Especialización en Dirección de Operaciones y Mejoramiento Continuo
Permanent URI for this collection
El especialista en Dirección de Operaciones y Mejoramiento Continuo (modalidad virtual) de la Facultad de Ingenierías de Uniremington es un profesional orientado a impactar positivamente desde la dirección de las operaciones de los procesos industriales, abordando proyectos de mejora con una base solidad desde el hacer.
Browse
Browsing Especialización en Dirección de Operaciones y Mejoramiento Continuo by Subject "Análisis de datos"
Now showing 1 - 5 of 5
Results Per Page
Sort Options
Publication Algoritmo computacional para el análisis y toma de decisiones en datos de ventas de almacenes de la compañía Global de Pinturas - Pintuco, utilizando estrategias de machine learning(Corporación Universitaria Remington, 2024) Torres Ramírez, Sebastián; Briñez de León, Juan CarlosEn este trabajo se realiza un análisis de los dataset de ventas de diferentes tiendas oficiales de la empresa Pintuco para determinar con la ayuda de Google Colab y el código PYTON el comportamiento de los mismos, realizar un análisis estadístico y grafico para posteriormente proceder con una clasificación de los mismos. Después de esto se realiza un modelo computacional que permite realizar una clasificación de nuevos datos basado en la variabilidad anterior. Esto se realiza con el interés de tener criterios para asignación de incentivos económicos y laborales a los empleados de las tiendas basados en el desempeño obtenido, además en un futuro impulsar campañas de ventas y marketing que permitan aumentar las ventas en cada una de las tiendas.Publication Algoritmo computacional para el análisis y toma de decisiones en datos de volumen en ventas de compañía de producción industrial, empleando estrategias de machine learning(Corporación Universitaria Remington, 2025) Londoño Trejos, Jorge Hernán; Briñez de León, Juan CarlosEl proyecto titulado " algoritmo computacional para el análisis y toma de decisiones en datos de volumen en ventas de una compañía de producción industrial, empleando estrategias de machine learning", se desarrolla con el objetivo de identificar, analizar y fortalecer conocimientos adquiridos para el análisis de datos computacionales, que son procesados a través de la configuración de algoritmos, que luego nos darán una análisis detallado por medio de histogramas o tablas, para la toma de decisiones. A medida que avanza la lectura de este proyecto, se comparte un contexto general del mercado de balanceados a nivel nacional, datos aproximados del nivel de producción en el que se encuentra el sector, así mismo las oportunidades que con base en las cifras mencionados, amplía el panorama de la oportunidad de crecimiento en el que se encuentran las empresas que se dedican a la actividad elaboración y comercialización de alimento balanceado para animales. El proyecto inicia con la consolidación de un grupo de datos, basado en las ventas de una compañía de elaboración de alimento balaceado del municipio de Bello; esta data contiene registros de 6 meses de ventas de las diferentes líneas de producto que normalmente se encuentran en la industria. Estos datos son procesados por medio de la asignación de algoritmos computacionales. Para ello se realiza una limpieza de la información, descartando variables que puedan afectar el procesamiento de los datos, transformando aquellos registros que se encuentren en formato alfanumérico a datos numéricos. Se asignan los algoritmos computaciones para filtrar los datos. Luego se aplica el modelo tipo Kmeans, para segmentar los datos según las variables, en este caso, se espera realizar los agrupamientos a tan solo 6 grupos. Se procede a asignarles etiquetas (número del grupo) a la columna de línea de producto, buscando transformar el formato de datos de texto a numérico y con ello facilitar los demás pasos. Se genera el histograma para tener una visual de los agrupamientos que realizó, basado en la serie de algoritmos que se asignaron. Se identifican 3 grupos representativos, frente a otros 3 que pueden tener un a oportunidad de mejora. Partiendo del modelo de clustering aplicado, se asignan unas decisiones según los grupos previamente identificados, a los que se les otorga una serie de beneficios, y otros algunas condiciones especificas debido a las limitaciones a nivel económico y de comportamiento en la compra que pueda tener el cliente. Al final se comparte una serie de resultados obtenidos y las pautas a tener en cuenta al momento de la generación de la orden de compra, según las especificaciones técnicas y de proceso interno del cliente final.Publication Análisis computacional de datos en un restaurante para análisis de utilidades y satisfacción de servicio al