Ítem
Desconocido

Diseño y desarrollo de un modelo de predicción de ventas capaz de pronosticar la demanda de equipos eléctricos en Colombia, Ecuador y Venezuela

Mostrar el registro sencillo de la publicación
dc.contributor.advisorCruz, Daniel Leonardo
dc.creatorCastro Wilches, Johann Alexis
dc.creatorSuárez Villegas, Daniel Felipe
dc.creatorSuárez, Hugo Anibal
dc.creator.degreeMagíster en Business Analytics
dc.date.accessioned2025-03-06T20:37:48Z
dc.date.available2025-03-06T20:37:48Z
dc.date.created2024-02-21
dc.descriptionCon el avance en la implementación de sistemas de generación de energías renovables y tendencias globales como el uso eficiente de la energía y la transición energética, surgen importantes oportunidades de negocio en el sector eléctrico, particularmente en la venta de componentes eléctricos como interruptores y contactores. En el caso de Colombia, el país tiene el potencial de que más del 80% de su generación eléctrica provenga de fuentes renovables para el año 2025 (International Energy Agency, 2023). Por su parte, Ecuador enfrenta el desafío de diversificar su matriz energética, actualmente dependiente en gran medida de las hidroeléctricas (La Republica, 2024), Esta dependencia expone al país a riesgos de suministro en períodos de sequía, lo que destaca la necesidad de desarrollar una capacidad instalada significativa basada en fuentes renovables no convencionales. Para el consumidor final, estos retos energéticos generan una creciente necesidad de contar con tableros eléctricos que permitan integrar fuentes alternativas de generación. En este contexto, los cortes frecuentes de energía impulsan la demanda de soluciones que faciliten la adaptación a estas nuevas realidades del mercado. Aprovechando este contexto global, una empresa del sector eléctrico que brinda soluciones de administración de energía para un uso confiable, eficaz, seguro y sostenible debe garantizar la disponibilidad de sus equipos y soluciones, respondiendo rápidamente a la demanda variable de un mercado en constante evolución. Por ello, predecir con precisión la demanda de productos de protección y distribución eléctrica es fundamental. Actualmente, la compañía cuenta con un inventario total valorado en 1.000.000 USD, de los cuales 140.000 USD corresponden a inventarios de baja rotación. A través de modelos analíticos avanzados como ARIMA, XGBoost, Holt-Winters y técnicas de modelos apilados con Random Forest o Gradient Boosting, se busca reducir en 60.000 USD los costos asociados al inventario de baja rotación. Esto representa una disminución del 6% del total del inventario y equivale a una reducción del 42.86% en la categoría de baja rotación, pasando de 140.000 USD a 80.000 USD. Estos avances permiten optimizar la gestión del inventario, mejorar la toma de decisiones estratégicas en los procesos de compra de productos clave, incrementar la rentabilidad y generar una ventaja competitiva basada en la analítica de negocio.
dc.description.abstractWith the progress in implementing renewable energy generation systems and global trends such as energy efficiency and energy transition, significant business opportunities are emerging in the electrical sector, particularly in the sale of electrical components like switches and contactors. In the case of Colombia, the country has the potential to generate over 80% of its electricity from renewable sources by 2025 (International Energy Agency, 2023). Meanwhile, Ecuador faces the challenge of diversifying its energy matrix, which is currently heavily reliant on hydropower (La Republica, 2024) This dependence exposes the country to supply risks during periods of drought, highlighting the need to develop a significant installed capacity based on non-conventional renewable energy sources. For the end consumer, these energy challenges create a growing need for electrical panels that facilitate the integration of alternative generation sources. In this context, frequent power outages drive demand for solutions that enable adaptation to these new market realities. Leveraging this global context, an electric company providing energy management solutions for reliable, efficient, safe, and sustainable use must ensure that its equipment and solutions are available and can quickly respond to the variable demand of a constantly evolving and changing market. Therefore, accurately predicting the demand for electrical protection and distribution products is crucial to estimate the appropriate inventory in each market. Currently, the company has a total inventory valued at $1,000,000 USD, of which $140,000 USD corresponds to slow-moving inventory. Through advanced analytical models such as ARIMA, XGBoost, Holt-Winters, and stacked model techniques with Random Forest or Gradient Boosting, the goal is to reduce costs associated with slow-moving inventory by $60,000 USD. This represents a 6% decrease in the total inventory and a 42.86% reduction in the slow-moving category, decreasing from $140,000 USD to $80,000 USD. These advancements enable inventory management optimization, improve strategic decision-making in key product purchasing processes, increase profitability, and generate a competitive advantage driven by business analytics.
