La presente investigación tiene como objetivo la propuesta de mejora de la gestión de inventarios en una empresa ferretera, la cual según el diagnóstico realizado tiene pérdidas económicas por S/194 254,64. Las principales deficiencias que provocaron esto según el diagnóstico realizado es la inadecuada planificación de sus compras desencadenando el dinero inmovilizado en 12,9%, lo que a su vez genera un costo de oportunidad de S/ 4 440,64. Asimismo, la baja rotación obligó a que dichos productos sean vendidos a menor precio de su costo ocasionando la pérdida de S/ 7 946,83. A su vez la falta de orden y limpieza en su almacén, en conjunto con un deficiente conocimiento logístico de sus trabajadores. Ante esta problemática se realizó la clasificación ABC y el modelo de reaprovisionamiento de revisión periódica, apoyado por un sistema de información, capacitaciones y redistribución del almacén para obtener un mejor control de los ingresos y salidas de los productos. Posteriormente, esta propuesta logró disminuir las pérdidas económicas en 41%, el dinero inmovilizado a un 7,94% y las ventas a menor precio en un 92%. Finalmente, en el desarrollo del análisis económico, se obtuvo un beneficio costo de S/1,59, lo que indica que por cada sol invertido se tiene una ganancia de S/ 0,59.

La presente investigación tuvo como objetivo diseñar un sistema de control interno aplicando la metodología COSO II para lograr la eficiencia en el control de los inventarios de la empresa Inversiones AJ&E S.R.L año 2015. La investigación se justificó porque generó reflexión sobre los elementos de control que debe disponer un sistema aplicando la metodología COSO II. Se usó una metodología de tipo descriptiva y aplicada junto a un diseño transversal y no experimental, donde la población y muestra estuvieron compuestas por la propia empresa, y donde las principales técnicas de recolección utilizadas, fueron la entrevista, la observación y el análisis documental. Entre los principales resultados de la investigación tenemos que el nivel de confiabilidad en el control interno de inventarios fue bajo, debido a que los valores obtenidos en las dimensiones del ambiente de control, evaluación de riesgos y supervisión y monitoreo, reflejaron una fiabilidad de 44,0%, 47,0%, y 0,0%. Finalmente, la investigación concluye que la propuesta de un sistema de control interno aplicando la metodología COSO II para lograr la eficiencia y control de los inventarios de la empresa Inversiones AJ&E S.R.L año 2015, estuvo enfocada en el uso de un método determinístico para la evaluación del volumen de su inventario, en la evaluación de la integridad estructural e independización funcional de su almacén, en el uso de un registro como el Kardex, en el diseño de un catálogo actualizado, y en la práctica de un conteo anual de todos su inventario.

En las ferreterías es común contar barras de construcción de manera manual; sin embargo, es una actividad muy tediosa que consumen mucho tiempo y está propensa al error humano. Este es el caso de la empresa Negocios Señor de la Misericordia SAC, una ferretería que vende materiales de construcción al por mayor y menor. A la empresa le urge encontrar una forma de contar de manera automática las barras de construcción por las frecuentes quejas de los clientes sobre barras faltantes en los pedidos despachados y los altos costos de acciones correctivas. El error promedio en el conteo manual es del 7% y en promedio un trabajador demora 12 minutos contando 100 barras. En este sentido, se prone usar el modelo CNN-DC (Convolutional Neuronal Networking – Distance Clustering) para contar barras de construcción de manera automática en una foto de la sección circular de las barras. El modelo CNN-DC sigue los siguientes: el input del modelo es una foto de la sección circular de las barras de construcción, este es redimensionado y luego se le extraen patches (subimágenes que se obtiene al pasar una ventana deslizante por la imagen); posteriormente, se realiza el preprocesamiento de los patches (se convierte a escala de grises y se normaliza); después, los patches son puestos en un modelo CNN que clasifica a los patches en dos tipos: los que contienen a una barra centrada y los contienen al fondo de la imagen, barras incompletas o uniones entre estas; finalmente los patches que contienen una barra centrada se agrupan mediante un algoritmo de clustering, con esto se puede identificar los centros de las barras en la imagen original, el total de clústeres vendrían a ser el número total de barras. Los principales resultados obtenidos son: accuracy del modelo CNN-DC de 95% y el tiempo de predicción promedio fue de 33.3 segundos, en el modelo de clasificación de patches usando CNN se obtuvo un accuracy del 96.12%, precision de 91.02%, recall de 96.01% y f1-score de 94.98%; en general, el modelo tiene un alto desempeño y muestra los resultados en corto tiempo. Asimismo, con este accuracy se supera al rendimiento del conteo manual (93%). La alternativa resulta atractiva económicamente puesto que el VAN (S/4 382) es mayor a cero y el TIR (53.60%) es mayor al COK (11.85%).