trabajo final tesis dataminig

1

Universidad Tecnolgica Del Per filial Arequipa

Facultad De Ingeniera

Carrera Profesional

Ingeniera de Sistemas e Informtica

Anlisis e implantacin de un Sistema de Produccin que emplea una

herramienta Data Mining para el pronstico de produccin en la empresa de

calzados DUKE S.A.C. Arequipa, 2015

Presentado por:

Ventura Mamani Wily

Curso: Seminario de Tesis I

Dcimo Ciclo

Profesor asesor: Ing. Adin Snchez Snchez

Arequipa Per 2015

2

Dedicatoria

A DIOS

A NUESTROS PADRES

3

Agradecimiento

A todas las personas que de

uno u otro modo colaboraron

en la realizacin de este

trabajo, en especial a la

Empresa donde se hizo el

estudio, que accedi y

cooper del mismo.

4

Resumen

El proyecto que se presenta en este documento tiene como objetivo exponer el flujo de

procesos o serie de pasos que se realiza en un proceso de implantacin de un ERP y

en un proceso algortmico de Data Mining; se realiza lo antes mencionado porque la

empresa a la que se aplicar ambos conjuntos de procesos necesita ordenar su

informacin en el rea de ventas y obtener informacin que beneficie a la empresa

respecto a cmo se comportan sus clientes cuando compran en todo un periodo de

tiempo. Para que el objetivo final del proyecto se cumpla, se usaron herramientas de

software, herramientas de planificacin y de organizacin, estas ltimas se usaron

porque son herramientas estandarizadas y aceptadas internacionalmente en sus

respectivos campos; adems, sirvieron eficientemente para su propsito porque son

una gua de pasos detalladas y especficas para cada actividad que se necesitaba en

el proyecto. Con respecto a las herramientas software usadas, estas fueron

seleccionadas mediante una comparacin de criterios, las cuales eran necesarias por

los requerimientos y necesidades planteadas en la justificacin y viabilidad del

proyecto.

La planificacin y el planteamiento de objetivos generales y especficos con sus

respectivos mtodos y actividades, ayudaron a mantener una idea clara y concisa de

lo que se pretenda realizar desde los inicios del proyecto.

5

ndice

Introduccin ...................................................................................................................................... 9

Captulo I: Planteamiento del problema ..................................................................................... 10

1.1 Descripcin del problema ............................................................................................. 10

1.2 Formulacin del Problema ........................................................................................... 10

1.3 Objetivos de la Investigacin ....................................................................................... 11

1.3.1 Generales ............................................................................................................... 11

1.3.2 Especficos ............................................................................................................. 11

1.4 Justificacin y Delimitacin del problema de investigacin .................................... 11

1.4.1 Justificacin ............................................................................................................ 11

1.4.2 Delimitacin de la investigacin .......................................................................... 12

1.5 Hiptesis ......................................................................................................................... 13

1.6 Variables de estudio ...................................................................................................... 13

1.6.1 Variable Dependiente ........................................................................................... 13

1.6.2 Variable Independiente ......................................................................................... 13

1.6.3 Indicadores ............................................................................................................. 13

Captulo II: Marco Terico ............................................................................................................ 14

2.1 Marco de referencia de la Investigacin .................................................................... 14

2.2 Data Minig ....................................................................................................................... 15

2.2.1 Concepto ..................................................................................................................... 15

2.2.2 KDD, Descubrimiento de Conocimiento en Bases de Datos (Knowledge

Discovery Database) ................................................................................................................. 20

2.2.3 Herramientas utilizadas ............................................................................................ 21

Captulo III: Planteamiento Operacional .................................................................................... 27

3.1. Planteamiento Metodolgico ....................................................................................... 27

3.2. Tipo de estudio .............................................................................................................. 27

3.3. Poblacin ........................................................................................................................ 28

3.4. Muestra ........................................................................................................................... 28

3.5. Tcnica de recoleccin de datos ................................................................................. 28

3.6. Estudio de Factibilidad .................................................................................................. 29

3.6.1. Factibilidad Tcnica ................................................................................................... 29

3.6.2. Factibilidad Operativa ............................................................................................... 30

3.6.3. Factibilidad Econmica ............................................................................................. 30

6

3.6.3.1. Determinacin del costo del sistema .................................................................. 30

3.6.3.2. Determinacin del costo del sistema .................................................................. 35

3.6.3.3. Desarrollo del VAN y TIR ..................................................................................... 36

3.7. Proceso de rea de Produccin ................................................................................. 39

3.8. Cronograma de Actividades ......................................................................................... 40

Captulo IIII: Resultados ............................................................................................................... 41

Parte estadstica e interpretacin de la produccin de calzados DUKE durante el ao

2014. ............................................................................................................................................ 41

Comparacin de Datos estadsticos tanto de produccin como de ventas de todos los

modelos durante el ao 2014 .................................................................................................. 50

Conclusiones .................................................................................................................................. 52

Bibliografa ...................................................................................................................................... 53

Anexos.............................................................................................................................................. 54

Matriz de Consistencia56

7

ndice De Figuras

Figura 1 Proceso de Dataminig (Usama, Piatetsky, & Smyth, 1996) .................................... 16

Figura 2. Tipo de estudio .............................................................................................................. 27

Figura 3. Esquema Costo beneficio ........................................................................................... 36

Figura 4. Proceso De produccin de calzados ......................................................................... 39

Figura 5. Diagrama de Gantt ....................................................................................................... 40

Figura 6. Modelo DJ001 confeccionados durante un ao ..................................................... 41

Figura 7. Modelo DJ002 confeccionados durante un ao ...................................................... 42



Figura 10. Modelo DJ005 confeccionados durante un ao .................................................... 44

Figura 11. Modelo DJ001 vendidos durante un ao ................................................................ 45





Figura 16. Modelos producidos durante el ao ........................................................................ 50

Figura 17. Modelos vendidos durante el ao ............................................................................ 50

8

ndice de Tablas

Tabla 1 Comparacin entre herramientas data minig.............................................................. 26

Tabla 2. Requerimiento de Hardware ........................................................................................ 29

Tabla 3. Requerimiento de Software .......................................................................................... 30

Tabla 4. Personal desarrollo del proyecto ................................................................................. 31

Tabla 5. Costo de Hardware ........................................................................................................ 32

Tabla 6. Costo de Software para la implementacin .............................................................. 32

Tabla 7. Costo de Software para el funcionamiento ................................................................ 33

Tabla 8. Costos de Suministro .................................................................................................... 33

Tabla 9. Costos de Servicios ....................................................................................................... 34

Tabla 10. Valor de desecho del Equipo ..................................................................................... 34

Tabla 11. Resumen de Costos .................................................................................................... 35

Tabla 12. Costo del sistema .............................................................................................................. 35

Tabla 13. Cuadro Resumen Costo Beneficio o Flujo de caja ................................................. 36

Tabla 14. Cuadro VAN y TIR ....................................................................................................... 38

9

Introduccin

Cuando se plantea el realizar un trabajo de investigacin sobre Anlisis e implantacin de

un Sistema de Produccin que emplea una herramienta Data Mining para el pronstico

de produccin en la empresa de calzados DUKE S.A.C., se debe tener en cuenta el

hecho de que hablar de dicha investigacin implica tener que adquirir ciertos

conocimientos sobre el dominio de Minera de Datos (Data Mining), para obtener un

modelo provechoso para el pronstico de produccin de calzados.

