Desarrollo de un Modelo Predictivo Inteligente para la Gestión de la Bodega General de una Industria Láctea mediante Redes Neuronales
No Thumbnail Available
Date
2026-02-19
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca. Facultad de Ciencias Químicas
Abstract
The Ecuadorian dairy industry is a strategic pillar of the national agri-food system, as it integrates productive chains that generate employment, added value, and a continuous supply of essential goods. However, deficiencies in inventory management and supply planning affect the operational efficiency of companies in the sector by creating imbalances between material availability and actual production requirements. In response to this problem, this study proposes the development of a predictive model for supply requirements based on machine learning and artificial neural networks, aimed at optimizing the management of the general warehouse of a dairy company located in Cuenca. The methodology was structured in three phases: a systematic literature review and initial diagnosis; the construction of the predictive model through the comparison of neural network architectures; and the evaluation of the model under alternative consumption scenarios to analyze its sensitivity and stability, along with the formulation of improvement recommendations. The results show that the hybrid MLPLSTM model improves forecasting performance compared with traditional models, especially in highly intermittent consumption series, achieving an adequate conditional mean absolute error and good generalization. In conclusion, the proposed model provides a technological tool to reduce overstock, prevent stockouts, and strengthen logistics efficiency and sustainability.
Resumen
La industria láctea ecuatoriana constituye un pilar estratégico del sistema agroalimentario nacional, al integrar cadenas productivas que generan empleo, valor agregado y abastecimiento continuo de productos de primera necesidad. Sin embargo, las deficiencias en la gestión de inventarios y en la planificación del abastecimiento afectan la eficiencia operativa de las empresas del sector, al provocar desbalances entre la disponibilidad de insumos y los requerimientos reales de producción. Frente a esta problemática, el presente estudio propone el desarrollo de un modelo predictivo de necesidades de abastecimiento basado en aprendizaje automático y redes neuronales artificiales, orientado a optimizar la
gestión de la bodega general de una industria láctea ubicada en Cuenca. La metodología se estructuró en tres fases: revisión sistemática de literatura y diagnóstico inicial; construcción del modelo predictivo con comparación de arquitecturas; y evaluación del modelo en escenarios alternativos de consumo para analizar su sensibilidad y estabilidad, además de formular recomendaciones de mejora. Los resultados evidencian que el modelo híbrido MLPLSTM mejora la capacidad de pronóstico frente a modelos tradicionales, especialmente en series de consumo con alta intermitencia, mostrando un error absoluto medio condicional adecuado y buena generalización. En conclusión, el modelo propuesto aporta una herramienta tecnológica para reducir sobrestock, prevenir faltantes y fortalecer la eficiencia y sostenibilidad logística.
Keywords
Ingeniería Industrial, Aprendizaje automático, Redes neuronales, Industria láctea
Citation
Código de tesis
TN; 611
Código de tesis
Grado Académico
Ingeniero Industrial