1. Trabajos conducentes a grados y títulos
URI permanente para esta comunidadhttps://hdl.handle.net/20.500.12640/4150
Examinar
2 resultados
Resultados de la búsqueda
Ítem Embargo Investigación aplicada para la implementación de una plataforma que permita monitorear y optimizar la gestión de ventas en una empresa del sector de agroquímicos(Universidad ESAN, 2024) Espinoza Torres, Yunior Jean Franco; Monge Robles, Luis Miguel; Ramos Zapana, Kervy JuniorEste trabajo de investigación tiene como objetivo desarrollar una solución tecnológica para una empresa del sector agroquímico, enfocada en optimizar los procesos de ventas y el desempeño de los líderes comerciales y representantes técnicos mediante el monitoreo en tiempo real. La solución integrará análisis de datos para generar reportes y dashboards que faciliten la toma de decisiones estratégicas y mejoren la gestión de recursos. Se abordan dos problemáticas principales: los representantes técnicos de ventas enfrentan dificultades para acceder a información clave en el campo debido a la falta de conectividad, mientras que los líderes comerciales carecen de herramientas precisas para monitorear y controlar sus actividades, lo que genera ineficiencias. Mediante la metodología del Doble Diamante, se identificarán los problemas, desarrollarán prototipos y se propondrán mejoras. La solución incluirá una aplicación móvil para los RTV y una plataforma en línea para los LC, soportadas por AWS para el análisis de datos. Este proyecto servirá como un primer paso hacia una cultura de innovación basada en datos, facilitando en el futuro el uso de herramientas avanzadas como machine learning para optimizar aún más las ventas, mejorar la rentabilidad y aumentar la satisfacción del cliente.Ítem Acceso Abierto Implementación de técnicas de Machine Learning para la segmentación de clientes en una empresa del sector farmacéutico(Universidad ESAN, 2023) Inga Llacza, Fabricio Gustavo; Miranda Manrique, Kevin Miguel Angel; Quispe Zuñiga, Dennys; Reyna Torres, July Mabel; Turriate Naveda, SantiagoLa presente tesis se enfocó en la investigación e implementación de técnicas de Machine Learning para una empresa del sector farmacéutico, utilizando un conjunto de datos con más de 30 mil transacciones comerciales del período de junio a agosto de 2023. Esta investigación abarcó la recopilación, procesamiento, modelado y evaluación de los datos proporcionados por la empresa, para lo cual se emplearon técnicas de aprendizaje no supervisado como el modelo K-Means y Jerárquico, lo que llevó a la exitosa identificación de cuatro segmentos distintos de clientes. Estos hallazgos resaltan la efectividad de Machine Learning en la segmentación de clientes, lo que permitió poder identificar grupos con similitudes en sus características y patrones de comportamientos. Asimismo, se llevaron a cabo evaluaciones comparativas entre diferentes técnicas para determinar cuál se adaptaba mejor a las necesidades de la empresa. Tras un análisis detallado, se concluyó que el modelo K-Means era el más adecuado en este contexto, debido a que las agrupaciones se ajustaban más a la realidad del negocio. En consecuencia, se formularon estrategias personalizadas para aumentar la retención y satisfacción del cliente, con lo cual se tendrá mayor certeza en la toma de decisiones estratégicas y análisis de datos comerciales.
