Caso ciencia de datos libreria iztaccihuatl mauricio figueroa

CasoCienciadeDatos
LibreríaIztaccihuatl
CursoIntroducciónalaCienciadeDatosyel
BigData
Autor : Mauricio Figueroa Colarte
<< Enero 2021 >>

Caso Librería Iztaccihuatl
Metodologías para proyectos de
ciencias de datos
Fecha Creación
21-01-2021
Página N°:
2 de 16
Clasificación:
Práctica con evaluación entre pares
Dirigido a:
Pares
INDICE
1 INTRODUCCIÓN .....................................................................................................................................................3
2 COMPRENSIÓN DEL NEGOCIO.......................................................................................................................3
2.1 Situación Actual...................................................................................................................................................5
2.1.1 KPI Calidad de Libros Ofertados según Rating...............................................................................5
2.1.2 KPI porcentaje de libros top de mayor por clasificación............................................................6
2.1.3 KPI cantidad de votos de clientes por libro .....................................................................................6
2.2 Propuesta e hipótesis del proyecto ...........................................................................................................7
3 COMPRENSIÓN DE LOS DATOS.....................................................................................................................7
3.1 Acerca de la fuente de datos........................................................................................................................7
3.2 Relacionamiento de los datos ...................................................................................................................10
3.3 Variable Objetivo .............................................................................................................................................10
4 PREPARACIÓN DE LOS DATOS .................................................................................................................... 11
4.1 Corrección de errores en la base de datos.........................................................................................11
4.2 Selección de campos .....................................................................................................................................12
4.3 Transformación de datos .............................................................................................................................13
5 MODELADO........................................................................................................................................................... 13
6 EVALUACIÓN......................................................................................................................................................... 14
7 DESPLIEGUE ........................................................................................................................................................... 15
8 CONCLUSIÓN GENERAL .................................................................................................................................. 16
Preparado por: Mauricio Figueroa Colarte

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
3 de 16
Clasificación:
Dirigido a:
Pares
1 INTRODUCCIÓN
La problemática se da en el ámbito de la mejora de resultados de la Librería Iztaccihuatl,
ubicada en la ciudad de Monterrey, Nuevo León, México. Actualmente la librería cuenta con un
alto prestigio por la calidad de material bibliográfico que ofrece a sus clientes y además un
servicio de atención de alto nivel. Sin embargo, los Ejecutivos de esta organización han
decidido desarrollar un proyecto basado en ciencia de datos para mejorar sus indicadores de
desempeño (KPI’s) y a la vez desarrollar una mejor estrategia en la toma de decisiones.
En base al contexto descrito anteriormente, el principal objetivo de este proyecto es analizar
fuentes de información externas e internas de la organización a través de herramientas
computacionales para generar un modelo basado en Ciencia de Datos como apoyo a la toma
de decisiones.
Las herramientas tecnológicas a aplicar serán capaces de procesar fuentes de información
estructuradas para realiza análisis descriptivo que permita determinar el estado actual y por otra
parte proponer un modelo predictivo implementado con Machine Learning, con apoyo en la
metodología CRISP-DM, para predecir anticipadamente si determinados libros podrían llegar a
estar dentro de los top 20, lo cual asegurará una mejor satisfacción a los clientes y más ventas.
2 COMPRENSIÓN DEL NEGOCIO
En esta sección se desarrolla la comprensión del negocio, que corresponderá a la primera etapa
de un primer ciclo de la metodología CRISP-DM (Cross Industry Standard Process for Data
Mining) para el desarrollo del proyecto de Ciencia de Datos aplicada al pronóstico de libros top
de ventas de la Librería Iztaccihuatl.
Como contexto de negocio, la librería Iztaccihuatl pertenece al conglomerado de librerías
EDIMSA con asiento principal en Monterrey, Estado Nuevo León, México. Tiene sucursales en
Nuevo León, Coahuila, Quintana Roo y Tamaulipas.

