Citas bibligráficas
Becerra, J., Villarreal, E. (2021). Data Mining para modelo predictivo de ventas y servicios de mantenimiento en un concesionario automotriz ligero [Universidad de Lima]. https://hdl.handle.net/20.500.12724/15395
Becerra, J., Villarreal, E. Data Mining para modelo predictivo de ventas y servicios de mantenimiento en un concesionario automotriz ligero []. PE: Universidad de Lima; 2021. https://hdl.handle.net/20.500.12724/15395
@misc{renati/1440553,
title = "Data Mining para modelo predictivo de ventas y servicios de mantenimiento en un concesionario automotriz ligero",
author = "Villarreal Roca, Enrique Martin",
publisher = "Universidad de Lima",
year = "2021"
}
Últimamente el nivel de competencia entre las empresas del rubro automotriz ligero suele ser muy alto, debido a las diversas estrategias desarrolladas por los competidores. Nuestro estudio busca fortalecer la evaluación de pronósticos que permita mejorar la capacidad de la organización para anticiparse a eventos futuros en los procesos importantes del negocio, tales como las ventas y los servicios de mantenimiento. Para lograr dicho objetivo se consultaron investigaciones relacionadas a técnicas de Data Mining, las cuales realizan un análisis de información bajo un enfoque predictivo. El desarrollo de la investigación involucra diseñar diferentes modelos aplicando métodos como regresiones, redes neuronales y árbol de decisión, a una base de datos histórica de una organización automotriz, realizando previamente una selección de datos mediante técnicas como la matriz de correlación y PCA (Principal Component Analysis). Finalmente, se realiza una evaluación sobre los resultados obtenidos luego de comparar los modelos planteados, donde encontramos para los pronósticos de ventas, el modelo de redes neuronales implementado con PCA obtiene mejores resultados; mientras que, para los pronósticos de servicios de mantenimiento, el modelo predominante es el implementado con Random Forest.
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons