TRABAJO APLICATIVO FINAL

✓ 1era Revisión: Modelo AS-IS

✓ 2da- Revisión: Modelo TO-BE

PROPUESTA DE CONSULTORÍA

Modelo analítico para mejora de reaprovisionamiento en tienda

Jorge XXXXXX

Cynthia XXXXX

Diego XXXXX

Karina XXXX

CENTRUM

ANÁLITICA PARA TOMA DE DECISIONES

LIMA - 2020
 2

Tabla de Contenidos

1. RESUMEN EJECUTIVO ............................................................................................................................. 3

2. INTRODUCCIÓN Y MARCO TEÓRICO ................................................................................................... 5

2.1. PRONÓSTICO DE VENTAS...................................................................................................................... 5

2.2. PREDICTIVE DATA ANALYTICS ............................................................................................................ 5
2.3. MACHINE LEARNING ............................................................................................................................ 5
2.4. CLOUD COMPUTING ............................................................................................................................. 6
2.5. ARQUITECTURA.................................................................................................................................... 6
2.6. DATA MODELING ................................................................................................................................. 6

3. BREVE DESCRIPCIÓN DE LA EMPRESA ............................................................................................... 7

4. DIAGNÓSTICO ........................................................................................................................................... 8

4.1. INTRODUCCIÓN .................................................................................................................................... 8

4.2. DESCRIPCIÓN DEL PROCESO ................................................................................................................. 9
4.2.1. Áreas Participantes ....................................................................................................................... 10
4.2.2. Proveedores Involucrados e Interacción ....................................................................................... 10
4.2.3. Descripción de las Tareas ............................................................................................................. 10
4.3. PROCESO DE DIAGNÓSTICO ................................................................................................................ 12
4.4. RESULTADO DEL DIAGNÓSTICO ......................................................................................................... 14

5. PROPUESTA DE CONSULTORÍA .......................................................................................................... 16

5.1. PROPUESTA DE CAMBIOS ................................................................................................................... 16

5.1.1. Objetivo ........................................................................................................................................ 16
5.1.2. Alcance de la Solución ................................................................................................................. 16
5.1.3. Arquitectura de la Solución .......................................................................................................... 18
5.1.4. Beneficios ..................................................................................................................................... 19
5.2. PLAN DE ACCIÓN................................................................................................................................ 19
5.3. EQUIPO DE TRABAJO .......................................................................................................................... 20
5.4. PROPUESTA ECONÓMICA .................................................................................................................... 21

6. RECOMENDACIONES ............................................................................................................................. 22

6.1. RECOMENDACIONES PARA EL ÉXITO DEL PROYECTO ......................................................................... 22

6.2. RECOMENDACIONES GENERALES DEL TRABAJO APLICATIVO ............................................................ 22

7. REFERENCIAS .......................................................................................................................................... 24
 3

1. Resumen ejecutivo

El negocio minorista se basa en la venta por volumen, con numerosos competidores y

un mercado cada vez más complejo, siendo la búsqueda de eficiencia un factor fundamental

para el crecimiento del negocio.

La gestión eficiente de los inventarios es una de las tareas más complejas en el

negocio minorista, puesto que se debe realizar un cálculo adecuado en los centros de

distribución y tiendas, con la finalidad de tener un nivel de stock que permita realizar las

ventas sin riesgos de quiebre, asimismo evitar contar con inventario inmovilizado que afecte

los ratios financieros.

La planificación de cuánto y cuándo comprar es un punto clave para la gestión de

inventarios, y se basa principalmente en estimar cuánto y dónde se venderá. Considerando el

número de tiendas y surtido de cada una, tenemos una cantidad de datos bastante grande para

gestionar y pronosticar.

Intermarket S.A utiliza actualmente SAP ERP Retail 6.0 on HANA, en el cual gestiona

sus principales procesos, incluyendo Logística y Abastecimiento. En este sistema se calculan

las necesidades de la tienda y, por consiguiente, qué, cuándo y cuánto comprar; este proceso

es denominado reaprovisionamiento de tienda. El modelo utiliza un pronóstico de ventas

para ejecutar los cálculos correspondientes.

Este proyecto de modelo analítico tiene como objetivo disminuir los días de

inventario debido al proceso optimizado de aprovisionamiento de tienda, asimismo servir

como modelo para su implementación en el grupo Intermarket.

En Perú, actualmente el proceso de reaprovisionamiento de tienda presenta falencias,

las cuales se evidencian en indicadores de altos de niveles de inventario en tiendas y centros

de distribución, medidos con la cantidad de días de inventario. El análisis realizado al

proceso evidencia una falta de precisión en los cálculos para el pronóstico de venta, pues no
 4

logra identificar claramente las estacionalidades, días festivos y eventos externos que afectan

las ventas. Otra mejora identificada, es la redefinición de los parámetros logísticos para el

cálculo de las necesidades, principalmente el stock de seguridad (por tienda y centro de

distribución) y los tiempos de traslado de mercadería (denominado “lead time”).

La solución al problema se enfoca en contar con una herramienta sistémica externa al

SAP ERP que calcule un pronóstico de venta, utilizando analítica y machine learning; luego

se utilice como insumo del proceso de reaprovisionamiento en SAP ERP. La meta del

proyecto es la disminución de los días de inventario, lo cual tiene un impacto directo en el

capital de trabajo de la compañía.

 5

2. Introducción y Marco Teórico

El presente trabajo se basa en los principales conceptos del abastecimiento de

mercadería para el negocio minorista y las herramientas del Cloud Computing para la

utilización de la tecnología como habilitador de optimización de procesos de negocio.

2.1. Pronóstico de Ventas

Permite analizar la demanda o los consumidores para estimar las ventas de un

producto o servicio en un periodo determinado y con un plan de mercadeo específico.

Permite conocer de manera anticipada cuáles serán los resultados económicos, determinar

inventarios, planear las compras de materias primas e insumos, medir el desempeño de la

fuerza de ventas, saber donde estamos y dónde podemos llegar. (Prieto,2015)

2.2. Predictive Data Analytics

El análisis predictivo de datos es el arte de construir y usar modelos que hacen

predicciones basadas en patrones extraídos de datos históricos. Las aplicaciones de análisis

de datos predictivos incluyen: Predicción de precios, predicción de dosificación, evaluación

de riesgos, modelado de propensión, diagnóstico y clasificación de documentos. En el

análisis de datos una predicción es la asignación de un valor a cualquier variable

desconocida. Machine Learning se utiliza para entrenar estos modelos. (Kelleher, Mac

Namee, D’Arcy, 2015)

2.3. Machine Learning

Proceso automatizado que extrae patrones de datos con el fin de construir modelos

utilizados en aplicaciones de análisis de datos predictivos. Los algoritmos automatizan el

proceso de aprendizaje de un modelo que captura la relación entre las características

 6

descriptivas y la característica de destino en un conjunto de datos. Machine Learning se

utiliza cuando queremos construir modelos de predicción a partir de grandes conjuntos de

datos con múltiples características. (Kelleher, Mac Namee, D’Arcy, 2015)

2.4. Cloud Computing

Proporciona servicios de computación, software, acceso a datos y almacenamiento

que no requieren el conocimiento del usuario final acerca de la ubicación física y

configuración del sistema que ofrece los servicios. La computación en nube es una evolución

natural de la adopción generalizada de la virtualización, las arquitecturas orientadas a los

servicios y a la computación bajo demanda. (DAMA International, 2017)

2.5. Arquitectura

Se refiere a una disposición organizada de elementos destinados a optimizar la

función, el rendimiento, la viabilidad, el costo y la estética de una estructura o sistema

general. (DAMA International, 2017)

2.6. Data Modeling

El modelado de datos es el proceso de descubrir y analizar los requerimientos de

datos, y luego representar y comunicar estos requisitos de datos en una forma precisa llamada

el modelo de datos. Proporcionan un vocabulario común en torno a los datos; capturan y

documentan conocimientos explícitos sobre los datos y sistemas de una organización; sirven

como herramienta de comunicación primaria durante los proyectos; proporcionan el punto de

partida para la personalización, integración o incluso sustitución de una aplicación. (DAMA

International, 2017)
 7

3. Breve descripción de la empresa

Intermarket S.A. es parte del holding Intermarket Regional, con más 30 años de

experiencia y operación en Argentina, Brasil, Ecuador y Perú. El objetivo del holding es

“convertirnos en el mayor minorista en los países que operamos y entregar a nuestros

clientes, la máxima calidad de servicio, excelencia y compromiso, los 365 días del año”. Las

unidades de negocio son las tiendas por departamento, supermercados, mejoramiento del

hogar y centros comerciales. En Perú, Intermarket cuenta con aproximadamente 7,500

colaboradores a nivel nacional y con presencia en más de 10 departamentos; las marcas de

Intermarket en el negocio de supermercados son Lulú, Azar y Santa Rosa.

En el negocio de supermercados, Intermarket tiene a nivel nacional 120 tiendas y

posee diversos formatos: supermercado, hipermercado, conveniencia (tiendas pequeñas con

surtidos acotados y precios mayores) y mayorista (venta de artículos a gran escala: paquetes,

cajas). Con esta cantidad de tiendas, alcanza una facturación bruta de siete mil millones de

soles anuales; para soportar este volumen de negocio, gestiona un inventario de mercadería

de 570 millones de soles.

El volumen de operación de Intermarket ocasiona que la gestión de la cadena de

suministro (SCM) sea el proceso más importante de la empresa, y la compra, almacenamiento

y distribución de la mercadería pilares fundamentales de la competitividad del mercado.

 8

4. Diagnóstico

4.1. Introducción

Dentro del plan estratégico de la compañía, se revisó la cartera de proyectos y se

definió buscar aquellos relativos a la optimización del capital de trabajo y uno de ellos,

correspondiente al área de SCM, es la disminución de la cantidad de días de inventario.

La empresa hace poco optó por la reimplementación de su ERP, utilizando ahora SAP

Retail 6 on HANA. En SAP se ejecutan todos los procesos relacionados al SCM y, por la

característica del negocio Retail, el proceso más importante es el reaprovisionamiento en

tienda. Este proceso se ejecuta con la funcionalidad estándar de SAP.

Desde la puesta en producción del nuevo sistema, los principales indicadores de SCM

se han mantenido constantes, sin mejora significativa con respecto al ERP legado. Los

principales puntos por atender son:

• Disponibilidad de Mercadería en tienda: Representa el porcentaje de cobertura

que tiene el inventario para la demanda de la tienda. Actualmente este indicador

está en 82%. El objetito es poder llegar al 90%.

• Días de Inventario: Representa la cantidad de días en la cual contamos con

mercadería para satisfacer la demanda de todas las tiendas. Actualmente este

indicador está en 45 días. El objetivo es poder llegar a 40 días.

• Horas hombre para la gestión de reaprovisionamiento de tienda: Representa la

cantidad de horas hombre (HH) invertidas para el reproceso manual (revisión y

edición) de las órdenes de compra y pedidos de traslados calculados por el

sistema. Actualmente este indicador está en 45 HH semanales. El objetivo es

llegar a las 15 HH semanales.

 9

4.2. Descripción del Proceso

El reaprovisionamiento de tienda es un método para abastecer a las tiendas

(directamente desde el proveedor o través de los centros de distribución) de la mercancía

necesaria para atender su demanda. El reaprovisionamiento calcula las necesidades utilizando

el historial de transacciones y movimientos de mercancías, particularmente, ventas desde

tiendas; a esta tarea (subproceso) se le conoce como cálculo del pronóstico de ventas.

La arquitectura de los sistemas involucrados en el proceso de reaprovisionamiento de

tienda es la siguiente:
 10

4.2.1. Áreas Participantes

En la gerencia de SCM, tenemos los siguientes tres equipos que participan en el

proceso:

Parametrización. Encargados de definir los valores que deben tener los artículos en

los campos que se utilizan para el cálculo del proceso: lead time, stock de seguridad, punto de

pedido y otros.

Datos Maestros. Encargados de ejecutar las modificaciones de los datos maestros de

artículos en el sistema. Cuentan con herramientas estándares y desarrolladas a medida para

poder modificar masivamente los datos requeridos.

Abastecimiento. Encargados de generar las órdenes de compra y su gestión de

atención con los proveedores.

4.2.2. Proveedores Involucrados e Interacción

El alcance del proceso abarca a todos los proveedores de mercadería

(aproximadamente dos mil). El envío de las órdenes de compra se realiza electrónicamente

mediante un sistema business-to-business (B2B) construido internamente. Los proveedores

reciben las ordenes de compra y proceden a ejecutar sus procesos internos para la atención

respectiva.

4.2.3. Descripción de las Tareas

Pronóstico de ventas. Se calcula de forma semanal y se utilizan diversos modelos:

constante, tendencia, estacional y tendencia estacional. Adicionalmente la herramienta

permite definir la cantidad de períodos históricos a considerar y factores de alisamiento. El

cálculo delo pronóstico es de cuatro semanas hacia adelante.