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
4 de 16
Clasificación:
Dirigido a:
Pares
Misión
Hoy, con de más de 57 años en el mercado literario, reafirmamos nuestro compromiso con la
comunidad de crear experiencias únicas, impulsando la lectura, la cultura y la educación a nivel
nacional.
Visión
Ser líderes en la distribución y comercialización de material bibliográfico a nivel nacional y ser
una referencia cultural y de lectura mediante la difusión y apoyos a editoriales, autores,
asociaciones y eventos; siempre pensando en nuestra responsabilidad social hacia la
comunidad.
Valores
• Integridad
• Ética
• Respeto
• Innovación
• Servicio al cliente
• Trabajo en equipo
En lo sucesivo cada sección de este documento corresponderá al desarrollo de cada una de las
etapas de la metodología (Entendimiento de los Datos, Preparación de los Datos, Modelado,
Evaluación y Despliegue).

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
5 de 16
Clasificación:
Dirigido a:
Pares
2.1 Situación Actual
Actualmente la Librería Iztaccihuatl cuenta con una serie de sistemas transaccionales que
permiten llevar a cabo su operación diaria, con los cuales, las diversas unidades del negocio
conviven, atienden y resuelven las peticiones que se generan de forma interna y externa.
Particularmente, existen datos que dan cuenta de los principales KPIs actuales y que requieren
ser mejorados con este proyecto
2.1.1 KPI Calidad de Libros Ofertados según Rating

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
6 de 16
Clasificación:
Dirigido a:
Pares
2.1.2 KPI porcentaje de libros top de mayor por clasificación
2.1.3 KPI cantidad de votos de clientes por libro

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
7 de 16
Clasificación:
Dirigido a:
Pares
2.2 Propuesta e hipótesis del proyecto
Dado los KPIs definidos, las estrategias a implementar para el logro de los objetivos y los datos
con los que se cuenta, se propone mejorar el desempeño de la librería con un modelo
predictivo supervisado, que permita pronosticar si un determinado libro dentro de los
prospectos a ofrecer, tiene posibilidad de estar dentro de los top 20 más vendidos con una
exactitud promedio de al menos un 90%. En sentido podremos definir una variable objetivo
dicotómica que determine “TOP 20” (clase positiva) y “No TOP 20” (clase negativa)
3 COMPRENSIÓN DE LOS DATOS
Los datos que proveen la información necesaria para efectuar este estudio, se puede clasificar
en 4 grupos:
1) Catastro de libros: Inventario de libros que se posee para la venta
2) Libros top: Libros rankeados dentro de lo top 20 más vendidos de acuerdo a una
clasificación general.
3) Votaciones de los libros: Libros más votados por los clientes dentro del sitio web de la
librería
4) Recomendaciones por cliente: Recomendaciones que cada cliente o usuario realiza en
el sitio web sobre libros para leer.
3.1 Acerca de la fuente de datos
La fuente de datos son archivos separados por comas según la siguiente descripción:
El archivo “books.csv” contiene los datos generales de cada libro existente en la librería y
además menciona el promedio de clasificación de cada libro de acuerdo a las votaciones y
compras del cliente. Su estructura es la siguiente:

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
8 de 16
Clasificación:
Dirigido a:
Pares
• Id - Identificador del registro
• Book Id - Identificador del libro
• Number Editions - Número de ediciones
• ISBN - Clave estándar internacional del libro
• ISBN13 - Clave estándar extendida internacional del libro
• Authors - Autor del libro
• Original Publication - Fecha de publicación
• Original Title - Título original del libro
• Title - Título del libro
• Language Code - Clave de idioma del libro
• Average Rating - Promedio de la clasificación del libro
• Image - Enlace a la imagen de la portada del libro
• Small Image - Enlace a la imagen en versión optimizada de la portada del libro.
El archivo “top_books.csv” contiene el top 20 de los libros más vendidos de acuerdo a una
clasificación general. Su estructura es la siguiente:
• Position - Posición del libro en la clasificación del libro
• ISBN - Clave estándar extendida internacional del libro
• Title - Título del libro
• Author - Autor del libro
• Imprint - Editorial
• Publisher Group - Grupo Editorial

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
9 de 16
Clasificación:
Dirigido a:
Pares
• Volume - Volumen de ventas hasta el 2010
• Value - Ventas determinadas por el volumen
• RRP - Precio recomendado para minoristas
• ASP - Precio promedio para venta
• Binding - Tipo de encuadernación
• Publ Date - Fecha de publicación
• Product Class - Clasificación del libro
• Classification - Clasificación General del libro
El archivo “ratings.csv” contiene los datos de los libros más votados por los clientes dentro del
sitio web de la librería. Su estructura es la siguiente:
• User Id - Identificador del cliente/usuario que clasifico un libro
• Rating - Nivel de clasificación del libro.
El archivo “to_read.csv” contiene las recomendaciones que cada cliente o usuario realiza en el
sitio web sobre libros para leer. Su estructura es la siguiente:
• User Id - Identificador del cliente/usuario que clasifico un libro

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
10 de 16
Clasificación:
Dirigido a:
Pares
3.2 Relacionamiento de los datos
Los archivos entregados se relacionan de la siguiente forma para un entendimiento más integral
de la data
3.3 Variable Objetivo
La variable de supervisión o clase objetivo para este proyecto de ciencia de datos será el
campo denominado TOP 20 que se identificará en la fuente de datos con sus valores posibles
“SI TOP 20” y “NO TOP 20”.

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
11 de 16
Clasificación:
Dirigido a:
Pares
4 PREPARACIÓN DE LOS DATOS
Como se vio en la sección anterior, al considerarse datos integrados y que serán la clave para
obtener buenos resultados del pronóstico, se debe realizar un proceso de limpieza y
estandarización de los datos a utilizar. Durante el depurado y limpieza de la base de datos se
espera poder gestionar los valores perdidos y/o nulos y manejar las inconsistencias presentes
y/o campos incompletos que pudieran presentarse
4.1 Corrección de errores en la base de datos
La primera tarea dentro del pre-procesamiento debería ser analizar los valores perdidos o nulos.
Gracias a un análisis exploratorio preliminar realizado en Python se pueden encontrar algunos
casos que se pueden abordar.
Para el archivo books.csv
Para el archivo top_books.csv

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
12 de 16
Clasificación:
Dirigido a:
Pares
4.2 Selección de campos
Una vez estandarizado los campos y los datos, se debería proceder con la eliminación de
aquellas variables que se consideran como no relevantes para el modelo a desarrollar,
generalmente una primera aproximación se puede lograr a través de un análisis de correlación:
Para el archivo books.csv

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
13 de 16
Clasificación:
Dirigido a:
Pares
Para el archivo top_books.csv
4.3 Transformación de datos
Junto con la reclasificación de datos presentada en las secciones anteriores, es importante que
las variables categóricas sean transformadas a datos numéricos aplicando técnicas como:
1) Diseñar variables binarias o “dummies” para cada categoría de respuesta de una variable
nominal.
2) De esta manera el “0” representa la inexistencia de la variable y el “1” la existencia de la
misma, con lo que la variable toma así un sentido numérico.
3) En consecuencia, cada variable nominal estará representada en la base datos por tantas
variables (campos o columnas) como categorías tenga (bins).
5 MODELADO
En esta etapa se seleccionan se propone el uso técnicas de Machine Learning sobre los datos,
el diseño de la evaluación, la construcción y evaluación del modelo a través de experimentos.
La idea central de estos experimentos es hacer competir modelos considerados a priori como
candidatos idóneos según el tipo de problema y luego evaluarlos para determinar cuál es el
mejor para confirmar la hipótesis y solucionar la problemática de predicción de los libros top.

