Grupo 6 (Revisado)
Grupo 6 (Revisado)
FACULTAD DE INGENIERÍA
TRABAJO DE INVESTIGACIÓN
AUTOR(ES)
ASESOR
1
TABLA DE CONTENIDO
2.1. METODOLOGÍA....................................................................................................10
2.2. PLANIFICACIÓN...................................................................................................10
a. Planteamiento de preguntas de investigación..................................................10
b. Base de Datos......................................................................................................11
c. Palabras claves...................................................................................................11
d. Criterios de inclusión y exclusión.....................................................................11
2.3. DESARROLLO.......................................................................................................12
2.4. RESULTADOS........................................................................................................13
2.5. ANÁLISIS DE LOS ESTUDIOS................................................................................14
REFERENCIAS.................................................................................................................20
2
ÍNDICE DE TABLAS
3
ÍNDICE DE FIGURAS
Gráfico 1: Árbol de problemas. Fuente: elaboración propia.................................................8
Gráfico 2: Diagrama del proceso para la revisión sistemática de la literatura.....................12
Gráfico 3: Resumen de resultados posibles y seleccionados por tipo de fuente..................14
4
Introducción
En la actualidad las organizaciones que se dedican a la comercialización y distribución de
productos se ven en la necesidad de realizar adecuadamente las tareas de pronosticar la
demanda y así lograr saber la mercadería que debe disponer en sus almacenes para poder
abastecer correctamente a cada punto de venta según las exigencias del mercado.
Para lograr una correcta predicción, se requiere de información ordenada de las ventas
históricas, stock de productos, línea de productos y muchas otras variables provenientes de
diferentes fuentes de datos o sistemas de información. Asimismo, un manejo óptimo de
inventarios ayuda disponer de productos con cantidades confiables en los puntos de venta.
Pero a pesar de que existen herramientas y plataformas para optimizar la operación, la
mayoría de las compañías siguen manejando sus inventarios de forma tradicional.
5
demanda de inventarios es de vital importancia, ya que le permite tener una mejor gestión
de sus inventarios. Planificar adecuadamente las compras en cantidades exactas,
determinar cuáles son los componentes básicos que debe poseer en almacén para abastecer
correctamente la necesidad de los clientes. Además, la correcta predicción de la demanda
evita la escasez de productos en puntos de venta y sobre stock que genera costos y pérdida
de ganancias.
[ CITATION ALD18 \l 2058 ] atraviesa una serie de problemas que perjudican la gestión
de sus inventarios, siendo el principal problema, “cálculo ineficiente de la predicción de
la demanda de inventarios”. Lo que conduce al abastecimiento de la mercadería por
encima o debajo de la demanda del mercado. Llevando a la falta de disponibilidad en el
área de punto de venta y sobre stock que genera costos por pérdida de productos. Las
causas principales que generan estas consecuencias:
6
Por ello, en la presente investigación, se plantea encontrar un modelo optimo que permita
en la predicción óptima de la demanda de inventarios. En base a esta predicción, planificar
correctamente el abastecimiento de los productos y generar requerimiento de órdenes de
compra en el momento determinado. La pregunta principal de esta investigación gira en
torno a ¿de todas las técnicas y tecnologías que existen, cual es el más conveniente y
aplicable a la predicción de la demanda de inventarios?
Árbol de problemas
Una vez que se obtuvo como prioridad el problema relacionado con el cálculo ineficiente
de predicción de la demanda de inventarios, se desarrolló el árbol de problemas con el fin
de determinar las causas y consecuencias directas e indirectas.
7
Gráfico 1: Árbol de problemas. Fuente: elaboración propia
1.5 Justificación
El área de logística no cuenta con una herramienta que facilite el cálculo eficiente de
predicción de la demanda de inventarios. La cual conduce al abastecimiento de la
8
mercadería por encima o debajo de la demanda del mercado. Llevando a la falta de
disponibilidad en el área de punto de venta y sobre stock que genera costos por pérdida de
productos.
1.6 Limitaciones
Las limitaciones para este proyecto son:
9
Capítulo 2 – Estado del Arte
2.1. Metodología
Ilustración 1 Metodología
2.2. Planificación
Para la planificación se formularon preguntas que nos permitirán responder el análisis de
esta investigación.
10
¿Qué factores existen para determinar eficientemente la proyección de la
Q1 demanda de inventarios?
b. Base de Datos
Luego de definir las preguntas de investigación se realizan la búsqueda en;
ProQuest
Google Scholar
Scopus
Researh Gate
ScienceDirect
c. Palabras claves
Se identificaron las palabras claves para realizar la búsqueda. Para nuestro caso de
investigación se hicieron las siguientes preguntas:
11
methods y factors.
12
2.3. Desarrollo
Los artículos identificados de la búsqueda en los bancos de Journal mencionados
previamente se sometieron a un proceso de selección de acuerdo con los criterios
definidos. Para ello, fue necesario realizar un estudio de cada artículo para determinar su
importancia. Finalmente, se descartaron aquellos que se centraban en otros aspectos del
problema que no se iban a considerar en la investigación o que no aplicaba al área en
estudio. Se presenta a continuación, el procedimiento que se siguieron para seleccionar los
5 artículos relacionado a las preguntas de investigación:
13
N° Título Autores Año
Comparison Study: Product Demand [ CITATION 2019
Forecasting with Machine Learning for Shop Ari19 \l 2058 ]
1
2.4. Resultados
En el siguiente cuadro se presenta el resumen de artículos buscados por palabras claves, los
últimos 4 años y hasta llegar a seleccionar a los que más se relacionan a las preguntas de
investigación:
14
En el siguiente gráfico, se muestra de modo de barras, el resumen de artículos posibles de
selección y seleccionados.
15
Clasificación de estudio
Alternativas de
Revisión de la literatura Casos de estudio solución al problema
Algoritmos de ML para
la demanda de
productos
Arif (2019) identificó en su estudio los siguientes factores que influyen en la demanda para
su uso en el modelo de pronóstico:
· La demanda varía en dos partes del mes. La demanda permanece más alta en la primera
parte del mes y baja en la última parte del mes.
· Las ofertas promocionales afectan la demanda de los clientes.
· La demanda sigue siendo mayor en un fin de semana.
· Los días festivos tienen un impacto vital en la demanda.
· Las condiciones climáticas también afectan la demanda del cliente.
· Patrón de producto y mercado.
· Artículos disponibles en un estante.
· Categoría de marca.
· Tasa de consumo.
16
Además, Khan (2020), con su modelo de predicción, basado en datos recopilados que se
compilan a través de diferentes fuentes. El motor de aprendizaje automático ejecuta datos
de diferentes módulos y determina las demandas semanales, mensuales y trimestrales de
bienes/productos básicos. Los autores probaron la eficiencia comparando los datos
predichos con los datos reales y determinamos el porcentaje de error. Los resultados de la
simulación muestran que después de aplicar la solución propuesta en los datos de la
organización en tiempo real, obtienen una precisión de hasta el 92,38%.
17
modelo de Machine Learning propuesto para pronosticar las llegadas de pedidos de
comercio electrónico reales en distintos intervalos de horas.
Según Saena & Suttichaya (2019), usan el error cuadrado medio (MSE). Este se utiliza
como función de pérdida para optimizar los modelos. Luego de capturar la salida predicha,
se aplicó por desnormalización y el error se calculó usando la fórmula:
error =
|x ireal −x ipredict|
x ireal
Donde:
También, se pudo encontrar en los Paper una formula para medir la precisión de porcentaje
absoluta medio (MAPE) El error % absoluto medio es una medida estadística de la
precisión de un sistema de pronóstico. Según Arif et al (2019) mostró el uso de la siguiente
formula por varios aportantes:
18
n
1 A t−F t
M= ∑
n t =1 | |
At
Donde:
Q5: ¿Cuál es el impacto el uso de los servicios Cloud en los negocios de ventas?
En la investigación realizada por [ CITATION Jek15 \l 2058 ] mencionan que hoy en día,
la mayoría de las empresas utilizan herramientas en la nube. Servicios tan conocidos como
Gmail, Google Docs y Dropbox se utilizan a diario.
disponibles para diferentes fines. Por otro lado, los usuarios tienen que renunciar a su
privacidad y
control. Cualquiera con una capacidad analítica moderada puede investigar, perfilar y
utilizar todos los datos publicados para su propio beneficio e interés (publicidad, ventas,
diferentes análisis, etc.).
19
Nada entusiasma más a los directivos y a los responsables de marketing que la aplicación
masiva de los servicios en la nube y el flujo infinito de información fresca sobre los
consumidores, que luego se utiliza para mejorar sus productos y servicios.
20
Referencias
ALDISEÑO. (2018). Acercad de nosotros. Obtenido de Aldiseño:
http://aldiseno.pe/Home/About
Arif, A., Sany, S., Nahin, F., & Rabby, A. (23 de Noviembre de 2019). Comparison Study:
Product Demand Forecasting with Machine Learning for Shop. Obtenido de IEEE
Explore: https://ieeexplore.ieee.org/abstract/document/9117395
Jeknić, J., & Kraut, B. (Mayo de 2015). Cloud services and marketing. Obtenido de
ResearchGate:
https://www.researchgate.net/publication/277986344_Cloud_services_and_marketi
ng
Leung, K., Daniel, M., Ho, G., Wu, C., & Huang, G. (6 de Mayo de 2020). Modelling
near-real-time order arrival demand in e-commerce context: a machine learning
predictive methodology. Obtenido de Emerald Insight:
https://www.emerald.com/insight/content/doi/10.1108/IMDS-12-2019-
0646/full/html
Moroff, N., Kurt, E., & Kamphues, J. (2021). Machine Learning and Statistics: A Study
for assessing innovative Demand Forecasting Models. Obtenido de ScienceDirect:
https://www.sciencedirect.com/science/article/pii/S1877050921001654
S., I., & S.H., A. (2020). Prediction of probable backorder scenarios in the supply chain
using Distributed Random Forest and Gradient Boosting Machine learning
techniques. Obtenido de SCI-HUB: https://sci-hub.se/10.1186/s40537-020-00345-2
Santis, R., Pestana, E., & Goliatt, L. (Noviembre de 2017). Predicting Material
Backorders in Inventory Management using Machine Learning. Obtenido de
ResearchGate:
https://www.researchgate.net/publication/319553365_Predicting_Material_Backord
ers_in_Inventory_Management_using_Machine_Learning
21
22