Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas

Autores
Biava, Luca
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
Gentinetta, Romina
Descripción
Este trabajo de tesis aborda la problemática del forecasting de demanda en una pyme de retail. Objetivo: desarrollar e implementar un sistema predictivo de inventarios basado en redes neuronales profundas que reduzca el error de predicción en al menos 25% respecto a métodos tradicionales, validado mediante un piloto en Beer Market. Conclusión: Este proyecto desarrolló, implementó y validó BrewCast, un sistema de gestión predictiva de inventarios basado en redes neuronales profundas, diseñado específicamente para el contexto operativo de Beer Market. El sistema procesa 46 features que capturan patrones temporales, efectos estacionales, dinámicas promocionales y características de segmentación de productos, generando predicciones de demanda semanal por SKU×Local que superan en 30% la precisión de métodos tradicionales basados en promedios históricos. A lo largo de seis fases de desarrollo (consolidación de datos, ingeniería de features, diseño arquitectónico, entrenamiento, implementación de piloto, y evaluación de resultados), se alcanzaron logros concretos en múltiples dimensiones.
Fil: Biava, Luca. Universidad Nacional de Rafaela. Licencaitura en Administración y Gestión de la Información; Argentina
Materia
gestion de stocks
inventario de productos
mejora de procesos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-ShareAlike 4.0 International
Repositorio
RID UNRaF
Institución
Universidad Nacional de Rafaela
OAI Identificador
oai:repositorio.unraf.edu.ar:20.500.14399/617

id RIDUNRAF_9722a5e77b0f8869d11796a5db483290
oai_identifier_str oai:repositorio.unraf.edu.ar:20.500.14399/617
network_acronym_str RIDUNRAF
repository_id_str
network_name_str RID UNRaF
spelling Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidasBiava, Lucagestion de stocksinventario de productosmejora de procesosEste trabajo de tesis aborda la problemática del forecasting de demanda en una pyme de retail. Objetivo: desarrollar e implementar un sistema predictivo de inventarios basado en redes neuronales profundas que reduzca el error de predicción en al menos 25% respecto a métodos tradicionales, validado mediante un piloto en Beer Market. Conclusión: Este proyecto desarrolló, implementó y validó BrewCast, un sistema de gestión predictiva de inventarios basado en redes neuronales profundas, diseñado específicamente para el contexto operativo de Beer Market. El sistema procesa 46 features que capturan patrones temporales, efectos estacionales, dinámicas promocionales y características de segmentación de productos, generando predicciones de demanda semanal por SKU×Local que superan en 30% la precisión de métodos tradicionales basados en promedios históricos. A lo largo de seis fases de desarrollo (consolidación de datos, ingeniería de features, diseño arquitectónico, entrenamiento, implementación de piloto, y evaluación de resultados), se alcanzaron logros concretos en múltiples dimensiones.Fil: Biava, Luca. Universidad Nacional de Rafaela. Licencaitura en Administración y Gestión de la Información; ArgentinaUniversidad Nacional de RafaelaGentinetta, Romina2026-07-16info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.14399/617spaRID2026447info:eu-repo/semantics/openAccessAttribution-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-sa/4.0/reponame:RID UNRaFinstname:Universidad Nacional de Rafaela2026-10-29T12:13:41Zoai:repositorio.unraf.edu.ar:20.500.14399/617instacron:UNRafInstitucionalhttps://www.unraf.edu.ar/index.php/repositorioUniversidad públicahttps://www.unraf.edu.ar/https://biblioteca.unraf.edu.ar/cgi-bin/koha/oai.plbiblioteca@unraf.edu.arArgentinaopendoar:2026-10-29 12:13:41.771RID UNRaF - Universidad Nacional de Rafaelafalse
dc.title.none.fl_str_mv Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas
title Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas
spellingShingle Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas
Biava, Luca
gestion de stocks
inventario de productos
mejora de procesos
title_short Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas
title_full Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas
title_fullStr Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas
title_full_unstemmed Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas
title_sort Sistema de gestión predictiva de inventarios basado en redes neuronales profundas para retail de bebidas
dc.creator.none.fl_str_mv Biava, Luca
author Biava, Luca
author_facet Biava, Luca
author_role author
dc.contributor.none.fl_str_mv Gentinetta, Romina
dc.subject.none.fl_str_mv gestion de stocks
inventario de productos
mejora de procesos
topic gestion de stocks
inventario de productos
mejora de procesos
dc.description.none.fl_txt_mv Este trabajo de tesis aborda la problemática del forecasting de demanda en una pyme de retail. Objetivo: desarrollar e implementar un sistema predictivo de inventarios basado en redes neuronales profundas que reduzca el error de predicción en al menos 25% respecto a métodos tradicionales, validado mediante un piloto en Beer Market. Conclusión: Este proyecto desarrolló, implementó y validó BrewCast, un sistema de gestión predictiva de inventarios basado en redes neuronales profundas, diseñado específicamente para el contexto operativo de Beer Market. El sistema procesa 46 features que capturan patrones temporales, efectos estacionales, dinámicas promocionales y características de segmentación de productos, generando predicciones de demanda semanal por SKU×Local que superan en 30% la precisión de métodos tradicionales basados en promedios históricos. A lo largo de seis fases de desarrollo (consolidación de datos, ingeniería de features, diseño arquitectónico, entrenamiento, implementación de piloto, y evaluación de resultados), se alcanzaron logros concretos en múltiples dimensiones.
Fil: Biava, Luca. Universidad Nacional de Rafaela. Licencaitura en Administración y Gestión de la Información; Argentina
description Este trabajo de tesis aborda la problemática del forecasting de demanda en una pyme de retail. Objetivo: desarrollar e implementar un sistema predictivo de inventarios basado en redes neuronales profundas que reduzca el error de predicción en al menos 25% respecto a métodos tradicionales, validado mediante un piloto en Beer Market. Conclusión: Este proyecto desarrolló, implementó y validó BrewCast, un sistema de gestión predictiva de inventarios basado en redes neuronales profundas, diseñado específicamente para el contexto operativo de Beer Market. El sistema procesa 46 features que capturan patrones temporales, efectos estacionales, dinámicas promocionales y características de segmentación de productos, generando predicciones de demanda semanal por SKU×Local que superan en 30% la precisión de métodos tradicionales basados en promedios históricos. A lo largo de seis fases de desarrollo (consolidación de datos, ingeniería de features, diseño arquitectónico, entrenamiento, implementación de piloto, y evaluación de resultados), se alcanzaron logros concretos en múltiples dimensiones.
publishDate 2026
dc.date.none.fl_str_mv 2026-07-16
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14399/617
url https://hdl.handle.net/20.500.14399/617
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv RID2026447
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-sa/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Rafaela
publisher.none.fl_str_mv Universidad Nacional de Rafaela
dc.source.none.fl_str_mv reponame:RID UNRaF
instname:Universidad Nacional de Rafaela
reponame_str RID UNRaF
collection RID UNRaF
instname_str Universidad Nacional de Rafaela
repository.name.fl_str_mv RID UNRaF - Universidad Nacional de Rafaela
repository.mail.fl_str_mv biblioteca@unraf.edu.ar
_version_ 1880398824295366656
score 13.334379