Ingeniería Industrial Comercial
URI permanente para esta colecciónhttps://hdl.handle.net/20.500.12640/3739
Examinar
4 resultados
Resultados de la búsqueda
Ítem Acceso Abierto Técnicas de Machine Learning para determinar la producción de cultivos y personal requerido en las campañas de cosecha de la empresa Fundos Rejas SAC(Universidad ESAN, 2022) Briceño Rodríguez, Rafael Isaac; Celedonio Rojas, Marco Antonio; Crisóstomo Fernández, Walter Javier; Medrano Pelaez, Jose Luis; Salas Castillo, Patricia ElizabethDiferentes empresas están utilizando técnicas de Machine Learning para analizar sus conjuntos de datos con la finalidad de encontrar comportamientos y patrones que les permitan crear modelos matemáticos predictivos, que a su vez pueden predecir diferentes variables de salida para determinar la producción y la cantidad de personal requerido para los cultivos de palta, arándano y mandarina. En el presente estudio, se utilizó una base de datos que comprende los años de campañas de cosecha (2019 a 2022). Para ello, la metodología CRISP-DM para obtener un mejor alineamiento en la etapa de desarrollo. Se utilizaron técnicas de aprendizaje supervisado entre ellas Regresión lineal Múltiple, Árbol de Regresión y Vectores de Soporte de Regresión, para medir el modelo que tiene mejor desempeño se utilizaron las métricas como el R2 y RMSE. Dentro de los resultados obtenidos, se obtuvo que, para determinar la producción del cultivo de palta, la mejor técnica fue la de Regresión Lineal Múltiple y para los cultivos de arándano y mandarina fue el Árbol de Regresión, por otro lado, para determinar la cantidad de trabajadores para el cultivo de palta el mejor modelo fue Árbol de Regresión y para los cultivos de mandarina y arándano fue el SVR.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%
