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

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

cooper del mismo.

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.

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

5

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

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 8. Modelo DJ003 confeccionados durante un ao ...................................................... 42
Figura 9. Modelo DJ004 confeccionados durante un ao ...................................................... 43
Figura 10. Modelo DJ005 confeccionados durante un ao .................................................... 44
Figura 11. Modelo DJ001 vendidos durante un ao ................................................................ 45
Figura 12. Modelo DJ002 vendidos durante un ao ................................................................ 46
Figura 13. Modelo DJ003 vendidos durante un ao ................................................................ 47
Figura 14. Modelo DJ004 vendidos durante un ao ................................................................ 48
Figura 15. Modelo DJ005 vendidos durante un ao ................................................................ 49
Figura 16. Modelos producidos durante el ao ........................................................................ 50
Figura 17. Modelos vendidos durante el ao ............................................................................ 50

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

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.

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?

10

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.

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

produccin.

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.

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

11

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.

12

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

13

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.

14

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)

15

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

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

16

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

17

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:

18

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
19

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.

20

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.

21

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.
22

 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

23

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.

24

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

encuentra

patrones

de

comportamiento

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:

25

 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.

Knowledge
Seeker
dVelox
Enterprise
MicroStrategy
Data Mining
SQL Server
Data
Mining 2008
Pentaho Data
Mining
(Weka)

Es una
herramienta de
cdigo abierto

Posee una amplia

gama de
algoritmos para
trabajar

Trabaja con
Se realizan continuas
Permite la limpieza,
distintas
actualizaciones sobre
integracin y
Puntuacin
bases de
las funcionalidades del
transformacin de datos
Datos.
Software

12

Tabla 1 Comparacin entre herramientas data minig

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.

26

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
O1

O2
Figura 2. Tipo de estudio

DONDE:
M=Muestra
O1=Variable Independiente
O2=Variable Dependiente

27

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
=

N x 2 2
2 ( 1) + 2 2

Dnde:
Margen de error
Tamao de la poblacin
Desviacin estndar
Nivel de confianza

e:
N:
o:
Z:

0.05
15719
0.5
95%

15719 x 0.52 1.962

0.052 (15719 1) + 0.52 1.962

= 375

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
28

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

Placa Madre:

H81 ds2 asus

Procesador:

Intel Core i3 4460 3.40 Ghz

Disco Duro:
Memoria RAM:

500

Modelo:

---------------------

Seagate (7200 RPM)

4 GB

KINGSTON DDR3

Video:

Pci Express Integrado

Sonido:

Integrado 7.1

Tarjeta de red
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

29

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

NetBeans
Leguaje de programacin 8.0.2

8.0.2

Servidor base de datos

Mysql 5.3

5.3

Realizar diagramas

StarUML

2.3.0

Antivirus

Nod 32

Weka

7.0302
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.

30

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

Numero de
Recursos Humanos

Meses

Tarifa Mensual

Total (S/.)

Jefe de proyecto es el
analista.

S/.

800.00

S/.

4,000.00

Diseador.

3 semanas

S/.

1,000.00

S/.

750.00

Programador.

S/.

1,000.00

S/.

2,000.00

Testeador.

2 semanas

S/.

750.00

S/.

375.00

S/.

7,125.00

TOTAL

31

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/.)

CPU

S/.

900.00

S/.

900.00

Monitor

S/.

300.00

S/.

300.00

Impresora

S/.

200.00

S/.

200.00

Kit de dispositivos
perifricos

S/.

80.00

S/.

80.00

TOTAL

Total(S/.)

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/.)

Windows 8.1

S/.

500.00

S/. 500.00

Word y excel

S/.

313.83

S/. 313.83

NetBeans 8.0.2

S/.

0.00

S/.

0.00

Mysql 5.3

S/.

0.00

S/.

0.00

StarUML

S/.

0.00

S/.

0.00

Nod 32

S/.

44.38

S/.

44.38

Weka

S/.

0.00

S/.

0.00

TOTAL

32

Total(S/.)

S/. 858.21

Costo de Software para el funcionamiento

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

Cantidad licencias(S/.)

Windows 8.1

S/.

500.00

TOTAL

Total(S/.)
S/.

500.00

S/.

500.00

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

Costo por
Suministro

Cantidad

Unidad(S/.)

Material de Oficina

S/.

10.00 S/.

10.00

Hojas Bond

S/.

12.00 S/.

12.00

Cartuchos de Impresora

S/.

30.00 S/. 120.00

Memoria USB

S/.

20.00 S/.
TOTAL

Total(S/.)

20.00

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.

33

Tabla 9. Costos de Servicios

Costo Estimado al
Servicio

Cantidad(Mes)

Mes

Agua

S/.

6.00

Luz

S/.

15.00

S/.

75.00

Transporte

S/.

28.00

S/.

140.00

Viticos

S/.

80.00

S/.

400.00

Internet

S/.

15.00

S/.

75.00

S/.

720.00

TOTAL

Total(S/.)
S/. 30.00

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
S/.
Costo de Equipo

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

34

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
Personal
Suministros
Software

Equipo de
Usuario
Servicios
Total

Costo Inicial
S/.
7,125.00
S/.
162.00
S/.
1,358.21
S/.
1,332.00
S/.
1,480.00
S/.
720.00
S/.

10,845.21

Ao 1

Ao 2

Ao 3

Ao 4

.....

.....

.....

.....

.....

.....

.....

.....

.....

.....

.....

.....

(4/10)

(3/10)

2/10)
S/.
291.38
S/.
435.60
S/.
726.98

(1/10)

S/.

518.00

S/.

388.50

S/.

360.00

S/.

396.00

S/.

878.00

S/.

784.50

S/.

218.53

S/.

479.16

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
Beneficio econmico
por uso del sistema
Beneficio anual
gastos operativos
Total

Ao 1

Ao 2

Ao 3

Ao 4

S/.

4,000.00

S/.4,000.00

S/. 4,000.00

VD=S/.148.00+ S/.
4,000.00

S/.
S/.

500.00
4,500.00

S/. 500.00
S/. 4,500.00

S/. 500.00
S/. 4,500.00

S/. 500.00
S/. 4,648.00

35

3.6.3.3. Desarrollo del VAN y TIR

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

Ao 0

Beneficio

..

Costo

S/. 10,845.21
S/. Total
10,845.21
S/. Acumulado
10,845.21

Ao 1
S/.
4,500.00
S/.
878.00
S/.
5,378.00
S/. 5,467.21

Ao 2
S/.
4,500.00
S/.
784.50
S/.
5,284.50
S/.
182.71

Ao 3
S/. 4,500.00
S/.
726.98
S/. 5,226.98
S/. 5,044.27

Ao 4
S/.
4,648.00
S/.
697.69
S/.
5,345.69
S/.
10,389.96

Figura 3. Esquema Costo beneficio

12000
10000
8000
Beneficio

6000

Costo
4000
2000
0
Ao 0

Ao 1

Ao 2

Ao 3

Ao 4

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).

36

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).

Banco Central de Reserva del Per, Presentacin del Reporte de Inflacin-Junio 2015
En http://www.bcrp.gob.pe/

37

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

S/.

2,891.06

VAR
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.

38

3.7.

Proceso de rea de Produccin

Figura 4. Proceso De produccin de calzados
Recepcionar e
inspeccionarMater
iales

Inicio

Area de Cortes

Si

Troquel o Manual

Existe Modelo

No

Revisin de Cuero

Disear Modelo

Revisin de Cuero

Escarlar Piezas

Cortar Pieles

Despastar y
Repujar

Aparar Piezas de
Cuero
Montar Puntas y
Talon
Armar Cortes
Pegar Plantas

Rematar o Acabar

Empacar y
Almacenar

Fin

Diagrama de Flujo de Materiales

Inicio

Recepcin,,
inspeccin y
almacenamiento
de Materiales

Fin

Area de Corte

Area de aparado

rea de Empaque
y almacn

Area de acabado

39

Area de Armado

rea de Armado

3.8.

Cronograma de Actividades
Figura 5. Diagrama de Gantt

40

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

Numero de pares de zapato del modelo DJ001

confeccionados durante un ao
60 73
11%

8%

8%

74 87

11%

88 101

10%

102 115
35%

17%

116 129
130 143
144 157

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.

41

Figura 7. Modelo DJ002 confeccionados durante un ao

Numero de pares de zapato del

modelo DJ002 confeccionados
durante un ao
4%
6%

60 72

25%
73 85
65%
86 98
99 111

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

fabricados del modelo DJ001 estuvieron entre 60 y 72 pares semanales sin embargo el
4% estuvieron entre 60 y 72 pares semanales. La empresa fabrica con frecuencia 60
pares semanales durante el ao con un promedio de 66 pares.

Figura 8. Modelo DJ003 confeccionados durante un ao

Numero de pares de zapato del modelo

DJ003 confeccionados durante un ao
2% 2% 2%
6%

0 16

25%

17 33
40%

34 50
51 67
68 84

23%

85 101
102 118

42

En la empresa de calzados Duke de enero a diciembre del ao 2014 el 40 % de zapatos

fabricados del modelo DJ003 estuvieron entre 34 y 50 pares semanales sin embargo el
2% estuvieron entre 85 y 101 pares semanales. La empresa fabrica con frecuencia 60
pares semanales durante el ao con un promedio de 54 pares.

