Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao

El presente proyecto propone e implementa algoritmos de inteligencia artificial con técnicas de aprendizaje profundo para el desarrollo de un prototipo de herramienta software al servicio de usuarios cuya empresa ha reconsiderado un estricto control del flujo de recursos y una mejora del desempeño o...

Full description

Autores:
Pacheco Jaimes, Daniel Andrés
Laguado Sequeda, Sergio Antonio
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2020
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/15361
Acceso en línea:
http://hdl.handle.net/20.500.12749/15361
Palabra clave:
Systems engineer
Technological innovations
Artificial intelligence
Production planning
Decision-making
Demand forecasting
Production cost
Traceability systems
Algorithms
Prototype development
Software development
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Desarrollo de software
Algoritmos
Inteligencia artificial
Planificación de producción
Costo de producción
Toma de decisiones
Pronóstico de la demanda
Sistema de trazabilidad
Rights
License
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
id UNAB2_e574a854482f2dbcfaecc215fe3dcb89
oai_identifier_str oai:repository.unab.edu.co:20.500.12749/15361
network_acronym_str UNAB2
network_name_str Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao
dc.title.translated.spa.fl_str_mv Prototype of a software tool for generating an inventory forecast using artificial intelligence algorithms: Cocoa production case study
title Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao
spellingShingle Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao
Systems engineer
Technological innovations
Artificial intelligence
Production planning
Decision-making
Demand forecasting
Production cost
Traceability systems
Algorithms
Prototype development
Software development
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Desarrollo de software
Algoritmos
Inteligencia artificial
Planificación de producción
Costo de producción
Toma de decisiones
Pronóstico de la demanda
Sistema de trazabilidad
title_short Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao
title_full Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao
title_fullStr Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao
title_full_unstemmed Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao
title_sort Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacao
dc.creator.fl_str_mv Pacheco Jaimes, Daniel Andrés
Laguado Sequeda, Sergio Antonio
dc.contributor.advisor.none.fl_str_mv Moreno Corzo, Feisar Enrique
Talero Sarmiento, Leonardo Hernán
dc.contributor.author.none.fl_str_mv Pacheco Jaimes, Daniel Andrés
Laguado Sequeda, Sergio Antonio
dc.contributor.cvlac.spa.fl_str_mv Moreno Corzo, Feisar Enrique [0001499008]
Talero Sarmiento, Leonardo Hernán [0000031387]
dc.contributor.googlescholar.spa.fl_str_mv Moreno Corzo, Feisar Enrique [es&oi=ao]
dc.contributor.orcid.spa.fl_str_mv Moreno Corzo, Feisar Enrique [0000-0002-5007-3422]
Talero Sarmiento, Leonardo Hernán [0000-0002-4129-9163]
dc.contributor.researchgate.spa.fl_str_mv Moreno Corzo, Feisar Enrique [Feisar-Enrique-Moreno-Corzo-2169498891]
Talero Sarmiento, Leonardo Hernán [Leonardo-Talero]
dc.subject.keywords.spa.fl_str_mv Systems engineer
Technological innovations
Artificial intelligence
Production planning
Decision-making
Demand forecasting
Production cost
Traceability systems
Algorithms
Prototype development
Software development
topic Systems engineer
Technological innovations
Artificial intelligence
Production planning
Decision-making
Demand forecasting
Production cost
Traceability systems
Algorithms
Prototype development
Software development
Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Desarrollo de software
Algoritmos
Inteligencia artificial
Planificación de producción
Costo de producción
Toma de decisiones
Pronóstico de la demanda
Sistema de trazabilidad
dc.subject.lemb.spa.fl_str_mv Ingeniería de sistemas
Innovaciones tecnológicas
Desarrollo de prototipos
Desarrollo de software
Algoritmos
dc.subject.proposal.spa.fl_str_mv Inteligencia artificial
Planificación de producción
Costo de producción
Toma de decisiones
Pronóstico de la demanda
Sistema de trazabilidad
description El presente proyecto propone e implementa algoritmos de inteligencia artificial con técnicas de aprendizaje profundo para el desarrollo de un prototipo de herramienta software al servicio de usuarios cuya empresa ha reconsiderado un estricto control del flujo de recursos y una mejora del desempeño organizacional mediante la predicción del comportamiento de los procesos productivos con el fin de satisfacer la demanda del mercado. Para lograr este fin, la aplicación incorpora tres modelos: uno para el pronóstico de demanda, otro para los precios de venta y un último modelo para la planeación de la producción que contempla los costos de operación; un módulo para lo que adquiere y otro módulo para lo que espera vender. A partir del desarrollo teórico de dichos modelos se realizará el diseño y prototipo correspondiente aplicable para el caso de estudio Producción de Cacao. Además, frente a la dificultad que representa la toma de decisiones en rangos de tiempo, el sistema permite al empresario llevar la trazabilidad mensual. Por consiguiente, la herramienta es un sistema idóneo para la toma de decisiones, ya que efectúa la parametrización de nivel de inventarios óptimo, pronóstico de demanda y manejo del flujo de entradas y salidas de insumos.
