Mostrar el registro sencillo del ítem
Predicción de la demanda de Smartphone de introducción al mercado Colombiano mediante modelos de Machine Learning
dc.rights.license | Atribución-NoComercial 4.0 Internacional (CC BY-NC- 4.0) | |
dc.contributor.advisor | Camargo Mendoza, Jorge Eliecer | |
dc.contributor.author | Manrique, Juan Ányelo | |
dc.contributor.editor | Fundación Universitaria Konrad Lorenz | |
dc.date.accessioned | 2023-05-26T14:50:02Z | |
dc.date.available | 2023-05-26T14:50:02Z | |
dc.date.issued | 2022 | |
dc.identifier.uri | https://repositorio.konradlorenz.edu.co/handle/001/5210 | |
dc.description.abstract | El proyecto tiene objetivo pronosticar la cantidad de ventas para productos de introducción al mercado colombiano de equipos celulares. Se entrenaron y validaron distintos modelos de machine learning como lo son: árboles de decisión, bosques aleatorios, máquinas de soporte vectorial, redes neuronales y XGBoost Regressor. La metodología empleada se basa en la técnica CRISP_DM, la cual se aplicó para una empresa de telecomunicaciones, tomando como base los datos correspondientes a los históricos de venta de equipos celulares de línea, vendidos entre el periodo de enero a junio del año 2022. Se tomaron en consideración las características del producto como variables independientes. El mejor modelo se seleccionó por medio de las métricas más frecuentemente usadas como el RSME, MAE y MAPE. Teniendo como resultado el modelo XGBoost Regressor por mejor desempeño. | spa |
dc.description.abstract | The objective of the project is to forecast the amount of sales for products to be introduced in the Colombian market of cellular devices. Different machine learning models were trained and validated, such as: decision trees, random forests, support vector machines, neural networks and XGBoost Regressor. The methodology used is based on the CRISP_DM technique, which was applied for a telecommunications company, taking as a basis the data corresponding to the historical sales of cellular line equipment sold between January and June 2022. Product characteristics were taken into consideration as independent variables. The best model was selected by means of the most frequently used metrics such as RSME, MAE and MAPE. As a result, the XGBoost Regressor model was selected as the best performing model. | eng |
dc.format.extent | 86 páginas: tablas; figuras | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Bogotá D.C : Fundación Universitaria Konrad Lorenz, 2022 | spa |
dc.rights | Atribución – No comercial – Sin derivar: permite que otros puedan descargar las obras y compartirlas con otras personas, siempre que se reconozca su autoría, pero no se pueden cambiar de ninguna manera ni se pueden utilizar comercialmente | spa |
dc.subject.other | Inteligencia artificial | |
dc.subject.other | Minería de datos | |
dc.title | Predicción de la demanda de Smartphone de introducción al mercado Colombiano mediante modelos de Machine Learning | spa |
dc.type | Trabajo de grado - Maestría | spa |
dc.relation.references | Garcete, A., Benítez, R., Pinto-Roa, D., & Vázquez, A. (2017). Técnica de pronóstico de la demanda basada en Business Intelligence y Machine Leaming. 10. | spa |
dc.relation.references | Hernández, F. (s. f.). Modelos Predictivos. Recuperado 4 de octubre de 2022, de https://fhernanb.github.io/libro_mod_pred/arb-de-clasif.html | spa |
dc.relation.references | Martínez, J. (2019, mayo 7). Árboles de Decisión con ejemplos en Python. https://www.iartificial.net/arboles-de-decision-con-ejemplos-en-python/ | spa |
dc.relation.references | Revistalogistec. (2022). Eficiencia en gestión de inventarios, un desafío permanente. https://www.revistalogistec.com/empresas/analisis-2/4430-eficiencia-en-gestion-de-inventarios-un-desafio-permanente | spa |
dc.relation.references | Rodríguez, D. (2018, julio 13). Aprendizaje supervisado y aprendizaje no supervisado [Biblioteca digital]. Analytics Lane. https://www.analyticslane.com/2018/07/13/aprendizaje-supervisado-y-aprendizaje-no-supervisado/ | spa |
dc.relation.references | Tagliaferri, W. L., Morales, M., Birbeck, E., & Wan, A. (2019). Python Machine Learning Projects. 135. | spa |
dc.relation.references | Vega, J. B. M. (2019, diciembre 8). XGBoost en R. Medium. https://medium.com/@jboscomendoza/xgboost-en-r-398e7c84998e | spa |
dc.relation.references | Yadav, P. (2019, septiembre 23). Decision Tree in Machine Learning. Medium. https://towardsdatascience.com/decision-tree-in-machine-learning-e380942a4c96 | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.proposal | Modelos machine learning | spa |
dc.subject.proposal | Aprendizaje supervisado | spa |
dc.subject.proposal | Predicción de la demanda | spa |
dc.subject.proposal | Productos nuevos o de introducción | spa |
dc.subject.proposal | Smartphone | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | spa |
dc.type.version | info:eu-repo/semantics/acceptedVersion | spa |
dc.description.degreename | Magíster en Analítica Estratégica de Datos | spa |
dc.description.degreelevel | Maestría | spa |
dc.publisher.faculty | Escuela de Posgrados | spa |
dc.type.content | Text | spa |
dc.type.coarversion | http://purl.org/coar/version/c_b1a7d7d4d402bcce | spa |
dc.coverage.city | Colombia | |
dc.description.program | Maestría en Analítica Estratégica de Datos | spa |
dc.rights.coar | http://purl.org/coar/access_right/c_14cb | spa |