Optimización de inventario en la gestión de la cadena de suministro en empresas de consumo masivo
| dc.contributor.advisor | Díaz Macías , Efraín Evaristo | |
| dc.contributor.author | Álvarez Carpio , Gilberto Germán | |
| dc.date.accessioned | 2024-09-06T14:37:58Z | |
| dc.date.available | 2024-09-06T14:37:58Z | |
| dc.date.issued | 2024 | |
| dc.description | In the global economy, inventory management and supply chain are crucial for the competitiveness and profitability of companies, especially in the fast-moving consumer goods sector. This study focuses on inventory optimization using machine learning algorithms, aiming to balance stock levels with demand and minimize storage costs. The main objective of the research is to determine optimal inventory levels by applying predictive algorithms to minimize storage costs and ensure adequate product availability. Specific objectives include conducting segmentation analysis to identify the most significant products, designing a predictive model for product demand, and estimating minimum and maximum inventory levels. Results obtained through methods such as K-means and Agglomerative Clustering revealed a robust segmentation of products into four clusters, facilitating more precise inventory management. Additionally, Pareto analysis helped identify the products that generate most of the sales and thus require more careful management. In the predictive analysis, ARIMA, Prophet, Exponential Smoothing, and Random Forest models were applied. Although ARIMA showed good performance for one of the products, the Exponential Smoothing model stood out as the most effective overall, providing the most accurate predictions for the majority of the analyzed products. Finally, the precise prediction of minimum and maximum inventory levels using Random Forest proved to be the most effective, enhancing operational efficiency and contributing significantly to the company's profitability. This research not only contributes to theoretical knowledge in inventory management but also provides practical tools for fast-moving consumer goods companies to optimize their operations in a dynamic and competitive market. | |
| dc.description.abstract | En el contexto de la economía global, la gestión de inventarios y la cadena de suministro son esenciales para la competitividad y rentabilidad de las empresas, especialmente en el sector de productos de consumo masivo. Este trabajo se enfoca en la optimización del inventario mediante el uso de algoritmos de aprendizaje automático, buscando equilibrar los niveles de stock con la demanda y minimizar los costos de almacenamiento. El objetivo principal de la investigación es determinar los niveles óptimos de inventario aplicando algoritmos predictivos para minimizar los costos asociados al almacenamiento y asegurar la disponibilidad adecuada de productos. Los objetivos específicos incluyen realizar un análisis de segmentación para identificar los productos más significativos, diseñar un modelo predictivo para la demanda de productos y estimar los niveles mínimos y máximos de inventario. Los resultados obtenidos a través de métodos como K-means y Agglomerative Clustering revelaron una segmentación robusta de los productos en cuatro clusters, lo que facilitó una gestión de inventario más precisa. Además, el análisis de Pareto ayudó a identificar los productos que generan la mayor parte de las ventas y, por ende, requieren una gestión más cuidadosa. En el análisis predictivo, se aplicaron modelos ARIMA, Prophet, Exponential Smoothing y Random Forest. Aunque ARIMA mostró un buen desempeño en uno de los productos, el modelo Exponential Smoothing se destacó como el más eficaz en general, proporcionando las predicciones más precisas para la mayoría de los productos analizados. Finalmente, la predicción precisa de los niveles mínimos y máximos de inventario mediante Random Forest demostró ser la más efectiva, mejorando la eficiencia operativa y contribuyendo a la rentabilidad de la empresa. Esta investigación no solo aporta al conocimiento teórico en la gestión de inventarios, sino que también proporciona herramientas prácticas para que las empresas de consumo masivo optimicen sus operaciones en un mercado dinámico y competitivo | |
| dc.format.extent | 96 | |
| dc.identifier.citation | Álvarez Carpio, Gilberto Germán (2024). Optimización de inventario en la gestión de la cadena de suministro en empresas de consumo masivo. Quevedo. UTEQ. 96 paginas | |
| dc.identifier.other | 1300014 | |
| dc.identifier.uri | https://repositorio.uteq.edu.ec/handle/43000/7841 | |
| dc.language.iso | spa | |
| dc.publisher | Quevedo: UTEQ | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 United States | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | |
| dc.subject | Gestión de inventarios, , , , | |
| dc.subject | Optimización | |
| dc.subject | Aprendizaje Automático | |
| dc.subject | Predicción de demanda | |
| dc.subject | Ciclo de vida de productos | |
| dc.title | Optimización de inventario en la gestión de la cadena de suministro en empresas de consumo masivo | |
| dc.type | masterThesis |