publishDate 2020
dc.date.issued.none.fl_str_mv 2020
dc.date.accessioned.none.fl_str_mv 2022-01-25T14:09:21Z
dc.date.available.none.fl_str_mv 2022-01-25T14:09:21Z
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv Trabajo de Grado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12749/15361
dc.identifier.instname.spa.fl_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unab.edu.co
url http://hdl.handle.net/20.500.12749/15361
identifier_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
reponame:Repositorio Institucional UNAB
repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Aliev, R., Fazlollahi, B., & Guirimov, B. (2007). Fuzzy-genetic approach to aggregate production-distribution planning in supply chain management. Information Sciences, 177(20), 4241–425
Barber, D. (2011). Bayesian Reasoning and Machine Learning. Bayesian Reasoning and Machine Learning. https://doi.org/10.1017/cbo9780511804779
Barrows, C., McBennett, B., Novacheck, J., Sigler, D., Lau, J., & Bloom, A. (2019). MultiOperator Production Cost Modeling. IEEE TRANSACTIONS ON POWER SYSTEMS, 34(6).
Bohórquez, L., Ballestas, A., & Morales, N. (2017). IMPACTO DE LA CAPACITACIÓN DEL PERSONAL EN LA PRODUCTIVIDAD EMPRESARIAL: CASO HIPERMERCADO. Dimensión Empresarial, 15(1), 210–220.
Breiman, L. (1998). Classification and Regression Trees by Leo Breiman (Issue January).
Bustos, C., & Chacón, G. (2007). EL MRP en la gestion de investarios. Visión Gerencial, 1, 5–17. http://www.redalyc.org/articulo.oa?id=465545875010
Chuquin, N., Villagómez, P., & Oleas, J. (2020). La competitividad empresarial de las PYME’s a través de modelación matemática. 593 Digital Publisher CEIT, 5(2), 4– 13.
Díaz, D., & Patiño, V. (2011). Implementación de sistema de gestión de inventarios para formas y color en lámina WJ Ltda
Díaz Sepulveda, J. F. (2012). Comparación entré Arboles de Regresión CART y Regresión Lineal. 1–85.
Espino, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso
Furfaro, E. (n.d.). Time series analysis: Predicting Sales. Retrieved May 12, 2021, from https://emanuelaf.github.io/pred-sales.html
Helena, G. (2017). Productividad la clave del crecimiento para Colombia.