Figura 9. Modelo DJ004 confeccionados durante un ao

Numero de pares de zapato del modelo DJ004

confeccionados durante un ao
2%
13%

14%
12%

0 13

14 27

28 41

42 55

56 69

70 83

21%
21%
17%

84 97

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

fabricados del modelo DJ004 estuvieron entre 28 y 41 pares semanales sin embargo el
2% estuvieron entre 84 y 97 pares semanales. La empresa fabrica con frecuencia 60
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.

43

Figura 10. Modelo DJ005 confeccionados durante un ao

Numero de pares de zapato del modelo DJ005

confeccionados durante un ao
2% 2%
8%

0 22

4%

23 45
13%

48%

46 68
69 91
92 114

23%

115 137
138 160

En la empresa de calzados Duke de enero a diciembre del ao 2014 el 48 % de zapatos

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.

44

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

Figura 11. Modelo DJ001 vendidos durante un ao

Numero de pares de zapato del

modelo DJ001 vendidos durante un
ao
7%

22%

9%

50 69
12%

70 89
90 109

19%

14%

110 129
130 149

17%
150 169
170 189

En la empresa de calzados Duke de enero a diciembre del ao 2014 el 22 % de zapatos

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.

45

Figura 12. Modelo DJ002 vendidos durante un ao

Numero de pares de zapato del modelo DJ002

vendidos durante un ao
2% 0%
4%
50 63

29%
52%

64 77
78 91
92 105

13%

106 119
120 133

En la empresa de calzados Duke de enero a diciembre del ao 2014 el 52 % de zapatos

vendidos del modelo DJ002 estuvieron entre 50 y 63 pares semanales sin embargo el 2%
estuvieron entre 92 y 105 pares semanales. La empresa fabrica en promedio 64 pares
durante el ao con lo cual decimos q este modelo es rentable para la empresa.

46

Figura 13. Modelo DJ003 vendidos durante un ao

Numero de pares de zapato del modelo DJ003

vendidos durante un ao
2%

2%
4%

13%
15 7,5

19%

31 23,5
25%

47 39,5
63 55,5
79 71,5

35%

95 87,5
111 103,5

En la empresa de calzados Duke de enero a diciembre del ao 2014 el 52 % de zapatos

vendidos del modelo DJ003 estuvieron entre 50 y 63 pares semanales sin embargo el 2%
estuvieron entre 92 y 105 pares semanales. La empresa fabrica en promedio 64 pares
durante el ao con lo cual decimos q este modelo es rentable para la empresa.

47

Figura 14. Modelo DJ004 vendidos durante un ao

Numero de pares de zapato del modelo DJ004

vendidos durante un ao
8%

4%

15%
10%

19%

0 13
14 27
28 41
42 55

21%
23%

56 69
70 83
84 97

En la empresa de calzados Duke de enero a diciembre del ao 2014 el 23 % de zapatos

vendidos del modelo DJ004 estuvieron entre 42 y 55 pares semanales sin embargo el 4%
estuvieron entre 0 y 13 pares semanales. La empresa fabrica en promedio 42 pares
durante el ao.

48

Figura 15. Modelo DJ005 vendidos durante un ao

Numero de pares de zapato del modelo DJ005

vendidos durante un ao
2% 2% 2%
8%
7%

0 24
50%

25 49
50 74
75 99

29%

100 124
125 149
150 174

En la empresa de calzados Duke de enero a diciembre del ao 2014 el 50 % de zapatos

vendidos del modelo DJ005 estuvieron entre 0 y 24 pares semanales sin embargo el 2%
estuvieron entre 125 y 149 pares semanales. La empresa fabrica en promedio 42 pares
durante el ao con lo cual decimos que el modelo necesita ser modificado por su poca
productividad.

49

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

Numero de pares de zapatos de todos los

modelos producidos durante el ao
1%
20%

180 200

6%

201 221
19%

222 242

18%

243 263

5%

264 284

5%
5%

11%

285 305

10%

306 326
327 347
348 368

Figura 17. Modelos vendidos durante el ao

Numero de pares de zapatos de todos los

modelos vendidos durante el ao
2%
10%

180 197
7%

9%

198 215

10%

2%
5%

17%

7%

216 233
234 251
252 269
270 287
288 305

31%

306 323
324 341
342 359

50

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.

51

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.

52

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.

53

Anexos

54

55

56