analisis tecnologico( diagnostico tecnologico, herramienta de toma de deciones)
Proyecto1: APLICACION DE MINERIA DE DATOS PARA LA EMPRESA PRODUCTOS TECNOLOGICOS SC
1. APLICACIÓN DE MINERÍA DE DATOS PARA LA
EMPRESA “PRODUCTOS TECNOLÓGICOS SC”
MODULO :
FUNDAMENTOS DE
MINERÍA Y CIENCIAS DE
DATOS
GRUPO : 3
DOCENTE: ING. DAVID E.
MENDOZA GUTIERREZ
VILLEGAS ACUÑA
CARLOS E.
LARA QUIROZ ELVIS
VARGAS TICONA ARIEL
QUISPE MAMANI
NIEVES VANESSA
INTEGRANTES
PROYECTO 1
2. Contenido
Metodologia CRISP-DM
Origen de datos
Preparación de los datos en
Visual Studio
Resultados
02
03
04
05
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
01 Productos tecnologicos SC
3. Productos Tecnologicos SC
La empresa “Productos
Tecnológicos SC” surge en
Santa Cruz de la Sierra el 14 de
octubre de 1980, es una
multitienda dedicada a la
distribución de productos
importados, caracterizados por
normas de calidad, precio justo
y accesible al público.
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
4. Productos Tecnologicos SC
Productos Tecnológicos SC es una
empresa dedicada a la distribución de
productos importados, caracterizados por
normas de calidad, precio justo y
accesible al público. Entre sus productos
más vendidos se encuentran los
materiales de oficina, muebles y equipos
tecnológicos.
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
5. Productos Tecnologicos SC
Productos Tecnológicos SC nace con el
objetivo de brindar a sus clientes
productos importados de alta calidad con
un precio justo accesible para todo
público; Ofrecemos satisfacción y
tranquilidad a todos nuestros clientes al
garantizar que nuestros productos están
dentro de las normas de calidad.
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
6. Metodologia CRISP-DM
CRISP-DM (Cross Industry Standard Process
for Data Mining), es un modelo de proceso
de minería de datos que describe una
manera en la que los expertos en esta
materia abordan el problema.Para
implementar una tecnología en un negocio
es necesaria una metodología. Estos
métodos suelen venir de las experiencias
propias y también de los procedimientos
estándar más conocidos.
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
7. FASE 1: COMPRENSIÓN DEL NEGOCIO
FASE2: COMPRENSIÓN DE LOS DATOS
FASE3: PREPARACIÓN DE LOS DATOS
FASE4: MODELADO
FASE5: EVALUACION
FASE6: IMPLANTACION
FASES DE CRISP-DM
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
8. Objetivos del negocio
Predecir las subcategorías de
los productos que tendrán
mayor probabilidad de venta
Predecir si un producto no es exclusivo,
realizando una comparación de algoritmos
Predecir las futuras ventas en un
determinado tiempo de acuerdo a su región
1784 1870 1950
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
9. algoritmo de Bayes Naive
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Variables utilizadas en
el algoritmo
10. algoritmo de Bayes Naive
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Rol de dependencias
11. algoritmo de Bayes Naive
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Perfiles de producto Subcategoría
12. algoritmo de Bayes Naive
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Gráfico de precisión de minería de datos
13. RESULTADO algoritmo de Bayes Naive
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Predicción del modelo de datos por subcategorías
14. RESULTADO algoritmo de Bayes Naive
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Predicción del modelo de datos por segmento de cliente
15. algoritmo de Series Temporales
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Variables
utilizadas para
la estructura de
minería de
datos
16. algoritmo de Series Temporales
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Visor de minería
de datos
17. RESULTADO de Series Temporales
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Vista de las
ventas en los
próximo 5
meses
18. Algoritmo de Árbol de decisiones
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Ingresando
valores
requeridos
19. RESULTADO de Árbol de decisiones
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
En el modelo de
árbol de
decisión se
puede observar
que se tiene
una mayor
preferencia a
los productos
que no son
exclusivos
20. Algoritmo de Clusteres
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
nuevo modelo
(Clústeres) para
realizar una
comparación
más adelante.
21. RESULTADO de Clusteres
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Grado de
dependencia
entre las
diferentes
variables siendo
el la
“Subcategoría
del producto” la
relación con
mayor
dependencia a
la variable de
“Exclusividad”.
22. RESULTADO de Clusteres
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
23. CONCLUSIONES
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez
Como conclusión se pudo predecir las subcategorías de
productos y el segmento de clientes con mayor posibilidad de
ventas, además de las futuras ganancias de las ventas dentro de
los próximos 5 meses.
Es posible reconocer si un producto no es exclusivo con un
pequeño margen de error para el modelo de árbol decisión.
Además de observar que la preferencia de este tipo de producto
está en la mayoría de los grupos en los cuales se ofertan.
24. Gracias!
Integrantes: Lara Quiroz Elvis Módulo: Fundamentos de minería y
Quispe Mamani Nieves Vanessa Ciencias de datos
Vargas Ticona Ariel
Villegas Acuña Carlos E. Docente: Ing. David E. Mendoza Gutierrez