Please use this identifier to cite or link to this item:

http://hdl.handle.net/10609/129826
Full metadata record
DC FieldValueLanguage
dc.contributor.authorde Mas Jaumot, Jordi-
dc.date.accessioned2021-04-05T13:07:12Z-
dc.date.available2021-04-05T13:07:12Z-
dc.date.issued2021-01-10-
dc.identifier.urihttp://hdl.handle.net/10609/129826-
dc.description.abstractEl TFM versa sobre la gestión avanzada del inventario de forma que se pueda predecir el nivel de stock óptimo a partir de algoritmos de machine learning. La predicción que se realice ha de ser capaz de asegurar que el nivel de stock permitirá dar un buen servicio al cliente, evitando roturas de stock y la consiguiente pérdida de ventas y, reduciendo en lo posible los costes derivados de la gestión del inventario. Los datos tomados como base para este proyecto son del sector farmacéutico. La predicción del stock óptimo se realiza en un único paso, evitando la necesidad de conocer de antemano la previsión de la demanda y sin tener que identificar la distribución de la probabilidad de la misma. El nivel de inventario óptimo se calcula directamente analizando los datos disponibles: histórico de ventas, histórico de stock real, datos de promociones, calendario de festivos, etc.. Aunque en la industria farmacéutica, concretamente en los fabricantes, existen diversos tipos de stock (materia prima, WIP, productos semielaborados y productos terminados), los datos proporcionados para el proyecto permiten centrar el trabajo en los productos terminados. Adicionalmente se tienen en cuenta diversos factores que influyen en el resultado de la predicción como: la estacionalidad o patrones semanales que muestran una mayor venta en determinados días de la semana. El desarrollo se realiza en base a algoritmos de machine learning, analizando distintos tipos de ellos para decidir cuál proporciona una mayor precisión, con el fin de obtener un método alternativo de gestión del stock y asegurar un mejor servicio al cliente con el mínimo coste para la empresa.es
dc.description.abstractMaster¿s dissertation is about advanced inventory management so that the optimal stock level can be predicted based on machine learning algorithms. Prediction must be able to ensure that the level of stock will allow a good customer service, avoiding a stockout situation and the consequent loss of sales and reducing as far as possible the costs derived from inventory management. Data taken as the basis for this project is from the pharmaceutical sector. The prediction of the optimal stock is carried out in a single step, avoiding the need to know in advance the demand forecast and the distribution of its probability. The optimal inventory level is calculated directly by analysing the available data: sales history, real stock history, promotion data, holiday calendar, etc. Although in the pharmaceutical industry, specifically in manufacturers, there are several types of stock (raw materials, WIP, semi-finished products and finished products), the data provided for the project allows to focus on the finished products. Additionally, some factors with influence in the result of the prediction are considered, such as: seasonality or weekly patterns that show a higher sales level on certain days of the week. The development is carried out based on machine learning algorithms, analysing different types of them to decide the one that provides better performance in order to obtain an alternative method of stock management and ensure better customer service with the minimum cost for the company.en
dc.language.isospa-
dc.publisherUniversitat Oberta de Catalunya (UOC)-
dc.subjectInventory level predictionen
dc.subjectMachine Learningen
dc.subjectNeural networksen
dc.subjectDeep learningen
dc.subjectArtificial Intelligenceen
dc.subjectPredicción del nivel de inventarioes
dc.subjectRedes neuronaleses
dc.subjectInteligencia artificiales
dc.subjectPredicció del nivell d'inventarica
dc.subjectIntel·ligència artificialca
dc.titleGestión del inventario en una empresa del sector farmacéutico mediante algoritmos de Machine Learning-
dc.typeinfo:eu-repo/semantics/masterThesis-
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.contributor.directorPolo Navarro, Lorena-
dc.contributor.tutorConesa Caralt, Jordi-
Appears in Collections:Bachelor thesis, research projects, etc.

Files in This Item:
File Description SizeFormat 
jde_masTFM0121.pdf2.38 MBAdobe PDFView/Open
jde_masPresentación0121.pdf1.09 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons