Especialización en Big Data e Inteligencia de Negocios
Permanent URI for this collection
Browse
Browsing Especialización en Big Data e Inteligencia de Negocios by Author "Giraldo Mejía, Juan C."
Now showing 1 - 4 of 4
Results Per Page
Sort Options
Item Implementación de Machine Learning (ML) para clasificación de PQRSF con minería de texto en el área de atención al usuario de la Universidad Católica Luis Amigó(Universidad Católica Luis Amigó, 2022) Gómez Sepúlveda, Daniela; Jiménez Villa, Lisbed; Rivera Delgado, Luis A.; Giraldo Mejía, Juan C.; Giraldo Mejía, Juan C.Este trabajo de grado está enfocado en agilizar la clasificación de las PQRSF de la Universidad Católica Luis Amigó donde se reciben alrededor de 5428 solicitudes por semestre de los cuales, se transfieren alrededor de 1300, se vencen 200, se cierran 4030, y se reabren al menos 30, de acuerdo con el nivel de servicio (SLA), la atención oportuna de estas solicitudes está definida en 24 horas para los casos de consultas de información y 48 horas para los que requieren escalar la consulta con las diferentes áreas, pero se tienen momentos picos que desbordan la capacidad y generan retrasos, para lo cual se plantea atender esta demanda implementando un sistema que permita la clasificación de las solicitudes para agilizar el servicio. Bajo este contexto de la investigación se orientó en la implementación en Machine Learning para la clasificación de PQRSF con minería de texto bajo el marco de referencia de la metodología CRISP-DM y se centra en la aplicación de varias técnicas de Machine Learning para seleccionar la técnica con mejores resultados, que permita analizar y clasificar las diferentes solicitudes a través de sus de texto en las categorías de las PQRSF. Además, la investigación en este campo también se enfoca en la implementación de un modelo Machine Learning donde se carga el aprendizaje al modelo para realizar la clasificación casos simulados de la PQRS desarrollados bajo un escenario de un usuario posible.Item Machine Learning para predecir el costo anual de los servicios contratados por evento de los afiliados de la EPS Savia Salud(Universidad Católica Luis Amigó, 2023) Mazo Solano, Joan; Gallego Vélez, Laura; Sandoval Valencia, Sebastián; Giraldo Mejía, Juan C.; Giraldo Mejía, Juan C.La proyección de los costos anuales de las aseguradoras del sector salud es una tarea de alta complejidad; de este ejercicio se derivan los mecanismos de contratación con los prestadores de servicio de salud y su resultado impacta directamente los costos no operacionales. En este proyecto de investigación, se utilizó machine learning para predecir el costo anual de las atenciones por evento de la EPS Savia Salud, con el fin de contribuir a las estrategias asociadas a la disminución del déficit fiscal. Siguiendo la metodología CRISP-DM, se aplicaron técnicas de aprendizaje supervisado y no supervisado. Se realizó un proceso de ETL para integrar dos fuentes de datos en una, obteniendo un conjunto de 13.692 registros con los cuales se desarrolló un clustering para conocer los diferentes grupos de pacientes según sus costos; posteriormente, se elaboró un modelo de clasificación, en el que se incluyeron 4 rangos de costos. Los resultados del modelo predictivo permitieron concluir que es posible predecir el costo de las atenciones por evento con una índice ROC del 79%. Durante la socialización de los resultados, se incluyeron un conjunto de recomendaciones para continuar explorando el machine learning como herramienta en los ejercicios de planificación y fortalecer el modelo incluyendo una mayor cantidad de variables y registros. La investigación concluye es posible estimar los costos anuales utilizando machine learning, cuya utilidad real se comprobará después de ejecutar una prueba piloto en el año 2023 con una muestra controlada.Item Modelo de aprendizaje de máquinas para identificar variables con mayor incidencia en la deserción escolar y que predicen posibles desertores de instituciones educativas en educación regular(Universidad Católica Luis Amigó, 2023) Jaramillo Ciro, Gabriel; Calderón, Leidy; Giraldo Mejía, Juan C.; Giraldo Mejía, Juan C.Este trabajo de grado está enfocado en Construir un modelo de aprendizaje de máquinas para identificar las variables con mayor incidencia en la deserción escolar y que predicen posibles desertores de instituciones educativas en educación regular y así contar con una herramienta que permita tomar medidas preventivas que permitan reducir el abandono. Para el desarrollo de este estudio se utilizaron 259.411 registros de estudiantes matriculados para el 2020 en instituciones educativas oficiales de Medellín en edad regular con base en reportes de los sistemas SIMAT y SIMPADE Para alcanzar los objetivos propuestos en este trabajo, se utilizará la metodología CRISP- DM (Cross-Industry Standard Process for Data Mining) con sus 6 fases; esta metodología integra todas las actividades necesarias para el desarrollo de este estudio, desde la fase inicial de comprensión del negocio hasta el despliegue del modelo predictivo propuesto como solución a través del uso de técnicas de Machine Learning. De acuerdo con los resultados obtenidos con el modelo creado; como se mencionó anteriormente, se pudo identificar variables directamente relacionadas con la condición de desertar, es decir si esa variable aumenta o es positiva, la posibilidad de abandonar los estudios también aumenta, estas variables fueron: edad, pertenencia al grado primero o tercero, ser beneficiario de programas para madres cabeza de familia o no estudiar en la vigencia académica del año anterior.Item Modelo de machine learning enfocado en la retención de los clientes del sector retail de la moda(Universidad Catolica Luis Amigo, 2022) Chalarca Restrepo, Andrés F.; Gómez Martínez, Jonatan A.; Piedrahita Londoño, Lina M.; Giraldo Mejía, Juan C.Este trabajo de grado está enfocado en Proponer un modelo de machine learning enfocado a la retención de los clientes del sector retail de la moda y así generar las métricas necesarias para la toma de decisiones y el oportuno diseño de estrategias innovadoras, para la clasificación y retención de sus clientes. Para el desarrollo de este estudio se utilizaron 69768 registros de una empresa del sector retail. Para alcanzar los objetivos propuestos en este trabajo, se utilizará la metodología CRISP-DM (Cross-Industry Standard Process for Data Mining) La metodología CRISP-DM la cual es útil para el desarrollo de modelos analíticos a partir de datos, estos datos se originan dentro del negocio y con ellos pretende anticiparse a futuros riesgos de la compañía y así disponer de los recursos o medidas necesarias para solucionar las contingencias. De acuerdo con los resultados obtenidos mediante un análisis estadístico combinado con técnicas de machine learning se pudo comprender el comportamiento de los clientes de la marca Carrera en un periodo determinado, donde se entendió que el valor agregado de la marca radica fundamentalmente en los descuentos ofrecidos hacia los clientes.