Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Lima - Centro Facultad de Ingeniería de Sistemas e Informática Proyecto de Trabajo de Investigación Implementación de la inteligencia analítica predictiva para mejorar el proceso de control de inventarios y la generación de órdenes de compra en la empresa Faride Algodón del Perú en el año 2021 Integrantes Flores Muñoz, Jhonny (1412489) Pequeño Gonzales, Mario (1524110) Docentes Rodriguez Alvarez, Silvia Rita (Docente Metodólogo) Cabrera Diaz, Javier Elmer (Docente de Especialidad) Lima, Perú Ciclo 2021 – II 2 ÍNDICE N° de Pag. 1. PROBLEMA DE INVESTIGACIÓN ................................................................................... 5 1.1. Planteamiento del problema ....................................................................................... 5 1.2. Pregunta de investigación .......................................................................................... 6 1.2.1. Preguntas específicas .......................................................................................... 6 2. OBJETIVO GENERAL Y ESPECÍFICOS .......................................................................... 6 2.1. Objetivo general ......................................................................................................... 6 2.2. Objetivos específicos .................................................................................................. 6 3. JUSTIFICACIÓN ............................................................................................................... 7 4. MARCO TEÓRICO ........................................................................................................... 7 4.1. Analítica Empresarial de Big Data (BDBA) ................................................................. 7 4.1.1. Big Data ............................................................................................................... 7 4.1.2. Analítica Empresarial ........................................................................................... 8 4.2. Modelo Logit Leaf (LLM) ............................................................................................. 8 4.3. Árboles de decisión .................................................................................................... 8 4.4 Regresión logística ...................................................................................................... 8 4.5. Logística y Gestión de la Cadena de Suministro (LSCM)............................................ 9 4.6. Análisis de la cadena de suministro ............................................................................ 9 4.7. Machine Learning ....................................................................................................... 9 4.8. Inteligencia Analítica ................................................................................................... 9 4.9. Inteligencia Artificial .................................................................................................... 9 4.10 Inteligencia analítica predictiva ................................................................................ 10 3 4.11 Procesos de control de inventario ............................................................................ 10 4.11.1 Organizar la información de tus inventarios ....................................................... 10 4.11.2 Clasificar tus productos en tres categorías ........................................................ 10 4.11.3 Establecer los días de inventarios de tus productos .......................................... 11 4.11.4 Calcular stock mínimo, máximo y re-orden ........................................................ 11 4.11.5 Compara inventarios actuales con lo obtenido .................................................. 11 4.11.6 Supervisión en tiempo real del inventario .......................................................... 11 4.11.7 Adaptación continua de la información .............................................................. 11 4.12 Creación de las órdenes de compra ........................................................................ 12 4.13 Técnica Análisis de pronóstico de series de tiempo ................................................. 12 5. REVISIÓN DE LA LITERATURA ACTUAL O ESTADO DEL ARTE ................................ 13 6. HIPÓTESIS ..................................................................................................................... 15 6.1. Hipótesis general ...................................................................................................... 15 6.2. Hipótesis específicas ................................................................................................ 15 7. METODOLOGÍA ............................................................................................................. 16 7.1. Variables .................................................................................................................. 16 7.1.1. Variable independiente....................................................................................... 