2026-09-18T20:24:57Zhttps://repository.universidadean.edu.co/server/oai/requestoai:repository.universidadean.edu.co:10882/153102025-10-02T09:00:14Zcom_10882_83com_10882_48col_10882_13800
Aplicación de ciencia de datos en la planeación de la demanda en una empresa avícola de Bogotá D.C.
Application of data science in demand planning at a poultry company in Bogotá, D.C.
Pinzón Mendivelso, José Manuel
Rozo Hurtado, William Alexander
Quito Rueda, Daniel Mateo
Chacón Rivera, Lina María
Aprendizaje automático
Planificación de proyectos
Comercio de productos agrícolas
Abastecimiento de alimentos
Inteligencia artificial
Oferta y demanda
Competencia económica
Machine Learning
Una de las principales ventajas competitivas de toda compañía del sector retail es la satisfacción del cliente medida en la capacidad de proveer productos y servicios que se demanden bajo ciertas condiciones de tiempo, modo y lugar; es allí donde los procesos de planificación de la demanda juegan un papel importante para lograr este objetivo.
La planificación de la demanda tiene por objetivo determinar la demanda a futuro de productos, bienes y servicios para cumplir con las expectativas del cliente objetivo; así mismo busca generar estrategias que permitan ajustar los procesos internos de producción y logística de la compañía.
El estudio optimiza el abastecimiento de productos derivados del pollo en los puntos de venta, minimizando pérdidas y mejorando la disponibilidad para los consumidores. Además, sus implicaciones prácticas permitirán que la empresa implemente procesos de planeación más eficientes mediante el uso de inteligencia artificial, lo que facilitará la toma de decisiones y la adaptación a las fluctuaciones del mercado. Desde un enfoque metodológico, el proyecto ofrece una estrategia replicable para otras empresas del sector avícola o industrias con necesidades similares en planificación de la demanda, proporcionando un modelo flexible y escalable.
Finalmente, la generación de nuevo conocimiento sobre la aplicación de técnicas de Machine Learning en la predicción de demanda no solo permitirá optimizar la planificación en el sector avícola, sino que también podrá servir como un referente para otras áreas de producción que requieran mejorar sus estrategias de abastecimiento y distribución. Al integrar factores clave como el análisis del entorno y los patrones de consumo, este estudio proporcionará un marco de referencia útil para futuras investigaciones y aplicaciones en diversas industrias que enfrentan desafíos similares en la gestión de la demanda.
One of the main competitive advantages of any retail company is customer satisfaction, measured by the ability to provide products and services in demand under certain conditions of time, mode, and location; this is where demand planning processes play an important role in achieving this objective.
Demand planning aims to determine future demand for products, goods, and services to meet the expectations of the target customer; it also seeks to generate strategies that allow the company to adjust its internal production and logistics processes.
The study optimizes the supply of chicken products at points of sale, minimizing losses and improving availability for consumers. Furthermore, its practical implications will allow the company to implement more efficient planning processes through the use of artificial intelligence, which will facilitate decision-making and adaptation to market fluctuations. From a methodological perspective, the project offers a replicable strategy for other companies in the poultry sector or industries with similar demand planning needs, providing a flexible and scalable model.
Finally, the generation of new knowledge about the application of machine learning techniques in demand prediction will not only allow for optimized planning in the poultry sector but can also serve as a benchmark for other production areas that need to improve their supply and distribution strategies. By integrating key factors such as environmental analysis and consumption patterns, this study will provide a useful framework for future research and applications in various industries facing similar challenges in demand management.
Especialista en Machine Learning
Especialización
2025-10-01T14:53:38Z
2025-09-07
Trabajo de grado - Especialización
Trabajo de grado - Especialización
http://purl.org/coar/resource_type/c_7a1f
info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/version/c_ab4af688f83e57aa
Text
http://purl.org/redcol/resource_type/TP
https://hdl.handle.net/10882/15310
instname:Universidad Ean
reponame:Repositorio Institucional Biblioteca Digital Minerva
repourl:https://repository.ean.edu.co/
spa
Bansal, A., Balaji, K., & Lalani, Z. (2025). Temporal encoding strategies for energy time
series prediction. arXiv. https://doi.org/10.48550/arXiv.2503.15456
Batista-Mendoza, G., Cedeño Herrera, E. J., & Cedeño-Batista, G. (2023). Machine learning
aplicado al análisis de un set de datos de parámetros ambientales en galpones de pollos de
engorde. Visión Antataura, 7(2), 121–146. https://doi.org/10.48204/j.vian.v7n2.a4566.
Belmonte-Rodríguez, M. L., Pardo-Calderón, R. E., & Mogollón-Loaiza, L. F. (2021).
Aplicación industria 4.0 en logística de Rappi "Zona T", de Bogotá D.C., Colombia. Revista
Ingeniería, Investigación y Desarrollo, 21(1), 32-38.
https://doi.org/10.19053/1900771X.v21.n1.2021.13512
Bolsa Mercantil de Colombia. (2023). Análisis del producto avícola: Informe anual sobre la
producción avícola en Colombia.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
https://doi.org/10.1023/A:1010933404324
Caballero Russi, M. A. (2020). Sistema de control de movimiento sísmico semi-activo con
redes neuronales en pórticos 2D [Tesis de maestría, Universidad del Norte]. Manglar
Repositorio Institucional. http://hdl.handle.net/10584/9013
Casas Cirión, L. E., & Carvalho, A. M. (2024). La tecnología es pieza fundamental en la
sostenibilidad de la avicultura. El Sitio Avícola.
https://www.elsitioavicola.com/articles/3160/la-tecnologaa-es-pieza-fundamental-en-la-sostenibil
idad-de-la-avicultura/
Chakraborty, D., & Elzarka, H. (2019). Advanced machine learning techniques for building
performance simulation: A comparative analysis. Journal of Building Performance Simulation,
12(2), 193–207. https://doi.org/10.1080/19401493.2018.1498538
Chinchilla-Zambrano, A. F., Vergel Hernández, I. J., Vilardy Botello, E. J., Gelviz-Barera, O.
E., & Galviz-Ascanio, L. F. (2024). Innovación tecnológica en la producción avícola colombiana.
Recuperado de
https://www.researchgate.net/publication/381250316_Innovacion_Tecnologica_en_la_Produccio
n_Avicola_Colombiana
Consejo Nacional de Política Económica y Social. (2008). Política Nacional de Seguridad
Alimentaria y Nutricional (Documento CONPES 113).
https://www.icbf.gov.co/sites/default/files/conpes_113_de_2008.pdf
Khan, A. A., Chaudhari, O., y Chandra, R. (2024). A review of ensemble learning and data
augmentation models for class imbalanced problems: Combination, implementation and
evaluation. Expert Systems with Applications, 244, Artículo 122778.
https://doi.org/10.1016/j.eswa.2023.122778
Gao, W., y Zhou, Z.-H. (2013). On the doubt about margin explanation of boosting. Artificial
Intelligence, 203, 1–18. https://doi.org/10.1016/j.artint.2013.07.002
García, J. L. (2023). Análisis de la eficiencia energética en sistemas fotovoltaicos [Tesis de
maestría, Universidad Militar Nueva Granada].
https://repository.umng.edu.co/handle/123456789/12345
Ha, V. T., y Giang, P. T. (2023). Experimental study on remaining useful life prediction of
lithium-ion batteries based on three regression models for electric vehicle application. Applied
Sciences, 13(13), 7660. https://doi.org/10.3390/app13137660
Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3rd ed.).
