@unpublished{uneatlantico2929,
          author = {Edgar Daniel Streuli Wanderer},
           month = {Julio},
            year = {2022},
           title = {Modelo para la planificaci{\'o}n de la producci{\'o}n en micro viveros del Paraguay},
        abstract = {Los peque{\~n}os y micro viveros del Paraguay normalmente son empresas familiares con poco personal que se desenvuelven en un entorno muy cambiante, cuya producci{\'o}n de plantines est{\'a} muy influenciada por el clima y las demandas del mercado. Para sobrevivir en este entorno, los micro viveros deben ser capaces de predecir la demanda, donde la falta de plantines genera p{\'e}rdida por falta de ventas adem{\'a}s de generar una mala relaci{\'o}n con los productores por no poder cumplir con los pedidos, y mientras que una sobreproducci{\'o}n generar{\'i}a p{\'e}rdidas al tener que desechar plantines no vendidos. El objetivo propuesto es crear un modelo para la planificaci{\'o}n de la producci{\'o}n para peque{\~n}os y micro viveros basado en inteligencia artificial. Con el cual los viveros puedan esquematizar y estructurar la planificaci{\'o}n de su producci{\'o}n sin depender completamente del personal con experiencia. Influye en la planificaci{\'o}n de la producci{\'o}n de los micro viveros el espacio disponible en los distintos sectores del vivero, el tama{\~n}o de las plantas y el tiempo que deben permanecer los plantines en el vivero. El uso de la Inteligencia Artificial para predecir la producci{\'o}n complementar{\'a} la experiencia del personal del vivero. De los algoritmos utilizados en Inteligencia Artificial, se considera el principal algoritmo, la regresi{\'o}n lineal que adem{\'a}s es el ideal para realizar predicciones y utilizarlo en la planificaci{\'o}n. La metodolog{\'i}a CRISP-DM establece una estructura para trabajar con grandes vol{\'u}menes de datos definiendo fases que van desde el entendimiento del negocio, entendimiento de los datos, preparaci{\'o}n de datos, modelado, evaluaci{\'o}n e implementaci{\'o}n. Esta metodolog{\'i}a es {\'u}til para trabajar con Inteligencia Artificial generando varios modelos en el proceso hasta llegar al {\'o}ptimo. El modelo propuesto para la planificaci{\'o}n de la producci{\'o}n consiste en utilizar las caracter{\'i}sticas del vivero y de las plantas junto con los registros de producci{\'o}n, pedidos, ventas y desechos para realizar la planificaci{\'o}n basado en Inteligencia Artificial. Posee 5 fases, los cuales son: Planificaci{\'o}n, Recolecci{\'o}n de datos, Entrenamiento de la IA, Validaci{\'o}n de los resultados y la Implementaci{\'o}n. El dise{\~n}o de la investigaci{\'o}n es descriptivo de corte longitudinal, se han registrado los datos de 9 meses de los cuales 6 meses fueron para recolectar datos y los {\'u}ltimos tres para realizar la predicci{\'o}n, comparando la predicci{\'o}n con los datos registrados, utilizando la validaci{\'o}n del R2 que compara el resultado del algoritmo de IA y cu{\'a}nto se ajusta a los datos. En el primer mes la predicci{\'o}n fue inferior a la producci{\'o}n del vivero, con valores de R2 para la lechuga, repollo, br{\'o}coli y coliflor, 85\%, 81\%, 71\% 73\% respectivamente. Para el tercer mes la predicci{\'o}n de la lechuga, repollo y coliflor del 85\%, 92\%, 86\% y 90\% respectivamente. El modelo propuesto a logrado predecir con bastante exactitud la producci{\'o}n del vivero. En el per{\'i}odo analizado los datos fueron afectados por un per{\'i}odo de sequ{\'i}a y de lluvias. Es muy importante que lo generado por el modelo sea revisado en {\'u}ltima instancia por el responsable del vivero, para evitar posibles influencias no deseadas de los factores externos contemplados en el modelo.},
             url = {http://repositorio.uneatlantico.es/id/eprint/2929/},
        keywords = {Planificaci{\'o}n de la siembra,Producci{\'o}n de plantines,Gesti{\'o}n de la germinaci{\'o}n,Distribuci{\'o}n de plantines,Micro Viveros}
}