Aplicación de machine learning para el control interno de la identificación de anomalías y proyección de mermas en la producción de papel higiénico: un enfoque de auditoría

Flores de Valgas Williams, Anibal Samuel; García Moreno, Victor Andrés

DSpace Home
→
Unidades Académicas
→
Facultad de Ciencias Sociales y Humanísticas
→
Tesis en Auditoría y Control de Gestión FCSH
→
View Item

dc.contributor.advisor	Espinoza Tóala, Jessica, , Director
dc.contributor.author	Flores de Valgas Williams, Anibal Samuel
dc.contributor.author	García Moreno, Victor Andrés
dc.creator	ESPOL
dc.date.accessioned	2023-10-06T16:30:20Z
dc.date.available	2023-10-06T16:30:20Z
dc.date.issued	2023
dc.identifier.citation	Flores de Valgas Williams, A. S. y García Moreno, V. A. (2023). Aplicación de machine learning para el control interno de la identificación de anomalías y proyección de mermas en la producción de papel higiénico: un enfoque de auditoría. [Proyecto integrador]. ESPOL. FCSH .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/58323
dc.description	La industria ecuatoriana de fabricación de papel higiénico se enfrenta al importante desafío de controlar y reducir las mermas durante el proceso de fabricación. Las variaciones significativas en los porcentajes de desperdicio en la empresa "PapelGo" han llevado a costos innecesarios y una disminución de la rentabilidad. Una falta de control en la producción de mermas en 2022 generó mermas superiores al 5.5% permitido y aceptable, lo que hizo que se necesitara una solución. Se recomienda la implementación de métodos de machine learning, particularmente el modelo de memoria de larga duración LSTM. En la producción de papel higiénico, este método permite la detección precisa de anomalías y la proyección de mermas eficientes. El modelo LSTM identifica patrones complejos y relaciones causales entre múltiples variables interrelacionadas al analizar datos históricos y en tiempo real. Esto brinda información útil para la optimización de procesos y la toma de decisiones inteligentes. A medida que se obtienen más datos, el modelo LSTM aprovecha su capacidad de capturar relaciones temporales y su aprendizaje continuo, lo que resulta en una detección y proyección de mermas más precisas. Esta nueva solución no solo mejora la eficiencia operativa y reduce costos, sino que también actualiza las prácticas de auditoría y control de la empresa "PapelGo", lo que aumenta su competitividad y sostenibilidad en el mercado
dc.format	application/pdf
dc.format.extent	81 páginas
dc.language.iso	spa
dc.publisher	ESPOL
dc.rights	openAccess
dc.subject	Machine Learning
dc.subject	Desperdicios
dc.subject	Detección de Anomalías
dc.subject	Proyección de Merma
dc.title	Aplicación de machine learning para el control interno de la identificación de anomalías y proyección de mermas en la producción de papel higiénico: un enfoque de auditoría
dc.type	Licenciado en Auditoría y Control de Gestión
dc.identifier.codigoespol	T-113672
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	ADMI-921
dc.description.abstractenglish	The Ecuadorian toilet paper manufacturing industry faces the important challenge of controlling and reducing waste during the manufacturing process. Significant variations in waste percentages in the company "PapelGo" have led to unnecessary costs and a decrease in profitability. A lack of control in the production of shrinkage in 2022 generated shrinkage in excess of the 5.5% allowed, which led to the need for a solution. The implementation of machine learning methods is recommended, particularly the LSTM long-time memory model. In toilet paper production, this method enables accurate anomaly detection and efficient shrinkage projection. The LSTM model identifies complex patterns and causal relationships between multiple interrelated variables by analyzing historical and real-time data. This provides useful information for process optimization and intelligent decision making. As more data is obtained, the LSTM model leverages its ability to capture temporal relationships and continuous learning, resulting in more accurate shrink detection and projection. This new solution not only improves operational efficiency and reduces costs, but also updates the audit and control practices of the "PapelGo" company, increasing its competitiveness and sustainability in the market.