Examinando por Materia "Árbol de decisión"

Mostrando 1 - 1 de 1
  • Miniatura
    PublicaciónSólo datos
    Modelo predictivo para optimizar la gestión logística y anticipar decisiones de abastecimiento ante retrasos de buques provenientes de Brasil, Rumania Y Francia minimizando el impacto en la cadena de suministro de la empresa Renault Sofasa
    (Universidad EIA, 2024) Linares Ocampo, Mariana; Madrigal Castrillón, Elizabeth; Correa Builes, Natalia Andrea
    RESUMEN: Renault SOFASA, líder en la industria automotriz, enfrenta desafíos logísticos significativos en la adquisición e importación de piezas provenientes de diversos países, un proceso clave para garantizar la continuidad operativa de la planta. Este trabajo pretende desarrollar un modelo predictivo capaz de anticipar los retrasos en los buques que transportan piezas de vehículos desde Brasil, Francia y Rumania, con el fin de reducir los sobrecostos asociados a estas demoras. Mediante el uso de técnicas de machine learning, se busca predecir la probabilidad de retraso en un buque, lo que permitirá tomar decisiones logísticas de una forma más eficiente, garantizando una mayor continuidad operativa y reduciendo riesgos y costos en la gestión logística. La metodología incluyó el análisis de datos históricos de importaciones y factores que influyen en los atrasos de buques, como el clima y el desempeño de las navieras. Con esta información, se diseñaron y evaluaron diversos modelos predictivos utilizando machine learning, que permiten prever los posibles atrasos y su impacto en el inventario. Los modelos fueron entrenados y validados utilizando los datos históricos de importación y sus tiempos de llegada a Colombia. Como resultado, se logró identificar las variables más relevantes para predecir los atrasos y se desarrolló un modelo predictivo que puede ser implementado por Renault SOFASA para optimizar sus decisiones logísticas. Este modelo tiene el potencial de ser una herramienta estratégica para la toma de decisiones, que busquen reducir los costos adicionales y mitigar los riesgos asociados a las demoras en la importación de piezas, contribuyendo así a una mayor eficiencia operativa de la empresa.