Title: | Sistema de clasificación de inventarios basado en algoritmos de Machine Learning |
Other Titles: | Sistema de Clasificación de Inventarios basado en Algoritmos de Machine Learning |
Authors: | Romero Bustamante, Carlos Johao |
metadata.dc.contributor.advisor: | Llivisaca Villazhañay, Juan Carlos |
metadata.dc.description.uri: | 0000-0003-2154-3277 |
metadata.dc.subject.other: | CIUC::Ingenierías::Tecnología Industrial::Optimización de Operaciones |
Keywords: | Ingeniería Industrial Algoritmos Inventario digital Sector automotriz |
Issue Date: | 25-Aug-2023 |
metadata.dc.format.extent: | 64 páginas |
Publisher: | Universidad de Cuenca |
metadata.dc.type: | bachelorThesis |
Abstract: | Effective inventory management is essential to optimize the control, storage and distribution
of products within a system. In this study, an approach based on statistical analysis and
machine learning algorithms was used to determine the optimal classification of items in an
automotive parts inventory system. For this purpose, a database containing the spare parts
sales of an automotive company over the course of a year was examined. By applying the Kmeans, Clustering Large Applications (CLARA) and Divisive Analysis (DIANA) algorithms,
an optimal classification distributed in three clusters was identified. In addition, a
comparative analysis with the ABC classification was performed to define the characteristics
of each cluster. The results showed that the CLARA algorithm improves inventory
management, allowing to optimize storage space, increase operational efficiency, reduce
costs, improve customer service and make informed decisions. It can be mentioned that,
some outstanding products in the resulting clusters were 2452084002, 5810159A00 and
3910045800 from clusters 1, 2 and 3 respectively; these products are relevant due to their
total sales in each cluster relating their quantity, cost and sales price. This study contributes
to the field of inventory management by demonstrating how the use of machine learning
algorithms through statistical analysis can optimize the classification of items in the
inventory, being relevant in strategic decision making through a more accurate distribution
adapted to the needs of the company. |
Description: | La gestión efectiva de inventarios es esencial para optimizar el control, almacenamiento y
distribución de productos dentro de un sistema. En este estudio, se utilizó un enfoque
basado en análisis estadístico y algoritmos de machine learning para determinar la
clasificación óptima de ítems en el sistema de inventario de repuestos del sector automotriz.
Para esto se examinó una base de datos que contenía las ventas de repuestos de una
empresa automotriz a lo largo de un año. Mediante la aplicación de los algoritmos K-medias,
Clustering Large Applications (CLARA) y Divisive Analysis (DIANA), se identificó una
clasificación óptima distribuida en tres clústeres. Además, se realizó un análisis comparativo
con la clasificación ABC para definir las características de cada agrupación. Los resultados
demostraron que el algoritmo CLARA mejora la gestión de inventarios, permitiendo
optimizar los espacios de almacenamiento, aumentar la eficiencia operativa, reducir costos,
mejorar el servicio al cliente y tomar decisiones informadas. Se puede mencionar que,
algunos productos destacados en las agrupaciones resultantes fueron el 2452084002,
5810159A00 y 3910045800 de las agrupaciones 1, 2 y 3 respectivamente; estos productos
son relevantes debido a su total de ventas en cada agrupación relacionando su cantidad,
costo y precio de venta. Este estudio contribuye al campo de la gestión de inventarios al
demostrar cómo el uso de algoritmos de machine learning mediante análisis estadístico
puede optimizar la clasificación de artículos en el inventario, siendo relevante en la toma de
decisiones estratégicas mediante una distribución más precisa y adaptada a las
necesidades de la empresa. |
URI: | http://dspace.ucuenca.edu.ec/handle/123456789/42671 |
metadata.dc.relation.ispartof: | TN;542 |
metadata.dcterms.description: | Ingeniero Industrial |
Appears in Collections: | Tesis de Pregrado
|