Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica

Actualmente la línea de ritmo cardiaco de Medtronic Latino-America, se ha visto notablemente impactada por el desabastecimiento de componentes clave y la falta de mano de obra, para la manufactura de dispositivos médicos como lo son marcapasos y desfibriladores médicos implantables. Para el año 2022...

Full description

Autores:
Tipo de recurso:
Fecha de publicación:
2023
Institución:
Universidad del Rosario
Repositorio:
Repositorio EdocUR - U. Rosario
Idioma:
spa
OAI Identifier:
oai:repository.urosario.edu.co:10336/40072
Acceso en línea:
https://doi.org/10.48713/10336_40072
https://repository.urosario.edu.co/handle/10336/40072
Palabra clave:
Ritmo cardiaco
Modelo predictivo
Inteligencia artificial
Holt Winters
ARIMA
CRISP-DM
Medtronic
Cardiac Rhythm
Predictive model
Forecast
Artificial intelligence
Holt Winters
ARIMA
CRISP-DM
Medtronic
Rights
License
Attribution-NonCommercial-NoDerivatives 4.0 International
id EDOCUR2_7e3aefdeb527e831674d86016ad3e1a5
oai_identifier_str oai:repository.urosario.edu.co:10336/40072
network_acronym_str EDOCUR2
network_name_str Repositorio EdocUR - U. Rosario
repository_id_str
dc.title.none.fl_str_mv Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica
title Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica
spellingShingle Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica
Ritmo cardiaco
Modelo predictivo
Inteligencia artificial
Holt Winters
ARIMA
CRISP-DM
Medtronic
Cardiac Rhythm
Predictive model
Forecast
Artificial intelligence
Holt Winters
ARIMA
CRISP-DM
Medtronic
title_short Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica
title_full Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica
title_fullStr Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica
title_full_unstemmed Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica
title_sort Sistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic Latinoamérica
dc.contributor.advisor.none.fl_str_mv Calvo López, John Pablo
dc.subject.none.fl_str_mv Ritmo cardiaco
Modelo predictivo
Inteligencia artificial
Holt Winters
ARIMA
CRISP-DM
Medtronic
topic Ritmo cardiaco
Modelo predictivo
Inteligencia artificial
Holt Winters
ARIMA
CRISP-DM
Medtronic
Cardiac Rhythm
Predictive model
Forecast
Artificial intelligence
Holt Winters
ARIMA
CRISP-DM
Medtronic
dc.subject.keyword.none.fl_str_mv Cardiac Rhythm
Predictive model
Forecast
Artificial intelligence
Holt Winters
ARIMA
CRISP-DM
Medtronic
description Actualmente la línea de ritmo cardiaco de Medtronic Latino-America, se ha visto notablemente impactada por el desabastecimiento de componentes clave y la falta de mano de obra, para la manufactura de dispositivos médicos como lo son marcapasos y desfibriladores médicos implantables. Para el año 2022 se ha visto una disminución de la disponibilidad del producto en aproximadamente en un 15%, lo que ha afectado notablemente a las ventas y las relaciones con cada uno de los clientes de la compañía. Teniendo en cuenta el problema planteado, el presente proyecto empresarial tiene como fin desarrollar un sistema de predicción de demanda, donde se evaluó el desempeño de dos técnicas de inteligencia artificial (Holt Winters y ARIMA), teniendo como base el comportamiento de la demanda en los últimos 4 años y aplicando la metodología CRISP-DM para su desarrollo. Al comparar las dos técnicas utilizadas, se logra identificar que la ARIMA presentó una mayor eficiencia con respecto a la técnica Holt Winters, por lo cual se recomienda aplicar la misma al momento de predecir la demanda de dispositivos.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-07-06T20:25:12Z
dc.date.available.none.fl_str_mv 2023-07-06T20:25:12Z
dc.date.created.none.fl_str_mv 2023-06-17
dc.date.embargoEnd.none.fl_str_mv info:eu-repo/date/embargoEnd/2023-09-06
dc.type.none.fl_str_mv bachelorThesis
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.document.none.fl_str_mv Trabajo de grado
dc.type.spa.none.fl_str_mv Trabajo de grado
dc.identifier.doi.none.fl_str_mv https://doi.org/10.48713/10336_40072
dc.identifier.uri.none.fl_str_mv https://repository.urosario.edu.co/handle/10336/40072
url https://doi.org/10.48713/10336_40072
https://repository.urosario.edu.co/handle/10336/40072
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.*.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_f1cf
dc.rights.acceso.none.fl_str_mv Restringido (Temporalmente bloqueado)
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
Restringido (Temporalmente bloqueado)
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_f1cf
dc.format.extent.none.fl_str_mv 46 pp
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad del Rosario
dc.publisher.department.none.fl_str_mv Escuela de Administración
Escuela de Ingeniería, Ciencia y Tecnología
dc.publisher.program.none.fl_str_mv Maestría en Business Analytics
publisher.none.fl_str_mv Universidad del Rosario
institution Universidad del Rosario
dc.source.bibliographicCitation.none.fl_str_mv Ayala Castrejón, R. F., & Bucio Pacheco, C. (2020). Modelo ARIMA aplicado al tipo de cambio peso-dólar en el periodo 2016-2017 mediante ventanas temporales deslizantes. Mexican Journal of Economics & Finance / Revista Mexicana de Economia y Finanzas, 15(3), 331–354. http://ez.urosario.edu.co/login?url=https://search.ebscohost.com/login.aspx?direct=true&AuthType=ip&db=eoh&AN=EP144434364&lang=es&site=eds-live&scope=site
Banerjee, P. (2020). ARIMA Model for Time Series Forecasting. Kaggle. https://www.kaggle.com/code/prashant111/arima-model-for-time-series-forecasting
Brockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting. Springer International Publishing. https://doi.org/10.1007/978-3-319-29854-2
De Livera, A. M., Hyndman, R. J., & Snyder, R. D. (2011). Forecasting Time Series With Complex Seasonal Patterns Using Exponential Smoothing. Journal of the American Statistical Association, 106(496), 1513–1527. https://doi.org/10.1198/jasa.2011.tm09771
Dyatkin, B., & Meng, Y. S. (2020). COVID-19 disrupts battery materials and manufacture supply chains, but outlook remains strong. MRS Bulletin, 45(9), 700–702. https://doi.org/10.1557/mrs.2020.239
Ersöz, N. Ş., Güner, P., Akbaş, A., & Baki̇R-Gungor, B. (2022). Comparative Performance Analysis of ARIMA, Prophet and Holt-Winters Forecasting Methods on European COVID-19 Data. International Journal of 3D Printing Technologies and Digital Industry. https://doi.org/10.46519/ij3dptdi.1120718
Gilley, S., Franks, L., Gayhardt, L., & Salgado, S. (2023). Azure Machine Learning architecture—Azure Architecture Center. Azure. https://learn.microsoft.com/en-us/azure/architecture/solution-ideas/articles/azure-machine-learning-solution-architecture
Haffner, O., Kučera, E., & Moravčík, M. (2020). Sales Prediction of Svijany Slovakia, Ltd. Using Microsoft Azure Machine Learning and ARIMA. 2020 Cybernetics & Informatics (K&I), 1–9. https://doi.org/10.1109/KI48306.2020.9039875
Hyndman, R., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice (2a ed.). https://otexts.com/fpp2/
Makridakis, S., Wheelwright, S., & Hyndman, R. J. (1997). Forecasting: Methods and Applications. John Wiley & Sons. https://research.monash.edu/en/publications/forecasting-methods-and-applications-3rd-ed
Medtronic. (2021). Misión. Nuestra Misión. https://latinoamerica.medtronic.com/xl-es/our-company/mission.html
Medtronic. (2023). The Medtronic story: Leading healthcare technology innovation since 1949. https://www.medtronic.com/us-en/our-company/history.html
Microsoft Inc. (2023). Azure Machine Learning—ML as a Service | Microsoft Azure. https://azure.microsoft.com/en-us/products/machine-learning
Modgil, S., Gupta, S., Stekelorum, R., & Laguir, I. (2021). AI technologies and their impact on supply chain resilience during COVID-19. International Journal of Physical Distribution & Logistics Management, 52(2), 130–149. https://doi.org/10.1108/IJPDLM-12-2020-0434
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2008). Introduction to time series analysis and forecasting. Wiley-Interscience.
Oracle. (2022, mayo 25). Cx_Oracle’s documentation. https://cx-oracle.readthedocs.io/en/latest/ Panwar, R., Pinkse, J., & De Marchi, V. (2022). The Future of Global Supply Chains in a Post-COVID-19 World. California Management Review, 64(2), 5–23. https://doi.org/10.1177/00081256211073355
Rodriguez, M., Cisneros, H., Arcos-Aviles, D., & Martinez, W. (2022). Forecast of photovoltaic generation in isolated rural areas of Ecuador using Holt-Winters and seasonal variation methods. IECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics Society, Industrial Electronics Society, IECON 2022 – 48th Annual Conference of the IEEE, 1–6. https://doi.org/10.1109/IECON49645.2022.9968817
Tachu, E. (2022). A quantitative study of the relationship between cloud flexibility and on-premise flexibility. Issues In Information Systems, 23. https://doi.org/10.48009/1_iis_2022_117
Timperley, J., Leeson, P., Mitchell, A. R., & Betts, T. (2019). Pacemakers and ICDs. Oxford University Press.
Tsao, C. W., Aday, A. W., Almarzooq, Z. I., Alonso, A., Beaton, A. Z., Bittencourt, M. S., Boehme, A. K., Buxton, A. E., Carson, A. P., Commodore-Mensah, Y., Elkind, M. S. V., Evenson, K. R., Eze-Nliam, C., Ferguson, J. F., Generoso, G., Ho, J. E., Kalani, R., Khan, S. S., Kissela, B. M., … Martin, S. S. (2022). Heart Disease and Stroke Statistics—2022 Update: A Report From the American Heart Association. Circulation, 145(8), e153–e639. https://doi.org/10.1161/CIR.0000000000001052
World Health Oranization. (2021, junio 11). Cardiovascular diseases. https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
dc.source.instname.none.fl_str_mv instname:Universidad del Rosario
dc.source.reponame.none.fl_str_mv reponame:Repositorio Institucional EdocUR
bitstream.url.fl_str_mv https://repository.urosario.edu.co/bitstreams/97354ef0-ed6e-48d4-8c07-3b63233e1797/download
https://repository.urosario.edu.co/bitstreams/8b5fba24-8d38-4b75-a3a2-600ddb553b6d/download
https://repository.urosario.edu.co/bitstreams/52e08b4d-fe74-4257-824f-d308dcc977bf/download
https://repository.urosario.edu.co/bitstreams/aaba75d3-5dfb-45df-959b-ea334160fa9c/download
https://repository.urosario.edu.co/bitstreams/9deb7e32-25d5-405a-98fd-64fea86d2153/download
bitstream.checksum.fl_str_mv ea9f293f453e5bd35043e053e4308128
b2825df9f458e9d5d96ee8b7cd74fde6
3b6ce8e9e36c89875e8cf39962fe8920
0e13a4e35122ef84a6d3fc1cb8aae182
b042f2b88af10067e5cd58493ca47014
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional EdocUR
repository.mail.fl_str_mv edocur@urosario.edu.co
_version_ 1814167678088118272
spelling Calvo López, John Pablo0bf1638c-a12e-4cf9-876a-ce604568a9ef-1Cortés García, Julián DavidGarcía Cuenca, María ClaudiaMagíster en Business AnalyticsPart time39587139-f53b-401b-b5bf-81d0f3abde69-12378b384-dc3e-475d-b8e8-93283aa8ae49-12023-07-06T20:25:12Z2023-07-06T20:25:12Z2023-06-17info:eu-repo/date/embargoEnd/2023-09-06Actualmente la línea de ritmo cardiaco de Medtronic Latino-America, se ha visto notablemente impactada por el desabastecimiento de componentes clave y la falta de mano de obra, para la manufactura de dispositivos médicos como lo son marcapasos y desfibriladores médicos implantables. Para el año 2022 se ha visto una disminución de la disponibilidad del producto en aproximadamente en un 15%, lo que ha afectado notablemente a las ventas y las relaciones con cada uno de los clientes de la compañía. Teniendo en cuenta el problema planteado, el presente proyecto empresarial tiene como fin desarrollar un sistema de predicción de demanda, donde se evaluó el desempeño de dos técnicas de inteligencia artificial (Holt Winters y ARIMA), teniendo como base el comportamiento de la demanda en los últimos 4 años y aplicando la metodología CRISP-DM para su desarrollo. Al comparar las dos técnicas utilizadas, se logra identificar que la ARIMA presentó una mayor eficiencia con respecto a la técnica Holt Winters, por lo cual se recomienda aplicar la misma al momento de predecir la demanda