Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES
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 (m...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2026
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881509711617982464 |
|---|---|
| author | Vasquez Castillo, Samuel Axel Orrego Mego, Mesias Caleb |
| author2 | Navarro Cabrera, Jorge Raul |
| author_browse | Navarro Cabrera, Jorge Raul Orrego Mego, Mesias Caleb Vasquez Castillo, Samuel Axel |
| author_facet | Navarro Cabrera, Jorge Raul Vasquez Castillo, Samuel Axel Orrego Mego, Mesias Caleb |
| author_sort | Vasquez Castillo, Samuel Axel |
| collection | Repositorio institucional |
| description | 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. |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/10172 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Ciencia de Datos |
| ocde_area_str_mv | Ciencias naturales |
| ocde_disciplina_str_mv | Computación y ciencias de la información |
| ocde_str_mv | 1.02.02 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2026 |
| publishDateRange | 2026 |
| publishDateSort | 2026 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Tarapoto |
| spelling | Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES Vasquez Castillo, Samuel Axel Orrego Mego, Mesias Caleb Navarro Cabrera, Jorge Raul Aprendizaje automático Previsión de la demanda Previsión de series temporales Optimización de inventarios Gestión de la cadena de suministro 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. 2026-05-22 2026-06-02T18:36:09Z 2026-06-02T18:36:09Z 2027-05-22 info:eu-repo/date/embargoEnd/2027-05-22 info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/10172 spa info:eu-repo/semantics/embargoedAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/10172 2026-11-10T17:45:09Z |
| spellingShingle | Aprendizaje automático Previsión de la demanda Previsión de series temporales Optimización de inventarios Gestión de la cadena de suministro Vasquez Castillo, Samuel Axel Orrego Mego, Mesias Caleb Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES |
| title | Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES |
| title_full | Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES |
| title_fullStr | Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES |
| title_full_unstemmed | Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES |
| title_short | Enfoques de aprendizaje automático para la previsión de la demanda y la optimización de inventarios en PYMES |
| title_sort | enfoques de aprendizaje automatico para la prevision de la demanda y la optimizacion de inventarios en pymes |
| topic | Aprendizaje automático Previsión de la demanda Previsión de series temporales Optimización de inventarios Gestión de la cadena de suministro |
| topic_facet | Aprendizaje automático Previsión de la demanda Previsión de series temporales Optimización de inventarios Gestión de la cadena de suministro |
| url | https://hdl.handle.net/20.500.12840/10172 |
| work_keys_str_mv | AT vasquezcastillosamuelaxel enfoquesdeaprendizajeautomaticoparalaprevisiondelademandaylaoptimizaciondeinventariosenpymes AT orregomegomesiascaleb enfoquesdeaprendizajeautomaticoparalaprevisiondelademandaylaoptimizaciondeinventariosenpymes |