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

dc.contributor.advisorMoreno Corzo, Feisar Enrique
dc.contributor.advisorTalero Sarmiento, Leonardo Hernán
dc.contributor.authorPacheco Jaimes, Daniel Andrés
dc.contributor.authorLaguado Sequeda, Sergio Antonio
dc.contributor.cvlacMoreno Corzo, Feisar Enrique [0001499008]spa
dc.contributor.cvlacTalero Sarmiento, Leonardo Hernán [0000031387]spa
dc.contributor.googlescholarMoreno Corzo, Feisar Enrique [es&oi=ao]spa
dc.contributor.orcidMoreno Corzo, Feisar Enrique [0000-0002-5007-3422]spa
dc.contributor.orcidTalero Sarmiento, Leonardo Hernán [0000-0002-4129-9163]spa
dc.contributor.researchgateMoreno Corzo, Feisar Enrique [Feisar-Enrique-Moreno-Corzo-2169498891]spa
dc.contributor.researchgateTalero Sarmiento, Leonardo Hernán [Leonardo-Talero]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialColombiaspa
dc.date.accessioned2022-01-25T14:09:21Z
dc.date.available2022-01-25T14:09:21Z
dc.date.issued2020
dc.degree.nameIngeniero de Sistemasspa
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.spa
dc.description.abstractenglishThis project proposes and implements artificial intelligence algorithms with deep learning techniques for the development of a prototype of a software tool at the service of users whose company has reconsidered a strict control of the flow of resources and an improvement of organizational performance by predicting behavior. of production processes in order to satisfy market demand. To achieve this end, the application incorporates three models: one for forecasting demand, another for selling prices and a last model for planning production that considers operating costs; a module for what you buy and another module for what you hope to sell. Based on the theoretical development of these models, the corresponding design and prototype applicable to the Cocoa Production case study will be made. In addition, given the difficulty of making decisions in time ranges, the system allows the employer to carry out monthly traceability. Consequently, the tool is an ideal system for decision-making, since it carries out the parameterization of the optimal inventory level, demand forecast and management of the inflow and outflow of inputs.spa
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontents1 PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN 10 1.1 PLANTEAMIENTO DEL PROBLEMA 10 1.2 JUSTIFICACIÓN 11 2 OBJETIVOS Y PRODUCTOS 12 2.1 OBJETIVO GENERAL 12 2.2 OBJETIVOS ESPECÍFICOS 12 2.3 RESULTADOS OBTENIDOS 12 3 ANTECEDENTES Y ESTADO DEL ARTE 14 3.1 ANTECEDENTES 14 3.2 ESTADO DEL ARTE 15 4 MARCO TEÓRICO 21 4.1 TEORÍA DE INVENTARIOS 21 4.1.1 Sistemas de inventarios. 21 4.2 Sistemas MRP 23 4.2.1 MRP II 24 4.3 INTELIGENCIA ARTIFICIAL 24 4.3.1 Aprendizaje automático 25 4.4 PROCESOS ESTOCÁSTICOS 28 4.4.1 Procesos con incrementos independientes 28 4.4.2 Procesos con incrementos estacionarios 28 4.4.3 Procesos estacionarios 29 4.5 MODELOS PREDICTIVOS 29 4.5.1 Métodos cuantitativos de pronóstico. 29 4.6 TÉCNICAS ESTADÍSTICAS DE PREDICCIÓN 31 4.6.1 Árboles de clasificación y regresión. 31 4.7 REDES NEURONALES ARTIFICIALES 32 4.7.1 Analogía de la estructura básica de una red neuronal 33 4.7.2 Arquitectura y funcionamiento una red neuronal artificial 34 5 MARCO METODOLÓGICO 39 5.1 HERRAMIENTA DE DESARROLLO 39 5.2 ARQUITECTURA DE SOFTWARE 40 5.3 METODOLOGÍA DE DESARROLLO 41 5.4 REQUERIMIENTOS 43 5.5 DISEÑO DEL PROTOTIPO 43 5.5.1 Casos de uso 43 5.5.2 Descripción de Casos de uso 45 5.5.3 Diagramas de secuencia 60 5.6 DISEÑO DE INTERFACES 71 5.7 DISEÑO DE BASE DATOS RELACIONAL 75 5.8 RED NEURONAL 76 6 RESULTADOS 78 6.1 PRODUCTO FINAL 78 6.2 PRUEBAS REALIZADAS 79 6.2.1 Pruebas realizadas sobre el modelo 79 6.2.2 Pruebas de usuario final 82 6.3 RESULTADOS OBTENIDOS 83 6.3.1 Resultados obtenidos de pruebas sobre el modelo 83 6.3.2 Resultados obtenidos de pruebas de usuario 88 6.4 ANALISIS DE LOS RESULTADOS 92 7 CONCLUSIONES Y RECOMENDACIONES 93 7.1 CONCLUSIONES 93 7.2 RECOMENDACIONES 94 BIBLIOGRAFÍA 95 ANEXOS 98 MANUAL DE USUARIO 98spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/15361
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.relation.referencesAliev, R., Fazlollahi, B., & Guirimov, B. (2007). Fuzzy-genetic approach to aggregate production-distribution planning in supply chain management. Information Sciences, 177(20), 4241–425spa
dc.relation.referencesBarber, D. (2011). Bayesian Reasoning and Machine Learning. Bayesian Reasoning and Machine Learning. https://doi.org/10.1017/cbo9780511804779spa
dc.relation.referencesBarrows, C., McBennett, B., Novacheck, J., Sigler, D., Lau, J., & Bloom, A. (2019). MultiOperator Production Cost Modeling. IEEE TRANSACTIONS ON POWER SYSTEMS, 34(6).spa
dc.relation.referencesBohórquez, L., Ballestas, A., & Morales, N. (2017). IMPACTO DE LA CAPACITACIÓN DEL PERSONAL EN LA PRODUCTIVIDAD EMPRESARIAL: CASO HIPERMERCADO. Dimensión Empresarial, 15(1), 210–220.spa
dc.relation.referencesBreiman, L. (1998). Classification and Regression Trees by Leo Breiman (Issue January).spa
dc.relation.referencesBustos, C., & Chacón, G. (2007). EL MRP en la gestion de investarios. Visión Gerencial, 1, 5–17. http://www.redalyc.org/articulo.oa?id=465545875010spa
dc.relation.referencesChuquin, 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.spa
dc.relation.referencesDíaz, D., & Patiño, V. (2011). Implementación de sistema de gestión de inventarios para formas y color en lámina WJ Ltdaspa
dc.relation.referencesDíaz Sepulveda, J. F. (2012). Comparación entré Arboles de Regresión CART y Regresión Lineal. 1–85.spa
dc.relation.referencesEspino, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su usospa
dc.relation.referencesFurfaro, E. (n.d.). Time series analysis: Predicting Sales. Retrieved May 12, 2021, from https://emanuelaf.github.io/pred-sales.htmlspa
dc.relation.referencesHelena, G. (2017). Productividad la clave del crecimiento para Colombia.spa
dc.relation.referencesHoogendoorn, M. (2018). Cognitive Systems Monographs 35 Machine Learning for the Quantified Selfspa
dc.relation.referencesIbarra, H. C., Barbus, H. C. R., González, L. A. T., & Gutiérrez, J. P. T. (2007). quipus incas. 26–33spa
dc.relation.referencesInteligencia Artificial - Libro online de IAAR. (2018). https://iaarbook.github.io/inteligencia-artificial/spa
dc.relation.referencesIttiphalin, 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), 169–172spa
dc.relation.referencesJacobs, F. R., & Chase, R. B. (2014). ADMINISTRACIÓN DE OPERACIONES Producción y cadena de suministros. https://b-ok.lat/book/5869926/5213b5spa
dc.relation.referencesJuárez, 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.2016.11.002spa
dc.relation.referencesJuca, 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.spa
dc.relation.referencesKiggins, J. (2018). Avocado Prices | Kaggle. https://www.kaggle.com/neuromusic/avocado-pricesspa
dc.relation.referencesKück, 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.2020.107837spa
dc.relation.referencesLacouture, G., & Ibeth, C. (2018). Estrategias para lograr la transformación digital en Colombiaspa
dc.relation.referencesMasini, 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=falsspa
dc.relation.referencesMellado 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.2016.7555250spa
dc.relation.referencesMwansele, H., Sichona, F., & Akarro, R. (2011). Determination of Inventory Control Policies at Urafiki Textile Mills Co Ltd in Dar-es-Salaam, Tanzaniaspa
dc.relation.referencesNa8. (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/spa
dc.relation.referencesPereira, D., Oliveira, J., & Carravilla, M. (2020). Tactical sales and operations planning: A holistic framework and a literature review of decision-making models. 228(107695).spa
dc.relation.referencesRincón, L. (2011). Introducción a los PROCESOS ESTOCÁSTICOS. http://www.matematicas.unam.mx/larsspa
dc.relation.referencesRodríguez, 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-yspa
dc.relation.referencesSerna, S. C. (2009). Comparacion de Arboles de Regresión y Clasificación y regresión logística.spa
dc.relation.referencesSerrano, A., Soria, E., & Martín, J. (2009). Redes neuronales artificiales. In Escuela Técnica Superior de Ingeniería,: Vol. Programa 3.spa
dc.relation.referencesSingh Manjeet. (2017). Retail Data Analytics | Kaggle. https://www.kaggle.com/manjeetsingh/retaildataset?select=sales+data-set.csvspa
dc.relation.referencesSridharan, 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_818spa
dc.relation.referencesStephen, M. (2014). Machine Learning An Algorithmic Perspective Second Edition. https://b-ok.cc/book/2543746/ef80cbspa
dc.relation.referencesSum, 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_601spa
dc.relation.referencesZheng, 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.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsSystems engineerspa
dc.subject.keywordsTechnological innovationsspa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsProduction planningspa
dc.subject.keywordsDecision-makingspa
dc.subject.keywordsDemand forecastingspa
dc.subject.keywordsProduction costspa
dc.subject.keywordsTraceability systemsspa
dc.subject.keywordsAlgorithmsspa
dc.subject.keywordsPrototype developmentspa
dc.subject.keywordsSoftware developmentspa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembDesarrollo de prototiposspa
dc.subject.lembDesarrollo de softwarespa
dc.subject.lembAlgoritmosspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalPlanificación de producciónspa
dc.subject.proposalCosto de producciónspa
dc.subject.proposalToma de decisionesspa
dc.subject.proposalPronóstico de la demandaspa
dc.subject.proposalSistema de trazabilidadspa
dc.titlePrototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacaospa
dc.title.translatedPrototype of a software tool for generating an inventory forecast using artificial intelligence algorithms: Cocoa production case studyspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTrabajo de Gradospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP

Archivos

Bloque original

Mostrando 1 - 2 de 2
Cargando...
Miniatura
Nombre:
2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdf
Tamaño:
3.58 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Cargando...
Miniatura
Nombre:
2021_Licencia.pdf
Tamaño:
214.5 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
829 B
Formato:
Item-specific license agreed upon to submission
Descripción: