Robles Rma-Valverde Cmy

FACULTAD DE INGENIERÍA Y ARQUITECTURA
ESCUELA PROFESIONAL DE INGENIERÍA DE COMPUTACIÓN Y SISTEMAS
SISTEMA DE PREDICCIÓN PARA INCREMENTAR LAS

VENTAS DE ACCESORIOS Y REPUESTOS
AUTOMOTRICES EN LA EMPRESA GGP AUTOMOTRIZ
PRESENTADA POR
MARCOS ANDREI ROBLES RAKOV

MARILYN YSABEL VALVERDE CAMPOS
ASESOR
AUGUSTO ERNESTO BERNUY ALVA

GENER VÍCTOR ZAMBRANO LOLI
TESIS
PARA OPTAR EL TÍTULO PROFESIONAL DE INGENIERO DE

COMPUTACIÓN Y SISTEMAS
LIMA – PERÚ
2021
CC BY-NC-ND
Reconocimiento – No comercial – Sin obra derivada
El autor sólo permite que se pueda descargar esta obra y compartirla con otras personas, siempre que se
reconozca su autoría, pero no se puede cambiar de ninguna manera ni se puede utilizar comercialmente.
http://creativecommons.org/licenses/by-nc-nd/4.0/
ESCUELA PROFESIONAL DE INGENIERÍA DE COMPUTACIÓN Y
SISTEMAS

TESIS
PARA OPTAR EL TÍTULO PROFESIONAL DE INGENIERO DE

COMPUTACION Y SISTEMAS
PRESENTADA POR
ROBLES RAKOV, MARCOS ANDREI
VALVERDE CAMPOS, MARILYN YSABEL
LIMA - PERÚ
2021
DEDICATORIA
El presente trabajo de investigación está

dedicado a Dios, a nuestros padres y
familiares por apoyarnos siempre a
construir y lograr nuestras metas y al Sr.
Gianfranco Ghersi Peirano, por su gran
amistad y ser el patrocinador del
presente trabajo de investigación.
AGRADECIMIENTO
En primer lugar, a Dios, por

absolutamente todo. A nuestros padres,
por su apoyo incondicional a lo largo de
nuestra vida. A los asesores por ser los
guías en el trabajo desarrollado y al Sr.
Gianfranco Ghersi Peirano.
ÍNDICE
Página
RESUMEN x
ABSTRACT xi
INTRODUCCIÓN xii
CAPÍTULO I. PLANTEAMIENTO DEL PROBLEMA 1
1.1 Situación problemática 1
1.2 Definición del problema 14
1.3 Formulación del problema 15
1.4 Objetivos 15
1.5 Justificación 16
1.6 Viabilidad de la investigación 18
1.7 Alcances y limitaciones 24
CAPÍTULO II. MARCO TEÓRICO 26
2.1 Antecedentes de la investigación 26
2.2 Bases teóricas 31
2.3 Definición de términos básicos 53
CAPÍTULO III. METODOLOGÍA 54
3.1 Diseño Metodológico 54
3.2 EDT 67
3.3 Lista de cotejo 68

3.4 Cronograma 70
CAPÍTULO IV. DESARROLLO DEL PROYECTO 72
4.1 Modelado del negocio 72
4.2 Modelado del sistema 100
4.3 Captura de información 149
4.4 Desarrollo 152
4.5 Pruebas del sistema 182
CAPÍTULO V. RESULTADOS 210
CAPÍTULO VI. DISCUSIÓN 231
CONCLUSIONES 237
RECOMENDACIONES 239
FUENTES DE INFORMACIÓN 241
ANEXOS 246
ÍNDICE DE TABLAS
Tabla 1: Viabilidad Técnica 19

Tabla 2: Recursos tecnológicos en GGP Automotriz 20
Tabla 3: Componentes de la solución 21
Tabla 4: Viabilidad Operativa 22
Tabla 5: Viabilidad Económica 23
Tabla 6: Reglas del negocio 31
Tabla 7: Tipos de repuestos automotrices 36
Tabla 8: Repuestos originales vs alternativos 37
Tabla 9: Comparativa de metodologías 55
Tabla 10: Comparativa de Software de Logística 61
Tabla 11: Lista de cotejo 68
Tabla 12: Descripción de la tabla T_Resultados_Encuestas 143
Tabla 13: Descripción de la tabla T_Resultados_Encuestas_Preguntas 144
Tabla 14: Descripción de la tabla T_Encuesta 144
Tabla 15: Descripción de la tabla T_Encuesta_Preguntas 145
Tabla 16: Descripción de la tabla T_Pregunta_Opciones 145
Tabla 17: Descripción de la tabla T_Ofertas 146
Tabla 18: Descripción de la tabla T_Ofertas_Productos 147
Tabla 19: Descripción de la tabla T_Usuario 147
Tabla 20: Descripción de la tabla T_Ofertas_Compradas 148
Tabla 21: Descripción de la tabla T_Detalle_Envio 148
Tabla 22: Línea de producto 156
Tabla 23: Variables independientes e dependiente 169
Tabla 24: Plan de pruebas 183
Tabla 25: Informe del caso de prueba – Predecir Demanda 185
Tabla 26: Informe del caso de prueba – Mantenimiento Encuesta 189
Tabla 27: Informe del caso de prueba – Mantenimiento Oferta 193
Tabla 28: Informe del caso de prueba – Enviar Encuesta 196
Tabla 29: Informe del caso de prueba – Enviar Oferta 198
Tabla 30: Informe del caso de prueba - Realizar Encuesta 199
Tabla 31: Informe del caso de prueba - Comprar Oferta 202
ÍNDICE DE FIGURAS
Figura 1: COVID 19 genera impacto en ventas automotrices 6

Figura 2: Evolución de importaciones de accesorios y repuestos automotrices 7
Figura 3: Venta de vehículos livianos acumulado en julio de cada año 8
Figura 4: Histórico de la cantidad de ventas 9
Figura 5: Ventas anuales por tipo de producto de la empresa GGP 9
Figura 6: Ventas anules de repuestos automotrices 10
Figura 7: Ventas anules de accesorios automotrices 10
Figura 8: Productos no vendidos por falta de stock 12
Figura 9: Tipo de productos no vendidos por falta de stock 13
Figura 10: Repuestos automotrices no vendidos por falta de stock 13
Figura 11: Accesorios automotrices no vendidos por falta de 14
Figura 12: Machine Learning 42
Figura 13: Aprendizaje por regresión 43
Figura 14: Función de Red Neuronal 44
Figura 15: Red Neuronal Profunda 45
Figura 16: LSTM Networks 46
Figura 17: Disciplinas de la Metodología RUP 48
Figura 18: Fases de la Metodología RUP 49
Figura 19: Metodología CRISP-DM 52
Figura 20: Diagrama de Actores del Negocio 72
Figura 21: Diagrama de Caso de Uso del Negocio 73
Figura 22: CUN Realizar compra 91
Figura 23: CUN Solicitar devolución 92
Figura 24: CUN Consultar ventas 93
Figura 25: CUN Consultar stock 94
Figura 26: CUN Importar productos 96
Figura 27: CUN Solicitar reporte ventas 97
Figura 28: CUN Solicitar reporte compras 98
Figura 29: Diagrama de objeto del negocio 99
Figura 30: Diagrama de paquetes del sistema 102
Figura 31: Diagrama de actores del sistema 104
Figura 32: Diagrama general de casos de uso del sistema 105
Figura 33: Casos de uso del paquete de seguridad 106
Figura 34: Casos de uso del paquete de predicción 106
Figura 35: Casos de uso del paquete de predicción Encuesta – Oferta 107
Figura 36: Casos de uso del paquete de predicción Envío – Oferta 108
Figura 37: Prototipo del CUS Iniciar sesión 111
Figura 38: Prototipo del CUS Cambiar contraseña 113
Figura 39: Prototipo del CUS Predecir demanda 116
Figura 40: Prototipo del CUS Editar encuesta 120
Figura 41: Prototipo del CUS Agregar nueva pregunta 120
Figura 42: Prototipo del CUS Editar pregunta 121
Figura 43: Prototipo del CUS Resultados encuesta 121
Figura 44: Prototipo del CUS Ofertas 125
Figura 45: Prototipo del CUS Nueva oferta 126
Figura 46: Prototipo del CUS Enviar encuesta 128
Figura 47: Prototipo del CUS Link de encuesta al cliente 129
Figura 48: Prototipo del CUS Encuesta al cliente 129
Figura 49: Prototipo del CUS Oferta al cliente 131
Figura 50: Encuesta 133
Figura 51: Página para adquirir ofertas 136
Figura 52: Modelo de despliegue 137
Figura 53: Diagrama de arquitectura de red 138
Figura 54: Diagrama de contexto 139
Figura 55: Diagrama de contenedor 140
Figura 56: Modelo de componentes 141
Figura 57: Modelo de datos lógicos 142
Figura 58: Data ventas 150
Figura 59: Data venta por tipo producto 151
Figura 60: Integración de base de datos 154
Figura 61: Código para retroalimentar la predicción 154
Figura 62: Librerías de Redes Neuronales 160
Figura 63: Importar data ventas 161
Figura 64: Código para guardar fecha en el índice 161
Figura 65: Data de ventas 162
Figura 66: Código para separar lo indicado 162
Figura 67: Codificación One Hot 163
Figura 68: Código para concatenar 164
Figura 69: Data concatenada 165
Figura 70: Código para ordenar 166
Figura 71: Código para normalizar registros 167
Figura 72: Columnas del Dataset 168
Figura 73: Código para dividir data 169
Figura 74: Código para modificar dimensión 170
Figura 75: Librería Keras y Modelo Secuencial 170
Figura 76: Código para reducir error absoluto 171
Figura 77: Código para entrenar modelo 172
Figura 78: Código para guardar modelo 172
Figura 79: Código para plotear 173
Figura 80: Curva de entrenamiento 173
Figura 81: SMAPE 174
Figura 82: Código para evaluar modelo 175
Figura 83: Código para desescalar 175
Figura 84: Evaluación del modelo 176
Figura 85: Predicción de las ventas 176
Figura 86: Gráfica de predicción vs valor real al día 30 178
Figura 88: Código para evaluar modelo según fecha 181
Figura 89: Código para obtener las ventas registradas en el Tryton 182
Figura 90: Módulo predicción de demanda 186
Figura 91: Mensaje de error por no ingresar tipo de ítem ni fecha a predecir 187
Figura 92: Mensaje de error por no ingresar tipo de ítem 188
Figura 93: Mensaje de error por no ingresar fecha a predecir 188
Figura 94: Editar pregunta de encuesta 190
Figura 95: Detalle de envíos 191
Figura 96: Respuestas de encuestas realizadas 192
Figura 97: Resultados de módulo de encuesta 192
Figura 98: Registro de oferta 194
Figura 99: Visualización de oferta creada 195
Figura 100: Editar oferta 195
Figura 101: Eliminar oferta 196
Figura 102: Enviar encuesta 197
Figura 103: Alerta de encuesta enviada satisfactoriamente 197
Figura 104: Correo de la encuesta recibida 198
Figura 105: Correo de oferta recibida 199
Figura 106: Encuesta 201
Figura 107: Página web dónde adquirir ofertas 203
Figura 108: Detalle de facturación 203
Figura 109: Mensaje para el cliente luego de adquirir oferta 203
Figura 110: Prueba de 10 usuarios concurrentes y 100 solicitudes 205
Figura 115: Gráfica de porcentaje de error 211
Figura 117: Módulo de predicción de demanda 213
Figura 118: Envío de encuesta 214
Figura 119: Correo recepcionado por el cliente 215
Figura 120: Encuesta enviada al cliente 216
Figura 121: Encuesta registrada 216
Figura 122: Resultados de encuestas 217
Figura 123: Porcentaje de último tipo de producto adquirido por los clientes 218
Figura 124: Porcentaje de tipos de productos que más compran los clientes 219
Figura 125: Porcentaje de productos que les gustaría adquirir a los clientes 220
Figura 126: Porcentaje de frecuencia de compra con los clientes 220
Figura 127: Porcentaje de recorrido diario de un auto 221
Figura 128: Resultado obtenido de preferencia de productos 222
Figura 129: Registro de oferta de aceite 223
Figura 130: Oferta de Aceite Móvil 223
Figura 131: Correo de oferta recepcionado por el cliente 224
Figura 132: Ofertas para vender al cliente 225
Figura 133: Base de datos postgres psql 226
Figura 134: Lista de la base de datos 226
Figura 135: Base de datos api 227
Figura 136: Tablas de la base de datos api 227
Figura 137: Software de logística Tryton 228
Figura 138: Sistema web GGP 229
RESUMEN
Actualmente, la empresa GGP Automotriz se dedica a la compra y venta
de accesorios y repuestos automotrices y realiza sus cálculos de estos en hojas
de Excel. Asimismo, se han generado pérdidas económicas al no concretar
diversas ventas debido a la falta de stock y a la coyuntura que se vive en el mundo
entero frente al COVID-19. El presente trabajo de investigación trata sobre la
predicción de las ventas de los accesorios y repuestos automotrices con la
finalidad de poseer el stock necesario para incrementar las ventas y satisfacer las
necesidades de los clientes; para ello, se utilizó Machine Learning y las Redes
Neuronales Recurrentes (RNN). Por otro lado, se realizó la integración del
sistema web desarrollado con un software externo de logística de Open Source
llamado Tryton, la cual brinda funcionalidades de logística. Finalmente, el
desarrollo del sistema web permite a la empresa el incremento de las ventas y el
Tryton, cubre eficientemente los procesos de la empresa frente a las operaciones
logísticas.
Palabras Clave: Machine Learning, Red Neuronal Recurrente, Inteligencia
Artificial, Tryton.
x
ABSTRACT
Currently, the GGP Automotriz company is dedicated to the purchase and
sale of automotive accessories and spare parts and performs its calculations of
these in Excel sheets. Likewise, economic losses have been generated by not
making various sales due to the lack of stock and the current situation around the
world in the face of COVID-19. This research work deals with the prediction of the
sales of automotive accessories and spare parts in order to have the necessary
stock to increase sales and satisfy customer needs; For this, Machine Learning
and Recurrent Neural Networks (RNN) were used. On the other hand, the
integration of the web system developed with an external Open Source logistics
software called Tryton was carried out, which provides logistics functionalities.
Finally, the development of the web system allows the company to increase sales
and the Tryton efficiently covers the company's processes against logistics
operations.
Keywords: Machine Learning, Recurrent Neural Network, Artificial
intelligence Tryton.
xi
INTRODUCCIÓN
Debido a la coyuntura que se vive actualmente en el mundo a causa del
virus COVID19, varias empresas de distintos rubros han sufrido pérdidas
monetarias ya que dependen de las ventas y sus reservas de liquidez son
escasas, produciendo estrés financiero lo que conduciría al cierre de las mismas
o el despido de sus trabajadores. (Sulbarán, 2020)
En la empresa GGP Automotriz, la caída de las ventas se produjo por la
pandemia mundial y por la falta de stock de los accesorios y repuestos
automotrices, ya que al no poseer los productos que los clientes necesitan para
sus automóviles, no se concretan las ventas, generando la insatisfacción de los
clientes y la disminución de dichas ventas.
xii
A fin de solucionar este problema, se planteó realizar una predicción de la
demanda de los accesorios y repuestos automotrices, en base a las ventas
realizadas anteriormente y el desarrollo de módulos de encuestas para conocer
las preferencias y/o necesidades de los clientes y el envío automático de las
ofertas personalizadas a los mismos, en base a los resultados de dichas
encuestas, con el fin de que el cliente pueda adquirir las ofertas de los productos
de su interés y así la empresa logre el objetivo de incrementar las ventas con el
fin de crecer en el mercado automotriz.
La estructura de la tesis comprende seis capítulos. En el primero, se
analiza y argumenta la situación problemática, se define el problema se formulan
los objetivos, alcances y limitaciones. En el segundo, se abordan investigaciones
similares, bases teóricas y se describen las tecnologías utilizadas. En el tercero,
se detallan las metodologías empleadas en el trabajo de investigación y se explica
la secuencia del desarrollo. En el cuarto, se presenta el desarrollo del sistema
web y del machine learning, especificando los artefactos junto con sus
componentes y tecnologías para efectuar las predicciones de las ventas de los
accesorios y repuestos automotrices. En el capítulo V, se redactan los resultados
obtenidos en la investigación y, por último, en el capítulo VI, se expone la
discusión de los resultados, concluyendo que se ha realizado de manera correcta,
con la finalidad de mejorar la situación de la empresa.
xiii
CAPÍTULO I
PLANTEAMIENTO DEL PROBLEMA
1.1. Situación problemática
1.1.1. Descripción de la empresa
La empresa GGP Automotriz fue fundada en el año 2017, en el distrito
de La Molina, Lima, Perú. Se dedica a la importación y comercialización de
repuestos automotrices brindando productos de calidad junto con un buen servicio
de logística totalmente preparada para hacer efectiva la entrega de los productos
en el menor tiempo posible a cualquier provincia del Perú.
La segmentación que considera la empresa GGP Automotriz en sus
clientes son las personas entre 24 y 45 años de edad pertenecientes a un nivel
socio-económico (NSE) del sector A, B y C; residentes en Lima, Arequipa,
Chimbote, Chiclayo, Cuzco, Puno, Piura, Trujillo e Ica. Los intereses de la
empresa están relacionados con los autos, tecnología, iluminación automotriz,
mecánica, carrera de autos, repuestos automotrices, y, por otro lado, los intereses
de aspiración de la empresa son marcas importantes como Ferrari, Lamborghini,
Porsche, BMW, Audi; autos pertenecientes al sector Premium.
1
GGP Automotriz cuenta con 2 procesos, los cuales son el Proceso de
Importación (Ver Anexo 1) y el Proceso de Ventas (Ver Anexo 2), que permiten a
la empresa llevar a cabo la compra y venta de los productos que solicitan los
clientes, dichos productos se encuentran catalogados en inventario de repuestos
(Ver Anexo 3) e inventario de accesorios (Anexo 4).
La empresa cuenta con procedimientos de devolución y pase de
garantía de productos, si en caso un producto adquirido por un cliente presenta
fallas o inconvenientes este lo reporta, la empresa recibe el producto para la
verificación correspondiente, si en caso es una falla de fábrica se procede con el
cambio respectivo; caso contrario, si se determina que es por negligencia del
usuario, se procede a comunicar y no cubre la garantía del producto.
1.1.2. Sector Automotriz
El sector automotriz representa una pieza fundamental en la
economía mundial, con una cifra de empleo alrededor de 14 millones de
trabajadores representando la sexta mayor economía del mundo. (Organización
Internacional del Trabajo, 2020)
Frente a los primeros registros de casos del nuevo Corona virus
COVID-19 en diciembre del 2019, China fue el primero en presentar una caída en
el mercado automovilístico con un 18.6% de ventas a inicios del mes de enero del
2020, seguido por febrero con una caída de ventas del 79,1%. (Atalayar, 2020)
2
La producción en las fábricas de ensamblaje de autos más populares,
tales como Volkswagen, Nissan, Honda, ha tenido que ser paralizada, debido a
la inmovilización que se planteó al mundo lo que generó que el personal no asista
a su centro de trabajo y no se cuente con materia prima para elaborar las piezas
y autopartes de los vehículos. (Salazar, 2020)
El impacto que representa el COVID-19 en el sector automovilístico
afecto de manera mundial a distintas potencias, tales como la Unión Europea que
se contrajo un 44% y en el caso de la Asociación de Naciones del Sudoeste
Asiático (ASEAN) un 40%, mientras que en el mes de Abril el impacto en los
Estados Unidos se contrajeron un 46%, por la cual fue afectada y trajo
consecuencias en 3 grupos importantes: el cierre fábricas, interrupción en la
cadena de suministro y el colapso de la demanda; afectando a las pequeñas y
medianas empresas donde miles de trabajos se encuentran en riesgos debido a
la incertidumbre generada por el nuevo virus. (Atalayar, 2020)
En el caso de Honda y Nissan, se vieron forzados en cerrar sus
negocios, suspendiendo el pago a sus trabajadores o despidiéndolos
masivamente perjudicando a cientos de personas. (Vargas, 2020)
La empresa Toyota informó que “en abril del presente año cayeron
sus ventas en un 54%, debido a que los clientes que más adquieren sus productos
se encuentran ubicados en la costa este y oeste en Estados Unidos y dichas
personas han sido afectadas por la pandemia que se vive hoy en día”. (Atalayar,
2020)
3
El director financiero de Toyota, Kenta Kon, informó “Ha finalizado la
crisis económica más impactante de la pandemia del COVID19, es por eso que
se espera que las ventas se recuperen a fines de este año, a niveles muy similares
a los que se tenía en el 2019”. (Becker, 2020)
Según un medio español, las ventas de Volkswagen cayeron en un
34% aproximadamente en mayo del presente año, debido a la coyuntura vivida.
Dicho diario informó “la organización que es dirigida por Herbert Diess, vendió
3,08 millones de vehículos, siendo su caída en un 29,7% en comparación con
respecto a 4,39 millones, siendo esto lo vendido en el 2019.
La crisis mundial que se vive hoy en día, a causa del COVID-19, ha
afectado al sector automotriz, siendo los más perjudicados Corea del Sur, Japón
e Italia. Aproximadamente, el 80% de las empresas automotrices han sido
afectadas durante el año 2020 y el 78% no cuenta con personal para poner en
marcha la producción completa de estas empresas.
El Socio de la práctica Automotriz de KPMG, Dieter Becker, informó
“Aproximadamente un 80% de suministros de sector automotriz está enlazado a
China. La exportación de automóviles se desplomó en un 18% en enero del
presente año. Se considera que disminuya en un 40%, comparando con el 2019,
las ventas a en los primeros meses del 2020. La falta de producción afecta a los
fabricantes de dichos productos”. (Becker, 2020)
4
China envía el 30% de los repuestos a las empresas fabricantes de
autopartes, sin embargo, esto no fue posible realizarlo e interrumpió el suministro
de autopartes y las empresas, tales como Nissan, Honda o Isuzu, ejecutaron
medidas como suspender temporalmente su producción. (Revista Turbo, 2020)
Asimismo, Corea del Sur paso por situación similar y no pudo dar
abastecimiento para el ensamblaje de vehículos ya que se requiere elementos
como piezas de tecnología como microchips y materia prima, como aluminio y
acero. Se suspendió temporalmente la producción de autopartes, viéndose
afectado los países de Alemania, Italia, EE. UU, Japón, entre otros lo que generó
un disminución en el valor del mercado, teniendo como referencia el 2018, más
de US$ 38 billones. (Gestión, 2020)
Desde el anuncio de la propagación de la pandemia COVID-19 en
México, el 54% de las empresas relacionadas con la reparación y venta de
autopartes siguen activas, mientras que el 46% de las empresas han cerrado.
(Silva Mendez, 2020)
Por otro lado, en Colombia se estima una caída de las ventas de
repuestos y autopartes en un 50% debido a la propagación del nuevo virus
COVID-19. (Ruiz Rico, 2020)
5
Las ventas correspondientes en el sector automotriz a nivel mundial
tuvieron una caída significativa tal como se muestra a continuación:
Figura 1: COVID 19 genera impacto en ventas automotrices
Fuente: IHS Markit
Las medidas tomadas en el Perú el 15 de marzo del 2020 frente al
Aislamiento Social Preventivo Obligatorio frente al COVID-19 tuvieron efectos en
el cierre de varias unidades productivas, inclusivo en el rubro automotriz, donde
las empresas acataron y respetaron el cierre obligatorio y suspensión de
actividades laborales durante la primera fase de la cuarentena, así como también
el cierre de fronteras, donde las importaciones sufrieron una severa caída este
año. Así, de acuerdo con cifras de la Superintendencia Nacional de Aduanas y de
Administración Tributaria (SUNAT), se redujo un 11.7% las importaciones en
comparación con el año 2019, siendo el acumulado de US$ 12,278 millones; en
abril, se redujo en un 29.4% en comparación con el mes anterior que se tuvo una
reducción del 19.2%. (ComexPerú, 2020)
6
Figura 2: Evolución de importaciones de accesorios y repuestos automotrices
Fuente: ComexPerú
Esto también tuvo como consecuencia una caída en las ventas de los
vehículos livianos en el Perú, entre enero y julio del 2020 se comercializaron
49,031 unidades, lo que representa una caída del 43,5% con respecto al año
anterior en los mismos meses. (Gestión , 2020)
7
Figura 3: Venta de vehículos livianos acumulado en julio de cada año
Fuente: GEE - SUNARP – AAP
1.1.3. Diagnóstico del caso de estudio
Actualmente, la empresa GGP Automotriz organiza los cálculos de
demanda de compra y venta de repuestos y accesorios automotrices en hojas de
Excel, donde les permite gestionar la contabilidad de dicho inventario, en base a
la gran cantidad de productos que se desea proporcionar a los clientes y el
elevado grado de variabilidad en la demanda de estos productos se debe de
poseer un amplio stock de piezas de repuestos y accesorios para no afectar las
ventas de la empresa ya que el poseer la disponibilidad de dichos productos
aseguran la continuidad del negocio.
8
Se obtuvo un histórico de las ventas realizadas en los siguientes
periodos:
VENTAS ANUALES
600
539
500 460
Ventas realizadas
400
276
300
184
200
100
0
2017 2018 2019 2020
Figura 4: Histórico de la cantidad de ventas
Elaboración: los autores
VENTAS ANUALES POR TIPO DE PRODUCTO

400
341
350
Ventas realizadas
283
300
250
192 198
200 177
150 105
84 79
100
50
0
ACCESORIOS
ACCESORIOS
ACCESORIOS
ACCESORIOS
REPUESTOS
REPUESTOS
REPUESTOS
REPUESTOS
2017 2018 2019 2020
Figura 5: Ventas anuales por tipo de producto de la empresa GGP
9
VENTAS ANUALES DE REPUESTOS
200 175
Ventas realizadas 180
160
140 124
120 93
100 84 84
75 73
80 63
60 45 42
29 34
40
20
0
OTROS
OTROS
OTROS
OTROS
ACEITES
FILTROS DE AIRE
FILTROS DE AIRE
FILTROS DE AIRE
ACEITES
ACEITES
BUJIAS
BUJIAS
2017 2018 2019 2020
Figura 6: Ventas anules de repuestos automotrices
VENTAS ANUALES DE ACCESORIOS

90 82
75
Ventas realizadas
80 66
70
60 54 50
48
50
40 34 33
29 27
30 21 19
20
10
0
OTROS
OTROS
OTROS
OTROS
TAPAS
TAPAS
TAPAS
TAPAS
LLAVES Y LLAVEROS
LLAVES Y LLAVEROS
LLAVES Y LLAVEROS
LLAVES Y LLAVEROS
2017 2018 2019 2020
Figura 7: Ventas anules de accesorios automotrices
10
Se muestran las gráficas de las fluctuaciones de las ventas a lo largo
de los años, pero debido a las falencias detectadas, mencionadas en los párrafos
precedentes, y a base de las gráficas mostradas, se ve un decrecimiento de
ventas a partir del año 2019.
Médiate el cálculo de la variación porcentual, considerando el año
2019 como valor inicial y el año 2020 (31 de mayo como fecha de corte) como
valor final, se obtiene un resultado de -65.86% de pérdida de ventas:
𝑉𝑎𝑙𝑜𝑟 𝑓𝑖𝑛𝑎𝑙 − 𝑉𝑎𝑙𝑜𝑟 𝑖𝑛𝑖𝑐𝑖𝑎𝑙

𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 = × 100%
𝑉𝑎𝑙𝑜𝑟 𝑖𝑛𝑖𝑐𝑖𝑎𝑙
539 − 184
𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 = × 100%
539
𝑉𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 = −65.86%
La coyuntura que se vive actualmente al Covid-19 tuvo cierta
influencia en la cantidad de ventas generadas, en los últimos meses estas fueron
de muy bajos niveles comparados con periodos anteriores, generado un ingreso
financiero inferior, así como la incertidumbre de las ventas que se efectuaran en
los próximos meses.
La falta de stock y la influencia de la coyuntura de la crisis sanitaria,
han desencadenado varios factores relevantes en los procesos de la empresa
GGP Automotriz, tales como: carencia de conocimiento acerca de la cantidad que
se desea adquirir de los productos y el stock disponible de los mismo, perdida
financiera para la empresa, al no concretar ventas de los repuestos, pérdida de

11
clientes por falta de productos lo que conlleva a una presentar una imagen
inadecuada para los clientes y carencia de conocimiento acerca de los productos
con mayor flujo de salida que son indispensables para la continuidad del negocio.
Todo ello se muestra detallado en el diagrama de causa y efecto en el Anexo 11.
Se obtuvo un histórico de la cantidad de productos no vendidos
debido a que no se contaba con el stock suficiente en dicho momento, por lo que
no se pudo concretar la venta, generando pérdida de clientes y de ingreso
económico.
VENTAS NO REALIZADAS POR FALTA DE STOCK

500
443
450
400
Ventas no realizadas
350
296
300
250
200 180
150
91
100
50
0
2017 2018 2019 2020
Figura 8: Productos no vendidos por falta de stock

12
350
295
Ventas no realizadas 300
250
194
200
148
150 109 102
100 71
57
50 34
0 ACCESORIO
ACCESORIO
ACCESORIO
ACCESORIO
REPUESTO
REPUESTO
REPUESTO
REPUESTO
2017 2018 2019 2020
Figura 9: Tipo de productos no vendidos por falta de stock

160
135
Ventas no realizadas
140
120
100 92 88
80 68 65
60 48 41
32 33 28
40
10 15
20
0
OTROS
LLANTAS
OTROS
OTROS
OTROS
ACEITES
FILTROS DE AIRE
ACEITES
ACEITES
FILTROS DE AIRE
ACEITES
BUJIAS
2017 2018 2019 2020
Figura 10: Repuestos automotrices no vendidos por falta de stock
13
80 70
Ventas no realizadas 70
60 48 52
45
50
40 30 28
30 20 22
15 11
20 8 6
10
0
DETAILING
OTROS
OTROS
OTROS
OTROS
TAPAS
TAPAS
LUCES
LLAVES Y LLAVEROS
LLAVES Y LLAVEROS
LLAVES Y LLAVEROS
LLAVES Y LLAVEROS
2017 2018 2019 2020
Figura 11: Accesorios automotrices no vendidos por falta de
1.2. Definición del problema
La emergencia sanitaria ha ocasionado una escasez de productos, que
puede ser un problema aún más grave, es decir, perder clientes puede costar
cientos o incluso miles de soles. Es difícil estimar la pérdida financiera causada
por la escasez ya que no se tiene claro la cantidad de repuestos o accesorios que
serán vendidos, sin embargo, es necesario analizar la frecuencia de escasez de
repuestos y tratar de recuperar y aumentar las ventas antes de la emergencia
sanitaria.
14
1.3. Formulación del problema
1.3.1. Problema general:
¿Cómo se puede mejorar los niveles de ventas de repuestos y
accesorios automotrices ante la incertidumbre de stock y la crisis sanitaria?
1.3.2. Problemas específicos
a) ¿Qué factores influyen en la demanda de repuestos y accesorios
automotrices para poseer el stock necesario?
b) ¿Cómo identificar las necesidades y/o preferencias de los clientes
con el fin de crear ofertas personalizadas?
c) ¿Cómo generar más ventas mediante el análisis de información de
los clientes?
d) ¿Cómo integrar los registros de compras y ventas de los repuestos y
accesorios automotrices con el sistema de predicción?
1.4. Objetivos
1.4.1. Objetivo General
Desarrollar un sistema de predicción de ventas de repuestos y
accesorios automotrices, además de identificar las necesidades y/o preferencias
de los clientes con el fin de garantizar el stock de inventario, generar ofertas y
mejorar los niveles de ventas en la empresa GGP Automotriz.
15
1.4.2. Objetivos específicos:
a) Identificar los factores de demanda de los clientes frente a los
repuestos y accesorios automotrices para poseer el stock necesario
e incrementar las ventas utilizando el aprendizaje supervisado de
Machine Learning.
b) Diseñar y desarrollar un módulo de encuestas para identificar las
necesidades y/o preferencias de los clientes con la finalidad de
generar y enviar ofertas personalizadas de repuestos y accesorios
mediante la captura de información.
c) Diseñar y desarrollar un módulo de registro y venta de productos
ofertados para los clientes, con el fin de generar más ventas mediante
el análisis de la información.
d) Integrar los módulos desarrollados junto con el software externo de
logística para realizar una predicción de ventas de repuestos y
accesorios automotrices mediante el uso de Machine Learning.
1.5. Justificación
1.5.1. Importancia de la investigación
Se realizó el estudio del aprendizaje supervisado de Machine
Learning, con el algoritmo de Redes Neuronales Recurrentes (RNN),
combinación de múltiples neuronas, el cual que permite el procesamiento de
secuencias de datos, con la finalidad de que la máquina aprenda y tome mejores
decisiones analizando las variables entregadas, en base a los códigos
desarrollados; para ello, RNN usa el concepto de recurrencia para generar la
salida que también se conoce como activación o estado oculto actual, teniendo
16
así 2 entradas (dato actual, estado oculto anterior) y dos salidas (predicción y
valor actualizado oculto).
La predicción de las ventas de los accesorios y/o repuestos
automotrices, por medio del uso de técnicas de Machine Learning lo que
beneficiará directamente la empresa GGP Automotriz, toda vez que esta
herramienta facilitará la toma de previsiones para tener stock suficiente y poder
atender eficientemente a sus clientes. Asimismo, la empresa referida podrá
además realizar una estimación de sus ventas a futuro lo cual facilitará
oportunamente la toma de decisiones para una mejor actividad comercial de dicha
empresa.
1.5.2. Aportes
La presente investigación permitirá el incremento de las ventas de
repuestos y accesorios automotrices, al evitar la falta de los mismos mediante el
pronóstico de la demanda y la generación de ofertas para satisfacer las
necesidades de los clientes.
Asimismo, las técnicas de aprendizaje automático permiten detectar
patrones en los datos, a través de algoritmos, permitiendo a su vez distribuir de
mejor manera el conocimiento de los procedimientos de aprendizaje, logrando su
extensión a otros campos.
17
1.6. Viabilidad de la investigación
Para el desarrollo del proyecto, se analizó los costos estimados, en base a
la situación económica actual de la empresa GGP Automotriz, y las herramientas,
tecnologías y equipo de trabajo, que serán necesarios para lograr los objetivos
planteados.
1.6.1. Viabilidad Técnica
Se muestran los componentes técnicos que serán de uso en el
desarrollo en la investigación de la tesis.
18
Tabla 1: Viabilidad Técnica
Medio Unidad Material Descripción

Intel i5 3570 3.4GHz
Hardware 1 Laptop Memoria RAM 8GB DDR3
Disco de Estado Solido 512GB
Intel i7 10700k 3.8GHZ

Memoria RAM 32GB DDR4
1 Ordenador de escritorio
RTX 3080 10GB video
Software 2 Windows 10 Professional Sistema operativo

1 Ubuntu 18.04 Sistema operativo
Procesador de texto de Microsoft
1 Microsoft Word
Office
Procesador de cálculos de
1 Microsoft Excel
Microsoft Office
Procesador de gestión de proyecto
1 Microsoft Project
de Microsoft Office
Procesador de flujos de Microsoft
1 Microsoft Visio
Office
Visor y Editor de Texto con formato
1 Adobe Reader
PDF
Servicio de gestión de correos y
1 Office 365
almacenamiento en nube
Herramienta de creación y
1 Visual Studio Code
desarrollo de software
1 JavaScript Lenguaje de programación
1 Python Lenguaje de programación
Lenguaje de marcado para
1 HTML
desarrollo de páginas web.
1 PostgresSQL Motor de base de datos
Aplicación de gestión de reuniones
1 Microsoft Teams
de manera remota
Entorno de modelado y desarrollo

1 IBM Rational Software Architect
de arquitecturas de aplicaciones
Servicios 1 Servicio de Internet Proveedor de servicio de Internet

1 Servicio de Luz Proveedor de servicio de luz
Proveedor de servicio de agua
1 Servicio de agua
potable
19
Se muestra el análisis de la situación actual de la empresa la cual se detalla
los recursos tecnológicos disponibles.
Tabla 2: Recursos tecnológicos en GGP Automotriz
Medio Unidad Material Descripción

Procesador: Intel i7 9700k 3.6GHZ
Hardware 1 Ordenador de escritorio Disco de Estado Solido 256GB
Disco duro: 2TB
Tarjeta de video: RTX 2070 8GB
2 Tablet Apple iPadOS 14
3GB RAM
Smartphones que pueden
4 Smartphone
conectarse a internet.
Dispositivo proporcionado por el
proveedor de internet que permite la
1 Router ADSL
conectividad y salida a la nube de
internet.
Dispositivo que permite la
conectividad de dispositivos con
1 Switch interno
conexión Ethernet con el Router del
proveedor de internet.
Software 1 Windows 10 Professional Sistema operativo

Sistema de prevención y bloqueo de
1 Firewall
accesos no autorizados
Servicios 1 Servicio de Internet Proveedor de servicio de Internet

1 Servicio de Luz Proveedor de servicio de luz
1 Dominio web Proveedor de dominio web
20
Se muestra el análisis de los componentes pertenecientes a la solución.
Tabla 3: Componentes de la solución
Medio Material Descripción

Hardware Ordenador de escritorio Procesador: Intel i7 9700k 3.6GHZ
Disco duro: 2TB
Tarjeta de video: RTX 2070 8GB
Software JavaScript Lenguaje de programación

Python Lenguaje de programación
HTML Lenguaje de marcado para desarrollo de páginas web.
PostgresSQL Motor de base de datos
JSON Formato de texto diseñado para el intercambio de datos
HTTP Protocolo de intercambio de información
Apache 2 Servidor Web HTTP de código abierto
PostgresSQL Motor de base de datos
Ubuntu 18.04 Sistema operativo
21
1.6.2. Viabilidad Operativa
Para el desarrollo del presente trabajo de investigación, se debe
contar con tres recursos humanos, quienes cubrirán con los roles establecidos y
fueron necesarios para la ejecución del proyecto, según los requerimientos
presentados, permitiendo el logro de los objetivos planteados.
Tabla 4: Viabilidad Operativa
Rol Responsable Cant. Función

Dueño del Producto Martín Ghersi 1 Usuario del sistema
Equipo de desarrollo Marilyn Valverde 1 Analista/Desarrollador

Marcos Robles 1 Analista/Desarrollador
El proyecto desarrollado cuenta con un manual de usuario con el fin
de que los usuarios que utilicen el sistema puedan conocer las funcionalidades
del mismo y acceder de manera ordenada, dicho manual se encuentra ubicado
en el Anexo N° 18 “Manual de usuario”. Asimismo, el sistema es compatible en
los navegadores Google Chrome, Firefox, entre otras, en computadora de
escritorio, laptop o dispositivos móviles, siempre y cuando estos posean conexión
a internet; lo que permite un correcto y óptimo funcionamiento, preservando la
seguridad y fiabilidad de la información.
1.6.3. Viabilidad Económica
Con una duración aproximada de 4 meses (19 de septiembre del
2020 al 9 de enero del 2021), los costos asignados al proyecto se muestran en la
tabla 5. En este punto se detalla la relación-costo que presenta el trabajo de
22
investigación y el beneficio de la solución propuesta. Cabe resaltar que se cuenta
con herramientas de software a utilizar con licencia Open Source, la cual permite
el uso libre de costos de los mismos.
Tabla 5: Viabilidad Económica
Costo (S/.)
Recurso Unidades Tiempo
Mensual Total
Hardware Laptop 1 4 meses S/ 180.00 S/ 720.00
Ordenador de
1 4 meses S/ 250.00 S/ 1,000.00
escritorio
Subtotal Hardware S/ 1,720.00
Windows 10
Software 1 4 meses S/ 187.50 S/ 750.00
Professional
Microsoft Office 1 4 meses S/ 137.50 S/ 550.00
Ubuntu 18.04 1 4 meses S/ 0.00 S/ 0.00
Adobe Reader 1 4 meses S/ 0.00 S/ 0.00
Visual Studio Code 1 4 meses S/ 0.00 S/ 0.00
JavaScript 1 4 meses S/ 0.00 S/ 0.00
Python 1 4 meses S/ 0.00 S/ 0.00
PostgresSQL 1 4 meses S/ 0.00 S/ 0.00
Subtotal Software S/ 1,300.00
Servicios Conexión a internet 1 4 meses S/ 80.00 S/ 320.00

Servicio de Luz 1 4 meses S/ 60.00 S/ 240.00
Servicio de agua 1 4 meses S/ 48.00 S/ 192.00
Servicio de Dominio
1 4 meses S/ 50.00 S/ 200.00
Web
Subtotal Servicios S/ 952.00
Recursos Analista /
2 4 meses S/ 1,000.00 S/ 8,000.00
Humanos Desarrollador
Subtotal Recursos
S/ 8,000.00
Humanos
Subtotal S/ 11,972.00
10% imprevistos S/ 1,197.20
Costo Total del
S/ 13,169.20
Proyecto
23
El financiamiento del proyecto es autofinanciado en la totalidad por
los tesistas, con la finalidad de que este genere un aporte hacia la sociedad
mediante beneficios cualitativas, por ejemplo:
a) La empresa podrá realizar una buena toma de decisiones sobre la
cantidad de repuestos y accesorios automotrices a comprar.
b) Registrar, en un sistema, las compras y ventas realizadas en la
empresa, permitiendo llevar un control.
c) Permitir a la empresa incrementar sus ventas en base a las encuestas
realizadas y las ofertas creadas para el cliente.
1.7. Alcances y limitaciones
1.7.1. Alcances
El presente trabajo de investigación engloba el desarrollo de un
modelo de Machine Learning, aplicándolo en el ámbito de predicción de los
indicadores de demanda de los accesorios y repuestos automotrices, basándonos
en las cantidades reales de la empresa desde el año 2017 en adelante y en
encuestas realizadas; no se considerará otros segmentos y/o procesos de la
empresa en mención ya que no son relevantes en el proyecto.
1.7.2. Limitaciones
Las limitaciones que tendrá el presente trabajo de investigación son
los siguientes:
a) Se utilizó herramientas de software de libre acceso y con la versión
más adecuada para desarrollar el proyecto.
24
b) La data con la que se cuenta corresponde a los años 2017 en
adelante, año en que se creó la empresa.
c) El sistema web será únicamente de uso interno por las personas
encargadas y/o dueños de la empresa.
d) Los clientes están conformados por los consumidores finales y los
talleres automotrices.
25
CAPÍTULO II
MARCO TEÓRICO
2.1. Antecedentes de la investigación
2.1.1. Antecedentes Nacionales
Montenegro C. (2019) analiza la manera más adecuada que permita
predecir las ventas de medicamentos del departamento de cardiología de la
empresa Botica San Carlos. Por esta razón, se analizó los datos históricos de
ventas para verificar el patrón de series temporal y de esta manera, escoger la
metodología más adecuada para dicha serie. De acuerdo con el método de series
temporales y casos asistidos por computadora, se examinaron los productos de
cardiología de cuatro series de tiempo, para el periodo 2014 – 2017 que más
contribuyeron a las ventas de la organización, mediante el método ABC, fueron
seleccionados los productos. Se identificó que la metodología de series de tiempo
es el más indicado para analizar estas series, comparando el método de
pronóstico más preciso para cada serie. Asimismo, se evaluó el modo de
pronóstico para lograr una mejor gestión del inventario. Los resultados muestran
que el modelo de pronóstico más eficaz para cada fármaco, estimando su
tendencia en 12 meses.
26
Mendoza C. & Torres C. (2017) plantea una importante herramienta
como lo es el modelo de negocio “Business to business” (B2B) ligado al e-
commerce y vinculado a la cadena de abastecimiento del sector automotriz con
la finalidad de generar una ventaja competitiva frente a los demás y, en
consecuencia, estimular el crecimiento de la empresa. La globalización ha
permitido que el “Business to business” (B2B) del e-commerce tome una
relevancia importante dentro de una empresa y no se convierta solamente en un
valor agregado que se deba desarrollar. Asimismo, se debe enfocar en cómo
sofisticar y mejorar la cadena de abastecimiento con el fin de simplificar procesos
a través de la eficacia y la eficiencia, aunado a la estrategia que desarrolle la
empresa a lo largo del tiempo para la consecución del éxito y la innovación.
Finalmente, a pesar de existir algunas interrogantes respecto al funcionamiento
de la relación del “Business to business” (B2B) del e-commerce y el sector
automotor, se demostró con claridad las variables a tratar (B2B E-commerce y
Cadena de abastecimiento) y la razón por la cual las empresas pueden decidir si
utilizar o no esta herramienta en dicho sector.
2.1.2. Antecedentes Internacionales
Villacís G. (2018). Actualmente, cada vez más empresas se dedican
a actividades comerciales y para mejorar la competitividad, deben ingresar al
campo del comercio electrónico. En este caso, la tienda virtual es una herramienta
técnica imprescindible porque es posible ganar más cuota de mercado y lograr
realizar grandes transacciones de venta e implementar técnicas de marketing de
manera personalizada. Se desarrolló un sistema web que permita automatizar el
27
proceso de promoción de productos personalizados en las tiendas virtuales,
eligiendo a la empresa Deporpas S.A. que se dedica a la importación y
exportación de accesorios y repuestos automovilísticos, implementando una
tienda virtual y su correspondiente panel de gestión, en el lenguaje de Java y
JavaScript. Para brindar recomendaciones de compra, se revisó la literatura de
aprendizaje automático utilizada en el sistema de recomendación y se diseña un
modelo. El modelo se utiliza para generar recomendaciones basadas en datos y
características de compras de clientes anteriores utilizando algoritmos.
Garcés, H. (2020). El mundo actual está experimentando una
transformación digital. Sectores como el financiero, el comercio, la logística, la
tecnología y las telecomunicaciones están adoptando herramientas innovadoras
que les permiten predecir situaciones probabilísticas y prepararse de alguna
manera para enfrentar cualquier situación adversa y así reducir el riesgo. La
inteligencia artificial ha causado gran impacto en las últimas décadas, por ser uno
de los conceptos más novedosos ya que utiliza bases de datos enormes que
permiten optimizar la capacidad de predecir las necesidades de las empresas.
Machine Learning permite optimizar recursos, este aprendizaje automático utiliza
gran cantidad de información para calcular todas las situaciones posibles,
reduciendo al máximo las capacidades de probabilidad, permitiendo predecir la
demanda de productos perecederos, debido a que la investigación de aplicación
en la producción industrial o la industria de la panificación no está clara. El análisis
se llevará a cabo utilizando Big Data de una empresa de panadería y estudios
previos sobre la vida del producto.
28
Montes J., Drolas A., Luna M., Spinosa L. & Delfini M. (2020). El
impacto de la pandemia generada por el COVID-19 en el sector automotriz ha
tomado como como punto de partida el estudio de las estrategias empleadas por
las empresas terminales, así como las fábricas de autopartes con el fin de
gestionar la fase de apertura y cierre de las empresas.
Las medidas optadas sobre el aislamiento social obligatorio
incluyeron el cierre de las empresas consideradas no esenciales, tales como las
de producción de automóviles, terminales y autopartes.
Para proceder con el reinicio de las labores, las organizaciones
optaron por distintas medidas para las autopartes y terminales automotrices.
Dichas medidas implican diversos cambios organizativos y en los espacios de
producción, así como protocolos relacionados con la entrega de autopartes.
Valkov, V. (2019). Analiza la manera de cómo utilizar los datos
registrados frente a un sistema de bicicletas publicas compartidas, la cual es un
servicio en el que las bicicletas se encuentran disponibles para su uso compartido
para las personas frente a un corto plazo y un precio determinado. El objetivo
principal radica en la predicción del número de la demanda a futuro de las
bicicletas publicas únicamente con los datos históricos registrados de las
adquisiciones de estas. En el trabajo de investigación se utilizó las redes
neuronales, junto con la extensión LTSM (Long-Term Short Memory) y la librería
Keras, la cual proporcionaron un buen desarrollo frente a la predicción de la
demanda de las bicicletas publicas compartidas obteniendo como resultado una
predicción acorde a los datos registrados con anterioridad.
29
Bouktif S., Fiaz A., Ouni A., Serhani M. (2020). La previsión oportuna
de la carga eléctrica a corto plazo representa un papel crucial para las
organizaciones públicas, ya que esta permite la operación y gestión eficiente de
las redes eléctricas, otorgando un equilibrio optimo entre la producción y la
demanda, así mismo la reducción de los costos de producción. En este trabajo de
investigación se utilizó las redes neuronales recurrentes junto con la arquitectura
LSTM, aplicándolos en una configuración optima, la cual proporciona en la
descripción de los patrones de consumo energético, obteniendo un análisis
estadístico del modelo de aprendizaje y unos resultados más precisos que los
modelos de aprendizaje automáticos de referencia.
Bandara K., Shi P., Bergmeir C., Hewamalage H., Tran Q., Seaman
B. (2019) Analiza la tecnología actual de vanguardia, que genera pronósticos
considerando solo los datos históricos de ventas de un solo producto, sin
embargo, en situaciones en las que se dispone de un gran número de series de
tiempo correlacionadas, puede resultar útil establecer las condiciones de
pronóstico para una sola serie de tiempo con el comportamiento pasado de series
de tiempo correlacionadas similares. Se logró a través de la extensión LSTM, que
aprovecha las relaciones de demanda no lineales disponibles en la jerarquía de
clasificación de productos de comercio electrónico. En el caso de los modelos de
ventas completamente diferentes para toda la cartera de productos, también se
efectuó una propuesta de varias estrategias de agrupación para complementar el
aprendizaje de LSTM. Asimismo, se realizó una evaluación empírica del marco
de pronóstico, por lo que se obtuvo resultados competitivos tanto a nivel de
categoría como a nivel de supermercado, superando la última tecnología.
30
2.2. Bases teóricas
2.2.1. Reglas del negocio
Dentro de la empresa GGP automotriz se cuenta con distintas reglas
internas del negocio que soportan los siguientes Procesos Core:
Tabla 6: Reglas del negocio
REGLAS PROCESOS
Devolución de productos
Importación de productos
importados
Garantía de producto vendidos Venta de productos
Devolución de productos importados
En la empresa se maneja una regla de negocio que soporta al
proceso de Importación de productos detallado en el Anexo 2, si en caso se
observa que la mercadería recepcionada en las agencias de Aduaneras de Lima
Perú, se encuentra algún hallazgo u observación de algún producto en malas
condiciones, no concuerdan las cantidades o no corresponde los productos
detallados en la guía de remisión; se procede a ejecutar la regla de negocio de
Devolución de productos importados, la cual se brinda la no conformidad de los
productos en la agencia aduanera y se procede a contactar con el proveedor e
indicarle los hallazgos u observaciones encontradas en la mercadería y se solicita
la devolución de dicha mercadería con la finalidad de subsanar la orden de
compra. Posterior a ello, el proveedor recibe la solicitud de devolución y se
procede a la evaluación del mismo; el proveedor envía la reposición de la
31
mercadería afectada y se vuelve a corroborar los productos para brindar la
conformidad, si en caso no corresponde se procede a ejecutar la regla de negocio,
caso contrario, si todo se encuentra en óptimas condiciones, se brinda la
conformidad.
Garantía de productos vendidos
La empresa cuenta con la regla de negocio de Garantía de productos
vendidos la cual soporta el proceso de Venta de productos, la cual se ejecuta si
en caso un producto adquirido por un cliente presenta fallas o inconvenientes,
este lo reporta, la empresa recibe el producto para la verificación correspondiente;
si en caso es una falla de fábrica se procede con el cambio respectivo cubriéndolo
por la garantía respectiva; caso contrario, si se determina que es por negligencia
del usuario, se procede a notificar al cliente que el producto presenta un fallo por
negligencia de uso y se procede a comunicar que para este caso no cubre la
garantía del producto.
2.2.2. Logística
La logística son todas las operaciones que permiten que los
productos lleguen a los consumidores desde el lugar donde se obtienen las
materias primas hasta el lugar de producción.
Son principalmente el transporte, almacenamiento y distribución de
productos en el mercado. Por tanto, la logística se considera una operación ajena
a la fabricación primaria de productos. En este sentido, suele ser uno de los
departamentos de la empresa los que se externalizan o subcontratan.
32
El propósito de la logística es proporcionar los productos requeridos
a los consumidores en la cantidad correcta en el momento correcto y en la
cantidad correcta en el mejor punto de venta, y completar todas estas tareas al
menor costo.
Funciones de la logística
La logística incluye algunas actividades que pueden lograr sus
objetivos:
a) Procesamiento de pedidos: todo el contenido relacionado con
pedidos de compra.
b) Manipulación de materiales: incluye todos los métodos de material
para mover productos en el almacén y entre el almacén y el punto de
venta (cinta, transportador, carretilla elevadora, etc.).
c) Envasado: sistema de protección y conservación del producto.
d) Transporte de carga: Determine el método material de transporte de
los productos (camión, tren, barco, etc.) y planifique la ruta con el
menor costo posible.
e) Almacenamiento: la ubicación del producto, el tamaño y las
características del almacén.
f) Control de inventario: determine que el vendedor debe tener un
inventario de productos disponible para la venta.
g) Atención al cliente: Incluye los servicios y medios requeridos por los
clientes para adquirir productos.
33
2.2.3. ERP
Un sistema ERP (‘Enterprise Resource Planning’ o ‘Planificación de
Recursos Empresariales’) es un conjunto de aplicaciones de software integradas
que nos permiten automatizar la mayoría de las prácticas comerciales
relacionadas con la operación o producción de la empresa, promoviendo y
centralizando la información en todas las áreas que la conforman: compras,
producción, logística, finanzas, recursos humanos, marketing. Marketing, servicio,
proyectos y atención al cliente.
Algunas de las principales características del software ERP son su
modularidad y escalabilidad, es decir, siempre puede implementar las funciones
requeridas por la empresa sin limitar o distraer el crecimiento o la demanda
futuros, asegurando así la inversión desde el principio.
2.2.4. Repuestos automotrices
Los repuestos automotrices son auto-partes que reemplazan ciertas
partes de un determinado modelo y marca de auto.
Cabe resaltar que cada pieza que forma parte de un automóvil tiene
una vida útil aproximada por la cual es recomendable realizar los mantenimientos
preventivos con la finalidad de posponer la vida de dichos productos, de lo
contrario se tendrá que hacer una reposición de la misma.
34
Tipos de repuestos automotrices
Los automóviles, día a día se encuentran expuestos a sufrir algún
percance o fallo o incluso involucrarse en algún accidente de tránsito;
dependiendo del nivel del daño, se requiere el reemplazo de piezas, por lo que
para los fabricantes y talleres automovilísticos es sumamente importante tratar de
devolver el automóvil en sus condiciones de fábrica.
35
Tabla 7: Tipos de repuestos automotrices
REPUESTOS ALTERNOS Y
REPUESTOS ORIGINALES
AFTERMARKET
En el ámbito de los repuestos originales, Dentro del mercado automovilístico

los grandes fabricantes de automóviles podemos encontrar la venta de repuestos
mantienen como prioridad garantizar la alternativos, que tienen gran importancia al
accesibilidad de las partes requeridas de momento de realizar un proceso de
Definición cambio ya sea para una sustitución parcial reparación. Para este caso, los repuestos
o completa; cumpliendo con la demanda alternativos se fabrican por mano de obra
del mercado y la adaptación de la pieza. nacional e inclusive más barato, y por esta
razón se diferenció en dos grupos:
repuestos importados y repuestos
nacionales.
✓ La procedencia o país de fabricación ✓ Procedencia o país de fabricación
¿Por qué optar ✓ Casa matriz o fabricante ✓ Importador directo
por esta pieza ✓ Ensambladora o importador oficial ✓ Distribuidor
de cambio? ✓ Distribuidor oficial
Repuestos originales versus alternativos
Dentro del mercado de los repuestos automotrices se puede
encontrar varios proveedores para una misma pieza y en ciertas ocasiones resulta
complicado diferenciar entre un repuesto original y uno alternativo.
En este caso cuando se habla de procedencia nos podemos
encontrar con una diversificación de países, ya sean españoles, turcos,
argentinos, taiwanés, brasilero, entre otros.
Los puntos por la cual diferenciar entre un repuesto original y un
alternativo son:
36
Tabla 8: Repuestos originales vs alternativos
REPUESTOS ORIGINALES VS REPUESTOS

ALTERNATIVOS
ITEM ORIGINALES ALTERNATIVOS
La vida útil de los repuestos La vida útil de los repuestos

originales tienden a tener alternativos, es menor comparado
DURABILIDAD mayor durabilidad y con uno original; tienden a
confiabilidad en la producción presentar fallos en un periodo de
del producto tiempo corto
El acabo superficial de un
ACABO repuesto original tienen a ser Presenta generalmente acabados
SUPERFICIAL un estilo más detallado y de baja calidad
presentado
La tendencia de precio suele El precio tienden a ser más baratos

PRECIO
ser más elevado en relación a los originales
En algunos casos, acceder a

La accesibilidad tienden a ser más
ACCESIBILIDAD los repuestos originales suele
factible
ser escasos
2.2.5. Accesorio automotriz
Es aquel objeto o elemento que, aunque no realiza una función básica
en el automóvil, puede formar parte de este. Se define también como el
complemento necesario y compatible para realizar funciones que son efectuadas
a través de conexiones electrónicas y mecánicas.
La variedad de accesorios que posee un coche pueden clasificarse
de la siguiente manera:
37
Accesorios exteriores
Accesorios que embellecen el vehículo con el fin de que sea más
atrayente y llamativo. A continuación, se detalla los más notables:
a) Faldón: Elemento que se ubica en la parte baja del automóvil, dándole
un estilo deportivo en la parte inferior. Existen distintos tipos que se
ubican en los paragolpes anterior y posterior, así como encima de los
estribos debajo de la puerta.
b) Aletines y kits de ensanchamiento: Piezas que son colocadas sobre
las ruedas delanteras y traseras con el fin de darle mayor vistosidad.
c) Protector de faros: Tipo de máscaras que cubren, de manera parcial,
la tulipa de los faros delanteros.
d) Rejillas: Son rejillas que sustituyen a las rejillas plásticas de origen de
los parachoques y las calandras para darle un aspecto más deportivo
al vehículo.
e) Vinilos: Permiten embellecer el automóvil, decorándolo con
adhesivos de marcas o motivos relacionados.
Accesorios interiores
Accesorios que tienen como objetivo la personalización y la mejora
del confort del interior del vehículo.
Los accesorios más populares son:
a) Alfombrillas de aluminio
b) Reloj para el control de parámetros del motor
c) Cubrecinturones
d) Asientos deportivos
38
Accesorios de sonido, multimedia y navegación
a) Accesorios cuyo objetivo es mejorar el equipo de sonido de un
vehículo y complementan la personalización. Lo más conocidos son:
b) Autorradios: Estos dispositivos permiten sintonizar radio, conectar el
teléfono o una unidad externa de almacenamiento extraíble (USB),
entre otras funciones.
c) Altavoces: Se dividen en altavoces de vías separadas y altavoces
coaxiales, y vienen provistos de una potencia máxima y real
determinadas.
d) Amplificadores: Aumentan la potencia del equipo de sonido a través
de la amplificación de la señal que recibe.
Accesorios de mecánica
a) Accesorios destinados a brindarle una imagen deportiva a ciertos
elementos. Los más populares son:
b) Llantas de aleación ligera de aluminio o magnesio
c) Embellecedor cromado para las colas de escape
d) Tapones de válvula decorativos
2.2.6. Importación
La demanda de productos y servicios por los consumidores finales
aporta nuevas oportunidades de negocio a empresas dispuestas a importar.
La razón por la cual se realiza una importación es por dos motivos: la
escasez de producción de un determinado producto en el mercado consumidor y
39
el bajo costo de importar un determinado producto debido a que los costos de
producción son altos en el país a tratar.
El proceso de importación no solo las realiza las grandes empresas,
si no también personas físicas, micro empresas y pymes; estas pueden efectuar
sus procesos de importación; y como punto importante se requiriere tiempo para
el proceso de importación, preparación y dedicación, inclusive se tiene que tener
cierto aprendizaje y capacitaciones frente a los procesos de importación debido
que pueda contraer algún percance aduanero y se debe de tener conocimiento
sobre el tratamiento del mismo.
Bases conceptuales
2.2.7. Open Source
El software de Open Source (código abierto) está diseñado para
hacerlo accesible al público: todos pueden ver, modificar y distribuir el código de
la forma que mejor les parezca.
El software de código abierto se desarrolla de manera
descentralizada y colaborativa, por lo que se basa en la revisión por pares y la
producción comunitaria. Además, generalmente es más económico, flexible y
duradero que sus alternativas propietarias, porque es la comunidad la
responsable de su desarrollo, no un solo autor o una sola empresa.
40
2.2.8. Sistema de predicción
Un sistema de predicción contiene técnicas que interactúan entre si
construyendo y estudiando nuevas previsiones a través de una rama de lo que se
conoce como Inteligencia Artificial, estos sistemas de predicción se encuentran
altamente capacitados para realizar predicciones como errores de fabricación,
predicciones meteorológicas, fraude, entre otros.
Los sistemas de predicción ofrecen la capacidad de un aprendizaje
para lograr predicciones con precisión a base de sistemas nuevos, y para ello se
hace uso de diferentes técnicas de aprendizaje, dentro de ellas tenemos a las
redes neuronales, máquinas de vectores de soporte, árbol de decisiones o
herramientas de agrupamiento; para poder obtener una predicción acertada.
2.2.9. Machine Learning
El Machine Learning conocido como aprendizaje automático tiene
como objetivo principal identificar automáticamente patrones o tendencias en los
datos mediante diferentes algoritmos. Por tanto, es importante no solo seleccionar
el algoritmo más adecuado (y la parametrización posterior para cada problema
específico), sino también tener una gran cantidad de datos de calidad suficiente
para que el aprendizaje sea mucho más eficiente.
41
Figura 12: Machine Learning
Fuente: Bookdown (s.f.)
Aprendizaje supervisado
Dentro del uso de los algoritmos del Machine Learning podemos
encontrar el uso del aprendizaje supervisado, que es el entrenamiento y
aprendizaje de los algoritmos con la finalidad de que se pueda realizar la
predicción de resultados.
Para este proceso de aprendizaje se requiere la intervención humana
para poder etiquetar, clasificar e ingresar la información en el algoritmo, para que
este pueda aprenderlo y procesarlo, generando los datos de salida esperados.
Aprendizaje por regresión
El uso del aprendizaje supervisado por regresión tiene como finalidad
un valor especifico, donde la información ingresada por la intervención humana,
suelen ser generalmente un valor numérico y mediante las preguntas
42
(características) y las respuestas (etiquetas) se obtiene la combinación y se
pueda la predicción.
Figura 13: Aprendizaje por regresión
Fuente: Medium (2018)
Redes Neuronales
Las redes neuronales son capaces de imitar el funcionamiento y
comportamiento de las redes neuronales de los organismos y presenta un
concepto de redes conectadas entre sí como objetivo de aprender y realizar
tareas.
Funcionamiento de las redes neuronales
Las redes neuronales se basan principalmente en parámetros
combinados con la finalidad de predecir un resultado a base de un entrenamiento
de la misma red.
43
El funcionamiento de las redes neuronales se asemeja mucho al
funcionamiento del cerebro humano, para el caso de las redes neuronales, estas
reciben una serie de valores de entrada y cada uno de estos valores de entradas
llega a un nodo llamado neurona. Estas neuronas se encuentran agrupadas en
capas que conforman toda la red neuronal y cada una de las neuronas de la red
contiene su valor numérico, con el que le permite modificar la entrada recibida y
con ello los nuevos valores se obtienen de las neuronas y continúan su ejecución
por la red.
Figura 14: Función de Red Neuronal
Fuente: Atria Innovation (2019)
En el momento que se ha realizado el final de la red se obtiene la
predicción calculada por la red que es también el resultado del trabajo de la
información. Si en caso la red neuronal contiene más capas, la red será más
compleja sea.
44
Entrenamiento de las redes neuronales
El entrenamiento de una red neuronal consiste principalmente en la
modificación de los valores de sus neuronas con la finalidad de extraer los
resultados deseados, por lo que se debe de introducir datos de entrenamiento a
la red, siempre en relación al resultado que se desea obtener, modificar los
valores y las neuronas según el valor o resultado obtenido; con este proceso se
lora que la red aprenda y conseguir un modelo con la capacidad de obtener
resultados acertados incluso con información diferentes a lo que se utilizó durante
el entrenamiento.
Figura 15: Red Neuronal Profunda
Fuente: Código Fuente (2019)
Long Short-Term Memory (LSTM)
El LSTM es un tipo de Redes Neuronales Recurrentes (RNN), capaz
de recordar un dato relevante en la secuencia y de preservarlo por varios
instantes de tiempo, es decir, recordar información durante largos periodos de
45
tiempo y utilizarla para decidir cuál será la siguiente. Fueron introducidos por
Hochreiter y Schmidhuber en el año 1997 y, con el paso del tiempo, se fue
perfeccionando para los trabajos posteriores.
El LSTM tiene la capacidad de eliminar o agregar información al
estado de la celda, estas poseen 2 entradas (data actual, estado oculto anterior)
y dos salidas (predicción y valor actualizado oculto), regulada cuidadosamente
por estructuras llamadas compuertas.
Figura 16: LSTM Networks
Fuente: Gers, Et al. (2015)
Debido a su eficacia en amplias aplicaciones prácticas, las redes
LSTM han recibido una extensa cobertura en revistas, blogs técnicos y guías de
implementación. Alex Sherstinsky, en su trabajo de invesitación titulado
“Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory
(LSTM) Network”, explica los principios básicos de las Redes Neuronales
Recurrentes (RNN) y la extensión Long Shot-Term memory (LSTM). Del concepto
de procesamiento de señales, se deriva la fórmula de especificación RNN de la
ecuación diferencial, posterior a ello se crea y se prueba una declaración precisa
46
que produce la técnica de implementación de RNN, por otro lado, se revisa las
dificultades de entrenar RNN estándar y resolverlas convirtiendo las RNN en
redes "Vanilla LSTM" a través de una serie de argumentos lógicos; se proporciona
todas las ecuaciones relacionadas con el sistema LSTM y una descripción
detallada de sus entidades constituyentes. Como parte del análisis, se descubrió
nuevas oportunidades para enriquecer los sistemas LSTM, medir la efectividad
de la puerta de entrada externa para ayudar a eliminar el contenido no esencial
de las secuencias de entrada e incorporar estas extensiones en la red Vanilla
LSTM, lo que resultó en la variante LSTM más versátil hasta la fecha según el
estudio.
2.2.10. RUP
Las siglas de RUP que en ingles corresponde a Rational Unified
Process (Proceso Unificado de Rational), es un producto del proceso de
ingeniería de software la cual brinda un enfoque disciplinado con la finalidad de
asignar tareas y responsabilidades dentro del desarrollo.
Dimensiones de la metodología RUP
La metodología RUP presenta dos dimensiones:
a) El primer eje (eje horizontal) corresponde al tiempo y demuestra los
aspectos del ciclo de vida del proceso de desarrollo.
b) El segundo eje (eje vertical) representa a las disciplinas que se
agrupan en actividades estructuradas lógicamente por la naturaleza
del proceso.
47
c) La primera dimensión corresponde al aspecto dinámico del proceso y
se expresa en fases; la segunda corresponde al aspecto estático del
proceso que se describe en termino de componentes del proceso, las
disciplinas, actividades, artefactos y roles.
En la figura 17 se muestra la variación de énfasis de cada disciplina
en un determinado tiempo y secuencialmente en cada una de las fases; como por
ejemplo en las iteraciones tempranas, se requiere más tiempo en la disciplina de
requerimiento y en las ultimas iteraciones se requiere más tiempo en poner en
practica la realización del trabajo de investigación.
Figura 17: Disciplinas de la Metodología RUP
Fuente: Metodoss (s.f)
Fases de RUP
Dentro de la metodología de RUP, se contiene cuatro fases
secuenciales detalladas en la figura 22. En cada fase se ejecuta una evaluación
para comprobar si los objetivos de la fase se han logrado. Una evaluación y
48
resultados satisfactorios permite que el trabajo de investigación se mueva a la
próxima fase.
Figura 18: Fases de la Metodología RUP
Fuente: Un poco de Java (2012)
Fase de Inicio
Dentro de esta fase, se establece el caso del negocio para el sistema
y se delimita a su vez el alcance del proyecto, para ello es necesario identificar
todas las entidades con las que el sistema va a hacer la interacción con los
actores y posterior a ello se define la naturaleza de dichas interacciones; por lo
que implica identificar todos los casos de uso y describir lo más significativos del
negocio.
Fase de Elaboración
Dentro de esta fase, el objetivo principal es analizar el dominio del
problema, definir la arquitectura, desarrollar el plan del proyecto y eliminar los
elementos que contentan el mayor riesgo para el proyecto. Para lograrlo, se debe
de contar con una vista completa del sistema.
49
Fase de Construcción
Dentro de la fase de construcción, todos los componentes que faltan
y las características de la aplicación se desarrollan e integran en el producto, así
como las pruebas correspondientes. Así mismo se considera un proceso de
manufactura con el objetivo de optimizar y controlar los recursos, operaciones,
costos, programaciones y la calidad del proyecto.
Fase de Transición
Dentro de la fase de transición, consiste en la transición del producto
de software hacia el negocio. Se presenta cuando una línea base se encuentra
avanzada para ser desplegada en el dominio del negocio o usuario final. Para ello
se requiere casi siempre que algunos subconjuntos del sistema estén
completados a un nivel aceptable de calidad.
Disciplinas de RUP
Las disciplinas que se encuentran dentro de RUP conllevan los flujos
de trabajo, las cuales permite una secuencia de pasos para la culminación de
cada disciplina; estas se encuentran divididas en dos grupos: las disciplinas
primarias y las disciplinas de apoyo. Las disciplinas primarias son necesarias para
la ejecución y desarrollo del proyecto de software, frente a proyectos no muy
grandes se pueden omitir algunas; para este trabajo de investigación se
contemplarán las siguientes disciplinas:
a) Modelado del negocio
b) Requerimientos
c) Análisis y diseño
50
d) Desarrollo
e) Pruebas
Por otro lado, las disciplinas de apoyo tienen como objetivo brindar el
apoyo necesario hacia las disciplinas primarias; para este trabajo de investigación
no se efectuarán disciplinas de apoyo.
2.2.11. CRISP-DM
La metodología CRISP-DM trata el proceso de análisis de datos como
un proyecto profesional, estableciendo así un entorno más rico para el modelado
de impacto. Este contexto considera la existencia de clientes que no pertenecen
al equipo de desarrollo, y que el proyecto no solo no se completa después de
encontrar el modelo ideal (porque necesita ser implementado y mantenido
posteriormente) sino que está relacionado con otros proyectos y necesita ser
documentado a fondo para otros. El equipo de desarrollo puede utilizar y
desarrollar conocimientos.
La metodología CRISP-DM establece un proyecto de minería de
datos como una secuencia de fases alineadas a este trabajo de investigación:
Comprensión del negocio: Comprender los objetivos y requisitos del
proyecto desde una perspectiva empresarial para traducirlos en objetivos técnicos
y planes del proyecto.
Compresión de los datos: Incluye la recolección de datos inicial para
establecer el primer contacto con el problema, familiarizarse con el problema,
determinar su calidad y establecer la relación más obvia para que se pueda definir
la primera hipótesis.
51
Preparación de los datos: Efectuar la recogida de datos inicial, está
preparado para adaptarlo a las técnicas de minería de datos o de machine
learning que se utilizarán en el futuro, que pueden ser técnicas de visualización
de datos, búsqueda de relaciones entre variables u otras medidas de utilización.
Modelado: Elegir la técnica de modelado más adecuada el desarrollo
de minería de datos o de machine learning, las cuales puedan cumplir tanto para
el negocio como para el proyecto.
Evaluación: Evaluar el modelo, considerando el logro de los criterios
de éxito del problema. También se debe considerar que la confiabilidad calculada
para el modelo solo se aplica a los datos sobre los que se analiza.
Figura 19: Metodología CRISP-DM
Fuente: Data mining
52
2.3. Definición de términos básicos
• Algoritmo: Serie de instrucciones que brindan solución a determinados
inconvenientes o dilemas, utilizando datos de entrada adecuados. Así
como también, operaciones sucesivas que permiten conseguir el resultado
final a un problema en específico.
• Regresión: El propósito de los algoritmos de aprendizaje supervisado,
como algoritmo de regresión, es establecer un método para determinar la
relación entre una cantidad de características y una variable constante.
• Capa de entrada: Está constituido por varias neuronas que reciben la señal
de entrada, ya sea datos o señales provenientes del exterior.
• Capa oculta: Es la capa que se encarga de procesar la información y
transmitirla a la siguiente capa, no tiene una conexión directa con el
exterior.
• Capa de salida: Conformado por varias neuronas que transmite la repuesta
de la red neuronal.
• Oferta: Capacidad que poseen las empresas, organizaciones o personas
de vender sus productos dentro de un tiempo y espacio establecido, con
un valor monetario que permita satisfacer las necesidades de los clientes.
• Predicción: Es un proceso en el que se analiza y recopila data para estimar
qué sucederá en el futuro con ciertos factores en una situación incierta. Se
definen tres áreas principales: el período de pronóstico, las variables
específicas que se van a predecir y la técnica de pronóstico que se utilizará.
53
CAPÍTULO III
METODOLOGÍA
3.1. Diseño Metodológico
Hoy en día, las empresas requieren el desarrollo de un software, en donde
se pueda visualizar las responsabilidades designadas, puntos a tratar, flujos de
trabajo, herramientas, entre otros. Por lo que se necesita aplicar métodos de
desarrollo de software adecuados, y para ello existen metodologías tradicionales
y ágiles.
Se realizó una comparativa entre las metodologías tradicionales y agiles,
con la finalidad de seleccionar la más óptima para el presente trabajo de
investigación.
54
Tabla 9: Comparativa de metodologías
Metodología Tradicional Metodología Ágil
Es apropiado para proyectos con Es apropiado para proyectos con

requerimientos definidos. alcance variable.
Orientado para proyectos de cualquier

Orientada a proyectos pequeños.
tamaño.
Problemas de adaptación a proyectos Problemas de escalabilidad en

pequeños proyectos grandes.
Proyectos de cualquier duración. Proyectos de corta duración.
Documentación bien definida. Poca documentación.
Asignación de roles y
Pocos roles y más genéricos.
responsabilidades.
Cliente informado mediante reuniones. Cliente parte del equipo.
La arquitectura se redefine y se mejora a

Arquitectura predefinida.
lo largo del proyecto.
Énfasis en la definición del proceso: Énfasis en los aspectos humanos: el

roles, actividades y documentación. individuo y el trabajo en equipo.
Tras la comparativa de las metodologías descritas anteriormente, para este
trabajo de investigación se realizará bajo el desarrollo de la metodología
tradicional RUP la cual proporciona claramente la trazabilidad del software creado
a partir de los requisitos capturados, la conversión del software a los requisitos,
al proceso de implementación y prueba, por lo tanto, claramente identifica todo el
contenido involucrado, ya través de roles, cada uno de ellos tiene el mismo
desarrollo y responsabilidades.
55
Para el desarrollo del sistema web y del machine learning se mantuvo un
enfoque metodológico donde se realizó varias etapas del proyecto. Cada fase fue
ejecutada una vez y los resultados obtenidos se utilizó como hipótesis inicial para
la siguiente etapa, de tal manera que, al inicio de las etapas se debe esperar al
final de la etapa anterior. Frente al desarrollo del sistema web se utilizará la
Metodología RUP; y para el caso del desarrollo del machine learning se usará la
Metodología CRISP-DM, que esta se encuentra incorporada dentro de las etapas
de la metodología RUP.
Para este trabajo de investigación, la metodología RUP se encuentra
limitada debido al tiempo la cual fue desarrollada.
3.1.1. Modelado del negocio
En esta disciplina se realizó la comprensión de la estructura de la
empresa, así como los procesos del negocio.
Se obtuvo como resultado los siguientes artefactos:
a) Modelo de CU (Caso de Uso) del Negocio
b) Especificaciones de CU del Negocio
c) Modelo de Objetos del Negocio
d) Diagramas de Actividad.
56
3.1.2. Requerimientos
En esta disciplina se estableció lo que el sistema debe hacer, definir
los límites del sistema donde se especifica los requerimientos funcionales y no
funcionales las cuales son considerados en el desarrollo de la solución.
3.1.3. Análisis y diseño
Análisis y diseño del sistema web
Se realizó el análisis y diseño del sistema a desarrollar donde se
obtuvo como resultado los siguientes artefactos:
a) Diagrama de Paquetes del sistema
b) Diagrama de Actores del sistema
c) Diagramas de CU del sistema
d) Modelo de CU del sistema
e) Especificaciones de los CU del sistema
f) Modelo de Despliegue
g) Diagrama de Arquitectura Lógico
h) Modelo de Componentes
i) Modelo de Datos Lógicos
j) Diccionario de Datos
Análisis y diseño del machine learning
Dentro de este apartado se detalla la fase de la Comprensión del
Negocio que pertenece a la Metodología CRISP-DM, la cual se encuentra
incluida en la disciplina de Análisis y Diseño de la Metodología RUP, debido a un
mejor orden y flujo del desarrollo del trabajo de investigación.
57
Se efectuó el análisis y diseño del machine learning contemplando la
fase de Comprensión del Negocio junto con las siguientes actividades:
Comprensión del negocio
Para la primera etapa se inició con una fase de análisis, cuya finalidad
fue determinar los objetivos y los requisitos del proyecto frente a una perspectiva
para el negocio incluyendo estudios de viabilidad y definición de requisitos, así
mismo se realizó un estudio de los procesos principales de la empresa, así como
también las reglas internas del negocio con la finalidad de comprender las
actividades internas de la empresa; por otro lado, se realizó un modelo de la
demanda de inventario de los repuestos automotrices con la finalidad de
comprender dichas actividades de la empresa y analizar los problemas más
relevantes mediante estadísticas.
Objetivos del negocio
El objetivo del uso del sistema web y del Machine Learning frente a
este trabajo de investigación es el de poder realizar la compra oportuna del stock
mediante la predicción de las ventas, así mismo poder crear ofertas
personalizadas mediante la identificación de las necesidades y/o preferencias de
los clientes mediante la captura y análisis de la información con la finalidad de
incrementar las ventas dentro de la empresa.
58
Evaluación de la Situación
Se efectuó el análisis de la situación actual de la empresa, por lo que
se obtuvo los siguientes resultados:
La empresa cuenta con un servidor web con las siguientes
características:
a) Procesador: Intel i7 9700k 3.6GHZ
b) Memoria RAM: 16GB DDR4
c) Disco de Estado Solido: 256GB
d) Disco duro: 2TB
e) Tarjeta de video: RTX 2070 8GB
Dentro de la empresa se cuenta con una base de datos ejecutado
bajo la plataforma Microsoft Excel; dicha base de datos consiste en un inventario
general de todos los repuestos y accesorios automotrices; así mismo se cuenta
con el registro de todas las entradas y salidas de productos. La información se
encuentra detallada frente a cada ámbito y finalidad de esa base de datos.
La fuente de los datos es a base de las ventas realizadas desde el
año de fundación de la empresa (2017) hasta el 2020 (con fecha de corte al 31
de mayo del 2020). Asimismo, se efectuó una evaluación para la elección del
software de logística que debe de cubrir con las necesidades del negocio;
realizando una comparativa de los distintos softwares libres de logística, tal como
se muestra a continuación.
59
Se obtuvo una lista de los softwares de logística:
a) Tryton: Software de logística libre con funcionalidades en la gestión
de compras y ventas, inventario, administración de proyectos, control
de cadenas de manufactura o suministro, gestión de transportes,
comunicación con entidades bancarias, etc.
b) MedeaGes: Software de logística libre para la gestión de almacenes,
transportes y logística. Las funcionalidades adicionales que ofrece
son la gestión de pedidos, proveedores, compras, movimientos de
mercancías en almacenes, movimientos entre almacenes, envío de
presupuestos, facturación, elaboración de informes, etc.
c) Oratio: Software de logística libre que permite la gestión integral de
un negocio. Sus funcionalidades principales son la gestión logística y
del almacén, control de la producción, contabilidad y facturación. El
código fuente se encuentra accesible para los usuarios.
d) Oddo: Software de logística libre que permite la gestión de sector
logístico, situado en un sitio web, y funcionalidades como comercio
electrónico, facturación, contabilidad, fabricación, gestión de
almacenes y proyectos, e inventario entre otros.
A continuación, en el cuadro 10 se detalla el análisis realizado y las
pruebas efectuadas frente a la instalación y adquisición de los aplicativos
anteriormente mencionados. Se optó por el uso del software Tryton, debido que
60
cuenta con la documentación necesaria para efectuar la instalación y el lenguaje
de programación utilizado fue Python, al igual que se utilizó para el desarrollo del
sistema web.
Tabla 10: Comparativa de Software de Logística
Nombre del
Open source Lenguaje Base de datos Documentacion
software
Si se cuenta con la
Tryton Código Libre Python Postgre SQL documentación y
guía de instalación
No se cuenta con la
No se cuenta con
MedeaGes - - documentación y
código libre
guías de instalación
No se cuenta con la
Oratio Código Libre Perl Oracle documentación y
guías de instalación
Si se cuenta con la
Oddo Código Libre JavaScript Postgre SQL documentación y
guía de instalación
Plan del trabajo de investigación
El trabajo de investigación se dividirá en las siguientes etapas con la
finalidad de facilitar la organización el desarrollo y la obtención de la información:
a) Etapa 1: Análisis de la estructura de los datos y la información de la
base de datos proporcionado por la empresa.
b) Etapa 2: Preparación de la data (selección, limpieza, conversión y
formateo si en caso se requiera).
c) Etapa 3: Elección de técnicas de modelados y ejecución del mismo
sobre la data.
d) Etapa 4: Análisis de los resultados obtenidos en la etapa anterior.
61
e) Etapa 5: Elaboración de informes de resultados obtenidos a base de
los objetivos del negocio y sobre los criterios establecidos.
Comprensión de los Datos
En la segunda fase de la metodología CRISP-DM, Compresión de los
Datos, se realizó la recolección de inicial de los datos con la finalidad de
comprender la información y realizar los estudios de viabilidad y definición de
requisitos, así como el análisis de los problemas para manifestar las soluciones.
Recolección de datos
Los datos utilizados corresponden a las ventas de los repuestos y
accesorios automotrices, así como también el inventario general de la empresa.
Como primera instancia de esta fase se contempló los datos a analizar para la
demanda de inventario: ID del producto, cantidad actual del producto, costo
unitario, costo total; por otro lado, frente al registro de ventas y compras de
accesorios y repuestos automotrices se contemplará los siguientes datos: ID del
producto, cantidad y fecha. Al contar con todos los datos necesarios se ejecutará
el algoritmo de redes neuronales recurrentes del Machine Learning bajo un
aprendizaje supervisado.
Exploración de Datos
Una vez recolectado los datos y descritos, el siguiente paso es
procesarlo y explorarlos, aplicando pruebas estadísticas que nos brindara
propiedades de los datos, con la finalidad de comprender la situación en la que
nos encontramos y posterior a ello, determinar la complejidad de los datos.
62
3.1.4. Desarrollo
Desarrollo del sistema web
Esta disciplina tiene como objetivo explicar el proceso de desarrollo
del trabajo de investigación, la cual se contemplará los siguientes artefactos:
a) Instalación de Ubuntu 18.04.5: detallado en el anexo 06.
b) Instalación de Pre-Requisitos: detallado en el anexo 07.
c) Instalación de la Base de Datos: detallado en el anexo 08.
Desarrollo del machine learning
Correspondiente al modelado del machine learning se contemplará
las siguientes etapas bajo la metodología CRISP-DM:
Preparación de Datos
En esta fase se realizará el procesamiento y aislamiento de la data
para convertirlo en datos numéricos con diferentes agrupaciones de datos de
entrada para así obtener una comparativa de las eficiencias de estos y poder
aislar los datos que son dispensables. Así mismo se debe de eliminar posibles
espacios en blanco en la data y ordenarla con la finalidad de que la información
se encuentre segregada y preparada para obtener un mejor procesamiento de la
información y evitar inconvenientes al momento de ser puestas en prueba y
ejecutadas.
63
Modelado
En esta fase se seleccionó la técnica de modelado para este trabajo
de investigación, donde efectuó mediante las Redes Neuronales Recurrentes, así
mismo, se utilizó la librería Keras, la cual usa TensorFlow como backend,
tomando como referencia el modelo Secuencial y para las capas, Long Short-
Term Memory (LSTM) y Dense, con el fin de que permita recordar las fechas
anteriores, basándose en las estaciones y que se encuentren completamente
conectadas.
Instalación e integración del software Tryton
En este apartado se realizó la instalación e integración a nivel de base
de datos del software Tryton junto con el software desarrollado en este trabajo de
investigación.
Instalación del Tryton
Se realizó la instalación del software Tryton, la cual se encuentra
detallado en el anexo 09.
64
Integración del Tryton
Se realizó la integración a nivel de base de datos con el PostgresSQL.
Dicha integración corresponde en la creación de las bases de datos de ambos
sistemas, la cual se encuentran alojados en un mismo ambiente permitiendo la
comunicación directa entre ambos, la cual permitirá al sistema web contar con la
información totalmente actualizada y homologada tras los registros de la
información en el Tryton.
3.1.5. Pruebas
En relación a las especificaciones de los Casos de Uso del Sistema,
se efectuaron las pruebas, donde se corroboro las funcionalidades propias del
sistema web, los límites e interfaz de usuario, verificando que funcionen
correctamente y corrigiendo los errores presentados.
Adicional a las pruebas funcionales descritas anteriormente, se
realizó las pruebas de rendimiento o conocidas también como pruebas de estrés,
donde se midió el rendimiento de carga operativa del sistema web, enviando una
cantidad de solicitudes y conexiones simultaneas, determinando así la eficiencia
del sistema web desarrollado.
3.1.6. Evaluación
Luego de concluida el desarrollo, se comprobó que los elementos y
funcionamiento del sistema web y del machine learning estén funcionando de
manera correcta y cumpliendo con los requerimientos, donde se puede realizar
las actividades propias de la empresa, así como las predicciones de forma
automática. Se interpretaron los resultados y se discutió cuánto será el beneficio
65
para la empresa y si se cumplió con los objetivos planteados en el presente
trabajo de investigación.
66
3.2. EDT
SISTEMA DE PREDICCIÓN PARA INCREMENTAR LAS VENTAS DE

ACCESORIOS Y REPUESTOS AUTOMOTRICES EN LA EMPRESA GGP
FASES
Modelado del Requerimientos Análisis y diseño Desarrollo del Pruebas Evaluación

negocio proyecto
Casos de uso del Requerimientos Análisis y diseño Análisis y diseño del Desarrollo del Desarrollo del Plan de
negocio Instalación e Evaluación
funcionales y no del sistema web Machine Learning sistema web Machine pruebas
integración del de los
funcionales Learning software Tryton resultados
del proyecto
Diagrama de paquetes Instalación
Recolección Casos de
Especificaciones de Ubuntu 18.04.05 Preparación de
de los datos Instalación del prueba
casos de uso del los datos
negocio Tryton
Diagrama de actores
Exploración de Instalación pre

los datos requisitos Modelado Integración del
Diagrama de casos de uso
Tryton
Diagrama de clases
de objeto del
negocio Casos de uso del sistema Instalación base
de datos
Especificaciones de casos
de uso
Diagrama de
actividades del
negocio
Modelo de despliegue
Diagrama de arquitectura
lógico
Modelo de componentes
Modelo de datos lógicos
67
Diccionario de datos
3.3. Lista de cotejo
Tabla 11: Lista de cotejo
HERRAMIENTA
FASE ACTIVIDAD RESULTADO
TECNÓLOGICA
Análisis de los procesos del

Casos de uso del negocio
negocio
Comprensión de los Especificaciones de

procesos del negocio casos de uso del negocio IBM Rational Software
Modelado del Architect Designer
negocio Microsoft Office
Diseño de los procesos del Diagrama de clases de Professional Plus 2016
negocio objeto del negocio
Diseño de los procesos del Diagrama de actividades

negocio del negocio
Requerimientos
Análisis de los Microsoft Office
Requerimientos funcionales y no
requerimientos del cliente Professional Plus 2016
funcionales
Diagrama de paquetes
Diagrama de actores
Diagrama de casos de
uso
Casos de uso del sistema
Especificaciones de
casos de uso
Análisis y diseño del
sistema web
IBM Rational Software
Architect Designer
Análisis y diseño
Microsoft Office
Diagrama de arquitectura Professional Plus 2016
lógico
Diccionario de datos
Recolección de los datos

Análisis y diseño del
Machine Learning
Exploración de los datos
68
Instalación Ubuntu
18.04.05
Microsoft Office
Professional Plus 2016
Desarrollo del sistema web Instalación pre requisitos Visual Studio Code
Python
Machine Learning
Instalación base de datos
Ubuntu 18.04.5
Yam 1.22.5
Desarrollo del
Preparación de los datos Node 14.9.0
proyecto
Desarrollo del Machine VMWare Workstation 16
Learning Postgres SQL
Modelado Tryton – Open Source
Keras
Numpy
Instalación e integración Panda
del software Tryton StickiLearn
Microsoft Office
Visual Studio Code
Plan de pruebas Python
Machine Learning
Ubuntu 18.04.5
Yam 1.22.5
Realizar y estructurar las
Pruebas Node 14.9.0
pruebas de la solución
VMWare Workstation 16
Postgres SQL
Tryton – Open Source
Keras
Casos de prueba
Numpy
Panda
StickiLearn
Microsoft Office
Visual Studio Code
Python
Machine Learning
Ubuntu 18.04.5
Yam 1.22.5
Análisis y comprensión de Evaluación de los
Evaluación Node 14.9.0
los resultados resultados del proyecto
VMWare Workstation 16
Postgres SQL
Tryton – Open Source
Keras
Numpy
Panda
StickiLearn
69
3.4. Cronograma
70
71
CAPÍTULO IV
DESARROLLO DEL PROYECTO
4.1. Modelado del negocio
4.1.1. Casos de uso del negocio
Se presentan los actores, entidades y casos de uso del negocio
que se han logrado identificar en la empresa GGP Automotriz.
4.1.2. Diagrama de actores del negocio
En la figura 24; se muestra el diagrama de los actores del
negocio:
Figura 20: Diagrama de Actores del Negocio
72
4.1.3. Diagrama de casos de uso del negocio
En la figura 25, se muestra el diagrama de los actores del
negocio:
Figura 21: Diagrama de Caso de Uso del Negocio
73
4.1.4. Especificaciones de casos de uso del negocio
Caso de uso del negocio: Realizar compra
Breve descripción:
En el caso de uso del negocio “Realizar compra”, se detalla el
proceso que permite efectuar una compra de algún accesorio y/o
repuesto automotriz en la empresa.
Actor(es):
Cliente: Corresponde al actor principal, quien solicita una
compra.
Pre-condición:
El cliente debe de solicitar la compra del accesorio y/o repuesto
automotriz.
Flujo de eventos:
1. El cliente realiza la solicitud de compra de un(os) accesorio(s)
y/o repuesto(s) automotriz(ces).
2. El auxiliar de venta recibe la solicitud de compra del cliente
3. El auxiliar de venta deriva la solicitud de compra al auxiliar de
almacén para la validación de stock.
4. El auxiliar de almacén verifica y confirma la disponibilidad
del(los) producto(s) solicitado(s).
5. El auxiliar de venta realiza la orden de compra para el despacho
correspondiente.
74
6. El auxiliar de almacén realiza el despacho del(los) producto(s)
solicitado(s).
7. Cliente firma la orden de compra y brinda conformidad del(los)
producto(s) solicitado(s).
8. El auxiliar de venta registra la orden de compra.
9. El auxiliar de almacén actualiza el inventario general.
Flujo alternativo:
Producto(s) no disponible(s)
Se notifica al cliente que no se cuenta con el stock solicitado, por
lo que no se concreta la venta.
Producto(s) no conforme(s)
El cliente brinda la no conformidad del(los) producto(s), por lo
que el auxiliar ventas valida los productos despachados junto
con el auxiliar de almacén para así obtener la conformidad por
parte del cliente.
Post-condición:
Se efectuó la compra del cliente sobre el(los) producto(s)
solicitado(s) de manera satisfactoria.
75
Caso de uso del negocio: Solicitar devolución
Breve descripción:
En el caso de uso del negocio “Solicitar devolución”, se detalla
el proceso el cual permite solicitar una devolución referente
algún accesorio y/o repuesto automotriz de la empresa.
Actor(es):
Cliente: Corresponde al actor principal, quien solicita la
devolución.
Pre-condición:
El cliente debe de contar con algún producto ya sea accesorio
y/o repuesto automotriz para solicitar la devolución del producto
adquirido.
Flujo de eventos:
1. El cliente solicita la devolución del producto adquirido ya sea un
accesorio y/o repuesto automotriz.
2. El auxiliar de venta recibe la solicitud de devolución y el(los)
producto(s) afectados.
3. El auxiliar de venta realiza la inspección correspondiente del(los)
producto(s) afectados.
4. El auxiliar de ventas emite una solicitud reposición por garantía
para el despacho del(los) producto(s).
76
5. El auxiliar de almacén recibe la solicitud de reposición por
garantía y confirma la disponibilidad del(los) producto(s)
solicitado(s).
6. El auxiliar de venta realiza una nueva orden de compra detallada
por reposición por garantía para el despacho correspondiente.
7. El auxiliar de almacén realiza el despacho del(los) producto(s)
solicitado(s).
8. El cliente recibe el(los) producto(s) repuesto(s) por garantía y
firma la nueva orden de compra brindando su conformidad.
9. El auxiliar de venta registra la orden de compra detallada por
reposición por garantía.
10. El auxiliar de almacén actualiza el inventario.
Flujo alternativo:
Producto no cubre garantía
Se le notifica al cliente que el(los) producto(s) solicitados por
devolución se encuentra(n) fuera del plazo de cobertura de la
garantía.
Negligencia del usuario
Se le notifica al cliente que el(los) producto(s) solicitados por
devolución se encuentran dañados por mal uso del usuario y no
cubre la garantía y devolución solicitada.
77
Se le notifica al cliente que no se cuenta con el stock
correspondiente para realizar la devolución correspondiente y
será notificado cuando se cuenta con dicho stock.
Post-condición:
Se efectuó la reposición por garantía del(los) producto(s)
solicitados por el cliente de manera satisfactoria.
78
Caso de uso del negocio: Consultar ventas
Breve descripción:
En el caso de uso del negocio “Consultar Ventas”, se detalla el
proceso que permite realizar una consulta de las ventas
efectuadas referente a los accesorios y/o repuestos
automotrices.
Actor(es):
Auxiliar de venta: Corresponde al actor principal, quien efectúa
la consulta de las ventas.
Pre-condición:
El auxiliar de venta realiza la consulta.
Flujo de eventos:
1. El auxiliar de venta ingresa al registro de las ventas de los
accesorios y repuestos automotrices.
2. El auxiliar de venta realiza la consulta de algún(os) registro(s) de
venta de accesorios y/o repuestos automotrices.
3. El auxiliar corrobora la información consultada con el registro del
inventario general.
4. El auxiliar brinda conformidad de la consulta.
79
Flujo alternativo:
Incongruencia en el registro
El auxiliar de venta determina que existe incongruencia en el
registro del inventario con el registro de venta y se coordina con
el auxiliar de almacén para brindar solución.
Post-condición:
Se concluye la conformidad por parte del auxiliar de venta sobre
el registro del inventario con el registro de venta.
80
Caso de uso del negocio: Consultar stock
Breve descripción:
En el caso de uso del negocio “Consultar Stock”, se detalla el
proceso el cual permite realizar una consulta referente al stock
de los accesorios y/o repuestos automotrices.
Actor(es):
Auxiliar de compra: Corresponde al actor principal quien efectúa
la consulta del stock.
Pre-condición:
El auxiliar de almacén realiza la consulta.
Flujo de eventos:
1. El auxiliar de compra ingresa al registro del inventario general de
los accesorios y repuestos automotrices.
2. El auxiliar de compra realiza la consulta de algún(os) accesorios
y/o repuesto automotriz.
3. El auxiliar de compra confirma los datos consultados, así como
el stock correspondiente.
81
Flujo alternativo:
El auxiliar de compra determina que no se encuentra con el stock
correspondiente, se le notifica al gerente y se lleva a cabo el
Caso de uso de negocio “Importar producto”
Post-condición:
Se concluye la conformidad de la consulta del stock de los
accesorios y/o repuestos automotrices.
82
Caso de uso del negocio: Importar productos
Breve descripción:
En el caso de uso del negocio “Importar productos”, se detalla el
proceso el cual permite realizar la importación de accesorios y/o
repuestos automotrices.
Actor(es):
Auxiliar de compra: Corresponde al actor principal quien efectúa
la importación de accesorios y/o repuestos automotrices.
Pre-condición:
El auxiliar de venta debe de realizar el procedimiento de
importación de accesorios y/o repuestos automotrices.
Flujo de eventos:
1. El auxiliar de compra identifica los productos y las cantidades a
comprar a base del Caso de uso del negocio “Consultar Stock”.
2. El auxiliar de compra contacta a los proveedores y solicita la
cotización de los productos.
3. El proveedor recibe la solicitud de la compra y envía la cotización
de los productos.
4. El auxiliar de compra recibe la cotización de compra y es enviada
al gerente para la conformidad de la misma.
5. El gerente recibe la solicitud de compra y envía la conformidad
de la compra al auxiliar de compra.
83
6. El auxiliar de compra recibe la aprobación de compra y contacta
con el proveedor para efectuar la compra de los productos.
7. El auxiliar de compra genera y envía la orden de compra al
proveedor.
8. El proveedor recibe la solicitud de compra y procede a formalizar
la orden de compra.
9. El auxiliar de compra realiza los pagos y solicita la conformidad
del mismo.
10. El proveedor confirma el pago correspondiente y efectúa el envió
de los productos solicitados.
11. El auxiliar de compra efectúa el seguimiento correspondiente del
envió de los productos.
12. El agente aduanero notifica la recepción de los productos
adquiridos y envía la documentación para el despacho
correspondiente.
13. El auxiliar de compra recibe la documentación del agente
aduanero y se efectúa el pago de los tributos aduaneros y el
envió de la documentación.
14. El agente aduanero brinda la conformidad de la documentación
y los pagos de los tributos aduaneros
15. El auxiliar de compra coordina la logística del despacho de los
productos con el agente aduanero.
16. El agente aduanero realiza la entrega de los productos y brinda
el acta de entrega.
84
17. El auxiliar de compra brinda conformidad de los productos y
firma el acta de entrega de los productos adquiridos.
18. El auxiliar de compra realiza la legalización de la factura con el
proveedor.
19. El auxiliar de almacén efectúa el registro de entrada de los
productos adquiridos y los almacena.
Flujo alternativo:
Cotización incompleta
El auxiliar de compra determina que la cotización de los
productos solicitados no cumple con los requisitos o falta alguna
información y se solicita al proveedor el envió de la cotización
con las observaciones y/o la información completa.
Cotización no aprobada
El gerente de la empresa brinda la no conformidad de la
cotización por lo que solicita al auxiliar de compra efectuar las
correcciones del caso.
Pago erróneo
El proveedor notifica al auxiliar de compra que el pago referente
a los productos solicitados presenta alguna incongruencia y
solicita la regularización del mismo.
85
Documentos aduaneros erróneos
El agente aduanero notifica al auxiliar de compra que los
documentos presentados presentan incongruencias y se solicita
efectuar las correcciones del caso.
Productos observados
El auxiliar de compra determina que los productos recibidos
presentan observaciones, por lo que brinda la no conformidad y
se le notifica al proveedor solicitando la regularización del caso.
Post-condición:
El auxiliar de compra efectuó la compra e importación de
accesorios y/o repuestos automotrices de manera satisfactoria.
86
Caso de uso del negocio: Solicitar reporte ventas
Breve descripción:
En el caso de uso del negocio “Solicitar reporte ventas”, se
detalla el proceso el cual permite solicitar un reporte de las
ventas efectuadas de los accesorios y/o repuestos automotrices.
Actor(es):
Gerente: Corresponde al actor principal quien solicita el reporte
de las ventas.
Pre-condición:
El gerente solicita el reporte de ventas de los accesorios y
Flujo de eventos:
1. El gerente solicita un reporte de las ventas efectuadas de los
2. El auxiliar de venta recibe la solicitud.
3. El auxiliar de venta ingresa al registro de ventas de los
4. El auxiliar de venta efectúa el reporte bajo los requisitos
declarados en la solicitud del gerente.
5. El auxiliar de venta envía el reporte de ventas al gerente.
6. El gerente recibe el reporte de las ventas efectuadas por el
auxiliar de venta.
87
7. El gerente brinda conformidad de la información proporcionada.
Flujo alternativo:
Reporte incongruente
El gerente envía el reporte de ventas de accesorios y repuestos
automotrices al auxiliar de ventas con las observaciones
correspondientes con la finalidad de ser subsanadas.
Post-condición:
El gerente obtiene el reporte de ventas de accesorios y
repuestos automotrices de manera satisfactoria.
88
Caso de uso del negocio: Solicitar reporte compras
Breve descripción:
En el caso de uso del negocio “Solicitar reporte compras”, se
detalla el proceso el cual permite solicitar un reporte de las
compras efectuadas de los accesorios y repuestos automotrices.
Actor(es):
Gerente: Corresponde al actor principal quien solicita el reporte
de las compras.
Pre-condición:
El gerente solicita el reporte de las compras de los accesorios y
Flujo de eventos:
1. El gerente solicita un reporte de las compras efectuadas de los
2. El auxiliar de compra recibe la solicitud.
3. El auxiliar de compra ingresa al registro de compra de los
4. El auxiliar de compra efectúa el reporte bajo los requisitos
declarados en la solicitud del gerente.
5. El auxiliar de compra envía el reporte de compras al gerente.
6. El gerente recibe el reporte de las compras efectuadas por el
auxiliar de venta.
89
7. El gerente brinda conformidad de la información proporcionada.
Flujo alternativo:
Reporte incongruente
El gerente envía el reporte de compras de accesorios y
repuestos automotrices al auxiliar de compras con las
observaciones correspondientes con la finalidad de ser
subsanadas
Post-condición:
El gerente obtiene el reporte de compras de accesorios y
repuestos automotrices de manera satisfactoria.
90
4.1.5. Diagrama de actividades del negocio
Diagrama de actividades del CUN Realizar compra
Para entender el proceso de realizar una compra de un
accesorio y/o repuesto automotriz, se muestra en la figura 22 el diagrama de
actividades.
Figura 22: CUN Realizar compra
91
Diagrama de actividades del CUN Solicitar devolución
Para entender el proceso de solicitar una devolución de un
actividades.
Figura 23: CUN Solicitar devolución
92
Diagrama de actividades del CUN Consultar ventas
Para entender el proceso de consultar alguna venta de un
actividades.
Figura 24: CUN Consultar ventas
93
Diagrama de actividades del CUN Consultar stock
Para entender el proceso de consultar stock sobre los accesorios
y/o repuestos automotrices, se muestra en la figura 25 el diagrama de
actividades.
Figura 25: CUN Consultar stock
94
Diagrama de actividades del CUN Importar productos
Para entender el proceso de importación de los accesorios y/o repuestos automotrices, se muestra en la figura 26 el
diagrama de actividades.
95
Figura 26: CUN Importar productos
96
Diagrama de actividades del CUN Solicitar reporte ventas
Para entender el proceso de solicitar un reporte de ventas de los
accesorios y/o repuestos automotrices, se muestra en la figura 27 el
Figura 27: CUN Solicitar reporte ventas
97
Diagrama de actividades del CUN Solicitar reporte compras
Para entender el proceso de solicitar un reporte de compras de
los accesorios y/o repuestos automotrices, se muestra en la figura 28 el
Figura 28: CUN Solicitar reporte compras
98
4.1.6. Diagrama de clases de objeto del negocio
La figura 29 muestra el diagrama de clases de objeto del negocio
que intervienen en los casos de uso detallados con anterioridad
Figura 29: Diagrama de objeto del negocio
99
4.2. Modelado del sistema
4.2.1. Requerimientos del sistema
Se describe los requerimientos para el proyecto, tanto los
requerimientos funcionales como los no funcionales.
Requerimientos Funcionales
Se describe los requerimientos funcionales para el proyecto:
RF1: Predecir la demanda de los accesorios y repuestos
automotrices
El usuario podrá realizar la predicción de las ventas de los
repuestos y accesorios automotrices en un determinado tiempo.
RF2: Edición de encuesta
El gerente podrá realizar la edición de la encuesta en el sistema
web, donde podrá modificar las preguntas y opciones de
respuestas.
RF3: Visualización de respuestas
El gerente podrá visualizar las repuestas obtenidas de los
clientes tras el envió de la encuesta.
RF4: Descarga de respuestas
El gerente podrá realizar la descarga de las respuestas
obtenidas de las encuestas.
100
RF5: Visualización de envió de encuestas
El usuario podrá visualizar las encuestas enviadas hacia los
clientes.
RF6: Envío de encuesta
Se podrá hacer envío de la encuesta a través de un link donde
el cliente podrá acceder y realizar dicha encuesta.
RF7: Registro de oferta
El gerente podrá realizar la creación de una oferta de accesorios
y/o repuestos automotrices.
RF8: Registro de ofertas adquiridas
El usuario podrá visualizar el registro de los clientes quienes
hayan adquirido una oferta de la empresa.
RF9: Software de logística
Se deberá contar con un software externo que cubra la logística
de los accesorios y/o repuestos automotrices, contando con
interfaces de registro de compras, ventas, productos, clientes,
inventario general, entre otros.
101
Requerimientos No Funcionales
RNF1 - El sistema se encontrará desarrollada en un sitio web,
sus interfaces serán amigables, intuitivas y será sencillo de
utilizar.
RNF2 - El sistema contara con un módulo de autenticación.
RNF3 - El sistema contara con tiempos de respuesta rápidos.
RNF4 - El sistema deberá de mantener los datos almacenados
seguros y protegidos.
RNF5 - El sistema tendrá eficiencia y buen manejo de los
recursos tecnológicos.
4.2.2. Diagrama de paquetes
La figura 30 se muestran todos los paquetes del sistema:
Figura 30: Diagrama de paquetes del sistema
102
4.2.3. Diagrama de actores del sistema
Administrador: Usuario que cuenta con acceso a todas las
opciones del sistema sin restricción alguna.
Gerente: Usuario que puede realizar consultas y modificaciones
en todos los módulos, a su vez posee los permisos del auxiliar.
Auxiliar: Usuario que puede realizar consultas frente a la
predicción de la demanda de los accesorios y repuestos
automotrices, así como también la opción de enviar encuestas a
los clientes.
Cliente: Usuario quien presenta interacción frente a la
realización de la encuesta para la captura de necesidades y
quien puede efectuar compra de ofertas. No requiere estar
autenticado debido que dichas interfaces se ejecutan mediante
un link público.
Sistema: Realiza procesos automatizados por la que no se
requiere de un usuario.
103
Seguidamente, en la figura 31 se muestra a los actores del
sistema descritos previamente:
Figura 31: Diagrama de actores del sistema
104
4.2.4. Diagrama de casos de uso del sistema
Diagrama general de casos de uso del sistema
La figura 32 muestra el diagrama general de casos de uso del sistema:
Figura 32: Diagrama general de casos de uso del sistema
105
Diagrama de paquete de Seguridad
La figura 33 muestra el diagrama del paquete de Seguridad:
Figura 33: Casos de uso del paquete de seguridad
Diagrama de paquete de Predicción
La figura 34 muestra el diagrama del paquete de Predicción:
Figura 34: Casos de uso del paquete de predicción
106
Diagrama de paquete de Encuesta_Oferta
La figura 35, se muestra el diagrama del paquete de
Encuesta_Oferta:
Figura 35: Casos de uso del paquete de predicción Encuesta – Oferta
107
Diagrama de paquete de Envio_Oferta
La figura 36, se muestra el diagrama del paquete de
Envio_Oferta:
Figura 36: Casos de uso del paquete de predicción Envío – Oferta
4.2.5. Relación de casos de uso del sistema
a) CUS_INICIAR_SESION
b) CUS_CAMBIAR_CONTRASEÑA
c) CUS_PREDECIR_DEMANDA
d) CUS_MANTENIMIENTO_ENCUESTA
e) CUS_MANTENIMIENTO_OFERTA
f) CUS_ENVIAR_ENCUESTA
g) CUS_ENVIAR_OFERTA
h) CUS_REALIZAR_ENCUESTA
i) CUS_COMPRAR_OFERTA
108
4.2.6. Especificaciones de casos de uso del sistema
ECUS Iniciar Sesión
Breve descripción:
El usuario ingresará los datos de su cuenta para poder acceder
al sistema.
Actor(es):
Usuario.
Pre-condición:
Solo aquellos usuarios que se encuentran registrados dentro del
sistema, podrán acceder a las funcionalidades del mismo.
Flujo de eventos:
1. El sistema solicita el ingreso de usuario y contraseña.
2. El usuario ingresa los datos correspondientes, su usuario y
contraseña, seguido del botón aceptar.
3. El sistema verifica los datos ingresados.
4. El sistema muestra la pantalla principal del sistema.
Flujo alternativo:
Datos en blanco
En el sub-flujo de Inicio de Sesión, si en caso se deja en blanco
algún campo que requiere ser completado, el sistema muestra
automáticamente una alerta.
109
Contraseña errada
El usuario ingresa una contraseña errada o invalida, el sistema
muestra un mensaje de error “Contraseña incorrecta” y solicita
nuevamente los datos.
Nombre de usuario errado
El usuario ingresa su nombre de usuario, en caso el nombre de
usuario no es el correcto el sistema muestra automáticamente
un mensaje de error “Nombre de usuario invalido” y solicita
nuevamente los datos.
Falta de algún parámetro
El usuario no ingresa uno de los parámetros, el sistema muestra
un mensaje de error “Campo incompleto” y solicita nuevamente
los datos.
Post-condición:
El usuario ingresa correctamente al sistema, mostrando la
pantalla principal con las opciones disponibles de acuerdo al rol.
110
Prototipo:
Figura 37: Prototipo del CUS Iniciar sesión
111
ECUS Cambiar contraseña
Breve descripción:
Este caso de uso del sistema, permite cambiar la contraseña de
un usuario ya existente en el sistema web y por lo tanto hacer
uso del mismo.
Actor(es):
Usuario.
Pre-condición:
Solo aquellos usuarios que se encuentran registrados en el
sistema podrán realizar el cambio de contraseña en el sistema
con el fin de usar sus funcionalidades.
Flujo de eventos:
1. El usuario ingresa a la pantalla principal.
2. El sistema muestra la pantalla de inicio de sesión
3. El usuario ingresa su correo electrónico.
4. El usuario presiona el botón “Resetear”
5. El sistema muestra que el cambio de contraseña se efectuó
satisfactoriamente.
112
Flujo alternativo:
Correo errado
El usuario ingresa un correo errado y el sistema valida los datos
ingresados mostrando un mensaje de error en el correo y solicita
nuevamente los datos a ingresar.
Post-condición:
El usuario cambia satisfactoriamente la contraseña.
Prototipo:
Figura 38: Prototipo del CUS Cambiar contraseña
113
ECUS Predecir Demanda
Breve descripción:
Este caso de uso del sistema, permite realizar la predicción de
la demanda de los accesorios y/o repuestos automotrices en una
determinada fecha.
Actor(es):
Usuario: Gerente y Auxiliar
Pre-condición:
El usuario deberá haber iniciado sesión en el sistema.
Flujo de eventos:
2. El usuario selecciona la opción de “Predecir Demanda”.
3. El sistema muestra la interfaz de “Predecir Demanda” con las
siguientes opciones:
a) Fecha a predecir
b) Tipo de Ítem
4. El usuario selecciona la fecha a predecir.
5. El usuario selecciona el tipo de ítem a predecir.
6. El sistema valida la información ingresada.
7. El sistema muestra el resultado de la predicción.
114
Flujo alternativo:
Fecha errada
El usuario ingresa una fecha errada y el sistema valida los datos
ingresados mostrando un mensaje de error en la fecha y solicita
nuevamente los datos a ingresar.
Fecha no ingresada
El usuario no ingresa una fecha para realizar la predicción de la
demanda, el sistema valida los datos mostrando un mensaje de
error y solicita ingresar una fecha para efectuar la predicción.
Tipo de producto no ingresada
El usuario no selecciona una opción de productos a predecir, el
sistema valida los datos mostrando un mensaje de error y solicita
ingresar un tipo de producto para efectuar la predicción.
Post-condición:
El usuario visualiza los resultados de la predicción de la
demanda de los repuestos y accesorios automotrices.
115
Prototipo:
Figura 39: Prototipo del CUS Predecir demanda
116
ECUS Mantenimiento Encuesta
Breve descripción:
Este caso de uso del sistema, permite al gerente realizar la
correspondiente edición, ver resultados y realizar el envío de una
encuesta.
Actor(es):
Gerente
Pre-condición:
Flujo de eventos:
1. El gerente ingresa a la pantalla principal.
2. El gerente selecciona la opción de “Encuestas”
3. El sistema muestra la interfaz de “Encuestas” con las siguientes
opciones:
a) Editar encuesta
b) Ver resultados de encuestas
c) Enviar encuesta
d) Detalle de envíos
Sub flujo: “Editar encuesta”
1. El gerente selecciona la opción de “Editar encuesta”
2. El sistema muestra la interfaz de la encuesta a editar.
117
3. El gerente realiza la edición de las preguntas y/o las opciones de
respuesta de la encuesta.
4. El sistema muestra las opciones de:
a) Guardar
b) Cancelar
5. El gerente selecciona la opción de “Guardar cambios”.
6. El sistema emite un mensaje indicando la conformidad de la
operación seguido de la opción “Aceptar”.
7. El gerente selecciona la opción “Aceptar”.
8. El sistema retorna a la interfaz principal de la encuesta.
Sub flujo: “Ver resultados de encuestas”
1. El gerente selecciona la opción “Ver resultados de encuestas”
2. El sistema muestra la interfaz de los resultados de la encuesta.
3. El gerente visualiza los resultados de cada pregunta de la
encuesta en mención.
Sub flujo: “Detalle de envíos”
1. El gerente selecciona la opción “Detalle de envíos”
2. El sistema muestra la interfaz del detalle de las encuestas
enviadas.
3. El gerente visualiza el registro de clientes a quienes fueron
enviados las encuestas.
118
Flujo alternativo:
Cancelar edición
Permite al gerente salir de la opción de edición de la encuesta
sin guardar información registrada.
Borrar pregunta encuesta
Permite al gerente realizar la eliminación de una pregunta en la
encuesta.
Descargar resultados
Permite al gerente descargar en formato Excel, los resultados
obtenidos de los clientes frente a la encuesta enviada.
Post-condición:
El gerente ha podido realizar la edición de la encuesta.
119
Prototipo:
Figura 40: Prototipo del CUS Editar encuesta
Figura 41: Prototipo del CUS Agregar nueva pregunta
120
Figura 42: Prototipo del CUS Editar pregunta
Figura 43: Prototipo del CUS Resultados encuesta
121
ECUS Mantenimiento Oferta
Breve descripción:
Este caso de uso del sistema, permite al gerente realizar el
correspondiente registro nuevo, edición y eliminación de una
oferta.
Actor(es):
Gerente
Pre-condición:
Flujo de eventos:
1. El gerente ingresa a la pantalla principal.
2. El gerente selecciona la opción “Ofertas”.
3. El sistema muestra la interfaz de las ofertas con las siguientes
opciones:
a) Registro ofertas
b) Ofertas adquiridas
Sub flujo: “Registro ofertas”:
1. El gerente selecciona la opción “Agregar nueva oferta”.
2. El sistema muestra la interfaz para agregar una nueva oferta con
los campos que deben de ser llenados:
a) Nombre de la oferta
122
b) Descripción
c) Producto
d) Cantidad
e) Precio de oferta
f) Stock
g) Fecha de caducidad
h) El gerente ingresa los datos de la nueva oferta.
i) El sistema muestra las opciones de:
j) Agregar producto
k) Borrar producto
l) Crear oferta
m) Cancelar
3. El gerente selecciona la opción “Crear oferta”.
4. El sistema emite un mensaje indicando la conformidad de la
operación, seguido de la opción de “Aceptar”.
5. El gerente selecciona la opción “Aceptar”
6. El sistema realiza el registro correspondiente y retorna al listado
de ofertas.
Sub flujo: “Ofertas adquiridas”
1. El gerente selecciona la opción “Ofertas adquiridas”
2. El sistema muestra la interfaz de las ofertas adquiridas.
3. El gerente visualiza las ofertas adquiridas por los clientes.
123
Sub flujo: “Editar oferta”:
1. El gerente selecciona la oferta a editar.
2. El gerente selección la opción “Editar oferta”.
3. El sistema muestra la interfaz para editar la oferta seleccionada.
4. El gerente actualiza la información en campos.
5. El sistema muestra las opciones de
a) Agregar producto
b) Borrar producto
c) Actualizar oferta
d) Cancelar
6. El gerente selección la opción “Actualizar oferta”
7. El sistema emite un mensaje indicando conformidad de la
operación, seguido de la opción “Aceptar”.
8. El gerente selecciona la opción “Aceptar”.
9. El sistema retorna al listado de las ofertas.
Sub flujo: “Borrar oferta”:
1. El gerente selecciona la oferta a eliminar.
2. El gerente selecciona la opción “Eliminar”.
3. El sistema emite un mensaje con la finalidad de aceptar la
confirmación para la eliminación del registro de la oferta, seguido
de las opciones “Si” y “No”.
4. El gerente selecciona la opción “Si”.
5. El sistema emite un mensaje de conformidad de la operación.
6. El sistema retorna al listado de las ofertas.
124
Flujo alternativo:
Cancelar
Permite al gerente salir de la opción de edición de una oferta sin
guardar información registrada.
Borrar producto
Permite al gerente borrar un producto registrado en una oferta.
Post-condición:
El gerente ha podido realizar el registro de una oferta.
Prototipo:
Figura 44: Prototipo del CUS Ofertas
125
Figura 45: Prototipo del CUS Nueva oferta
126
ECUS Enviar Encuesta
Breve descripción:
Este caso de uso del sistema, permite cambiar la contraseña de
un usuario ya existente en el sistema web y por lo tanto hacer
uso del mismo.
Actor(es):
Usuario: Gerente y Auxiliar
Pre-condición:
Se debe de haber iniciado antes el CUS Mantenimiento
Encuesta, ya que debe de existir el registro y la conformidad de
la encuesta a enviar.
Flujo de eventos:
2. El usuario selecciona la opción de “Encuestas”
3. El sistema muestra la interfaz de “Encuestas”.
4. El usuario selección la opción “Enviar encuesta”
5. El sistema muestra la interfaz de envío de la encuesta.
6. El usuario selecciona los clientes a enviar la encuesta.
7. El usuario selecciona la opción “Enviar”.
127
8. El sistema muestra un mensaje de notificación solicitando la
confirmación de envío de la encuesta, seguido de la opción
“Aceptar”.
9. El usuario selecciona la opción “Aceptar”.
10. El sistema realiza el envío de la encuesta a los clientes
seleccionados.
11. El sistema retorna a la interfaz principal de la encuesta.
Flujo alternativo:
Cancelar envío
Permite al gerente salir de la opción de envío de la encuesta.
Post-condición:
El usuario cambia satisfactoriamente la contraseña.
Prototipo:
Figura 46: Prototipo del CUS Enviar encuesta
128
Figura 47: Prototipo del CUS Link de encuesta al cliente
Figura 48: Prototipo del CUS Encuesta al cliente
129
ECUS Enviar Oferta
Breve descripción:
Este caso de uso del sistema, permite al cliente recibir ofertas
referentes a los accesorios y/o repuestos automotrices de la
empresa.
Actor(es):
Sistema
Pre-condición:
Se debe de haber iniciado antes el CUS Enviar Encuesta, ya que
deben de existir resultados de los clientes.
Se debe de haber iniciado antes el CUS Mantenimiento de
Ofertas, ya que deben de existir registros de notificaciones
previamente creadas.
Flujo de eventos:
1. El caso de uso inicia cuando el gerente ingresa un registro de
una oferta en el Mantenimiento de Oferta.
2. El sistema obtiene información de los resultados y repuestas de
los clientes referente a la encuesta enviada.
3. El sistema procesa la información de los resultados junto con las
ofertas existentes.
130
4. El sistema realiza el envío automático de las ofertas a los
clientes en relación a los resultados obtenidos de las encuestas.
Flujo alternativo:
Falta de datos
El Sistema detecta que no se tiene información necesaria de los
clientes encuestas y no puede ejecutar el envío de las ofertas.
Post-condición:
El sistema envía la oferta de manera satisfactoria y el cliente
recibe las ofertas existentes
Prototipo:
Figura 49: Prototipo del CUS Oferta al cliente
131
ECUS Realizar Encuesta
Breve descripción:
Este caso de uso del sistema, permite al cliente realizar una
encuesta tras ser recibida por correo electrónico.
Actor(es):
Cliente
Pre-condición:
Se debe de haber iniciado antes el CUS Mantenimiento
Encuesta, ya que debe de existir el registro y actualización de la
encuesta.
debe de existir el envió de la encuesta para ser realizada por el
cliente.
Flujo de eventos:
1. El cliente recibe el correo electrónico conteniendo el acceso a la
2. encuesta.
3. El cliente accede al link proporcionado en el correo electrónico.
4. El sistema muestra la interfaz de la encuesta.
5. El cliente realiza la encuesta, llenando los campos
6. correspondientes.
7. El cliente selecciona la opción “Enviar encuesta”
8. El sistema muestra un mensaje notificando que la encuesta fue
132
9. enviada satisfactoriamente.
Flujo alternativo:
Falta de datos
El sistema detecta que no se tiene información necesaria en los
campos de la encuesta y solicita ser completados.
Post-condición:
El cliente envía de manera satisfactoria sus respuestas frente a
la encuesta enviada por correo electrónico.
Prototipo:
Figura 50: Encuesta
133
ECUS Comprar Oferta
Breve descripción:
Este caso de uso del sistema, permite al cliente realizar la
adquisición de una oferta.
Actor(es):
Cliente
Pre-condición:
deben de existir resultados de los clientes.
Se debe de haber iniciado antes el CUS Mantenimiento de
Ofertas, ya que deben de existir el registro de ofertas.
Se debe de haber iniciado antes el CUS Enviar Oferta, ya que
debe de existir el envió de la oferta hacia el cliente.
Flujo de eventos:
1. El cliente recibe vía correo electrónico el acceso a la interfaz
para realizar la adquisición de una oferta.
2. El cliente accede al link proporcionado vía correo electrónico.
3. El sistema muestra la interfaz para adquirir alguna oferta.
4. El cliente selecciona la oferta a adquirir.
5. El cliente selecciona la opción “Comprar oferta”.
6. El sistema muestra una interfaz para ingresar los siguientes
datos:
134
a) Nombres
b) Apellidos
c) Email
d) Teléfono
e) Fecha
f) Método de recojo
7. El cliente completa la información correspondiente.
8. El cliente selecciona la opción “Realizar compra”
9. El sistema muestra un mensaje de confirmación.
10. El sistema envía un mensaje vía correo electrónico con la
confirmación de la compra de la oferta.
Flujo alternativo:
Falta de datos
El sistema detecta que no se tiene información necesaria del
formulario para adquirir la oferta.
Envió por delivery
El cliente selecciona la opción “Delivery” en método de recojo, el
sistema muestra un campo para ingresar la dirección la cual será
enviada la oferta adquirida.
Cancelar compra
El cliente puede cancelar la compra de las ofertas proporcionada
en la interfaz.
135
Post-condición:
El cliente realiza la adquisición de alguna oferta dentro de la
interfaz.
Prototipo:
Figura 51: Página para adquirir ofertas
136
4.2.7. Arquitectura
La figura 52 muestra los componentes físicos que intervienen en
la solución de software del machine learning:
Figura 52: Modelo de despliegue
137
Diagrama de arquitectura de red
La figura 53 muestra con otra vista los componentes físicos y la
conectividad a la solución del software del machine learning:
Figura 53: Diagrama de arquitectura de red
138
Diagrama de contexto
La figura 54 muestra el flujo de datos del sistema web y el funcionamiento entre sus componentes y el Tryton:
Figura 54: Diagrama de contexto
139
Diagrama de contenedor
La figura 55 muestra el software y los contenedores (aplicaciones, almacenamiento de datos, etc.) que lo componen.
Figura 55: Diagrama de contenedor
140
La figura 56 muestra los componentes que participan en la solución:
Figura 56: Modelo de componentes
141
La figura 57 muestra todas las tablas que participan en la solución:
Figura 57: Modelo de datos lógicos
142
4.2.8. Diccionario de Datos
T_Resultados_Encuestas
Se muestra la tabla la cual contiene los archivos adjuntos que
son subidos al sistema, como se muestra a continuación en la
tabla 12.
Tabla 12: Descripción de la tabla T_Resultados_Encuestas
T_Resutados_Encuestas
Nombre del atributo Descripcion PK FK Tipo de dato