16 7.1.2. Variable dependiente ......................................................................................... 16 7.2. Tipo y diseño de investigación .................................................................................. 17 7.2.1. Enfoque de la investigación ............................................................................... 17 7.2.2. Alcance de la investigación ................................................................................ 17 7.2.3. Diseño de la investigación .................................................................................. 17 7.3. Población y muestra ................................................................................................. 17 7.4. Técnicas e instrumentos de investigación ................................................................. 18 4 7.5. Matriz de consistencia .............................................................................................. 19 8. CRONOGRAMA DE TRABAJO ...................................................................................... 20 9. PRESUPUESTO ............................................................................................................. 22 10. BIBLIOGRAFÍA ............................................................................................................. 23 11. ANEXOS ....................................................................................................................... 25 5 1. PROBLEMA DE INVESTIGACIÓN 1.1. Planteamiento del problema El negocio de la empresa textil Faride Algodón de Perú SRL la cual tiene 30 años de trayectoria, está dedicada a la compra de hilos y fabricación de telas, cuenta con un laboratorio, planta de tejeduría, planta de tintorería y tiendas, pero sobre todo con un equipo de gente altamente comprometido en atender los requerimientos de densidad, rendimiento y solidez de color a un precio muy competitivo, su prioridad es satisfacer las necesidades de sus clientes ofreciendo una gran satisfacción al recibir un buen producto a un tiempo eficiente. Esta empresa fabrica las telas iniciando con el proceso de control de inventarios, los implicados en este proceso son quienes se encargan de validar e informar el stock actual de los productos, de esta manera indican al área de generación de compras, que telas se están quedando sin stock para que se manden a fabricar. Además, para empezar a fabricar algún tipo de tela, la empresa espera que sus clientes realicen alguna solicitud anticipadamente, es decir, siempre toma un tiempo regular en entregar el producto final a sus clientes debido a que no se anteponen a sus pedidos. Dentro de susproblemas, se encuentra que las órdenes no cubren las necesidades del área de producción y la gestión del inventario no cubre con los requerimientos solicitados, ocasionando apuros con la merma o faltante de productos y esto conlleva a que los clientes decidan irse con la competencia ya que sus productos no llegaron al tiempo acordado. Esto es un riesgo crítico para la empresa y de no tomar las medidas respectivas, puede ocasionar consecuencias muy graves, como la desconfianza total de sus clientes y preferencia por la competencia, pérdida de ventas y una mala imagen en el sector de producción de telas con una gran posibilidad de quebrar. En base al problema identificado, el objetivo será utilizar la inteligencia analítica predictiva en la empresa, con esto se mejorará el control de inventarios y a su vez, la generación de órdenes de compra, logrando que la empresa se posicione dentro de las mejores compañías en la producción y venta de telas. 6 1.2. Pregunta de investigación ¿Cómo la implementación de la inteligencia analítica predictiva mejora el proceso de control de inventarios y el proceso de generación de órdenes de compra en la empresa Faride Algodón del Perú en el año 2021? 1.2.1. Preguntas específicas ¿Cómo se lleva a cabo el control de inventario y la generación de órdenes de compra? ¿Qué se necesita para implementar la inteligencia analítica predictiva en los procesos de control de inventario y generación de órdenes de compra? ¿Qué herramientas de software son necesarias para la implementación de la inteligencia analítica predictiva? 2. OBJETIVO GENERAL Y ESPECÍFICOS 2.1. Objetivo general Determinar cómo la implementación de la inteligencia analítica predictiva mejora el proceso de control de inventarios y la generación de órdenes de compra en la empresa Faride Algodón del Perú en el año 2021. 2.2. Objetivos específicos Identificar cómo se lleva a cabo el proceso de control de inventario y la generación de órdenes de compra en la empresa Faride de algodón. Diseñar un prototipo para la implementación de la inteligencia analítica predictiva en los procesos de control de inventario y generación de órdenes de compra en la empresa Faride algodón. Determinar las herramientas de software necesarias para la implementación de la inteligencia analítica predictiva en la empresa Faride de algodón. 7 3. JUSTIFICACIÓN La investigación tiene como finalidad el poder abarcar las carencias que se encontraron en la gestión de los procesos implicados en la producción y venta de telas, también las malas decisiones que se toman en la generación órdenes de compra, ya que se observan compras excesivas que con el tiempo se vuelven obsoletas. Esta investigación muestra lo positivo que es para las empresas implementar la inteligencia analítica predictiva, con el fin de utilizar de manera eficiente los recursos de las empresas del rubro logístico, perfeccionando la rotación de los productos, se evitarán daños monetarios y mejorarán los tiempos en la ejecución de los procesos, esto dará el resultado de obtener una empresa más rentable. Además, esta investigación busca cambiar la manera de trabajar de este tipo de empresas, utilizando tecnologías de analítica de datos, en busca de un cambio positivo y beneficioso. 4. MARCO TEÓRICO 4.1. Analítica Empresarial de Big Data (BDBA) Debido a que las empresas emplean una variedad de tecnologías digitales se ha creado la Analítica Empresarial de Big Data (BDBA), que ayuda a proveer una cantidad masiva de datos dando así una ventaja sobre los competidores del mercado. En la etapa de planificación operativa la BDBA cumple un importante papel ya que ayuda a tomar decisiones de oración de la cadena de suministros que es muy recurrente en realizar planificaciones de la demanda, inventarios, producción, adquisiciones entre otros. (Gang Wang et al., 2016) 4.1.1. Big Data EL uso de la Big Data ha ayudado a conseguir que las compañías lleguen a sus objetivos ya que tiene las competencias necesarias para manipular datos e información de gran volumen con rapidez, obteniendo información de los inventarios en tiempo real y poder realizar ordenes de compras. La importancia de conocer Big Data es debido a que con esta herramienta se pueden transformar todo un proceso empresarial de inicio a fin teniendo en cuenta que estos procesos son el core de las empresas, además brinda un valor comercial debido a su gran potencial operativo y estratégico, el Big Data se ha posicionado como la 8 herramienta más importante en la investigación académica y corporativa. (Wamba et al., 2015). 4.1.2. Analítica Empresarial La analítica empresarial involucra obtener información a partir de los datos mediante el empleo de matemáticas, simulaciones, estadísticas entre otros, con el fin de brindar información a la organización para que pueda tomar decisiones acertadas. La implementación de la analítica empresarial junto al Big Data ha crecido del 17% al 59 % en 3 años, esto debido a los muchos beneficios que estos en conjunto brindan como, por ejemplo: Mantenerte dentro del presupuesto Mejores decisiones. Facilidad para calcular los logros en relación con los objetivos de la organización. Mantenerse informado. Incremento en su eficiencia. 4.2. Modelo Logit Leaf (LLM) Es un modelo que ayuda a predecir el comportamiento de una variable dicotómica, es decir que pueden tomar solo dos valores, este tiene un mejor desempeño en comparación al modelo hola de soporte (SLM) para medir el rendimiento predictivo bajo la curva de características operativas y el ascenso del decil superior. 4.3. Árboles de decisión Se conocen como una ciencia de datos la cual va a facilitar el análisis de decisiones secuenciales las cuales tienen una base en las probabilidades y resultados. Esta ciencia de datos puede ser usada para la generación de sistemas del tipo experto, para realizar búsquedas binarias y para la generación de árboles de juegos. 4.4 Regresión logística La regresión logística está dentro de los tipos de análisis de regresión, tiene el objetivo de predecir los resultados de alguna variable que tenga una limitación en sus categorías, en relación con la variable independiente. 9 4.5. Logística y Gestión de la Cadena de Suministro (LSCM) Son todas las operaciones que se necesitan realizar para que los productos se entreguen a los clientes, esto contempla algunos procesos como son el proceso de transporte de productos, gestión de la distribución y gestión del almacén. 4.6. Análisis de la cadena de suministro Este análisis es el apoyo para todas las aplicaciones tecnológicas como, por ejemplo, la inteligencia artificial (IA) o la cadena de suministro. Estas tecnologías pueden razonar, comprender, interactuar o aprender como lo haría un ser humano, pero con la gran ventaja de que pueden realizarlo a gran velocidad. 4.7. Machine Learning Esta especialidad del área de la inteligencia artificial emplea unos algoritmos permitiendo que los ordenadores puedan reconocer patrones en datos masivos y poder predecir acciones futuras. Actualmente el machine learning en logística ayuda a posicionarse en el mercado a muchas empresas, evitando los cuellos de botella, los pedidos tardíos y una eficiencia en sus procesos, con ello se puede nuevos parámetros para posibles problemas que se puedan presentar, es decir que se tendrá la capacidad de mejorar y adaptarse a la situación. 4.8. Inteligencia Analítica Inteligencia analítica es el proceso de análisis de datos que se utilizarán en el planeamiento estratégico del negocio además es la nueva forma de gestión de los negocios y tiene como objetivo la toma de mejores decisiones, basadas en análisis extensivos de datos. 4.9. Inteligencia Artificial Este tipo de inteligenciaes expresada mediante el uso de máquinas, su software y sus procesadores, esto se puede comprar con el ser humano, entiendo sus partes como cuerpo, el cerebro y la mente. https://es.wikipedia.org/wiki/Cuerpo_(anatom%C3%ADa) https://es.wikipedia.org/wiki/Cerebro https://es.wikipedia.org/wiki/Mente 4.10 Inteligencia analítica predictiva La inteligencia analítica predictiva ayuda a gestionar un correcto producto en el lugar, tiempo y cantidad correcta brindado el coste del producto y la información de un potencial cliente, todo ello facilita la creación de algoritmos sin obligación de tener las competencias de realizar un código avanzado. Se pueden realizar diversas redes neuronales en segundo plano, con el fin de idear una solución óptima, también se tendrá un tiempo ejecución eficiente que se podrá visualizar en los reportes generados por la herramienta Power BI y realizar la gestión de órdenes de compra eficazmente, éste último se verificará en los reportes de compras que se realiza semanalmente, con la finalidad de realizar un seguimiento y proponer mejoras. 4.11 Procesos de control de inventario Es la parte más importante de las operaciones y es pieza clave para la generación de utilidades, aquí se mide la producción de telas mediante un indicador, el cual es la cantidad de telas producidas, esto permitirá visualizar claramente el número de telas que la empresa fábrica para posteriormente tomas medidas necesarias a fin de mejorar este proceso. Según Zapata Cortez et al., (2014), el proceso de control de inventario no facilita en realizar el cálculo de veces en que la materia prima entra al almacén y también el número de productos que sale con destino a sus clientes. Para poder realizar una buena gestión se deberá seguir una serie de pasos: 4.11.1 Organizar la información de tus inventarios Aquí se tendrá una visión general del estado de los inventarios, se deberán clasificar productos por familias o grupos relacionados y eliminar los productos desfasados que quitan espacio en el almacén. 4.11.2 Clasificar tus productos en tres categorías Se deberá tener la información del inventario actualizada para poder clasificar en tres categorías de salida como, por ejemplo: Los productos que tienen mayor rotación Productos que se manejan por temporada Los Productos especiales 11 4.11.3 Establecer los días de inventarios de tus productos Al fijar que días se realizará el inventario se debe conocer el tiempo de demora en realizar el producto, para definir ello se deberá tener en cuenta el que tiempo toma el proveedor en realizar la entrega y con qué frecuencia se ejecuta una compra, éste último hace referencia al tiempo que se desee ingresar una nueva orden de compra hacia el proveedor, para ello se deberá revisar el historial de ventas. 4.11.4 Calcular stock mínimo, máximo y re-orden Con la información del paso anterior se puede definir el cálculo máximo, mínimo o puntos de re-orden, como ejemplo se podrá simular en 60 días Calcular el stock máximo: Se escogerá un producto y se pedirá la cantidad mayor permitida en el periodo de mayor demanda. Calcular el stock mínimo: Se escogerá un producto y se pedirá la cantidad mínima en el rango de tiempo de menos demanda con la finalidad de no desabastecer el almacén. Punto de re-orden: Se pedirá un monto necesario para realizar un pedido lo que sería el promedio del máximo y el mínimo, eso también nos indicará que cuando tengamos esa cantidad se deberá realizar una nueva orden. 4.11.5 Compara inventarios actuales con lo obtenido Este paso se deberá considerar que la información del inventario sea correcta, con ello se identificaran los productos con el mayor o mínimo y así poder decidir sin dudas como, por ejemplo: una promoción en los productos. 4.11.6 Supervisión en tiempo real del inventario Después de realizar el control de los inventarios se deberán tener un plan de compras por cada producto ya que cada uno tiene una demanda y rotación diferente obteniendo una compra más eficiente. 4.11.7 Adaptación continua de la información El área logística tiende a variar lo cual es necesario realizar una supervisión periódica de la data y modificar los niveles máximos y mínimos, esto se puede llevar varias veces al año. 12 4.12 Creación de las órdenes de compra La generación de órdenes es donde se gestionan un documento legal el cual brinda al proveedor la información del lugar a donde debe llegar el producto, a cantidad y tipo del producto, además indica el precio y condiciones de pago. Se requiere validar que los productos que se adquieren mediante los proveedores, siempre se encuentren rotando a fin de no causar molestias como son el espacio en los almacenes, los cuales se requieren con mayor importancia para almacenar las telas que la empresa fabrica, por ello es necesario realizar una medición por medio de un indicador, el cual es el nivel de rotación que tienen los productos, esto permite que se pueda identificar alguna falla y tomar las medidas correctivas. 