Hoogendoorn, M. (2018). Cognitive Systems Monographs 35 Machine Learning for the Quantified Self
Ibarra, H. C., Barbus, H. C. R., González, L. A. T., & Gutiérrez, J. P. T. (2007). quipus incas. 26–33
Inteligencia Artificial - Libro online de IAAR. (2018). https://iaarbook.github.io/inteligencia-artificial/
Ittiphalin, M., & Chearanai, T. (2019). The Application of Mathematical Model for Production Planning in a Polystyrene Factory. 2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), 169–172
Jacobs, F. R., & Chase, R. B. (2014). ADMINISTRACIÓN DE OPERACIONES Producción y cadena de suministros. https://b-ok.lat/book/5869926/5213b5
Juárez, A. C., Zuñiga, C. A., Flores, J. L. M., & Partida, D. S. (2016). Analysis of timeseries on the forecast of the demand of storage of perishable products. Estudios Gerenciales, 32(141), 387–396. https://doi.org/10.1016/j.estger.2016.11.002
Juca, C., Narváez, C., Erazo, J., & Luna, K. (2019). Modelo de gestión y control de inventarios para la determinación de los niveles óptimos en la cadena de suministros de la Empresa Modesto Casajoana Cía. Ltda. 4(3–1), 19–39.
Kiggins, J. (2018). Avocado Prices | Kaggle. https://www.kaggle.com/neuromusic/avocado-prices
Kück, M., & Freitag, M. (2021). Forecasting of customer demands for production planning by local k-nearest neighbor models. International Journal of Production Economics, 231, 107837. https://doi.org/10.1016/j.ijpe.2020.107837
Lacouture, G., & Ibeth, C. (2018). Estrategias para lograr la transformación digital en Colombia
Masini, F., & Vázquez, F. (2014). Compendio de modelos cuantitativos de pronósticos. In Advanced Value Group. https://books.google.com.co/books?id=fnLcBQAAQBAJ&printsec=frontcover&dq=C ompendio+de+modelos+cuantitativos+de+pronósticos&hl=es419&sa=X&ved=2ahUKEwi9z8Go19jsAhUMo1kKHSKjC50Q6AEwAHoECAIQAg#v =onepage&q=Compendio de modelos cuantitativos de pronósticos&f=fals
Mellado Silva, R., Cubillos, C., & Cabrera Paniagua, D. (2016). A constructive heuristic for solving the Job-Shop Scheduling Problem. IEEE Latin America Transactions, 14(6), 2758–2763. https://doi.org/10.1109/TLA.2016.7555250
Mwansele, H., Sichona, F., & Akarro, R. (2011). Determination of Inventory Control Policies at Urafiki Textile Mills Co Ltd in Dar-es-Salaam, Tanzania
Na8. (2019). Pronóstico de Series Temporales con Redes Neuronales en Python | Aprende Machine Learning. https://www.aprendemachinelearning.com/pronosticode-series-temporales-con-redes-neuronales-en-python/
Pereira, D., Oliveira, J., & Carravilla, M. (2020). Tactical sales and operations planning: A holistic framework and a literature review of decision-making models. 228(107695).
Rincón, L. (2011). Introducción a los PROCESOS ESTOCÁSTICOS. http://www.matematicas.unam.mx/lars
Rodríguez, G. G., Gonzalez-Cava, J., & Mendez, J. A. (n.d.). An intelligent decision support system for production planning based on machine learning(Article). Journal of Intelligent Manufacturing, 31(5), 1257–1273. https://doi.org/10.1007/s10845-01901510-y
Serna, S. C. (2009). Comparacion de Arboles de Regresión y Clasificación y regresión logística.
Serrano, A., Soria, E., & Martín, J. (2009). Redes neuronales artificiales. In Escuela Técnica Superior de Ingeniería,: Vol. Programa 3.
Singh Manjeet. (2017). Retail Data Analytics | Kaggle. https://www.kaggle.com/manjeetsingh/retaildataset?select=sales+data-set.csv
Sridharan, V., & LaForge, R. L. (2006). RESOURCE PLANNING: MRP TO MRPII AND ERP. In Encyclopedia of Production and Manufacturing Management (pp. 641– 645). Springer US. https://doi.org/10.1007/1-4020-0612-8_818
Stephen, M. (2014). Machine Learning An Algorithmic Perspective Second Edition. https://b-ok.cc/book/2543746/ef80cb
Sum, C.-C., & Ng, K.-K. (2006). MRP IMPLEMENTATION. In Encyclopedia of 97 97 Production and Manufacturing Management (pp. 470–474). Springer US. https://doi.org/10.1007/1-4020-0612-8_601
Zheng, J., Kobayashi, Y., Takahashi, Y., Yanagida, T., Sato, T., & Hitaka, D. (2020). MLCP: A Framework Integrating with Machine Learning and Optimization for Planning and Scheduling in Manufacturing and Services. IEEE 15th International Conference of System of Systems Engineering, 123–128.