El presente trabajo tiene por objetivo mostrar el enfoque de implementacin de Data

Minig para la mejora los niveles de eficiencia, productividad y que en realidad, las

experiencias as denominadas no obedecen a los preceptos de dicho enfoque, sino que

de hecho tienen ms parecido con una solucin organizativa ya madura denominada

diseo de sistemas de informacin, cuyos fundamentos se basan, en suma, en una

filosofa que promueve el aprovechar la experiencia y conocimiento del personal e

integrarlo con los nuevos desarrollos tecnolgicos.

El siguiente trabajo de investigacin est estructurado de la siguiente manera: Como

primer captulo trataremos el planteamiento del problema en lo cual sealaremos la

descripcin, Interrogantes, objetivos, justificacin, hiptesis de la investigacin y variables

de estudio. Como segundo captulo que consta del marco terico en este captulo se

menciona los antecedentes de investigacin y definicin de marco terico. Seguidamente

trataremos el tercer captulo que consta del planteamiento operacional, en este captulo

se tratara la metodologa de Investigacin, poblacin y muestra, tcnicas e instrumentos

de recoleccin de datos y el estudio de factibilidad. Finalmente se dar a conocer los

resultados de la investigacin.

10

Captulo I: Planteamiento del problema

1.1 Descripcin del problema

En la actualidad, muchas de las empresas que elaboran calzado utilizan un sistema

transaccional, pero el uso de un software no siempre es suficiente para alcanzar los

objetivos del negocio, la automatizacin de procesos mediante sistemas de informacin

puede ayudar a agilizar muchos procesos. Pero, algunos procesos no pueden ser

completamente automatizados, ya que por naturaleza dependen de decisiones tomadas

por personal de la empresa. Se han identificado dos problemas en torno a los cuales se

buscarn soluciones:

Manejo ineficiente de la informacin de produccin.

El pronstico de produccin que la empresa realiza es segn a fechas del ao

haciendo que sus pronsticos no sean certeros teniendo como consecuencia

que la produccin se realice de forma desordenada.

En el primer problema, la empresa posee un registro de produccin en documentos

(Orden de produccin). El pronstico que la empresa realiza es segn a fechas del ao lo

que hace que sus pronsticos no sean certeros produciendo ms de lo que se debe o en

ocasiones fallando en sus pronsticos produciendo perdidas. Segn Andrs Paye

Huanca, quien trabaja en el rea de produccin y realiza el planeamiento de la

distribucin de la materia prima, se debe realizar anualmente un pronstico de produccin

para ms de mil productos. Lo cual se hace un poco difcil por la cantidad de modelos

que produce dicha empresa.

1.2 Formulacin del Problema

- Qu criterios de negocio usa la empresa para realizar su produccin?

- Cul es la probabilidad de que la produccin de calzados sea aceptable

aplicando data minig?

- Cmo aplicar la herramienta data ming en la empresa de calzados DUKE?

11

1.3 Objetivos de la Investigacin

1.3.1 Generales

Analizar, disear e implantar un sistema de produccin en la empresa de calzados

DUKE S.A.C que emplee herramientas Data Mining para el pronstico de produccin.

1.3.2 Especficos

o Seleccionar e implantar un software de cdigo abierto para controlar la

informacin en el rea de produccin.

o Identificar los criterios de negocio que la empresa usa para realizar su

produccin.

o Realizar una limpieza de datos de la base de datos (Data Cleaning), con el fin

de que el proceso de Data Mining pueda tener datos de entrada adecuados.

o Adaptar un algoritmo de rboles de Decisin que pueda pronosticar la

produccin de calzados.

1.4 Justificacin y Delimitacin del problema de investigacin

1.4.1 Justificacin

A medida que la empresa de calzados Duke S.A.C va progresando, siempre busca

mejoras que ayuden a facilitar el pronstico de produccin, mediante un estndar. Para

orientar los cambios deseados al xito y mejora de la empresa es necesario evaluar el

proceso de trabajo que se cuenta o se ha implementado hasta el da.

Los problemas planteados en el proyecto son: manejo ineficiente de la produccin que se

realizan y el pronstico de produccin que la empresa realiza. Para el primer problema, el

rea de produccin requiere que muchos de sus procesos sean automatizados, para la

implantacin del software de dichas reas. Se pudo haber seleccionado cualquier

12

herramienta del mercado actual que permita automatizar muchos de los procesos; sin

embargo, un software como el ERP permite una prospeccin a futuro, porque se puede

llegar a automatizar otros procesos de la empresa que en un futuro requieran un cambio

y que este se pueda dar de manera integrada; es decir, que la empresa llegar a usar un

solo software, evitando conflictos por el uso de distintas herramientas de software. Para

el segundo problema mencionado, estos se puede solucionar, con los resultados que se

obtendrn del proceso algortmico de Data Mining y una adecuada gestin de produccin

(esto ltimo depende netamente de la empresa).

La eleccin e implementacin de un mtodo adecuado de pronsticos siempre ha sido

un tema de gran importancia para la empresa. Se utilizan los pronsticos de forma

emprica. Un error en el pronstico de produccin podra dejar a la empresa sin

productos necesarios para su posterior venta, o podra generarle un inventario demasiado

grande. En ambos casos, el pronstico errneo disminuye las utilidades de la empresa.

Con lo expuesto en el presente proyecto, se puede realizar otras investigaciones para

pronosticar la produccin con diferentes herramientas como data marth o big data, que

esta relacionada con Data Mining.

1.4.2 Delimitacin de la investigacin

La presente investigacin se realizara acerca de la demanda del sector de produccin de

calzados deportivos, especficamente para una empresa de produccin localizada en la

ciudad de Arequipa, el pronstico de produccin se llevara a cabo para la lnea de

calzados deportivos. La empresa donde se desarrollara el estudio y sus respectivas

pruebas es DUKE SAC en un tiempo estipulado de mayo a diciembre del ao 2015.