 11

Cálculo de necesidades de aprovisionamiento. En esta tarea se calcula cuánto y para

qué fecha comprar. Se define como la diferencia entre el stock esperado y el stock objetivo.

El stock esperado es la cantidad de venta pronosticada más los ingresos o salidas de

mercadería en tránsito. El stock objetivo es el valor estimado teórico que debemos tener en

nuestras tiendas para satisfacer la demanda. Un valor importante es el lead time, el cual

determina las fechas de entrega (atención) del proveedor.

Creación de los documentos para aprovisionamiento. Genera pedidos de traslado y

órdenes de compra consolidados. La generación de realiza de forma automática por SAP

Retail en dos pasos:

• Si el SKU es suministrado directamente por el proveedor a las tiendas, se generan

ordenes de compra por cada proveedor y tienda de destino, a esta mercadería se le

conoce domo “directa”. Si el SKU es suministrado a través del centro de

distribución (CD), se generan los pedidos de traslado con origen en cada CD y

destino en cada tienda, a esta mercadería se le conoce como “centralizada”.

• En sistema consolida todos los pedidos de traslado de los SKU centralizados,

sumando sus cantidades y genera ordenes de compra a los proveedores, con

destino los respectivos CD. Aproximadamente el 90% de la mercadería se

gestiona de manera centralizada en los diversos centros de distribución de la

cadena de suministro.

Gestión de Órdenes de Compras. El equipo de Abastecimiento manualmente revisa

los documentos creados por el sistema y edita la información que considera errónea.

Actualmente se han desarrollado herramienta en SAP Retail que permite hacer las

modificaciones y borrado de forma masiva, aunque el análisis del equipo sí es de forma

manual. En esta tarea también se realizan las gestiones y coordinaciones con los proveedores

para la atención correcta de las órdenes de compra en tiempo y forma.

 12

4.3. Proceso de Diagnóstico

Evaluando el proceso y sus actividades, se identifica que los datos maestros relevantes

para el cálculo del reaprovisionamiento no están correctamente definidos ni actualizados en

la herramienta; y el cálculo del pronóstico de ventas del ERP no se ajusta a los valores reales,

por lo tanto, el cálculo de las necesidades de las tiendas no es el adecuado, generando

principalmente un exceso de inventario y no permitiendo optimizar la cantidad de días de

inventario.

Para evidenciar la falta de precisión del pronóstico de venta, se descargó vía query la

información pronosticada por SAP Retail y se comparó con las ventas reales. Se encontraron

diferencias significativas en diversas categorías debido, principalmente, a picos de venta (por

días festivos o acontecimientos) que no fueron lo suficientemente alisados para el cálculo

futuro. Esta operación se realizó con la venta real y pronosticada de dos años consecutivos.

En el siguiente gráfico se muestra el comportamiento de la venta en los últimos dos

años y se evidencia la complejidad de su comportamiento, por lo cual se hace necesario la

utilización de un modelo más avanzado para el pronóstico.

 13

Para verificar los inconvenientes en los datos maestros, se calculó el tiempo promedio

real en el cual la mercadería llega desde la orden compra al proveedor hasta que esta se

encuentra en tienda. Este dato se comparó con el valor ingresado en el sistema, el cual es

teórico y está en el contrato con cada proveedor.

Se identificó entre los diez proveedores más importantes que los valores reales

difieren significativamente de los datos teóricos. Es importante considerar que si el lead time

colocado está erróneo, el stock de seguridad calculado será incorrecto, pues existirían días de

sobre cobertura o días de quiebre de stock.

Este cuadro nos presenta el resultado de una muestra del análisis, la probabilidad de

tener diferencias entre el lead time teórico y el real:

 14

4.4. Resultado del Diagnóstico

Se identifica la necesidad de incorporar en los procesos de abastecimiento el músculo

analítico para optimizar parámetros básicos del proceso de reposición automática.

Adicionalmente, la mejora del pronóstico, la actualización del lead time en forma dinámica,

junto con el manejo del stock de seguridad a nivel artículo/centro, permitirá seguir el plan de

mejora de la cadena de suministros impactando principalmente el nivel de inventario actual.

Esquema general de solución:

Esquema general de cuadros de control para Modelo Analítico:

• Cuadro General.
 15

• Evaluación de errores del modelo.