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spatial.spa.fl_str_mv Colombia
dc.coverage.campus.spa.fl_str_mv UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv Pregrado Ingeniería de Sistemas
institution Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv https://repository.unab.edu.co/bitstream/20.500.12749/15361/1/2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/15361/4/2021_Licencia.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/15361/3/license.txt
https://repository.unab.edu.co/bitstream/20.500.12749/15361/5/2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdf.jpg
https://repository.unab.edu.co/bitstream/20.500.12749/15361/6/2021_Licencia.pdf.jpg
bitstream.checksum.fl_str_mv fa99c4daddaa1491e434edf52a5e0400
e583218225e6fab3f6f62a395316617c
3755c0cfdb77e29f2b9125d7a45dd316
30dbd5a8a6019a9f20546d0ad170fa52
97a527299c88a13b435cab5d03fef6d6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv repositorio@unab.edu.co
_version_ 1814277301409415168
spelling Moreno Corzo, Feisar Enriqueee761f02-1ce9-473f-b811-9b495af86e41Talero Sarmiento, Leonardo Hernán52f3ced8-d447-4a4d-a30c-74958c9587aaPacheco Jaimes, Daniel Andrés7160f9c6-8272-4d5e-a199-3f84e9cabeebLaguado Sequeda, Sergio Antonio8b8733b8-37db-4e92-98d9-35c396547271Moreno Corzo, Feisar Enrique [0001499008]Talero Sarmiento, Leonardo Hernán [0000031387]Moreno Corzo, Feisar Enrique [es&oi=ao]Moreno Corzo, Feisar Enrique [0000-0002-5007-3422]Talero Sarmiento, Leonardo Hernán [0000-0002-4129-9163]Moreno Corzo, Feisar Enrique [Feisar-Enrique-Moreno-Corzo-2169498891]Talero Sarmiento, Leonardo Hernán [Leonardo-Talero]ColombiaUNAB Campus Bucaramanga2022-01-25T14:09:21Z2022-01-25T14:09:21Z2020http://hdl.handle.net/20.500.12749/15361instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl presente proyecto propone e implementa algoritmos de inteligencia artificial con técnicas de aprendizaje profundo para el desarrollo de un prototipo de herramienta software al servicio de usuarios cuya empresa ha reconsiderado un estricto control del flujo de recursos y una mejora del desempeño organizacional mediante la predicción del comportamiento de los procesos productivos con el fin de satisfacer la demanda del mercado. Para lograr este fin, la aplicación incorpora tres modelos: uno para el pronóstico de demanda, otro para los precios de venta y un último modelo para la planeación de la producción que contempla los costos de operación; un módulo para lo que adquiere y otro módulo para lo que espera vender. A partir del desarrollo teórico de dichos modelos se realizará el diseño y prototipo correspondiente aplicable para el caso de estudio Producción de Cacao. Además, frente a la dificultad que representa la toma de decisiones en rangos de tiempo, el sistema permite al empresario llevar la trazabilidad mensual. Por consiguiente, la herramienta es un sistema idóneo para la toma de decisiones, ya que efectúa la parametrización de nivel de inventarios óptimo, pronóstico de demanda y manejo del flujo de entradas y salidas de insumos.1 PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN 10 1.1 PLANTEAMIENTO DEL PROBLEMA 10 1.2 JUSTIFICACIÓN 11 2 OBJETIVOS Y PRODUCTOS 12 2.1 OBJETIVO GENERAL 12 2.2 OBJETIVOS ESPECÍFICOS 12 2.3 RESULTADOS OBTENIDOS 12 3 ANTECEDENTES Y ESTADO DEL ARTE 14 3.1 ANTECEDENTES 14 3.2 ESTADO DEL ARTE 15 4 MARCO TEÓRICO 21 4.1 TEORÍA DE INVENTARIOS 21 4.1.1 Sistemas de inventarios. 