Show simple item record

dc.rights.licensehttps://creativecommons.org/licenses/by-sa/2.5/ar/es_AR
dc.contributor.advisorMarenco, Javier
dc.contributor.authorLuque, Macarena Melinaes_AR
dc.date.accessioned2023-10-11T14:36:32Z
dc.date.available2023-10-11T14:36:32Z
dc.date.issued2023
dc.identifier.urihttps://repositorio.utdt.edu/handle/20.500.13098/12101
dc.description.abstractEste trabajo final de maestría se centra en mejorar los procesos de compra y gestión de insumos de una PYME argentina especializada en el servicio técnico integral de mantenimiento de surtidores de combustible líquido. Los insumos son componentes que desempeñan un papel fundamental en el correcto funcionamiento de los surtidores que las estaciones de servicio atendidas por el negocio poseen. Es por este motivo que resulta crucial gestionar de manera óptima la adquisición de cada uno de los insumos. Para ello, en el presente trabajo, se entrenan distintos algoritmos de aprendizaje supervisado de tipo ARIMA con el objetivo de predecir la demanda de los cinco insumos más utilizados por el negocio. Posteriormente, se desarrolla un modelo de optimización fundamentado en programación lineal para determinar la cantidad y el mes de adquisición de dichos insumos con el objetivo de minimizar sus costos de compra. En primer lugar, se analiza información histórica brindada por la empresa para identificar los cinco insumos más demandados por sus clientes. En segundo lugar, se entrenan cinco modelos de machine learning de tipo SARIMA para cada uno de los insumos seleccionados. Estos modelos permiten predecir la cantidad de insumos que los clientes demandarán durante el período comprendido entre julio 2023 y junio 2024. Los resultados de los modelos SARIMA se utilizan como componente de un modelo de optimización de tipo lot sizing para minimizar los costos de adquisición de los cinco insumos. Luego de plantear tres posibles escenarios de fluctuación de demanda, se recomienda que la empresa adquiera todos los componentes durante los primeros cinco meses del periodo analizado. Esto permitirá optimizar el proceso de compra, reducir costos innecesarios y maximizar el rendimiento del capital disponible. Este trabajo destaca la importancia de combinar los conocimientos del negocio con las herramientas de análisis de datos para que la empresa pueda tomar decisiones fundamentadas en información y así logar optimizar sus procesos de compra, minimizando sus costos y maximizando sus beneficios.es_AR
dc.format.extent59 p.es_AR
dc.format.mediumapplication/pdfes_AR
dc.languagespaes_AR
dc.languageenges_AR
dc.publisherUniversidad Torcuato Di Tellaes_AR
dc.rightsinfo:eu-repo/semantics/openAccesses_AR
dc.subjectPredicción tecnológicaes_AR
dc.subjectGestión de comprases_AR
dc.subjectPurchasing managementes_AR
dc.subjectTechnological predictiones_AR
dc.titleModelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidoreses_AR
dc.typeinfo:eu-repo/semantics/masterThesises_AR
dc.typeinfo:ar-repo/semantics/tesis de maestríaes_AR
thesis.degree.nameMaster in Management + Analyticsen
dc.subject.keywordAprendizaje automáticoes_AR
dc.subject.keywordMachine Learninges_AR
dc.subject.keywordSARIMA Machine Learninges_AR
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_AR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record