ALUMNO

RODRÍGUEZ ORTEGA RAÚL IGNACIO - 171035

GRUPO

LC86

DOCENTE

GONZALO ANTONIO GARCIA CABRERA

MATERIA

PROYECTO DE INNOVACION 1

CARRERA

LOGÍSTICA Y CADENA DE SUMINISTROS

NÚMERO Y TEMA DE LA ACTIVIDAD

ACTIVIDAD 4: FORMULACION DEL HIPOTESIS Y VARIABLE DEL ESTUDIO

AGOSTO 2023
Introducción

En el ámbito de la investigación científica y académica, la formulación de hipótesis

desempeña un papel fundamental. Las hipótesis son enunciados tentativos y
plausibles que establecen relaciones entre variables, proponiendo una explicación
anticipada de un fenómeno o problema. En el contexto de los anteproyectos de
investigación, las hipótesis juegan un papel esencial al establecer la dirección y el
propósito del estudio, proporcionando una base sólida para el diseño y la
ejecución de la investigación.

Una hipótesis se basa en la intuición, el conocimiento previo y la observación del

fenómeno de interés. Representa una suposición que se someterá a prueba a
través de la recolección y análisis de datos. En un anteproyecto, las hipótesis
ayudan a enfocar el objetivo de la investigación, proporcionando un marco
conceptual que guía la metodología y el análisis de resultados.

Existen dos tipos principales de hipótesis que suelen abordarse en los

anteproyectos:

Hipótesis Nula (H0): Esta hipótesis plantea que no existe relación o efecto entre
las variables investigadas. Se formula con el propósito de someterla a prueba
estadística para determinar si existe evidencia suficiente para rechazarla en favor
de una hipótesis alternativa.

Hipótesis Alternativa (H1): También conocida como hipótesis de investigación,

propone una relación o efecto específico entre las variables. Es la afirmación que
se busca respaldar con los datos recopilados y el análisis posterior.

Una hipótesis sólida en un anteproyecto debe ser clara, específica y falsificable, lo

que significa que debe ser posible demostrar su falsedad a través de la evidencia
empírica. Además, debe ser coherente con la teoría existente y el conocimiento
previo en el área de estudio.
En resumen, las hipótesis en los anteproyectos de investigación son cimientos
esenciales sobre los cuales se construye toda la investigación. Proporcionan una
dirección clara, definen los objetivos y guían el proceso metodológico. La
formulación adecuada de hipótesis requiere un profundo entendimiento del
fenómeno en cuestión, así como de las teorías y conceptos relacionados. En el
presente anteproyecto, exploraremos en detalle la formulación y prueba de
hipótesis, con el objetivo de contribuir al conocimiento en el campo y ofrecer una
perspectiva valiosa sobre el tema en cuestión.

Título del Anteproyecto de Investigación: Optimización de la Cadena de

Suministro utilizando Técnicas de Inteligencia Artificial y Análisis de Datos
en la Industria Manufacturera

En la actualidad, la industria manufacturera enfrenta un entorno altamente

competitivo y dinámico, donde la eficiencia en la cadena de suministro es esencial
para mantener la calidad del producto, reducir costos y satisfacer las demandas
del mercado. La integración de técnicas de Inteligencia Artificial (IA) y análisis de
datos puede ofrecer soluciones innovadoras para optimizar la cadena de
suministro y lograr una ventaja competitiva.

La cadena de suministro en la industria manufacturera a menudo enfrenta

desafíos como la variabilidad de la demanda, la complejidad de la red de
proveedores y la necesidad de tomar decisiones en tiempo real. Estos desafíos
pueden conducir a ineficiencias, altos costos operativos y dificultades para cumplir
con los plazos de entrega. Por lo tanto, surge la pregunta: ¿Cómo se pueden
aprovechar las técnicas de IA y análisis de datos para optimizar la cadena de
suministro y mejorar la eficiencia en la industria manufacturera?

1. Decisión sobre la inclusión de hipótesis:

En este anteproyecto de investigación, se optará por la inclusión de hipótesis. Esto

permitirá establecer una base teórica sólida y direccionar el estudio hacia objetivos
concretos. La hipótesis puede servir como una declaración tentativa que será
evaluada a lo largo de la investigación y ayudará a establecer relaciones entre las
variables propuestas.

Hipótesis:

La implementación de técnicas de inteligencia artificial y análisis de datos en la

cadena de suministro de la industria manufacturera resultará en una mejora
significativa en la eficiencia operativa, reducción de costos y tiempos de entrega
más cortos.

Hipótesis nula (H0): No hay una mejora significativa en la eficiencia de la cadena

de suministro al utilizar técnicas de inteligencia artificial y análisis de datos en la
industria manufacturera.

Hipótesis alternativa (H1): La implementación de técnicas de inteligencia artificial y

análisis de datos en la industria manufacturera conduce a una optimización
significativa de la cadena de suministro.

2. Variables y construcción de indicadores:

Las variables cualitativas reflejan la adopción de tecnologías modernas, como la

inteligencia artificial y el análisis de datos, en la cadena de suministro. Estos
indicadores permiten cuantificar el grado de implementación y su impacto en los
procesos. Las variables cuantitativas evalúan el rendimiento de la cadena de
suministro, considerando aspectos clave como el tiempo y los costos involucrados
en el proceso.

En este anteproyecto, se trabajarán con variables tanto cualitativas como

cuantitativas.

La elección de estas variables permitirá analizar la relación entre la

implementación de técnicas de IA y análisis de datos en la cadena de suministro
(variables cualitativas) y la mejora en la eficiencia de dicha cadena (variables
cuantitativas). Se espera que el incremento en el nivel de implementación de estas
tecnologías se correlacione con una mayor eficiencia en los procesos logísticos y,
por lo tanto, menor tiempo y costos involucrados.
Variables Cualitativas:

 Complejidad de la red de proveedores: Se evaluará la cantidad de

proveedores involucrados en la cadena de suministro y su nivel de
interdependencia.
 Flexibilidad del proceso de fabricación: Se analizará la capacidad de la
planta de producción para adaptarse a cambios en la demanda y producir
diferentes productos.

Variables Cuantitativas:

 Demanda de productos: Se recopilarán datos históricos de ventas para

predecir la demanda futura de los productos.
 Niveles de inventario: Se medirá la cantidad de productos y materias primas
almacenados en diferentes etapas de la cadena de suministro.

Dimensionamiento y Construcción de Indicadores:

Para cada una de las variables cuantitativas, es esencial construir indicadores

medibles que reflejen su impacto en la optimización de la cadena de suministro:

Indicadores de Implementación de Técnicas de IA y Análisis de Datos:

 Porcentaje de procesos de la cadena de suministro con implementación de

IA.
 Número de algoritmos de análisis de datos utilizados.
 Grado de integración de sistemas de IA en la gestión de la cadena de
suministro.

Indicadores de Optimización de la Cadena de Suministro:

 Porcentaje de reducción en el tiempo promedio de procesamiento de

pedidos.
 Porcentaje de reducción de costos operativos en la cadena de suministro.
 Porcentaje de disminución de inventario no vendido.
  Margen de error en las predicciones de la demanda en comparación con el
histórico.

Estos indicadores proporcionarán datos cuantificables y medibles para evaluar la

relación entre las variables y validar la hipótesis planteada.

Conclusiones:

Implementar IA en una cadena de suministro puede tener varias conclusiones

importantes:

Eficiencia Mejorada: La IA puede optimizar la planificación y gestión de la cadena

de suministro al analizar grandes cantidades de datos en tiempo real. Esto lleva a
una mejor asignación de recursos, reducción de costos y tiempos de entrega más
cortos.

Toma de Decisiones Informada: La IA puede proporcionar insights basados en

datos que respalden la toma de decisiones en la cadena de suministro. Esto
permite a los equipos tomar decisiones más informadas y estratégicas en lugar de
depender únicamente de la intuición.

Predicción y Prevención de Problemas: Los modelos de IA pueden predecir

problemas potenciales en la cadena de suministro, como retrasos en la producción
o escasez de materiales, lo que permite a las empresas tomar medidas
preventivas para mitigar los impactos negativos.

Mayor Visibilidad: La implementación de sensores y tecnologías de seguimiento

junto con la IA puede proporcionar una visibilidad en tiempo real de la ubicación y
estado de los productos en toda la cadena de suministro. Esto mejora la
capacidad de rastrear y gestionar los productos a lo largo de su viaje.

Personalización y Demandas Cambiantes: La IA puede ayudar a las empresas a

adaptarse a las demandas cambiantes y a personalizar la producción y el
suministro en función de las preferencias de los clientes, lo que mejora la
satisfacción del cliente y la competitividad.
Reducción de Errores Humanos: La automatización a través de la IA puede reducir
la probabilidad de errores humanos en tareas repetitivas y propensas a errores, lo
que a su vez mejora la calidad y consistencia de la cadena de suministro.

Colaboración Mejorada: La IA puede facilitar la colaboración entre diferentes

actores de la cadena de suministro al proporcionar una plataforma común para
compartir información en tiempo real, lo que conduce a una mayor coordinación y
eficiencia.

Desafíos Tecnológicos y de Implementación: La implementación exitosa de la IA

en la cadena de suministro requiere inversiones significativas en tecnología,
infraestructura y capacitación. Además, la integración de sistemas heredados con
nuevas soluciones tecnológicas puede presentar desafíos.

Privacidad y Seguridad de Datos: La recopilación y análisis de datos en la cadena

de suministro pueden plantear preocupaciones sobre la privacidad y la seguridad
de los datos, lo que requiere enfoques sólidos para garantizar el cumplimiento
normativo y la protección de la información confidencial.

Necesidad de Supervisión Humana: Aunque la IA puede automatizar muchas

tareas, todavía es crucial contar con la supervisión humana para tomar decisiones
estratégicas, abordar problemas complejos y ajustar los modelos de IA según sea
necesario.

En última instancia, la implementación exitosa de la IA en una cadena de

suministro requiere una planificación cuidadosa, una comprensión profunda de los
procesos y una adaptación continua a medida que evolucionan las tecnologías y
las necesidades del mercado.

La optimización de la cadena de suministro mediante la implementación de

técnicas de Inteligencia Artificial y análisis de datos ofrece un gran potencial para
mejorar la eficiencia operativa y la competitividad en la industria manufacturera. La
combinación de variables cualitativas y cuantitativas permitirá un enfoque integral
para abordar los desafíos de la cadena de suministro y proponer soluciones
efectivas.
Este anteproyecto busca demostrar cómo la adopción de técnicas de inteligencia
artificial y análisis de datos puede impactar positivamente en la cadena de
suministro de la industria manufacturera, mejorando su eficiencia operativa y
económica.