21 4.2 Sistemas MRP 23 4.2.1 MRP II 24 4.3 INTELIGENCIA ARTIFICIAL 24 4.3.1 Aprendizaje automático 25 4.4 PROCESOS ESTOCÁSTICOS 28 4.4.1 Procesos con incrementos independientes 28 4.4.2 Procesos con incrementos estacionarios 28 4.4.3 Procesos estacionarios 29 4.5 MODELOS PREDICTIVOS 29 4.5.1 Métodos cuantitativos de pronóstico. 29 4.6 TÉCNICAS ESTADÍSTICAS DE PREDICCIÓN 31 4.6.1 Árboles de clasificación y regresión. 31 4.7 REDES NEURONALES ARTIFICIALES 32 4.7.1 Analogía de la estructura básica de una red neuronal 33 4.7.2 Arquitectura y funcionamiento una red neuronal artificial 34 5 MARCO METODOLÓGICO 39 5.1 HERRAMIENTA DE DESARROLLO 39 5.2 ARQUITECTURA DE SOFTWARE 40 5.3 METODOLOGÍA DE DESARROLLO 41 5.4 REQUERIMIENTOS 43 5.5 DISEÑO DEL PROTOTIPO 43 5.5.1 Casos de uso 43 5.5.2 Descripción de Casos de uso 45 5.5.3 Diagramas de secuencia 60 5.6 DISEÑO DE INTERFACES 71 5.7 DISEÑO DE BASE DATOS RELACIONAL 75 5.8 RED NEURONAL 76 6 RESULTADOS 78 6.1 PRODUCTO FINAL 78 6.2 PRUEBAS REALIZADAS 79 6.2.1 Pruebas realizadas sobre el modelo 79 6.2.2 Pruebas de usuario final 82 6.3 RESULTADOS OBTENIDOS 83 6.3.1 Resultados obtenidos de pruebas sobre el modelo 83 6.3.2 Resultados obtenidos de pruebas de usuario 88 6.4 ANALISIS DE LOS RESULTADOS 92 7 CONCLUSIONES Y RECOMENDACIONES 93 7.1 CONCLUSIONES 93 7.2 RECOMENDACIONES 94 BIBLIOGRAFÍA 95 ANEXOS 98 MANUAL DE USUARIO 98PregradoThis project proposes and implements artificial intelligence algorithms with deep learning techniques for the development of a prototype of a software tool at the service of users whose company has reconsidered a strict control of the flow of resources and an improvement of organizational performance by predicting behavior. of production processes in order to satisfy market demand. To achieve this end, the application incorporates three models: one for forecasting demand, another for selling prices and a last model for planning production that considers operating costs; a module for what you buy and another module for what you hope to sell. Based on the theoretical development of these models, the corresponding design and prototype applicable to the Cocoa Production case study will be made. In addition, given the difficulty of making decisions in time ranges, the system allows the employer to carry out monthly traceability. Consequently, the tool is an ideal system for decision-making, since it carries out the parameterization of the optimal inventory level, demand forecast and management of the inflow and outflow of inputs.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Prototipo de herramienta software para la generación de un pronóstico de inventario mediante algoritmos de inteligencia artificial: caso de estudio producción de cacaoPrototype of a software tool for generating an inventory forecast using artificial intelligence algorithms: Cocoa production case studyIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPSystems engineerTechnological innovationsArtificial intelligenceProduction planningDecision-makingDemand forecastingProduction costTraceability systemsAlgorithmsPrototype developmentSoftware developmentIngeniería de sistemasInnovaciones tecnológicasDesarrollo de prototiposDesarrollo de softwareAlgoritmosInteligencia artificialPlanificación de producciónCosto de producciónToma de decisionesPronóstico de la demandaSistema de trazabilidadAliev, R., Fazlollahi, B., & Guirimov, B. (2007). Fuzzy-genetic approach to aggregate production-distribution planning