• Ganancia de errores contra media móvil, por categoría.

 16

5. Propuesta de Consultoría

5.1. Propuesta de Cambios

5.1.1. Objetivo

El objetivo principal del proyecto es mejorar la gestión de inventario de la compañía

generando ahorros por disminución del capital de trabajo. Adicionalmente también se busca

mejorar de forma directa la disponibilidad de la mercadería en tienda, con lo cual se puede

reducir la venta perdida por quiebres de stock y por lo tanto generar mayores ingresos.

5.1.2. Alcance de la Solución

El alcance de la solución abarca la transformación del proceso de reaprovisionamiento

de tienda incluyendo herramientas de cloud computing.

Nuevo Proceso de Negocio. Se incluye los procesos automáticos de cálculo externo

del pronóstico de venta y la modificación de datos maestros (stock de seguridad y lead time),

utilizados para el cálculo de las necesidades.

 17

Modelo Analítico. Se incluyen los procesos automáticos de cálculo externo, ambiente

cloud, del pronóstico de venta y los de datos maestros de stock de seguridad y lead time

(utilizados para el cálculo de las necesidades).

La metodología que se utilizará para el modelo consiste en las siguientes definiciones

importantes:

Datos Maestros. El modelo analítico necesita los siguientes datos maestros:

• Maestro de Centros de Distribución y Tiendas: Actualización antes nuevas

aperturas o cierres.

• Maestro de Proveedores: Actualización diaria.

• Maestro de Artículos y datos de reaprovisionamiento: Actualización diaria.

• Calendario: Actualización a demanda, según eventos planificados: feriados,

campañas especiales, competencias deportivas y otros.

Datos Transaccionales. El modelo analítico necesita los siguientes datos

transaccionales, de actualización diaria:

• Ventas

• Stock

• Órdenes de compra

Medición de error. La métrica usada para evaluar el error es el WMAPE que mide el

error porcentual de cada SKU, otorgando mayor peso a los artículos que tienen más venta. Se

excluye SKU que no hayan vendido ninguna unidad en la semana, tengan quiebre parciales

de stock en al menos un día y hayan tenido venta promocional.

Quiebres parciales. Para un día en particular, se marca como quiebre parcial cuando

el nivel de stock de un SKU es menor que su venta diaria regular. Por ejemplo, un SKU que

al día vende aproximadamente 100 unidades (percentil 80) se considera como parcialmente

quebrado si su stock baja de ese nivel.

 18

Venta Promocional. Un SKU se considera como promocionado cuando su precio

relativo (precio de venta efectivo respecto a su precio de venta promedio) es menor a un 85%.

Por ejemplo, si un SKU en particular se vendió en promedio a S/ 7.00 cuando su precio

regular es de S/ 10.00, lo marcaremos como promocionado.

Métodos de imputación. Cuando un SKU esté marcado con quiebre parcial o

promoción, su venta será corregida usando un promedio móvil de sus ventas. Esto nos

permite suavizar ambos efectos y no repetirlo en el futuro.

Utilización de Datos Externos para ejecución SAP. Se incluye la inserción de datos

directamente en SAP Retail para que sean parte del proceso del cálculo. Los datos para

insertar son el lead time, stock de seguridad y pronóstico de ventas (periodo de cuatro

semanas hacia adelante).

5.1.3. Arquitectura de la Solución

La arquitectura a alto nivel propuesta de la solución es la siguiente:

 19

5.1.4. Beneficios

Los beneficios esperados del proyecto son:

Ahorro en Capital de Trabajo. Considerando solamente la categoría de artículos de

Abarrotes, se estima una reducción de 500,000 dólares americanos por la disminución de los

días de inventario en el primer año y

Gestión de Parámetros y Datos Maestros. Los equipos ahora contarán con una

herramienta analítica que les permitirá tomar mejores decisiones y automatizar sus labores,

generando mayor eficiencia operativa e impacto importante sobre el resultado del proceso.

Gestión de Órdenes de Compra. El equipo de abastecimiento ocupará menos horas

hombre en la revisión y modificación de órdenes de compra, generando tiempo disponible

para análisis, gestión y ejecución de actividades de mayor valor.

5.2. Plan de Acción

El plan de trabajo del proyecto es el siguiente:

 20

Los entregables del proyecto son:

● SAP Retail:

○ Programa de extracción de datos maestros y datos transaccionales:

inventarios, ventas y órdenes de compra.