Código del resultado de la
idResultadoEncuesta X SMALLINT
encuesta
Título del resultado de la
TituloResultado VARCHAR
encuesta
Pequeña descripción del
DescripcionResultado VARCHAR
resultado de la encuesta
T_Resultados_Encuestas_Preguntas
tabla 13.
143
Tabla 13: Descripción de la tabla
T_Resultados_Encuestas_Preguntas
T_Resutados_Encuestas_Preguntas
Código del resultado de

idResultadoEncuestaPregunta la pregunta de la X SMALLINT
encuesta
Título del resultado de la
TituloResultadoEncuestaPregunta VARCHAR
pregunta de la encuesta
OpcionElegida Respuesta seleccionada VARCHAR
Código del resultado de
idResultadoEncuesta X SMALLINT
la encuesta
T_Encuesta
tabla 14:
Tabla 14: Descripción de la tabla T_Encuesta
T_Encuesta
idEncuesta Código de la encuesta X SMALLINT

TituloEncuesta Título de la encuesta VARCHAR
Pequeña descripción de la
DescripcionEncuesta VARCHAR
encuesta
144
T_Encuesta_Preguntas
tabla 15.
Tabla 15: Descripción de la tabla T_Encuesta_Preguntas
T_Encuesta_Preguntas

idPregunta Código de la pregunta X SMALLINT
PreguntaTitulo Nombre de la pregunta VARCHAR
TipoPregunta Tipo de pregunta VARCHAR
idEncuesta Código de la encuesta X SMALLINT
T_Pregunta_Opciones
tabla 16:
Tabla 16: Descripción de la tabla T_Pregunta_Opciones
T_Pregunta_Opciones

idOpcion Código de la opción X SMALLINT
TituloOpcion Título de la opción VARCHAR
idPregunta Código de la pregunta X SMALLINT
145
T_Ofertas
tabla 17:
Tabla 17: Descripción de la tabla T_Ofertas
T_Ofertas

idOferta Código de la Oferta X SMALLINT
NombreOferta Título de la oferta VARCHAR
PrecioOFerta Precio final de la oferta DOUBLEPRECISION
DescripcionOferta Pequeña descripción de la VARCHAR
oferta
Stock Cantidad de ofertas disponibles INTEGER
FechaCaducidad Fecha de vencimiento de la VARCHAR
oferta
FilePath Almacenamiento de imagen VARCHAR
T_Ofertas_Productos
tabla 18:
146
Tabla 18: Descripción de la tabla T_Ofertas_Productos
T_Ofertas_Productos

Código del producto
idOfertaProducto X SMALLINT
ofertado
Código del producto
idProducto SMALLINT
ofertado
Cantidad del producto a
Cantidad INTEGER
ofertar
PrecioUnitario Precio del producto DOUBLEPRECISION
CostoUnitario Costo del producto DOUBLEPRECISION
PrecioTotal Precio total de la oferta DOUBLEPRECISION
Nombre del producto a
NombreProducto VARCHAR
ofertar
T_Usuario
tabla 19:
Tabla 19: Descripción de la tabla T_Usuario
T_Usuarios

idUsuario Código de usuario X SMALLINT
Nombres Nombres del usuario VARCHAR
Apellidos Apellidos del usuario VARCHAR
CorreoElectronico Correo electrónico del usuario VARCHAR
Contraseña Contraseña del usuario VARCHAR
147
T_Ofertas_Compradas
tabla 20.
Tabla 20: Descripción de la tabla T_Ofertas_Compradas
T_Ofertas_Compradas

idOfertasCompradas Código de la oferta adquirida X SMALLINT
MetodoEntrega Método de entrega de la oferta VARCHAR
Fecha de adquisición de la
Fecha SMALLINT
oferta
T_Detalle_Envio
tabla 21.
Tabla 21: Descripción de la tabla T_Detalle_Envio
T_Detalle_Envio

idDetalleEnvio Código del detalle de envío X SMALLINT
Fecha Fecha de envío de la encuesta DATE
Nombre Nombres del cliente VARCHAR
Correo Correo electronico del cliente VARCHAR
148
4.3. Captura de información
4.3.1. Recolección de los datos
Se recolecto la data de la empresa GGP Automotriz referente a
las ventas de repuestos y accesorios automotrices desde el año 2017 hasta
el 2020 (con fecha de corte 31 de mayo del 2020). Se obtuvo los siguientes
campos:
a) Documento
b) Fecha
c) Detalle
d) Referencia
e) Cantidad
f) Precio unitario
g) Total
Se recolectó, asimismo, el inventario general de la empresa en
mención, conteniendo el registro de todos los productos, tanto repuestos y
accesorios automotrices. Se obtuvieron los siguientes campos:
a) Referencia
b) Descripción
c) Marca
d) Línea
e) Costo inventario
f) Precio Unitario
149
Exploración de los datos
a) Referente a la data recolectada sobre las ventas de la empresa
en mención, se pudo identificar lo siguiente:
b) El campo “Documento” corresponde a un registro único de la
venta de uno o varios repuestos y/o accesorios automotrices.
c) El campo “Fecha” corresponde al registro de la fecha de la venta.
d) El campo “Detalle” corresponde al registro del cliente a quien se
efectuó la venta.
e) El campo “Referencia” hace mención al repuesto o accesorio la
cual se efectuó la venta.
f) El campo “Cantidad” corresponde a la cantidad de los productos
vendidos.
g) El campo “Precio Unitario” hace mención al precio de venta
unitario del producto.
h) El campo “Total” corresponde al monto total vendido.
DOCUMENTO FECHA REFERENCIA DETALLE CANTIDAD PRECIO TOTAL

B00162 17/10/2019 LH4 ENVIO SATIPO 1 S/ 97.00 S/ 97.00
B00163 23/10/2019 MANTIR VENTA RINO 1 S/ 9.50 S/ 9.50
B00164 24/10/2019 CAMRCES RAUL LOS OLIVOS 1 S/ 93.00 S/ 93.00
Figura 58: Data ventas
Fuente: GGP Automotriz
150
Por otro lado, la data recolectada frente al inventario general de
la empresa, se pudo identificar los siguientes campos:
a) “Referencia” corresponde al registro único del producto.
b) “Descripción” hace referencia a una breve descripción del
producto.
c) “Marca” hace referencia a la marca del producto registrado.
d) “Línea” corresponde a la categoría del producto, ya sea
accesorio o repuesto.
e) “Costo inventario” corresponde al costo del producto.
f) “Precio unitario” corresponde al precio de vente al consumidor.
Referencia Descripción Marca Línea Costo Inventario Precio unitario

TPA TP AUDI AUDI Accesorios S/ 15.05 S/ 18.14
MANTIR MICA ANTI RAIN SIN MARCA Accesorios S/ 10.22 S/ 12.31
TPBMW2 TP BMW CROMO BMW Accesorios S/ 15.05 S/ 18.14
Figura 59: Data venta por tipo producto
Fuente: GGP Automotriz
La exploración de los datos se efectuó tanto para los datos de
las ventas de los accesorios y repuestos automotrices como para el
inventario general de la empresa.
Se identificó, en la información proporcionada de la cual ha sido
extraído de las hojas de cálculo, que se cuenta con espacios en blanco y
algunos caracteres que son considerados erróneos; por lo que en la
siguiente actividad será necesario realizar una limpieza de datos y la
eliminación de los espacios en blanco, así como también reemplazar los
caracteres erróneos.
151
4.4. Desarrollo
4.4.1. Instalación de Ubuntu
Se procede con la instalación del sistema operativo Ubuntu
18.04 alojado en una máquina virtual con el soporte de VMWare, dicha
instalación se encuentra detallada en el Anexo 6 “Instalación de Ubuntu
18.04.5”.
4.4.2. Instalación de Pre-Requisitos
Luego de la instalación de Ubuntu, se procedió con la instalación
del Visual Studio Code, el Node 14.9.0 y el Yarn 1.22.5, los cuales se
encuentran detallados en el Anexo 7 “Instalación de Pre-Requisitos”.
152
4.4.3. Instalación de la Base de Datos
Asimismo, se realizó la instalación y creación de la base de
datos, el cual se encuentra detallado en el Anexo 8 “Instalación de la Base
de Datos”.
4.4.4. Instalación e integración del software Tryton.
Se llevó a cabo la instalación y configuración del Tryton,
aplicación externa Open Source especializada en la administración logística,
dicha instalación se encuentra detallada en el Anexo 9 “Instalación de
Tryton”.
Se realizó la integración, a nivel de base de datos, con el
PostgresSQL. Dicha integración corresponde en la creación de las bases de
datos de ambos sistemas, el cual se encuentran alojados en un mismo
ambiente proporcionando la comunicación directa entre ambos, lo que
permitirá al sistema web contar con la información totalmente actualizada y
homologada de los registros de la información en el Tryton.
153
Figura 60: Integración de base de datos
Por otro lado, la predicción del sistema web será retroalimentado
constantemente mediante la actualización y homologación entre base de
datos, la cual se realizará bajo la siguiente sentencia:
Figura 61: Código para retroalimentar la predicción
154
4.4.5. Preparación de los datos
Selección de los datos
Luego de concretar la validación de los datos, se descarta
información incompleta o incongruente, con esto se evita analizar datos que
puedan generar errores al momento de realizar los algoritmos del Machine
Learning.
Limpieza de datos
En esta fase, se ejecutaron funciones de Excel, con la finalidad
de erradicar los espacios en blanco existentes en la información
proporcionada, así como caracteres ocultos.
Construcción de los datos
Con respecto a los productos
Se realizó la transformación del campo ID PRODUCTO de la
tabla VENTAS. Dicha transformación se basó en codificar numéricamente
los valores del campo que en un comienzo comprendía valores alfabéticos
con el código de cada producto.
Luego, se procedió a clasificar el tipo de producto en ID LINEA
PROD asignándole un valor numérico a cada tipo de producto, con el fin de
diferenciar los datos y mantener el orden de dichos productos.
155
Tabla 22: Línea de producto
TIPO PRODUCTO
NOMBRE VALORES
Tapas 1
Detailing 2
Llaves y llaveros 3
Luces y Electrónica 4
Bujía 5
Filtro de Aire 6
Resorte 7
Neumáticos 8
Aceites 9
Integración de los datos
Se procedió a integrar la data descrita anteriormente, es decir,
el tipo de proporcionados por el dueño de la empresa, la fecha de cada venta
y la cantidad de productos vendidos.
4.4.6. Modelado
Escoger la Técnica de Modelado
Se utilizó las Redes Neuronales Recurrentes (RNN),
basándonos como referencia en el trabajo de investigación titulado “Sales
Demand Forecast in E-commerce Using a Long Short-Term Memory Neural
Network Methodology”, donde se realizó la predicción de la demanda en el
comercio exterior, considerando solo los datos históricos de ventas
productos, utilizando la Red Neuronal Recurrente con la extensión Long
Short-Term Memory (LSTM), que aprovecha las relaciones de demanda no
156
lineales disponibles en la clasificación de productos de comercio electrónico
Se introdujo un marco de predicción de la demanda basado en LSTM que
explota relaciones que existen en el negocio del comercio electrónico. En el
caso de los modelos de ventas completamente diferentes para toda la
cartera de productos, también se efectuó una propuesta de varias
estrategias de agrupación de productos para complementar el aprendizaje
de LSTM. Los resultados indican que las jerarquías de productos de
comercio electrónico contienen varios patrones de demanda de productos
cruzados y hay correlaciones disponibles, y los enfoques para explotar esta
información son necesarios para mejorar la precisión del pronóstico de
ventas en este dominio.
Para el presente trabajo de investigación, se cuenta con el
históricos de las ventas efectuadas en la empresa GGP Automotriz y tras la
investigación de papers mencionados anteriormente, se utilizó la Red
Neuronal Recurrente con la arquitectura LSTM, debido a que tuvieron
buenos resultados en dichos trabajos de investigación, los cuales nos
sirvieron como referencia y guía para el desarrollo del proyecto.
La arquitectura LSTM es la variante de las redes neuronales
recurrentes que se aplican para desarrollar modelos univariados para un
comercio minorista conjunto de datos comerciales de telecomunicaciones.
(Fariha, 2019)
157
Las RNN permiten el procesamiento de secuencia de datos, para
ello utilizan el concepto de recurrencia para generar la salida que se conoce
como estado oculto actual, el estado oculto es la memoria de la red
recurrente que permite que pueda analizar secuencias y que comparte y
preserve la información entre un estado y otro de esa red; utilizando como
entrada no solo las que se brinda al machine learning sino también la
interacción previa, de esta manera la red recordará las ventas de una fecha
anterior, con la finalidad de que el algoritmo las combine y se realicen las
predicciones. Asimismo, se utilizó la técnica Long Short Term Memory
(LSTM), lo que permite recordar datos en la secuencia por varios instantes
de tiempo de largo plazo, están en la capacidad de añadir o eliminar
información relevante para el procesamiento de la frecuencia.
Posteriormente, a los algoritmos se le entrenaron con un
histórico de datos para que de esta manera aprendan a asignar la etiqueta
de salida adecuada a un nuevo valor, prediciendo el valor de salida.
(Simeone, 2018). Actuando como una guía que permiten enseñar al
algoritmo a las conclusiones que debe llegar.
Construir el modelo
Para la construcción del modelo se utilizó la extensión Long
Short-Term Memory del algoritmo Redes Neuronales Recurrentes, para ello
se consideró como referencia papers que se encuentran en el Capítulo II y
en la técnica del Modelado, siendo uno de ellos “Sales Demand Forecast in
E-commerce Using a Long Short-Term Memory Neural Network
158
Methodology”, donde se realizó la predicción de la demanda en el comercio
exterior, en base a la data de las ventas realizadas, utilizando el algoritmo
de Redes Neuronales Recurrentes con la arquitectura LSTM, ya que esta
permite recordar secuencia de datos por un largo tiempo, similar a lo que se
realizó en el presente trabajo de investigación.
La Red Neuronal Recurrente, es la clase general de una red
neuronal que es la predecesora e incluye la extensión LSTM, lo que permite
que el modelo recuerdo datos por largos periodos de tiempo. (Sherstinsky,
2020)
Importando las librerías
A continuación, se describirá el modelo elegido sobre los datos
de entrenamiento. En esta fase se detallarán los ajustes de parámetros del
modelo, así como la salida del mismo y su respectiva descripción.
Para el desarrollo, se utilizó el algoritmo de Red Neuronal
Recurrente con las redes LSTM (Long Short Term Memory), ya que esta
arquitectura permite recordar un dato relevante en la secuencia y de
preservarlo por varios instantes de tiempo, teniendo una memoria de corto
plazo como las redes recurrentes básicas como de largo plazo.
Se utilizó el programa Jupyter Notebook, el cual permite
desarrollar código en Python, de manera que estos puedan ser ejecutados
por bloques y muestre texto, ecuaciones, gráficas e imágenes.
Adicionalmente, permitió implementar una arquitectura de redes neuronales
para predecir los volúmenes de ventas de la empresa GGP Automotriz.
159
Para comenzar con el desarrollo del entrenamiento de los datos,
se procedió a realizar la importación de las librerías Numpy, para el
procesamiento de los números; Pandas, para las estructuras y el análisis de
datos; Matplotlib, para la visualización y ploteo de las gráficas; describe de
Scipy, para la computa de estadísticas descriptivas del modelo, indicando su
varianza, desviación estándar, entre otras; Seaborn, librería basada en
Matplotlib, para la visualización de la data estadística, rcParams de Pylab
para la modificación del tamaño de las figuras. Asimismo, se definió un
máximo de 12 columnas y 24 filas para la visualización de los registros de
las ventas.
Figura 62: Librerías de Redes Neuronales
160
Construcción del Dataset
En este paso, se utilizó la data de las ventas de la empresa GGP
Automotriz, las cuales se encuentran clasificadas en ítem del 1 al 9, para el
tipo de accesorios y repuestos automotrices respectivamente.
Posteriormente, se procedió a importar el archivo en formato
.csv, mediante la librería Pandas, permitiendo leer y analizar los registros.
Figura 63: Importar data ventas
Luego, se procedió a separar las columnas por categorías de
fecha, producto y cantidad, y se colocó un índice, siendo este una propiedad
de los dataframe de Panda, donde guarda las fechas de las ventas en el tipo
de dato de Panda llamado “datetime”, y se eliminó la fecha de las ventas, ya
que se encuentra almacenada en el índice.
Figura 64: Código para guardar fecha en el índice
161
A continuación, se muestra la fecha de ventas, los ítems (tipos
de accesorios y repuestos automotrices) y la cantidad de productos
vendidos.
Figura 65: Data de ventas
Luego, se separó en ítem del 1 al 9, siento estos los tipos
accesorios y repuestos, con sus respectivos índices y cantidades, para lograr
un mejor orden en los registros.
Figura 66: Código para separar lo indicado
162
Características
Se realizó la codificación One Hot, el cual permite codificar en
binario el día (weekday) y el mes (month) para que, de esta manera, la red
neuronal reconozca la influencia de la estación en la data. Luego, se
concatenó el día, mes y lo que anteriormente se había ordenado.
Figura 67: Codificación One Hot
Posteriormente, se concatenó a cada fila, la cantidad tipo de
accesorios o repuestos automotrices vendidos de la fecha anterior, ya que
las redes neuronales recurrentes junto con la arquitectura LSTM utilizan esto
como entrada de la predicción, de esta manera se recuerda dicha fecha
anterior y se pueda obtener una mayor precisión acerca de la predicción
deseada, apilándolas una al lado de la otra, una secuencia.
163
Figura 68: Código para concatenar
De esta manera, se tiene 9 columnas más conteniendo la
cantidad de accesorios o repuestos automotrices vendidos de la fecha
anterior. Teniendo un total de 28 columnas: 7 correspondiente a los días, 12
correspondiente a los meses y 9 correspondiente a las ventas de una fecha
anterior de los tipos de productos.
El “1” aparece únicamente en el día y mes que se realizó la venta
en mención y el “0” en lo restante.
164
Figura 69: Data concateanada
165
Asimismo, se aseguró que las columnas apiladas y no apiladas
aparezcan en el mismo orden, ordenándolo por nombre.
Figura 70: Código para ordenar
Normalización
Una vez que se obtuvo la data combinada y las columnas
desplazadas por la fecha anterior, se procedió a escalar al máximo y mínimo
valor únicamente la cantidad de ventas realizadas. Esto fue necesario para
que la red neuronal funcione de manera eficaz.
Posteriormente, se utilizó la librería Scikit Learn, importando la
función MinMaxScaler, con el fin de normalizar los registros dependiendo del
mínimo y máximo valor y así tener como resultados valores entre 0 y 1; es
decir, si el valor máximo es 15, toda la columna se dividirá entre 15.
166
Figura 71: Código para normalizar registros
Modelos de Entrenamiento
Una vez normalizada la data, se procedió a separar en vectores
de entrada y salida para el entrenamiento y validación del modelo, mediante
la técnica del aprendizaje supervisado, siendo “x” las entradas que resulta
de la suma de la data apilada con las fechas anterior e “y” los valores reales
de las ventas que nos brindará la predicción.
167
Figura 72: Columnas del Dataset
De esta manera, se tiene por cada fila, todas las ventas de una
fecha, con los ítems vendidos, es decir, las 9 líneas de productos y siendo
las entradas (x) y las salidas (y) de la siguiente manera:
168
Tabla 23: Variables independientes e dependiente
VARIABLES DATOS
Codificación de días de la semana
X Codificación de meses del año
(Entradas)
Ventas de las 9 líneas de productos de una
fecha anterior
Ventas de las 9 líneas de productos de la

Y
fecha seleccionada al momento de realizar
(Salidas)
la predicción
Se dividió la data en entrenamiento y testing, ya que la primera
tiene como función entrenar al modelo y la segunda, testear y saber si está
funcionando correctamente, siendo “x” las entradas e “y” las salidas del
modelo.
Figura 73: Código para dividir data
Se modificó la estructura de la data, agregándole 1 dimensión
más a la matriz, teniendo como resultado 3 dimensiones, con el fin de que
Keras pueda procesarlo para introducir la data en el modelo.
169
Figura 74: Código para modificar dimensión
Modelos
Se procedió a utilizar la librería Keras, la cual usa TensorFlow
como backend, tomando como referencia el modelo Secuencial y para las
capas, Long short-term memory (LSTM) y Dense, con el fin de que permita
recordar las fechas anteriores, basándose en las estaciones y que se
encuentren completamente conectadas.
Figura 75: Librería Keras y Modelo Secuencial
Como se mencionó anteriormente, se utilizó el modelo
Secuencial, añadiendo, mediante LSTM, el número de columnas con los
valores de la matriz y también las entradas completamente conectadas.
Luego, se optimizan los valores de los parámetros para reducir el error
absoluto promedio cometido por la red neuronal, dicho procedimiento lo
realizamos con Adam.
170
Figura 76: Código para reducir error absoluto
Posteriormente, se procedió a entrenar el modelo, tomando
como referencia 200 épocas y 30 datos, ya que es recomendable realizar un
entrenamiento equilibrado para tener una predicción adecuada y validando
los valores obtenidos de entrada y salida. Para ello, se realizaron pruebas
entrenando al modelo y concluyendo cuál era la mejor selección de
parámetros para la predicción.
De esta manera, se observa que la función de validación de
costo del modelo es menor a la función de costo, ya que la primera se evalúa
cuando ya se entrenó al modelo.
171
Figura 77: Código para entrenar modelo
Se guarda el modelo en formato JSON, guardando la última fila
del dataframe, con el fin de conocer cuál fue la última fecha y desde ahí
predecir para luego desescalar cuando se complete la predicción.
Figura 78: Código para guardar modelo
172
A continuación, se muestra cómo se ha comportado la función
de costo del entrenamiento, colocando este con la validación del mismo:
Figura 79: Código para plotear
Lo que generó 2 curvas, de la siguiente manera:
Figura 80: Curva de entrenamiento
173
Evaluación del modelo
Para evaluar el modelo se utilizó la métrica Symmetric Mean
Absolute Percentage Error (SMAPE) como medida de precisión que se
encuentra basada en los errores porcentuales, definiéndose de la siguiente
manera:
Figura 81: SMAPE
Fuente: Edamame (2018)
Donde Ft es el valor real y At es el valor de pronóstico.
La diferencia absoluta entre Ft y At se divide por la mitad de la
suma de los valores absolutos del valor actual Ft y el valor pronosticado At.
El valor de este cálculo se suma para cada punto ajustado y se divide de
nuevo por el número de puntos ajustados n.
Se obtuvieron las columnas y los índices de la entrada (x_test) y
salida (y_test) junto con la cantidad de las filas. Se evaluó el modelo por cada
fila. Convirtiendo las entradas a 2d (2 dimensiones) porque la función predict
del modelo acepta 2d y cuando se produce la salida, solo se toma 1d (1
dimensión). Es así que, retorna los valores predichos en y_pred y los valores
reales en y_test.values, realizándose una comparativa de la efectividad del
comportamiento del modelo.
174
Figura 82: Código para evaluar modelo
Para evaluar la venta real, es necesario desescalar los valores
reales y realizar la gráfica mediante la función de SMAPE, con el fin de
obtener la predicción.
Figura 83: Código para desescalar
175
Se evalúa el modelo básico y los datos de validación (x_valid ,
y_valid) teniendo como resultado los valores predichos y los valores reales.
Figura 84: Evaluación del modelo
De esta manera, se obtiene la predicción de las ventas para los
tipos de accesorios y repuestos automotrices.
Figura 85: Predicción de las ventas
176
Resultados
En las siguientes gráficas, se muestran las predicciones de
ventas de accesorios y repuestos automotrices para los días 30 y 60,
contando desde el inicio del funcionamiento de la empresa (2017), es decir,
desde que inició la empresa, se realizó la predicción para el día 30 y
posteriormente para el día 60. Dichas predicciones permitirán a la empresa
efectuar la compra oportuna de los repuestos y/o accesorios automotrices,
logrando concretar e incrementar las ventas de estos y satisfaciendo las
necesidades y/o preferencias de sus clientes.
Las gráficas poseen un eje horizontal, siendo en este caso los
días y un eje vertical, las ventas. Asimismo, se tiene una la línea negra, que
indica los valores reales y la línea azul, la predicción, logrando una
comparativa de los mismos.
Para el día 30, se obtuvo como resultado una predicción de 6
ventas, siendo su valor real de 5.
177
Cantidad
vendida
días
Figura 86: Gráfica de predicción vs valor real al día 30
Para el día 60, se obtuvo como resultado una predicción de 5
ventas, siendo su valor real de 5,5.

Cantidad
vendida
días
178
Evaluar Modelo según fecha
En esta fase se evalúa las predicciones del modelo guardado y
retorna una lista de predicciones hasta la fecha indicada. Primero se realiza
la codificación One Hot de la fecha, siendo las entradas la predicción
anterior, es decir las ventas de una fecha anterior, y las ventas del día actual
junto con la fecha a predecir.
En la función principal, se carga el modelo que se guarda del
entrenamiento realizado anteriormente y la última fila de la data, con el fin de
obtener dos predicciones, la primera de las ventas de la fecha anterior y la
segunda de las ventas de la fecha actual a predecir, luego se procede a
desescalar la data normalizada que se encuentra entre los valores 0 y 1.
Se convierte la última fecha de TimeStamp a datetime para que
Python pueda procesar mejor las fechas a predecir y con la función diff
obtenemos la fecha que se va a predecir a partir de la última fecha de la data.
Luego inicializo el arreglo de predicciones (y_pred), siendo
x_next el último valor de la data con el que se realizará la primera predicción
y se procede a realizar un for con el que se van a predecir todos los días,
desde el día 0 hasta el último día indicado (diff). En la primera interacción,
se toma el primer valor y luego se realiza la codificación One Hot de la
predicción anterior y se cambia a 2d (2 dimensiones) para llevar a cabo la
predicción con la función model.predict.
179
Una vez que se obtenga la predicción, esta será para los ítems
del 1 al 9 pero en el sistema desarrollado se podrá escoger alguno de los
dos para mantener el orden de los productos automotrices.
Luego, se desescala a 1d (1 dimensión) y se agrega 0 para
mantener el formato adecuado, transformándolo a entero (int), obteniendo el
resultado final. Finalmente, se procede a migrar la construcción del modelo
de Python a la página web desarrollada mediante la función print.
180
Figura 88: Código para evaluar modelo según fecha
Data para la predicción
Para la predicción, se utilizará las ventas de repuestos y
accesorios automotrices que se encuentran registradas en el software Tryton
y de esta manera se retroalimentará constantemente, lo que permitirá que la
predicción mejore.
181
Se realizó la siguiente codificación, el cual será reemplazado en
lugar del Excel de las ventas, proporcionado por el dueño de la empresa.
Figura 89: Código para obtener las ventas registradas en el Tryton
4.5. Pruebas del sistema
Para las pruebas del sistema se efectuaron pruebas funcionales
descritas en el plan de pruebas del proyecto, así como pruebas de
rendimiento y carga, denominadas pruebas de estrés. Ambas pruebas
definen la correcta funcionalidad del sistema.
4.5.1. Plan de pruebas del proyecto
Producto de calidad de software formal, donde se establecen los
objetivos, el alcance y los ambientes que deben considerarse para el control
de calidad de un sistema. Se define una estrategia de trabajo y las
actividades de pruebas a ejecutarse en el presente proyecto. En la tabla 24
se muestra cada uno de los puntos de prueba que se realizarán por
funcionalidad.
182
Tabla 24: Plan de pruebas
Plan de pruebas
Tipo
Tipo de Ítem de Fecha
Nro. Módulo de Descripción Tester
Unidad Prueba Planificada
Prueba
El gerente puede realizar Marcos
Paquete de Predecir la predicción de los Robles /
1 FCUS FN 16/12/2020
Predicción Demanda repuestos y/o accesorios Marilyn
automotrices. Valverde
El gerente puede realizar Marcos
Mantenimiento la edición, eliminación y Robles /
2 FCUS FN 16/12/2020
Encuesta control frente a las Marilyn
encuestas. Valverde
El gerente puede Marcos

Mantenimiento realizar el registro, Robles /
3 FCUS FN 16/12/2020
Oferta edición, eliminación y Marilyn
control de las ofertas. Valverde
Paquete de Marcos
El usuario puede hacer
Encuesta Oferta Robles /
4 FCUS Enviar Encuesta FN el envío de la encuesta 16/12/2020
Marilyn
hacia los clientes.
Valverde
Marcos
El cliente puede efectuar
Realizar Robles /
5 FCUS FN la encuesta 16/12/2020
Encuesta Marilyn
proporcionada.
Valverde
Marcos
El cliente puede
Robles /
6 FCUS Comprar Oferta FN efectuar la adquisición 16/12/2020
Marilyn
de una oferta.
Valverde
Marcos
El sistema puede hacer
Paquete de Robles /
7 FCUS Enviar Oferta FN el envío automático de 16/12/2020
Envío Oferta Marilyn
ofertas.
Valverde
183
Casos de prueba para los casos de uso del sistema
Se describirá a detalle las pruebas realizadas referente a los
casos de uso del sistema.
Leyenda
FCUS (Validación de la funcionalidad del caso de uso).
a) Módulo: Módulo del sistema que se evalúa.
b) CUS: Artefacto específico del módulo sujeto a evaluación.
c) Tipo de Prueba: FN (Funcional), NFN (No Funcional).
d) Descripción: Detalle de lo que se pretende probar.
e) Tester: Persona encargada de ejecutar la prueba.
184
Informe de pruebas: Predecir Demanda
Tabla 25: Informe del caso de prueba – Predecir Demanda
INFORME DEL CASO DE PRUEBA
Módulo: Paquete de Predicción