13

1.5 Hiptesis

Ser posible obtener un pronstico de produccin de calzados analizando e

implementando un sistema de produccin que emplea una herramienta data Mining

aplicando la tcnica rbol de decisin.

1.6 Variables de estudio

1.6.1 Variable Dependiente

Pronostico de Produccin

1.6.2 Variable Independiente

Data Minig

1.6.3 Indicadores

Variable Dependiente Indicadores

Criterios de negocio

Pronostico de produccin Criterios de produccin

Procesos de produccin

Compradores o Consumidores

Venta de productos

Variable Independiente Indicadores

Recoleccin de datos iniciales

Data Minig Descripcin de los datos

Exploracin de los datos

Verificar la calidad de los datos

Limpieza y construccin de nuevos datos

Evaluacin de Resultados

14

Captulo II: Marco Terico

2.1 Marco de referencia de la Investigacin

Ttulo: implementacin de un sistema de ventas que emplea una herramienta de data

ming

Autor: Ing. Miguel ngel Berrospi Ramrez.

Ao: 2012

Procedencia: Pontificia Universidad Catlica del Per, Per.

Fuente: Tesis

Resumen: El proyecto que se presenta en este documento tiene como objetivo

exponer el flujo de procesos o serie de pasos que se realiza en un proceso de

implantacin de un ERP y en un proceso algortmico de Data Mining; se realiza lo

antes mencionado porque la empresa a la que se aplicar ambos conjuntos de

procesos necesita ordenar su informacin en el rea de ventas y obtener informacin

que beneficie a la empresa respecto a cmo se comportan sus clientes cuando

compran en todo un periodo de tiempo.

Para que el objetivo final del proyecto se cumpla, se usaron herramientas de software,

herramientas de planificacin y de organizacin, estas ltimas se usaron porque son

herramientas estandarizadas y aceptadas internacionalmente en sus respectivos

campos; adems, sirvieron eficientemente para su propsito porque son una gua de

pasos detalladas y especficas para cada actividad que se necesitaba en el proyecto.

Con respecto a las herramientas software usadas, estas fueron seleccionadas

mediante una comparacin de criterios, las cuales eran necesarias por los

requerimientos y necesidades planteadas en la justificacin y viabilidad del proyecto.

Ttulo: Data ming aplicado al marketing y comportamiento de consumo

Autor: Ing. Santiago Gonzlez Tortosa.

15

Ao: 2008

Procedencia: Universidad Politcnica de Madrid, Espaa.

Fuente: Tesis

Resumen: El proyecto surge, en la empresa MDS Boole, por la necesidad de explorar

y desarrollar el conocimiento individual de los consumidores, el cual, se ha convertido

en uno delos principales objetivos en la mayora de las empresas que desean orientar

sus actividades de marketing de forma ms eficaz y rentable.

La falta de informacin sobre nuestros propios clientes, y sobre los consumidores en

general, es un importante obstculo que impide saber ms acerca de los potenciales

consumidor es a nivel individual. En el mejor de los casos, aquellas empresas que

desarrollan sus actividades directamente con el consumidor, disponen de una

informacin transaccional muy importante pero, en la mayora de los casos,

desconocen los aspectos descriptivos de cmo son sus clientes. Por el contrario, las

empresas que desarrollan sus actividades a travs de un canal de distribucin sobre

el que no tienen control directo, la transaccin es annima y el conocimiento sobre el

transaccional de los clientes a nivel individual es inexistente.

2.2 Data Minig

2.2.1 Concepto

Es un proceso no trivial que tiene como entrada datos y como salida Informacin, en este

proceso se hace un anlisis detallado a travs del uso de algoritmos para descubrir

patrones o comportamiento de los datos. (Weiss & Davison, 2010)

16

Figura 1 Proceso de Dataminig (Usama, Piatetsky, & Smyth, 1996)

El Proceso de Data Mining de la Figura 1.2 es el que se defini en 1996 por

Fayyad, Piatetsky- Shapiro y Smyth, como se puede apreciar consta de 4

subprocesos: Seleccin, Pre-procesamiento, Transformacin y la parte

algortmica. (Weiss & Davison, 2010).

Para poder hacer el proceso de dataming Gary M. Weiss y Brian D. Davison

toman en cuenta que:

Los datos son ingresados al proceso de Seleccin, bsicamente para poder

seleccionar solo los datos tiles que sirven para el siguiente proceso,

Preprocesamiento de la data.

Luego los datos entran al proceso de transformacin, donde se eleva la calidad de

los datos para que queden listos para entrar en el proceso final del algoritmo; si

bien no muchos toman al proceso de transformacin como relevante, este es

17

sumamente importante en todo el proceso de Data Mining, ya que sin estos no se

obtienen datos de alta calidad.

Finalmente, tenemos el ltimo proceso, el cual incluye el uso de algoritmos

computacionales para hallar patrones en la data y finalmente generar

conocimiento.

El proceso de Data Mining utiliza algoritmos; sin embargo, para poder usarlos

correctamente se requiere de la definicin de variables para hallar el

comportamiento de patrones.

El proceso de Data Mining es comparado con KDD (Knowledge Discovery in

Databases), muchas de estas comparaciones establecen que ambos trminos so

lo mismo y otros establecen que son diferentes; es decir, que KDD este

superpuesto a Data Mining. (Usama, Piatetsky, & Smyth , 1996).

Data Mining es usado usualmente por los estadsticos, analistas y por los

administradores de sistemas de informacin como el proceso de descubrimiento;

mientras, que el trmino KDD es utilizado por los especialistas en inteligencia

artificial. (Usama, Piatetsky, & Smyth , 1996).

Data Mining puede ser realizado sobre un Data Warehouse o sobre una base de

datos transaccional (para el presente proyecto se realizar sobre una base de

datos transaccional). En el primer caso, los datos estn pulidos por los procesos

anteriores del Data Warehouse; sin embargo, en el segundo caso, no se presenta

un proceso previo de limpieza de datos, por lo cual es indispensable.

Valores Perdidos

Se llaman as porque son un conjunto de datos guardados en una base de datos,

la cual posee un registro incompleto de algunos o todos los campos necesarios

18

para el Data Mining; es decir, se posee atributos en blanco ya que no fueron

llenados. (Han & Kamber, 2006).

Segn (Han & Kamber, 2006) para combatir este problema deberemos de tomar

en cuenta:

Ignorar el registro de datos, este mtodo no es muy efectivo; adems solo

puede ser aplicable cuando la cantidad de datos en el registro es muy

baja, si es el caso contrario no se recomienda su uso, porque se llegara a

perder gran cantidad de datos valiosos. (Han & Kamber, 2006)

Rellenar los datos faltantes manualmente, consume mucho tiempo y no es

recomendable para registros con gran cantidad de datos faltantes. (Han &

Kamber, 2006)

Uso de una constante global para rellenar los valores faltantes, reemplazar

los valores de los atributos sin datos con etiquetas, Desconocido, este

mtodo puede afectar el proceso de Data Mining, ya que el algoritmo

puede darle otro significado a estas etiquetas. (Han & Kamber, 2006)

Usar el valor ms probable para rellenar el valor faltante, hacer uso de

regresin, formalismo de Bayes y rbol de decisiones para predecir los

valores faltantes en los registros de datos. (Han & Kamber, 2006).

Datos Ruidosos

Se define como un error aleatorio o en varianza para un valor medible; es decir

que si el precio de un producto oscila entre 10 dlares y 20 dlares y hay uno que

esta fuera de ese rango, este ltimo es considerado dato ruidoso; se puede

combatir suavizando los datos, para esto existen tcnicas. (Han & Kamber, 2006)

Algunas de estas son:

19

Binning, este mtodo ordena los datos con consultas a los vecinos ms

cercanos, luego son separados en grupos llamados bins o buckets de

igual tamao y luego los valores medios de los grupos son reemplazados

por el valor ms significativo del grupo, por valores de los extremos o por

l, valor que se encuentre en el medio del grupo; mientras ms grande sea

el grupo hay una mejor aproximacin. (Han & Kamber, 2006)

Regresin: este mtodo consiste en encontrar la mejor lnea que une a

dos atributos, del resultado se puede predecir el comportamiento de los

siguientes atributos, los que estn muy dispersos del comportamiento de la

lnea de regresin lineal son aislados. (Han & Kamber, 2006)

Clustering, este mtodo consiste en agrupar datos en conjuntos o

clusters clasificados por la similitud de los datos, los valores que caen

fuera del rango de los clusters son aislados. (Han & Kamber, 2006)

Limpieza de datos (Data Cleaning)

Segn (Han & Kamber, 2006) la limpieza de datos:

Es un proceso muy grande, abarca Valores Perdidos y datos ruidosos; sin

embargo, estos dos problemas no son los nicos que se presentan en este

proceso; el primer paso para poder realizar una limpieza de datos es identificar las

discrepancias, estas pueden ser causadas por un pobre diseo de datos, errores

deliberados, decaimiento de data (datos no actualizados), etc. (HAN & KAMBER,

2006)

Para poder analizar estos problemas, se requiere tener conocimiento de metadata

(estructura de datos); es decir, se requiere el dominio de los tipos de datos,

valores aceptables de los atributos, si alguno de los valores de los atributos cae

fuera del rango aceptable, existen dependencias entre los atributos, etc. (HAN &

KAMBER, 2006) A partir de esto, se puede realizar scripts para procesar estos

20

problemas; luego, con los datos ya procesados se deben crear reglas para poder

ver los detalles de la estructura de los datos; es decir, formatos de fechas,

monedas, etc.

(HAN & KAMBER, 2006)

El segundo paso es la transformacin de los datos, en este paso se debe

transformar los datos segn las reglas definidas en el paso anterior, para poder

tener as formatos uniformes de datos y el proceso de algoritmia pueda procesar

datos limpios. (HAN & KAMBER, 2006).

2.2.2 KDD, Descubrimiento de Conocimiento en Bases de Datos

(Knowledge Discovery Database)

Segn (Usama, Piatetsky, & Smyth , 1996) el KDD es un proceso no trivial para

identificar patrones de datos vlidos, originales, potencialmente usables y

entendibles y Hand (1998) lo defini como un proceso secundario de anlisis de

datos de una gran base de datos.

Entonces se puede definir al KDD como un proceso no trivial de extraccin de

informacin a partir de datos. (Maimom & Rokach, 2010). Este proceso de

extraccin conlleva al uso de algoritmos para el anlisis de los datos, tambin

conocido como Data Mining; es decir, Data Mining es una de las fases del KDD.

(Maimom & Rokach, 2010)

EL KDD tiene varias fases las cuales se mencionan a continuacin:

Desarrollo y entendimiento del dominio de la aplicacin, el conocimiento

relevante y lo objetivos del usuario final.

Seleccin del conjunto de datos a ser procesados.

21

Realizar el Pre - procesamiento de datos, en esta fase se realizan las

operaciones de Reduccin de Dimensiones, limpieza de datos y

transformacin de datos.

Escoger la apropiada tarea de Data Mining: clasificacin, regresin,

agrupacin y resumen de los datos; segn la eleccin hecha se podr

escoger el algoritmo en la siguiente fase.

Escoger el algoritmo de Data Mining, esto consiste en escoger el mtodo

adecuado para buscar patrones en los datos.

Evaluacin e interpretacin de los patrones a usar.

Consolidacin del conocimiento descubierto, lo cual consiste en incorporar

el conocimiento en el funcionamiento del sistema para prever una accin

futura y finalmente documentar el conocimiento adquirido en el proceso.

Las fases definidas anteriormente sirven para una gua adecuada en cualquier

proyecto que est relacionado con Knowledge Discovery in Databases, el cual a

veces es confundido y es relacionado al Data Mining como el mismo proceso.

(Maimom & Rokach, 2010).

2.2.3 Herramientas utilizadas

Para el presente proyecto se utilizan dos tipos de herramientas; por un lado, un

software que facilite y automatice el proceso de produccin; por otro lado, una

herramienta de software que facilite el proceso de Data Mining.

Las herramientas presentadas a continuacin no estn hechas a la medida exacta

de la empresa de calzados; por esto, se realizar una adaptacin de estas

herramientas al modelo produccin de calzado de la empresa, esto permitir que

la comunicacin entre ambas herramientas pueda ser mucho ms fluida y as

puedan cumplir con el objetivo principal del proyecto.

22

Herramientas de Software para produccin

El proyecto necesita una herramienta de software que permita realizar las

operaciones de produccin; adems, debe ser de fcil uso, y que permita el

manejo de costos de produccin; adicionalmente a todo esto, el software debe ser

de cdigo abierto, a continuacin se detallan los productos que se evaluaron:

ADempiere

Es un ERP completo, que integra todas las funciones de una empresa:

Administracin de la Cadena de Suministros, Logstica, produccin, Ventas,

Anlisis de Rendimiento, Administracin de relaciones con Clientes, Contabilidad

y produccin. (ADEMPIERE, 2012) A continuacin se detallan algunas de sus

principales caractersticas:

ADempiere est diseado en los procesos de negocio y no en la

arquitectura contable y departamental tradicional, lo que hace ms fluida la

interaccin entre los procesos y por ende ms dinmica.

