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 "López Restrepo, Liliana Maria"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
Item Modelado predictivo aplicado al comportamiento de componentes de la infraestructura tecnológica en empresas de bienes y servicios(Universidad Católica Luis Amigó, 2022-05-20) López Restrepo, Liliana Maria; Acevedo Vanegas, Daniel; Torres Pardo, Ingrid Durley; Gil Vera, Victor DanielIntroducción La infraestructura tecnológica es esencial para las operaciones empresariales, pero enfrenta desafíos que impactan su eficiencia y rentabilidad. Este estudio subraya la importancia de mejorarla mediante la predicción y resolución proactiva de problemas, evitando pérdidas financieras y reducciones en la productividad. Motivación La eficiencia operativa de la infraestructura tecnológica es vital para predecir y anticipar su comportamiento, optimizando operaciones y reduciendo costos. Interrupciones no planificadas pueden tener impactos económicos y de rendimiento significativos, afectando la experiencia del cliente. Planteamiento del problema En el sector financiero, la falta de un sistema robusto para predecir fallas en unidades de disco puede causar interrupciones con consecuencias financieras y daños a la reputación. La competencia y la expectativa de acceso ininterrumpido a los servicios aumentan la urgencia de un sistema predictivo de fallas. Justificación La disponibilidad segura de la información del cliente es crucial. Implementar un sistema de predicción de fallas en unidades de disco es esencial para garantizar la seguridad de los datos y la continuidad de los servicios, optimizando procesos internos y reduciendo costos de mantenimiento. Objetivos Desarrollar un sistema de predicción de fallas en unidades de disco para optimizar la gestión de la infraestructura tecnológica y mejorar la disponibilidad y rendimiento de los servicios. Marco metodológico El desarrollo del sistema incluye fases como la recopilación y análisis de datos históricos, la implementación del modelo predictivo, la integración del modelo y el análisis de resultados. Se enfoca en garantizar una implementación fluida, con énfasis en la precisión y mejora continua. Resumen adicional: El rendimiento de la infraestructura tecnológica en empresas de bienes y servicios es crucial. Se han adoptado técnicas de Machine Learning (ML) y algoritmos de inteligencia artificial (IA) para mitigar fallas. El marco conceptual propuesto integra conceptos clave como Big Data, Machine Learning, Gemelos Digitales, e ITIL para abordar los desafíos de la era digital. Además, se propone un marco normativo integral para garantizar la calidad y seguridad de los datos. El proyecto se enfoca en caracterizar el proceso de modelado predictivo aplicado al comportamiento de componentes de la infraestructura tecnológica. Se destaca la importancia de la metodología CRISP-DM y la monitorización continua para mejorar la continuidad operativa y reducir costos asociados con las fallas.