dc.format.extent111 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_45078
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/45078
dc.language.isospa
dc.publisherUniversidad del Rosario
dc.publisher.departmentEscuela de Administración
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnología
dc.publisher.programMaestría en Business Analytics
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/closedAccess
dc.rights.accesoBloqueado (Texto referencial)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationAmat, J., & Ortiz, J. (2024). Forecasting series temporales con gradient boosting: Skforecast, XGBoost, LightGBM y CatBoost. https://cienciadedatos.net/documentos/py39-forecasting-series-temporales-con-skforecast-xgboost-lightgbm-catboost
dc.source.bibliographicCitationAragón, F. (2024). Github—Series Temporales. https://github.com/manuparra/seriestemporales
dc.source.bibliographicCitationAsobanca Ecuador. (2024). Boletín Macroeconómico Marzo 2024. https://asobanca.org.ec/wp-content/uploads/2024/03/Boletin-macroeconomico-Marzo-2024.pdf
dc.source.bibliographicCitationClavijo, C. (2023). Hubspot. https://blog.hubspot.es/sales/b2b
dc.source.bibliographicCitationde la Fuente, S. (2024). SERIES TEMPORALES: MODELO ARIMA. https://www.estadistica.net/ECONOMETRIA/SERIES-TEMPORALES/modelo-arima.pdf
dc.source.bibliographicCitationDhrubjun. (2022). Ensemble Learning: Bagging, Boosting, and Stacking. https://towardsai.net/p/l/ensemble-learning-bagging-boosting-and-stacking
dc.source.bibliographicCitationDivina, F., Gilson, A., Goméz-Vela, F., García Torres, M., & Torres, J. (2018). Stacking Ensemble Learning for Short-Term Electricity Consumption Forecasting. Energies, 11(4), 949. https://doi.org/10.3390/en11040949
dc.source.bibliographicCitationENEL. (2024). ENEL - Provisionales de obra. https://www.enel.com.co/es/nuevas-conexiones/provisionales-de-obra.html
dc.source.bibliographicCitationFacebook. (2024). Forecasting at scale. https://facebook.github.io/prophet/
dc.source.bibliographicCitationFOCUSECONOMICS. (2024a). Colombia economic overview. https://www.focus-economics.com/es/countries/colombia/
dc.source.bibliographicCitationFOCUSECONOMICS. (2024b). Ecuador’s economy in numbers. https://www.focus-economics.com/countries/ecuador/
dc.source.bibliographicCitationHand, R. (2023). ShipBob. https://www.shipbob.com/blog/surplus-inventory/
dc.source.bibliographicCitationIBM. (2023). Conceptos básicos de ayuda de CRISP-DM. https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview
dc.source.bibliographicCitationInternational Energy Agency. (2023). Electricity Market Report 2023.
dc.source.bibliographicCitationLa Republica. (2024). Ecuador se queda a oscuras en una crisis eléctrica que ya está castigando la economía. https://www.larepublica.co/globoeconomia/ecuador-se-queda-a-oscuras-en-una-crisis-electrica-que-castiga-la-economia-3975195
dc.source.bibliographicCitationMendoza, J. (2020). XGBoost o Extreme Gradient Boosting en R. https://estadisticamente.com/xgboost-o-extreme-gradient-boosting-en-r/
dc.source.bibliographicCitationMingfei, L. (2019). Reliability evaluation and management of PetroChina’s large-scale system of natural gas pipeline networks. Journal of Natural Gas Geoscience, 287-295.
dc.source.bibliographicCitationOCDE. (2024). PERSPECTIVAS ECONÓMICAS DE LA OCDE. https://www.oecd.org/economy/surveys/america-latina/EO115SP-Colombia.pdf
dc.source.bibliographicCitationPNUD. (2023). Desempeño Macroeconómico de Venezuela 4o trimestre 2023 y Perspectivas 2024. https://www.undp.org/es/venezuela/publicaciones/desempeno-macroeconomico-venezuela-4totrimestre-2023
dc.source.bibliographicCitationSchwaber, K., & Sutherland, J. (2020). La Guía de Scrum. https://scrumguides.org/docs/scrumguide/v2020/2020-Scrum-Guide-Spanish-Latin-South-American.pdf
dc.source.bibliographicCitationShrivastava, S. (2020). Cross Validation in Time Series. https://medium.com/@soumyachess1496/cross-validation-in-time-series-566ae4981ce4
dc.source.bibliographicCitationSilvis, N. (2020). Energy Demand and Economic Growth: Public Opinion and Mutual Exclusivity. https://cupola.gettysburg.edu/cgi/viewcontent.cgi?article=1982&context=student_scholarship
dc.source.bibliographicCitationSipper, M. (2023). Two’s Company, Three’s an Ensemble. https://towardsai.net/p/l/twos-company-threes-an-ensemble
dc.source.bibliographicCitationSoni, B. (2023). Stacking to Improve Model Performance: A Comprehensive Guide on Ensemble Learning in Python. https://medium.com/@brijesh_soni/stacking-to-improve-model-performance-a-comprehensive-guide-on-ensemble-learning-in-python-9ed53c93ce28
dc.source.bibliographicCitationTorres, D. (2023). Hubspot. https://blog.hubspot.es/sales/que-es-business-to-consumer
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectSector eléctrico
dc.subjectComponentes eléctricos
dc.subjectEficiencia energética
dc.subjectPredicción de la demanda
dc.subjectModelos apilados
dc.subject.keywordElectrical sector
dc.subject.keywordElectrical components
dc.subject.keywordEnergy efficiency
dc.subject.keywordDemand forecasting
dc.subject.keywordStacked models
dc.titleDiseño y desarrollo de un modelo de predicción de ventas capaz de pronosticar la demanda de equipos eléctricos en Colombia, Ecuador y Venezuela
dc.title.TranslatedTitleDesign and development of a sales prediction model capable of forecasting the demand for electrical equipment in Colombia, Ecuador, and Venezuela.
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaDocumento de trabajo
local.department.reportEscuela de Administración
local.department.reportEscuela de Ciencias e Ingeniería
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Diseno_y_desarrollo_de_un_modelo_de_prediccion_de_ventas_CastroWilches-JohannAlexis-2025.pdf
Tamaño:
3.62 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Business Analytics