Ítem de Prueba: Predecir demanda
Fecha: 16/12/2020 Avance % 100%
Tester: Marcos Robles / Marilyn Valverde
En la presente prueba del caso de uso del sistema “Predecir_Demanda” se valida que el usuario con
Descripción de
su cuenta activa pueda realizar la predicción de las ventas en un fecha ingresada donde el sistema
la prueba:
validara y mostrara los resultados.
Predecir_Demanda
N° Tipo Descripción Resultado Esperado Resultado Detalle del Resultado
La aplicación mostró los

Realizar la predicción de la El usuario podrá visualizar
resultados de la
demanda ingresa una fecha los resultados de la
Prueba predicción de los
1 y seguidamente hace clic en predicción de los accesorios Obtenido
Unitaria accesorios y repuestos
la opción "Predecir" de la y repuestos automotrices en
automotrices en la fecha
interfaz de “Predicción”. la fecha ingresada.
ingresada.
El sistema muestra el
No se ingresó el tipo de El sistema valida los campos mensaje de error y
producto ni la fecha para no ingresados logrando solicita ingresar los
Prueba
2 efectuar la predicción de los mostrar un mensaje de error Obtenido campos requeridos para
Unitaria
accesorios y repuestos y solicita ingresar los campos efectuar la predicción de
automotrices. requeridos los repuestos y
accesorios automotrices.
El sistema valida el tipo de mensaje de error y
No se ingresó el tipo de
producto no ingresada solicita ingresar tipo de
Prueba producto para efectuar la
3 logrando mostrar un mensaje Obtenido producto para efectuar la
Unitaria predicción de los accesorios
de error y solicita ingresar un predicción de los
y repuestos automotrices.
tipo de producto. repuestos y accesorios
automotrices.
El sistema valida la fecha no mensaje de error y
No se ingresó la fecha para
ingresada, muestra un solicita ingresar una
Prueba efectuar la predicción de los
4 mensaje de error y solicita Obtenido fecha para efectuar la
Unitaria accesorios y repuestos
ingresar una fecha a predicción de los
automotrices.
predecir. repuestos y accesorios
automotrices.
185
Figura 90: Módulo predicción de demanda
186
Figura 91: Mensaje de error por no ingresar tipo de ítem ni fecha a predecir
187
Figura 92: Mensaje de error por no ingresar tipo de ítem
Figura 93: Mensaje de error por no ingresar fecha a predecir
188
Informe de pruebas: Mantenimiento Encuesta
Tabla 26: Informe del caso de prueba – Mantenimiento

Encuesta
Módulo: Paquete de Encuesta Oferta

Ítem de Prueba: Mantenimiento Encuesta
Fecha: 16/12/2020 Avance % 100%
Descripción de En la presente prueba del caso de uso del sistema “Mantenimiento_Encuesta” se valida que el usuario
la prueba: con su cuenta activa pueda realizar la edición y ver las respuestas de los cliente frente a la encuesta.
Mantenimiento_Encuesta
El usuario logro realizar

El usuario logra realizar la la edición
Usuario con permisos para
Prueba edición de la encuesta, correspondiente,
1 realizar la edición de la Obtenido
Unitaria logrando adicionar, editar o permitiendo adicionar,
encuesta.
eliminar alguna pregunta. editar o eliminar alguna
pregunta de la encuesta.
El sistema muestra los

El usuario logra visualizar las
resultados de la
Usuario con permisos para respuestas de la encuesta,
Prueba encuesta así como la
2 visualizar las respuestas de permitiendo ver la cantidad Obtenido
Unitaria cantidad de respuestas
los clientes. de respuestas obtenidas por
obtenidas por cada
cada pregunta.
pregunta.
Usuario con permisos para El usuario logra visualizar el

Prueba visualizar el detalle de detalle de los envíos
3 Obtenido detalle sobre el envío de
Unitaria envíos las encuesta a los realizados de las encuestas
las encuestas.
clientes. hacia los clientes.
El usuario logró
Usuario con permisos para El usuario logra descargar en
descargar el archivo en
Prueba descargar las respuestas un archivo con formato Excel,
4 Obtenido formato Excel las
Unitaria obtenidas tras el envío de las respuestas obtenidas tras
respuestas de las
las encuestas. el envío de las encuestas.
encuestas.
El usuario logra cancelar la El sistema cancela la

edición de alguna pregunta edición de la encuesta y
Prueba Cancelación de la edición de
5 de la encuesta, con la Obtenido no genera ningún
Unitaria la encuesta
finalidad de no generar cambio dentro de la
cambios en ella. encuesta.
189
Figura 94: Editar pregunta de encuesta
190
Figura 95: Detalle de envíos
191
Figura 96: Respuestas de encuestas realizadas
Figura 97: Resultados de módulo de encuesta
192
Informe de pruebas: Mantenimiento Oferta
Tabla 27: Informe del caso de prueba – Mantenimiento Oferta

Ítem de Prueba: Mantenimiento Oferta
Fecha: 16/12/2020 Avance % 100%
En la presente prueba del caso de uso del sistema “Mantenimiento_Oferta” se valida que el usuario
Descripción de
con su cuenta activa pueda realizar la creación, edición y la eliminación de una oferta de accesorios
la prueba:
Mantenimiento_Oferta

Usuario con permisos para El usuario logra realizar el
el registro efectivo de
Prueba efectuar el registro de una registro de una nueva oferta
1 Obtenido una nueva oferta de
Unitaria nueva oferta de accesorios de accesorios y/o repuestos
accesorios y repuestos
y/o repuestos automotrices. automotrices.
automotrices.

realizar la edición de una
Prueba edición de una oferta correspondiente de una
2 oferta ya existente sobre Obtenido
Unitaria existente de accesorios y/o oferta ya registrada de
accesorios y/o repuestos
repuestos automotrices. accesorios y repuestos
automotrices.
automotrices.

El usuario logra eliminar una El usuario logro eliminar
realizar la eliminación de
Prueba oferta ya existente de una oferta existente de
3 una oferta ya existente de Obtenido
Unitaria accesorios y/o repuestos accesorios y/o repuestos
automotrices. automotrices.
automotrices.
El usuario cancela la edición El sistema cancela la

Cancelar la edición de una de una oferta de accesorios edición y no se genera la
Prueba
4 oferta de accesorios y/o y/o repuestos automotrices Obtenido actualización de la oferta
Unitaria
repuestos automotrices. sin adulterar ningún dato de accesorios y/o
original. repuestos automotrices.
193
Figura 98: Registro de oferta
194
Figura 99: Visualización de oferta creada
Figura 100: Editar oferta
195
Figura 101: Eliminar oferta
Informe de pruebas: Enviar Encuesta
Tabla 28: Informe del caso de prueba – Enviar Encuesta

Ítem de Prueba: Enviar Encuesta
Fecha: 16/12/2020 Avance % 100%
Descripción de En la presente prueba del caso de uso del sistema “Enviar_Encuesta” se valida que el usuario con su
la prueba: cuenta activa pueda realizar el envío de la encuesta haciendo los clientes.
Enviar_Encuesta
El usuario logro hacer el

El usuario realiza el envío de El usuario logra realizar el
Prueba envío de la encuesta a
1 la encuesta hacia los envío de la encuesta a los Obtenido
Unitaria ciertos clientes
clientes. clientes seleccionados.
seleccionados.
El sistema cancela el
Prueba Cancelación del envío de la EL usuario cancela el envío envío de la encuesta
2 Obtenido
Unitaria encuesta. de la encuesta a los clientes. retornando a la interfaz
de envío de encuesta.
196
Figura 102: Enviar encuesta
Figura 103: Alerta de encuesta enviada satisfactoriamente
197
Figura 104: Correo de la encuesta recibida
Informe de pruebas: Enviar Oferta
Tabla 29: Informe del caso de prueba – Enviar Oferta
Módulo: Paquete Envío Oferta

Ítem de Prueba: Enviar Oferta
Fecha: 16/12/2020 Avance % 100%
En la presente prueba del caso de uso del sistema “Enviar_Oferta” se valida que el sistema con su
Descripción de
pueda hacer el envío automático de alguna oferta registrada hacia los clientes en base de los
la prueba:
resultados obtenidos de las encuestas.
Enviar_Oferta
198
El sistema realizo el
El sistema logra enviar la envío automático de la
El sistema realiza el envío
Prueba oferta existente acorde a los oferta haciendo el
1 automático de la oferta Obtenido
Unitaria resultados obtenidos de las cliente a base de sus
hacia el cliente.
encuestas. resultados obtenidos en
la encuesta.
El sistema no logra realizar el El sistema no realiza el
El sistema no realiza el envío automático de la oferta envío automático de la
Prueba
2 envío automático de la debido a que no cuenta con Obtenido oferta debido que no se
Unitaria
oferta por falta de datos. resultados acorde a las cuenta con la
ofertas existentes. información necesaria.
Figura 105: Correo de oferta recibida
Informe de pruebas: Realizar Encuesta
Tabla 30: Informe del caso de prueba - Realizar Encuesta

Ítem de Prueba: Realizar Encuesta
Fecha: 16/12/2020 Avance % 100%
Descripción de En la presente prueba del caso de uso del sistema “Realiza_Encuesta” se valida que el cliente puede
la prueba: realizar la encuesta proporcionada por correo electrónico.
Realizar_Encuesta
199
El cliente recibió el
El cliente recibe el correo El cliente logra recibir el
Prueba correo electrónico
1 conteniendo el acceso para correo conteniendo el link de Obtenido
Unitaria conteniendo el link de
realizar la encuesta. acceso.
acceso.
El cliente accede a la
interfaz de la encuesta El cliente logra acceder a la El cliente logró acceder a
Prueba
2 mediante el link interfaz de la encuesta sin Obtenido la interfaz de la
Unitaria
proporcionado vía correo ningún problema encuesta.
electrónico.
El cliente envía las El cliente logra enviar sus El cliente logró enviar
Prueba
3 respuestas de la encuesta respuestas frente a la Obtenido sus respuestas de la
Unitaria
recibida. encuesta recibida. encuesta.
200
Figura 106: Encuesta
201
Informe de pruebas: Comprar Oferta
Tabla 31: Informe del caso de prueba - Comprar Oferta

Ítem de Prueba: Comprar Ofertas
Fecha: 16/12/2020 Avance % 100%
Descripción de En la presente prueba del caso de uso del sistema “Comprar_Oferta” se valida que el cliente puede
la prueba: realizar alguna compra ofertas existentes.
Comprar_Oferta
El cliente recibe el correo El cliente recibió el

El cliente logra recibir el
Prueba conteniendo el acceso para correo electrónico
1 correo conteniendo el link de Obtenido
Unitaria realizar la compra de alguna conteniendo el link de
acceso.
oferta. acceso.
interfaz de las ofertas El cliente logra acceder a la
Prueba El cliente logró acceder a
2 mediante el link interfaz de las ofertas sin Obtenido
Unitaria la interfaz de las ofertas.
proporcionado vía correo ningún problema
electrónico
El cliente logra adquirir El cliente realizó la

Prueba El cliente realiza la compra
3 alguna oferta dentro de la Obtenido adquisición de una oferta
Unitaria de alguna oferta.
interfaz. dentro de la interfaz.
202
Figura 107: Página web dónde adquirir ofertas
Figura 108: Detalle de facturación
Figura 109: Mensaje para el cliente luego de adquirir oferta
203
4.5.2. Pruebas de estrés
Se realizó las pruebas de estrés donde se midió el rendimiento
de nuestro sistema web.
Pruebas de estrés sobre carga y rendimiento web
Para esta se prueba de estrés se utilizó la herramienta
ApacheBench, la cual es una herramienta de código abierto utilizado el
sistema operativo Ubuntu en la distribución 18.04.5, la cual permite medir el
rendimiento de carga y el comportamiento de la página con un número
determinado de usuarios concurrentes y solicitudes.
Se efectuaron 5 pruebas:
a) 10 usuarios concurrentes con 100 solicitudes
b) 20 usuarios concurrentes con 200 solicitudes
c) 50 usuarios concurrentes con 500 solicitudes
d) 100 usuarios concurrentes con 1000 solicitudes
e) 200 usuarios concurrentes con 2000 solicitudes
La sentencia o línea de comando para efectuar las pruebas es
la siguiente:
ab -c “X” -n “Z” “ACB”
Indicamos con “X” el número de conexiones de usuarios
concurrentes, con “Z” indicamos el número total de las solicitudes y por
ultimo “ABC” se indica el sitio web a la cual se efectuará la prueba.
204
Prueba de 10 usuarios concurrentes y 100 solicitudes
Se ejecutó la siguiente línea de comando:
ab -c 10 -n 100 http://localhost:8080/
En la figura 110, se describe el resultado frente a la prueba
obtenida la cual muestra un resultado óptimo.
Figura 110: Prueba de 10 usuarios concurrentes y 100 solicitudes
205
206
207
208
209
CAPÍTULO V
RESULTADOS
Se presentan los resultados obtenidos del trabajo de investigación las
cuales se analizará a base de los objetivos específicos anteriormente
descritos.
OE1: Identificar los factores de demanda de los clientes frente a los
repuestos y accesorios automotrices para poseer el stock necesario e
incrementar las ventas utilizando el aprendizaje supervisado de Machine
Learning.
El proceso de identificar los patrones de demanda de los clientes
frente a los repuestos y accesorios automotrices se realizó mediante la
utilización de la técnica de aprendizaje supervisado de Machine Learning,
gracias a ello, fue posible realizar predicciones del nivel de ventas de los
repuestos y accesorios automotrices y realizar una buena toma de
decisiones con el fin de incrementar las ventas de los mismos.
Se realizó el ploteo mediante la librería Seaborn, resultando la gráfica
de función de distribución probabilística, en dónde el eje X muestra el
210
porcentaje de error de la predicción y el eje Y muestra la frecuencia de error
obtenido.
Figura 115: Gráfica de porcentaje de error
En las siguientes gráficas, se muestran las predicciones de repuestos
automotrices para el día 30, contando desde el inicio del funcionamiento de
la empresa (2017), es decir, desde que inició la empresa, se realizó la
predicción para el día 30. Dichas gráficas poseen un eje horizontal, siendo
en este caso los días y un eje vertical, la cantidad de repuestos automotrices.
Asimismo, se tiene una la línea negra, que indica los valores reales y la línea
azul, la predicción, logrando una comparativa de los mismos.
211
Para el día 30, se obtuvo como resultado una predicción de 6 ventas,
siendo su valor real de 5.

Cantidad
vendida
días
De esta manera, se obtuvo la predicción de la cantidad vendida, en
base a un día en específico y el tipo de accesorio o repuesto automotriz. La
gráfica y la tabla muestran la cantidad de ítem que se venderán, desde la
última fecha de la data ingresada en el Machine Learning (mayo 2020), hasta
la fecha escogida a predecir. Permitiendo a la empresa poder analizar y
realizar la compra necesaria de los tipos de accesorios y/o repuestos
automotrices para contar con el stock necesario y así poder satisfacer las
preferencias y/o necesidades de los clientes.
212
Figura 117: Módulo de predicción de demanda
OE2: Diseñar y desarrollar un módulo de encuestas para identificar
las necesidades y/o preferencias de los clientes con la finalidad de generar
y enviar ofertas personalizadas de repuestos y accesorios mediante la
captura de información.
213
Dicho objetivo se logró en base al proceso de recepción de correo
electrónico por parte del cliente, dicho correo contiene un link que
redirecciona hacia la interfaz de encuesta para que este pueda realizarla y
de esta manera, enviar sus resultados acordes a las preguntas planteadas.
En primer lugar, el envío del correo electrónico al cliente se realizó
desde la interfaz del sistema web, de manera satisfactoria, dicho correo
contiene el link de acceso para que el cliente pueda ingresar, visualizar la
interfaz y resolver la encuesta planteada; dicho resultado podemos
observarlo en la figura 118.
Figura 118: Envío de encuesta
214
Figura 119: Correo recepcionado por el cliente
Asimismo, la visualización de la interfaz y el envío de las respuestas
del cliente tras completar la encuesta son almacenadas en la base de datos
del sistema web, donde el usuario del sistema podrá visualizar dichas
respuestas obtenidas, tal como se muestra en la figura 120:
215
Figura 120: Encuesta enviada al cliente
Figura 121: Encuesta registrada
Las respuestas de las encuestas que realizaron los clientes, se
visualizan dentro del módulo de Encuestas, por lo que el usuario podrá
analizar, comprender y realizar una toma de decisiones frente a dichos
resultados.
216
Figura 122: Resultados de encuestas
En conclusión, el desarrollo del módulo se basó en el envío de una
encuesta personalizada hacia los clientes de la empresa, donde dicha
encuesta es respondida y los resultados obtenidos son almacenados en el
sistema web, el cual permite visualizarlas y poder comprender las
necesidades y/o preferencias de los clientes con la finalidad de realizar una
buena toma de decisiones para generar ofertas personalizadas e
incrementar las ventas de accesorios y repuestos automotrices.
217
Por otro lado, se realizó encuestas a 43 clientes de la empresa, a
través de la plataforma de Google Form, donde se les consultó temas
relacionados a la demanda de accesorios y repuestos automotrices, con el
fin de conocer sus preferencias y obtener más información acerca de estos.
En el Anexo 5 “Encuesta clientes”, se detalla las preguntas realizadas.
En la figura 123, se visualiza los 5 tipos de productos adquiridos
últimamente por parte de los clientes, los cuales son: aceites para motor,
representando el 27,9%; neumáticos, el 18,6%; resortes progresivos y
embellecedores el 16,3% en ambos casos y finalmente luces y electrónica,
el 14%.
Figura 123: Porcentaje de último tipo de producto adquirido por los clientes
218
En la figura 124, se visualiza los 5 tipos de productos más adquiridos
por parte de los clientes, los cuales son: aceites para motor representando
el 27,9%; embellecedores, el 23,3%; bujías, el 18,6% y finalmente, luces y
electrónica junto con tapas de aros representa el 14% en ambos casos.
Figura 124: Porcentaje de tipos de productos que más compran los clientes
En la figura 125, se observa los 6 tipos de productos que les gustaría
adquirir a los clientes, los cuales son: aceites para motor representando el
25,6%; neumáticos, el 20,9%, bujías y las tapas de aros, el 16,3% en ambos
casos y finalmente, luces y electrónica junto con embellecedores
representan el 14% para ambos casos de igual forma.
219
Figura 125: Porcentaje de productos que les gustaría adquirir a los clientes
En la figura 126, se visualiza que la frecuencia de compra de los
clientes de 1 vez al mes representa el 34,9%; de 2 a 5 veces a la semana, el
20,9%; cuando se daña el vehículo; el 18,6%; 2 veces al mes, el 16,3% y,
por último, 1 vez a la semana, el 9,3%.
Figura 126: Porcentaje de frecuencia de compra con los clientes
220
En la figura 127, se visualiza que el recorrido diario que realizan los
clientes con su auto, de 0 – 15 km representa el 18,6%; de 15 – 30 km, el
37,2%; de 30 - 45 km, el 27,9%; de 45 – 60 km, el 9,3% y, por último, más
de 60 km, el 7%.
Figura 127: Porcentaje de recorrido diario de un auto
OE3: Diseñar y desarrollar un módulo de registro y venta de productos
ofertados para los clientes, con el fin de generar más ventas mediante el
análisis de la información.
Luego de capturar las necesidades y/o preferencias de los clientes, a
través de las encuestas, se procedió con la creación de las ofertas,
basándonos en los resultados obtenidos de estos, dichas ofertas se envían
de manera automática hacia los clientes de la empresa.
Al momento de obtener un nuevo resultado de una encuesta realizada
por el cliente, el sistema procesa dichos resultados e identifica la necesidad
y/o preferencia del cliente frente a un tipo de producto relacionado con una
oferta registrada, permitiendo así que el sistema web haga el envío
automático de la oferta en mención.

221
Tomando como ejemplo pruebas realizadas en el módulo de
encuestas, el resultado obtenido del producto que más les gustaría adquirir
a los clientes es el aceite, tal como se muestra en la siguiente imagen:
Figura 128: Resultado obtenido de preferencia de productos
Es así que, en las figuras 129 y 130, se muestra el registro de la oferta
de aceites para motor marca MOBIL, la cual contiene 2 unidades de aceites
de 3.8 litros, siendo su precio total de 90 soles y el precio de oferta de 80
soles, asimismo se registra el stock disponible del producto.
222
Figura 129: Registro de oferta de aceite
Figura 130: Oferta de Aceite Móvil
223
En base a las encuestas realizadas, el sistema identifica al cliente
interesado en alguna oferta registrada anteriormente en el sistema y se
procede a enviar, de forma automática, dicha oferta; tomando el ejemplo
anterior, la oferta sería de aceites para motor, obteniendo como resultado lo
siguiente:
Figura 131: Correo de oferta recepcionado por el cliente
224
En el correo se muestra una breve descripción de la oferta, este
contiene el de acceso a la interfaz donde el cliente puede efectuar la
adquisición de dicho producto y con ello generar más ingresos a la empresa
sobre los accesorios y/o repuestos automotrices, tal como se muestra en la
figura 132:
Figura 132: Ofertas para vender al cliente
OE4: Integrar los módulos desarrollados junto con el software externo
de logística para realizar una predicción de ventas de repuestos y accesorios
automotrices mediante el uso de Machine Learning.
La integración del sistema web junto con el software externo de
logística se efectuó a nivel de base de datos, ambos se conectan bajo un
mismo entorno trabajando en el motor PostgresSQL, donde el sistema web
consulta y extrae información de la base de datos del software de logística,
tal como se explica a continuación.
225
Ingresando a la base de datos PostgresSQL podremos observar que
se cuentan con las siguientes bases de datos:
En lo que corresponde al sistema web, se tiene la base de datos
denominada “api” y para el software externo de logística, “tryton_test”.
Se muestra la configuración del entorno de la base de datos
ingresando al motor de este, con la siguiente sentencia:
sudo –u postgres psql
Figura 133: Base de datos postgres psql
Seguidamente listamos las bases de datos alojadas en este entorno
con la siguiente sentencia:
\list
Figura 134: Lista de la base de datos
226
Realizamos la consulta frente a la base de datos “api” con la finalidad
de visualizar el contenido dentro de ella:
\c api
Figura 135: Base de datos api
Posteriormente, consultamos las tablas contenidas dentro de dicha
base de datos con la siguiente sentencia:
\dt
Figura 136: Tablas de la base de datos api
227
Se realizaron consultas y extracción de información sobre las tablas
pertenecientes al software externo de logística, por lo que la integración entre
el sistema web desarrollado y el software externo de logística, pertenecientes
a mismo entorno a nivel de base de datos, se realizó de manera satisfactoria,
ambas interactúan y consultan información para mejorar el sistema de
predicción de la demanda de repuestos y accesorios automotrices.
Como resultado, realizamos la consulta de los clientes registrados en
el software externo de logística y estos se verán reflejados también en el
sistema web desarrollado.
En la siguiente imagen, se muestran los clientes registrados dentro
del software externo, en donde visualizamos el registro de 4 clientes:
Figura 137: Software de logística Tryton
228
Asimismo, en el sistema web se puede apreciar los mismos clientes
registrados anteriormente en el software externo de logística:
Figura 138: Sistema web GGP
El resultado sobre la captura de clientes y la extracción desde el
sistema externo de logística hacia el sistema web desarrollado nos ayuda en
llevar un correcto registro y así poder efectuar el envío de las encuestas
hacia estos con la finalidad de ejecutar la captura de necesidades de los
clientes y con ello poseer información que influyan en las predicciones
realizadas sobre los accesorios y repuestos automotrices.
229
Es así que, el sistema web extraerá información de manera mensual
sobre las ventas efectuadas y registradas en el sistema externo de logística,
con la finalidad de que el machine learning sea retroalimentado con el fin de
realizar mejores predicciones de accesorios y repuestos automotrices.
230
CAPÍTULO VI
DISCUSIÓN
El presente trabajo de investigación tuvo como principal objetivo el
desarrollo de un sistema web que permita procesar, analizar, identificar y
predecir la demanda de los repuestos y accesorios automotrices de la
empresa GGP y con ello cubrir la falta de stock y generar más ventas de los
mismos y todo mediante la aplicación de Machine Learning.
El uso del machine learning junto con el algoritmo de redes neuronales
recurrentes permitió realizar predicciones sobre la demanda de repuestos y
accesorios automotrices, por lo que uno de los aspectos críticos para el
desarrollo de este trabajo de investigación fue la calidad y cantidad de la data
utilizada para realizar las predicciones, así como la integración del sistema
web con el software externo de logística.
231
OE1: Identificar los factores de demanda de los clientes frente a los
repuestos y accesorios automotrices para poseer el stock necesario e
incrementar las ventas utilizando el aprendizaje supervisado de Machine
Learning.
En la gráfica 115, se muestra los porcentajes de error con la
frecuencia de los mismos, asimismo, se puede identificar que el rango de
error se encuentra entre 15% a 40% y la frecuencia, entre 0.01 hasta 0.08
de una predicción. Por otro lado, se identifica que el mayor porcentaje de
error en una predicción es 22% con una frecuencia de 0.08.
Estos porcentajes de error influyen directamente en las predicciones
realizadas de los tipos de accesorios y repuestos automotrices, tales se
muestran en las gráficas 116 y 117 donde se puede observar los valores
reales y la predicción realizada, concluyendo que dicha predicción presenta
una probabilidad de acierto entre 60% y 75% aproximadamente.
Por otro lado, se observan estudios que evidencia patrones similares
frente a la demanda de otro tipo de productos, como es el caso del trabajo
de investigación de la predicción de la demanda de alquiler de bicicletas
(Valkov, 2016), donde se muestra que las predicciones de estas se
encuentran en un margen muy cercano a la data real utilizada; la cual
realizando una comparativa de nuestros resultados obtenidos con el trabajo
de investigación mencionado anteriormente, presentan similitud en ambas
situaciones en el margen de cercanía con la data real utiliza.
232
Para este trabajo de investigación es necesario discutir algunos
aspectos de gran importancia respecto al uso de las redes neuronales
recurrentes, ya que estos permiten que el modelo recuerde las ventas de
una fecha anterior para poder predecir las ventas de la fecha actual. Frente
al uso de las redes neuronales recurrentes y gracias a la aplicación de la
extensión Log-Short Term Memory (LSTM), lo que permitió recordar un dato
relevante en la secuencia y de preservarlo por varios instantes de tiempo,
teniendo una memoria de corto plazo como las redes recurrentes básicas,
así como de largo plazo, analizando los datos registrados de las ventas de
los accesorios y repuestos automotrices como secuencia de entrada, y
produciendo la predicción de la demanda de los mismos.
Para lograr una mejor predicción de la demanda de accesorios y
repuestos automotrices es necesario que el sistema web sea
retroalimentado de manera mensual, sobre las ventas efectuadas hacia los
clientes y que estas sean registradas en el software externo de logística con
la finalidad de que el sistema web, donde se encuentra alojado el machine
learning, pueda ser re-entrenada y posea más información con el fin de
identificar patrones para obtener mejores resultados.
Asimismo, los resultados obtenidos frente a la predicción de las
ventas de los accesorios y/o repuestos automotrices, permite a la empresa
poder efectuar la coordinación de la compra oportuna y eficiente sobre los
accesorios y/o repuestos automotrices con la finalidad de contar con el stock
233
suficiente y poder satisfacer la demanda de los mismos obteniendo un mayor
ingreso económico.
OE2: Diseñar y desarrollar un módulo de encuestas para identificar
las necesidades y/o preferencias de los clientes con la finalidad de generar
y enviar ofertas personalizadas de repuestos y accesorios mediante la
captura de información.
Respecto al segundo objetivo específico planteado y los resultados
obtenidos tras el desarrollo satisfactorio del módulo junto con sus interfaces
para la captura de información y la identificación de las necesidades y/o
preferencias de los clientes podemos señalar que, en primer lugar, con el
uso de dicho modulo, la empresa puede efectuar el envío de la encuesta a
sus clientes con el fin de recolectar data para analizar e identificar sus
necesidades y/o preferencias frente a los accesorios y repuestos
automotrices para generar y vender ofertas personalizadas.
Por otro lado, se encontró una asociación estadísticamente
significativa mostradas anteriormente en las figuras 124, 125 y 126, donde
los clientes presentan una tendencia, preferencia y necesidad de compra
frente a los aceites para motor. Esto se podría relacionar en una
identificación de necesidad para el cliente y un beneficio directo hacia la
empresa, por lo que tras la identificación de este tipo de producto y la toma
de decisiones se genera una oferta personalizada para satisfacer y cubrir
dicha necesidad identificada.
234
Mediante la realización de la encuesta, se efectúa un análisis de los
resultados obtenidos para identificar sus necesidades y/o preferencias con
la finalidad de ejecutar una buena toma de decisiones para la creación de
ofertas personalizadas hacia los clientes, permitiendo a la empresa contar
con un catálogo de ofertas de los accesorios y repuestos automotrices, el
cual, el cliente tiene acceso a este, por medio de una interfaz para poder
adquirir dichos productos ofertados y con ello generar más ingresos
económicos para la empresa. Asimismo, la captura de información de las
encuestas proporciona a la empresa la facilidad de anticiparse y comprar los
accesorios y repuestos automotrices que más se tienden a solicitar y/o
comprar por los clientes, de esta manera, la empresa no tendrá problemas
de stock.
OE3: Diseñar y desarrollar un módulo de registro y venta de productos
ofertados para los clientes, con el fin de generar más ventas mediante el
análisis de la información.
Con relación al tercer objetivo planteado, el envío automático del
correo electrónico conteniendo la oferta personalizada junto con el link de
acceso para que el cliente pueda adquirir los productos, permite a la empresa
incrementar sus ventas de repuestos y accesorios automotrices. Cabe
resaltar que se deberá realizar siempre el análisis de la información obtenida
de los resultados de las encuestas realizadas a los clientes con el fin de crear
ofertas que satisfagan las necesidades y/o preferencias de los clientes y se
realice el envío automático de las mismas.
235
OE4: Integrar los módulos desarrollados junto con el software externo
de logística para realizar una predicción de ventas de repuestos y accesorios
automotrices mediante el uso de Machine Learning.
Con respecto a la integración, el sistema web junto con el software
externo de logística, interactúan bajo un mismo entorno a nivel de base de
datos, compartiendo información para lograr optimizar la predicción de las
ventas de los accesorios y repuestos automotrices.
Un punto importante frente a dicha integración recae en el registro
oportuno de las compras y ventas, así como la actualización del inventario
de los repuestos automotrices en el software de logística, Tryton, debido que
el sistema web necesita ser retroalimentado de manera mensual, con la
finalidad de que el machine learning que se encuentra alojado en el sistema
web pueda ser re-entrenada y contener mayor información e identificar
nuevos patrones para mejorar la predicción y así obtener resultados más
precisos sobre la demanda. Asimismo, se debe de contar con la información
actualizada de los clientes dentro del Tryton, debido a que el sistema web
extrae el registro de estos con la finalidad de poder efectuar diferentes
actividades tales como el envío de las encuestas, visualizar los resultados
de los mismos, envío automático de las ofertas y la adquisición de productos.
236
CONCLUSIONES
1. OE1: Se identificaron los factores de demanda de los clientes en
base a la data de las ventas de los repuestos y accesorios
automotrices, las cuales corresponden al inicio de las estaciones
de primavera y verano en donde se identificó que la demanda de
los productos es mayor y esto permitirá a la empresa realizar la
predicción y efectuar la compra oportuna del stock.
2. OE2: Se identificaron las necesidades y/o preferencias mediante el
envío de encuestas hacia los clientes y visualizar los resultados
obtenidos por estos con el fin de realizar la creación de ofertas
personalizadas y el envío automático de las mismas.
3. OE3: Se realizó el registro de productos ofertados tras el análisis
de la información de los clientes, donde estos podrán efectuar la
compra de productos ofertados y así la empresa incrementar sus
ventas.
237
4. OE4: Se logró la integración a nivel de base de datos de los
módulos desarrollados junto con el software Tryton, permitiendo al
sistema web realizar una mejor predicción ya que será
retroalimentado constantemente con las ventas que se encuentran
registradas en el Tryton, debido a que las bases de datos de ambos
se comunican en un mismo entorno compartiendo la misma
información permitiendo a la empresa una mejor toma de
decisiones al efectuar la compra oportuna del stock de los
productos.
238
RECOMENDACIONES
1. OE1: Las ventas de los accesorios y/o repuestos automotrices se
debe actualizar constantemente en el Tryton, con el fin de contar
con mayor data para poder identificar factores adicionales de la
demanda y así obtener mejores resultados en la predicción para
realizar la compra oportuna de los mismos.
2. OE2: Ampliar el estudio de los clientes, mediante las encuestas
realizadas para identificar variables adicionales que puedan ser
consideradas dentro del análisis de las preferencias y necesidades
de los mismos.
3. OE3: Crear una mayor cantidad de ofertas personalizadas de
accesorios y/o repuestos automotrices permitiendo a los clientes
contar con diversidad de los mismos, con la finalidad de que la
empresa realice más ventas y obtengan mayor ingreso económico.
239
4. OE4: Actualizar constantemente la información en el Tryton para
que estos sean retroalimentados constantemente en el sistema
web y así poder efectuar una mejor predicción de las ventas de los
repuestos y/o accesorios automotrices permitiendo a la empresa
una mejor toma de decisiones.
240
FUENTES DE INFORMACIÓN
Bibliográficas:
aprendeIA. (2020). Obtenido de https://aprendeia.com/introduccion-a-numpy-
python-1/
Atalayar. (8 de junio de 2020). ¿Puede la industria del automóvil adaptarse a un

mundo COVID-19? Obtenido de
https://atalayar.com/content/%C2%BFpuede-la-industria-del-
autom%C3%B3vil-adaptarse-un-mundo-covid-19
Atria Innovation. (22 de octubre de 2019). Obtenido de

https://www.atriainnovation.com/que-son-las-redes-neuronales-y-sus-
funciones/
Becker, D. (2020). Impacto de COVID-19 en la industria automotriz. Obtenido de

https://home.kpmg/ar/es/home/insights/2020/04/impacto-de-covid-19-en-la-
industria-automotriz.html
Bouktif, S., Fiaz, A., Ouni, A., & Serhani, M. A. (13 de January de 2020). Multi-Sequence
LSTM-RNN Deep Learning and Metaheuristics for Electric Load Forecasting.
Obtenido de https://www.mdpi.com/1996-1073/13/2/391
Código Fuente. (25 de abril de 2019). Obtenido de Redes neuronales profundas – Tipos
y Características: https://www.codigofuente.org/redes-neuronales-profundas-
tipos-caracteristicas/
ComexPerú. (19 de junio de 2020). LAS IMPORTACIONES SIENTEN TAMBIÉN EL

