Sistema de soporte a las decisiones para apoyar la planificación de compras en una droguería de Chiclayo

Abstract

Esta investigación tuvo como contexto el proceso de compras y ventas en una empresa farmacéutica, colocando especial énfasis en la planificación de las compras, por lo que su objetivo fue construir un sistema de soporte para tomar decisiones que apoyen en la planificación de compras. Para el desarrollo del módulo de predicción en base al algoritmo seleccionado, se empleó la metodología CRISP-DM para la construcción, evaluación y para el despliegue se incluyó la metodología SCRUM. El despliegue del modelo se realizó en base a los lenguajes de programación Python y JavaScript, empleando el Framework Laravel, una interfaz local, la cual, permite visualizar reportes gráficos al usuario final. En cuanto a los resultados; para el proceso de desarrollo del modelo de predicción más adecuado para estimar de manera óptima la rotación de los productos, se seleccionó a las redes neuronales tras un proceso combinado de revisión literaria y comparación con datos reales. Así también se evidenció el logro de un 90.23% de precisión al aplicar un filtro para eliminar ventas con valores cercanos o iguales a cero en el módulo de predicción con respecto al flujo de los productos. Finalmente, las pruebas de caja blanca y negra revelaron la eficiencia de la interfaz final, lo cual se refleja en el nivel de usabilidad del sistema obtenido a través de las encuestas aplicadas a los usuarios finales, quienes manifestaron en su mayoría niveles de “bastante probable” y “ligeramente probable” de uso del sistema.

The context of this research was the purchasing and sales process in a pharmaceutical company, with special emphasis on purchase planning, so its objective was to build a support system to make decisions that support purchase planning. For the development of the prediction module based on the selected algorithm, the CRISP-DM methodology was used for the construction and evaluation, and the SCRUM methodology was included for the deployment. The deployment of the model was performed based on Python and JavaScript programming languages, using the Laravel Framework, a local interface, which allows visualizing graphical reports to the end user. As for the results, for the process of developing the most appropriate prediction model to optimally estimate product turnover, neural networks were selected after a combined process of literature review and comparison with real data. It was also evidenced the achievement of 90.23% accuracy when applying a filter to eliminate sales with values close to or equal to zero in the prediction module with respect to product flow. Finally, the white and black box tests revealed the efficiency of the final interface, which is reflected in the level of usability of the system obtained through the surveys applied to the end users, who mostly expressed levels of “quite likely“ and “slightly likely“ to use the system.