1. DSpace en ESPOL
  2. Unidades Académicas
  3. Facultad de Ingeniería en Electricidad y Computación
  4. Tesis de Maestría en Ciencia de Datos
Please use this identifier to cite or link to this item: http://www.dspace.espol.edu.ec/handle/123456789/63224
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorCalva Yaguana, Karen Priscilla , Director-
dc.contributor.authorAlarcón Lamota, Alejandro Leonidas-
dc.contributor.authorLucas Aguirre, Yelena Maribel-
dc.creatorESPOL.FIEC-
dc.date.accessioned2025-01-30T13:22:42Z-
dc.date.available2025-01-30T13:22:42Z-
dc.date.issued2024-
dc.identifier.citationAlarcón Lamota, A. L. y Lucas Aguirre, Y. M. (2024). Modelo de optimización del safety stock basado en aprendizaje automático para una empresa del sector retail en Ecuador Magister en Ciencias de Datos. [Proyecto de Titulación]. ESPOL.FIEC .-
dc.identifier.urihttp://www.dspace.espol.edu.ec/handle/123456789/63224-
dc.descriptionLa gestión eficiente del inventario es crucial para las empresas, ya que influye directamente en la rentabilidad y en la satisfacción del cliente. El equilibrio entre evitar faltantes y reducir los costos asociados al exceso de stock es un desafío constante en este sector. Esta tesis se enfoca en la implementación de un modelo de optimización del safety stock utilizando técnicas de aprendizaje automático supervisado en una cadena de supermercado en Ecuador. El objetivo principal es predecir el safety stock de productos para reducir faltantes y maximizar la rotación de mercadería. Se identificaron productos perecibles de alta importancia, se seleccionaron algoritmos de aprendizaje automático adecuados y se integró el modelo en una plataforma para su uso práctico. Los resultados indican que el modelo Random Forest Regressor es la opción más robusta. Las conclusiones sugieren continuar utilizando este modelo, realizar actualizaciones periódicas, fomentar la colaboración entre usuarios y el sistema de predicción, y monitorear de cerca las condiciones cambiantes en el mercado minorista. Palabras Clave: Safety stock, Supermercado, Aprendizaje Automático Supervisado, Predicción-
dc.formatapplication/pdf-
dc.format.extent62 página-
dc.language.isospa-
dc.publisherESPOL.FIEC-
dc.rightsopenAccess-
dc.subjectSafety stock-
dc.subjectSupermercado-
dc.subjectAprendizaje Automático Supervisado-
dc.subjectPredicción-
dc.titleModelo de optimización del safety stock basado en aprendizaje automático para una empresa del sector retail en Ecuador-
dc.typeMagister en Ciencias de Datos-
dc.identifier.codigoespolT-114813-
dc.description.cityGuayaquil-
dc.description.degreeEscuela Superior Politécnica del Litoral-
dc.identifier.codigoproyectointegradorPOSTG092-
dc.description.abstractenglishEfficient inventory management is of paramount importance for supermercado companies as it directly influences profitability and customer satisfaction. Striking a balance between avoiding stockouts and reducing the costs associated with excess stock is an ongoing challenge in this sector. This thesis focuses on the implementation of a safety stock optimization model using supervised machine learning techniques in a supermercado chain in Ecuador. The primary objective is to predict safety stock for products to reduce stockouts and maximize merchandise turnover. High-importance perishable products were identified, suitable machine learning algorithms were selected, and the model was integrated into a practical platform. Results indicate that the Random Forest Regressor model is the most robust option. The conclusions suggest continuing to use this model, making periodic updates, promoting collaboration between users and the prediction system, and closely monitoring changing market conditions in supermercado. Keywords: Safety Stock, Reatil, Supervised Machine learning, Forecast-
Appears in Collections:Tesis de Maestría en Ciencia de Datos

Files in This Item:
File SizeFormat 
T-114813 POSTG092 ALEJANDRO ALARCON-YELENA LUCAS.pdf1.54 MBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.