Clustering de series temporales pertenecientes al consumo de productos para la agrupación por patrones

RESUMEN : Lograr identificar los patrones de consumo y comportamiento del mercado se convierte en información relevante para ajustar las estrategias relacionadas a la cadena de suministro. Esto, conduce a una mejor toma de decisiones en los eslabones de compra, producción y distribución, traduciéndose en una rentabilidad y eficiencia. Por otra parte, la identificación de segmentos específicos de productos, entendiendo sus necesidades y comportamiento, permite a la empresa personalizar ofertas y disponibilidad mejorando indicadores como nivel de servicio, días de inventario y pedido perfecto. Este proyecto, por medio de la clusterización de series de tiempo, presenta una agrupación del comportamiento temporal de materiales por componentes, buscando diferenciarlos por tendencia, variación estacional, variación cíclica y variación irregular. La metodología descrita, inicia con la comprensión de los datos, continua con la prepararon y limpieza, para que finalmente estos sean modelados por técnicas de aprendizaje no supervisado cuyo objetivo sea el clustering de datos, como lo es el algoritmo DTW (Dynamic Time Warping). Finalmente, luego de la experimentación, se elige la mejor opción basada en las necesidades del negocio. Las conclusiones serán de insumo para proyectos del área de Analítica y Demanda de la cadena de suministros de una empresa de Alimentos Cárnicos en Colombia, basados en el pronóstico de consumos de materiales y el entendimiento del comportamiento portafolio.

• Autores: Zapata Chaves, David
• Tipo de recurso: Tesis
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/35519
• Acceso en línea: https://hdl.handle.net/10495/35519
• Palabra clave: Aprendizaje automático no supervisado; Unsupervised Machine Learning; Análisis por conglomerados; Cluster Analysis; Análisis de series de tiempo; Cadena de suministro alimentario; Food supply chains; Clustering; Segmentos de productos; http://aims.fao.org/aos/agrovoc/c_2630c679
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/