4.13 Técnica Análisis de pronóstico de series de tiempo La técnica del análisis de pronóstico de series de tiempo implica analizar toda una serie de datos con el fin de identificar patrones para poder comprender el comportamiento del ambiente, en base a ello se puede realizar predicciones y comprender las relaciones y los efectos de causalidad en la variable dependiente e independiente. Al obtener una gran masa de datos o macrodatos se tendrá el reto de tener procedimiento más adaptables y sólidos debido a la característica de base de datos, esto es posible gracias a esta técnica y por su efectividad han recibido una atención cada vez mayor para explorar la Base de Datos. (Gang Wang et al., 2016) 5. REVISIÓN DE LA LITERATURA ACTUAL O ESTADO DEL ARTE Actualmente las compañías sufren un déficit al abastecerse con la materia prima generando retrasos en el área de producción. El almacén no cuenta con un sistema que indique los productos que son más solicitados por los clientes, esto es ocasionado por una falta en la gestión del área de logística, que conlleva a que los clientes sientan insatisfacción ya que la empresa tomará un tiempo adicional en adquirir los productos. Según Waller et al. (2013), nos habla que todo ello se puede contrarrestar con la implementación de nuevas tecnologías y el dominio de la ciencia de datos. La industria 4.0 está centrada en aquellos sistemas enfocados en la producción, para mejorarlos conectándolos a redes de fabricación del mundo, estás son entidades inteligentes en el rubro de producción y su característica es que pueden entender los datos, fomentar acciones y la capacidad de auto-optimización autónomos lo que permite control y optimizar la cadena de valor desde su producción hasta la entrega del producto (Latinovic et al., 2019). Por otro lado, otra tecnología que se busca mucho en la actualidad es el Big Data el cual tiene la posibilidad de transformar el proceso de la empresa, generando un valor comercial, se han incrementado las investigaciones sobre esta tecnología en los últimos años, entender cómo funcionan los macrodatos y su valor empresarial (Fosso et al., 2015). Por ello a continuación se detallar cómo funciona el Big Data y las ventajas que pueden brindar. Wang et al. (2016), investigaron sobre el surgimiento de integrar la analítica empresarial con el big data, esto se conoce como BDBA, en donde se facilita a la empresa mejores medios para mejorar su competitividad, el BDBA busca integrar el Big Data (BD) y el análisis de negocio (BA), teniendo en cuenta que BD está referido al aprovechamiento de las grandes cantidades de datos con la capacidad de ser procesados, en cuanto a la analítica, busca obtener información mediante aplicaciones o algoritmos matemáticos, estadísticos, de econometríau otras técnicas para facilitar la tomas de decisiones a las empresas. Por otro lado, tal como lo indican Waller et al. (2013), se ha generado una fuerte atención en el área de la ciencia de los datos, análisis predictivo y los macrodatos (DPB), indicando que la ciencia de datos es una aplicación que consta de algunos métodos cualitativos y cuantitativos con la finalidad de facilitar a la empresa el resolver problemas de importancia, además de contar con la característica de predecir resultados, también indicaron que tomando en cuenta el gran incremento del volumen de datos que trabajan hoy en día, se debe tener en mente que el conocimiento y análisis del dominio no pueden trabajarse por separado. Mediante el Big Data se buscará crear una oportunidad al negocio para modernizar su diseño y buscar que las 14 organizaciones tengan una mejor toma de decisiones, considerando que últimamente se produjo un incremento en la cantidad de datos que se manejan, por esto se han logrado crear nuevos métodos en la ciencia de datos y aplicaciones para la predicción apoyado en algoritmos. Según De Caigny et al. (2018), “el modelo Logit Leaf (LLM) se propone como un nuevo algoritmo de clasificación híbrido que utiliza una combinación de árboles de decisión y regresión logística que se desarrolla para reducir las debilidades de DT y LR manteniendo sus fortalezas” (p. 2), lo cual nos indica que se trata de un método estadístico el cual tiene la función de producir clases binarias, su resultado o también conocido como variable objetivo tiene una naturaleza dicotómica, también se sabe que es conocido como un algoritmo de Machine Learning simple y muy utilizado, se utiliza como línea base en todos los problemas de clasificación binaria, teniendo en cuenta que esto permite detectar alguna dirección de spam, realizar predicciones sobre las compras que realizarán los clientes y que producto será, o si es que realizará la compra en la competencia. Por otra parte, según lo indicado por Wang et al. (2016), El Supply Chain Analytics (SCA) facilita en tener un panorama claro y así poder decidir con respecto a la oferta, la demanda, el proceso de gestión