See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/359709878

Modelo predictivo basado en Machine Learning para la Cadena de Suministro y

su influencia en la gestión logística de una empresa de venta de autos

Article in Journal of the ACM · April 2022

CITATION READS

1 1,332

1 author:

Christian Ovalle
Universidad Tecnológica del Perú
42 PUBLICATIONS 11 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Machine Learning aplicado en los métodos conceptivos. Caso práctico: Mujeres casadas de Indonesia View project

Ingeniería View project

All content following this page was uploaded by Christian Ovalle on 04 April 2022.

The user has requested enhancement of the downloaded file.

Modelo predictivo basado en Machine Learning para la Cadena de Suministro
y su influencia en la gestión logística de una empresa de venta de autos
CHRISTIAN, OVALLE PAULINO
Docente Universitario, Universidad Tecnológica del Perú

RESUMEN
Sin lugar a dudas una de las mayores fortalezas que tiene un país es la producción y exportación de materia
prima y también los productos terminados, pero nada de esto seria posible si no se tiene una cadena de
suministro optimizada y automatizada en relación a la gestión logística, lo que pretende esta investigación es
justamente presentar un modelo de cadena de suministro inteligente a través de un algoritmo predictivo del
aprendizaje automático. Luego de la aplicación del modelo predictivo se obtuvo el resultado que las ventas
aumentaron según el tipo de automóvil; Sedan 48.60%, Wagon 11.73% y Hatchback 32.52%. Por otro lado,
también se observa que hay una marcada relación entre las variables 1 y 2 del 80,2% y también se observa que
hay una relación en las variables 1 y 3 del 78,9% y también observamos una relación de las variables 2 y 3 del
82.3%.

Palabras clave: Cadena de suministro • Machine Learning • Gestión logística

1 INTRODUCCIÓN
La cadena de suministro inteligente, se caracteriza por tener un alto nivel de interconexión entre los ámbitos
físicos y digitales, donde los sensores de IoT permiten recolectar y transmitir información en tiempo real a lo
largo de toda la cadena, donde la analítica de big data, la inteligencia artificial y la computación en la nube hacen
posible tomar decisiones de manera simultánea para diferentes procesos [1]. Además, esta llegó gracias a los
avances tecnológicos, que permitieron esta gran evolución dentro de la logística; permitiendo el cambio y
mejora de este proceso fundamental en las empresas.
Entonces, uno de los eslabones es la tecnología, ya que influye brindando ayuda para garantizar un eficiente
flujo de materiales e información [2]. En este sentido, cabe mencionar que actualmente, este cambio ya se ve en
diversas empresas ya que la forma de almacenar ha cambiado, a tal punto, de encontrar los almacenes repletos
de sensores, con la finalidad de que permitan un mejor almacenamiento y control, lo que influye en la reducción
de costos y tiempos. Asimismo, la industria 4.0, dentro de las empresas se enfocan en la digitalización [3].
En este contexto, la inteligencia artificial ha jugado un papel importante, ya que esta es una herramienta
tecnológica esencial para la transformación de los procesos logísticos, eso se debe a que la implementación de
algoritmos de inteligencia artificial ayudará a mejorar notoriamente las predicciones de demanda; ocasionando
una disminución de los errores de predicción, con la finalidad que todo ello influya en la eficiencia de todos los
demás procesos, incluyendo a la sostenibilidad financiera de las empresas que participan en la cadena [1].
En la presente investigación se propone implementar un modelo de cadena de suministro inteligente, basado en
inteligencia artificial con algoritmos de Machine Learning para la toma de decisiones gerenciales en relación a
pedidos, abastecimiento y distribución de materiales de una empresa de venta de autos; ya que puede adaptar
procesos en numerosas áreas, incluida la SCM [4]; todo ello, con el fin de mejorar los procesos logísticos
mediante la disminución de tiempos, errores y costes; además, de generar ventajas competitivas, evitando que
siga en aumento la insatisfacción del cliente, colocándolo como uno de los principales actores para así poder
mejorar la confianza y seguridad del mismo.

2 ESTADO DEL ARTE

2.1 Cadena de Suministro Inteligente

Calatayud & Kats [1] nos dicen que, las cadenas de suministros comprenden un conjunto de
actividades que abarcan desde el diseño de un producto o servicio, hasta su entrega o prestación a
los consumidores finales. Por otro lado, para que se consiga su integración completa, se necesita que
todos los miembros o actores de la cadena de suministro compartan el mismo objetivo con altos
esfuerzos de integración conjunta, actuando como si toda la cadena de suministro fuera una entidad
monolítica, reflejado el modelo de actor unitario en un marco de cuadrantes conceptuales [5]. Dentro
de la empresa estudiada, actualmente, se aplica el siguiente modelo de cadena de suministro.

Figura 1: Cadena de Suministro Inteligente.

Entonces, actualmente, para poder solucionar los problemas en la logística, está ingresando al
mercado, una cadena de suministro que implementa las bases de la industria 4.0, la cual es la cadena
de suministro inteligentes, que aprovechan los niveles de interacción sin precedentes y que facilitan
la colaboración a gran escala; para ayudar a los ejecutivos a evaluar las compensaciones, con la
finalidad de que los sistemas inteligentes evalúen innumerables limitaciones y alternativas,
permitiendo que las personas asignadas a la toma de decisiones, puedan simular varios cursos de
acción [6].
Además, las cadenas de suministro más inteligentes tienen la capacidad analítica de evaluar
innumerables alternativas con referencia al proceso de suministro, fabricación y distribución, y la
flexibilidad para reconfigurar los flujos a medida que cambian las condicione; es por ello, que los
ejecutivos podrán planificar contingencias y ejecutarlas.

2.2 Inteligencia Artificial

Los avances tecnológicos de la era digital han traído consigo múltiples cambios, mejorando la forma
de tomar decisiones por lo que los nuevos modelos de negocios se han visto fuertemente
influenciados por los adelantos digitales; a pesar de ello, existe una gran polémica sobre el uso de la
inteligencia artificial, debido a que la mayoría de leyes existentes se ha centrado sólo en los seres
humanos y la IA, ha traído consigo diversos y novedosos problemas, que los sistemas legales actuales
en su gran mayoría están parcial o mínimamente equipados, mientras que otros sencillamente no lo
están [7].
Por ende, la inteligencia artificial es una ciencia multidisciplinaria que involucra teorías y modelos
de las ciencias cognitivas, lingüística, neurociencias, matemáticas, informática y biología, entre otras;
entonces la IA “se basa en el trabajo de varias ramas, como la representación de conocimiento,
aprendizaje automático (machine learning), visión artificial, robótica, agentes autónomos,
planificación y razonamiento automático, búsqueda y resolución de problemas, y procesamiento de
lenguaje natural” [8].
Por último, cabe resaltar que, la inteligencia artificial (IA) abarca una amplia gama de teorías y
tecnologías utilizadas para resolver problemas de gran complejidad lógica o algorítmica; a pesar de
ser introducida en la década de 1950, muchos métodos de IA se han desarrollado o recientemente
con la mejora del rendimiento de los ordenadores [9].

2.3 Machine Learning

Es uno de los principales elementos dentro de la revolución digital que aplica técnicas y algoritmos
capaces de aprender a partir de distintas y nuevas fuentes de información, construyendo algoritmos
que mejoren de forma autónoma con la experiencia; además, estos algoritmos aprenden de la
experiencia (datos) para mejorar el rendimiento en una tarea específica [10].
Todo ello se debe a que es una rama de la inteligencia artificial, que permite a las máquinas aprender,
realizar y mejorar las operaciones, haciendo uso de sus conocimientos y la experiencia previa en
operaciones adquiridas en forma de datos [11]. Además, con este enfoque se puede procesar y
analizar casi automáticamente una gran cantidad de datos de observaciones u otras fuentes [12].
Por otro lado, un enfoque de Machine Learning es transparente “si los procesos que extraen los
parámetros del modelo de los datos de entrenamiento generan etiquetas a partir de los datos de
prueba, estos pueden ser descritos y motivados por el diseñador del enfoque” [12]; entonces, dicha
transparencia depende de la estructura general del modelo, los componentes individuales del
modelo, el algoritmo de aprendizaje y cómo es que el algoritmo obtiene la solución específica.
Además, los enfoques de ML tienen como objetivo reconocer patrones y extraer conocimientos de
datos complejos [13].
Asimismo, en los algoritmos de aprendizaje automático, la regularización para reducir las
características adicionales es necesaria para que el coeficiente de regresión sea estable. Además, es
posible reducir la lectura de datos, así como los costes de preprocesamiento y cálculo, al mejorar la
velocidad del algoritmo y aclarar la cantidad de características que tiene la mayor información, se
espera que la interpretación del resultado de la predicción y la explicación [14]. Estos algoritmos,
“construyen un modelo basado en datos de muestra, conocidos como datos de entrenamiento, para
hacer predicciones o tomar decisiones sin ser programados explícitamente” [15].
Los métodos de aprendizaje automático se han utilizado para resolver complicados problemas
prácticos en diferentes áreas y son cada vez más populares en la actualidad. Por ejemplo el sistema
energético presenta algunos retos importantes para la gestión de microrredes y energía de las redes
inteligentes, tecnologías avanzadas que utilizan sensores y actuadores, IT & C, big data, analítica
compleja, etc. Un estudio utilizando el algoritmo de minería de datos "Decision Tree" con un modelo
de caja negra basado en Random Forest propone la detección y clasificación de fallos en microrredes
[10].
Cabe resaltar, que aplicar Machine Learning, consiste en identificar aquellos grupos de palabras que
tienen mayor tendencia a aparecer de forma concurrente a lo largo del texto; esto se logra detectando
patrones en una colección de documentos llamada corpus y agrupando las palabras que aparecen en
dichos documentos en tópicos [11].

2.4 Aprendizaje Supervisado

Este tipo de aprendizaje está compuesto por algoritmos que intentan encontrar relaciones y
dependencias entre un elemento objetivo, con la finalidad de predecir y tomar las decisiones
adecuadas siendo su principal objetivo, aprender una función desconocida que toma como
parámetros de entrada un grupo de características del conjunto de datos. En este contexto,
Manament Solutions nos indica que la información para construir el algoritmo contiene información
sobre la característica en estudio, que no está presente en los datos futuros. Por tanto, la información
que se quiere predecir o por la que se quiere clasificar una población está disponible en los datos
utilizados para construir el modelo [16].

Entonces, se puede afirmar que:

y=
̂ f(x),∀(x,y)∈D
Donde:
X es el vector de variables de entrada
f es la función que conseguimos aprender
y ̂ es la predicción que devuelve f y que es la más cercana al valor verdadero, y, para todas
las instancias x del conjunto de datos “D”
(x,y) indica la salida deseada para cada dato de entrada, dependiendo del tipo puede ser
clasificación o regresión.

Entonces, este tipo de aprendizaje aprovecha la información disponible de los datos no etiquetados,
junto con la supervisión de los datos etiquetados, para mejorar la eficacia y la generalización de los
modelos de aprendizaje automático. Además, para que pueda aprovechar los datos no etiquetados,
investiga las restricciones de consistencia para mitigar la brecha dentro y entre los dominios de datos
etiquetados y no etiquetados datos etiquetados y no etiquetados [17]. Asimismo, el objetivo del
aprendizaje supervisado es desarrollar modelos de aprendizaje bajo tres tipos de supervisión; los
cuales son, supervisión inexacta, supervisión incompleta y supervisión inexacta; dentro de esta
última, se encuentra la anotación débil [18].
A pesar de que se ha conseguido un excelente rendimiento mediante aprendizaje supervisado, en la
práctica sigue existiendo un problema, el cual es, la creación de etiquetas de entrenamiento es caro
[19].
2.5 Aprendizaje No Supervisado

El propósito de este tipo de aprendizaje es explorar los datos y encontrar alguna estructura dentro
de ellos; además, en este caso no se dispone en la muestra de construcción la información de una
variable que se quiere predecir. Por tanto, en este caso no se dispone de la variable output [16].

El aprendizaje no supervisado es un enfoque especialmente adecuado para identificar la estructura

latente inherente a un conjunto de datos; entonces, la fuerza de este enfoque reside en su capacidad
para captar la información destacada del conjunto de datos sin la ayuda de una variable objetivo [20].
Es por ello, que en comparación con los métodos supervisados, “los métodos de aprendizaje no
supervisado no necesitan etiquetas; así, estos últimos métodos superan la desventaja del aprendizaje
supervisado que depende de las etiquetas” [51]; asimismo, “la fuerza de este enfoque reside en su
capacidad para captar la información destacada del conjunto de datos sin la ayuda de una variable
objetivo” [20]. Entonces, en el aprendizaje no supervisado, la variable objetivo no está disponible y
la tarea del algoritmo no está claramente definida, entonces, “el aprendizaje no supervisado permite
que el algoritmo funcione por sí mismo para descubrir la información destacada y la estructura
latente inherente al conjunto de datos. Los algoritmos más conocidos son la reducción de la
dimensionalidad y el análisis de clustering” [20].

