Medellín - Minas - Maestría en Ingeniería - Analítica · 2025
Modelo para predicción de la demanda potencial basado en Machine Learning aplicado en una empresa del sector textil y moda colombiano – caso de estudio aplicado al mercado de California
El desafío para predecir la demanda de las compañías del sector textil moda constituye un aspecto fundamental para incrementar el volumen de ventas con un adecuado manejo del inventario. En este contexto, las compañías pueden acceder a ventajas competitivas que soporten el constante cambio del mercado global. Esta investigación aborda dicho desafío desarrollando un método de predicción de la demanda empleando técnicas de aprendizaje de máquinas. A través de un conjunto de datos representativo, que incluye información detallada sobre las ventas e inventario de una compañía del sector textil moda en el canal de comercio electrónico, se ajustan técnicas de aprendizaje de máquina, utilizando un enfoque de redes neuronales recurrentes, específicamente LSTM, y XGBoost. Los resultados obtenidos demuestran que el método propuesto alcanza una precisión general del 80,3%, demostrando su habilidad para predecir la demanda. La investigación aporta al campo del comercio electrónico de las empresas del sector textil moda con presencia en el mercado de Estados Unidos de América un enfoque predictivo que se centra en la precisión y la generalización. Este enfoque de generalización implica que el modelo no está restringido a un conjunto de datos específico o a condiciones de mercado particulares, sino que puede ajustarse y mantener su precisión ante los cambios dinámicos que presenta el comercio electrónico. (Tomado de la fuente)
Texto completo 64 páginas con texto de 66
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 11
- Capitulo Introductoriop. 14
- Planteamiento del problemap. 14
- Objetivo generalp. 14
- Objetivos específicosp. 15
- Metodologíap. 15
- Alcances del trabajop. 16
- Marco teóricop. 17
- Estado del artep. 21
- Revisión de literaturap. 21
- 3.1.1 Selección de Términos de Búsquedap. 21
- 3.1.2 Preguntas de Investigaciónp. 23
- 3.1.3 Criterios de inclusión y exclusiónp. 23
- 3.1.4 Procedimiento de selección de artículosp. 25
- Identificación de métodosp. 26
- 3.2.1 Justificaciónp. 27
- 3.2.2 Metodosp. 28
- Selección de métodosp. 31
- Diseño e implementaciónp. 33
- Selección de los datos y variablesp. 34
- 4.1.1 Obtención de los datosp. 34
- 4.1.2 Descripción de los datosp. 35
- 4.1.3 Variables de entradap. 36
- Internasp. 36
- Modelop. 36
- 4.2.1 Exploración inicial de los datosp. 36
- 4.2.2 Resumen de los datosp. 37
- 4.2.3 Resumen estadístico de los datosp. 38
- 4.2.4 Resumen de la calidad de los datosp. 44
- 4.2.5 Preprocesado y análisis exploratorio de los datosp. 44
- Limpieza y transformación de los datosp. 44
- Análisis de los datosp. 45
- 4.2.6 Escalado de los datosp. 51
- 4.2.7 Características adicionalesp. 52
- 4.2.8 Análisis de componentes principales (PCA)p. 52
- 4.2.9 Modeladop. 53
- Selección de modelosp. 53
- Definición de indicadores de precisiónp. 54
- Validación del modelop. 55
- 4.3.1 Definición de rango de entrenamiento y validaciónp. 55
- 4.3.2 Elección de hiperparámetrosp. 56
- Análisis de resultadosp. 57
- 5.1.1 Resultados de precisión obtenidosp. 57
- 5.1.2 Comparación de los resultados obtenidosp. 57
- 5.1.3 Resultados de predicción en data set originalp. 58
- 5.1.4 Análisis de los resultados obtenidosp. 58
- Conclusiones y recomendacionesp. 59
- Lecciones aprendidasp. 60
- Logro de objetivosp. 60
- Recomendacionesp. 61
- Bibliografíap. 63
- Figura 2-1: Grafica de demanda en el mercadop. 17
- Figura 2-2: representación del ciclo de ventasp. 18
- Figura 2-3: representación del mercado en el sector modap. 19
- Figura 3-1: Gráfica de ventas vs previsión de la demandap. 28
- Figura 4-1: ASUM-DMp. 33
- Figura 4-2: Estadísticos de ventasp. 38
- Figura 4-3: Estadísticos de inventariop. 38
- Figura 4-4: Estadísticos de dias_festivosp. 39
- Figura 4-5: Estadísticos de maestro_productosp. 39
- Figura 4-6: Estadísticos de TRMp. 40
- Figura 4-7: Estadísticos de ventasp. 40
- Figura 4-8: Diagrama de cajas de net_quantityp. 41
- Figura 4-9: Diagrama de cajas de cantidadFisicaInventariop. 42
- Figura 4-10: Diagrama de cajas de net_salesp. 43
- Figura 4-11: Diagrama de cajas de costo_totalp. 43
- Figura 4-12: Ventas en diferentes agregaciones temporalesp. 45
- Figura 4-13: Ventas por la línea de productop. 46
- Figura 4-14: Ventas por ciudadp. 47
- Figura 4-15: Ventas e inventario en diferentes agregaciones temporalesp. 48
- Figura 4-16: Grafico de correlaciónp. 49
- Figura 4-17: Gráfico de autocorrelación ACFp. 49
- Figura 4-18: Gráfico de autocorrelación PACFp. 50
- Figura 4-19: Gráfica de unidades vendidas a lo largo del tiempop. 50
- Figura 4-20: Descomposición de la serie temporalp. 51
- Figura 4-21: PCA de Ventasp. 52
- Figura 5-1: Cantidad de ventas vs predicción de cantidad de ventasp. 58
- Tabla 3-1: Conceptos preliminares antes del cotejo con tesaurosp. 22
- Tabla 3-2: Conceptos posterior al cotejo con tesaurosp. 22
- Tabla 3-4: Resultados de modelosp. 32
- Tabla 5-1: Comparación de métricas para diferentes algoritmos en el modelo finalp. 57
- Tabla 5-2: Comparación de métricas para diferentes algoritmosp. 57