Analítica prescriptiva basada en inteligencia computacional para maximizar la rentabilidad
Loading...
Date
2024-09
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de los Andes
Abstract
En el contexto actual, las organizaciones enfrentan desafíos en su proceso de toma de decisiones. La dinámica del mercado, la variabilidad en la demanda y la competencia exigen enfoques más sofisticados. La toma de decisiones debe considerar múltiples criterios y gestionar la incertidumbre en la información. Por lo tanto, la capacidad de implementar modelos analíticos y metodologías robustas es fundamental para optimizar operaciones y maximizar rentabilidad. Esta tesis propone modelos y metodologías para mejorar la gestión de productos sustitutos y las estrategias de retención de clientes en entornos empresariales dinámicos con información limitada. Se presentan dos investigaciones interrelacionadas que convergen en optimizar la toma de decisiones, además de una tercera en desarrollo. La primera investigación optimiza la utilidad del consumidor mediante un modelo dinámico de lot-sizing, para maximizar las ganancias al optimizar precio, producción y almacenamiento. El modelo emplea un algoritmo de Optimización por Enjambre de Partículas (PSO) para determinar óptimamente estos parámetros, a través de ecuaciones de punto fijo. Se abordan conjuntamente decisiones de almacenamiento, producción y fijación de precios de productos sustitutos en un marco innovador. La contribución es científica aplicada, desarrollando un modelo que integra un análisis multiproducto y considera la demanda no fija y probabilística, contrastando con modelos tradicionales de demanda determinista. Este enfoque representa más realísticamente las decisiones de los consumidores, mejorando la respuesta empresarial, proporcionando soluciones prácticas para la gestión de inventarios y precios en mercados competitivos.
La segunda investigación diseña y optimiza campañas de retención de clientes, mediante un Sistema de Inferencia Difusa tipo Mamdani y modelos de optimización que consideran el abandono de clientes (churn) en función de un umbral de decisión. Este enfoque maximiza la utilidad de las campañas basándose en el análisis de la información del cliente y los retornos marginales. Esta contribución es metodológica, desarrollando técnicas para categorizar clientes según su propensión a abandonar, permitiendo estrategias de retención más efectivas. Al ajustar intervenciones según el comportamiento previsto, esta metodología maneja la incertidumbre en la información, clave en la toma de decisiones en entornos dinámicos. Los resultados en simulaciones numéricas demuestran la efectividad y adaptabilidad de ambos modelos en distintos contextos, destacando su relevancia en la toma de decisiones. Finalmente, se proponen futuras extensiones como algoritmos paralelizados y validación empírica. En resumen, esta tesis ofrece herramientas aplicables en el ámbito empresarial para mejorar la toma de decisiones y optimizar la utilidad.
Description
Keywords
Citation
Meza Angulo, A. D. J., Pérez Retamales, J., & Universidad de los Andes . Facultad de Ingeniería y Ciencias Aplicadas. (2024). Analítica prescriptiva basada en inteligencia computacional para maximizar la rentabilidad. UANDES.