Es de cdigo abierto (open source).

Permite administrar costos de produccin.

Es un ERP y CRM, lo que permite un manejo de relaciones con los clientes

para poder satisfacer sus necesidades.

Sviw32

Es un software de Punto de Venta, lo que permite el registro con cdigo de barras

(ALBARRAN, 2012), a continuacin se presentan algunas de sus principales

caractersticas:

Toma un control completo del inventario.

Registra las actividades de cada empleado.

23

Trabaja con sistemas operativos: Unix, Linux y Windows.

Openbravo

Es uno de los ERP ms conocidos en la actualidad, mejora los procesos de

negocio e incrementa la productividad y la agilidad del negocio(OPENBRAVO,

2012); a continuacin se detallan algunas caractersticas de este ERP:

Posee un diseo multi-tabla (muestra diferentes tipos de datos en una sola

tabla; es decir, cruza informacin de diferentes tipos de datos) que permite

una interaccin ms amigable con el usuario.

Posee una arquitectura acondicionada para trabajar con Servidor, Base de

datos y clientes.

OpenERP

Es el ERP open source lder en la actualidad; adems permite la integracin de

los procesos de las reas de mayor demanda en empresa. (OpenERP, 2012)A

continuacin se detallan algunas caractersticas:

Permite un seguimiento de campaas de produccin.

Permite gestionar almacenes de forma fcil e intuitiva, mediante grficos y

tablas dinmicas.

Luego de revisar los productos existentes, se opt por el software Open ERP

como sistema transaccional para el rea de produccion, ya que es una

herramienta de cdigo abierto que permite administrar de manera ptima los

productos y hacer un registro de produccion actualizado, y adems brinda una

interaccin ms amigable al usuario al realizar una produccion. Este ltimo

aspecto permite un fcil aprendizaje y manejo de la herramienta software por

24

parte de los usuarios del rea de produccion, y es el factor determinante para la

eleccin del OpenERP sobre el resto de herramientas de software presentadas

Herramientas de Data Mining

SQLServer Data Mining 2008

La familia de SQLServer es una de las ms usadas en la actualidad y en la familia

de productos para Inteligencia de negocios se integr una herramienta para Data

Mining (MICROSOFT, 2012), a continuacin se presentan algunas de sus ms

resaltantes caractersticas:

de decisiones,

redes neuronales, regresin lineal, regresin logstica, etc.

Permite visualizar los modelos de Data Mining para optimizar la

representacin de datos.

Provee herramientas ETL para la limpieza y transformacin de datos.

Permite una interaccin con la interfaz grfica agradable para el usuario,

de modo que pueda entender la informacin procesada de manera rpida.

Pentaho Data Mining (Weka)

Esta herramienta se integra con las otras soluciones de la plataforma Pentaho, lo

que la hace an ms inteligente (PENTAHO, 2012); tambin posee soporte para

integracin de datos, anlisis, dashboards y reportes; a continuacin se detallan

algunas caractersticas:

Motor poderoso para manejo de grandes volmenes de datos.

Posee una gran coleccin de algoritmos confiables y robustos.

Relaciones eficientes y capacidad de descubrir patrones de datos.

Integracin simple y acelerada de datos.

25

Knowledge Seeker

Es un producto de inteligencia de negocios con Data Mining para poder predecir y

anticipar escenarios; adems posee funcionalidad de diseo de estrategia

(ANGOSS, 2012), entre sus principales caractersticas se tiene:

Es flexible, una herramienta poderosa que permite interactuar los usuarios

de forma fcil; adems, posee arboles de decisin, arboles de estrategias

(comparacin de estrategias con mltiples variables de decisin).

Permite importar y exportar datos de Excel, SAS, SPSS y otros sistemas

de bases de datos.

Permite la transformacin de datos usando expresiones SQL.

dVelox Enterprise

Permite automatizar los procesos de toma de decisiones de sus procesoscrticos,

ofrece a los usuarios de negocio predicciones precisas de forma sencilla (APARA,

2012); a continuacin se presentan algunas de sus caractersticas:

Analiza escenarios complejos como la prevencin de fraude, retencin de

clientes y encuentra patrones de comportamiento y determina

probabilsticamente la mejor opcin para dicho escenario.

No requiere conocimientos avanzados de matemticas, ni estadstica para

obtener el mximo rendimiento.

MicroStrategy Data Mining Services

Es una componente de la plataforma MicroStrategy BI que brinda resultados de

modelos predictivos; adems, brinda reportes dinmicos (MICROSTRATEGY,

2012); a continuacin se detallan algunas caractersticas de esta solucin:

26

Predice clculos usando funciones analticas, las cuales incluyen:

Regresin lineal, Regresin lgica, rbol de decisiones, reglas de modelos

asociados y modelo de series.

Crea reportes predictivos, flexibles, organizados para que el usuario los

pueda entender fcilmente y tambin para que las presentaciones sean

profesionales.

Implementa un esquema de seguridad estricta para los usuarios que se

encuentran dentro y fuera de la organizacin.

De todos los productos comparados en el punto de herramientas de data Mining

se eligi la herramienta Pentaho Data Mining (Weka), ya que ha cumplido con

todos los criterios de seleccin que se requieren para el presente proyecto,

Adems, cabe resaltar que en el presente proyecto se hace nfasis en el uso de

herramientas de cdigo abierto, ya que no se cuenta con presupuesto para

adquirir licencias.

Es una

herramienta de

cdigo abierto

Posee una amplia

gama de

algoritmos para

trabajar

Trabaja con

distintas

bases de

Datos.

Permite la limpieza,

integracin y

transformacin de datos

Se realizan continuas

actualizaciones sobre

las funcionalidades del

Software

Puntuacin

Knowledge

Seeker 0 0 3 0 2 5dVelox

Enterprise 0 0 3 3 2 8

MicroStrategy

Data Mining 0 1 3 3 2 9SQL Server

Data 0 1 3 3 2 9

Mining 2008

Pentaho Data

Mining 5 1 3 3 0 12

(Weka)

Tabla 1 Comparacin entre herramientas data minig

27

Captulo III: Planteamiento Operacional

3.1. Planteamiento Metodolgico

El siguiente trabajo de investigacin est dentro del paradigma positivista, el tipo

de investigacin segn la finalidad es aplicada, segn la temporalidad es

seccional o sincrnica, segn la Amplitud es micro investigacin y segn el

mbito es de campo.