IMPACTO DE LA COVID-19. Obtenido de
241
https://www.comexperu.org.pe/articulo/las-importaciones-sienten-tambien-el-
impacto-de-la-covid-19
Fariha, N. (2019). Machine and Deep Learning Techniques Applied to Retail

Telecommunication Data.
Garcés, H. (2020). Aplicación de Machine Learning en la demanda de productos

permisibles. Obtenido de
http://repositorio.ucsg.edu.ec/bitstream/3317/14264/1/T-UCSG-PRE-ECO-GES-
621.pdf
Gers, F., Cummins, F., Fernandez, S., Bayer, J., Wierstra, D., Togelius, J., . . . Graves, A.
(27 de August de 2015). Understanding LSTM Networks. Obtenido de
http://colah.github.io/posts/2015-08-Understanding-LSTMs/
Gestión . (11 de agosto de 2020). Venta de vehículos nuevos presentó una ligera mejora
en julio, reveló la AAP. Obtenido de https://gestion.pe/economia/asociacion-
automotriz-del-peru-la-venta-de-automoviles-nuevos-presento-una-ligera-
mejora-en-julio-revelo-la-aap-noticia/
Gestión. (2020). Coronavirus y el sector automotor: 5 datos que no sabías. Gestión,

https://gestion.pe/fotogalerias/coronavirus-y-el-sector-automotor-5-datos-que-
no-sabias-noticia/?ref=gesr.
JuanMontes, A. M. (2020). Impacto del COVID-19 sobre el sector automotriz. Obtenido

de http://www.ceil-conicet.gov.ar/wp-content/uploads/2020/06/t04-
Automotriz.pdf
Laca, M. (2020). Qué es Python – Definición, características y ventajas. Obtenido de

https://pythones.net/que-es-python-y-sus-caracteristicas/
Lewinson, E. (1 de Noviembre de 2020). Towards Data Science . Obtenido de

https://towardsdatascience.com/choosing-the-correct-error-metric-mape-vs-
smape-5328dec53fac
Metodoss. (s.f.). Metodología RUP. Obtenido de https://metodoss.com/metodologia-rup/
Montenegro, C. (2019). Evaluación de métodos de pronósticos para predecir las ventas

de los productos de la línea cardiológica de la Botica San Carlos – Chiclayo.
Obtenido de
242
http://tesis.usat.edu.pe/bitstream/20.500.12423/2651/1/TL_MontenegroMorales
Cindy.pdf
Numpy. (2019-2020). Obtenido de https://numpy.org/
Organización Internacional del Trabajo. (8 de abril de 2020). La COVID-19 y la industria

automotriz. Obtenido de https://www.ilo.org/wcmsp5/groups/public/---
ed_dialogue/---sector/documents/briefingnote/wcms_744619.pdf
Pallares, F. (2014). Desarrollo de un modelo basado en Machine Learning para la

predicción de la demanda de habitaciones y ocupación en el sector hotelero.
Obtenido de https://biblioteca.utb.edu.co/notas/tesis/0068209.pdf
Pandas. (2020). Obtenido de https://pandas.pydata.org/
Parra, X. (2017). Análisis del comportamiento de compra de repuestos de suspensión

automotriz en usuarios del almacén CAUCHOSSA.
Revista Turbo. (2020). ¿Afecta el COVID 19 a la industria automotriz? Revista Turbo,

http://www.revistaturbo.com/noticias/afecta-el-covid-19-la-industria-
automotriz-3133.
Robles Rakov, J. S. (2018). Seguimiento y control de procesos jurídicos mediante

tecnología web para el estudio Robles Abogados & Consultores. Lima. Obtenido
de Seguimiento y control de procesos jurídicos mediante tecnología web para el
estudio Robles Abogados & Consultores
Ruiz Rico, M. (1 de mayo de 2020). Normalización del mercado de repuestos de

vehículos la veremos hasta diciembre. Obtenido de
https://www.larepublica.co/empresas/normalizacion-del-mercado-de-repuestos-
de-vehiculos-la-veremos-hasta-diciembre-3000117
Salazar, R. (abril de 2020). ¿Cómo afectará el Coronavirus al mercado automotriz en el

Perú? Obtenido de https://puntoseguido.upc.edu.pe/como-afectara-el-
coronavirus-al-mercado-automotriz-en-el-peru/
Scikit - Learn. (2019). Obtenido de https://scikit-learn.org/
Sherstinsky, A. (2020). Fundamentals of Recurrent Neural Network (RNN) and Long

Short-Term Memory (LSTM) Network.
243
Silva Mendez, M. (20 de mayo de 2020). Analiza GIPA impacto de la pandemia en el
mercado de repuesto. Obtenido de http://www.automotores-rev.com/analiza-
gipa-impacto-de-la-pandemia-en-el-mercado-de-repuesto/
Simeone, F. (5 de noviembre de 2018). Obtenido de https://arxiv.org/pdf/1808.02342.pdf
Sulbarán, P. (8 de mayo de 2020). BBC News Mundo. Obtenido de

https://www.bbc.com/mundo/noticias-america-latina-52495847
Un poco de Java. (2012). Obtenido de Un poco de RUP:

https://unpocodejava.com/2012/05/23/un-poco-de-rup/
Valkov, V. (2019). Towards Data Science. Obtenido de Demand Prediction with LSTMs
using TensorFlow 2 and Keras in Python:
https://towardsdatascience.com/demand-prediction-with-lstms-using-tensorflow-
2-and-keras-in-python-1d1076fc89a0
Vallalta Rueda, J. (s.f.). Data mining. Obtenido de CRISP-DM: una metodología para
minería de datos en salud: https://healthdataminer.com/data-mining/crisp-dm-
una-metodologia-para-mineria-de-datos-en-salud/
Vargas, P. (16 de junio de 2020). Las marcas Toyota y Ford, están entre las más afectadas
por la pandemia del covid-19. Obtenido de
https://www.larepublica.co/globoeconomia/toyota-y-ford-entre-las-
automotrices-mas-afectadas-por-la-pandemia-del-covid-19-3018235
Vildozo, G. (abril de 2020). Impacto COVID-19 4/24 Perú.
Villacís, G. (2018). Desarrollo de tienda virtual que proporcione sugerencias de compra

por medio de Machine Learning para la empresa DEPORPAS S.A. Obtenido de
http://repositorio.ug.edu.ec/bitstream/redug/26702/1/B-CISC-PTG-
1426%20Villac%c3%ads%20Valarezo%20Gabriel%20Antonio.pdf
Yamao, E. (2018). Predicción del rendimiento académico mediante minería de datos en

estudiantes del primer ciclo de la Escuela Profesional de Ingeniería de
Computación y Sistemas, Universidad de San Martín de Porres . Obtenido de
http://repositorio.usmp.edu.pe/bitstream/handle/20.500.12727/3555/yamao_e.pd
f?sequence=3&isAllowed=y
244
Zambrano, J. (30 de marzo de 2018). ¿Aprendizaje supervisado o no supervisado?
Conoce sus diferencias dentro del machine learning y la automatización
inteligente. Obtenido de https://medium.com/@juanzambrano/aprendizaje-
supervisado-o-no-supervisado-39ccf1fd6e7b
245
ANEXOS
Anexo N° 1: Proceso de Importación de Productos 247

Anexo N° 2: Proceso de Venta de Productos 250
Anexo N° 3: Inventario de repuestos 251
Anexo N° 4: Inventario de accesorios 253
Anexo N° 5: Encuesta clientes 256
Anexo N° 6: Instalación Ubuntu 18.04.5 259
Anexo N° 7: Instalación de Pre-Requisitos 269
Anexo N° 8: Instalación de la Base de Datos 277
Anexo N° 9: Instalación de Tryton 283
Anexo N° 10: Encuesta a clientes 291
Anexo N° 11: Carta de patrocinio 294
Anexo N° 12: Carta de patrocinio 295
Anexo N° 13: Acta de constitución 296
Anexo N° 14: Pruebas de concepto 301
Anexo N° 15: Acta de Pruebas Finales de la Solución 305
Anexo N° 16: Pruebas de Integración al negocio 313
Anexo N° 17: Acta de aceptación 324
Anexo N° 18: Manual de usuario 325
Anexo N° 19: Formato de sesión de derechos 337
Anexo N° 20: Software anti-plagio TURNITIN 338
246
Anexo N° 1: Proceso de Importación de Productos
247
248
249
Anexo N° 2: Proceso de Venta de Productos
250
Anexo N° 3: Inventario de repuestos
N° LÍNEA MARCA DESCRIPCIÓN
DENSO Iridium Power DENSO IKH20
DENSO Iridium Power DENSO ITT16
DENSO Iridium Power DENSO IW22
DENSO Iridium Power DENSO IXU24
DENSO Iridium Power DENSO IW27

DENSO IRIDIUM POWER IK16
1 BUJIA DENSO
(Juego de 4 )
DENSO
(Juego de 4 )
DENSO
(Juego de 4 )
DENSO
(Juego de 4 )
K&N UNIVERSAL 5 3/8 x 4 3/8 - 5 K&N
K&N UNIVERSAL 4 3/4 - 6X5 - 6 1/2 K&N
K&N UNIVERSAL 2 3/4 - 6X5 - 6 1/2 K&N
2 FILTRO DE AIRE
K&N UNIVERSAL 5 1/2 x 5 - 6 1/2 K&N
K&N UNIVERSAL 6 1/2 x 4 1/2 - 5 1/2 K&N
K&N UNIVERSAL 2 1/2 - 6 x 5 - 6 1/2 K&N
AG KIT AG KIT Toyota Yaris 2012 - 2016
AG KIT AG KIT Volkswagen Polo 2003 - 2012

AG KIT AG KIT Volkswagen Golf 1996 - 1998
AG KIT Volkswagen Golf - Jetta IV
AG KIT
1999 - 2005
3 RESORTES AG KIT AG KIT Volkswagen Golf 2010 - 2013
AG KIT AG KIT Volkswagen Golf 2014 - 2016
AG KIT Volkswagen Jetta V 2005 -
AG KIT
2011 / Golf V 2006 - 2009
AG KIT AG KIT Volkswagen Bora 2010 - 2015
AG KIT AG KIT Hyundai Accent 2006 - 2011
MAXXIS Modelo MA-Z4s (102W)
4 NEUMÁTICOS MAXXIS Modelo MA-S2 (111V)
MAXXIS Modelo VS01 (105Y)
251
HABILEAD Modelo H202 ComfortMax AS (86H)
OVATION Modelo VI-388 (103W)
OVATION Modelo ECOVISIÓN VI-682 (94V)
MOMO Modelo M30 TOPRUN (94Y)
YOKOHAMA Modelo ADVAN A10A (89W)
HILO Modelo Genesys XP1 (86H)
PIRELLI Modelo PZERO (96W)
NEXEN TIRE Modelo Npriz SH9i (91V)
DUNLOP Modelo SP TOURING T1 (88H)
TRIANGLE Modelo TR928 (88H)
LIQUI MOLY Aceite Motor 5W-40 5L
LIQUI MOLY Aceite Motor 10W-40 5L
MOBIL Lubricante Súper 3000 5W-30 3.78L

Lubricante Súper 2000 X2 10W-40
MOBIL
5 ACEITES 3.78L
MOBIL Lubricante Súper Gas 5W-30 3.78L
MOBIL Lubricante Súper Gas 20W-50 3.78L

MOBIL Lubricante Súper 3000 5W-30 946ml
Lubricante Súper 2000 X2 10W-40
MOBIL
946ml
252
Anexo N° 4: Inventario de accesorios
N° LÍNEA MARCA DESCRIPCIÓN
SIN MARCA LED H11 12,000LM Y 6,000K

LUCES Y
1 SIN MARCA ADAPTADOR AUXILIAR - BLUETOOTH
ELECTRÓNICA
SIN MARCA CAMARA DE RETROCESO CON ESPEJO
SIN MARCA HEAD UP DISPLAY
SIN MARCA SENSOR DE RETROCESO INVISIBLE
AUDI TP AUDI
BMW TP BMW CROMO
BMW TP BMW M CROMO
BMW TP BMW M NEGRO
BMW TP BMW NEGRO
CHEVROLET TP CHEVROLET CROMO
CHEVROLET TP CHEVROLET NEGRO
FORD TP FORD CROMO
FORD TP FORD NEGRO
HYUNDAI TP HYUNDAI CROMO
HYUNDAI TP HYUNDAI NEGRO

2 TAPAS
KIA TP KIA CROMO
KIA TP KIA NEGRO
MITSUBISHI TP MITSUBISHI CROMO
MITSUBISHI TP MITSUBISHI NEGRO
NISSAN TP NISMO
NISSAN TP NISSAN CROMO
NISSAN TP NISSAN NEGRO
SUBARU TP SUBARU NEGRO
SUBARU TP SUBARU STI
TOYOTA TP TOYOTA CROMO
TOYOTA TP TOYOTA NEGRO
253
VOLKSWAGEN TP VOLKSWAGEN CROMO
VOLKSWAGEN TP VOLKSWAGEN NEGRO

SIN MARCA CLAY BAR
SIN MARCA KIT RAPARA PARABRISAS
SIN MARCA PAÑO MICRO FIBRA 100X40CM
SIN MARCA PAÑO MICRO FIBRA 28X28CM
SIN MARCA RENOVADOR DE MICA DE FAROS

SIN MARCA REPUESTO KIT REPARA PARABRISAS
3 EMBELLECEDORES GGP
SACA ABOLLADURAS METALICO
AUTOMOTRIZ
GGP
SILICONA AUTOMOTRIZ BARRA
AUTOMOTRIZ
SIN MARCA VENTOSA SACA ABOLLADURA LEVE
SIN MARCA VINIL DE FIBRA CARBONO 128X9.7CM
SIN MARCA MICA ANTI RAIN
BMW GRILL BMW E90 2004 - 2008
KIA CARCASA DE LLAVE BLUETOOTH KIA
CHEVROLET CARCASA DE LLAVE CHEVROLET
AUDI CARCASA DE LLAVE FLIP AUDI
AUDI LLAVERO DE CUERO AUDI S LINE
BMW CARCASA DE LLAVE FLIP BMW

CHEVROLET CARCASA DE LLAVE FLIP CHEVROLET
FORD CARCASA DE LLAVE FLIP FORD
HONDA CARCASA DE LLAVE FLIP HONDA
HYUNDAI CARCASA DE LLAVE FLIP HYUNDAI

LLAVES Y
4 CARCASA DE LLAVE FLIP HYUNDAI
LLAVEROS HYUNDAI
CROMO
CARCASA DE LLAVE FLIP HYUNDAI
HYUNDAI
CROMO 4 BOTONES
KIA CARCASA DE LLAVE FLIP KIA
TOYOTA CARCASA DE LLAVE FLIP TOYOTA

CARCASA DE LLAVE FLIP
VOLKSWAGEN
VOLKSWAGEN
JAC CARCASA DE LLAVE JAC
TOYOTA CARCASA DE LLAVE TOYOTA
MAZDA CARCASA MAZDA 2 BOTONES
254
MAZDA CARCASA MAZDA 3 BOTONES
TOYOTA CARCASA TOYOTA HOLD

LLAVERO DE CUERO BMW M
BMW
PERFORMANCE
BMW EMBLEMA M CUCHILLA BMW
HYUNDAI LLAVERO METALICO HYUNDAI
KIA LLAVERO METALICO KIA

MERCEDES LLAVERO METALICO MERCEDES-BENZ
MITSUBISHI LLAVERO METALICO MITSUBISHI
NISSAN LLAVERO METALICO NISSAN
SUZUKI LLAVERO METALICO SUZUKI
TOYOTA LLAVERO METALICO TOYOTA
VOLKSWAGEN LLAVERO METALICO VOLKSWAGEN
FORD LLAVERO METALIDO FORD

CHEVROLET PROTECTOR DE SILICONA CHEVROLET
PROTECTOR DE SILICONA HYUNDA
HYUNDAI
CURVA
PROTECTOR DE SILICONA KIA Y
HYUNDAI
HYUNDAI
MITSUBISHI PROTECTOR DE SILICONA MITSUBISHI
SUZUKI PROTECTOR DE SILICONA SUZUKI
255
Anexo N° 5: Encuesta clientes
a) Nombre
b) Edad
• 18 – 27
• 28 – 37
• 38 – 47
• 48 – 60
• Más de 60
c) Tipo de cliente
• Dueño de taller
• Consumidor final
d) ¿Cuál fue el último tipo de repuesto y/o accesorio que adquirió para
su auto?
• Tapas de aros
• Embellecedores
• Luces y Electrónica
• Llaves y llaveros
• Bujías
• Filtros de Aires
• Resortes
• Neumáticos
• Aceites
e) ¿Cuánto es el recorrido diario que realiza con su auto?
• 0 - 15KM
• 15 - 30KM
256
• 30 - 45KM
• 45 - 60KM
• 60 a más
f) ¿Cuáles son los tipos de repuestos y/o accesorios que más
compra?
• Tapas de aros
• Embellecedores
• Bujías
• Resortes
• Neumáticos
• Aceites
g) ¿Le gustaría adquirir repuestos y/o accesorios? ¿Cuáles?
• Tapas de aros
• Embellecedores
• Bujías
• Resortes
• Neumáticos
• Aceites
257
h) ¿Con qué frecuencia compra repuestos y/o accesorios
automotrices?
• 1 vez a la semana
• 2 a 5 veces a la semana
• 2 veces al mes
• 1 vez al mes
• Cuando se daña el vehículo
i) ¿Cuál es la característica más importante al escoger un repuesto
o accesorio automotriz?
• Durabilidad
• Calidad
• Precio
• Originalidad
• El correcto para su vehículo
258
Anexo N° 6: Instalación Ubuntu 18.04.5
Descarga de imagen Ubuntu 18.04.5
Como primer paso se realizó la descarga del archivo .ISO la cual
contiene la imagen de instalación del sistema operativo de Ubuntu
18.04.5.
Ingresamos al sitio web oficial de Ubuntu (https://ubuntu.com/) y
seleccionamos la opción “Download”.
259
Seguidamente, seleccionamos la opción “Ubuntu Desktop”:
Seleccionamos la opción “see our alternative downloads.”
Seleccionamos la opción “Ubuntu 18.04 LTS (Bionic Beaver)”.
260
Seleccionamos la opción “64-bit PC (AMD64) desktop image”.
Y, por último, guardamos el archivo ISO, seleccionando en la opción
“Aceptar”.
Instalación de Ubuntu 18.04.5 en VMWare
Dentro de la aplicación VMWare seleccionar la opción “Create a New
Virtual Machine”
261
Seguidamente seleccionamos la opción “Typical (recomended)”,
posterior a ello hacer clic en la opción “Next”.
Seleccionamos la opción “Browse” y hacemos búsqueda de la imagen
ISO del Ubuntu que descargamos anteriormente; una vez identificado
el archivo ISO, seleccionamos la opción “Next”.
262
Ingresamos los campos requeridos:
a) Full name: Nombre del equipo
b) User name: usuario para la autenticación en la máquina virtual
c) Password: contraseña para la autenticación de la máquina virtual
d) Confirm: confirmar la contraseña ingresa para la autenticación
Una vez ingresado los datos requeridos seleccionamos la opción en
“Next”.
263
Ingresamos el nombre de la máquina virtual, así como también,
seleccionamos donde estará alojado dicha máquina virtual:
a) Virtual machine name: Nombre de la máquina virtual
b) Location: localización de instalación de la máquina virtual
264
Una vez ingresado los datos requeridos seleccionamos en la opción
“Next”.
Seleccionamos el tamaño de disco que se le asignara a la máquina
virtual, adicional a ello, seleccionamos la opción “Split virtual disk into
múltiples files”.
En este apartado, el espacio a utilizar puede variar dependiendo la
situación donde se aplique; pero para este caso, se recomienda
mínimo 20GB de espacio asignado.
265
Una vez seleccionada las opciones requeridas, hacemos clic en la
opción “Next”.
Verificamos los datos, así como también la personalización de
recursos del host. Si todo es conforme, seleccionamos la opción
“Power on this virtual machine after creation” y por último la opción
“Finish”.
Para este caso se puede realizar la personalización de la máquina
virtual, agregando más recursos (memoria RAM, núcleos del
procesador, almacenamiento, entre otros); para este caso se
recomienda un mínimo de 4GB de memoria RAM y 1 procesador con
2 núcleos.
266
Al finalizar la personalización, hacer clic en “Finish”:
El VMWare comenzará a realizar la instalación del Ubuntu 18.04.5
267
Se muestra el progreso de la instalación del Ubuntu 18.04.5
Al culminar la instalación, nos mostrara el escritorio del Ubuntu 18.04.5
listo para realizar la instalación de los pre-requisitos utilizados en este
trabajo de investigación.
268
Anexo N° 7: Instalación de Pre-Requisitos
Instalación del Visual Studio Code en Ubuntu 18.04.5
Una vez iniciado el Ubuntu, buscamos la aplicación “Ubuntu Software”
y la ejecutamos.
Seguidamente buscamos “Visual Studio Code” y procedemos con la
instalación haciendo clic en la opción “Install”:
Culminada la instalación nos aparecerá la opción de ejecutarlo,
hacemos clic en la opción “Launch” para ejecutar la aplicación:
269
Ejecutamos la aplicación y con ello concluimos que el Visual Studio
Code ya se encuentra instalado de manera satisfactoria, tal como se
muestra en la figura 78:
Instalación de Node 14.9.0
Una vez iniciado el Ubuntu, buscamos la aplicación “Terminal” y la
ejecutamos, dicha instalación se encuentra detallada en el anexo
“Instalación de Node 14.9.0”.
270
Para efectuar la instalación del Node, primero debemos de actualizar
los paquetes locales ejecutando la siguiente sentencia dentro de la
terminal:
Se mostrará la actualización de paquetes a través de la terminal tal
como se muestra en la figura 81:
Para proceder con la instalación del Node, ejecutaremos la siguiente
sentencia dentro de la terminal:
271
Nos mostrará el progreso de instalación del Node a través de la
terminal donde nos solicitará una confirmación de instalación,
digitamos “Y” (Si) y seguidamente presionamos la tecla “Enter”:
Se mostrará la instalación del Node desde la ejecución de la terminal
y al término nos quedará de la siguiente forma la terminal:
272
Seguidamente realizaremos la instalación del NPM que corresponde
al administrador de paquetes de Node con la siguiente sentencia en la
terminal:
Se mostrará la instalación del NPM desde la ejecución de la terminal
y al término nos quedará de la siguiente forma la terminal:
Nos mostrará la instalación del NPM a través de la terminal donde nos
solicitará una confirmación de instalación, para este caso digitamos
“Y” y seguidamente presionamos la tecla “Enter”:
273
Al culminar la instalación del NPM nos mostrara la finalización en la
terminal de la siguiente forma:
Instalación de Yarn 1.22.5
Una vez iniciado el Ubuntu, buscamos la aplicación “Terminal” y la
ejecutamos, dicha instalación se encuentra detallada en el anexo
“Instalación de Yarn 1.22.5”.
274
Para efectuar la instalación, primero debemos de actualizar los
paquetes y configurar el repositorio con las siguientes sentencias:
curl -sS https://dl.yarnpkg.com/debian/pubkey.gpg | sudo apt-key
add –
echo "deb https://dl.yarnpkg.com/debian/ stable main" | sudo tee
/etc/apt/sources.list.d/yarn.list
Se muestra la instalación de los paquetes del repositorio:
Y por último ingresamos la siguiente sentencia para efectuar la
instalación del Yarn:
sudo apt update && sudo apt install yarn
Se muestra el progreso de instalación del Yarn en la terminal:
275
Validamos la instalación de manera satisfactoria del Yarn con la
siguiente sentencia:
yarn –v
Se muestra la versión 1.22.5 del Yarn instalada en el sistema
operativo:
276
Anexo N° 8: Instalación de la Base de Datos
Instalación del PostgresSQL
En este apartado se describirá paso a paso como se efectuó la
instalación de la base de datos. Para este trabajo de investigación se
utilizó PostgresSQL 11 configurado en Ubuntu 18.04.5, dicha
instalación se encuentra detallada en el anexo “Instalación del
PostgresSQL”.
Dentro del Ubuntu, buscaremos la terminal propia del sistema
operativo y la ejecutaremos:
Para efectuar la instalación, primero debemos de actualizar los
paquetes y configurar el repositorio con las siguientes sentencias:
sudo apt update && sudo apt -y upgrade
277
sudo apt install -y wget
wget --quiet -O -
https://www.postgresql.org/media/keys/ACCC4CF8.asc | sudo apt-
key add –
sudo tee /etc/apt/sources.list.d/pgdg.list <<END deb
http://apt.postgresql.org/pub/repos/apt/ bionic-pgdg main END
sudo apt update
278
sudo apt -y install postgresql-11
279
sudo ufw allow 5432/tcp
280
sudo apt-get install python-psycopg2
sudo apt-get install libpq-dev
sudo apt-get install python3-psycopg2
281
Creación de la base de datos
Se realizó la creación de la base de datos con las siguientes
sentencias:
sudo -u postgres psql
CREATE DATABASE tryton_test WITH OWNER = postgres
ENCODING = 'UTF8' LC_COLLATE = 'C' LC_CTYPE = 'C'
TABLESPACE = pg_default CONNECTION LIMIT = -1 TEMPLATE
template0;
Creación del rol
Se realizó la creación del role súper usuario con la finalidad de contar
con la administración total de la base de datos. Se utilizó la siguiente
sentencia:
CREATE ROLE tryton_test WITH LOGIN NOSUPERUSER
NOCREATEDB NOCREATEROLE INHERIT NOREPLICATION
CONNECTION LIMIT -1 PASSWORD 'tryton_test';
282
Anexo N° 9: Instalación de Tryton
Instalación del modulo
Dentro del Ubuntu, buscaremos la terminal propia del sistema
operativo y la ejecutaremos:
Seguidamente ejecutaremos las siguientes sentencias para realizar y
llevar a cabo la instalación del Tryton.
sudo apt-get install python3-pip
283
Se muestra el progreso de la instalación del aplicativo:
284
sudo apt install pkg-config
pip3 install trytond
285
sudo apt-get install libglib2.0-dev
286
sudo apt-get install libgirepository1.0-dev
sudo apt-get install python3-cairo
287
sudo apt-get install libcairo2-dev
pip3 install pycairo
288
pip3 install tryton
Ejecución del modulo
Para la ejecución del Tryton ponemos la siguiente sentencia en una
terminal:
trytond -c /etc/tryton/trytond.conf
Se muestra la ejecución del Tryton:
289
En un navegador ponemos la siguiente dirección:
localhost:8000
Se mostrará el aplicativo Tryton corriendo de manera local.
290
Anexo N° 10: Encuesta a clientes
La encueta fue elaborada con la finalidad de realizar la captura de
información, la cual influye en la predicción de la demanda tomando
como valores algunas respuestas establecidas.
291
292
293
Anexo N° 11: Carta de patrocinio
294
Anexo N° 12: Carta de patrocinio
295
Anexo N° 13: Acta de constitución
ACTA DE CONSTITUCION
Organización/Empresa Sector
GGP Automotriz Automotriz
Proyecto Fecha de Inicio
Sistema de predicción para incrementar las

ventas de accesorios y repuestos automotrices 19/09/2020
en la empresa GGP Automotriz
Cliente Tesistas
Marcos Robles
Martin Ghersi
Marilyn Valverde
Propósito y Justificación del Proyecto
La importancia radica en la predicción de las ventas de accesorios y/o repuestos automotrices, por
medio del uso de técnicas de Machine Learning; dicha predicción beneficiará directamente la
empresa GGP Automotriz, toda vez que esta herramienta facilitará la toma de previsiones para
tener stock suficiente y poder atender eficientemente a sus clientes.
Así mismo, la empresa referida podrá realizar una estimación de sus ventas a futuro, lo cual
facilitará oportunamente la toma de decisiones para una mejor actividad comercial de dicha
empresa.
Descripción del Proyecto
La presente investigación permitirá el incremento de las ventas de repuestos y accesorios

automotrices, al evitar la falta de los mismos mediante el pronóstico de la demanda y la
generación de ofertas para satisfacer las necesidades de los clientes.
Asimismo, las técnicas de aprendizaje automático permiten detectar patrones en los datos, a
través de algoritmo simples, permitiendo a su vez distribuir de mejor manera el conocimiento de
los procedimientos de aprendizaje, logrando su extensión a otros campos.
Entregables
Sistema web GGPMLWeb
Software externo de logística: Tryton
Manual de usuario
Carta de patrocinio
296
Acta de constitución
Acta de pruebas
Acta de aceptación
Requerimientos del Proyecto Requerimientos del Producto

