Mejorando la gestión de una pequeña empresa utilizando técnicas de ML: caso de una Cafetería
Date
2022
Type:
Thesis
item.page.extent
38 p.
item.page.accessRights
Authors
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad del Desarrollo. Facultad de Ingeniería
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
Generar predicciones es algo de lo cual los negocios dependen en estos tiempos.
El no poder pronosticar ya sea las venta diarias o mensuales o de la periodicidad que estratégicamente se determine, aumenta la probabilidad de fracaso o de menores rentabilidades. Algo que las grandes empresas ya han adoptado, sin embargo las pequeñas aún no.
Es por eso que este documento busca entender el sesgo en la aplicación de forecasting en tres cafeterías pequeñas y a través de los datos de sus ventas generadas el año 2022, buscar un modelo sencillo de ML para realizar pronósticos que permita obtener un MAPE1 menor al 20 porciento para que sea considerado como bueno y exacto. El objetivo general se enmarca en facilitar a personas sin conocimientos en la aplicación de forecasting utilizando Machine Learning. Dado que los tiempos son acotados dejamos fuera de alcance el analizar el verdadero impacto que tendrá este forecasting en las cafeterías estudiadas, sin embargo se espera realizar en un trabajo futuro.
Los datos son obtenidos de tres cafetería y corresponden a las ventas diarias del año 2022.
Luego de finalizado el proyecto de puede concluir que las dificultades abordadas por las pequeñas empresas para la aplicación de ML en sus negocios son ciertas y que pueden en parte verse mejoradas debido a la existencia de nuevas herramientas que buscan facilitar su ejecución. Se pudo proponer la existencia de un modelo simple y capaz de pronosticar de manera buena y exacta los ingresos para los próximos 7 días en tres pequeñas cafeterías de la V región, obteniendo para la cafetería A un MAPE de 0.139, para la Cafetería B de 0.1806 y para la Cafetería C de 0.179.
Es interesante mencionar que estas tres pequeñas empresas tienen diferencias en madurez en el mercado, ubicaciones, público objetivo, ingresos y ciclos semanales, por lo que se puede indicar que el modelo cumple en generalidad. Se logra mostrar además, la capacidad que tiene el modelo de mejorar a través de la optimización de hiperparámetros mejorando el resultado de la Cafetería B desde 0.186 a 0.179.
Description
Proyecto presentado a la Facultad de Ingenier´ıa de la Universidad del Desarrollo para optar al grado de Magíster en Data Science
item.page.coverage.spatial
item.page.sponsorship
Citation
Keywords
070037S, Machine Learning, Pyme, Gestión