Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa
61 páginas
- Autores:
-
Linares Ocampo, Mariana
Madrigal Castrillón, Elizabeth
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad EIA .
- Repositorio:
- Repositorio EIA .
- Idioma:
- spa
- OAI Identifier:
- oai:repository.eia.edu.co:11190/6871
- Acceso en línea:
- https://repository.eia.edu.co/handle/11190/6871
- Palabra clave:
- Logística
Modelo predictivo
Árbol de decisión
Importación
Machine Learning
Logistics
Predictive model
Decision tree
Import
- Rights
- closedAccess
- License
- Derechos Reservados - Universidad EIA, 2024
id |
REIA2_dc648665bdd7e2a8c450917268de997a |
---|---|
oai_identifier_str |
oai:repository.eia.edu.co:11190/6871 |
network_acronym_str |
REIA2 |
network_name_str |
Repositorio EIA . |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa |
title |
Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa |
spellingShingle |
Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa Logística Modelo predictivo Árbol de decisión Importación Machine Learning Logistics Predictive model Decision tree Import |
title_short |
Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa |
title_full |
Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa |
title_fullStr |
Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa |
title_full_unstemmed |
Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa |
title_sort |
Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa |
dc.creator.fl_str_mv |
Linares Ocampo, Mariana Madrigal Castrillón, Elizabeth |
dc.contributor.advisor.none.fl_str_mv |
Correa Builes, Natalia Andrea |
dc.contributor.author.none.fl_str_mv |
Linares Ocampo, Mariana Madrigal Castrillón, Elizabeth |
dc.subject.proposal.spa.fl_str_mv |
Logística Modelo predictivo Árbol de decisión Importación |
topic |
Logística Modelo predictivo Árbol de decisión Importación Machine Learning Logistics Predictive model Decision tree Import |
dc.subject.proposal.eng.fl_str_mv |
Machine Learning Logistics Predictive model Decision tree Import |
description |
61 páginas |
publishDate |
2024 |
dc.date.issued.none.fl_str_mv |
2024 |
dc.date.accessioned.none.fl_str_mv |
2025-01-22T20:51:06Z |
dc.date.available.none.fl_str_mv |
2025-01-22T20:51:06Z |
dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.content.none.fl_str_mv |
Text |
dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
dc.type.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
format |
http://purl.org/coar/resource_type/c_7a1f |
status_str |
publishedVersion |
dc.identifier.uri.none.fl_str_mv |
https://repository.eia.edu.co/handle/11190/6871 |
url |
https://repository.eia.edu.co/handle/11190/6871 |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
Derechos Reservados - Universidad EIA, 2024 |
dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/closedAccess |
dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_14cb |
rights_invalid_str_mv |
Derechos Reservados - Universidad EIA, 2024 http://purl.org/coar/access_right/c_14cb |
eu_rights_str_mv |
closedAccess |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad EIA |
dc.publisher.program.none.fl_str_mv |
Ingeniería Industrial |
dc.publisher.faculty.none.fl_str_mv |
Escuela de Ingeniería y Ciencias Básicas |
dc.publisher.place.none.fl_str_mv |
Envigado (Antioquia, Colombia) |
publisher.none.fl_str_mv |
Universidad EIA |
institution |
Universidad EIA . |
bitstream.url.fl_str_mv |
https://repository.eia.edu.co/bitstreams/309bc8db-51c9-418e-8509-9e1be78bd36d/download |
bitstream.checksum.fl_str_mv |
2264fce645ac2952653ce3f3b8fa781e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad EIA |
repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
_version_ |
1828317366899965952 |
spelling |
Correa Builes, Natalia AndreaLinares Ocampo, MarianaMadrigal Castrillón, Elizabeth2025-01-22T20:51:06Z2025-01-22T20:51:06Z2024https://repository.eia.edu.co/handle/11190/687161 páginasRESUMEN: Renault SOFASA, líder en la industria automotriz, enfrenta desafíos logísticos significativos en la adquisición e importación de piezas provenientes de diversos países, un proceso clave para garantizar la continuidad operativa de la planta. Este trabajo pretende desarrollar un modelo predictivo capaz de anticipar los retrasos en los buques que transportan piezas de vehículos desde Brasil, Francia y Rumania, con el fin de reducir los sobrecostos asociados a estas demoras. Mediante el uso de técnicas de machine learning, se busca predecir la probabilidad de retraso en un buque, lo que permitirá tomar decisiones logísticas de una forma más eficiente, garantizando una mayor continuidad operativa y reduciendo riesgos y costos en la gestión logística. La metodología incluyó el análisis de datos históricos de importaciones y factores que influyen en los atrasos de buques, como el clima y el desempeño de las navieras. Con esta información, se diseñaron y evaluaron diversos modelos predictivos utilizando machine learning, que permiten prever los posibles atrasos y su impacto en el inventario. Los modelos fueron entrenados y validados utilizando los datos históricos de importación y sus tiempos de llegada a Colombia. Como resultado, se logró identificar las variables más relevantes para predecir los atrasos y se desarrolló un modelo predictivo que puede ser implementado por Renault SOFASA para optimizar sus decisiones logísticas. Este modelo tiene el potencial de ser una herramienta estratégica para la toma de decisiones, que busquen reducir los costos adicionales y mitigar los riesgos asociados a las demoras en la importación de piezas, contribuyendo así a una mayor eficiencia operativa de la empresa.ABSTRACT: Renault SOFASA, a leader in the automotive industry, faces significant logistical challenges in the acquisition and importation of vehicle parts from various countries, a key process to ensure the plant's operational continuity. This project aims to develop a predictive model capable of anticipating delays in ships transporting vehicle parts from Brazil, France, and Romania, with the goal of reducing the additional costs associated with these delays. Using machine learning techniques, the objective is to predict the likelihood of a ship delay, enabling more efficient logistical decision-making, ensuring greater operational continuity, and reducing risks and costs in logistics management. The methodology employed included an in-depth analysis of historical data related to imports and the variables that could influence ship delays, such as weather conditions and the overall performance of shipping companies. With this information, various predictive models were designed and evaluated using machine learning, allowing for the prediction of possible delays and their impact on inventory. The models were trained and validated using historical import data and arrival times in Colombia. As a result, the most relevant variables for predicting delays were identified, and a predictive model was developed that can be implemented by Renault SOFASA to optimize its logistical decisions. This model has the potential to become a strategic tool for decision-making aimed at reducing additional costs and mitigating the risks associated with delays in the importation of parts, thus contributing to greater operational efficiency for the company.PregradoIngeniero(a) Industrialapplication/pdfspaUniversidad EIAIngeniería IndustrialEscuela de Ingeniería y Ciencias BásicasEnvigado (Antioquia, Colombia)Derechos Reservados - Universidad EIA, 2024info:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbModelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault SofasaTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_970fb48d4fbd8a85LogísticaModelo predictivoÁrbol de decisiónImportaciónMachine LearningLogisticsPredictive modelDecision treeImportPublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-82553https://repository.eia.edu.co/bitstreams/309bc8db-51c9-418e-8509-9e1be78bd36d/download2264fce645ac2952653ce3f3b8fa781eMD5711190/6871oai:repository.eia.edu.co:11190/68712025-01-22 15:53:40.165metadata.onlyhttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.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 |