cliente, utilizando algoritmos de machine learning(Corporación Universitaria Remington, 2024) León Pulgarín, Cristian Andrés; Estrada Salgado, Mairym Mishell; Caro Román, Diana Marcela; Briñez de León, Juan CarlosEn el presente trabajo se aplica el análisis mediante Técnica profesionals de Machine Learning para estudiar la relación entre datos de utilidades y la satisfacción del cliente en el restaurante ATICO, con el objetivo de identificar patrones en el comportamiento de consumo y optimizar la experiencia a través de un sistema de recomendaciones. Para ello, se utiliza modelos predictivos que permiten predecir la relación entre variables como el valor monetario de los platos vendidos, el nivel de servicio y la percepción de los clientes en términos de satisfacción. El estudio comienza con la recopilación de datos históricos del restaurante ATICO y su análisis preliminar utilizando Técnica profesionals de limpieza, transformación y preparación de datos para asegurar la calidad de la información. Luego, se implementa algoritmos de Machine Learning, destacando el modelo KNM y Técnica profesionals de regresión para establecer patrones de consumo y su influencia en la satisfacción del cliente. Además del análisis estadístico, se realizan simulaciones predictivas utilizando estos modelos para validar las conclusiones respecto a las utilidades futuras y la percepción de los clientes, ajustando la información a partir de patrones históricos de consumo. Como resultado, el modelo permite anticipar tendencias y proyecciones relacionadas con la satisfacción y el comportamiento de los clientes en función de los datos procesados. Este análisis no solo proporciona una herramienta estratégica para la toma de decisiones informadas dentro del restaurante ATICO, sino que también propone la implementación de sistemas de recomendación para personalizar servicios y mejorar la experiencia de los clientes, generando un impacto positivo en la operación y rentabilidad del establecimiento.Publication Estrategia computacional para predecir estimación de demanda en abastecimiento automático, utilizando algoritmos de machine learning(Corporación Universitaria Remington, 2025) Bautista Suárez, Deibys Rafael; Briñez de León, Juan CarlosEste trabajo de grado tiene como objetivo aplicar técnicas de análisis de compras de fábricas con la inminente necesidad de solucionar los recurrentes problemas de abastecimiento que afectan la producción con el objetivo de predecir la cantidad y los tiempos de abastecimiento la materia prima necesarios para un año de producción. Bajo esto, se utilizó un conjunto de datos con información de año de compra de artículos, incluyendo variables como fecha de compra, proveedor descripción artículo, número de orden, entre otros. A lo largo del proyecto, se realizó un análisis completo que incluyó la limpieza de los datos, transformación de variables y selección de características relevantes. Posteriormente, se entrenaron distintos algoritmos de clasificación supervisada como regresión logística, árboles de decisión, Random Forest, SVM, entre otros, con el fin de predecir si un préstamo debía ser aprobado o rechazado. Este conjunto de datos es una instantánea de un panorama minorista ficticio, que captura los atributos esenciales que impulsan las operaciones minoristas y las interacciones con los clientes. Incluye detalles clave como el ID de la transacción, la fecha, el ID del cliente, el género, la edad, la categoría del producto, la cantidad, el precio unitario y el importe total. Estos atributos permiten una exploración multifacética de las tendencias de ventas, las influencias demográficas y los comportamientos de compra.Publication Predicción del comportamiento del índice de precios al consumidor en Colombia mediante algoritmos machine learning(Corporación Universitaria Remington, 2025) Heredia Castillo, Linda María; Briñez de León, Juan CarlosEste trabajo de investigación se centra en la predicción del comportamiento del Índice de Precios al Consumidor (IPC) en Colombia utilizando algoritmos de machine learning. Se analizan datos históricos de variación mensual del IPC desde 2014 hasta 2024, proporcionados por el DANE. Se exploran diferentes modelos predictivos, incluyendo regresión lineal, regresión polinómica, y varios algoritmos de machine learning como Random Forest, XGBoost y SVR. Los resultados indican que los modelos basados en Random Forest y XGBoost ofrecen el mejor rendimiento predictivo. Además, se observa que ni la ciudad ni la categoría tienen una relación lineal fuerte con el IPC mensual, sugiriendo la necesidad de explorar modelos no lineales. Este estudio destaca la importancia de utilizar datos limpios y modelos adecuados para mejorar la precisión de las predicciones económicas.