de inventarios y a preveer el presupuesto de la empresa. Es decir, el sistema de gestión el cual se utiliza en el proceso de órdenes de compras, gestión de la producción y maneja de la distribución, ayuda a relacionar todas las actividades de la logística para un mejor desempeño. Begazo Barrera (2017), nos habla sobre la importancia de tener un control interno con el fin de obtener mejores resultados, generando así más liquidez para la empresa, para implementar ello se debe realizar un análisis holístico actual de los controles internos identificando los factores críticos y definir la metodología, esto nos ayuda a prevenir que no se presenten anomalías que puedan afectar a la información financiera, obteniendo así una información confiable que será base para tomar decisiones en las órdenes de compra. Por otro lado, Duran (2012), menciona que el inventario es una de las inversiones primordiales de la empresa en comparación a los diferentes activos, esto por el hecho de que son indispensables para generar las ventas y con ello lograr el incremento de las utilidades, también hace mención que muchos gerentes no toman la importancia adecuada al inventario y caen en pérdidas al punto de quebrar, por último, Ortiz et al. (2013), nos habla sobre el importante papel que toma el área logística en la organización, es vital para que mantenga a sus clientes y consiga nuevos, ésta se está posicionando en unas de las principales actividades empresariales, además se usan unos indicadores económicos con el fin de calcular los resultados. 15 Finalmente, la implementación de la analítica predictiva permite aprovechar los datos que la empresa maneja con el objetivo de tener una gestión de la logística más sólida y eficaz, esto será apoyado por medio de Big Data y el análisis de negocio brindando predicciones a fin de tomar mejores decisiones para el abastecimiento del almacén con los productos más solicitados. Además, el modelo Logit Leaf ayuda a afinar las predicciones, con esto se logrará que los clientes no se sientan incómodos o generen reclamos al esperar demasiado tiempo por su producto, se asegurará la producción continua de la empresa y se mantendrá o mejorará la reputación que la empresa tiene logrando así la captación de más clientes. 6. HIPÓTESIS 6.1. Hipótesis general La implementación de la inteligencia analítica predictiva mejora los procesos de control de inventario y generación de órdenes de compra. 6.2. Hipótesis específicas - Los procesos de control de inventario y generación de órdenes de compra no cumplen con las necesidades de la empresa. - Para implementar la inteligencia analítica se necesita diseñar un prototipo con el fin de perfeccionar los procesos de control de inventario y generación de órdenes de compra. - Las herramientas de software para el análisis de datos son necesarias para la implementación de la inteligencia analítica predictiva. 16 7. METODOLOGÍA 7.1. Variables 7.1.1. Variable independiente La Inteligencia Analítica Predictiva es la variable independiente, debido a que su implementación en la organización determinará el efecto sobre la variable dependiente, donde se espera una reducción de tiempos en el proceso de control de inventario y generación de órdenes de compra. Además, la variable tendrá el alcance correlacional cuantitativo, esto debido a los valores cuantitativos que se medirán, los cuales se aprecian en los indicadores. VARIABLES DIMENSIONES INDICADORES Variable independiente: Inteligencia analítica predictiva Eficiencia Tiempo de ejecución de los procesos de control de inventario y generación de órdenes de compra. Eficacia Número de operaciones realizadas. 7.1.2. Variable dependiente Son los procesos de control de inventario y generación de órdenes de compra, ya que estos serán analizados y medidos con el fin de determinar el impacto que tuvo la variable independiente. Por otro lado, la variable tendrá el alcance correlacional cuantitativa, esto debido a los valores cuantitativos que se medirán, los cuales se pueden apreciar en los indicadores. VARIABLES DIMENSIONES INDICADORES Variable dependiente: Procesos de control de inventario y Generación de órdenes de compra Prospección Historial de ventas Rotación Nivel de rotación de productos 17 7.2. Tipo y diseño de investigación 7.2.1. Enfoque de la investigación Se considera el enfoque cuantitativo ya que se determinará el nivel de productividad y eficiencia en los procesos de control de inventario y generación de órdenes de compra. 7.2.2. Alcance de la investigación La investigación tiene un alcance correlacional, debido a que se determinará la conexión entre la variable independiente y dependiente, la cual podrá tener un efecto deseable o no deseable, dependiendo del resultado de la hipótesis. Con esto se logrará determinar el impacto que presentó una variable sobre la otra. 7.2.3. Diseño de la investigación La investigación tiene un método experimental y un diseño preexperimental, dado que solo se tendrá una muestra, obteniendo un grado de control mínimo para luego implementar la inteligencia analítica predictiva a los procesos de control de inventario y generación de órdenes de compra. El procedimiento de investigación consiste en aplicar herramientas de analítica predictiva sobre los datos de los procesos implicados en la producción y compras de telas, por lo cual se podrá analizar el cambio que tendrá la variable dependiente luego de tratarla con la variable independiente. 