Implementación de un modelo predictivo para la gestión de las ventas de OSM DE COLOMBIA SAS para el año 2025-1
Cargando...
Fecha
Autores
Gutierrez Echeverria, Juan Pablo
Bocanegra Cristancho, Natalia
Director
Enlace al recurso
DOI
Google Scholar
https://scholar.google.com/citations?view_op=list_works&hl=es&authuser=1&user=Sgn8V2gAAAAJ
https://scholar.google.com/citations?view_op=new_profile&hl=es&authuser=1
https://scholar.google.com/citations?hl=es&user=6p3KD9UAAAAJ&view_op=list_works&citft=1&email_for_op=Natalia.Bocanegra1213%40gmail.com&gmla=ALUCkoXcST2IFAd166k3ym1_XAavH8tP_Uh-fobykvrodyX4IMbgr_QYc8uefRCzlQy1zAJbgJ1wFsHhOtKAaDL6vz7V40OYq
https://scholar.google.com/citations?view_op=new_profile&hl=es&authuser=1
https://scholar.google.com/citations?hl=es&user=6p3KD9UAAAAJ&view_op=list_works&citft=1&email_for_op=Natalia.Bocanegra1213%40gmail.com&gmla=ALUCkoXcST2IFAd166k3ym1_XAavH8tP_Uh-fobykvrodyX4IMbgr_QYc8uefRCzlQy1zAJbgJ1wFsHhOtKAaDL6vz7V40OYq
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
La gestión ineficiente de los pronósticos de ventas es un problema recurrente en muchas organizaciones, que emplean métodos manuales y obsoletos para realizar las predicciones. Esto consume recursos valiosos, tanto en tiempo como en dinero, lo que puede generar graves consecuencias económicas para las empresas (Ferro Rugeles, Rubén Darío et al., 2023). En este contexto, este trabajo de grado tiene como objetivo desarrollar un modelo de predicción de ventas utilizando técnicas de Machine Learning Este modelo facilitará la toma de decisiones en torno al tiempo y los costos de importación, además de prevenir la pérdida de ventas (Gabriel Alejandro Punguil Bravo, 2021)
El objetivo es ofrecer una solución que permita mejorar la precisión en las proyecciones de ventas, considerando que cualquier margen de error podría afectar significativamente los resultados financieros. En un entorno empresarial altamente competitivo, identificar patrones y relaciones entre los indicadores y las ventas es un activo clave para el éxito de la empresa. Con la implementación de pronósticos de ventas precisos y eficientes, las organizaciones no solo recuperan pérdidas, sino que también impulsan su crecimiento de manera sostenible, fortaleciendo la toma de decisiones informadas (Ferro Rugeles, Rubén Darío et al., 2023)
La metodología empleada incluye la selección de moles de Machine Learning basados en técnicas previamente investigadas, incorporando variables relevantes tanto del entorno empresarial como del contexto externo. La muestra obtenida será estructurada y procesada en un entorno de trabajo bajo IDLE de Python, como Google Colab (Yato Flores, Daniel Enrique, 2024)
Tras la normalización de los datos, que es un paso crucial para garantizar que todas las variables estén en una escala comparable y facilitar el entrenamiento del modelo, se procederá a un análisis estadístico exhaustivo. Este análisis permite identificar patrones y relaciones significativas en los datos que pueden influir en las predicciones de ventas y establecer la estructura de los datos de manera que los modelos puedan aprender de forma efectiva. (Ramos Condori, Romina, 2024)
Una vez que los datos estén listos, se seleccionarán y entrenaran varios modelos de Marchine Learning como el Árbol de Decisión. Estos modelos se entrenarán con un conjunto de datos y se probarán con otro para evaluar su capacidad predictiva (Ferro Rugeles, Rubén Darío et al., 2023)
El proceso de prueba consistirá en comparar las predicciones del modelo con los valores reales de las ventas o el estado de las cotizaciones. Para medir la precisión del modelo, se utilizarán métricas como el error cuadrático medio (MSE) o el error absoluto medio (MAE) (Chávez Barturén, Daniel Armando, 2022)
Una vez valido el modelo, los resultados se presentaran a través de un código funcional en Python, ejecutado en herramientas como Google Colab (Yato Flores, Daniel Enrique, 2024). El código incluirá instrucciones para ejecutar el modelo y visualizar los resultados, y se proporcionará una guía detallada para facilitar su uso, incluso para usuarios sin experiencia en Machine Learning.
Esta metodología garantiza que el modelo sea practico y aplicable en entornos reales, ayudando a las organizaciones a mejorar la gestión de inventarios y pronósticos de ventas utilizando datos confiables (Ferro Rugeles, Rubén Darío et al., 2023)
Abstract
Inefficient sales forecasting is a recurring problem in many organizations, which employ manual and outdated methods to make predictions. This consumes valuable resources, both time and money, which can have serious economic consequences for companies. In this context, this thesis aims to develop a sales prediction model using machine learning techniques. This model will facilitate decision-making regarding import timing and costs, in addition to preventing lost sales.
The objective is to offer a solution that improves the accuracy of sales projections, considering that any margin of error could significantly affect financial results. In a highly competitive business environment, identifying patterns and relationships between indicators and sales is a key asset for a company's success. By implementing accurate and efficient sales forecasts, organizations not only recover losses but also drive sustainable growth, strengthening informed decision-making.
The methodology used includes the selection of Machine Learning samples based on previously researched techniques, incorporating relevant variables from both the business environment and the external context. The sample obtained will be structured and processed in a Python IDLE environment, such as Google Colab.
After data normalization, which is a crucial step to ensure all variables are on a comparable scale and facilitate model training, a thorough statistical analysis will be carried out. This analysis allows for the identification of significant patterns and relationships in the data that may influence sales predictions and establishes the data structure so that the models can learn effectively.
Once the data is ready, several Machine Learning models, such as the Decision Tree, will be selected and trained. These models will be trained on one dataset and tested on another to assess their predictive capacity.The testing process will consist of comparing the model's predictions with actual sales figures or stock quotes. To measure the model's accuracy, metrics such as mean square error (MSE) and mean absolute error (MAE) will be used.
Once the model is validated, the results will be presented through functional Python code, executed in tools such as Google Colab. The code will include instructions for running the model and visualizing the results, and a detailed guide will be provided to facilitate its use, even for users without experience in machine learning.
This methodology ensures that the model is practical and applicable in real-world environments, helping organizations improve inventory management and sales forecasting using reliable data.
Idioma
spa
Palabras clave
Citación
Gutierrez Echeverria, J & Bocanegra Cristancho, N. (2025). Implementación de un modelo predictivo para la gestión de las ventas de OSM DE COLOMBIA SAS para el año 2025-1. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional