatura
Nombre

Reporte de Similitud.pdf

Tamaño

843,58 KB

Formato

Adobe PDF

Cargando...
Miniatura
Nombre

Autorización.pdf

Tamaño

227,91 KB

Formato

Adobe PDF