Brindar información del avance del proyecto y El usuario podrá realizar la predicción de la
del sistema web constantemente. demanda de los repuestos y accesorios
automotrices en un determinado tiempo.
Cumplir oportunamente con el cronograma del
proyecto. El usuario podrá realizar la edición de la
encuesta en el sistema web, donde podrá
Manejar responsablemente la información modificar las preguntas y opciones de
proporcionada de la empresa. respuestas.
El usuario podrá visualizar las repuestas

obtenidas de los clientes tras el envió de la
encuesta.
El usuario podrá realizar la descarga de las

respuestas obtenidas de las encuestas.
El usuario podrá visualizar las encuestas

enviadas hacia los clientes.
Se podrá hacer envío de la encuesta a través

de un link donde el cliente podrá acceder y
realizar dicha encuesta.
El usuario podrá realizar la creación de una

oferta de accesorios y/o repuestos
automotrices.
El usuario podrá visualizar el registro de los

clientes quienes hayan adquirido una oferta de
la empresa.
Se deberá contar con un software externo que

cubra la logística de los accesorios y/o
repuestos automotrices, contando con
interfaces de registro de compras, ventas,
productos, clientes, inventario general, entre
otros.
297
Objetivos del Proyecto
Objetivo General
Desarrollar un sistema de predicción de ventas de repuestos y accesorios automotrices, además
de identificar las necesidades y/o preferencias de los clientes con el fin de garantizar el stock de
inventario, generar ofertas y mejorar los niveles de ventas en la empresa GGP Automotriz.
Objetivos Específicos
a) Identificar los factores de demanda de los clientes frente a los repuestos y accesorios
automotrices para poseer el stock necesario e incrementar las ventas utilizando el aprendizaje
supervisado de Machine Learning.
b) Diseñar y desarrollar un módulo de encuestas para identificar las necesidades y/o preferencias
de los clientes con la finalidad de generar y enviar ofertas personalizadas de repuestos y
accesorios mediante la captura de información.
c) Diseñar y desarrollar un módulo de registro y venta de productos ofertados para los clientes,
con el fin de generar más ventas mediante el análisis de la información.
d) Integrar los módulos desarrollados junto con el software externo de logística para realizar una
predicción de ventas de repuestos y accesorios automotrices mediante el uso de Machine
Learning.
Alcances
El presente trabajo de investigación engloba el desarrollo de un modelo de Machine Learning,

aplicándolo en el ámbito de predicción de los indicadores de demanda de los accesorios y
repuestos automotrices, basándonos en las cantidades reales de la empresa desde el año 2017
en adelante y en encuestas realizadas; no se considerará otros segmentos y/o procesos de la
empresa en mención ya que no son relevantes en el proyecto.
298
Limitaciones
a) Se utilizó herramientas de software de libre acceso y con la versión más adecuada para
desarrollar el proyecto.
b) La data con la que se cuenta corresponde a los años 2017 en adelante, año en que se creó la
empresa.
c) El sistema web será únicamente de uso interno por las personas encargadas y/o dueños de la
empresa.
d) Los clientes están conformados por los consumidores finales y los talleres automotrices.
Riesgos
Fallos en la conexión de internet.
Los usuarios no se adaptan fácilmente a las funcionalidades del sistema.
Cronograma de actividades
299
300
Anexo N° 14: Pruebas de concepto

SISTEMAS

PRUEBA DE CONCEPTO
PRESENTADO POR
LIMA - PERÚ
2021
301
1. Objetivo
Validar los requerimientos funcionales y no funcionales del sistema web
GGPMLWeb, de manera que el sponsor acepte lo planteado y desarrollado.
2. Plan de trabajo y entregables asociados al mismo
Las pruebas de concepto se realizaron con el fin de validar el cumplimiento de

los requerimientos funcionales y no funcionales, establecidos por el cliente y los
desarrolladores, en las fechas indicadas detalladas a continuación:
302
3. Equipo de trabajo
El equipo de trabajo estuvo conformado por:
EQUIPO DE PROYECTO
Marcos Andrei
Líder de proyecto
Robles Rakov
Marilyn Ysabel
Analista
Valverde Campos
4. Presupuesto detallado
A continuación, se detalla el presupuesto acordado por ambas partes, el
sponsor y el equipo de proyecto.
Costo (S/.)
Recurso Unidades Tiempo
Mensual Total
Hardware Laptop 1 4 meses S/ 180.00 S/ 720.00
Ordenador de
1 4 meses S/ 250.00 S/ 1,000.00
escritorio
Subtotal Hardware S/ 1,720.00
Windows 10
Software 1 4 meses S/ 187.50 S/ 750.00
Professional
Microsoft Office 1 4 meses S/ 137.50 S/ 550.00
Ubuntu 18.04 1 4 meses S/ 0.00 S/ 0.00
Adobe Reader 1 4 meses S/ 0.00 S/ 0.00
Visual Studio Code 1 4 meses S/ 0.00 S/ 0.00
JavaScript 1 4 meses S/ 0.00 S/ 0.00
Python 1 4 meses S/ 0.00 S/ 0.00
PostgresSQL 1 4 meses S/ 0.00 S/ 0.00
Subtotal Software S/ 1,300.00
Servicios Conexión a internet 1 4 meses S/ 80.00 S/ 320.00

Servicio de Luz 1 4 meses S/ 60.00 S/ 240.00
Servicio de agua 1 4 meses S/ 48.00 S/ 192.00
Servicio de Dominio
1 4 meses S/ 50.00 S/ 200.00
Web
Subtotal Servicios S/ 952.00
Recursos Analista /
2 4 meses S/ 1,000.00 S/ 8,000.00
Humanos Desarrollador
303
Subtotal Recursos
S/ 8,000.00
Humanos
Subtotal S/ 11,972.00
10% imprevistos S/ 1,197.20
Costo Total del
S/ 13,169.20
Proyecto
5. Firmas
Por medio del presente documento se deja la constancia de la validación y
aceptación del documento mediante las firmas correspondientes.
304
Anexo N° 15: Acta de Pruebas Finales de la Solución

SISTEMAS

PRUEBAS FINALES DE LA SOLUCION
PRESENTADO POR
LIMA - PERÚ
2021
305
1. Introducción
El documento presenta el método, los módulos y los resultados obtenidos de
las pruebas del sistema web GGPMLWeb.
2. Objetivo
Estructurar y definir las pruebas a las que el sistema web será sometida y
comprobar las distintas funcionalidades.
3. Alcance
Las pruebas se efectuarán a todos los módulos pertenecientes del sistema
web, con la finalidad de validar la funcionalidad.
4. Tipos de pruebas
4.1. Plan de pruebas
Se describe el plan de pruebas a efectuarse referentes a las funcionalidades
del sistema.
PLAN DE PRUEBAS
Tipo
Tipo de Ítem de
Nro. Módulo de Descripción
Unidad Prueba
Prueba
El gerente puede realizar
la predicción de la
Paquete de Predecir
1 FCUS FN cantidad vendida de los
Predicción Demanda
repuestos y/o accesorios
automotrices.
El gerente puede realizar
Mantenimiento la edición, eliminación y
2 FCUS FN
Encuesta control frente a las
encuestas.
El gerente puede
Mantenimiento realizar el registro,
3 FCUS FN
Paquete de Oferta edición, eliminación y
Encuesta Oferta control de las ofertas.
El usuario puede hacer
4 FCUS Enviar Encuesta FN el envío de la encuesta
hacia los clientes.
El cliente puede efectuar
Realizar
5 FCUS FN la encuesta
Encuesta
proporcionada.
306
El cliente puede
6 FCUS Comprar Oferta FN efectuar la adquisición
de una oferta.
El sistema puede hacer
Paquete de
7 FCUS Enviar Oferta FN el envío automático de
Envío Oferta
ofertas.
4.2. Pruebas del módulo de Predicción de Demanda
Se efectuaron las pruebas correspondientes al módulo de las predicciones de
la demanda y los resultados fueron los siguientes:
Módulo: Paquete de Predicción

Ítem de Prueba: Predecir demanda
En la presente prueba del caso de uso del sistema “Predecir_Demanda” se valida que el usuario con
Descripción de
su cuenta activa pueda realizar la predicción de las ventas en un fecha ingresada donde el sistema
la prueba:
validara y mostrara los resultados.
La aplicación mostró los
Realizar la predicción de la El usuario podrá visualizar resultados de la
demanda ingresa una fecha los resultados de la predicción de la cantidad
Prueba
1 y seguidamente hace clic en predicción de los accesorios Obtenido vendida de los
Unitaria
la opción "Predecir" de la y repuestos automotrices en accesorios y repuestos
interfaz de “Predicción”. la fecha ingresada. automotrices en la fecha
ingresada.
No se ingresó el tipo de mensaje de error y
El sistema valida los campos
producto ni la fecha para solicita ingresar los
no ingresados logrando
Prueba efectuar la predicción de la campos requeridos para
2 mostrar un mensaje de error Obtenido
Unitaria cantidad vendida de los efectuar la predicción de
y solicita ingresar los campos
accesorios y repuestos la cantidad vendida de
requeridos
automotrices. los repuestos y
accesorios automotrices.
mensaje de error y
El sistema valida el tipo de
No se ingresó el tipo de solicita ingresar tipo de
producto no ingresada
Prueba producto para efectuar la producto para efectuar la
3 logrando mostrar un mensaje Obtenido
Unitaria predicción de los accesorios predicción de la cantidad
de error y solicita ingresar un
y repuestos automotrices. vendida de los repuestos
tipo de producto.
y accesorios
automotrices.
mensaje de error y
El sistema valida la fecha no
No se ingresó la fecha para solicita ingresar una
ingresada, muestra un
Prueba efectuar la predicción de los fecha para efectuar la
4 mensaje de error y solicita Obtenido
Unitaria accesorios y repuestos predicción de la cantidad
ingresar una fecha a
automotrices. vendida de los repuestos
predecir.
y accesorios
automotrices.
307
4.3. Pruebas del módulo de Encuestas
Se efectuaron las pruebas correspondientes al módulo de las encuestas y los
resultados fueron los siguientes:

Ítem de Prueba: Mantenimiento Encuesta
Descripción de En la presente prueba del caso de uso del sistema “Mantenimiento_Encuesta” se valida que el usuario
la prueba: con su cuenta activa pueda realizar la edición y ver las respuestas de los cliente frente a la encuesta.
Prueba edición de la encuesta, correspondiente,
1 realizar la edición de la Obtenido
Unitaria logrando adicionar, editar o permitiendo adicionar,
encuesta.
eliminar alguna pregunta. editar o eliminar alguna
pregunta de la encuesta.
El sistema muestra los
El usuario logra visualizar las
resultados de la
Usuario con permisos para respuestas de la encuesta,
Prueba encuesta así como la
2 visualizar las respuestas de permitiendo ver la cantidad Obtenido
Unitaria cantidad de respuestas
los clientes. de respuestas obtenidas por
obtenidas por cada
cada pregunta.
pregunta.
Usuario con permisos para El usuario logra visualizar el
Prueba visualizar el detalle de detalle de los envíos
3 Obtenido detalle sobre el envío de
Unitaria envíos las encuesta a los realizados de las encuestas
las encuestas.
clientes. hacia los clientes.
El usuario logró
Usuario con permisos para El usuario logra descargar en
descargar el archivo en
Prueba descargar las respuestas un archivo con formato Excel,
4 Obtenido formato Excel las
Unitaria obtenidas tras el envío de las respuestas obtenidas tras
respuestas de las
las encuestas. el envío de las encuestas.
encuestas.
El usuario logra cancelar la El sistema cancela la
edición de alguna pregunta edición de la encuesta y
Prueba Cancelación de la edición de
5 de la encuesta, con la Obtenido no genera ningún
Unitaria la encuesta
finalidad de no generar cambio dentro de la
cambios en ella. encuesta.
308
4.4. Pruebas del módulo de Ofertas
Se efectuaron las pruebas correspondientes al módulo de las ofertas y los
resultados fueron los siguientes:

Ítem de Prueba: Mantenimiento Oferta
En la presente prueba del caso de uso del sistema “Mantenimiento_Oferta” se valida que el usuario
Descripción de
con su cuenta activa pueda realizar la creación, edición y la eliminación de una oferta de accesorios
la prueba:
Usuario con permisos para El usuario logra realizar el
el registro efectivo de
Prueba efectuar el registro de una registro de una nueva oferta
1 Obtenido una nueva oferta de
Unitaria nueva oferta de accesorios de accesorios y/o repuestos
accesorios y repuestos
y/o repuestos automotrices. automotrices.
automotrices.
realizar la edición de una
Prueba edición de una oferta correspondiente de una
2 oferta ya existente sobre Obtenido
Unitaria existente de accesorios y/o oferta ya registrada de
repuestos automotrices. accesorios y repuestos
automotrices.
automotrices.
El usuario logra eliminar una El usuario logro eliminar
realizar la eliminación de
Prueba oferta ya existente de una oferta existente de
3 una oferta ya existente de Obtenido
Unitaria accesorios y/o repuestos accesorios y/o repuestos
automotrices. automotrices.
automotrices.
El usuario cancela la edición El sistema cancela la
Cancelar la edición de una de una oferta de accesorios edición y no se genera la
Prueba
4 oferta de accesorios y/o y/o repuestos automotrices Obtenido actualización de la oferta
Unitaria
repuestos automotrices. sin adulterar ningún dato de accesorios y/o
original. repuestos automotrices.
309
4.5. Pruebas del módulo del Envió de Encuestas
Se efectuaron las pruebas correspondientes al módulo del envió de las
encuestas y los resultados fueron los siguientes:

Ítem de Prueba: Enviar Encuesta
Descripción de En la presente prueba del caso de uso del sistema “Enviar_Encuesta” se valida que el usuario con su
la prueba: cuenta activa pueda realizar el envío de la encuesta haciendo los clientes.
El usuario logro hacer el
El usuario realiza el envío de El usuario logra realizar el
Prueba envío de la encuesta a
1 la encuesta hacia los envío de la encuesta a los Obtenido
Unitaria ciertos clientes
clientes. clientes seleccionados.
seleccionados.
El sistema cancela el
Prueba Cancelación del envío de la EL usuario cancela el envío envío de la encuesta
2 Obtenido
Unitaria encuesta. de la encuesta a los clientes. retornando a la interfaz
de envío de encuesta.
4.6. Pruebas del módulo del Envió de Ofertas
Se efectuaron las pruebas correspondientes al módulo del envió de la oferta y
los resultados fueron los siguientes:
Módulo: Paquete Envío Oferta

Ítem de Prueba: Enviar Oferta
En la presente prueba del caso de uso del sistema “Enviar_Oferta” se valida que el sistema con su
Descripción de
pueda hacer el envío automático de alguna oferta registrada hacia los clientes en base de los
la prueba:
resultados obtenidos de las encuestas.
El sistema logra enviar la El sistema realizo el
El sistema realiza el envío
Prueba oferta existente acorde a los envío automático de la
1 automático de la oferta Obtenido
Unitaria resultados obtenidos de las oferta haciendo el
hacia el cliente.
encuestas. cliente a base de sus
310
resultados obtenidos en
la encuesta.
El sistema no logra realizar el El sistema no realiza el
El sistema no realiza el envío automático de la oferta envío automático de la
Prueba
2 envío automático de la debido a que no cuenta con Obtenido oferta debido que no se
Unitaria
oferta por falta de datos. resultados acorde a las cuenta con la
ofertas existentes. información necesaria.
4.7. Pruebas del módulo de la Realización de la Encuesta
Se efectuaron las pruebas correspondientes al módulo de la realización de la
encuesta y los resultados fueron los siguientes:

Ítem de Prueba: Realizar Encuesta
Descripción de En la presente prueba del caso de uso del sistema “Realiza_Encuesta” se valida que el cliente puede
la prueba: realizar la encuesta proporcionada por correo electronico.
El cliente recibió el
El cliente recibe el correo El cliente logra recibir el
Prueba correo electrónico
1 conteniendo el acceso para correo conteniendo el link de Obtenido
Unitaria conteniendo el link de
realizar la encuesta. acceso.
acceso.
interfaz de la encuesta El cliente logra acceder a la El cliente logró acceder a
Prueba
2 mediante el link interfaz de la encuesta sin Obtenido la interfaz de la
Unitaria
proporcionado vía correo ningún problema encuesta.
electrónico.
El cliente envía las El cliente logra enviar sus El cliente logró enviar
Prueba
3 respuestas de la encuesta respuestas frente a la Obtenido sus respuestas de la
Unitaria
recibida. encuesta recibida. encuesta.
4.8. Pruebas del módulo de la compra de la oferta
Se efectuaron las pruebas correspondientes al módulo de la adquisición de las
ofertas y los resultados fueron los siguientes:
311
Ítem de Prueba: Comprar Ofertas
Descripción de En la presente prueba del caso de uso del sistema “Comprar_Oferta” se valida que el cliente puede
la prueba: realizar alguna compra ofertas existentes.
El cliente recibe el correo El cliente recibió el
El cliente logra recibir el
Prueba conteniendo el acceso para correo electrónico
1 correo conteniendo el link de Obtenido
Unitaria realizar la compra de alguna conteniendo el link de
acceso.
oferta. acceso.
interfaz de las ofertas El cliente logra acceder a la
Prueba El cliente logró acceder a
2 mediante el link interfaz de las ofertas sin Obtenido
Unitaria la interfaz de las ofertas.
proporcionado vía correo ningún problema
electrónico
El cliente logra adquirir El cliente realizó la
Prueba El cliente realiza la compra
3 alguna oferta dentro de la Obtenido adquisición de una oferta
Unitaria de alguna oferta.
interfaz. dentro de la interfaz.
312
Anexo N° 16: Pruebas de Integración al negocio

SISTEMAS

PRUEBAS DE INTEGRACION AL NEGOCIO
PRESENTADO POR
LIMA - PERÚ
2021
313
1. Introducción
El presente documento se indica las pruebas efectuadas del sistema web
integrado en el negocio.
2. Objetivo
Mediante este documento se pretende indicar y corroborar las pruebas
efectuadas de integración hacia el negocio como pruebas efectivas.
3. Alcance
El presente documento contiene únicamente las pruebas de integración hacia el
negocio, donde se efectuaron las pruebas de todos los módulos pertenecientes
del sistema web.
4. Pruebas de integración
4.1. Pruebas de inicio de sesión
Se efectuaron las pruebas correspondientes al inicio de sesión, la cual se
obtuvo el siguiente resultado:
Se muestra la interfaz de inicio de sesión, se ingresan las credenciales
correspondientes y se selecciona la opción “Iniciar Sesión”
314
Se ingresaron las credenciales correspondientes y se seleccionó la
opción “Iniciar Sesión” y el usuario pudo ingresar al sistema web de
manera óptima.
4.2. Pruebas del módulo de predicción
Se efectuaron las pruebas correspondientes a la predicción de la
demanda de los repuestos y accesorios automotrices, la cual se obtuvo
los siguientes resultados.
315
Se ingresó a la interfaz de la predicción de la demanda, escogiendo una
fecha y el tipo de producto la cual se van a predecir.
Se efectuó una predicción para el 31 de diciembre del 2020 junto con
aceites para motor y se obtuvo lo siguiente:
316
4.3. Pruebas del módulo de encuestas
Se efectuaron las pruebas correspondientes a la edición, modificación,
seguimiento y envió de la encuesta, la cual se obtuvo los siguientes
resultados.
4.3.1. Registro de una pregunta en el módulo de la encuesta
Se realizó el registro de una nueva pregunta en la interfaz de la encuesta,
tal como se muestra a continuación:
4.3.2. Actualización de pregunta en el módulo de la encuesta
Se realizó la actualización de una pregunta registra en la interfaz de la
encuesta, tal como se muestra a continuación.
317
4.3.3. Eliminación de una pregunta en el módulo de la encuesta
Se realizó la eliminación de una pregunta registrada en la interfaz de la
encuesta, tal como se muestra a continuación.
4.3.4. Visualización de las respuestas del módulo de la encuesta
Se realizó la prueba de la visualización de las respuestas obtenidas en la
encuesta proporcionada al cliente y la descarga de estas.
318
4.3.5. Envió de la encuesta
Se realizó el envió de la encuesta a los clientes, tal como se muestra a
continuación:
319
4.3.6. Detalle de envíos de encuestas
Se realizó la prueba de visualización del detalle del envió de las
encuestas hacia los clientes, tal como se muestra a continuación:
320
4.4. Pruebas del módulo de ofertas
Se efectuaron las pruebas correspondientes al registro, edición,
eliminación y seguimiento de las ofertas, la cual se obtuvo el siguiente
resultado:
4.4.1. Registro de una nueva oferta
Se realizó el registro de una nueva oferta en el sistema, tal como se
muestra a continuación:
321
4.4.2. Actualización de una oferta
Se realizó la actualización de una oferta previamente registrada, tal
como se muestra a continuación:
322
4.4.3. Detalle de ofertas adquiridas
Se realizó la prueba de visualización y seguimiento sobre los clientes
quienes han adquirido alguna oferta, tal como se muestra a continuación:
5. Firmas
Por medio del presente documento se deja la constancia de la validación de las
pruebas efectuadas con el usuario y la aceptación de la misma mediante las
firmas correspondientes.
323
Anexo N° 17: Acta de aceptación
324
Anexo N° 18: Manual de usuario

SISTEMAS

MANUAL DE USUARIO
PRESENTADO POR
LIMA - PERÚ
2021
325
1. Introducción
El presente documento se indica el instructivo a seguir para que el usuario pueda
efectuar las funcionalidades del sistema web.
2. Objetivo
Mediante este documento se pretende proporcionar un instructivo frente al uso
del sistema web.
3. Alcance
El presente documento se encuentra dirigido al personal de la empresa GGP
Automotriz, la cuales harán uso del sistema web.
4. Funcionalidades del sistema web
4.1. Inicio de sesión
El usuario al momento de querer ingresar al sistema, esta le mostrará la
interfaz de inicio de sesión:
326
Se debe de ingresar el usuario y contraseña correspondiente y
seguidamente hacer clic en la opción “Iniciar Sesión”
4.2. Menú del sistema web
Luego del inicio de sesión, el usuario podrá visualizar la interfaz principal
donde se encuentra el menú de los distintos módulos existentes del
sistema web.
Los módulos que se muestran en el sistema web son las siguientes:
4.3. Predicción de la demanda
Para acceder a la interfaz de la predicción de la demanda, el usuario
deberá de hacer clic en la opción “Predicción de Demanda”.
327
El sistema web mostrará la interfaz con las opciones para efectuar la
predicción.
4.3.1. Módulo de Predicción
Para realizar una predicción de la demanda de algún tipo de producto, se
debe de hacer seleccionar la fecha a predecir, seguidamente en la opción
de “Tipo de Ítem” y seleccionar el tipo de producto a predecir y por ultimo
hacer clic en la opción “Predecir”.
Se selecciona la fecha a efectuar la predicción, tal como se muestra a
continuación:
328
Seguidamente se selecciona el tipo de producto a realizar la predicción,
tal como se muestra a continuación:
Por último, nos figurará la fecha y el tipo de producto seleccionado para
efectuar la predicción, tal como se muestra a continuación:
329
El sistema web mostrara la predicción seleccionada:
4.4. Módulo de Encuestas
Para ingresar al módulo de encuestas, se debe de hacer clic en la opción
“Encuestas” del menú principal.
El sistema mostrará la interfaz de la encuesta:
330
4.4.1. Editar Encuesta
Para realizar la edición de la encuesta, se debe de realizar clic en la
opción de “Editar Encuesta”, seguidamente el sistema mostrara la interfaz
para efectuar la edición de la encuesta:
4.4.2. Ver Resultados
Para visualizar los resultados obtenidos de la encuesta, se debe de
realizar clic en la opción de “Ver Resultados”, seguidamente el sistema
mostrará la interfaz donde se visualizará las respuestas obtenidas, así
como también la opción de poder descargar las dichas respuestas y el
filtrado de manera general o por año y el mes correspondiente.
331
4.4.3. Enviar Encuesta
Para realizar el envió de la encuesta, se debe de hacer clic en la opción
“Enviar Encuesta”, el sistema mostrará la interfaz donde se podrá
visualizar los clientes a quienes se puede hacer el envió de la encuesta.
332
4.4.4. Detalle de Envíos
Para poder visualizar el detalle de las encuestas enviadas a las
encuestas, se debe de hacer clic en la opción de “Detalle de Envió”,
seguidamente el sistema mostrara el registro de las encuestas enviadas
a los clientes junto con la fecha correspondiente.
333
4.5. Modulo Ofertas
Para ingresar al módulo de Ofertas, se debe de hacer clic en la opción
“Ofertas” en el menú principal.
4.5.1. Agregar oferta
Para registrar una oferta se debe de hacer clic en la opción “Agregar
Oferta”, seguidamente el sistema mostrar la interfaz para registrar el o los
productos con las cantidades y precios a ofertar.
334
4.5.2. Editar una oferta
Para actualizar o editar una oferta, debe de existir una oferta ya registrada
previamente y seguidamente hacer clic en la opción de “Editar”.
El sistema mostrara la interfaz para realizar la actualización
correspondiente de la oferta registrada.
335
4.5.3. Ofertas Adquiridas
Para visualizar las ofertas adquiridas por los clientes se debe de hacer
clic en la opción “Ofertas Adquiridas”, seguidamente el sistema mostrara
el registro de los clientes quienes han adquirido una oferta.
5. Firmas
Por medio del presente documento se deja la constancia la revisión del manual
con el usuario y la aceptación de la misma mediante las firmas correspondientes.
336
Anexo N° 19: Formato de sesión de derechos
Lima, 28 de diciembre de 2020
Señores.
OFICINA DE POSGRADO DE LA FIA
Presente. -
Tenemos el agrado de dirigirme a usted, con relación a la Sucesión de Derechos,

en la cual se me exige “Debe explicar que al termino de 1 año después de
sustentar en caso de no continuar con el proyecto cede los derechos a la
FIA para continuar el proyecto si lo desea”.
Al respecto, debo manifestarles que el suscrito culminado el examen de grado,

continuará con el mejoramiento de dicho proyecto por lo que en tanto este
abocado a tal situación no será posible ceder los derechos de dicha autoría.
Atentamente,
_______________________ ________________________
Marcos Robles Rakov Marilyn Valverde Campos
DNI 73129701 DNI 73139837
337
Anexo N° 20: Software anti-plagio TURNITIN
338

Robles Rma-Valverde Cmy

Cargado por

Copyright:

Formatos disponibles

Robles Rma-Valverde Cmy

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Robles Rma-Valverde Cmy

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA DE COMPUTACIÓN Y SISTEMAS

SISTEMA DE PREDICCIÓN PARA INCREMENTAR LAS

MARCOS ANDREI ROBLES RAKOV

AUGUSTO ERNESTO BERNUY ALVA

PARA OPTAR EL TÍTULO PROFESIONAL DE INGENIERO DE

SISTEMA DE PREDICCIÓN PARA INCREMENTAR LAS

PARA OPTAR EL TÍTULO PROFESIONAL DE INGENIERO DE

ROBLES RAKOV, MARCOS ANDREI

VALVERDE CAMPOS, MARILYN YSABEL

El presente trabajo de investigación está

En primer lugar, a Dios, por

CAPÍTULO I. PLANTEAMIENTO DEL PROBLEMA 1

1.1 Situación problemática 1

1.2 Definición del problema 14

1.3 Formulación del problema 15

1.6 Viabilidad de la investigación 18

1.7 Alcances y limitaciones 24

CAPÍTULO II. MARCO TEÓRICO 26

2.1 Antecedentes de la investigación 26

2.2 Bases teóricas 31

2.3 Definición de términos básicos 53

CAPÍTULO III. METODOLOGÍA 54

3.1 Diseño Metodológico 54

3.3 Lista de cotejo 68

CAPÍTULO IV. DESARROLLO DEL PROYECTO 72

4.1 Modelado del negocio 72

4.2 Modelado del sistema 100

4.3 Captura de información 149

4.4 Desarrollo 152

4.5 Pruebas del sistema 182

CAPÍTULO V. RESULTADOS 210

CAPÍTULO VI. DISCUSIÓN 231

FUENTES DE INFORMACIÓN 241

Tabla 1: Viabilidad Técnica 19

Figura 1: COVID 19 genera impacto en ventas automotrices 6

Actualmente, la empresa GGP Automotriz se dedica a la compra y venta

de accesorios y repuestos automotrices y realiza sus cálculos de estos en hojas

de Excel. Asimismo, se han generado pérdidas económicas al no concretar

diversas ventas debido a la falta de stock y a la coyuntura que se vive en el mundo

entero frente al COVID-19. El presente trabajo de investigación trata sobre la

predicción de las ventas de los accesorios y repuestos automotrices con la

Neuronales Recurrentes (RNN). Por otro lado, se realizó la integración del

sistema web desarrollado con un software externo de logística de Open Source

llamado Tryton, la cual brinda funcionalidades de logística. Finalmente, el

desarrollo del sistema web permite a la empresa el incremento de las ventas y el

Tryton, cubre eficientemente los procesos de la empresa frente a las operaciones

Palabras Clave: Machine Learning, Red Neuronal Recurrente, Inteligencia

Currently, the GGP Automotriz company is dedicated to the purchase and

Keywords: Machine Learning, Recurrent Neural Network, Artificial

Debido a la coyuntura que se vive actualmente en el mundo a causa del

virus COVID19, varias empresas de distintos rubros han sufrido pérdidas

monetarias ya que dependen de las ventas y sus reservas de liquidez son

escasas, produciendo estrés financiero lo que conduciría al cierre de las mismas

o el despido de sus trabajadores. (Sulbarán, 2020)

En la empresa GGP Automotriz, la caída de las ventas se produjo por la

pandemia mundial y por la falta de stock de los accesorios y repuestos

sus automóviles, no se concretan las ventas, generando la insatisfacción de los

clientes y la disminución de dichas ventas.

demanda de los accesorios y repuestos automotrices, en base a las ventas