Mostrar el registro sencillo del ítem

Transformación digital en clientes de distribución : modelo predictivo de ventas con redes neuronales para automatizar la validación y monitoreo de ventas en consumo masivo

Digital transformation in distribution customers : predictive sales model with neural networks to automate the validation and monitoring of sales in massive consumption

dc.contributorGaona Barrera, Andrés Eduardo
dc.contributorGaona Barrera, Andrés Eduardo [0000-0002-3966-5646]
dc.creatorOlivera Torres, Anderson Camilo
dc.date2024-10-22T18:35:47Z
dc.date2024-10-22T18:35:47Z
dc.date2024-05-14
dc.date.accessioned2025-04-29T21:40:15Z
dc.date.available2025-04-29T21:40:15Z
dc.identifierhttp://hdl.handle.net/11349/41899
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/95686
dc.descriptionEste proyecto desarrolla un modelo de predicción de ventas utilizando técnicas de aprendizaje automático, específicamente Redes Neuronales Recurrentes (RNN) y modelos SARIMA, para automatizar la validación y monitoreo de datos de ventas de distribuidores de Procter & Gamble (P&G) en el canal de consumo masivo en Colombia. A través de un análisis exploratorio exhaustivo de datos históricos de ventas, se identifican patrones, tendencias y correlaciones clave en las series temporales. Se diseñan, entrenan y comparan diferentes arquitecturas de redes neuronales, incluyendo Long Short-Term Memory (LSTM) y feedforward, así como modelos SARIMA, para determinar el enfoque más adecuado en términos de precisión y capacidad de generalización. Los resultados demuestran que las redes LSTM superan a los modelos SARIMA y feedforward, logrando un MAPE del 3.402%, un RMSE de 2.347 millones y una correlación de 0.987 para un cliente analizado. Sin embargo, para otro cliente los resultados son menos satisfactorios, sugiriendo la necesidad de explorar técnicas adicionales según las características específicas de cada serie. La implementación de estos modelos predictivos puede generar beneficios para P&G, como detección temprana de anomalías en reportes de distribuidores, optimización de estrategias comerciales, y toma de decisiones basada en información confiable y oportuna a lo largo de la cadena de suministro de consumo masivo.
dc.descriptionThis project develops a sales prediction model using machine learning techniques, specifically Recurrent Neural Networks (RNN) and SARIMA models, to automate the validation and monitoring of sales data from Procter & Gamble (P&G) distributors in the mass consumption channel in Colombia. Through an exhaustive exploratory analysis of historical sales data, key patterns, trends, and correlations in the time series are identified. Different neural network architectures, including Long Short-Term Memory (LSTM) and feedforward, as well as SARIMA models, are designed, trained, and compared to determine the most appropriate approach in terms of accuracy and generalization capability. The results demonstrate that LSTM networks outperform SARIMA and feedforward models, achieving a MAPE of 3.402%, an RMSE of 2.347 million, and a correlation of 0.987 for one analyzed client. However, for another client, the results are less satisfactory, suggesting the need to explore additional techniques according to the specific characteristics of each series. The implementation of these predictive models can generate benefits for P&G, such as early detection of anomalies in distributor reports, optimization of commercial strategies, and decision-making based on reliable and timely information throughout the mass consumption supply chain.
dc.descriptionProcter & Gamble Colombia
dc.formatpdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsOpenAccess
dc.rightsAbierto (Texto Completo)
dc.subjectRedes neuronales
dc.subjectAprendizaje automático
dc.subjectPredicción
dc.subjectConsumo masivo
dc.subjectIngeniería Electrónica -- Tesis y disertaciones académicas
dc.subjectTransformación digital
dc.subjectModelos predictivos de ventas
dc.subjectRedes neuronales
dc.subjectConsumo masivo
dc.subjectInteligencia artificial
dc.subjectNeural networks
dc.subjectMachine learning
dc.subjectPrediction
dc.subjectMassive consumption
dc.titleTransformación digital en clientes de distribución : modelo predictivo de ventas con redes neuronales para automatizar la validación y monitoreo de ventas en consumo masivo
dc.titleDigital transformation in distribution customers : predictive sales model with neural networks to automate the validation and monitoring of sales in massive consumption
dc.typebachelorThesis
dc.typePasantía
dc.typehttp://purl.org/coar/resource_type/c_7a1f


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem