Ingeniería Industrial Comercial
URI permanente para esta colecciónhttps://hdl.handle.net/20.500.12640/3739
Examinar
4 resultados
Resultados de la búsqueda
Ítem Restringido Modelo de Machine Learning para la segmentación automática de clientes según su perfil de compra del canal de venta interna en Molitalia(Universidad ESAN, 2021) Bernuy Murriel, Astrid Carolina; Manza Briceño, Mirella Maribel; Garay Macukachi, Jessica Diyanira; Guillen Aguilar, Yomira Alizon; Juarez Polar, Jefry RomuloDebido al COVID-19, la empresa Molitalia redujo sus ventas en los canales internos y externos, esto se debe a que los consumidores han reducido su poder de compra en las categorías de alimentos; por lo cual, Molitalia se ve obligada a mapear soluciones y estrategias que se adapten al nuevo entorno. Siendo uno de los hallazgos la poca capacidad de respuesta a las exigencias y preferencias de los clientes internos. Por ello, este proyecto se centró en el desarrollo de un modelo de segmentación automática de perfiles de compra de los clientes internos, con ello se podrá implementar estrategias que se adapten a las necesidades de los clientes, responder rápidamente a los cambios en la demanda, contar con información a tiempo real del perfil de compra del cliente, agilizar y fortalecer los procesos de venta para beneficio de la organización.Para ello, se desarrollaron diez modelos de Machine Learning usando la técnica de aprendizaje no supervisado “K-Means”. Además, se analizaron y evaluaron los modelos mediante dos validaciones: teórica, mediante el indicador “inercia”; y práctica, por medio del experto de estrategia comercial. Concluyendo que el mejor modelo es el K=4, logrando descubrir cuatro perfiles de clientes internos: Beginners, Middle, Expert, Senior.Ítem Acceso Abierto Técnicas de Machine Learning para la clasificación automática de clientes en una empresa de seguros(Universidad ESAN, 2021) Asencio Diaz, Luz de los Angeles Manuela; Chiang Cornejo, Ricardo Hernan; Crisóstomo Fernández, Fernanda Lucía; Hernández Quiroz, Gisela Vanesa; Lajo Aurazo, Almendra SofiaMachine Learning y los modelos matemáticos en los que se basa para poder identificar patrones y dar una estimación basada en data histórica son usados cada vez más en diferentes industrias para procesar información que antes se consideraba masiva y por ende difícil de relacionar de manera certera por métodos tradicionales. Con la inclusión de las técnicas de como regresión logística y K-NN, hoy en día es posible formular y proponer un modelo de predicción de aprendizaje supervisado que se ajuste a los requerimientos de clasificación de una empresa. Esta investigación propone la aplicación de las mencionadas técnicas para la elaboración de modelos predictivos de clasificación de tipos de asegurados para una determinada empresa en la industria aseguradora de vehículos automóviles; usando como base de datos los registros históricos recopilados del año 2019.Ítem Acceso Abierto Propuesta de un modelo de machine learning para el pronóstico de la demanda de prendas de vestir en la Corporación Brusko S.A.C.(Universidad ESAN, 2021) Ccoyccosi Choque, Ronald Alberto; Huanay Palomino, Luis Ernesto; Huayllasco Chafloque, Ethel Diana; Loayza Díaz, Vanessa; Mayorga Lopez, Katiuska FiorelaEn el Perú existen muchas empresas a cargo de la compra y venta de bienes (retails), para ellas la determinación de la demanda es crucial ya que esta impacta significativamente en los costos e ingresos que pueden llegar a tener. La presente investigación plantea pronosticar la demanda de los pantalones de caballero de la Corporación Brusko bajo la metodología CRISP-DM y empleando la técnica de regresión lineal. Se trabajó con datos brindados por la empresa (2018 – 2021), con ello se realizó el modelo de pronóstico y se obtuvieron los siguientes RMSE: 23.78 para el año 2018, 13.22 para el año 2019, 47.12 para el año 2020 y 17.87 para el año 2021. Además, se realizó el mismo análisis para la totalidad de años teniendo como resultado un RMSE de 59.07. Los datos presentaron outliers debido a la pandemia; eliminando estos datos atípicos se volvió a correr el modelo para la totalidad de los años obteniendo un RMSE de 29.98, el cual fue mejor comparado al modelo con la totalidad de datos sin outliers. Realizando el análisis de los resultados nos quedamos con el modelo para el año 2019, un año que no presenta outliers y con un adecuado RMSE.Ítem Acceso Abierto Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel(Universidad ESAN, 2021) Bernachea Collazos, Carla Benedicta; Chilet Paisig, Edward; Guzmán Fernández, Paola; Inche Contreras, Victor Hugo; Leon Munive, Johana MayraSegún datos del Banco Mundial, la industria de las telecomunicaciones enfrenta cada año a una fuga de clientes que bordea el 30%. Estudios recientes han mostrado que tanto atributos cuantitativos: cantidad de minutos, mensajes, etc.; así como los cualitativos: edad, sexo, tipo de dispositivo tienen influencia en la fuga de clientes. En base a la literatura encontrada se definieron dos tipos de variables: demográficas y del comportamiento del consumidor las cuales son útiles para realizar la predicción de permanencia del cliente. Es por eso que haciendo uso de la técnica de regresión logística, se busca predecir la probabilidad de fuga de los clientes (Churn) de la empresa Bitel. Se realizó un exhaustivo trabajo de preprocesamiento y se llegó a entrenar un modelo de regresión logística con un accuracy score de 88%
