Modelo de optimización del safety stock basado en aprendizaje automático para una empresa del sector retail en Ecuador

Alarcón Lamota, Alejandro Leonidas; Lucas Aguirre, Yelena Maribel

DSpace Home
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Maestría en Ciencia de Datos
→
View Item

dc.contributor.advisor	Calva Yaguana, Karen Priscilla , Director
dc.contributor.author	Alarcón Lamota, Alejandro Leonidas
dc.contributor.author	Lucas Aguirre, Yelena Maribel
dc.creator	ESPOL.FIEC
dc.date.accessioned	2025-01-30T13:22:42Z
dc.date.available	2025-01-30T13:22:42Z
dc.date.issued	2024
dc.identifier.citation	Alarcón 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.uri	http://www.dspace.espol.edu.ec/handle/123456789/63224
dc.description	La 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.format	application/pdf
dc.format.extent	62 página
dc.language.iso	spa
dc.publisher	ESPOL.FIEC
dc.rights	openAccess
dc.subject	Safety stock
dc.subject	Supermercado
dc.subject	Aprendizaje Automático Supervisado
dc.subject	Predicción
dc.title	Modelo de optimización del safety stock basado en aprendizaje automático para una empresa del sector retail en Ecuador
dc.type	Magister en Ciencias de Datos
dc.identifier.codigoespol	T-114813
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	POSTG092
dc.description.abstractenglish	Efficient 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