Modelo predictivo del riesgo de abastecimiento en la cadena de suministro basado en técnicas de machine learning

Loading...
Thumbnail Image
Date
2026
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali

Share

Abstract
Este trabajo de grado se enfocó en la implementación de un modelo predictivo del riesgo de abastecimiento para una empresa multinacional productora de alimentos. La investigación surgió debido a la alta variabilidad de la cadena de suministro global y los riesgos asociados a la adquisición de ingredientes, especialmente bajo los enfoques de planeación como DDMRP y justo a tiempo. La relevancia del proyecto radicó en transformar la gestión del abastecimiento hacia una estrategia proactiva para aumentar la disponibilidad de materiales y garantizar la continuidad operativa. La problemática central fue la falta de herramientas analíticas que permitieran anticipar los riesgos de desabastecimiento en un contexto de incertidumbre logística y fluctuación en la demanda. Para abordar esta situación, se plantearon como objetivos: identificar las variables clave que determinan el riesgo asociado a los proveedores, desarrollar varios modelos de predicción utilizando técnicas de análisis de datos, seleccionar el modelo con el mejor desempeño y consolidar sus resultados en un tablero de control con alertas tempranas. El desarrollo se basó en datos históricos disponibles en los sistemas internos de la empresa, tales como ERP y bases de gestión de compras, que contenían información sobre entregas, cumplimiento de proveedores, tiempos de respuesta y consumo de materiales. Como resultado se desarrolló un sistema de análisis que permitió anticipar interrupciones en el suministro mediante algoritmos validados con métricas de precisión y facilidad de interpretación. Además, los resultados del modelo fueron integrados en una herramienta visual accesible para los equipos de compras y planeación, lo cual contribuyó a fortalecer la resiliencia de la cadena de suministro, minimizar impactos operacionales y tomar decisiones informadas con mayor anticipación.
item.page.abstract.eng
item.page.descriptioneng
Citation
DOI