Prototipo de sistema inteligente para la gestión de inventario mediante modelos de Machine Learning e IoT

Abstract

En el área de Mantenimiento de Operaciones de la empresa, la gestión de inventario realizada mediante el sistema SAP y controles manuales ha generado problemáticas críticas, como descuadres de stock y demoras en la reposición. Para abordar estas ineficiencias, esta memoria presenta el desarrollo y validación de un prototipo de sistema inteligente que integra trazabilidad mediante códigos QR como solución IoT, un motor de predicción de demanda y dashboards interactivos. La metodología incluyó una evaluación experimental de tipo "todos contra todos" utilizando cuatro modelos predictivos: ARIMA, Croston/TSB, Random Forest y XGBoost, aplicados sobre un conjunto de datos históricos de 230 materiales. A nivel funcional, el prototipo desarrollado en Python logró automatizar la captura de datos y redujo el tiempo de registro en aproximadamente un 80%, disminuyendo la operación de minutos a unos 7 segundos por ítem. En cuanto al desempeño predictivo, los resultados contradijeron la expectativa inicial sobre la superioridad de los algoritmos de Machine Learning complejos. El modelo estadístico ARIMA resultó ser el más robusto y preciso, pues superó significativamente a las alternativas en el 46,5% de los casos y demostró ser la opción idónea para gestionar la demanda intermitente que caracteriza al 97% del inventario MRO analizado. El trabajo concluye demostrando la viabilidad técnica de la solución y su potencial para disminuir los quiebres de stock y optimizar el capital inmovilizado mediante decisiones basadas en datos. In the company's Operations Maintenance area, inventory management carried out through the SAP system and manual controls has led to critical issues, such as stock discrepancies and replenishment delays. To address these inefficiencies, this thesis presents the development and validation of an intelligent system prototype that integrates traceability via QR codes as an IoT solution, a demand prediction engine, and interactive dashboards. The methodology included an "all-against-all" experimental evaluation of four predictive models, specifically ARIMA, Croston/TSB, Random Forest, and XGBoost, on a historical dataset of 230 materials. Functionally, the Python-developed prototype successfully automated data capture and reduced registration time by approximately 80%, dropping from minutes to about 7 seconds per item. Regarding predictive performance, the results contradicted the initial expectation regarding the superiority of complex Machine Learning algorithms. The statistical model ARIMA proved to be the most robust and accurate, as it significantly outperformed alternatives in 46.5% of cases and proved to be the ideal choice for managing the intermittent demand that characterizes 97% of the analyzed MRO inventory. The work concludes by demonstrating the technical feasibility of the solution and its potential to reduce stockouts and optimize immobilized capital through data-driven decisions.