Mostrar el registro sencillo del ítem

dc.rights.licenseAtribución-NoComercial 4.0 Internacional (CC BY-NC- 4.0)
dc.contributor.advisorCamargo Mendoza, Jorge Eliecer
dc.contributor.authorManrique, Juan Ányelo
dc.contributor.editorFundación Universitaria Konrad Lorenz
dc.date.accessioned2023-05-26T14:50:02Z
dc.date.available2023-05-26T14:50:02Z
dc.date.issued2022
dc.identifier.urihttps://repositorio.konradlorenz.edu.co/handle/001/5210
dc.description.abstractEl 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.abstractThe 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.extent86 páginas: tablas; figurasspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherBogotá D.C : Fundación Universitaria Konrad Lorenz, 2022spa
dc.rightsAtribución – 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 comercialmentespa
dc.subject.otherInteligencia artificial
dc.subject.otherMinería de datos
dc.titlePredicción de la demanda de Smartphone de introducción al mercado Colombiano mediante modelos de Machine Learningspa
dc.typeTrabajo de grado - Maestríaspa
dc.relation.referencesGarcete, 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.referencesHernández, F. (s. f.). Modelos Predictivos. Recuperado 4 de octubre de 2022, de https://fhernanb.github.io/libro_mod_pred/arb-de-clasif.htmlspa
dc.relation.referencesMartínez, 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.referencesRevistalogistec. (2022). Eficiencia en gestión de inventarios, un desafío permanente. https://www.revistalogistec.com/empresas/analisis-2/4430-eficiencia-en-gestion-de-inventarios-un-desafio-permanentespa
dc.relation.referencesRodríguez, 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.referencesTagliaferri, W. L., Morales, M., Birbeck, E., & Wan, A. (2019). Python Machine Learning Projects. 135.spa
dc.relation.referencesVega, J. B. M. (2019, diciembre 8). XGBoost en R. Medium. https://medium.com/@jboscomendoza/xgboost-en-r-398e7c84998espa
dc.relation.referencesYadav, P. (2019, septiembre 23). Decision Tree in Machine Learning. Medium. https://towardsdatascience.com/decision-tree-in-machine-learning-e380942a4c96spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.proposalModelos machine learningspa
dc.subject.proposalAprendizaje supervisadospa
dc.subject.proposalPredicción de la demandaspa
dc.subject.proposalProductos nuevos o de introducciónspa
dc.subject.proposalSmartphonespa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dc.description.degreenameMagíster en Analítica Estratégica de Datosspa
dc.description.degreelevelMaestríaspa
dc.publisher.facultyEscuela de Posgradosspa
dc.type.contentTextspa
dc.type.coarversionhttp://purl.org/coar/version/c_b1a7d7d4d402bccespa
dc.coverage.cityColombia
dc.description.programMaestría en Analítica Estratégica de Datosspa
dc.rights.coarhttp://purl.org/coar/access_right/c_14cbspa


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem