Modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores

Este trabajo final de maestría se centra en mejorar los procesos de compra y gestión de insumos de una PYME argentina especializada en el servicio técnico integral de mantenimiento de surtidores de combustible líquido. Los insumos son componentes que desempeñan un papel fundamental en el correcto...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Luque, Macarena Melina
Otros Autores: Marenco, Javier
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Inglés
Publicado: Universidad Torcuato Di Tella 2023
Materias:
Predicción tecnológica
Gestión de compras
Purchasing management
Technological prediction
Aprendizaje automático
Machine Learning
SARIMA Machine Learning
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/12101
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-12101
record_format dspace
spelling I57-R163-20.500.13098-121012023-10-12T07:28:19Z Modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores Luque, Macarena Melina Marenco, Javier Predicción tecnológica Gestión de compras Purchasing management Technological prediction Aprendizaje automático Machine Learning SARIMA Machine Learning Este trabajo final de maestría se centra en mejorar los procesos de compra y gestión de insumos de una PYME argentina especializada en el servicio técnico integral de mantenimiento de surtidores de combustible líquido. Los insumos son componentes que desempeñan un papel fundamental en el correcto funcionamiento de los surtidores que las estaciones de servicio atendidas por el negocio poseen. Es por este motivo que resulta crucial gestionar de manera óptima la adquisición de cada uno de los insumos. Para ello, en el presente trabajo, se entrenan distintos algoritmos de aprendizaje supervisado de tipo ARIMA con el objetivo de predecir la demanda de los cinco insumos más utilizados por el negocio. Posteriormente, se desarrolla un modelo de optimización fundamentado en programación lineal para determinar la cantidad y el mes de adquisición de dichos insumos con el objetivo de minimizar sus costos de compra. En primer lugar, se analiza información histórica brindada por la empresa para identificar los cinco insumos más demandados por sus clientes. En segundo lugar, se entrenan cinco modelos de machine learning de tipo SARIMA para cada uno de los insumos seleccionados. Estos modelos permiten predecir la cantidad de insumos que los clientes demandarán durante el período comprendido entre julio 2023 y junio 2024. Los resultados de los modelos SARIMA se utilizan como componente de un modelo de optimización de tipo lot sizing para minimizar los costos de adquisición de los cinco insumos. Luego de plantear tres posibles escenarios de fluctuación de demanda, se recomienda que la empresa adquiera todos los componentes durante los primeros cinco meses del periodo analizado. Esto permitirá optimizar el proceso de compra, reducir costos innecesarios y maximizar el rendimiento del capital disponible. Este trabajo destaca la importancia de combinar los conocimientos del negocio con las herramientas de análisis de datos para que la empresa pueda tomar decisiones fundamentadas en información y así logar optimizar sus procesos de compra, minimizando sus costos y maximizando sus beneficios. 2023-10-11T14:36:32Z 2023-10-11T14:36:32Z 2023 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/12101 spa eng info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 59 p. application/pdf application/pdf Universidad Torcuato Di Tella
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
Inglés
orig_language_str_mv spa
eng
topic Predicción tecnológica
Gestión de compras
Purchasing management
Technological prediction
Aprendizaje automático
Machine Learning
SARIMA Machine Learning
spellingShingle Predicción tecnológica
Gestión de compras
Purchasing management
Technological prediction
Aprendizaje automático
Machine Learning
SARIMA Machine Learning
Luque, Macarena Melina
Modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores
topic_facet Predicción tecnológica
Gestión de compras
Purchasing management
Technological prediction
Aprendizaje automático
Machine Learning
SARIMA Machine Learning
description Este trabajo final de maestría se centra en mejorar los procesos de compra y gestión de insumos de una PYME argentina especializada en el servicio técnico integral de mantenimiento de surtidores de combustible líquido. Los insumos son componentes que desempeñan un papel fundamental en el correcto funcionamiento de los surtidores que las estaciones de servicio atendidas por el negocio poseen. Es por este motivo que resulta crucial gestionar de manera óptima la adquisición de cada uno de los insumos. Para ello, en el presente trabajo, se entrenan distintos algoritmos de aprendizaje supervisado de tipo ARIMA con el objetivo de predecir la demanda de los cinco insumos más utilizados por el negocio. Posteriormente, se desarrolla un modelo de optimización fundamentado en programación lineal para determinar la cantidad y el mes de adquisición de dichos insumos con el objetivo de minimizar sus costos de compra. En primer lugar, se analiza información histórica brindada por la empresa para identificar los cinco insumos más demandados por sus clientes. En segundo lugar, se entrenan cinco modelos de machine learning de tipo SARIMA para cada uno de los insumos seleccionados. Estos modelos permiten predecir la cantidad de insumos que los clientes demandarán durante el período comprendido entre julio 2023 y junio 2024. Los resultados de los modelos SARIMA se utilizan como componente de un modelo de optimización de tipo lot sizing para minimizar los costos de adquisición de los cinco insumos. Luego de plantear tres posibles escenarios de fluctuación de demanda, se recomienda que la empresa adquiera todos los componentes durante los primeros cinco meses del periodo analizado. Esto permitirá optimizar el proceso de compra, reducir costos innecesarios y maximizar el rendimiento del capital disponible. Este trabajo destaca la importancia de combinar los conocimientos del negocio con las herramientas de análisis de datos para que la empresa pueda tomar decisiones fundamentadas en información y así logar optimizar sus procesos de compra, minimizando sus costos y maximizando sus beneficios.
author2 Marenco, Javier
author_facet Marenco, Javier
Luque, Macarena Melina
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Luque, Macarena Melina
author_sort Luque, Macarena Melina
title Modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores
title_short Modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores
title_full Modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores
title_fullStr Modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores
title_full_unstemmed Modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores
title_sort modelos de forecasting y optimización de compra de insumos para el mantenimiento de surtidores
publisher Universidad Torcuato Di Tella
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/12101
work_keys_str_mv AT luquemacarenamelina modelosdeforecastingyoptimizaciondecompradeinsumosparaelmantenimientodesurtidores
_version_ 1808040616462909440

Ejemplares similares