Pronosticado de demanda: aplicativo que genera la evaluación de 3 modelos estadísticos estableciendo el valor òptimo.

Vista sencilla de ítem
dc.contributor.advisorEspinosa Ramírez, Madelein
dc.contributor.authorRodriguez Molina, Tomas
dc.contributor.corporatenameUniversidad Santo Tomás
dc.date.accessioned2026-07-30T19:49:26Z
dc.date.available2026-07-30T19:49:26Z
dc.date.issued2026-07-22
dc.descriptionLa presente investigación tiene como propósito desarrollar un aplicativo de pronóstico de demanda para la empresa Conalca S.A.S., con el fin de optimizar la planificación de la capacidad instalada en los puertos marítimos colombianos y fortalecer la toma de decisiones logísticas y comerciales. Este proyecto surge ante la necesidad de contar con herramientas tecnológicas que permitan anticipar la demanda de servicios logísticos, mejorar la eficiencia operativa y reducir los niveles de incertidumbre en la gestión de recursos. Para lograrlo, el estudio se fundamenta en la aplicación comparativa de tres modelos matemáticos de pronóstico regresión lineal, promedio móvil ponderado y suavización exponencial doble, seleccionados por su capacidad para adaptarse a diferentes comportamientos de las series de tiempo y ofrecer resultados precisos y confiables. Estos modelos se integran dentro de un aplicativo computacional diseñado a medida, cuyo objetivo es automatizar el proceso de predicción, facilitar la interpretación de resultados y proporcionar reportes visuales de apoyo a la planeación logística. El desarrollo del aplicativo busca vincular la teoría estadística con la práctica empresarial, permitiendo a Conalca optimizar la utilización de su capacidad instalada, ajustar su oferta de servicios según la demanda proyectada y fortalecer la atención al cliente mediante información predictiva y validada. Como resultado, se espera mejorar la eficiencia de los procesos operativos, aumentar la competitividad de la empresa y generar un aporte académico en el campo del modelamiento cuantitativo en logística portuaria. De acuerdo con (Chopra & Meindl, 2019), el pronóstico de la demanda constituye el pilar central de la planeación de la cadena de suministro, ya que permite anticipar la necesidad de recursos y reducir los costos asociados a la incertidumbre. De manera similar, (Silver & Pyke, Peterson, 2016) sostienen que la aplicación de modelos estadísticos adecuados puede mejorar significativamente la exactitud de las proyecciones y la eficiencia de la gestión operativa. En el ámbito nacional, (Vidal et al., 2018) enfatizan la relevancia de integrar metodologías cuantitativas en la gestión logística como elemento clave para la priorización y ejecución eficiente de proyectos empresariales. En síntesis, este trabajo constituye un esfuerzo aplicado para trasladar las técnicas de pronóstico matemático al contexto real de la logística portuaria colombiana, aportando una herramienta tecnológica innovadora que potencia la capacidad de decisión, la eficiencia operativa y la competitividad de Conalca en un entorno de creciente complejidad e incertidumbre logística.
dc.description.abstractThis research aims to develop a demand forecasting application for Conalca S.A.S., with the purpose of optimizing installed capacity planning in Colombian seaports and enhancing logistical and commercial decision-making. The project arises from the need to implement technological tools that enable demand anticipation, improve operational efficiency, and reduce uncertainty in resource management. To achieve this, the study is based on the comparative application of three mathematical forecasting models—linear regression, weighted moving average, and double exponential smoothing—selected for their ability to capture different time-series behaviors and deliver accurate and reliable results. These models are integrated into a custom computational application designed to automate forecasting processes, facilitate interpretation, and generate visual analytical reports for strategic decision-making. The development of this system seeks to bridge statistical theory with business practice, allowing Conalca to optimize resource utilization, align service capacity with projected demand, and strengthen customer service through validated predictive information. As an outcome, the project aims to enhance operational efficiency, increase organizational competitiveness, and contribute academically to the field of quantitative modeling in port logistics. According to (Chopra & Meindl, 2019), demand forecasting is a cornerstone of supply chain planning, as it enables companies to anticipate resource needs and reduce costs associated with uncertainty. Similarly, (Silver, Pyke, & Peterson, 2016) highlight that appropriate statistical models can significantly improve the accuracy of projections and operational performance. In the Colombian context, (Vidal et al., 2018) emphasize the importance of integrating quantitative methodologies in logistics management as a key factor for efficient project prioritization and execution. In summary, this study represents an applied effort to translate mathematical forecasting techniques into the real context of Colombian port logistics, providing an innovative technological tool that enhances decision-making, operational efficiency, and competitiveness for Conalca S.A.S. in an increasingly complex and uncertain logistics environment.