de dispositivos.Currently, Medtronic Latin America's Cardiac Rhythm Product line has been significantly impacted by a shortage of key components and a lack of workforce for the manufacturing of medical devices such as pacemakers and implantable medical defibrillators. In 2022, there has been a decrease in product availability of approximately 15%, which has significantly affected sales and relationships with each of the company's customers. Considering the problem at hand, the aim of this business project is to develop a demand prediction system. The performance of two artificial intelligence techniques, Holt Winters and ARIMA, was evaluated based on the demand behavior over the past 4 years, using the CRISP-DM methodology for development. When comparing the two techniques used, it is identified that ARIMA demonstrated higher efficiency compared to the Holt Winters technique. Therefore, it is recommended to apply ARIMA when predicting device demand.Medtronic. Co46 ppapplication/pdfhttps://doi.org/10.48713/10336_40072 https://repository.urosario.edu.co/handle/10336/40072spaUniversidad del RosarioEscuela de AdministraciónEscuela de Ingeniería, Ciencia y TecnologíaMaestría en Business AnalyticsAttribution-NonCommercial-NoDerivatives 4.0 InternationalRestringido (Temporalmente bloqueado)http://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_f1cfAyala Castrejón, R. F., & Bucio Pacheco, C. (2020). Modelo ARIMA aplicado al tipo de cambio peso-dólar en el periodo 2016-2017 mediante ventanas temporales deslizantes. Mexican Journal of Economics & Finance / Revista Mexicana de Economia y Finanzas, 15(3), 331–354. http://ez.urosario.edu.co/login?url=https://search.ebscohost.com/login.aspx?direct=true&AuthType=ip&db=eoh&AN=EP144434364&lang=es&site=eds-live&scope=siteBanerjee, P. (2020). ARIMA Model for Time Series Forecasting. Kaggle. https://www.kaggle.com/code/prashant111/arima-model-for-time-series-forecastingBrockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting. Springer International Publishing. https://doi.org/10.1007/978-3-319-29854-2De Livera, A. M., Hyndman, R. J., & Snyder, R. D. (2011). Forecasting Time Series With Complex Seasonal Patterns Using Exponential Smoothing. Journal of the American Statistical Association, 106(496), 1513–1527. https://doi.org/10.1198/jasa.2011.tm09771Dyatkin, B., & Meng, Y. S. (2020). COVID-19 disrupts battery materials and manufacture supply chains, but outlook remains strong. MRS Bulletin, 45(9), 700–702. https://doi.org/10.1557/mrs.2020.239Ersöz, N. Ş., Güner, P., Akbaş, A., & Baki̇R-Gungor, B. (2022). Comparative Performance Analysis of ARIMA, Prophet and Holt-Winters Forecasting Methods on European COVID-19 Data. International Journal of 3D Printing Technologies and Digital Industry. https://doi.org/10.46519/ij3dptdi.1120718Gilley, S., Franks, L., Gayhardt, L., & Salgado, S. (2023). Azure Machine Learning architecture—Azure Architecture Center. Azure. https://learn.microsoft.com/en-us/azure/architecture/solution-ideas/articles/azure-machine-learning-solution-architectureHaffner, O., Kučera, E., & Moravčík, M. (2020). Sales Prediction of Svijany Slovakia, Ltd. Using Microsoft Azure Machine Learning and ARIMA. 2020 Cybernetics & Informatics (K&I), 1–9. https://doi.org/10.1109/KI48306.2020.9039875Hyndman, R., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice (2a ed.). https://otexts.com/fpp2/Makridakis, S., Wheelwright, S., & Hyndman, R. J. (1997). Forecasting: Methods and Applications. John Wiley & Sons. https://research.monash.edu/en/publications/forecasting-methods-and-applications-3rd-edMedtronic. (2021). Misión. Nuestra Misión. https://latinoamerica.medtronic.com/xl-es/our-company/mission.htmlMedtronic. (2023). The Medtronic story: Leading healthcare technology innovation since 1949. https://www.medtronic.com/us-en/our-company/history.htmlMicrosoft Inc. (2023). Azure Machine Learning—ML as a Service | Microsoft Azure. https://azure.microsoft.com/en-us/products/machine-learningModgil, S., Gupta, S., Stekelorum, R., & Laguir, I. (2021). AI technologies and their impact on supply chain resilience during COVID-19. International Journal of Physical Distribution & Logistics Management, 52(2), 130–149. https://doi.org/10.1108/IJPDLM-12-2020-0434Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2008). Introduction to time series analysis and forecasting. Wiley-Interscience.Oracle. (2022, mayo 25). Cx_Oracle’s documentation. https://cx-oracle.readthedocs.io/en/latest/ Panwar, R., Pinkse, J., & De Marchi, V. (2022). The Future of Global Supply Chains in a Post-COVID-19 World. California Management Review, 64(2), 5–23. https://doi.org/10.1177/00081256211073355Rodriguez, M., Cisneros, H., Arcos-Aviles, D., & Martinez, W. (2022). Forecast of photovoltaic generation in isolated rural areas of Ecuador using Holt-Winters and seasonal variation methods. IECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics Society, Industrial Electronics Society, IECON 2022 – 48th Annual Conference of the IEEE, 1–6. https://doi.org/10.1109/IECON49645.2022.9968817Tachu, E. (2022). A quantitative study of the relationship between cloud flexibility and on-premise flexibility. Issues In Information Systems, 23. https://doi.org/10.48009/1_iis_2022_117Timperley, J., Leeson, P., Mitchell, A. R., & Betts, T. (2019). Pacemakers and ICDs. Oxford University Press.Tsao, C. W., Aday, A. W., Almarzooq, Z. I., Alonso, A., Beaton, A. Z., Bittencourt, M. S., Boehme, A. K., Buxton, A. E., Carson, A. P., Commodore-Mensah, Y., Elkind, M. S. V., Evenson, K. R., Eze-Nliam, C., Ferguson, J. F., Generoso, G., Ho, J. E., Kalani, R., Khan, S. S., Kissela, B. M., … Martin, S. S. (2022). Heart Disease and Stroke Statistics—2022 Update: A Report From the American Heart Association. Circulation, 145(8), e153–e639. https://doi.org/10.1161/CIR.0000000000001052World Health Oranization. (2021, junio 11). Cardiovascular diseases. https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)instname:Universidad del Rosarioreponame:Repositorio Institucional EdocURRitmo cardiacoModelo predictivoInteligencia artificialHolt WintersARIMACRISP-DMMedtronicCardiac RhythmPredictive modelForecastArtificial intelligenceHolt WintersARIMACRISP-DMMedtronicSistema de predicción de demanda utilizando técnicas de inteligencia artificial, enfocado en la línea de ritmo cardiaco en Medtronic LatinoaméricabachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de AdministraciónEscuela de Ingeniería, Ciencia y TecnologíaORIGINALSistema-de-prediccion-de-demanda-utilizando-CortesGarcia-JulianDavid-2023.pdfSistema-de-prediccion-de-demanda-utilizando-CortesGarcia-JulianDavid-2023.pdfapplication/pdf2049234https://repository.urosario.edu.co/bitstreams/97354ef0-ed6e-48d4-8c07-3b63233e1797/downloadea9f293f453e5bd35043e053e4308128MD54LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/8b5fba24-8d38-4b75-a3a2-600ddb553b6d/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://repository.urosario.edu.co/bitstreams/52e08b4d-fe74-4257-824f-d308dcc977bf/download3b6ce8e9e36c89875e8cf39962fe8920MD55TEXTSistema-de-prediccion-de-demanda-utilizando-CortesGarcia-JulianDavid-2023.pdf.txtSistema-de-prediccion-de-demanda-utilizando-CortesGarcia-JulianDavid-2023.pdf.txtExtracted texttext/plain56891https://repository.urosario.edu.co/bitstreams/aaba75d3-5dfb-45df-959b-ea334160fa9c/download0e13a4e35122ef84a6d3fc1cb8aae182MD56THUMBNAILSistema-de-prediccion-de-demanda-utilizando-CortesGarcia-JulianDavid-2023.pdf.jpgSistema-de-prediccion-de-demanda-utilizando-CortesGarcia-JulianDavid-2023.pdf.jpgGenerated Thumbnailimage/jpeg2351https://repository.urosario.edu.co/bitstreams/9deb7e32-25d5-405a-98fd-64fea86d2153/downloadb042f2b88af10067e5cd58493ca47014MD5710336/40072oai:repository.urosario.edu.co:10336/400722023-07-07 03:04:35.446http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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

Publicaciones similares