in supply chain management. Information Sciences, 177(20), 4241–425Barber, D. (2011). Bayesian Reasoning and Machine Learning. Bayesian Reasoning and Machine Learning. https://doi.org/10.1017/cbo9780511804779Barrows, C., McBennett, B., Novacheck, J., Sigler, D., Lau, J., & Bloom, A. (2019). MultiOperator Production Cost Modeling. IEEE TRANSACTIONS ON POWER SYSTEMS, 34(6).Bohórquez, L., Ballestas, A., & Morales, N. (2017). IMPACTO DE LA CAPACITACIÓN DEL PERSONAL EN LA PRODUCTIVIDAD EMPRESARIAL: CASO HIPERMERCADO. Dimensión Empresarial, 15(1), 210–220.Breiman, L. (1998). Classification and Regression Trees by Leo Breiman (Issue January).Bustos, C., & Chacón, G. (2007). EL MRP en la gestion de investarios. Visión Gerencial, 1, 5–17. http://www.redalyc.org/articulo.oa?id=465545875010Chuquin, N., Villagómez, P., & Oleas, J. (2020). La competitividad empresarial de las PYME’s a través de modelación matemática. 593 Digital Publisher CEIT, 5(2), 4– 13.Díaz, D., & Patiño, V. (2011). Implementación de sistema de gestión de inventarios para formas y color en lámina WJ LtdaDíaz Sepulveda, J. F. (2012). Comparación entré Arboles de Regresión CART y Regresión Lineal. 1–85.Espino, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su usoFurfaro, E. (n.d.). Time series analysis: Predicting Sales. Retrieved May 12, 2021, from https://emanuelaf.github.io/pred-sales.htmlHelena, G. (2017). Productividad la clave del crecimiento para Colombia.Hoogendoorn, M. (2018). Cognitive Systems Monographs 35 Machine Learning for the Quantified SelfIbarra, H. C., Barbus, H. C. R., González, L. A. T., & Gutiérrez, J. P. T. (2007). quipus incas. 26–33Inteligencia Artificial - Libro online de IAAR. (2018). https://iaarbook.github.io/inteligencia-artificial/Ittiphalin, M., & Chearanai, T. (2019). The Application of Mathematical Model for Production Planning in a Polystyrene Factory. 2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), 169–172Jacobs, F. R., & Chase, R. B. (2014). ADMINISTRACIÓN DE OPERACIONES Producción y cadena de suministros. https://b-ok.lat/book/5869926/5213b5Juárez, A. C., Zuñiga, C. A., Flores, J. L. M., & Partida, D. S. (2016). Analysis of timeseries on the forecast of the demand of storage of perishable products. Estudios Gerenciales, 32(141), 387–396. https://doi.org/10.1016/j.estger.2016.11.002Juca, C., Narváez, C., Erazo, J., & Luna, K. (2019). Modelo de gestión y control de inventarios para la determinación de los niveles óptimos en la cadena de suministros de la Empresa Modesto Casajoana Cía. Ltda. 4(3–1), 19–39.Kiggins, J. (2018). Avocado Prices | Kaggle. https://www.kaggle.com/neuromusic/avocado-pricesKück, M., & Freitag, M. (2021). Forecasting of customer demands for production planning by local k-nearest neighbor models. International Journal of Production Economics, 231, 107837. https://doi.org/10.1016/j.ijpe.2020.107837Lacouture, G., & Ibeth, C. (2018). Estrategias para lograr la transformación digital en ColombiaMasini, F., & Vázquez, F. (2014). Compendio de modelos cuantitativos de pronósticos. In Advanced Value Group. https://books.google.com.co/books?id=fnLcBQAAQBAJ&printsec=frontcover&dq=C ompendio+de+modelos+cuantitativos+de+pronósticos&hl=es419&sa=X&ved=2ahUKEwi9z8Go19jsAhUMo1kKHSKjC50Q6AEwAHoECAIQAg#v =onepage&q=Compendio de modelos cuantitativos de pronósticos&f=falsMellado Silva, R., Cubillos, C., & Cabrera Paniagua, D. (2016). A constructive heuristic for solving the Job-Shop