Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao

dc.contributorMoreno Corzo, Feisar Enrique
dc.contributorTalero Sarmiento, Leonardo Hernán
dc.contributorMoreno Corzo, Feisar Enrique [0001499008]
dc.contributorTalero Sarmiento, Leonardo Hernán [0000031387]
dc.contributorMoreno Corzo, Feisar Enrique [es&oi=ao]
dc.contributorMoreno Corzo, Feisar Enrique [0000-0002-5007-3422]
dc.contributorTalero Sarmiento, Leonardo Hernán [0000-0002-4129-9163]
dc.contributorMoreno Corzo, Feisar Enrique [Feisar-Enrique-Moreno-Corzo-2169498891]
dc.contributorTalero Sarmiento, Leonardo Hernán [Leonardo-Talero]
dc.creatorPacheco Jaimes, Daniel Andrés
dc.creatorLaguado Sequeda, Sergio Antonio
dc.date.accessioned2022-01-25T14:09:21Z
dc.date.available2022-01-25T14:09:21Z
dc.date.created2022-01-25T14:09:21Z
dc.date.issued2020
dc.identifierhttp://hdl.handle.net/20.500.12749/15361
dc.identifierinstname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifierreponame:Repositorio Institucional UNAB
dc.identifierrepourl:https://repository.unab.edu.co
dc.description.abstractEl presente proyecto propone e implementa algoritmos de inteligencia artificial con técnicas de aprendizaje profundo para el desarrollo de un prototipo de herramienta software al servicio de usuarios cuya empresa ha reconsiderado un estricto control del flujo de recursos y una mejora del desempeño organizacional mediante la predicción del comportamiento de los procesos productivos con el fin de satisfacer la demanda del mercado. Para lograr este fin, la aplicación incorpora tres modelos: uno para el pronóstico de demanda, otro para los precios de venta y un último modelo para la planeación de la producción que contempla los costos de operación; un módulo para lo que adquiere y otro módulo para lo que espera vender. A partir del desarrollo teórico de dichos modelos se realizará el diseño y prototipo correspondiente aplicable para el caso de estudio Producción de Cacao. Además, frente a la dificultad que representa la toma de decisiones en rangos de tiempo, el sistema permite al empresario llevar la trazabilidad mensual. Por consiguiente, la herramienta es un sistema idóneo para la toma de decisiones, ya que efectúa la parametrización de nivel de inventarios óptimo, pronóstico de demanda y manejo del flujo de entradas y salidas de insumos.
dc.languagespa
dc.publisherUniversidad Autónoma de Bucaramanga UNAB
dc.publisherFacultad Ingeniería
dc.publisherPregrado Ingeniería de Sistemas
dc.relationAliev, R., Fazlollahi, B., & Guirimov, B. (2007). Fuzzy-genetic approach to aggregate production-distribution planning in supply chain management. Information Sciences, 177(20), 4241–425
dc.relationBarber, D. (2011). Bayesian Reasoning and Machine Learning. Bayesian Reasoning and Machine Learning. https://doi.org/10.1017/cbo9780511804779
dc.relationBarrows, C., McBennett, B., Novacheck, J., Sigler, D., Lau, J., & Bloom, A. (2019). MultiOperator Production Cost Modeling. IEEE TRANSACTIONS ON POWER SYSTEMS, 34(6).
dc.relationBohórquez, L., Ballestas, A., & Morales, N. (2017). IMPACTO DE LA CAPACITACIÓN DEL PERSONAL EN LA PRODUCTIVIDAD EMPRESARIAL: CASO HIPERMERCADO. Dimensión Empresarial, 15(1), 210–220.
dc.relationBreiman, L. (1998). Classification and Regression Trees by Leo Breiman (Issue January).
dc.relationBustos, C., & Chacón, G. (2007). EL MRP en la gestion de investarios. Visión Gerencial, 1, 5–17. http://www.redalyc.org/articulo.oa?id=465545875010
dc.relationChuquin, N., Villagómez, P., & Oleas, J. (2020). La competitividad empresarial de las PYME’s a través de modelación matemática. 593 Digital Publisher CEIT, 5(2), 4– 13.
dc.relationDíaz, D., & Patiño, V. (2011). Implementación de sistema de gestión de inventarios para formas y color en lámina WJ Ltda
dc.relationDíaz Sepulveda, J. F. (2012). Comparación entré Arboles de Regresión CART y Regresión Lineal. 1–85.
dc.relationEspino, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso
dc.relationFurfaro, E. (n.d.). Time series analysis: Predicting Sales. Retrieved May 12, 2021, from https://emanuelaf.github.io/pred-sales.html
dc.relationHelena, G. (2017). Productividad la clave del crecimiento para Colombia.
