Implementación de Machine Learning para predicción de costos de camarón hacia China con exportadores de Guayaquil.
Las exportaciones actualmente son un reto logístico para una gran cantidad de empresas. Los exportadores de camarón deben adaptarse a los nuevos retos que se enfrentan y empresas que manejan estas exportaciones siempre están afrontando variaciones de costos en sus operaciones. Este aumento de costos...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
2025
|
| Subjects: | |
| Online Access: | http://repositorio.ucsg.edu.ec/handle/3317/24198 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Add Tag | Summary: | Las exportaciones actualmente son un reto logístico para una gran cantidad de empresas. Los exportadores de camarón deben adaptarse a los nuevos retos que se enfrentan y empresas que manejan estas exportaciones siempre están afrontando variaciones de costos en sus operaciones. Este aumento de costos obliga a las empresas a subir sus precios e incluso pueden dificultar las exportaciones recortando recursos financieros para los camaroneros. Dentro del estudio de los datos el poder conocer y el poder implementar herramientas de Machine Learning para predecir los costos de exportación de camarón hacia China, se vuelve un recurso muy importante. Con los datos proporcionados por un forwarder en Guayaquil. Se indago que algoritmo era el más adecuado para su aplicación, para después aplicar los algoritmos de K-Means y KNN con el fin de segmentar a los clientes en grupos con características similares y predecir los costos logísticos asociados a las exportaciones. Los resultados mostraron una segmentación entre "Clientes Premium" y "Clientes Normales", lo que permitirá desarrollar estrategias diferenciadas. Además, se desarrolló un modelo predictivo con un bajo error cuadrático medio (RMSE), lo que sugiere que el modelo es preciso para estimar los costos de exportación. Con esto poder prevenirse a los costos y saber que se puede reducir los costos de venta para obtener mayor ganancia. Finalmente, se propusieron mejoras futuras, como la inclusión de variables adicionales y la integración de otros algoritmos de Machine Learning, para optimizar aún más el modelo. Este estudio contribuye a la optimización de la logística en las exportaciones de camarón y también mejoras logísticas tanto como para el forwarder como el exportador. Donde recibirá un servicio adecuado a los costos que esta pagando al ser considerado al grupo de clientes asignados y el forwarder podrá reducir sus costos a través de distintas estrategias que apliquen al conocer las predicciones del modelo. |
|---|