Trabajos de suficiencia profesional

URI permanente para esta comunidadhttps://hdl.handle.net/20.500.12640/3726

Examinar

Filtros

2022 - 202424

Ajustes

Fecha de finalización: 2024Tema: search.filters.subject.Aprendizaje automático

Resultados de la búsqueda

Mostrando 1 - 10 de 24
  • Miniatura
    ÍtemAcceso Abierto
    Desarrollo de un modelo predictivo con técnicas de Machine Learning para la detección temprana de anulación de pedidos en una empresa de distribución y comercialización
    (Universidad ESAN, 2024) Rivera Tuesta, Shirley Paola; Vargas Saldaña, Jhossy Jhossep; Vilcacure Camasca, Eder Royer
    En una empresa peruana dedicada a la distribución y comercialización de productos de primera necesidad, especialista en el rubro de consumo masivo, se identificó la anulación de pedidos como la principal causa de las pérdidas económicas reportadas durante el segundo semestre del 2023. La investigación detalla el desarrollo de un modelo predictivo basado en técnicas de Machine Learning para anticipar las anulaciones de pedidos. A través de la metodología CRISP-DM, se recopiló información de las órdenes de entrega de dicho periodo, se entrenaron y evaluaron siete algoritmos. CatBoost obtuvo el mejor desempeño, con una precisión del 85.4%, un accuracy de 88.5%, y un AUC de 84%. Posteriormente, el modelo fue desplegado en un entorno controlado a través de un prototipo web, para simular su uso real. Se concluye que la implementación del modelo podría ayudar a la empresa a actuar proactivamente a posibles cancelaciones y fortalecer su toma de decisiones en base al modelo obtenido. Entre las recomendaciones se destacan la necesidad de supervisión continua del modelo, su integración en procesos automáticos, y la posibilidad de ampliar su aplicación a otras áreas operativas de la empresa.
  • Miniatura
    ÍtemAcceso Abierto
    Desarrollo de un modelo predictivo basado en técnicas de Machine Learning para la priorización de vulnerabilidades y la optimización en la etapa de mitigación de riesgos operativos de ciberseguridad
    (Universidad ESAN, 2024) Camasca Huaman, Jhonatan Cristobal; Gave Cardenas, Kevin Paredes; Paredes Castro, Patricia Jackeline
    El presente estudio tiene como objetivo desarrollar un modelo predictivo utilizando técnicas de Machine Learning para priorizar eficazmente las vulnerabilidades en el proceso de remediación, dada la creciente cantidad de ciberataques y la limitada capacidad de recursos en las empresas. Actualmente, las organizaciones enfrentan dificultades para asignar adecuadamente sus recursos de manera eficiente, debido al volumen de vulnerabilidades detectadas que sobrepasan su capacidad de respuesta. Se construyó un conjunto de datos a partir de los escaneos de vulnerabilidades proporcionados por la empresa ABC S.A.C., complementado con reportes descriptivos y puntuaciones de explotabilidad. Luego, se aplicaron los algoritmos K-Means y BIRCH, métodos de aprendizaje no supervisado, para generar una variable objetivo que defina los niveles de priorización de vulnerabilidades. Con esta variable, se implementaron modelos de Machine Learning, como XGBoost, Random Forest y LightGBM, evaluados mediante métricas como Precisión, Recall, F1-Score y Accuracy. Los resultados muestran que Random Forest, en combinación con BIRCH, alcanzó una precisión del 98%, mejorando significativamente la optimización del proceso de Gestión de Vulnerabilidades y fortaleciendo la ciberseguridad en entornos empresariales digitalizados. Esta metodología proporciona un enfoque eficiente para la mitigación de riesgos, permitiendo una respuesta más rápida ante amenazas cibernéticas.
  • Miniatura
    ÍtemRestringido
    Desarrollo de un modelo de RFM y técnicas de clustering para la segmentación de clientes en una empresa de bienes de consumo masivo
    (Universidad ESAN, 2024) Toledo Rios, Julynho Merlin; Delgado Lorino, Alonso; Bazan Arzapalo, Jean Pablo; Garcia Quispe, Guerel Orlando; Canorio Ochoa, Diego Antonio
    La implementación de modelos de clustering para la segmentación de clientes en empresas de bienes de consumo masivo es una estrategia fundamental en la comprensión del comportamiento del consumidor y en la mejora de las relaciones con estos. Esta investigación aborda la aplicación de un modelo de RFM y técnicas de clustering, en una empresa peruana líder en el sector de bienes de consumo masivo. El objetivo principal es reconocer los patrones de compra y la clasificación de clientes en grupos homogéneos basándose en variables clave como recencia, frecuencia y valor monetario de las compras. Utilizando métodos de aprendizaje automático no supervisado, como k-means, BIRCH y Gaussian Mixture Model, se procesan y analizan grandes volúmenes de datos para lograr una segmentación efectiva. Esta segmentación permitiría a la empresa dirigir sus esfuerzos de marketing de manera más precisa y desarrollar estrategias personalizadas para cada grupo de clientes. Los resultados obtenidos revelan patrones de compra significativos y sugieren que una segmentación cuidadosa puede proporcionar información valiosa para la formulación de decisiones estratégicas, contribuyendo al crecimiento y competitividad de la empresa en el mercado de bienes de consumo masivo.
  • Miniatura
    ÍtemAcceso Abierto
    Metodología de Valoración Contingente de ruido vehicular mediante Machine Learning: caso del bypass del Óvalo Monitor Huáscar ubicado en Santiago de Surco y La Molina
    (Universidad ESAN, 2024) Cama Montesinos, Andrea Alessandra; Rivera Bueno, Jose Pablo; Salazar Sanchez, Leslie Alexandra; Sandoval Alcala, Jean Pierre Andre; Soria Asin, Alejandra Marcela
    El estudio examina el impacto negativo del tránsito en la calidad de vida de la población en los distritos de Santiago de Surco y La Molina, en particular en relación con la contaminación por ruido producida por el Bypass del Óvalo Monitor Huáscar. Se propone el uso de la inteligencia artificial (Machine Learning) como una herramienta innovadora para predecir la disposición de pago (DAP) de la población para reducir el ruido del tránsito. El estudio se centra en crear un modelo de valoración contingente que se combine con algoritmos de aprendizaje automático para hacer predicciones sobre la DAP de la población en varios escenarios. Los hallazgos de esta investigación podrían ayudar a tomar decisiones informadas para mejorar la planificación urbana y la gestión del tránsito con el objetivo de reducir los efectos negativos del ruido del tránsito.
  • Miniatura
    ÍtemAcceso Abierto
    Desarrollo de algoritmo de recomendación de SKU para los clientes de Alicorp que cuentan con un canal de atención digital usando técnicas de machine learning
    (Universidad ESAN, 2024) Espinoza Sutta, Milton; Limachi Pampamallco, Ana Isabel; Melo Locumber, Noe; Rodriguez Otiniano, Junior Ricardo; Valencia Cañote, Sebastian
    Saber qué es lo que quiere el cliente es uno de los retos más grandes que afrontan las empresas en la actualidad. En cuanto al uso de tecnología, las nuevas tendencias que aplican soluciones cuyo objetivo es mejorar, de manera incremental, la capacidad de poder recomendar productos o servicios de manera más exacta. No obstante, para identificar lo que desean los clientes, se necesita una base histórica que nos permita comprender sus necesidades y preferencias. Por ello, este trabajo de investigación se enfoca en el desarrollo de un algoritmo de recomendación que, a través del procesamiento de datos, pueda recomendar productos según el perfil del cliente. La investigación utiliza datos de Alicorp, una empresa peruana líder en consumo masivo, con dos millones de transacciones de ventas de clientes como panaderías, restaurantes y bodegas. Se aplicaron técnicas basadas en reglas como RFM y algoritmos de machine learning como Kmeans, LGBM Classifier y LGBM Ranker en la etapa de modelamiento. Para definir el mejor algoritmo se utilizó una medida de recall promedio de clientes de los productos recomendados. La familia de algoritmos LGBM demostró una precisión superior, destacando el LGBM Ranker que logró un impresionante recall de 0.8950.
  • Miniatura
    ÍtemAcceso Abierto
    Predicción del caudal del río Torata utilizando algoritmos de Machine Learning para el aprovisionamiento de agua a la población del distrito
    (Universidad ESAN, 2024) Aguirre Vasquez, Mayra Araceli; Churampi Coronado, Heidy Denis Ana; Garcia Garcia, Jeff Steven; Mamani Ventura, Danny Alvis; Montes Manrique, Diego Alfredo
    Diferentes estudios utilizan el aprendizaje automático para el análisis de datos y por ende construir modelos predictivos y encontrar comportamientos que representen diversas variables de salida. Basado en ello, el presente trabajo de suficiencia profesional tiene como misión principal desarrollar un modelo para predecir el caudal del río Torata utilizando algoritmos de Machine Learning y con ello estimar la oferta hídrica, además se busca brindar un marco amplio a las autoridades en la toma de medidas proactivas para garantizar un adecuado aprovisionamiento de agua a la población, incluyendo la administración de infraestructuras de almacenamiento, división y tratamiento. Utilizando datos históricos de las estaciones hidrométricas y meteorológicas del río Torata monitoreados y proporcionadas por la Mina Cuajone y técnicas de Machine Learning, se desarrollaron modelos predictivos para brindar un aporte eficaz al proyecto de aprovisionamiento de agua (Presa Altarani). La investigación se estructura en seis capítulos que abarcan desde el planteamiento del problema y metodología, dando como resultado el mejor modelo de predicción SVR lineal con un 𝑅2de 0.946 y un MSE de 0.041, hasta la presentación de conclusiones y una proyección de 5 años del caudal y oferta hídrica del río Torata con R𝟐 de 0.877 y MSE de 0.123.
  • Miniatura
    ÍtemRestringido
    Técnicas de machine learning para la mejora del método de proyección de ventas de los análisis de multirresiduos de plaguicidas en alimentos de Mérieux Nutrisciences
    (Universidad ESAN, 2023) Huisacayna Cutipa, Abigail Nelly; Jacinto Martell, Samuel Humberto; La Rosa Gadea, Marghore Susana; Machuca Abanto, Axl Boris; Torres Yupanqui, Rocio del Pilar Lesly
    En la actualidad es importante que toda empresa realice pronósticos de todo tipo, que ayuden a mitigar el impacto negativo y/o aprovechar los impactos positivos que los cambios generan. El propósito del presente trabajo es identificar la técnica del aprendizaje automático que mejore el método de proyección de ventas generadas por el análisis de multirresiduos de plaguicidas en alimentos de la empresa Mérieux Nutrisciences. Se emplea la metodología Cross-Industry Standard Process for Data Mining (CRISP-DM) para determinar el modelo predictivo óptimo para la empresa. Después de adquirir y adecuar la data, se aplica y analiza en las técnicas de regresión lineal, light gradient boosting machine (LightGBM), seasonal auto regressive integrated moving average (SARIMA) y long short-term memory (LSTM). Con la ejecución de los modelos establecidos, se concluyó que el uso de modelos predictivos permite a las empresas, tomar decisiones más acertadas y mejorar su gestión, además, se visualizó que el modelo LightGBM tiene una mayor precisión que los otros modelos con un 0.0152 de mean squared error (MSE). Se recomienda realizar el modelado con un mayor número de data para generar un pronóstico más preciso, contrastar con el laboratorio y realizar estudios adicionales para ajustar hiperparámetros propios del modelo.
  • Miniatura
    ÍtemAcceso 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, Santiago
    La 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.
  • Miniatura
    ÍtemEmbargo
    Desarrollo de un modelo de Machine Learning para la clasificación de clientes siniestrosos de seguro vehicular en la compañía aseguradora MAPFRE Perú
    (Universidad ESAN, 2023) Mariluz Saavedra, Julio Alejandro; Torres Ricalde, Luz Edith; Velazco Guerrero, Melissa
    Las últimas innovaciones tecnológicas, como Big Data o Maching Learning, están transformando la forma en cómo se desempeñan las compañías en casi todos los sectores, incluyendo el rubro asegurador. Este estudio se centra en la incorporación de técnicas de Machine Learning en MAPFRE Perú para desarrollar un modelo predictivo que permita identificar a los clientes con mayor probabilidad de sufrir un siniestro vehicular. El objetivo es optimizar el control de los gastos asociados a estos incidentes en la empresa. Para determinar el modelo más optimo se utilizaron cinco diferentes algoritmos de aprendizaje supervisado: Logistic regression, Linear Support Vector Machine, k-Nearest Neighbors, Classification and Regression Tree y Random Forest. Finalmente, para comparar los resultados de cada modelo se utilizaron las métricas del "accuracy" y el "F1-score". El modelo seleccionado fue Random Forest, con el cual se obtuvo un buen rendimiento con el conjunto de datos preprocesado “dfL4”, teniendo un “accuracy” del 82.97% y un “F1-score” del 75.67%. El potencial que implica la aplicación de Machine Learning en la industria aseguradora es considerable, por lo que es esencial continuar avanzando en investigaciones que incorporen nuevas variables, técnicas y modelos para seguir aprovechando sus beneficios.
  • Miniatura
    ÍtemEmbargo
    Implementación de un modelo de Machine Learning para la predicción de la demanda de muebles de sala en la empresa Mallhogar.com
    (Universidad ESAN, 2023) Chipana De La Cruz, David Ismael; Chugnas Sebastian, Analy Sandy; Chupillón Bautista, Yarelis Nicole; Guzmán Ramos, Pedro Jesús; Huancaya Rivas, Hasdaly Anjely
    La empresa Mallhogar.com se dedica a la venta online de muebles. Actualmente, busca predecir la demanda de muebles de sala que ofrece en el mercado peruano. En este contexto, el objetivo de esta investigación fue desarrollar un modelo de predicción de la demanda que permita optimizar su producción, gestionar sus inventarios y agilizar la distribución de productos terminados. Para lograrlo se recopiló información de datos históricos de venta del periodo 2020-2023, se aplicó modelos de Machine Learning, en cinco tipos de muebles de sala. Los modelos de predicción que se emplearon fueron Regresión Lineal, CatBoost, XGBoost y LightGBM. Los resultados fueron evaluados comparando métricas como el Factor de determinación, Error Cuadrático Medio y Raíz del Error Cuadrático Medio, se analizó cómo el modelo se ajusta a los datos de entrenamiento con sus posibles limitaciones. Los experimentos realizados mostraron que los modelos LightGBM y XGBoost tuvieron mejores resultados con una ligera superioridad en comparación a los otros modelos, lo cual se vio reflejado en todos los modelos de muebles analizados, al final se obtuvo la predicción de muebles a vender para los meses de diciembre del 2023, enero del 2024 y febrero del 2024.