Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel
RESUMEN: Los procesos de manufactura son sistemas complejos, dinámicos y expuestos a comportamientos caóticos. Es por eso que deben utilizarse todas las herramientas disponibles para realizar un seguimiento, control, prevención e intervención del proceso cuando sea necesario, de manera que se minimi...
- Autores:
-
Correa Sepúlveda, Angie Paola
- Tipo de recurso:
- http://purl.org/coar/resource_type/c_7a1f
- Fecha de publicación:
- 2019
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/14500
- Acceso en línea:
- http://hdl.handle.net/10495/14500
- Palabra clave:
- Análisis de datos
Data analysis
Toma de decisiones
Decision making
Indicadores
Procesos de producción
Compañía de Galletas Noel S.A. (Empresa Comercial)
Fabricación de galletas
Modelos predictivos
http://vocabularies.unesco.org/thesaurus/concept2214
http://vocabularies.unesco.org/thesaurus/concept7323
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
id |
UDEA2_e789b8b1b83472bbea8317b59c97d8ac |
---|---|
oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/14500 |
network_acronym_str |
UDEA2 |
network_name_str |
Repositorio UdeA |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel |
title |
Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel |
spellingShingle |
Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel Análisis de datos Data analysis Toma de decisiones Decision making Indicadores Procesos de producción Compañía de Galletas Noel S.A. (Empresa Comercial) Fabricación de galletas Modelos predictivos http://vocabularies.unesco.org/thesaurus/concept2214 http://vocabularies.unesco.org/thesaurus/concept7323 |
title_short |
Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel |
title_full |
Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel |
title_fullStr |
Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel |
title_full_unstemmed |
Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel |
title_sort |
Modelos predictivos para indicadores de producción de la Compañía de Galletas Noel |
dc.creator.fl_str_mv |
Correa Sepúlveda, Angie Paola |
dc.contributor.advisor.none.fl_str_mv |
Úsuga Manco, Olga Cecilia Maya Hernández, Luis Guillermo |
dc.contributor.author.none.fl_str_mv |
Correa Sepúlveda, Angie Paola |
dc.subject.unesco.none.fl_str_mv |
Análisis de datos Data analysis Toma de decisiones Decision making |
topic |
Análisis de datos Data analysis Toma de decisiones Decision making Indicadores Procesos de producción Compañía de Galletas Noel S.A. (Empresa Comercial) Fabricación de galletas Modelos predictivos http://vocabularies.unesco.org/thesaurus/concept2214 http://vocabularies.unesco.org/thesaurus/concept7323 |
dc.subject.ocde.none.fl_str_mv |
Indicadores |
dc.subject.spines.none.fl_str_mv |
Procesos de producción |
dc.subject.proposal.spa.fl_str_mv |
Compañía de Galletas Noel S.A. (Empresa Comercial) Fabricación de galletas Modelos predictivos |
dc.subject.unescouri.none.fl_str_mv |
http://vocabularies.unesco.org/thesaurus/concept2214 http://vocabularies.unesco.org/thesaurus/concept7323 |
description |
RESUMEN: Los procesos de manufactura son sistemas complejos, dinámicos y expuestos a comportamientos caóticos. Es por eso que deben utilizarse todas las herramientas disponibles para realizar un seguimiento, control, prevención e intervención del proceso cuando sea necesario, de manera que se minimice el riesgo de un contratiempo que impida satisfacer la demanda o se altere la calidad del producto incurriendo en pérdidas para la compañía. Una de las herramientas más prometedoras en cuanto al análisis de procesos y eficiencia para adelantarse a situaciones futuras es la analítica de datos, que hace parte de la nueva tendencia de la Industria 4.0 y promete responder a los desafíos de la manufactura apoyándose en grandes cantidades de datos disponibles para su posterior procesamiento y presentación de resultados. En este trabajo en particular, se aplicaron diversas metodologías de Machine Learning con el objetivo de predecir algunos indicadores de producción de la Compañía de Galletas Noel aprovechando la información capturada en distintas etapas del proceso de elaboración de galletas de dicha compañía. Previo al planteamiento de modelos de predicción se realizó un análisis descriptivo con el objetivo de explorar los datos disponibles, encontrar posibles patrones y formular los modelos a utilizar de acuerdo a los objetivos planeados y las características de los datos. Posteriormente, se realizaron predicciones sobre averías en los equipos empleando algoritmos como la regresión logística, bosques aleatorios y máquinas de soporte vectorial y se encontró que el turno de trabajo no influye significativamente en la probabilidad de ocurrencia de una avería mecánica. Por otro lado, también se realizaron predicciones sobre un indicador llamado reproceso, que es la cantidad de galleta no conforme, y pudo concluirse que variables como el horno y el tipo de reproceso son las más importantes a la hora de explicar y predecir los kilogramos de galleta no conforme en el área de multiempaque. Por último, se realizaron predicciones para el sobrepeso de la galleta Saltín Fit taco x 5 en donde el mejor modelo predictivo fue la regresión lineal múltiple por encima de los bosques aleatorios, máquinas de soporte vectorial y modelos GAMLSS, y las variables significativas fueron el mes, turno, resistencia y calibre de la galleta. Finalmente, el análisis y las predicciones fueron presentadas a la Dirección de Producción de la Compañía de Galletas Noel de una forma clara y entendible, acompañado de una formación para la correcta utilización de los modelos. |
publishDate |
2019 |
dc.date.issued.none.fl_str_mv |
2019 |
dc.date.accessioned.none.fl_str_mv |
2020-05-21T05:25:47Z |
dc.date.available.none.fl_str_mv |
2020-05-21T05:25:47Z |
dc.type.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
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_7a1f |
dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
format |
http://purl.org/coar/resource_type/c_7a1f |
status_str |
draft |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10495/14500 |
url |
http://hdl.handle.net/10495/14500 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
dc.rights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/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-nd/4.0/ |
rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.extent.spa.fl_str_mv |
52 |
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 |
http://bibliotecadigital.udea.edu.co/bitstream/10495/14500/4/CorreaAngie_2019_IndicadoresProduccionGalletas.pdf http://bibliotecadigital.udea.edu.co/bitstream/10495/14500/5/license_rdf http://bibliotecadigital.udea.edu.co/bitstream/10495/14500/6/license.txt |
bitstream.checksum.fl_str_mv |
ffd546bd4ac914b52926aa0b4617c38b b88b088d9957e670ce3b3fbe2eedbc13 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_ |
1812173270722543616 |
spelling |
Úsuga Manco, Olga CeciliaMaya Hernández, Luis GuillermoCorrea Sepúlveda, Angie Paola2020-05-21T05:25:47Z2020-05-21T05:25:47Z2019http://hdl.handle.net/10495/14500RESUMEN: Los procesos de manufactura son sistemas complejos, dinámicos y expuestos a comportamientos caóticos. Es por eso que deben utilizarse todas las herramientas disponibles para realizar un seguimiento, control, prevención e intervención del proceso cuando sea necesario, de manera que se minimice el riesgo de un contratiempo que impida satisfacer la demanda o se altere la calidad del producto incurriendo en pérdidas para la compañía. Una de las herramientas más prometedoras en cuanto al análisis de procesos y eficiencia para adelantarse a situaciones futuras es la analítica de datos, que hace parte de la nueva tendencia de la Industria 4.0 y promete responder a los desafíos de la manufactura apoyándose en grandes cantidades de datos disponibles para su posterior procesamiento y presentación de resultados. En este trabajo en particular, se aplicaron diversas metodologías de Machine Learning con el objetivo de predecir algunos indicadores de producción de la Compañía de Galletas Noel aprovechando la información capturada en distintas etapas del proceso de elaboración de galletas de dicha compañía. Previo al planteamiento de modelos de predicción se realizó un análisis descriptivo con el objetivo de explorar los datos disponibles, encontrar posibles patrones y formular los modelos a utilizar de acuerdo a los objetivos planeados y las características de los datos. Posteriormente, se realizaron predicciones sobre averías en los equipos empleando algoritmos como la regresión logística, bosques aleatorios y máquinas de soporte vectorial y se encontró que el turno de trabajo no influye significativamente en la probabilidad de ocurrencia de una avería mecánica. Por otro lado, también se realizaron predicciones sobre un indicador llamado reproceso, que es la cantidad de galleta no conforme, y pudo concluirse que variables como el horno y el tipo de reproceso son las más importantes a la hora de explicar y predecir los kilogramos de galleta no conforme en el área de multiempaque. Por último, se realizaron predicciones para el sobrepeso de la galleta Saltín Fit taco x 5 en donde el mejor modelo predictivo fue la regresión lineal múltiple por encima de los bosques aleatorios, máquinas de soporte vectorial y modelos GAMLSS, y las variables significativas fueron el mes, turno, resistencia y calibre de la galleta. Finalmente, el análisis y las predicciones fueron presentadas a la Dirección de Producción de la Compañía de Galletas Noel de una forma clara y entendible, acompañado de una formación para la correcta utilización de los modelos.52application/pdfspainfo:eu-repo/semantics/draftinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1f http://purl.org/coar/resource_type/c_7a1fhttps://purl.org/redcol/resource_type/TPTesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/version/c_b1a7d7d4d402bcceAtribución-NoComercial-SinDerivadas 2.5 Colombiainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/2.5/co/http://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-nd/4.0/Modelos predictivos para indicadores de producción de la Compañía de Galletas NoelMedellín, ColombiaAnálisis de datosData analysisToma de decisionesDecision makingIndicadoresProcesos de producciónCompañía de Galletas Noel S.A. (Empresa Comercial)Fabricación de galletasModelos predictivoshttp://vocabularies.unesco.org/thesaurus/concept2214http://vocabularies.unesco.org/thesaurus/concept7323Ingeniera IndustrialPregradoFacultad de Ingeniería. Carrera de Ingeniería IndustrialUniversidad de AntioquiaORIGINALCorreaAngie_2019_IndicadoresProduccionGalletas.pdfCorreaAngie_2019_IndicadoresProduccionGalletas.pdfTrabajo de grado de pregradoapplication/pdf1861830http://bibliotecadigital.udea.edu.co/bitstream/10495/14500/4/CorreaAngie_2019_IndicadoresProduccionGalletas.pdfffd546bd4ac914b52926aa0b4617c38bMD54CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8823http://bibliotecadigital.udea.edu.co/bitstream/10495/14500/5/license_rdfb88b088d9957e670ce3b3fbe2eedbc13MD55LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://bibliotecadigital.udea.edu.co/bitstream/10495/14500/6/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5610495/14500oai:bibliotecadigital.udea.edu.co:10495/145002021-06-18 17:44:36.776Repositorio Institucional Universidad de Antioquiaandres.perez@udea.edu.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 |