3.2. Tipo de estudio

De acuerdo al alcance de ejecucin del diseo de investigacin es:

Descriptiva

Cuasi Experimental

DONDE:

M=Muestra

O1=Variable Independiente

O2=Variable Dependiente

M

O1

O2 Figura 2. Tipo de estudio

28

3.3. Poblacin

Como poblacin se tom la produccin de enero a diciembre del ao 2014 de

calzados de damas que fueron en total de 15719 pares de calzados solo para damas

de la empresa Duke S.A.C

3.4. Muestra

El muestreo se realiz de forma aleatoria en la cual se tomaron 30 muestras de

tamao 20 del total de 15719 pareces de calzados solo para damas de la empresa

Duke S.A.C

Para poder hallar la muestra de nuestra poblacin aplicamos una formula

estadstica

Dnde:

Margen de error e: 0.05

Tamao de la poblacin N: 15719

Desviacin estndar o: 0.5

Nivel de confianza Z: 95%

3.5. Tcnica de recoleccin de datos

Siguiendo los pasos de una investigacin cientfica aplicada, precisamos

encontrar los medios de recoleccin de informacin para luego procesarlas,

analizarlas y posteriormente extraer las conclusiones sobre la base de la

informacin recolectada, aplicando las tcnicas e instrumentos pertinentes como

=N x 22

2( 1) + 22

=15719 x 0.521.962

0.052(15719 1) + 0.521.962

= 375

29

la observacin, la encuesta, revisin documental y tcnicas estadsticas. Par

poder ver ms a fondo de que se trat la recoleccin de datos ver anexos

3.6. Estudio de Factibilidad

3.6.1. Factibilidad Tcnica

Requerimiento de Hardware

El equipo con el que se desarrollara el proyecto tiene las siguientes

caractersticas

Tabla 2. Requerimiento de Hardware

Marca: Gigabyte Modelo: ---------------------

Placa Madre: H81 ds2 asus

Procesador: Intel Core i3 4460 3.40 Ghz

Disco Duro: 500 Seagate (7200 RPM)

Memoria RAM: 4 GB KINGSTON DDR3

Video: Pci Express Integrado

Sonido: Integrado 7.1 Red: Tarjeta de red

10/100/1000 incorporado

Case ATX: Avatec 650 watts reales Floppy:

Multi DVD: Combo 24X LG Card Reader: ------------------------------

Monitor: 18 lg o samsung

Teclado: Multimedia Mouse: ptico

Woofer: Escritorio Estabilizador: Forza

30

Requerimiento de Software

Por otro lado con el software con el que se cuenta

Tabla 3. Requerimiento de Software

Software Versin

Sistema Operativo Windows 8.1 8.1

Microsoft Office Word y Excel 2010

Leguaje de programacin

NetBeans

8.0.2 8.0.2

Servidor base de datos Mysql 5.3 5.3

Realizar diagramas StarUML 2.3.0

Antivirus Nod 32 7.0302

Weka 3.7.3

3.6.2. Factibilidad Operativa

Para el desarrollo del presente proyecto, se cuenta con los conocimientos

necesarios en materia de Data Minig (minera de datos) y desarrollo de software,

as como en las maneras de las metodologas de KDD (Knowledge Discovery

data). De forma complementaria y no menos importante, se cuenta con la

asesora de especialistas en la materia, adems del valioso aporte del ingeniero

del curso de la UTP.

3.6.3. Factibilidad Econmica

3.6.3.1. Determinacin del costo del sistema

Los importes en los que se incurrir en el presente trabajo estn detallados

a continuacin.

31

Costo de personal

Los costos de apoyo sern calculados teniendo en cuenta dos tipos de

involucrados en el proyecto los cuales son en primera instancia personal

encargada del desarrollo en si del proyecto de investigacin (jefe de

proyecto, analista, programador, testeador, diseador).

Personal de desarrollo en si del proyecto

Participa en diferentes etapas del proyecto por un determinado tiempo

nombrando las funciones a continuacin.

Jefe de proyecto.

Analista.

Diseador.

Programador.

Testeador.

Tabla 4. Personal desarrollo del proyecto

Recursos Humanos

Numero de

Meses Tarifa Mensual Total (S/.)

Jefe de proyecto es el

analista. 5 S/. 800.00 S/. 4,000.00

Diseador. 3 semanas S/. 1,000.00 S/. 750.00

Programador. 2 S/. 1,000.00 S/. 2,000.00

Testeador. 2 semanas S/. 750.00 S/. 375.00

TOTAL S/. 7,125.00

32

Costo de Hardware

En cuanto a costos para el equipamiento bsico para el funcionamiento

operativo del sistema

Tabla 5. Costo de Hardware

Equipo Cantidad Costo unitario(S/.) Total(S/.)

CPU 1 S/. 900.00 S/. 900.00

Monitor 1 S/. 300.00 S/. 300.00

Impresora 1 S/. 200.00 S/. 200.00

Kit de dispositivos

perifricos 1 S/. 80.00 S/. 80.00

TOTAL S/. 1,480.00

Costo de Software

En cuanto al coste de software, es tan igual como el coste del equipo o hardware,

el cual es, para la implementacin del sistema y costo de software para el

funcionamiento del mismo.

Costo de Software para la Implementacin

Tabla 6. Costo de Software para la implementacin

Software Cantidad Costo de licencias(S/.) Total(S/.)

Windows 8.1 1 S/. 500.00 S/. 500.00

Word y excel 1 S/. 313.83 S/. 313.83

NetBeans 8.0.2 1 S/. 0.00 S/. 0.00

Mysql 5.3 1 S/. 0.00 S/. 0.00

StarUML 1 S/. 0.00 S/. 0.00

Nod 32 1 S/. 44.38 S/. 44.38

Weka 1 S/. 0.00 S/. 0.00

TOTAL S/. 858.21

33

Costo de Software para el funcionamiento

Tabla 7. Costo de Software para el funcionamiento

Costo de Suministro

En cuanto a suministros bsicos se consideran los siguientes: hojas bond,

tiles de escritorio, discos, tinta para impresora, memoria de USB.

Tabla 8. Costos de Suministro

Suministro Cantidad

Costo por

Unidad(S/.) Total(S/.)

Material de Oficina 1 S/. 10.00 S/. 10.00

Hojas Bond 1 S/. 12.00 S/. 12.00

Cartuchos de Impresora 4 S/. 30.00 S/. 120.00

Memoria USB 1 S/. 20.00 S/. 20.00

TOTAL S/. 162.00

Costo de Servicios

En el siguiente apartado se consideran los gastos de servicios como el

agua, la luz, transporte y el servicio de internet, viticos.

software Cantidad

Costo de

licencias(S/.) Total(S/.)

Windows 8.1 1 S/. 500.00 S/. 500.00

TOTAL S/. 500.00

34

Tabla 9. Costos de Servicios

Servicio Cantidad(Mes)

Costo Estimado al

Mes Total(S/.)

Agua 5 S/. 6.00 S/. 30.00

Luz 5 S/. 15.00 S/. 75.00

Transporte 5 S/. 28.00 S/. 140.00

Viticos 5 S/. 80.00 S/. 400.00

Internet 5 S/. 15.00 S/. 75.00

TOTAL S/. 720.00

Resumen de Costos

En este ltimo apartado se resume todos los costos que sern utilizados

para el desarrollo del proyecto.

Tabla 10. Valor de desecho del Equipo

Costo de Equipo

S/.

1,480.00

Valor de desecho 10%

Total valor de

Salvamiento 148

Valor de depreciacin 370

Valor de desecho (VD): (1480.00 x 10%)=148.00

Factor Denominador: (4+ (4*4))/2=10

Suma a depreciar 1480.00-148.00=1332.00

35

Luz e internet: (15*12)+(15*12)=360.00 y para cada ao se tomar

un incremento de 10% sobre el valor de dicho ao.

Tabla 11. Resumen de Costos

Criterio Costo Inicial Ao 1 Ao 2 Ao 3 Ao 4

Personal

S/.

7,125.00 ..... ..... ..... .....

Suministros

S/.

162.00 ..... ..... ..... .....

Software

S/.

1,358.21 ..... ..... ..... .....

S/.

1,332.00 (4/10) (3/10) 2/10) (1/10)

Equipo de

Usuario

S/.

1,480.00 S/. 518.00 S/. 388.50

S/.

291.38 S/. 218.53

Servicios

S/.

720.00 S/. 360.00 S/. 396.00

S/.

435.60 S/. 479.16

Total S/. 10,845.21 S/. 878.00 S/. 784.50

S/.

726.98 S/. 697.69

3.6.3.2. Determinacin del costo del sistema

Los beneficios del proyecto se han calculado de una estimacin, en la cual

se prev que el mejorar la seguridad en sistemas de autenticacin conlleva a

un aun gasto anual de S/. 4000.00 que representan a 1 persona realizando

este trabajo ao a ao y beneficios operativos de S/. 500.00 anuales.

Tabla 12. Costo del sistema

Actividad Ao 1 Ao 2 Ao 3 Ao 4

Beneficio econmico

por uso del sistema S/. 4,000.00 S/.4,000.00 S/. 4,000.00

VD=S/.148.00+ S/.

4,000.00

Beneficio anual

gastos operativos S/. 500.00 S/. 500.00 S/. 500.00 S/. 500.00

Total S/. 4,500.00 S/. 4,500.00 S/. 4,500.00 S/. 4,648.00

36

3.6.3.3. Desarrollo del VAN y TIR

Tabla 13. Cuadro Resumen Costo Beneficio o Flujo de caja

Criterio Ao 0 Ao 1 Ao 2 Ao 3 Ao 4

Beneficio ..

S/.

4,500.00

S/.

4,500.00 S/. 4,500.00

S/.

4,648.00

Costo S/. 10,845.21

S/.

878.00

S/.

784.50

S/.

726.98

S/.

697.69

Total

S/. -

10,845.21

S/.

5,378.00

S/.

5,284.50 S/. 5,226.98

S/.

5,345.69

Acumulado

S/. -

10,845.21

S/. -

5,467.21

S/. -

182.71 S/. 5,044.27

S/.

10,389.96

Figura 3. Esquema Costo beneficio

Periodo de reembolso = A+ (B/C)

Dnde:

A = Nmero de aos antes del ao de retorno final. (O en otras palabras ltimo

ao donde existe una diferencia de flujo efectivo acumulado negativo).

B= Total restante para ser pagado despus de iniciado el ao de reembolso para

traer el flujo efectivo a 0.0 (Diferencia acumulada del ltimo ao negativo).

0

2000

4000

6000

8000

10000

12000

Ao 0 Ao 1 Ao 2 Ao 3 Ao 4

Beneficio

Costo

37

C= Total (neto) reembolsado en el ao de amortizacin completo. (Valor absoluto

de la diferencia acumulada (el ltimo ao negativo ms el primero positivo)).

Entonces:

A=2 (el segundo ao).

B=182.71 (Flujo acumulado negativo del tercer ao).

C=5,044.27 (Diferencia acumulada).

PR=2+ (182.71 /3250.76)

PR=2.036221333

Por lo tanto: El retorno del efectivo estar dado en un periodo de 2 aos y 1 da.

Costo de oportunidad CO= ( ( 1 + i ) * ( 1 + % inflacin anual ) -1 ) * 100

Dnde:

i= 16.29% inters promedio del mercado nacional

Inflacin anual = 3.25%1

CO= ( ( 1 + 0.1629) * ( 1 + 0.0325 ) -1 ) * 100

CO=20.069425% entonces se tomar este valor para hallar el valor actual neto

del proyecto (VAN).

Desarrollo del valor actual neto

Desarrollo del TIR (Taza de inters de retorno).

1 Banco Central de Reserva del Per, Presentacin del Reporte de Inflacin-Junio 2015

En http://www.bcrp.gob.pe/

38

Tabla 14. Cuadro VAN y TIR

Aos Flujos de Caja

0 S/. -10,845.21

1 S/. 5,378.00

2 S/. 5,284.50

3 S/. 5,226.98

4 S/. 5,345.69

VAR S/. 2,891.06

TIR 34%

Dado que el Valor Actual Neto (VAN), del proyecto es de S/. 2,891.06 >0 el

proyecto puede aceptarse y por otro lado la tasa Interna de Retorno es

34%>20.06% por lo tanto el proyecto ofrecer una rentabilidad mayor que la

mnima requerida.

39

3.7. Proceso de rea de Produccin

Figura 4. Proceso De produccin de calzados

Inicio

Recepcionar e

inspeccionarMater

iales

Area de Cortes

Existe Modelo

Revisin de Cuero Disear Modelo

Si No

Escarlar PiezasRevisin de CueroTroquel o Manual

Cortar Pieles

Despastar y

Repujar

Aparar Piezas de

Cuero

Armar Cortes

Montar Puntas y

Talon

Pegar Plantas

Rematar o Acabar

Empacar y

Almacenar

Fin

Recepcin,,

inspeccin y

almacenamiento

de Materiales

Area de Corte Area de aparado Area de Armado

rea de ArmadoArea de acabadorea de Empaque

y almacnFin

Inicio

Diagrama de Flujo de Materiales

40

3.8. Cronograma de Actividades

Figura 5. Diagrama de Gantt

41

Captulo IIII: Resultados

Parte estadstica e interpretacin de la produccin de calzados DUKE

durante el ao 2014.

Figura 6. Modelo DJ001 confeccionados durante un ao

En la empresa de calzados duke de enero a diciembre del ao 2014 el 35 % de zapatos

fabricados del modelo DJ001 estuvieron entre 88 y 101 pares semanales sin embargo el

8% estuvieron entre 60 y 73 pares semanales. La empresa fabrica con frecuencia 100

pares semanales durante el ao con un promedio de 106 pares, el 50 % de los zapatos

producidos supera los 100 pares.

8% 11%

35% 17%

10%

11% 8%

Numero de pares de zapato del modelo DJ001 confeccionados durante un ao

60 73

74 87

88 101

102 115

116 129

130 143

144 157

42


En la empresa de calzados Duke de enero a diciembre del ao 2014 el 65 % de zapatos



pares semanales durante el ao con un promedio de 66 pares.


65%

25%

4%

6%

Numero de pares de zapato del modelo DJ002 confeccionados

durante un ao

60 72

73 85

86 98

99 111

2%

6%

40%

23%

25%

2% 2%


0 16

17 33

34 50

51 67

68 84

85 101

102 118

43




pares semanales durante el ao con un promedio de 54 pares.


En la empresa de calzados Duke de enero a diciembre del ao 2014 el 21% de zapatos



pares semanales durante el ao con un promedio de 43 pares. Al parecer es un modelo

que tiene poca aceptacin por parte del usuario lo cual la empresa debera de descartar o

cambiar de modelo.

14%

12%

21%

17%

21%

13%

2%


0 13 14 27

28 41 42 55

56 69 70 83

84 97

44



fabricados del modelo DJ004 estuvieron entre 0 y 22 pares semanales sin embargo el 2%

estuvieron entre 138 y 160 pares semanales. La empresa fabrica en promedio 32 pares

durante el ao con lo cual podemos deducimos que el modelo DJ005 no se fabrica

mucho, no es un modelo que obtenga mucha rentabilidad.

48%

23%

13%

8% 4%

2% 2%


0 22

23 45

46 68

69 91

92 114

115 137

138 160

45

Parte estadstica e interpretacin de la venta de calzados DUKE durante el ao 2014

Figura 11. Modelo DJ001 vendidos durante un ao


vendidos del modelo DJ001 estuvieron entre 170 y 189 pares semanales sin embargo el

7% estuvieron entre 50 y 69 pares semanales. La empresa fabrica en promedio 106

pares durante el ao con lo cual decimos q este modelo es rentable para la empresa.

7% 9%

12%

14%

17%

19%

22%

Numero de pares de zapato del modelo DJ001 vendidos durante un

ao

50 69

70 89

90 109

110 129

130 149

150 169

170 189

46



vendidos del modelo DJ002 estuvieron entre 50 y 63 pares semanales sin embargo el 2%


durante el ao con lo cual decimos q este modelo es rentable para la empresa.

52%

13%

29%

2% 0%

4%

Numero de pares de zapato del modelo DJ002 vendidos durante un ao

50 63

64 77

78 91

92 105

106 119

120 133

47





durante el ao con lo cual decimos q este modelo es rentable para la empresa.

2%

13%

25%

35%

19%

2%

4%


15 7,5

31 23,5

47 39,5

63 55,5

79 71,5

95 87,5

111 103,5

48





durante el ao.

15%

10%

21%

23%

19%

8% 4%


0 13

14 27

28 41

42 55

56 69

70 83

84 97

49





durante el ao con lo cual decimos que el modelo necesita ser modificado por su poca

productividad.

50%

29%

7%

8%

2% 2% 2%


0 24

25 49

50 74

75 99

100 124

125 149

150 174

50

Comparacin de Datos estadsticos tanto de produccin como de

ventas de todos los modelos durante el ao 2014

Figura 16. Modelos producidos durante el ao

Figura 17. Modelos vendidos durante el ao

1%

6%

19%

5%

5% 5%

10% 11%

18%

20%

Numero de pares de zapatos de todos los modelos producidos durante el ao

180 200

201 221

222 242

243 263

264 284

285 305

306 326

327 347

348 368

2%

7% 10% 2%

5%

7%

31%

17%

9% 10%

Numero de pares de zapatos de todos los modelos vendidos durante el ao

180 197

198 215

216 233

234 251

252 269

270 287

288 305

306 323

324 341

342 359

51

En la empresa de calzados Duke de enero a diciembre del ao 2014 el 20% de zapatos

confeccionados de los 5 modelos estuvieron entre 369 y 389 sin embargo el 31 % de

zapatos vendidos de los 5 modelos estuvieron entre 288 y 305 pares semanales. La

empresa fabrica en promedio produce 307 y vende 289 pares durante el ao con lo cual

podemos concluir lo que produce es vendido casi en su totalidad.

52

Conclusiones

La elaboracin de este trabajo fue notoria la aplicacin de las herramientas

estadsticas, dando como resultados obtenidos en el estudio se logr identificar

los criterios de negocio enfocado en la produccin. Dando como resultados que:

Cada ao la empresa aumenta el nmero de produccin de zapatos

sobrepasando los 300 pares semanales.

La empresa calzados Duke vende por semana entre 285 y 294 pares de zapatos

con un nivel de confianza 95 %.

La empresa por semana fabrica entre 300 y 314 pareces de zapatos con un nivel

de confianza 95 %

En anlisis estadstico realizado la empresa de calzados Duke ha producido un

total de 15919 pares y ha vendido un total de 15406 pares.

De los 5 modelos producidos por la empresa el modelo DJ001 es el producto que

ms se fabrica y vende por ende la empresa debera aumentar la produccin de

ese modelo.

La empresa debera darle ms nfasis o descartar el modelo DJ001 ya que ese

modelo es el que menos es producido y vendido.

53

Bibliografa

Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques. BOSTON: EL SEVIER.

Maimom, O., & Rokach, l. (2010). Dataming and KDD. New York: Springer.

Molina Lpez , J., & Garca Herrero, J. (2006). TCNICAS DE ANLISIS DE DATOS. Madrid:

Universidad de Madrid.

Usama, F., Piatetsky, G., & Smyth , P. (1996). From Data Mining to Knowledge Discovery in

Databases. AAAI96, 54.

Weiss, G., & Davison, B. (2010). Data Mining. To appear in the Handbook of Technology

Management, H. Bidgoli (Ed.), 17.

Weiss, J. (2010). Data Mining. The Handbook of Technology Management.

54

Anexos

trabajo final tesis dataminig

Documents