7.3. Población y muestra La población de la investigación son los dos procesos involucradosen la producción de telas, los cuales son el control de inventario y la generación de órdenes de compra. Para la muestra también se usarán estos dos procesos mencionados. 18 7.4. Técnicas e instrumentos de investigación En primer lugar, se realizará la técnica de previsión de series de tiempo, está técnica fue escogida porque permite realizar un análisis de todos los datos de la organización y poder reconocer patrones (Gang Wang et al., 2016), con la finalidad de poder anticiparse ante sucesos que se podrían presentar tomando buenas decisiones, para esta técnica se usará la herramienta Power BI, se empezará a utilizar esta herramienta luego de que la empresa nos proporcione información mediante los reportes que manejan en referencia a la compra de insumos y registros de productos fabricados y almacenados. En segundo lugar, se utilizará la técnica de análisis de regresión, fue escogida esta técnica ya que permite realizar una validación entre variables cuantitativas con el uso de ecuaciones matemáticas (Gang Wang et al., 2016), para la ejecución de esta técnica se utilizará el instrumento SPSS, el cual se encuentra estandarizada y podrá mostrar una estadística informática, también se empezará a utilizar esta herramientas una vez que la empresa Faride Algodón del Perú, nos proporcione su información de los reportes para poder analizarla y procesarla. Ambos instrumentos serán aplicados al inicio 7.5. Matriz de consistencia PREGUNTA GENERAL OBJETIVO GENERAL HIPÓTESIS GENERAL VARIABLES DIMENSIONES INDICADORES TÉCNICAS/ INSTRUMENTOS METODOLOGÍA ¿Cómo la implementación de la inteligencia analítica predictiva mejora el proceso de control de inventarios y la generación de órdenes de compra en la empresa Faride Algodón del Perú en el año 2021? Determinar cómo la implementación de la inteligencia analítica predictiva mejora el proceso de control de inventarios y la generación de órdenes de compra en la empresa Faride Algodón del Perú en el año 2021. La implementación de la inteligencia analítica predictiva mejora los procesos de control de inventario y generación de órdenes de compra. - Variable independiente: Inteligencia analítica predictiva Eficiencia Tiempo de ejecución de los procesos de control de inventario y generación de órdenes de compra. Previsión de series de tiempo/ Power BI Análisis de regresión/ Programa SPSS ENFOQUE: Cuantitativo ALCANCE: Correlacional- Cuantitativo MÉTODO: Experimental DISEÑO: Pre-Experimental POBLACIÓN: Proceso de control de inventario y generación de órdenes de compra MUESTRA: Proceso de control de inventario y generación de órdenes de compra Eficacia Número de operaciones realizadas PREGUNTAS ESPECÍFICAS OBJETIVOS ESPECÍFICOS HIPÓTESIS ESPECÍFICAS - ¿Cómo se lleva a cabo el control de inventario y la generación de órdenes de compra? - ¿Qué se necesita para implementar la inteligencia analítica predictiva en los procesos de control de inventario y generación de órdenes de compra? - ¿Qué herramientas de software son necesarias para la implementación de la inteligencia analítica predictiva? - Identificar cómo se lleva a cabo el proceso de control de inventario y la generación de órdenes de compra. - Diseñar un prototipo para la implementación de la inteligencia analítica predictiva para la mejora en los procesos de control de inventario y generación de órdenes de compra. - Determinar las herramientas de software necesarias para la implementación de la inteligencia analítica predictiva. - Los procesos de control de inventario y generación de órdenes de compra no cumplen con las necesidades de la empresa. - Para implementar la inteligencia analítica se necesita diseñar un prototipo con el fin de mejorar los procesos de control de inventario y generación de órdenes de compra. - Las herramientas de software para el análisis de datos son necesarias para la implementación de la inteligencia analítica predictiva. - Variable dependiente: Procesos de control de inventario y Generación de órdenes de compra Producción Cantidad de telas producidas Rotación Nivel de rotación de productos 8. CRONOGRAMA DE TRABAJO Fases Descripción de objetivos y actividades del proyecto Meses Semanas Marzo Abril Mayo Junio Julio 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Fase 1: Revisión Actividad 1 x x Revisión del proyecto de investigación Fase 2: Diagnóstico de los procesos de control de inventarios y la generación de órdenes de compra Actividad 2 x Aplicación del primer instrumento (Cuestionario) Actividad 3 x x Aplicación del segundo instrumento (Power BI) Actividad 4 x Realizar el flujo de los procesos en Bizagi Actividad 5 x Realizar diagrama de Ishikawa Actividad 6 x Entrega del primer avance del proyecto de investigación Actividad 7 x Creación de Dashboard Actividad 8 x Realizar una propuesta de mejora Fase 3: Simulación y afinamiento del proyecto Actividad 9 x Entrega del segundo avance del proyecto de investigación Actividad 10 x x x x x x x x x x Redacción del trabajo final Actividad 11 x x 21 Levantamiento de observaciones Actividad 12 x Simular la inteligencia analítica predictiva en los procesos estudiados Fase 4: presentación final de plan de tesis Actividad 13 x Entrega del informe final Actividad 14 x x Planteamiento de estructura del plan de tesis Actividad 15 x Levantamiento de observaciones Actividad 16 x Entrega del plan de tesis 22 9. PRESUPUESTO CLASE GRUPO RECURSO DETALLE ORIGEN IMPORTE Recursos disponibles Infraestructura Hardware 2 laptops Propio - Software Paquete de Office UTP - Software Licencia de Power BI PRO Propio S/ 76.00 Software Software modelador de procesos Propio - Recursos necesarios Servicios Energía eléctrica Servicio de energía eléctrica Propio S/ 50.00 Red Servicio de internet Propio S/ 100.00 Total S/ 226.000 10. BIBLIOGRAFÍA Begazo, M. (2017). Control interno de las existencias y su influencia en la mejora en los resultados económicos de una empresa Agrícola-Agroindustrias Viviana S.A.C.- En el distrito de Majes, 2016. [Tesis de pregrado, Universidad Nacional de San Agustín de Arequipa]. Repositorio de la UNSA. http://repositorio.unsa.edu.pe/bitstream/handle/UNSA/4460/Cobebam.pdf?sequ ence=1&isAllowed=y De Caigny, A., Coussement K. & De Bock, K. (2018). Un nuevo algoritmo de clasificación híbrido para la predicción de rotación de clientes basado en regresión logística y árboles de decisión. Revista europea de investigación operativa. 269, 760-772. https://doi.org/10.1016/j.ejor.2018.02.009 Durán, Y. (2012). Administración del inventario: elemento clave para la optimización de las utilidades en las empresas. Visión Gerencial (1), 55-78. Obtenido: http://www.redalyc.org/pdf/4655/465545892008.pdf Feng, L., Zhang, G., & Chen, J. (2021). Análisis e investigación de la distribución urbana sin contacto basadoen antecedentes de Big Data. Journal of Physics: Conference Series, 1881(4). https://doi.org/10.1088/1742-6596/1881/4/042001 Fosso W., Akter, S., Edwards, A., Chopin, G. & Gnanzou, D. (2015). Cómo 'big data' puede tener un gran impacto: hallazgos de una revisión sistemática y un estudio de caso longitudinal. International Journal of Production Economics, 165, 234- 246. https://doi.org/10.1016/j.ijpe.2014.12.031 Gutierrez-Franco, E., Mejia-Argueta, C. & Rabelo, L. (2021). Metodología basada en datos para respaldar la logística y la toma de decisiones duraderas para operaciones urbanas de última milla. Sustainability (Switzerland), 13(11), 1-33. https://doi.org/10.3390/SU13116230 http://repositorio.unsa.edu.pe/bitstream/handle/UNSA/4460/Cobebam.pdf?sequence=1&isAllowed=y http://repositorio.unsa.edu.pe/bitstream/handle/UNSA/4460/Cobebam.pdf?sequence=1&isAllowed=y https://doi.org/10.1016/j.ejor.2018.02.009 http://www.redalyc.org/pdf/4655/465545892008.pdf https://doi.org/10.1088/1742-6596/1881/4/042001 https://doi.org/10.1016/j.ijpe.2014.12.031 https://doi.org/10.3390/SU13116230 24 Latinovic, A., Preradović, D., Barz y Todić, M. (2019). Adaptive framework based on machine learning for logistics planning in Industry 4.0. International Congress of Applied Sciences, 477, 2-8. https://doi.org/10.1007/978-981-13-1810-8_43 Ortiz M., Felipe P. & Arias E. (2013). Desempeño logístico y rentabilidad económica. Fundamentos teóricos y resultados prácticos. Economía y Desarrollo, 149(1), 182-193. Recuperado: https://www.redalyc.org/pdf/4255/425541207012.pdf Waller, A., & Fawcett E. (2013). Ciencia de datos, análisis predictivo y macrodatos: una revolución que transformará el diseño y la gestión de la cadena de suministro. Journal of Business Logistics. 34(2), 77–84. https://doi.org/10.1111/jbl.12010 Wang, G., Gunasekaran, A., Ngai, E. W. T., & Papadopoulos, T. (2016). Big data analytics in logistics and supply chain management: Certain investigations for research and applications. International Journal of Production Economics. 176, 98–110. https://doi.org/10.1016/j.ijpe.2016.03.014 Zapata, J. (2014). Fundamentos de la gestión de inventarios. Centro editorial Esumer. https://docplayer.es/27441395-Fundamentos-de-la-gestion-de-inventarios.html https://doi.org/10.1007/978-981-13-1810-8_43 https://www.redalyc.org/pdf/4255/425541207012.pdf https://doi.org/10.1111/jbl.12010 https://doi.org/10.1016/j.ijpe.2016.03.014 https://docplayer.es/27441395-Fundamentos-de-la-gestion-de-inventarios.html 25 11. ANEXOS Logo de la empresa Faride Algodón del Perú S.R.L. Paleta de colores de las telas en la empresa Faride Algodón del Perú S.R.L. Productos químicos para el desarrollo de nuevos colores Uniforme de protección de los trabajadores de la empresa Faride Algodón del Perú S.R.L. 27 Instalaciones de la empresa Faride Algodón del Perú S.R.L. Ubicación de la empresa Faride Algodón del Perú S.R.L. Antonio Bazo 784 - La Victoria
Compartir