Sistema web inteligente basado en machine learning para apoyar la gestión de inventarios en la empresa E.B Pareja Lecaros S.A.

Abstract

La investigación desarrolló un sistema web inteligente en base a machine learning para apoyar la gestión de inventarios en la empresa E.B Pareja Lecaros S.A., empleando algoritmos de regresión para predecir la demanda futura de productos. Se siguieron las metodologías Scrum, en cuatro sprints, y CRISP-DM en seis fases. En el primer objetivo, se logró una colección estructurada de datos evaluada según la norma ISO/IEC 25012, alcanzando un rango objetivo en las tablas analizadas y consolidando un dataset para entrenar el modelo de predicción. En el segundo objetivo, se evaluaron diversos algoritmos de machine learning y sus métricas de error, identificando que el algoritmo XGBoost obtuvo el mejor nivel de proximidad en la predicción, optimizando los niveles de stock para la gestión eficiente del inventario. En el tercer objetivo, se validó la funcionalidad de la aplicación web mediante pruebas de caja negra, cumpliendo con un 100% de los requerimientos funcionales, permitiendo la corrección continua de errores durante los sprints. En el cuarto objetivo, la aplicación obtuvo un 92% de aprobación en utilidad percibida y facilidad de uso según el modelo TAM, demostrando que satisface las necesidades de la empresa. Estos resultados destacan la efectividad de crear un sistema de predicción con el fin de apoyar la gestión de inventarios, reduciendo los costos y generando beneficios financieros en un entorno empresarial complejo.

The research developed an intelligent web system based on machine learning to support inventory management in the company E.B Pareja Lecaros S.A., using regression algorithms to predict future product demand. Scrum methodologies were followed, in four sprints, and CRISP-DM in six phases. In the first objective, a structured collection of data evaluated according to ISO/IEC 25012 was achieved, reaching a target range in the analyzed tables and consolidating a dataset to train the prediction model. In the second objective, various machine learning algorithms and their error metrics were evaluated, identifying that the XGBoost algorithm obtained the best level of proximity in the prediction, optimizing stock levels for efficient inventory management. In the third objective, the functionality of the web application was validated through black box testing, meeting 100% of the functional requirements, allowing continuous error correction during the sprints. In the fourth objective, the application obtained 92% approval in perceived usefulness and ease of use according to the TAM model, demonstrating that it meets the needs of the company. These results highlight the effectiveness of creating a forecasting system to support inventory management, reducing costs and generating financial benefits in a complex business environment.