Modelo predictivo del riesgo de abastecimiento en la cadena de suministro basado en técnicas de machine learning
| dc.contributor.advisor | García Arboleda, Isabel Cristina | |
| dc.contributor.author | García Largo, Mauro Steban | |
| dc.date.accessioned | 2026-07-22T19:26:40Z | |
| dc.date.available | 2026-07-22T19:26:40Z | |
| dc.date.issued | 2026 | |
| dc.description.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. | spa |
| dc.description.degreelevel | Maestría | |
| dc.description.degreename | Magíster en Ciencia de Datos | |
| dc.format.extent | 83 p. | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.uri | http://hdl.handle.net/11522/5698 | |
| dc.language.iso | spa | |
| dc.publisher | Pontificia Universidad Javeriana Cali | |
| dc.publisher.department | Facultad de Ingeniería y Ciencias | |
| dc.publisher.program | Maestría en Ciencia de Datos | |
| dc.rights.accessrights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights.creativecommons | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Abastecimiento | spa |
| dc.subject | Riesgo | spa |
| dc.subject | Pronóstico | spa |
| dc.subject | Inventario | spa |
| dc.subject | Ingredientes | spa |
| dc.subject | Supply | eng |
| dc.subject | Risk | eng |
| dc.subject | Forecasting | eng |
| dc.subject | Inventory | eng |
| dc.subject | Ingredients | eng |
| dc.title | Modelo predictivo del riesgo de abastecimiento en la cadena de suministro basado en técnicas de machine learning | spa |
| dc.type | master thesis | |
| dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Maestría | |
| dc.type.redcol | https://purl.org/redcol/resource_type/TM |
Files
Original bundle
1 - 2 of 2
No Thumbnail Available
- Name:
- Trabajo de grado en pdf - MODELO PREDICTIVO DEL RIESGO DE AB.pdf
- Size:
- 2.51 MB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Licencia de uso - MODELO PREDICTIVO DEL RIESGO DE ABASTECIMI.pdf
- Size:
- 288.24 KB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: