Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES

Simple item page
dc.contributor.advisorNavarro Cabrera, Jorge Raul
dc.contributor.authorVasquez Castillo, Samuel Axel
dc.contributor.authorOrrego Mego, Mesias Caleb
dc.date.accessioned2026-06-02T18:36:09Z
dc.date.available2026-06-02T18:36:09Z
dc.date.embargoEnd2027-05-22
dc.date.issued2026-05-22
dc.description.abstractEste 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.
dc.description.escuelaEscuela Profesional de Ingeniería de Sistemas
dc.description.lineadeinvestigacionCiencia de Datos
dc.description.sedeTarapoto
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12840/10172
dc.language.isospa
dc.publisherUniversidad Peruana Unión
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectAprendizaje automático
dc.subjectPrevisión de la demanda
dc.subjectPrevisión de series temporales
dc.subjectOptimización de inventarios
dc.subjectGestión de la cadena de suministro
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.02.02
dc.titleEnfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES
dc.typeinfo:eu-repo/semantics/bachelorThesis
renati.advisor.dni71483373
renati.advisor.orcidhttps://orcid.org/0000-0002-7369-4459
renati.author.dni202100241
renati.author.dni202012056
renati.discipline612076
renati.jurorMarlo Rimarachin, Wilder
renati.jurorRamirez Pezo, Yngue Elizabeth
renati.jurorRuiz Grandez, Marco Antonio
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeInvestigacion
thesis.degree.disciplineIngeniería de Sistemas
thesis.degree.grantorUniversidad Peruana Unión. Facultad de Ingeniería y Arquitectura
thesis.degree.nameIngeniero de Sistemas

Files

Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Samuel_Tesis_Licenciatura_2026.pdf
Size:
917.94 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Reporte de Similitud.pdf
Size:
843.58 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Autorización.pdf
Size:
227.91 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Ingeniería de Sistemas