Morgan Kaufmann.
https://myweb.sabanciuniv.edu/rdehkharghani/files/2016/02/The-Morgan-Kaufmann-Series-in-D
ata-Management-Systems-Jiawei-Han-Micheline-Kamber-Jian-Pei-Data-Mining.-Concepts-andTechniques-3rd-Edition-Morgan-Kaufmann-2011.pdf
Kuhn, M., & Johnson, K. (2013). Applied predictive modeling. Springer.
https://vuquangnguyen2016.wordpress.com/wp-content/uploads/2018/03/applied-predictive-mo
deling-max-kuhn-kjell-johnson_1518.pdf
León, J. C. (2020). Actividades de apoyo de la gestión logística en las empresas
comercializadoras de bebidas. Revista de Investigación en Ciencias de la Administración
ENFOQUES, 4(16), 239-247. https://doi.org/10.33996/revistaenfoques.v4i16.96
Maisueche Cuadrado, A. (2019). Utilización del Machine Learning en la industria 4.0 (Tesis
de maestría, Universidad de Valladolid, Escuela de Ingenierías Industriales). Universidad de
Valladolid.
https://uvadoc.uva.es/bitstream/handle/10324/37908/TFM-I-1372.pdf?sequence=1&isAllowed=y
Neufeld, A. C., Gao, L. L., y Witten, D. M. (2022). Tree-values: Selective inference for
regression trees. Journal of Machine Learning Research, 23(305), 1–43. Recuperado de
https://jmlr.org/papers/volume23/21-0722/21-0722.pdf
Ortiz Amaya, A. E., & Martínez Martínez, M. I. (2011). Inocuidad alimentaria: panorama en
Colombia. Conexión Agropecuaria JDC, 1(1), 37-44.
https://revista.jdc.edu.co/conexagro/article/view/345/366
Pérez Tamayo, E. M., Aguirre Henao, C. D., Echavarría Idárraga, I. C., & Tamayo Castro, J.
A. (2020). Análisis de políticas públicas alimentarias y nutricionales colombianas: aproximación
a las posturas epistemológicas, teóricas y metodológicas en los años 2000-2015. Revista de la
Facultad de Ciencias Políticas, 50(132), 192-214.
https://bibliotecadigital.udea.edu.co/entities/publication/9c73cdc4-01e0-4aef-aea0-5b147f14505
d
Qamar, R., y Zardari, B. A. (2023). Artificial neural networks: An overview. Mesopotamian
Journal of Computer Science, 2023, 130–139. https://doi.org/10.58496/MJCSC/2023/015
Redacción The Food Tech. (2024, 18 de septiembre). La nueva era del procesamiento de
alimentos: IA, aprendizaje automático y sistemas de visión en México y Latinoamérica. The
Food Tech.
https://thefoodtech.com/maquinaria-para-envasado-y-procesamiento/la-nueva-era-del-procesa
miento-de-alimentos-ia-aprendizaje-automatico-y-sistemas-de-vision-en-mexico-y-latinoamerica
/
Rivera-Godoy, J. A., & Rendón-Perea, J. D. (2019). Sector avícola en Colombia: rendimiento
contable y EVA. Contaduría Universidad de Antioquia, 74, 127-151.
https://revistas.udea.edu.co/index.php/cont/article/view/339231/20794138
Rivera-Godoy, J. A., & Rendón-Perea, J. D. (2019). Sector avícola en Colombia: rendimiento
contable y EVA. Contaduría Universidad de Antioquia, 74, 127-151.
https://revistas.udea.edu.co/index.php/cont/article/view/339231/20794138
Zhuang, X., & Zhang, T. (2019). Detection of sick broilers by digital image processing and
deep learning. Biosystems Engineering, 179, 106-116.
https://www.researchgate.net/publication/331444970_Detection_of_sick_broilers_by_digital_ima
ge_processing_and_deep_learning
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/restrictedAccess
Abierto (Texto Completo)
Atribución-NoComercial-SinDerivadas 2.5 Colombia
pdf
40 páginas
Recurso electrónico
application/pdf
application/pdf
application/pdf
Especialización en Machine Learning
Facultad de Ingeniería
Bogotá, Colombia