Show simple item record

dc.contributor.advisorSanchez, Pedro
dc.contributor.authorRincon, Nestor Fabio
dc.contributor.authorGonzalez, Daniela
dc.date.accessioned2021-08-27T21:56:32Z
dc.date.available2021-08-27T21:56:32Z
dc.date.issued2021-03-09
dc.identifier.urihttp://hdl.handle.net/10654/38562
dc.description.abstractEn el presente trabajo se hablará de la propuesta de un proceso probabilístico haciendo uso de la herramienta Amazon Web Services AML que permita identificar los clientes potenciales en la empresa Dell Technologies por medio de la información proveniente de Salesforce CRM de la compañía. Para ello, se describirá el proceso paso a paso de cómo se realizó el desarrollo del algoritmo incluyendo la teoría necesaria para entenderlo. Seguidamente, se llevarán a cabo actividades tales como la definición del estado actual del proceso de venta, el análisis para la selección de variables teniendo en cuenta factores como el crecimiento del mercado, la afectación del sector tecnológico a partir de la pandemia y los esfuerzos gubernamentales para fortalecer la infraestructura tecnológica del país, el montaje de datos en el algoritmo, resultados y análisis de históricos de venta de los clientes resultantes del algoritmo propuesto.spa
dc.description.tableofcontents1. PROBLEMA .................................................................................................................... 6 1.1. IDENTIFICACIÓN .......................................................................................................... 6 1.2. DESCRIPCIÓN .............................................................................................................. 11 1.3. PLANTEAMIENTO ...................................................................................................... 12 1.4. DELIMITACIÓN ........................................................................................................... 12 1.4.1. CONCEPTUAL ............................................................................................................. 12 1.4.2. GEOGRÁFICA .............................................................................................................. 13 2. OBJETIVOS................................................................................................................... 14 2.1. OBJETIVO GENERAL ................................................................................................. 14 2.2. OBJETIVOS ESPECÍFICOS ......................................................................................... 14 3. ANTECEDENTES ......................................................................................................... 14 3.1. INTERNOS .................................................................................................................... 14 3.2. EXTERNOS ................................................................................................................... 15 4. JUSTIFICACIÓN........................................................................................................... 16 5. MARCO REFERENCIAL ............................................................................................. 18 5.1. MARCO TEÓRICO ....................................................................................................... 18 5.2. MARCO CONCEPTUAL .............................................................................................. 21 6. METODOLOGÍA .......................................................................................................... 23 7. RESULTADOS ESPERADOS ...................................................................................... 25 8. RECURSOS ................................................................................................................... 25 9. CRONOGRAMA ........................................................................................................... 27 10. SELECCIÓN DE LA FUENTE DE INFORMACIÓN ................................................. 28 11. SITUACIÓN ACTUAL ................................................................................................. 32 3 Dell Customer Communication - Confidential 12. SELECCIÓN DE VARIABLES .................................................................................... 37 13. ARTICULACIÓN DE LA INFORMACIÓN EN LA HERRAMIENTA ..................... 39 14. ANÁLISIS DE LOS RESULTADOS ............................................................................ 47 15. CONCLUSIONES Y RECOMENDACIONES ............................................................. 55 16. BIBLIOGRAFÍA ............................................................................................................ 57spa
dc.format.mimetypeapplicaction/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleEjecutar un modelo de machine learning para identificar los clientes potenciales basados en un proceso probabilístico para la empresa dell technologiesspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2*
dc.subject.lembINTELIGENCIA ARTIFICIALspa
dc.subject.lembALGORITMOS (COMPUTADORES)spa
