Previsión de demanda mediante técnicas de machine learning
La gestión del inventario es crucial para el rendimiento operativo de una empresa, enfrentando desafíos que van desde problemas con proveedores hasta cambios inesperados en la demanda y promociones del mercado. Este proyecto aborda esta complejidad mediante la creación de un modelo predictivo para e...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/150787 |
| Acceso en línea: | http://hdl.handle.net/10609/150787 |
| Access Level: | acceso abierto |
| Palabra clave: | gestión de demanda aprendizaje automático algoritmo predictivo modelo predictivo stock management machine learning predictive algorithms predictive model Machine learning -- TFM Aprenentatge automàtic -- TFM |
| Sumario: | La gestión del inventario es crucial para el rendimiento operativo de una empresa, enfrentando desafíos que van desde problemas con proveedores hasta cambios inesperados en la demanda y promociones del mercado. Este proyecto aborda esta complejidad mediante la creación de un modelo predictivo para estimar con mayor precisión la demanda y facilitar la gestión del stock. Para lograr esta meta, se comienza con la justificación y contextualización del proyecto, estableciendo los objetivos y la metodología de trabajo. Posteriormente se revisa la bibliografía existente en cuanto a soluciones propuestas para tener un punto de partida. Además, se investiga sobre una técnica de estimación del cálculo de inventario. Luego, se analizan los datos de una empresa de venta de productos de automoción, llevando a cabo la exploración y limpieza de los datos para garantizar su calidad. Se buscan correlaciones entre variables, se crean features y se aplican técnicas de clustering. Una vez completada la etapa de exploración y preprocesamiento, se procede con la selección de modelos, explicando los indicadores de precisión e hiperparámetros utilizados. Posteriormente se evalúan y clasifican los resultados de precisión obtenidos de los diferentes modelos seleccionados. Finalmente, se estudia el impacto económico de la mejora del algoritmo y se presentan las conclusiones del proyecto, junto con las lecciones aprendidas, el logro de los objetivos y las posibles líneas de trabajo futuro. |
|---|