Show simple item record

Professor Advisordc.contributor.advisorRíos Pérez, Sebastián
Authordc.contributor.authorOrtiz Vargas, Patricio Vicente
Associate professordc.contributor.otherWeber Haas, Richard
Associate professordc.contributor.otherSilva Sánchez, Jorge
Admission datedc.date.accessioned2024-03-15T17:31:23Z
Available datedc.date.available2024-03-15T17:31:23Z
Publication datedc.date.issued2023
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/197506
Abstractdc.description.abstractEste trabajo consiste en la generación de un framework de prediccion de series de tiempo. En particular, se trabajará con una importante empresa del sector retail, que busca mejorar su planificación operacional. En este caso, se quiere reducir el costo en camiones contratados que realiza la firma de manera mensual. Para ello se contó con la información de 5 años de ventas de 128 sublíneas de productos, lo cual es equivalente a más de 200.000 registros. El primer paso, fue identificar el proceso actual para realizar las predicciones y rediseñarlo introduciendo cambios en la metodología. Luego, se procesan los datos recopilados, de manera que se pudieran aplicar diferentes algoritmos de aprendizaje supervisado sobre ellos. Posteriormente se aplican técnicas de clustering parasegmentar las series de tiempo en 6 grupos diferentes, cada uno con un comportamiento diferente, de manera de entregar profundidad en el análisis. La estimación de demanda fue realizada utilizando los algoritmos Naïve Forecast, Moving Average, ARIMA, SARIMA, SARIMAX, Holt-Winters, Random Forest, Light Gradient Boosting Machine, Extreme Gradient Boosting Machine, Redes Neuronales Artificiales y Redes Neuronales Recurrentes. Al entrenamiento de estos modelos se le agregó además, diferentes experimentos para corroborar la efectividad de los modelos al ser entrenados con distintos conjuntos de datos. Se concluye que el mejor modelo para realizar las predicciones enfocadas en el caso de uso es el modelo de Extreme Gradient Boosting Machine, que presenta una mejora de 12,4\% de WMAPE respecto al modelo ocupado actualmente. Dicha disminución en el error de las predicciones se traduce en una reducción de costes de entre 23 y 76 millones de pesos mensuales.es_ES
Lenguagedc.language.isoeses_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
Títulodc.titlePredicción de demanda de largo plazo para mejorar planificación logística en empresa del sector retailes_ES
Document typedc.typeTesises_ES
dc.description.versiondc.description.versionVersión original del autores_ES
dcterms.accessRightsdcterms.accessRightsAcceso abiertoes_ES
Catalogueruchile.catalogadorgmmes_ES
Departmentuchile.departamentoEscuela de Postgrado y Educación Continuaes_ES
Departmentuchile.departamentoDepartamento de Ingeniería Industrial.
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES
uchile.titulacionuchile.titulacionDoble Titulaciónes_ES
uchile.gradoacademicouchile.gradoacademicoMagisteres_ES
uchile.notadetesisuchile.notadetesisTesis para optar al grado de Magíster en Ciencia de Datoses_ES
uchile.notadetesisuchile.notadetesisMemoria para optar al título de Ingeniero Civil Industrial


Files in this item

Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States