Valencia Villa, Juan SebastiánBejarano De La Pava, Samuel2025-07-162025-07-162025https://repository.eia.edu.co/handle/11190/713852 páginasRESUMEN: PROSOLAR S.A.S., una empresa ubicada en Envigado, Antioquia, especializada en la instalación arquitectónica de películas de seguridad, control solar y decoración, enfrenta serios desafíos en la programación de compras de inventario debido a la ausencia de un historial de consumos detallado. Esto ha resultado en inventarios insuficientes y la necesidad de realizar pedidos de emergencia a proveedores en Estados Unidos o adquirir productos en el mercado local, generando demoras, insatisfacción de los clientes y pérdidas de mercado. El proyecto propuesto busca desarrollar un modelo de pronóstico de demanda utilizando machine leaarning, con el fin de optimizar la gestión de inventarios y mejorar la eficiencia operativa de PROSOLAR S.A.S. La implementación de este modelo permitirá a la empresa realizar compras más precisas de materia prima, asegurando la disponibilidad constante de productos y mejorando la experiencia del cliente. La metodología incluye analizar los procesos actuales de programación de compras, evaluar la efectividad de los sistemas CRM y contable "Word Office", y revisar la literatura existente sobre modelos de pronóstico de demanda. Posteriormente, se diseñará y entrenará un modelo de red neuronal que incorporará variables clave como la temporada y tendencias del mercado. Finalmente, se evaluarán herramientas de despliegue aconsejables para el proyecto. Se espera que el proyecto resulte en un modelo de pronóstico de demanda con un MAPE menor al 15%, optimizando la gestión de inventarios y mejorando la toma de decisiones en PROSOLAR S.A.S. Además, la optimización de inventarios contribuirá a la reducción de desperdicios, beneficiando al medio ambiente y promoviendo la sostenibilidad de la organización.ABSTRACT: PROSOLAR S.A.S., a company located in Envigado, Antioquia, specializing in the installation of architectural safety, solar control, and decorative films, faces serious challenges in scheduling inventory purchases due to the lack of detailed consumption history. This has resulted in insufficient inventories and the need to place emergency orders with suppliers in the United States or purchase products locally, generating delays, customer dissatisfaction, and market losses. The proposed project seeks to develop a demand forecasting model using machine learning to optimize inventory management and improve PROSOLAR S.A.S.'s operational efficiency. Implementing this model will allow the company to make more accurate raw material purchases, ensuring consistent product availability and improving customer experience. The methodology includes analyzing current purchase scheduling processes, evaluating the effectiveness of CRM and Word Office accounting systems, and reviewing existing literature on demand forecasting models. Subsequently, a neural network model will be designed and trained, incorporating key variables such as season and market trends. Finally, the recommended deployment tools for the project will be evaluated. The project is expected to result in a demand forecasting model with a MAPE of less than 15%, optimizing inventory management and improving decision-making at PROSOLAR S.A.S. Furthermore, inventory optimization will contribute to waste reduction, benefiting the environment and promoting the organization's sustainability.application/pdfspaDerechos Reservados - Universidad EIA, 2025Trabajo de grado - PregradoAtribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)info:eu-repo/semantics/openAccessPrevisión de la demandaAprendizaje automáticoOptimización de inventarioRedes neuronalesEficiencia operativaCadena de suministrohttp://purl.org/coar/access_right/c_abf2