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
14 de 16
Clasificación:
Dirigido a:
Pares
Según la investigación realizada respecto de los modelos planteados en el estado del arte, la
mayoría de estos, sus variaciones aplican algoritmos supervisados sobre datos textuales y, es
por eso que para la realización de los experimentos de evaluación se utilizarán los siguientes
modelos de aprendizaje automático: KNN (K-Nearest Neighbors), Decision Tree, SVM (Support
Vector Machine), Random Forest, Neural Network (Multi-Layer Perceptron), Naive Bayes, Logistic
Regression y AdaBoost (Adaptive Boosting).
6 EVALUACIÓN
La evaluación del rendimiento del modelo predictivo seleccionado, por lo que desde el
conjunto de algoritmos del estado del arte presentados anteriormente se hará una evaluación
entre ellos y se seleccionará el de mejor precisión, y una vez seleccionado el mejor algoritmo,
se realizará la sensibilización de parámetros de éste para ajustarlo al máximo posible.
La herramienta que se utilizará para la evaluación
será la matriz de confusión como se muestra en
la tabla, de la que se pueden obtener métricas
que se utilizan comúnmente para evaluar el
rendimiento de los modelos supervisados, como
son: la exactitud predictiva (1) y el error de
clasificación (2).
Tabla 1: Matriz de confusión
Clase Real
Clase
pronosticada
Top 20 No Top 20
Top 20 VP
(Verdaderos
Positivos)
FP
(Falsos
Positivos)
No Top 20 FN
(Falsos
Negativos)
VN
(Verdaderos
Negativos)
(1) Exactitud = (2) Error =
Otras métricas que son utilizadas y que permiten medir el rendimiento sobre cada una de las
clases de manera independiente son la precisión (3) y la sensibilidad o recall (4), las cuales se
definen a partir de la matriz de confusión de la siguiente forma:
(3) Precisión = (4) Sensibilidad (recall) =
La precisión (3) es una medida de la exactitud que determina, de los ejemplos clasificados como
positivos, cuántos son clasificados correctamente. La sensibilidad o recall (4), es una medida de la

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
15 de 16
Clasificación:
Dirigido a:
Pares
completitud o exactitud positiva que indica cuántos ejemplos de la clase positiva fueron
clasificados correctamente.
Para complementar los indicadores anteriores, se pueden
expresar los resultados gráficamente para cada uno de los
modelos generados en el espacio ROC (Receiver Operating
Characteristic), usando la sensibilidad (Tasa de Verdaderos
Positivos) y especificidad (Tasa de Falsos Positivos) promedio
como parte de las coordenadas de cada modelo según
muestra la siguiente figura, donde a mayor área bajo la
curva mejor el modelo.
7 DESPLIEGUE
En esta etapa el modelo deberá ponerse en producción una vez que los Ejecutivos tengan la
certeza de que les agregará valor con el grado de exactitud buscado. Posteriormente, se deberá
evaluar el impacto real en las ventas y los KPIs para determinar si es necesario mejorar el
modelo o complementarlo con otro y comenzar un nuevo proyecto de ciencia de datos.
Figura 2: Curva ROC

ciencias de datos
Fecha Creación
21-01-2021
Página N°:
16 de 16
Clasificación:
Dirigido a:
Pares
8 CONCLUSIÓN GENERAL
Según lo descrito en las secciones anterior, la librería Iztaccihuatl cuenta con datos apropiados
que servirán de insumo para lograr un modelo predictivo de libros top utilizando la
metodología CRISP-DM. Es altamente recomendable dedicar gran parte del tiempo del proyecto
a la preparación de los datos, ya que, se asegurará mejor calidad para alimentar a los modelos
matemáticos, y como consecuencia será más probable que obtengamos mejores métricas de
exactitud y precisión. Luego de seleccionar el modelo que mejores resultados nos entregue, por
ejemplo, Redes Neuronales Artificiales, antes de pasar a producción el modelo es altamente
recomendable instaurar un proceso de marcha blanca donde se hagan predicciones en
situaciones reales para validar en la realidad el modelo (scoring). En este sentido, es clave
determinar si las clases de predicción Top 20 y No Top 20 son determinadas por el modelo con
una alta precisión en forma independiente. Y finalmente, debemos recordar que el proceso de
CRISP-DM es iterativo, por lo que, toda aquella retroalimentación que tengamos en producción
deberá ser utilizada como insumo para mejorar continuamente el modelo.

Caso ciencia de datos libreria iztaccihuatl mauricio figueroa

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (14)

Similar a Caso ciencia de datos libreria iztaccihuatl mauricio figueroa

Similar a Caso ciencia de datos libreria iztaccihuatl mauricio figueroa (20)

Último

Último (20)

Caso ciencia de datos libreria iztaccihuatl mauricio figueroa