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero en Logística y Operacionesspa
dc.format.mimetypeapplication/pdf
dc.identifier.citationRodriguez Molina, T. (2025). Pronosticado de demanda: aplicativo que genera la evaluación de 3 modelos estadísticos estableciendo el valor pptimo. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/73744
dc.language.isospa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.branchCRAI-USTA Bogotá
dc.publisher.facultyFacultad de Ingeniería Industrialspa
dc.publisher.programPregrado Ingeniería en Logística y Operacionesspa
dc.relation.referencesChopra, S., & Meindl, P. (2019). Supply chain management: Strategy, planning, and operation (7th ed.). Pearson.
dc.relation.referencesGuerrero, J. F., & Zapata, A. (2020). Modelos de pronóstico de series de tiempo aplicados a la logística de operaciones. Revista Ingeniería y Desarrollo, 38(2), 45–60. https://doi.org/10.14482/inde.38.2.12345
dc.relation.referencesHeizer, J., Render, B., & Munson, C. (2020). Operations management: Sustainability and supply chain management (14th ed.). Pearson.
dc.relation.referencesHyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts. https://otexts.com/fpp2/
dc.relation.referencesMakridakis, S., Wheelwright, S., & Hyndman, R. J. (1998). Forecasting: Methods and applications (3rd ed.). Wiley.
dc.relation.referencesMentzer, J. T., & Moon, M. (2004). Sales forecasting management: A demand management approach (2nd ed.). SAGE Publications.
dc.relation.referencesSimchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2021). Designing and managing the supply chain: Concepts, strategies and case studies (4th ed.). McGraw-Hill.
dc.relation.referencesArias, F. G. (2012). El proyecto de investigación: Introducción a la metodología científica (6.ª ed.). Editorial Episteme. https://abacoenred.org/wp-content/uploads/2019/02/El proyecto-de-investigaci%C3%B3n-F.G.-Arias-2012-pdf.pdf
dc.relation.referencesBallou, R. H. (2004). Logística. Administración de la cadena de suministro (5.ª ed.). Pearson Educación. https://laclassedotblog.wordpress.com/wp 59 content/uploads/2018/05/logistica_administracion_de_la_cadena_de_suministro_5ta_ edicion_-_ronald_h-_ballou.pdf
dc.relation.referencesBustamante, C. (2011). Metodología de la investigación. Universidad Veracruzana. https://www.uv.mx/personal/cbustamante/files/2011/06/metodologia-de-la investigaci%C3%B3n_sampieri.pdf
dc.relation.referencesHyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts. https://otexts.com/fpp2/
dc.relation.referencesSampieri, R. H. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill. https://gc.scalahed.com/recursos/files/r161r/w25775w/L1LT123_S1_01.pdf
dc.relation.referencesFatima, S. S., & Rahimi, A. (2024). A review of time-series forecasting algorithms for industrial manufacturing systems. Machines, 12(6), Article 380. https://doi.org/10.3390/machines12060380
dc.relation.referencesOmer, A. W., Blbas, H. T. A., & Kadir, D. H. (2021). A comparison between Brown’s and Holt’s double exponential smoothing for forecasting applied generation electrical energies in Kurdistan region. Cihan University-Erbil Scientific Journal, 5(2), 56–63. https://doi.org/10.24086/cuesj.v5n2y2021.pp56-63
dc.relation.referencesOpenForecast. (2024, October 28). Why is it hard to beat simple moving average? OpenForecast Blog. https://openforecast.org/2024/10/28/why-is-it-hard-to-beat simple-moving-average/
dc.relation.referencesUrsu, I. (2024). Customer demand forecast using time series approach. Journal of Eastern Europe Research in Business and Economics, 2024, Article ID 915300. https://doi.org/10.5171/2024.915300
dc.relation.referencesYuan, Y. (2023). Application of multiple linear regression and time-series models for forecasting sales of new energy vehicles. In Proceedings of the International Conference on Financial Innovation, FinTech and Information Technology (FFIT 2022). https://doi.org/10.4108/eai.28-10-2022.2328445
dc.relation.referencesFiveable. (s. f.). Simple and weighted moving averages | Intro to Time Series Class Notes. https://fiveable.me/intro-time-series/unit-5/simple-weighted-moving-averages/study guide/hRJLLTK3HE0TKV0Y
dc.relation.referencesThe International Journal of Engineering and Science. (2022). Time series analysis: The role of moving averages and exponential smoothing. IJES, 10(7).
dc.relation.referencesChopra, S., & Meindl, P. (2019). Supply Chain Management: Strategy, Planning, and Operation. Pearson.
dc.relation.referencesFatima, S., & Rahimi, M. (2024). Forecasting in industrial systems using time-series algorithms: A review. International Journal of Industrial Engineering Research, 18(2), 1–15.
dc.relation.referencesGuerrero, J., & Zapata, A. (2020). Planeación de la demanda en sistemas logísticos portuarios. Universidad del Valle.
dc.relation.referencesHeizer, J., Render, B., & Munson, C. (2020). Operations Management: Sustainability and Supply Chain Management. Pearson.
dc.relation.referencesHyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts.
dc.relation.referencesMakridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and Applications. John Wiley & Sons.
dc.relation.referencesMontgomery, D. C., Jennings, C. L., & Kulahci, M. (2021). Introduction to Time Series Analysis and Forecasting. Wiley.
dc.relation.referencesOmer, K., Al-Khalifa, M., & Hassan, F. (2021). Evaluating Holt’s exponential smoothing for demand prediction in logistics operations. Journal of Applied Operational Research, 13(4), 271–283.
dc.relation.referencesYuan, L. (2023). Comparative analysis of regression and ARIMA models in logistics forecasting. Transportation Research Review, 7(3), 55–67.
dc.relation.referencesAlahmadi, D., & Jamjoom, A. A. (2022). Decision support system for handling control decisions and decision-maker related to supply chain. Journal of Big Data, 9(1), 114. https://doi.org/10.1186/s40537-022-00653-9
dc.relation.referencesArias, F. (2012). El proyecto de investigación: Introducción a la metodología científica. Editorial Episteme.
dc.relation.referencesBallou, R. H. (2004). Logística: Administración de la cadena de suministro. Pearson Educación.
dc.relation.referencesChandraul, V. S., & Barode, S. K. (2023). A review on demand and forecasting in supply chain management. Research & Reviews: Journal of Statistics and Mathematics, 12(3), 15-24.
dc.relation.referencesFatima, N., & Rahimi, M. (2024). Forecasting algorithms in industrial systems: A review of time-series applications. Journal of Industrial Engineering & Management, 17(2), 1 12.
dc.relation.referencesFreightPlus. (2023). Guide to data-driven logistics decision making. Retrieved from https://freightplus.io/guide-to-data-driven-logistics-decision-making/
dc.relation.referencesGlobal Trade Mag. (2024). Forecasting demand in supply chains: Why it’s critical for success. Retrieved from https://www.globaltrademag.com/forecasting-demand-in supply-chains-why-its-critical-for-success/
dc.relation.referencesHanke, J. E., & Wichern, D. W. (2014). Business forecasting (10th ed.). Pearson.
dc.relation.referencesHeizer, J., Render, B., & Munson, C. (2020). Operations management: Sustainability and supply chain management (13th ed.). Pearson.
dc.relation.referencesHolt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, 20(1), 5-13.
dc.relation.referencesHyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (3rd ed.). OTexts.
dc.relation.referencesMakridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and applications (3rd ed.). Wiley.
dc.relation.referencesMontgomery, D. C., Jennings, C. L., & Kulahci, M. (2021). Introduction to time series analysis and forecasting. Wiley.
