Aplicación de modelos de aprendizaje automático para el análisis de series temporales y pronóstico de anomalías en la nómina diaria en una planta de manufactura

Abstract

En el competitivo ámbito de la industria manufacturera, alcanzar la excelencia operativa es esencial para garantizar eficiencia y rentabilidad. La optimización de procesos y recursos juega un papel clave en el éxito de una planta de manufactura, lo que hace que la detección y gestión de valores atípicos cobren relevancia como desafío estratégico. Dentro de este contexto, la revisión de nóminas adquiere un rol crucial al asegurar la precisión en los pagos y evaluar la eficiencia operativa de la planta. Este proyecto investigativo busca implementar un sistema de detección que identifique errores involuntarios e irregularidades fraudulentas en los datos de eficiencia de la revisión. Al corregir estos valores atípicos, se resguarda la integridad de los pagos y se generan ahorros con efectos tangibles. Dado que la compensación de los operarios depende de su eficiencia, identificar desviaciones tempranamente optimiza costos y recursos. La investigación explora en detalle las metodologías de detección de valores atípicos aplicables a los datos de eficiencia en la revisión de nóminas y sus procesos correctivos. Además, analiza los beneficios económicos y operativos, reafirmando la importancia de la precisión en la gestión de nóminas en un entorno industrial en constante evolución. En síntesis, esta tesis yace en la confluencia de la ingeniería industrial, la analítica de datos y la gestión de recursos humanos. Su propósito es asegurar la calidad de los datos de eficiencia en la revisión de nóminas y promover la eficacia operativa en la planta de manufactura, garantizando tanto la precisión financiera como la eficiencia operativa en las plantas de manufactura.