3 METODOLOGÍA
En la presente investigación se propone implementar un modelo de cadena de suministro inteligente,
basado en inteligencia artificial con algoritmos de Machine Learning para la toma de decisiones
gerenciales en relación a pedidos, abastecimiento y distribución de materiales
Para diseñar el modelo de cadena de suministro inteligente, se deben realizar las siguientes etapas:
1)Análisis a detalle de los valores previos obtenidos en meses anteriores, con la finalidad de que sean
utilizados como base para implementar los algoritmos en las tres dimensiones a estudiar 2)Rediseño
del proceso de logística en base al modelo propuesta, para ello se redefinió los roles existentes, las
estrategias de distribución y almacenamiento.3) Validar el modelo propuesto con la alta gerencia,
luego de haber aplicado una prueba base con resultados positivos.4) Implementar la propuesta, para
ello se tuvo que capacitar al personal con la finalidad de que los colaboradores incluyan los datos o
valores necesarios para que los algoritmos predigan datos más exactos con relación pasen los meses.
Por otro lado, dentro del modelo de cadena de suministro inteligente, en relación al uso de Machine
Learning, se basará en el siguiente proceso para su aplicación: 1) Obtener los datos necesarios para
realizar una predicción en las tres dimensiones planteadas (Pedidos, Abastecimiento y Distribución
de materiales). 2) Preparar los datos obtenidos y en base a ello, seleccionar el algoritmo de Machine,
dentro de las cuáles se emplearán, algoritmos de regresión o predicción y de agrupamiento. 3)
Entrenar el modelo y luego de ello probar el modelo a ver si cumple las funciones asignadas a cada
algoritmo. 4) Aplicar y validar el modelo para que pueda emplearse de manera correcta en el modelo
propuesto de cadena de suministro.

Además, cabe resaltar, que dentro del modelo, se busca lograr los siguientes requerimientos
estratégicos de información:
Algoritmo de Requerimientos Fines
Predicción estratégicos de
Información
¿Cuántos materiales de Servirá para reducir la incertidumbre
Regresión lectura nos van a solicitar de la demanda en la cadena de
logística por trimestre? suministro; tambié n se empleará
para la previsió n de la demanda.
Todo ello, con la finalidad de que este
tenga una base más sólida y una
predicción más exacta
¿Qué materiales de lectura Servirá para predecir las decisiones
los clientes seguirán que tomarán los clientes según un
necesitando? histórico que permitirá anteponerse
ante una futura demanda de
materiales; asimismo, se tomará en
cuenta el número y las cancelaciones
 de pedidos para las predicciones
futuras.
Regresión lineal ¿Qué tipo de material de Según las predicciones que nos
lectura vamos a solicitar a brindará el algoritmo de regresión
los proveedores? logística se podrá predecir qué tipo
de materiales se va a solicitar a los
proveedores, con el fin de tener los
productos en el momento adecuado y
enviarlos puntualmente a cada lugar
de distribución.
Algoritmo de Requerimientos Fines
Agrupamiento estratégicos de
Información
¿Qué tipo de materiales de Mediante el agrupamiento, la
KMeans lectura solicitarán según distribución por sede se realizará de
cada sede de distribución? manera adecuada con la finalidad de
evitar el desabastecimiento y brindar
una distribución equitativa a todos.
¿Qué tipo de materiales de Según la demanda prevista para cada
lectura solicitarán según ciudad, se distribuirá por cada
cada ciudad donde se agrupamiento, con la finalidad de
distribuyen? evitar el desabastecimiento.

Asimismo, con relación a los datos, la misma empresa actualmente no gestiona sus datos de manera
adecuada; es por ello, que se hará una limpieza a los datos y total organización empleando Microsoft
Excel y Power BI para la visualización de los mismos. Además, para el modelo donde se emplearán
los algoritmos anteriormente mencionados, se empleará la herramienta Azure.
El diseño del modelo de cadena de suministro inteligente tendrá la capacidad analítica de evaluar
innumerables alternativas con referencia al proceso de abastecimiento, pedidos y distribución de
materiales, y la flexibilidad para reconfigurar los flujos a medida que cambian las condicione; es por
ello, que los ejecutivos podrán planificar contingencias y ejecutarlas [6].

