Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica
RESUMEN: Para el presente proyecto se realizaron modelos para predecir las ventas de seis productos de una compañía farmacéutica y tener la disponibilidad de materias primas en la demanda. Los mejores resultados que arrojaron el menor error en la validación, se obtuvieron con modelos de Deep Learnin...
- Autores:
-
Lopera Arango, Zuleima
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2022
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/29153
- Acceso en línea:
- http://hdl.handle.net/10495/29153
- Palabra clave:
- Deep Learning
Aprendizaje Profundo
Redes neurales (computadores)
Neural networks (Computer science)
Pronostico de ventas
Sales forecasting
Técnicas de predicción
Forecasting
http://aims.fao.org/aos/agrovoc/c_3041
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/2.5/co/
| id |
UDEA2_8391967b8f240593497a21b8cb70225c |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/29153 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica |
| title |
Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica |
| spellingShingle |
Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica Deep Learning Aprendizaje Profundo Redes neurales (computadores) Neural networks (Computer science) Pronostico de ventas Sales forecasting Técnicas de predicción Forecasting http://aims.fao.org/aos/agrovoc/c_3041 |
| title_short |
Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica |
| title_full |
Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica |
| title_fullStr |
Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica |
| title_full_unstemmed |
Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica |
| title_sort |
Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéutica |
| dc.creator.fl_str_mv |
Lopera Arango, Zuleima |
| dc.contributor.advisor.none.fl_str_mv |
Quiza Montealegre, John Jair |
| dc.contributor.author.none.fl_str_mv |
Lopera Arango, Zuleima |
| dc.subject.decs.none.fl_str_mv |
Deep Learning Aprendizaje Profundo |
| topic |
Deep Learning Aprendizaje Profundo Redes neurales (computadores) Neural networks (Computer science) Pronostico de ventas Sales forecasting Técnicas de predicción Forecasting http://aims.fao.org/aos/agrovoc/c_3041 |
| dc.subject.lemb.none.fl_str_mv |
Redes neurales (computadores) Neural networks (Computer science) Pronostico de ventas Sales forecasting |
| dc.subject.agrovoc.none.fl_str_mv |
Técnicas de predicción Forecasting |
| dc.subject.agrovocuri.none.fl_str_mv |
http://aims.fao.org/aos/agrovoc/c_3041 |
| description |
RESUMEN: Para el presente proyecto se realizaron modelos para predecir las ventas de seis productos de una compañía farmacéutica y tener la disponibilidad de materias primas en la demanda. Los mejores resultados que arrojaron el menor error en la validación, se obtuvieron con modelos de Deep Learning conformados con redes neuronales en capas Dense usando la herramienta de TensorFlow a través de la librería de keras. Las ventajas en la empresa de usar este tipo de predicciones es que se disminuye las ventas perdidas, mejora el servicio al cliente por la disponibilidad de los productos y disminuye inventarios obsoletos. |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-06-13T20:02:21Z |
| dc.date.available.none.fl_str_mv |
2022-06-13T20:02:21Z |
| dc.date.issued.none.fl_str_mv |
2022 |
| dc.type.spa.fl_str_mv |
info:eu-repo/semantics/other |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.hasversion.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_46ec |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/COther |
| dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Especialización |
| format |
http://purl.org/coar/resource_type/c_46ec |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10495/29153 |
| url |
http://hdl.handle.net/10495/29153 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ |
| dc.rights.accessrights.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.format.extent.spa.fl_str_mv |
25 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.place.spa.fl_str_mv |
Medellín - Colombia |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstream/10495/29153/3/license_rdf https://bibliotecadigital.udea.edu.co/bitstream/10495/29153/5/LoperaZuleima_2022_ModeloPrediccionVentas.pdf https://bibliotecadigital.udea.edu.co/bitstream/10495/29153/6/license.txt |
| bitstream.checksum.fl_str_mv |
e2060682c9c70d4d30c83c51448f4eed 08da97388736465d97ff4f7a0931fda5 8a4605be74aa9ea9d79846c1fba20a33 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad de Antioquia |
| repository.mail.fl_str_mv |
andres.perez@udea.edu.co |
| _version_ |
1812173146688585728 |
| spelling |
Quiza Montealegre, John JairLopera Arango, Zuleima2022-06-13T20:02:21Z2022-06-13T20:02:21Z2022http://hdl.handle.net/10495/29153RESUMEN: Para el presente proyecto se realizaron modelos para predecir las ventas de seis productos de una compañía farmacéutica y tener la disponibilidad de materias primas en la demanda. Los mejores resultados que arrojaron el menor error en la validación, se obtuvieron con modelos de Deep Learning conformados con redes neuronales en capas Dense usando la herramienta de TensorFlow a través de la librería de keras. Las ventajas en la empresa de usar este tipo de predicciones es que se disminuye las ventas perdidas, mejora el servicio al cliente por la disponibilidad de los productos y disminuye inventarios obsoletos.25application/pdfspainfo:eu-repo/semantics/draftinfo:eu-repo/semantics/otherhttp://purl.org/coar/resource_type/c_46echttp://purl.org/redcol/resource_type/COtherTesis/Trabajo de grado - Monografía - Especializaciónhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/co/http://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-sa/4.0/Predicción de las materias primas que deben presupuestarse de acuerdo a las ventas de una compañía farmacéuticaMedellín - ColombiaDeep LearningAprendizaje ProfundoRedes neurales (computadores)Neural networks (Computer science)Pronostico de ventasSales forecastingTécnicas de predicciónForecastinghttp://aims.fao.org/aos/agrovoc/c_3041Especialista en Analítica y Ciencia de los DatosEspecializaciónFacultad de Ingeniería. Especialización en Analítica y Ciencia de DatosUniversidad de AntioquiaCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81051https://bibliotecadigital.udea.edu.co/bitstream/10495/29153/3/license_rdfe2060682c9c70d4d30c83c51448f4eedMD53ORIGINALLoperaZuleima_2022_ModeloPrediccionVentas.pdfLoperaZuleima_2022_ModeloPrediccionVentas.pdfTrabajo de grado de especializaciónapplication/pdf1683035https://bibliotecadigital.udea.edu.co/bitstream/10495/29153/5/LoperaZuleima_2022_ModeloPrediccionVentas.pdf08da97388736465d97ff4f7a0931fda5MD55LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstream/10495/29153/6/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5610495/29153oai:bibliotecadigital.udea.edu.co:10495/291532022-06-13 15:02:49.641Repositorio Institucional Universidad de Antioquiaandres.perez@udea.edu.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 |