Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023)
El presente proyecto tiene como finalidad brindar herramientas que apoyen el proceso de proyección de las ventas totales mensuales y segmentación de tiendas de una multinacional de origen Holandés del sector retail, teniendo en cuenta los datos históricos de finanzas, en conjunto con variables del c...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2024
- Institución:
- Universidad del Rosario
- Repositorio:
- Repositorio EdocUR - U. Rosario
- Idioma:
- spa
- OAI Identifier:
- oai:repository.urosario.edu.co:10336/43271
- Acceso en línea:
- https://repository.urosario.edu.co/handle/10336/43271
- Palabra clave:
- CRISP-DM
Series de tiempo
Pronóstico de ventas
Retail
CRISP-DM
Time Series Analysis
Forecasting
Retail Sector
- Rights
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
| id |
EDOCUR2_cb57151a528fa937b36cc8ffc4d77880 |
|---|---|
| oai_identifier_str |
oai:repository.urosario.edu.co:10336/43271 |
| network_acronym_str |
EDOCUR2 |
| network_name_str |
Repositorio EdocUR - U. Rosario |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023) |
| dc.title.TranslatedTitle.none.fl_str_mv |
Segmentation of Stores and Sales Forecasting in a Retail Sector Company in Colombia Integrating Macroeconomic Factors (2019-2023) |
| title |
Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023) |
| spellingShingle |
Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023) CRISP-DM Series de tiempo Pronóstico de ventas Retail CRISP-DM Time Series Analysis Forecasting Retail Sector |
| title_short |
Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023) |
| title_full |
Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023) |
| title_fullStr |
Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023) |
| title_full_unstemmed |
Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023) |
| title_sort |
Segmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023) |
| dc.contributor.advisor.none.fl_str_mv |
Cruz Castro, Daniel Leonardo |
| dc.subject.none.fl_str_mv |
CRISP-DM Series de tiempo Pronóstico de ventas Retail |
| topic |
CRISP-DM Series de tiempo Pronóstico de ventas Retail CRISP-DM Time Series Analysis Forecasting Retail Sector |
| dc.subject.keyword.none.fl_str_mv |
CRISP-DM Time Series Analysis Forecasting Retail Sector |
| description |
El presente proyecto tiene como finalidad brindar herramientas que apoyen el proceso de proyección de las ventas totales mensuales y segmentación de tiendas de una multinacional de origen Holandés del sector retail, teniendo en cuenta los datos históricos de finanzas, en conjunto con variables del contexto macroeconómico nacional de los años 2018 – 2023 y pronósticos del 2024, con el fin de facilitar la toma de decisiones estratégicas en la compañía a corto y mediano plazo, permitiendo tomar las medidas necesarias sobre el uso eficiente de los recursos empleados por la organización, así como las diferentes estrategias necesarias que le permitan reaccionar de manera oportuna a los cambios de la coyuntura nacional. La solución plantea el uso de analítica descriptiva y predictiva enfocada en modelos no supervisados y de series de tiempo bajo el marco metodológico CRISPDM. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-08-14T20:03:30Z |
| dc.date.available.none.fl_str_mv |
2024-08-14T20:03:30Z |
| dc.date.created.none.fl_str_mv |
2024-07-25 |
| 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.uri.none.fl_str_mv |
https://repository.urosario.edu.co/handle/10336/43271 |
| url |
https://repository.urosario.edu.co/handle/10336/43271 |
| 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_14cb |
| dc.rights.acceso.none.fl_str_mv |
Bloqueado (Texto referencial) |
| 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 Bloqueado (Texto referencial) http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_14cb |
| dc.format.extent.none.fl_str_mv |
74 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 |
ACIS (2022). Claves del sector del retail para hacerle frente al 2023. https://acis.org.co/portal/content/claves-del-sector-del-retail-para-hacerle-frente-al-2023 Cattlin, B. (2020). ¿Cuáles son los principales indicadores macroeconómicos que se deben tener en cuenta? IG Group. https://www.ig.com/es/estrategias-de-trading/-cuales-son-los- principales-indicadores-macroeconomicos-que-se-d-200117 EL TIEMPO.(2022). ¿Cuál es el rey de los supermercados en Colombia? Así es la pelea entre Éxito, D1 o Ara.Éxito, Ara, D1, Alkosto, Olímpica, Jumbo: cuál supermercado que vende más (eltiempo.com) Toledo Concha, E. & León Reyes, V. (2021). Matriz de transición: una herramienta para determinar la probabilidad de default en las instituciones microfinancieras. Apuntes Contables. 29, 99–115. https://revistas.uexternado.edu.co/index.php/contad/article/view/7544/11955 Espinosa-Zúñiga, J. J. (2020). Aplicación de metodología CRISP-DM para segmentación geográfica de una base de datos pública. Ingeniería, investigación y tecnología, 21(1). https://doi.org/10.22201/fi.25940732e.2020.21n1.008 Euromonitor International. (2020) Sector capsule: hypermarkets in Colombia https://www-emis- om.ez.urosario.edu.co/php/search/docpdf?pc=CO&sv=EMIS&doc_id=67879209 Euromonitor International. (2021) Sector capsule: hypermarkets in Colombia https://www-emis- com.ez.urosario.edu.co/php/url-sharing/route?url=4f6e872adb993c7c, Euromonitor International. (2022) Sector capsule: hypermarkets in Colombia https://www-emis- com.ez.urosario.edu.co/php/url-sharing/route?url=a9e20ab1db993c7c Euromonitor International. (2023) Sector capsule: hypermarkets in Colombia https://www-emis- com.ez.urosario.edu.co/php/url-sharing/route?url=2940648edb993c7c Galarza, J. & Uriona, C. (2012). Modelos de Madurez en los Datos de una Organización. Acta Nova, 5(4), 462-476. http://www.scielo.org.bo/pdf/ran/v5n4/v5n4_a03.pdf González, M. (2022). Tiendas de conveniencia aumentaron ventas en 60% durante primeros meses del año. Diario La República. https://www.larepublica.co/empresas/tiendas-de- conveniencia-aumentaron-ventas-en-60-durante-primeros-meses-del-ano-3397869 Jiménez, C. (2023). ¿Cuál es el rey de los supermercados en Colombia? Así es la pelea entre Éxito, D1 o Ara. El Tiempo. https://www.eltiempo.com/economia/empresas/exito-ara-d1- alkosto-olimpica-jumbo-cual-supermercado-que-vende-mas-788536 Lv, J. (2024). Research on Inventory Management and Demand Forecasting of E-commerce Platform Based on ARIMA and LSTM Models. IEEE 3rd International Conference on Electrical Engineering, Big Data and Algorithms (EEBDA). Martinez, D., Albín, J., Cabaliero, J., Pena, T., Rivera, F. & Blanco, V. (2009). El criterio de información de Akaike en la obtención de modelos estadísticos de rendimiento. University of Santiago de Compostela. https://www.researchgate.net/profile/TomasPena/publication/236279245_El_criterio_de_ informacion_de_Akaike_en_la_obtencion_de_modelos_estadisticos_de_Rendimiento/lin ks/58904fa3aca272bc14be3600/El-criterio-de-informacion-de-Akaike-en-la-obtencion- de-modelos-estadisticos-de-Rendimiento.pdf Ossa Ossa, J. (2013). Matrices de transición y patrones de variabilidad cognitiva. Universitas Psychologica. 12(2), 559-570. https://doi.org/10.11144/Javeriana.upsy12-2.mtpv Román-Sánchez, Y., Montoya-Arce, B., Robles-Linares, S. & Lozano-Keymolen, D. (2019). Los adultos mayores y su retiro del mercado laboral en México. Sociedad y Economía. (37), 87-113. https://doi-org.banrep.basesdedatosezproxy.com/10.25100/sye.v0i37.7823 Suresh, B.S & Suresh, M. (2023). A Comprehensive Analysis of Retail Sales Forecasting Using Machine Learning and Deep Learning Methods. International Conference on Data Science and Network Security (ICDSNS). 1-5. https://doi.org/10.1109/ICDSNS58469.2023.10245887 |
| 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/7f0090f3-fe9a-46a8-875a-4559fbecf42f/download https://repository.urosario.edu.co/bitstreams/02450efd-4fc7-47b9-8e83-6a5bc3cfab68/download https://repository.urosario.edu.co/bitstreams/6223b4ab-670b-4464-9e58-259d6de6df7d/download https://repository.urosario.edu.co/bitstreams/d27a24bf-cac3-4940-b2e1-75c7912772f1/download https://repository.urosario.edu.co/bitstreams/9df4856c-b531-4cb8-a5a8-c363d426c73e/download |
| bitstream.checksum.fl_str_mv |
0ea0cf6644f8a71a2cd3bc208185c335 b2825df9f458e9d5d96ee8b7cd74fde6 3b6ce8e9e36c89875e8cf39962fe8920 2d1a84b3c64a906c41bf71f638bfbb5f 4f13904f9de30f0081aaafaa8b4aca4b |