Todo ello, con la finalidad de que la gerencia pueda tomar decisiones basados en la analítica de datos
y la aplicación de algoritmos de Machine Learning implementados en la cadena de suministro. Por
último, dentro del modelo de cadena de suministro inteligente, se consideraron los siguientes
componentes:
 Figura 2: Modulo de Cadena de Suministro Inteligente

Figura 3: Esquema de modelo de Machine Learning

Con relación al modelo, en el modelo supervisado, la técnica aplicada es la regresión, con la

finalidad de predecir el valor de la variable de precio según el resto de variables dependientes
(marca, tipo de motor, tipo de carrocería, entre otros.
 Figura 4: Modelo Predictivo aplicando la técnica de regresión en el Aprendizaje Supervisado

Por otro lado, en el eprendizaje no supervisado se aplica la técnica clustering, la cuál identificará los
distintos grupos o segementos, los cuáles serán agrupado por la marca del carro.
 Figura 5: Modelo aplicando la técnica clustering o agrupamiento jerárquico en el Aprendizaje No Supervisado

4 RESULTADOS

4.1 Tecnología a implementar

La empresa se dedica al rubro comercial específicamente a la venta de autos de distintas marcas, si bien es cierto,
la empresa actualmente maneja una base de datos básica en Excel, pero no es compartida con el resto de la empresa
solo el área comercial tiene acceso a ello. Es por ello que luego, de realizar un análisis, se identificó la necesidad
principal la cuál sería alojas los datos en la nube para que las distintas áreas de la empresa puedan recolectar datos
con relación a sus variables que posiblemente pueden interferir o intervenir en futuras predicciones de ventas y así
se logre realizar más detallado el modelo de Inteligencia Artificial.

4.2 Definición del conjunto de datos y aplicación de Estadística Descriptiva

El conjunto de datos que nos brindó la empresa fue con referencia a los autos vendidos en el segundo semestre
del año 2020, entre los cuáles resaltan las marcas Chevrolet, Toyota, Nissan, entre otros. Esta data, se subdividía en
marca de auto, tipo de carrocería, base de ruedas, tipos de motor, caballos de fuerza, revoluciones minuto,
kilómetros por galón y precio.
Con la finalidad de que se entienda un poco mejor la base de datos se decidió ordenarla por marca y tipo de
carrocería.
 Figura 5: Aprendizaje Supervisado - Técnica de Regresión Análisis estadístico Inferencial

Figura 6: Distribución Marca- Tipo de carrocería

Con relación al tipo de carrocería Convertible, se vendieron 2 carros Alfa – Moreno, 1 Mercedes –
Benz y un Voikswagen. Por otro lado, en la carrocería Hardtop, se vendieron 2 autos Mercedes – Benz,
2 Porshe y 2 Volkswagen. Luego de ello, la carrocería Sedan, se vendió 1 auto Alfa – Romero, 5 Dodge, 6
Honda, 1 Isuzu, 1 Mercury, 8 Mitsubishi, 5 Nissan, 3 Plymouth, 1 Porsche, 3 Saab, 2 Saburu, 13 Toyota y
1 Volkswagen.
Asimismo, en la carrocería Sedan se vendieron 4 autos Audi, 8 BMW, 1 Chevrolet, 2 Jaguar, 7 Mazda,
4 Mercedes – Benz, 3 Mitsubishi, 9 Nissan, 6 Pougot, 2 Plymouth, 3 Saab, 5 Subaru, 9 Toyota, 8
Volkswagen y 7 Volvo. Por último, de la carrocería Wagon, se vendió 1 auto Audi, 1 Honda, 3 Nissan, 4
Peugot, 1 Plymouth, 3 Subaru, 4 Toyota, 1 Volkswagen y 3 autos Volvo.

9
 Con la finalidad de sintetizar dicha información se procedió a realizar una tabla, en la cual se podrá
observar la totalidad de cada carrocería con relación a las distintas marcas de autos que se venden en la
empresa. Asimismo, se presentará el porcentaje de venta que pertenece cada tipo de carrocería.

Tabla 1. Porcentaje de venta según el tipo de carrocería

2. Cantidad vendida 3. Porcentaje de total de ventas

1. Tipo de carrocería

5. 5 6. 2.79%
4. Convertible

8. 6 9. 3.35%
7. Hardtop

11.60 12.33.52%
10.Hatchback

14.87 15.48.60%
13.Sedan

17.21 18.11.73%
16.Wagon

Porcentaje de total de ventas

Convertible ;
2.79% Hardtop; 3.35%

Wagon;
11.73%
Hatchback;
33.52%

Sedan; 48.60%

Convertible Hardtop Hatchback Sedan Wagon

Figura 7: Porcentaje total de ventas

10
4.3 Análisis estadístico inferencial

Se realizó un análisis estadístico inferencial, donde se obtuvieron resultados óptimos con relación del
Machine Learning para la Cadena de Suministro y su influencia en la gestión logística.
Donde se observa existe muy buena confiabilidad elaborado para el recojo de la información de la
presente investigación, de las variables que son la variable Machine Learning del 81,5%, la variable
Cadena de Suministro del 82,3% y la variable gestión logística del 77,2%.

Alfa de Cronbach Alfa de Cronbach basada en los VARIABLES

elementos tipificados
81,5% 78.7% V1: MACHINE LEARNING
82,3% 81.9% V2: CADENA DE SUMINISTRO
77,2% 77.0% V3: GESTION LOGISTICAL

Fig. 4 Alfa de Cronbach

Se observa en la columna sig. Kolmogorov-Smimov de todos son menores que 0.05, lo cual se rechaza la hipótesis
Nula. Concluimos que la variable 1 Machine Learning, la variable 2 Cadena de Suministro y la variable 3 gestión
logística no se distribuyen en forma normal. Por tanto, aplicaremos la prueba estadística no paramétrica de escala
ordinal de rho de Spearman.

Kolmogorov-Smirnova
Estadístico gl Sig.
V1: MACHINE LEARNING 0,235 30 0,001

V2: CADENA DE SUMINISTRO 0,213 30 0,002

V3: GESTIÓN LOGÍSTICA 0,287 30 0,007

Fig. 5 la columna sig. Kolmogorov-Smimov.

Finalmente se observa que hay una marcada relación entre las variables 1 y 2 del 80,2% y también se observa
que hay una relación en las variables 1 y 3 del 78,9% y también observamos una relación de las variables 2 y 3 del
82.3%.

11
 Matriz de Correlaciones
V1: MACHINE
V2: CADENA DE V3: GESTIÓN
LEARNING
SUMINISTRO LOGÍSTICA

Coeficiente de
1,000 0,802 0,789
V1: MACHINE LEARNING correlación
Sig. (bilateral) . 0,017 0,017
N 30 30 30
Coeficiente de
0,802 1,000 0,823
correlación
Rho de V2: CADENA DE SUMINISTRO
Sig. (bilateral) 0,017 . 0,020
Spearman N 30 30 30
Coeficiente de
0,789 0,823 1,000
correlación

V3: GESTIÓN LOGÍSTICA Sig. (bilateral) 0,017 0,020 .

N 30 30 30

Fig. 6 Rho de Spearman.

12
REFERENCIAS

[1] A. Calatayud and R. Katz, “Cadena de suministro 4.0: Mejores prácticas internacionales y hoja de ruta para América Latina,” Cadena
Suminist. 4.0 Mejor. prácticas Int. y hoja ruta para América Lat., 2019, doi: 10.18235/0001956.

[2] Y. Leal, “Gestión Logística De Materiales En La Industria Petrolera Venezolana,” Rev. Enfoques, vol. 2, no. 5, pp. 16–34, 2018, doi:
10.33996/revistaenfoques.v2i5.27.

[3] A. Calatayud and M. F. Millan, “ALC 2030: Construyendo las cadenas de suministro del futuro,” ALC 2030 Construyendo las cadenas
Suminist. del Futur., 2019, doi: 10.18235/0001969.

