Díaz Pulido, José ArturoHuaman Tapia, Carlos RodrigoRabines Floreano, Madeleine Gillian2025-03-062025-03-062024https://hdl.handle.net/20.500.14414/23673El trabajo de investigación tuvo como objetivo principal crear un modelo computacional basado en técnicas de minería de datos para predecir el movimiento de productos en la empresa LLAMAKIS ubicada en Trujillo, durante el año 2023. El estudio está bajo el enfoque cualitativo, logrando construir el modelo computacional con dos algoritmos de aprendizaje automático, estos son Árboles de Decisión de Regresión (CART) y Red Neuronal Multicapa (MLP) para analizar patrones históricos de ventas, inventarios y datos logísticos. Se utilizó como lenguaje de programación Python y la metodología de minería de datos CRISP-DM. Los resultados del modelo fueron evaluados a través de tres técnicas de evaluación, se aplicó error cuadrático medio (RME), error absoluto medio (MAE) y la matriz de confusión; la evaluación se realizó para los dos algoritmos, y se obtuvo una precisión del 97.5% para CART y para MLP un 98% en la predicción de la demanda. El trabajo contribuye al uso de tecnologías, en este caso la minería de datos, en los procesos de análisis de datos, toma de decisiones estratégicas y competitividad de la empresa en un mercado dinámicoAbstract The main objective of the research work was to create a computational model based on data mining techniques to predict the movement of products in the LLAMAKIS company located in Trujillo, during the year 2023. The study is under the qualitative approach, managing to build the computational model with two machine learning algorithms, these are Regression Decision Trees (CART) and Multilayer Neural Network (MLP) to analyze historical patterns of sales, inventories and logistics data. Python was used as the programming language and the CRISP-DM data mining methodology. The results of the model were evaluated through three evaluation techniques, mean square error (RME), mean absolute error (MAE) and the confusion matrix were applied; the evaluation was carried out for the two algorithms, and an accuracy of 97.5% was obtained for CART and 98% for MLP in the prediction of demand. The work contributes to the use of technologies, in this case data mining, in the processes of data analysis, strategic decision-making and competitiveness of the company in a dynamic marketapplication/pdfspainfo:eu-repo/semantics/openAccessMachine Learning, CART, MLP, Pythoninfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#1.02.01