| 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_ |
1814167577821184000 |
| spelling |
Cruz Castro, Daniel Leonardo16668e30-c290-45d2-aa2e-876e67adc06c-1Bueno Contreras, Yilinet AngélicaContreras Guerrero, Cintia MadelinParra Beltrán, Laura GabrielaMagíster en Business AnalyticsPart time280f6904-7932-48a0-a238-9a25e04ee058-11a2622af-d74c-40b2-8cf6-7aaaa90cbac6-1a190b12f-17dd-4a14-9828-33936899bb37-12024-08-14T20:03:30Z2024-08-14T20:03:30Z2024-07-25El presente proyecto tiene como finalidad brindar herramientas que apoyen el proceso de proyección de las ventas totales mensuales y segmentación de tiendas de una multinacional de origen Holandés del sector retail, teniendo en cuenta los datos históricos de finanzas, en conjunto con variables del contexto macroeconómico nacional de los años 2018 – 2023 y pronósticos del 2024, con el fin de facilitar la toma de decisiones estratégicas en la compañía a corto y mediano plazo, permitiendo tomar las medidas necesarias sobre el uso eficiente de los recursos empleados por la organización, así como las diferentes estrategias necesarias que le permitan reaccionar de manera oportuna a los cambios de la coyuntura nacional. La solución plantea el uso de analítica descriptiva y predictiva enfocada en modelos no supervisados y de series de tiempo bajo el marco metodológico CRISPDM.The purpose of this project is to provide tools to support the planning and projection process of the total monthly sales of a multinational of Dutch origin in the Retail sector, taking into account the historical data of finances (2018-2023), together with variables of the national macroeconomic context of the years 2018 - 2023 and forecasts for 2024, in order to facilitate strategic decision making in the company in the short and medium term, allowing to take the necessary measures on the efficient use of resources used by the organization, as well as the different strategies necessary to react in a timely manner to changes in the national situation. The solution proposes the use of descriptive and predictive analytics focused on unsupervised and time series models under the CRISP-DM methodological framework.74 ppapplication/pdfhttps://repository.urosario.edu.co/handle/10336/43271spaUniversidad del RosarioEscuela de AdministraciónEscuela de Ingeniería, Ciencia y TecnologíaMaestría en Business AnalyticsAttribution-NonCommercial-NoDerivatives 4.0 InternationalBloqueado (Texto referencial)http://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_14cbACIS (2022). Claves del sector del retail para hacerle frente al 2023. https://acis.org.co/portal/content/claves-del-sector-del-retail-para-hacerle-frente-al-2023Cattlin, B. (2020). ¿Cuáles son los principales indicadores macroeconómicos que se deben tener en cuenta? IG Group. https://www.ig.com/es/estrategias-de-trading/-cuales-son-los- principales-indicadores-macroeconomicos-que-se-d-200117EL TIEMPO.(2022). ¿Cuál es el rey de los supermercados en Colombia? Así es la pelea entre Éxito, D1 o Ara.Éxito, Ara, D1, Alkosto, Olímpica, Jumbo: cuál supermercado que vende más (eltiempo.com)Toledo Concha, E. & León Reyes, V. (2021). Matriz de transición: una herramienta para determinar la probabilidad de default en las instituciones microfinancieras. Apuntes Contables. 29, 99–115. https://revistas.uexternado.edu.co/index.php/contad/article/view/7544/11955Espinosa-Zúñiga, J. J. (2020). Aplicación de metodología CRISP-DM para segmentación geográfica de una base de datos pública. Ingeniería, investigación y tecnología, 21(1). https://doi.org/10.22201/fi.25940732e.2020.21n1.008Euromonitor International. (2020) Sector capsule: hypermarkets in Colombia https://www-emis- om.ez.urosario.edu.co/php/search/docpdf?pc=CO&sv=EMIS&doc_id=67879209Euromonitor International. (2021) Sector capsule: hypermarkets in Colombia https://www-emis- com.ez.urosario.edu.co/php/url-sharing/route?url=4f6e872adb993c7c,Euromonitor International. (2022) Sector capsule: hypermarkets in Colombia https://www-emis- com.ez.urosario.edu.co/php/url-sharing/route?url=a9e20ab1db993c7cEuromonitor International. (2023) Sector capsule: hypermarkets in Colombia https://www-emis- com.ez.urosario.edu.co/php/url-sharing/route?url=2940648edb993c7cGalarza, J. & Uriona, C. (2012). Modelos de Madurez en los Datos de una Organización. Acta Nova, 5(4), 462-476. http://www.scielo.org.bo/pdf/ran/v5n4/v5n4_a03.pdfGonzález, M. (2022). Tiendas de conveniencia aumentaron ventas en 60% durante primeros meses del año. Diario La República. https://www.larepublica.co/empresas/tiendas-de- conveniencia-aumentaron-ventas-en-60-durante-primeros-meses-del-ano-3397869Jiménez, C. (2023). ¿Cuál es el rey de los supermercados en Colombia? Así es la pelea entre Éxito, D1 o Ara. El Tiempo. https://www.eltiempo.com/economia/empresas/exito-ara-d1- alkosto-olimpica-jumbo-cual-supermercado-que-vende-mas-788536Lv, J. (2024). Research on Inventory Management and Demand Forecasting of E-commerce Platform Based on ARIMA and LSTM Models. IEEE 3rd International Conference on Electrical Engineering, Big Data and Algorithms (EEBDA).Martinez, D., Albín, J., Cabaliero, J., Pena, T., Rivera, F. & Blanco, V. (2009). El criterio de información de Akaike en la obtención de modelos estadísticos de rendimiento. University of Santiago de Compostela. https://www.researchgate.net/profile/TomasPena/publication/236279245_El_criterio_de_ informacion_de_Akaike_en_la_obtencion_de_modelos_estadisticos_de_Rendimiento/lin ks/58904fa3aca272bc14be3600/El-criterio-de-informacion-de-Akaike-en-la-obtencion- de-modelos-estadisticos-de-Rendimiento.pdfOssa Ossa, J. (2013). Matrices de transición y patrones de variabilidad cognitiva. Universitas Psychologica. 12(2), 559-570. https://doi.org/10.11144/Javeriana.upsy12-2.mtpvRomán-Sánchez, Y., Montoya-Arce, B., Robles-Linares, S. & Lozano-Keymolen, D. (2019). Los adultos mayores y su retiro del mercado laboral en México. Sociedad y Economía. (37), 87-113. https://doi-org.banrep.basesdedatosezproxy.com/10.25100/sye.v0i37.7823Suresh, B.S & Suresh, M. (2023). A Comprehensive Analysis of Retail Sales Forecasting Using Machine Learning and Deep Learning Methods. International Conference on Data Science and Network Security (ICDSNS). 1-5. https://doi.org/10.1109/ICDSNS58469.2023.10245887instname:Universidad del Rosarioreponame:Repositorio Institucional EdocURCRISP-DMSeries de tiempoPronóstico de ventasRetailCRISP-DMTime Series AnalysisForecastingRetail SectorSegmentación de tiendas y pronóstico de ventas en una empresa del sector retail en Colombia integrando factores macroeconómicos (2019-2023)Segmentation of Stores and Sales Forecasting in a Retail Sector Company in Colombia Integrating Macroeconomic Factors (2019-2023)bachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de AdministraciónBogotáORIGINALSegmentacion_de_tiendas_y_pronostico_de_ventas_en_una_empresa_del_Sector_Retail_ParraBeltran-LauraGabriela-2024.pdfSegmentacion_de_tiendas_y_pronostico_de_ventas_en_una_empresa_del_Sector_Retail_ParraBeltran-LauraGabriela-2024.pdfapplication/pdf1825422https://repository.urosario.edu.co/bitstreams/7f0090f3-fe9a-46a8-875a-4559fbecf42f/download0ea0cf6644f8a71a2cd3bc208185c335MD51LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/02450efd-4fc7-47b9-8e83-6a5bc3cfab68/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://repository.urosario.edu.co/bitstreams/6223b4ab-670b-4464-9e58-259d6de6df7d/download3b6ce8e9e36c89875e8cf39962fe8920MD53TEXTSegmentacion_de_tiendas_y_pronostico_de_ventas_en_una_empresa_del_Sector_Retail_ParraBeltran-LauraGabriela-2024.pdf.txtSegmentacion_de_tiendas_y_pronostico_de_ventas_en_una_empresa_del_Sector_Retail_ParraBeltran-LauraGabriela-2024.pdf.txtExtracted texttext/plain101566https://repository.urosario.edu.co/bitstreams/d27a24bf-cac3-4940-b2e1-75c7912772f1/download2d1a84b3c64a906c41bf71f638bfbb5fMD54THUMBNAILSegmentacion_de_tiendas_y_pronostico_de_ventas_en_una_empresa_del_Sector_Retail_ParraBeltran-LauraGabriela-2024.pdf.jpgSegmentacion_de_tiendas_y_pronostico_de_ventas_en_una_empresa_del_Sector_Retail_ParraBeltran-LauraGabriela-2024.pdf.jpgGenerated Thumbnailimage/jpeg2334https://repository.urosario.edu.co/bitstreams/9df4856c-b531-4cb8-a5a8-c363d426c73e/download4f13904f9de30f0081aaafaa8b4aca4bMD5510336/43271oai:repository.urosario.edu.co:10336/432712024-08-15 03:02:03.339http://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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 |