Especialización en Big Data e Inteligencia de Negocios CU (Colección Custodia)

Permanent URI for this collectionhttp://repository.ucatolicaluisamigo.edu.co/handle/20.500.14.531/3659

Browse

Browsing Especialización en Big Data e Inteligencia de Negocios CU (Colección Custodia) by Author "Alvarez Arbelaez, Cindy Vanessa"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Construcción de un modelo predictivo para la asignación de tareas a equipos de trabajo del sector tecnológico
    (Universidad Católica Luis Amigó, 2024) Alvarez Arbelaez, Cindy Vanessa; Quintero Riaño, Laura Isabel; Parra Molina, Maicol Steven; Torres Pardo, Ingrid Durley
    La asignación de tareas a los equipos de trabajo del sector tecnológico es un factor crucial para optimizar la productividad y el desempeño organizacional, los modelos predictivos basados en técnicas de aprendizaje supervisado ofrecen una solución prometedora para abordar esta actividad, generando eficiencia, entregas oportunas y un equilibrio de equipo. En el caso de estudio presentado se construyó un modelo predictivo para la asignación de tareas a los equipos del área de tecnología, aplicando machine learning (ML) y técnicas de clasificación, aprovechando datos históricos de la compañía en cuanto al personal con las variables relevantes. Para el desarrollo del trabajo se aplicó la metodología CRISP-DM para recopilar, preparar y modelar los datos históricos y relevantes de los equipos de trabajo. Se utilizaron algoritmos de clasificación supervisados (Árboles de Decisión, K- Vecinos Cercanos (KNN), Máquinas de Vectores de Soporte (SVM), y Regresión Logística) para crear los modelos predictivos. El modelo SVM obtuvo las métricas de precisión más altas (53%), demostrando su capacidad para predecir la asignación de tareas con mayor precisión que los otros modelos. Además, los modelos lograron identificar variables que influyen en la capacidad ocupacional de los equipos, como la experiencia y el tipo de tarea. La evaluación del modelo SVM revelo que la mayoría de las predicciones fueron correctas, pero aún había margen de mejora. Los resultados obtenidos indican viabilidad del modelo, pero invitan a la compañía a recopilar más datos y considerar factores adicionales como económicos, emocionales entre otros, para mejorar el rendimiento del modelo.