Modelos predictivos para identificar probabilidades de recomendación

ISBN: 978-0-3110-0047-0; EAN: 9780311000470; UPC: 978031100047; BIC: KNTX

Autores/as

  • William Rafael Raymondi Lomas Magíster en Sistemas de Información, mención en Inteligencia de Negocios. Ingeniero en Networking y Telecomunicaciones. Doctorando en Ciencias de la Educación, Universidad Santander, México. Docente de la Facultad de Ciencias Matemáticas y Físicas, de la Universidad de Guayaquil, Ecuador. Autor de varios artículos científicos e investigaciones en el área de las telecomunicaciones. https://orcid.org/0000-0003-1641-6193
  • Sergio Israel Peña Guano Magíster en Sistemas de Información, mención en Inteligencia de Negocios. Ingeniero en Networking y Telecomunicaciones. Doctorando en Ciencias de la Educación, Universidad Santander, México. Docente de la Facultad de Ciencias Matemáticas y Físicas, de la Universidad de Guayaquil, Ecuador. Autor de varios artículos científicos e investigaciones en el área de las telecomunicaciones. https://orcid.org/0000-0003-4021-1892

DOI:

https://doi.org/10.51736/eta.vi.66

Palabras clave:

Modelos predictivos, probabilidades, recomendación

Resumen

Un modelo predictivo es un conjunto de procesos ejercidos a través de técnicas computacionales de análisis de datos que ayudan a inferir la probabilidad de que ocurran determinadas situaciones previas a su consecución y, a su vez, detectar oportunidades. El software libre se ha convertido en uno de los movimientos tecnológicos de mayor auge en el siglo XXI. Para su desarrollo, ha sido necesario contar con un grupo de herramientas que hagan óptima su utilización y sean fáciles de aprender. Python es un lenguaje de programación que cumple con lo planteado y se perfila como una opción recomendada para el desarrollo de software libre. Por ello, este libro tiene como propósito presentar un modelo predictivo construido mediante Phyton, con el fin de identificar qué clientes recomendarían los productos y servicios que ofrece la empresa Distecom. En el estudio se empleó un enfoque mixto y se utilizó la encuesta a los colaboradores y clientes mediante un cuestionario estructurado. Se encuestó a seis empleados y una muestra de 122 clientes activos de una población total de 1006 clientes. También se ejecutó la debida tabulación y presentación mediante gráficos con los respectivos datos cuantitativos. La herramienta de entorno de desarrollo utilizada fue Phyton, con la cual se configuró las funcionalidades del proyecto. Asimismo, se destacan los beneficios de la propuesta como herramienta de gestión para la empresa Distecom.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Altiuz. (2020). https://altiuz.com/altiuz/big-data-la-importancia-de-los-modelos-predictivos-para-potenciar-tu-negocio/

Bedoya, O., López, M., & Marulanda, C. (2019). Modelo predictivo para la identificación de factores socioculturales asociados al tiempo de búsqueda del primer empleo en egresados universitarios. Virtual Universidad Católica del Norte (58), 3-18.

Bernal, C. (2010). Metodología de la Investigación. Tercera.

Cabrera, G. (2017). Metodología para la construcción de un sistema de ayuda a la decisión para Instituciones Financieras del Sector de la Economía Popular y Solidaria: Un enfoque basado en conceptos de Datawarehouse. Universidad de Cuenca.

Calzada, J. (2015). Metodología Agile y las técnicas de desarrollo del Kimball Group. https://www.certia.net/metodologia-agile-y-las-tecnicas-de-desarrollo-del-kimball-group/

Carrillo, S. (2020). Enroke. https://blog.grupoenroke.com/como-implementar-un-sistema-de-referidos

Carvajal, N. (2020). Desarrollo de un modelo predictivo de morosidad de cartera de la línea de fianzas de una empresa de seguros. Universidad de las Fuerzas Armadas. Sangolquí: ESPE.

Casermeiro, M. (2014). Técnicas de información y atención al cliente consumidor. España: IC.

Castallano, M. (2006). Inteligencia de negocios. México.

Chagcha, L., & Urvina, K. (2016). Herramienta informática de business intellingence para el departamento de ventas en la empresa Mascorona. Universidad Técnica de Ambato. Ambato: UTA.

Chang, L., Rosete, F., Charre, J., & Mas, J. (2020). Validación de modelos predictivos de cambio de cubierta y uso del suelo en la península de Baja California, México. Investigaciones Geográficas.

Espinosa, J. (2020). Aplicación de metodología CRISP-DM para segmentación geográfica de una base de datos pública. Ingeniería, Investigación y Tecnología, 21(1).

Keyrus. (2021). https://keyrus.com/sp/es/insights/las-11-tecnicas-mas-utilizadas-en-el-modelado-de-analisis-predictivos

Larc, A. (2016). Ocho pasos para incrementar tus ventas fácilmente. Barcelona, Mestas.

Laseca, E. (2016). Venta por referidos. Developing the business. https://developingthebusiness.com/venta-por-referidos/

López, P., & Fachelli, S. (2015). Metodología de la investigación social cuantitativa. Barcelona, España: UB.

MathWorks. (2020). https://es.mathworks.com/discovery/predictive-analytics.html

Maya, N., Orona, M., & Barron, M. (2019). Diseño de un sistema de análisis de datos para trayectorias educativas UTVT. Teoría Educativa, 3(9), 10-24.

Silva, G., Zapata, V. M., & Toaquiza, L. (2019). Análisis de metodologías para desarrollar Data Warehouse. Ciencia Digital, 3(3.4), 397-418.

Villena, J. (2016). CRISP-DM: La metodología para poner orden en los proyectos. https://www.sngular.com/es/data-science-crisp-dm-metodologia/

Descargas

Publicado

2023-06-27 — Actualizado el 2023-10-06

Cómo citar

Raymondi Lomas, W. R. ., & Peña Guano, S. I. . (2023). Modelos predictivos para identificar probabilidades de recomendación: ISBN: 978-0-3110-0047-0; EAN: 9780311000470; UPC: 978031100047; BIC: KNTX. Editorial Tecnocintífica Americana, 1–109. https://doi.org/10.51736/eta.vi.66

Número

Sección

Artículos

Artículos similares

También puede {advancedSearchLink} para este artículo.