Scheduling Problem. IEEE Latin America Transactions, 14(6), 2758–2763. https://doi.org/10.1109/TLA.2016.7555250Mwansele, H., Sichona, F., & Akarro, R. (2011). Determination of Inventory Control Policies at Urafiki Textile Mills Co Ltd in Dar-es-Salaam, TanzaniaNa8. (2019). Pronóstico de Series Temporales con Redes Neuronales en Python | Aprende Machine Learning. https://www.aprendemachinelearning.com/pronosticode-series-temporales-con-redes-neuronales-en-python/Pereira, D., Oliveira, J., & Carravilla, M. (2020). Tactical sales and operations planning: A holistic framework and a literature review of decision-making models. 228(107695).Rincón, L. (2011). Introducción a los PROCESOS ESTOCÁSTICOS. http://www.matematicas.unam.mx/larsRodríguez, G. G., Gonzalez-Cava, J., & Mendez, J. A. (n.d.). An intelligent decision support system for production planning based on machine learning(Article). Journal of Intelligent Manufacturing, 31(5), 1257–1273. https://doi.org/10.1007/s10845-01901510-ySerna, S. C. (2009). Comparacion de Arboles de Regresión y Clasificación y regresión logística.Serrano, A., Soria, E., & Martín, J. (2009). Redes neuronales artificiales. In Escuela Técnica Superior de Ingeniería,: Vol. Programa 3.Singh Manjeet. (2017). Retail Data Analytics | Kaggle. https://www.kaggle.com/manjeetsingh/retaildataset?select=sales+data-set.csvSridharan, V., & LaForge, R. L. (2006). RESOURCE PLANNING: MRP TO MRPII AND ERP. In Encyclopedia of Production and Manufacturing Management (pp. 641– 645). Springer US. https://doi.org/10.1007/1-4020-0612-8_818Stephen, M. (2014). Machine Learning An Algorithmic Perspective Second Edition. https://b-ok.cc/book/2543746/ef80cbSum, C.-C., & Ng, K.-K. (2006). MRP IMPLEMENTATION. In Encyclopedia of 97 97 Production and Manufacturing Management (pp. 470–474). Springer US. https://doi.org/10.1007/1-4020-0612-8_601Zheng, J., Kobayashi, Y., Takahashi, Y., Yanagida, T., Sato, T., & Hitaka, D. (2020). MLCP: A Framework Integrating with Machine Learning and Optimization for Planning and Scheduling in Manufacturing and Services. IEEE 15th International Conference of System of Systems Engineering, 123–128.ORIGINAL2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdf2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdfTesisapplication/pdf3753518https://repository.unab.edu.co/bitstream/20.500.12749/15361/1/2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdffa99c4daddaa1491e434edf52a5e0400MD51open access2021_Licencia.pdf2021_Licencia.pdfLicenciaapplication/pdf219652https://repository.unab.edu.co/bitstream/20.500.12749/15361/4/2021_Licencia.pdfe583218225e6fab3f6f62a395316617cMD54metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/15361/3/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD53open accessTHUMBNAIL2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdf.jpg2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdf.jpgIM Thumbnailimage/jpeg5171https://repository.unab.edu.co/bitstream/20.500.12749/15361/5/2020_Tesis_Daniel_Andres_Pacheco_Jaimes.pdf.jpg30dbd5a8a6019a9f20546d0ad170fa52MD55open access2021_Licencia.pdf.jpg2021_Licencia.pdf.jpgIM Thumbnailimage/jpeg9515https://repository.unab.edu.co/bitstream/20.500.12749/15361/6/2021_Licencia.pdf.jpg97a527299c88a13b435cab5d03fef6d6MD56metadata only access20.500.12749/15361oai:repository.unab.edu.co:20.500.12749/153612023-07-26 16:03:05.976open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Publicaciones similares