○ Programa para carga automática de datos maestros y pronóstico de ventas.

○ Monitor de interfaces de salida y entrada.

● Plataforma Nube:

○ Base de Datos HANA en AWS.

○ Apache Nifi y Datalake Bucket S3.

○ Plataforma analítica (incluye dashboard de procesos).

● SAP PI:

○ Inserción de datos maestros en SAP Retail desde la nube.

○ Inserción de pronóstico de venta en SAP Retail desde la nube.

5.3. Equipo de Trabajo

El equipo necesario para este proyecto está compuesto por:

 21

5.4. Propuesta Económica

De acuerdo con el alcance del proyecto, los recursos asignados y tiempos estimados

para el logro de los objetivos, la inversión estimada es la siguiente:

Concepto Detalle Importe USD

Consultoría Equipo SAP 148,000
Equipo Cloud
Servicios AWS EC2 Service: r5.8xlarge y r5.xlarge 4,400
Storage 1TB SSD
Soporte
Duración 4 meses
Total Proyecto - CAPEX 152,400

Concepto Detalle Importe USD

Consultoría Soporte Cloud Mensual 1,500
Servicios AWS Soporte y Mantenimiento Mensual 1,100
Total Gasto Mensual - OPEX 2,600
 22

6. Recomendaciones

6.1. Recomendaciones para el Éxito del Proyecto

Las recomendaciones y factores claves para el éxito del proyecto son:

• Compromiso del Process Owner.

• Asignación de los mejores miembros del equipo de negocio de forma exclusiva.

• Adopción y utilización del nuevo proceso de negocio.

• Utilización de metodología ágil para la implementación, definiendo sprints de

trabajo de tres semanas de duración.

• Administrar adecuadamente el soporte y evolución de la herramienta analítica

implementada.

6.2. Recomendaciones Generales del Trabajo Aplicativo

En el presente trabajo hemos desarrollado un modelo de análisis predictivo que

permite contar con mayor precisión en la ejecución de los procesos de negocio del área de

abastecimiento; este tipo de análisis es el adecuado para este proceso en particular. El análisis

prescriptivo, siguiente nivel en la madurez de procesos y objetivos, lo utilizaríamos para

identificar estrategias en búsqueda de mejores resultados. En nuestra empresa, lo podríamos

utilizar para analizar el comportamiento de nuestras ventas por grupo de valor de clientes y

buscar el impacto de promociones focalizadas, alianzas estratégicas con proveedores y

planificar eventos de comercio electrónico.

La implementación de plataformas analíticas cloud en las empresas permite gestionar

y explotar grandes volúmenes de datos; también interactuar con almacenamiento de bajo

costo y utilizar posteriormente plataformas de Big Data complementarias. Complementar la

 23

plataforma analítica con el continuo desarrollo y optimización de modelos y explotarlo con

capas de reportería BI es un potenciador muy importante para los procesos empresariales.

El camino hacia el Cloud Computing es diferente para cada compañía. Son claros los

beneficios de usar estas tecnologías y capacidades, pero ante toda adopción de proyectos

tecnológicos es importante conocer la implicancia tanto a nivel organizativo como de

procesos. Asimismo, identificar las necesidades del negocio, capacidades disponibles y

horizonte de tiempo para poder empezar a explorar opciones y diseñar el propio roadmap a

desarrollar. La adopción de esta tecnología no termina en la implementación de los proyectos,

sino en la continua evolución de las aplicaciones y con áreas dentro de las empresas que

continúen el análisis de los datos y generen valor a partir de ellos. El presente ya son los

datos y su explotación, hay que empezar a utilizarlos.

 24

7. Referencias

Jaime, G. (2012). Gerencia de ventas. McGraw-Hill Interamericana.Página: 162. Tomado de

http://www.ebooks7-24.com.ezproxybib.pucp.edu.pe:2048/?il=5378&pg=191

Prieto, J. (2015) Gerencia de ventas: Sea un animador de sus vendedores (2da ed.). Bogotá:

Ecoe ediciones.

Kelleher, John D., Mac Namee, Brian, D’Arcy, Aoife (2015). Fundamentals of Machine

Learning for Predictive Data Analytics. Algorithms, Worked Examples, and Case

Studies. The MIT Press.

DAMA International (2017). DAMA-DMBOK. Data Management Bod.