dc.relation.referencesMunhoz, D., et al. (2022). Decision support system in supply chain management. EA Journals. Retrieved from https://www.eajournals.org/wp-content/uploads/Decision Support-System-in-Supply-Chain-Management-Literature-Review.pdf
dc.relation.referencesStevenson, W. J. (2021). Operations management (14th ed.). McGraw-Hill Education.
dc.relation.referencesTrstenjak, M., Opetuk, T., Đukić, G., & Cajner, H. (2022). Logistics 5.0 implementation model based on decision support systems. Sustainability, 14(11), 6514. https://doi.org/10.3390/su14116514
dc.relation.referencesWan, Y., et al. (2023). Overview of logistics demand forecasting methods. Frontiers in Business, Economics & Management, 9(2), 251-265.
dc.relation.referencesYuan, L. (2023). Comparative analysis of regression and ARIMA models in logistics forecasting. Transportation Research Review, 15(2), 122-135.
dc.relation.referencesChopra, S., & Meindl, P. (2019). Supply Chain Management: Strategy, Planning, and Operation (7th ed.). Pearson.
dc.relation.referencesSilver, E. A., Pyke, D. F., & Peterson, R. (2016). Inventory and Production Management in Supply Chains (4th ed.). CRC Press.
dc.relation.referencesVidal, C. J., Bravo, J. J., Cajiao, E., Meza, P. P., Arango, S., Franco, D., & Calderón, J. H. (2018). Guía metodológica para la priorización de proyectos: un enfoque aplicado a la infraestructura. Universidad del Valle.
dc.relation.referencesBallou, R. H. (2004). Logística: Administración de la cadena de suministro. Pearson Educación.
dc.relation.referencesChopra, S., & Meindl, P. (2019). Supply Chain Management: Strategy, Planning, and Operation (7th ed.). Pearson.
dc.relation.referencesGujarati, D. N., & Porter, D. C. (2009). Econometría (5ª ed.). McGraw-Hill.
dc.relation.referencesHyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts.
dc.relation.referencesMakridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and Applications. Wiley.
dc.relation.referencesMontgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to Time Series Analysis and Forecasting. Wiley.
dc.relation.referencesPressman, R. S. (2020). Ingeniería del software: un enfoque práctico (8ª ed.). McGraw-Hill.
dc.relation.referencesSommerville, I. (2011). Software Engineering (9th ed.). Pearson.
dc.relation.referencesVidal, C. J., Bravo, J. J., Cajiao, E., Meza, P. P., Arango, S., Franco, D., & Calderón, J. H. (2018). Guía metodológica para la priorización de proyectos: un enfoque aplicado a la infraestructura. Universidad del Valle.
dc.rightsAttribution-NonCommercial-NoDerivs 2.5 Colombiaen
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keywordDemand forecasting
dc.subject.keywordMathematical models
dc.subject.keywordLinear regression
dc.subject.keywordWeighted moving average
dc.subject.keywordDouble exponential smoothing
dc.subject.keywordPort logistics
dc.subject.keywordInstalled capacity
dc.subject.keywordConalca S.A.S.
dc.subject.lemblogistica y operaciones
dc.subject.lembPlanificación de la demanda
dc.subject.lembSuavización exponencial doble
dc.subject.lembCapacidad instalada
dc.subject.proposalPronóstico de demanda
dc.subject.proposalModelos matemáticos
dc.subject.proposalRegresión lineal
dc.subject.proposalPromedio móvil ponderado
dc.subject.proposalSuavización exponencial doble
dc.subject.proposalLogística portuaria
dc.subject.proposalCapacidad instalada
dc.subject.proposalConalca S.A.S
dc.titlePronosticado de demanda: aplicativo que genera la evaluación de 3 modelos estadísticos estableciendo el valor òptimo.
dc.typebachelor thesis
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de gradospa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
2025tomarrodriguez1.pdf
Tamaño:
1.43 MB
Formato:
Adobe Portable Document Format
Descargar

Bloque de licencias

Mostrando 1 - 3 de 3
Miniatura
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Miniatura
Nombre:
2026cartadederechosdeautor.pdf
Tamaño:
1.07 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2026cartadefacultad.pdf
Tamaño:
479 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar

Colecciones

Pregrado Ingeniería en Logística y Operaciones