[4] R. Toorajipour, V. Sohrabpour, A. Nazarpour, P. Oghazi, and M. Fischl, “Artificial intelligence in supply chain management: A systematic
literature review,” J. Bus. Res., vol. 122, no. September 2020, pp. 502–517, 2021, doi: 10.1016/j.jbusres.2020.09.009

[5] A. Sener, M. Barut, A. Oztekin, M. Y. Avcilar, and M. B. Yildirim, “The role of information usage in a retail supply chain: A causal data
mining and analytical modeling approach,” J. Bus. Res., vol. 99, pp. 87–104, Jun. 2019, doi: 10.1016/j.jbusres.2019.01.070.

[6] K. Butner, The smarter supply chain of the future, vol. 38, no. 1. 2010.

[7] A. K. Chávez Valdivia, “Redesigning the ownership of artworks: Artificial and robotic intelligence,” Rev. Chil. Derecho y Tecnol., vol. 9, no.
2, pp. 153–185, 2021, doi: 10.5354/0719-2584.2020.57674.

[8] C. A. Paz, “Legal challenges for artificial intelligence in Chile,” Rev. Chil. Derecho y Tecnol., vol. 9, no. 2, pp. 257–290, 2021, doi:
10.5354/0719-2584.2020.54489.

[9] P. Ezanno et al., “Research perspectives on animal health in the era of artificial intelligence,” Vet. Res., vol. 52, no. 1, pp. 1–15, 2021, doi:
10.1186/s13567-021-00902-4.

[10] M. Vázquez-Marrufo, E. Sarrias-Arrabal, M. García-Torres, R. Martín-Clemente, and G. Izquierdo, “A systematic review of the application
of machine-learning algorithms in multiple sclerosis,” Neurologia, no. xxxx, 2021, doi: 10.1016/j.nrl.2020.10.017.

[11] D. J. Benavides, P. Arévalo, L. G. González, and L. Hernández, “Method of monitoring and detection of failures in PV system based on
machine learning,” Rev. Fac. Ing. Univ. Antioquia, no. 102, pp. 26–43, 2021, doi: 10.17533/udea.redin.20200694.

[12] S. J. Nawaz, S. K. Sharma, S. Wyne, M. N. Patwary, and M. Asaduzzaman, “Quantum Machine Learning for 6G Communication Networks:
State-of-the-Art and Vision for the Future,” IEEE Access, vol. 7, no. Ml, pp. 46317–46350, 2019, doi: 10.1109/ACCESS.2019.2909490.

[13] R. Roscher, B. Bohn, M. F. Duarte, and J. Garcke, “Explainable Machine Learning for Scientific Insights and Discoveries,” IEEE Access, vol.
8, pp. 42200–42216, 2020, doi: 10.1109/ACCESS.2020.2976199.

[14] M. Garbulowski et al., “R.ROSETTA: an interpretable machine learning framework,” BMC Bioinformatics, vol. 22, no. 1, pp. 1–18, 2021,
doi: 10.1186/s12859-021-04049-z.

[15] Y. Matsuzaka and Y. Uesawa, “A molecular image-based novel quantitative structure-activity relationship approach, deepsnap-deep
learning and machine learning,” Curr. Issues Mol. Biol., vol. 42, pp. 455–472, 2021, doi: 10.21775/cimb.042.455.

[16] M. Kim et al., “Machine learning models to identify low adherence to influenza vaccination among Korean adults with cardiovascular
disease,” BMC Cardiovasc. Disord., vol. 21, no. 1, pp. 1–8, 2021, doi: 10.1186/s12872-021-01925-7..

[17] Manament Solutions, “Machine Learning una pieza clave en la transformación de los modelos de negocio,” 2018, [Online]. Available:
https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machine-learning.pdf.

[18] D. Yang et al., “Federated semi-supervised learning for COVID region segmentation in chest CT using multi-national data from China,
Italy, Japan,” Med. Image Anal., vol. 70, p. 101992, 2021, doi: 10.1016/j.media.2021.101992.

[19] Q. Gao and X. Shen, “Styhighnet: Semi-supervised learning height estimation from a single aerial image via unified style transferring,”
Sensors, vol. 21, no. 7, pp. 1–15, 2021, doi: 10.3390/s21072272.

[20] C. Lee, “Predicting land prices and measuring uncertainty by combining supervised and unsupervised learning,” Int. J. Strateg. Prop.
Manag., vol. 25, no. 2, pp. 169–178, 2021, doi: 10.3846/ijspm.2021.14293

13
 14

View publication stats