Sánchez Charry, Pedro Andrés
Aplicación del machine Learning para el análisis predictivo de las ventas en la taquilla módulo centenario de Coomotor / Pedro Andrés Sánchez Charry; Directora Yineth Medina Arce , Datos electrónicos (1 archivos:3462 MG) - rdacontent texto txt
Tesis
Resumen -- Introducción -- Descripción del problema, pregunta del problema, antecedentes -- Justificación -- Marco teórico, data mining, KDD (KNOWLEDGE DISCOVERY IN DATABASES), machine learning, relevancias significativas del data science -- Objetivos, objetivo general, objetivo específicos -- Metodología, diseño de la investigación, enfoque de la investigación, población, herramientas metodológicas -- Análisis y discusión de resultados -- Etapas -- Conclusiones
"El proyecto tiene como propósito aplicar los Modelos de Predicción de forma dinámica, sobre el método Data Scientist, para estimar las metas de ventas de la taquilla Modulo Centenario, ubicado en el terminal de transporte del grupo empresarial COOMOTOR; teniendo en cuenta factores que afectan el número de pasajes vendidos, como son los turnos, las temporadas, el puesto de la taquilla, entre otros. El proceso de desarrollo comprendió cinco etapas:
Etapa 1: Delimitación del problema taquilla ""modulo centenario"" del terminal de transporte e identificación de los posibles factores que afectan las ventas en la taquilla.
Etapa 2: En esta etapa se realizó, la extracción de datos de las ventas realizadas durante el periodo comprendido desde el año 2011 hasta mediados del 2019, la cual se obtuvo de los archivos del software FICS, Se continuo con la exportación de datos a la hoja de cálculo de EXCEL; para la limpieza de datos se utilizó el lenguaje de programación PYTHON, y finalmente se creó los dataset.
Etapa 3: Se exportó el dataset a R-Studio, igualmente se instalaron los paquetes necesarios para gráficos, se activó la librería y la función plots (Diagrama de dispersión). Se emplearon algunos parámetros lo que permitió visualizar el comportamiento de los datos y la correlación entre ellos.
Etapa 4: Modelación y evaluación de datos. Al dataset de entrenamiento se le hizo el análisis de correlación y mediante modelos de regresión se obtuvo el modelo matemático, luego se hizo la validación y simulación del mismo.
Etapa 5: Mediante un informe escrito se comunicó los resultados de interés y puestas en producción a la gerencia de la empresa."
Matemática Aplicada--Machine Learning
Ventas--Análisis predictivo--Coomotor - Neiva
Th MA 011
Aplicación del machine Learning para el análisis predictivo de las ventas en la taquilla módulo centenario de Coomotor / Pedro Andrés Sánchez Charry; Directora Yineth Medina Arce , Datos electrónicos (1 archivos:3462 MG) - rdacontent texto txt
Tesis
Resumen -- Introducción -- Descripción del problema, pregunta del problema, antecedentes -- Justificación -- Marco teórico, data mining, KDD (KNOWLEDGE DISCOVERY IN DATABASES), machine learning, relevancias significativas del data science -- Objetivos, objetivo general, objetivo específicos -- Metodología, diseño de la investigación, enfoque de la investigación, población, herramientas metodológicas -- Análisis y discusión de resultados -- Etapas -- Conclusiones
"El proyecto tiene como propósito aplicar los Modelos de Predicción de forma dinámica, sobre el método Data Scientist, para estimar las metas de ventas de la taquilla Modulo Centenario, ubicado en el terminal de transporte del grupo empresarial COOMOTOR; teniendo en cuenta factores que afectan el número de pasajes vendidos, como son los turnos, las temporadas, el puesto de la taquilla, entre otros. El proceso de desarrollo comprendió cinco etapas:
Etapa 1: Delimitación del problema taquilla ""modulo centenario"" del terminal de transporte e identificación de los posibles factores que afectan las ventas en la taquilla.
Etapa 2: En esta etapa se realizó, la extracción de datos de las ventas realizadas durante el periodo comprendido desde el año 2011 hasta mediados del 2019, la cual se obtuvo de los archivos del software FICS, Se continuo con la exportación de datos a la hoja de cálculo de EXCEL; para la limpieza de datos se utilizó el lenguaje de programación PYTHON, y finalmente se creó los dataset.
Etapa 3: Se exportó el dataset a R-Studio, igualmente se instalaron los paquetes necesarios para gráficos, se activó la librería y la función plots (Diagrama de dispersión). Se emplearon algunos parámetros lo que permitió visualizar el comportamiento de los datos y la correlación entre ellos.
Etapa 4: Modelación y evaluación de datos. Al dataset de entrenamiento se le hizo el análisis de correlación y mediante modelos de regresión se obtuvo el modelo matemático, luego se hizo la validación y simulación del mismo.
Etapa 5: Mediante un informe escrito se comunicó los resultados de interés y puestas en producción a la gerencia de la empresa."
Matemática Aplicada--Machine Learning
Ventas--Análisis predictivo--Coomotor - Neiva
Th MA 011