dc.relationHoogendoorn, M. (2018). Cognitive Systems Monographs 35 Machine Learning for the Quantified Self
dc.relationIbarra, H. C., Barbus, H. C. R., González, L. A. T., & Gutiérrez, J. P. T. (2007). quipus incas. 26–33
dc.relationInteligencia Artificial - Libro online de IAAR. (2018). https://iaarbook.github.io/inteligencia-artificial/
dc.relationIttiphalin, M., & Chearanai, T. (2019). The Application of Mathematical Model for Production Planning in a Polystyrene Factory. 2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), 169–172
dc.relationJacobs, F. R., & Chase, R. B. (2014). ADMINISTRACIÓN DE OPERACIONES Producción y cadena de suministros. https://b-ok.lat/book/5869926/5213b5
dc.relationJuárez, A. C., Zuñiga, C. A., Flores, J. L. M., & Partida, D. S. (2016). Analysis of timeseries on the forecast of the demand of storage of perishable products. Estudios Gerenciales, 32(141), 387–396. https://doi.org/10.1016/j.estger.2016.11.002
dc.relationJuca, C., Narváez, C., Erazo, J., & Luna, K. (2019). Modelo de gestión y control de inventarios para la determinación de los niveles óptimos en la cadena de suministros de la Empresa Modesto Casajoana Cía. Ltda. 4(3–1), 19–39.
dc.relationKiggins, J. (2018). Avocado Prices | Kaggle. https://www.kaggle.com/neuromusic/avocado-prices
dc.relationKück, M., & Freitag, M. (2021). Forecasting of customer demands for production planning by local k-nearest neighbor models. International Journal of Production Economics, 231, 107837. https://doi.org/10.1016/j.ijpe.2020.107837
dc.relationLacouture, G., & Ibeth, C. (2018). Estrategias para lograr la transformación digital en Colombia
dc.relationMasini, F., & Vázquez, F. (2014). Compendio de modelos cuantitativos de pronósticos. In Advanced Value Group. https://books.google.com.co/books?id=fnLcBQAAQBAJ&printsec=frontcover&dq=C ompendio+de+modelos+cuantitativos+de+pronósticos&hl=es419&sa=X&ved=2ahUKEwi9z8Go19jsAhUMo1kKHSKjC50Q6AEwAHoECAIQAg#v =onepage&q=Compendio de modelos cuantitativos de pronósticos&f=fals
dc.relationMellado Silva, R., Cubillos, C., & Cabrera Paniagua, D. (2016). A constructive heuristic for solving the Job-Shop Scheduling Problem. IEEE Latin America Transactions, 14(6), 2758–2763. https://doi.org/10.1109/TLA.2016.7555250
dc.relationMwansele, H., Sichona, F., & Akarro, R. (2011). Determination of Inventory Control Policies at Urafiki Textile Mills Co Ltd in Dar-es-Salaam, Tanzania
dc.relationNa8. (2019). Pronóstico de Series Temporales con Redes Neuronales en Python | Aprende Machine Learning. https://www.aprendemachinelearning.com/pronosticode-series-temporales-con-redes-neuronales-en-python/
dc.relationPereira, D., Oliveira, J., & Carravilla, M. (2020). Tactical sales and operations planning: A holistic framework and a literature review of decision-making models. 228(107695).
dc.relationRincón, L. (2011). Introducción a los PROCESOS ESTOCÁSTICOS. http://www.matematicas.unam.mx/lars
dc.relationRodríguez, G. G., Gonzalez-Cava, J., & Mendez, J. A. (n.d.). An intelligent decision support system for production planning based on machine learning(Article). Journal of Intelligent Manufacturing, 31(5), 1257–1273. https://doi.org/10.1007/s10845-01901510-y
dc.relationSerna, S. C. (2009). Comparacion de Arboles de Regresión y Clasificación y regresión logística.
dc.relationSerrano, A., Soria, E., & Martín, J. (2009). Redes neuronales artificiales. In Escuela Técnica Superior de Ingeniería,: Vol. Programa 3.
dc.relationSingh Manjeet. (2017). Retail Data Analytics | Kaggle. https://www.kaggle.com/manjeetsingh/retaildataset?select=sales+data-set.csv
dc.relationSridharan, V., & LaForge, R. L. (2006). RESOURCE PLANNING: MRP TO MRPII AND ERP. In Encyclopedia of Production and Manufacturing Management (pp. 641– 645). Springer US. https://doi.org/10.1007/1-4020-0612-8_818
dc.relationStephen, M. (2014). Machine Learning An Algorithmic Perspective Second Edition. https://b-ok.cc/book/2543746/ef80cb
dc.relationSum, C.-C., & Ng, K.-K. (2006). MRP IMPLEMENTATION. In Encyclopedia of 97 97 Production and Manufacturing Management (pp. 470–474). Springer US. https://doi.org/10.1007/1-4020-0612-8_601
dc.relationZheng, J., Kobayashi, Y., Takahashi, Y., Yanagida, T., Sato, T., & Hitaka, D. (2020). MLCP: A Framework Integrating with Machine Learning and Optimization for Planning and Scheduling in Manufacturing and Services. IEEE 15th International Conference of System of Systems Engineering, 123–128.
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rightsAbierto (Texto Completo)
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.titlePrototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao


Este ítem pertenece a la siguiente institución