Modelado predictivo de la demanda y optimización del inventario en una empresa distribuidora de insumos odontológicos

El presente proyecto aborda el desafío de la gestión empírica de inventarios que afecta a Prestige Dental, una empresa distribuidora de insumos odontológicos, generando ineficiencias operacionales, costos por desabastecimiento y obsolescencia. El objetivo principal es desarrollar e implementar un modelo predictivo de la demanda que sirva como base para la optimización del inventario y la reducción de costos a partir del año 2026. Para la obtención de fuentes de datos se utilizan los datos internos de la empresa, como históricos de ventas e inventario, entrevistas y búsqueda de información de terceros. El estudio es de enfoque cuantitativo, descriptivo y aplicado, considerando factores como estacionalidad y rotación de productos para construir pronósticos precisos. Entre las limitaciones del proyecto se destacan el acceso restringido a información interna y el corto plazo de ejecución. Los análisis exploratorios y la clasificación ABC fueron cruciales para segmentar la demanda e identificar a los 20 ítems de Clase A responsables del 35% del valor de la empresa. Este hallazgo guió a la metodología final, se concluyó que el pronóstico más apropiado para la serie de tiempo de Prestige Dental no requería agrupar datos, sino aplicar una técnica enfocada en la variabilidad individual. Por lo tanto, el modelo predictivo óptimo fue el Método de Random forest, aplicado de manera individualizada a cada uno de los 20 ítems de Clase A.

• Autores: Vargas Torres, David Alejandro; Suaza Salinas, Santiago
• Fecha de publicación: 2025
• Institución: Universidad de Cundinamarca
• Repositorio: Repositorio UdeC
• OAI Identifier: oai:repositorio.cun.edu.co:cun/11240
• Acceso en línea: https://repositorio.cun.edu.co/handle/cun/11240
• Palabra clave: Salud; Gestión de inventarios; Big Data; Machine Learning; Transformación de datos; Análisis de Pareto; Clasificación ABC; Optimización de inventario; Método de Holt- Winters; Random forest; Empresa; Análisis de datos
• Rights: openAccess
• License: Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)