Buscar en Google Scholar
Título: Análisis comparativo de técnicas de minería de datos para la predicción de ventas
Asesor(es): Fuentes Adrianzén, Denny John
Palabras clave: Minería de DatosHoltwintersHoltETS
Campo OCDE: http://purl.org/pe-repo/ocde/ford#2.02.04
Fecha de publicación: 2016
Institución: Universidad Señor de Sipán
Resumen: El presente trabajo denominado “ANÁLISIS COMPARATIVO DE TÉCNICAS DE MINERÍA DE DATOS PARA LA PREDICCIÓN DE VENTAS” realiza un análisis comparativo entre las distintas técnicas usadas en la minería de datos para el diseño de modelo de pronósticos de series de tiempo. En la actualidad existen diversas técnicas para la generación de pronósticos de series de tiempo, desde los modelos de tipo estadísticos, o los más avanzados que usan algoritmos computacionales basados en inteligencia artificial como es el caso de las redes neuronales o las máquinas de soporte vectorial. El problema no trata sobre la construcción de un modelo de minería de datos, si no de evaluar que algoritmo y técnica sirve o tiene un mejor performance para un problema determinado, ya que no es lo mismo aplicar criterios de pronósticos a series de tipo ventas, que, para series de clima, u otros. Donde cada algoritmo tiene un grado de influencia según el problema a enfocarse. El ámbito de estudio de esta investigación se centra en la empresa “El Astro S.A.C.” para determinar las estimaciones de ventas según el volumen que genera mensual o trimestral, uno de los algoritmos más usados para pronósticos de ventas desde el punto de vista estadístico es el Holtwinters, en esta investigación se realizará un análisis de los datos para comparar este algoritmo contra otros métodos como son: Holt y ETS.
Disciplina académico-profesional: Ingeniería de Sistemas
Institución que otorga el grado o título: Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo
Grado o título: Ingeniero de Sistemas
Fecha de registro: 20-jun-2017; 20-jun-2017



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons