| Summary: | La gestión efectiva de inventarios es esencial para optimizar el control, almacenamiento y
distribución de productos dentro de un sistema. En este estudio, se utilizó un enfoque
basado en análisis estadístico y algoritmos de machine learning para determinar la
clasificación óptima de ítems en el sistema de inventario de repuestos del sector automotriz.
Para esto se examinó una base de datos que contenía las ventas de repuestos de una
empresa automotriz a lo largo de un año. Mediante la aplicación de los algoritmos K-medias,
Clustering Large Applications (CLARA) y Divisive Analysis (DIANA), se identificó una
clasificación óptima distribuida en tres clústeres. Además, se realizó un análisis comparativo
con la clasificación ABC para definir las características de cada agrupación. Los resultados
demostraron que el algoritmo CLARA mejora la gestión de inventarios, permitiendo
optimizar los espacios de almacenamiento, aumentar la eficiencia operativa, reducir costos,
mejorar el servicio al cliente y tomar decisiones informadas. Se puede mencionar que,
algunos productos destacados en las agrupaciones resultantes fueron el 2452084002,
5810159A00 y 3910045800 de las agrupaciones 1, 2 y 3 respectivamente; estos productos
son relevantes debido a su total de ventas en cada agrupación relacionando su cantidad,
costo y precio de venta. Este estudio contribuye al campo de la gestión de inventarios al
demostrar cómo el uso de algoritmos de machine learning mediante análisis estadístico
puede optimizar la clasificación de artículos en el inventario, siendo relevante en la toma de
decisiones estratégicas mediante una distribución más precisa y adaptada a las
necesidades de la empresa.
|
|---|