dc.type.localTesis/Trabajo de grado - Monografía - Pregradospa
dc.description.abstractenglishIn this paper, we will talk about the proposal of a probabilistic process using the Amazon Web Services AML tool that allows identifying potential customers in the Dell Technologies company through information from the company's Salesforce CRM. To do this, the step-by-step process of how the algorithm was developed will be described, including the necessary theory to understand it. Then they will carry out activities such as the definition of the current status of the sales process, the analysis for the selection of variables taking into account factors such as the growth of the market, the impact on the technology sector after the pandemic and government efforts to strengthen the technological infrastructure of the country, assembly algorithm data, results and analysis of historical customer sales resulting from the proposed algorithm.spa
dc.title.translatedRun a machine learning model to identify potential customers based on a probabilistic process for the company Dell Technologiesspa
dc.subject.keywordsMachine learningspa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsAlgorithmspa
dc.publisher.programIngeniería Industrialspa
dc.creator.degreenameIngeniero Industrialspa
dc.description.degreelevelPregradospa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 Internationalspa
dc.relation.referencesAlvarado, A. R. (JUN de 2019). Machine Learning para Todos. Puno, Perú. Obtenido de https://www.researchgate.net/publication/338518406_Machine_Learning_para_Todosspa
dc.relation.referencesAmazon Web Services, I. (2020). Amazon Machine Learning Guía del desarrollador.spa
dc.relation.referencesAnalysis, C. P. (9 de Octubre de 2020). Canalys . Obtenido de https://www.canalys.com/newsroom/canalys-pc-market-shipments-grow-a-stellar-13-in-q3-2020spa
dc.relation.referencesArmenta, M. H. (04 de ABRIL de 2020). FORBES . Obtenido de https://forbes.co/2020/04/17/tecnologia/que-han-aportado-las-firmas-tecnologicas-contra-la-pandemia-del-coronavirus/spa
dc.relation.referencesArrigui, O. J., & Sepúlveda, D. P. (2019). Aplicación de un Modelo de Machine Learning para identificar la probabilidad de compra de las. Pontificia Universidad Javeriana.spa
dc.relation.referencesBagnato, J. I. (23 de Nov de 2017). Aprende de machine learnign. Obtenido de Regresión Logística con Python paso a paso: https://www.aprendemachinelearning.com/spa
dc.relation.referencesBelda, C. F., & Urquía Grande, E. (2009). LOS MODELOS DE SIMULACIÓN: UNA HERRAMIENTA MULTIDISCIPLINAR DE INVESTIGACIÓN.spa
dc.relation.referencesBenítez, R., Escudero, G., Kanaan, S., & Rodó, D. (2014). Inteligencia artificial avanzada . Barcelona: Editorial UOC.spa
dc.relation.referencesBermúdez, C. A. (s.f.). Un sistema mediador para la integración de datos estructurados y semi-estructurados.spa
dc.relation.referencesCafaro, R. (2019). Machine Learning: Una Herramienta Estratégica para Negocios Inteligentes. REVISTA DE INGENIRÍA E INNOVACIÓN .spa
dc.relation.referencesCatellanos, Y. S., Sánchez, S. E., & Santana, A. M. (2014). Trabajo en casa y calidad de vida: Una aproximación conceptual. Bogotá: Universidad El Bosque.spa
dc.relation.referencesCertus. (21 de ABR de 2020). Administración de Sistemas para Transformación Digital . Obtenido de CERTUS: https://www.certus.edu.pe/blog/inteligencia-artificial-empresas/spa
dc.relation.referencesCoelho, F. F. (1 de JUN de 2020). Digital 55. Obtenido de Qué es Machine Learning: casos de éxito en empresas: https://www.digital55.com/innovacion/que-es-machine-learning-casos-exito-empresas/spa
dc.relation.referencesDinero. (Septiembre de 2020). Dinero . Obtenido de https://www.dinero.com/tecnologia/articulo/que-tanto-invertiran-las-empresas-en-tecnologia-tras-la-pandemia/303008spa
dc.relation.referencesFeldman, S. (10 de Mayo de 2019). Artificial Intelligence (AI) worldwide. Obtenido de Statista Content & Information Design: https://www.statista.com/chart/17966/worldwide-artificial-intelligence-funding/spa
dc.relation.referencesFernández, Y. O., Valenzuela, L. A., & Aburto, L. L. (2019). Inteligencia artificial y sus implicaciones en la educación superior. Lima.spa
dc.relation.referencesGonzález, A. (2019). Conceptos básicos de Machine Learning. Obtenido de https://cleverdata.io/conceptos-basicos-machine-learning/spa
dc.relation.referencesGamboa, H. A. (2014). INTELIGENCIA ARTIFICIAL: Pincipios y aplicaiones. Quito.spa
dc.relation.referencesGoogle. (2020). Google Maps. Obtenido de https://www.google.com/maps/place/Dell+Colombia+Inc./@4.6920036,-74.036205,17z/data=!3m1!4b1!4m5!3m4!1s0x8e3f9aa6e9f24daf:0xd73a20e638e9dbb4!8m2!3d4.6919983!4d-74.0340163?hl=esspa
dc.relation.referencesHERNANDEZ, F. (28 de MARZO de 2020). EL ESPECTADOR. Obtenido de https://www.elespectador.com/mtalks/la-transformacion-digital-un-reto-para-las-spa
dc.relation.referencesvspa
dc.relation.referencesInformador, E. (17 de Junio de 2020). MinTIC. Obtenido de https://www.mintic.gov.co/portal/inicio/Sala-de-Prensa/MinTIC-en-los-Medios/145416:TIC-con-calidad-para-afrontar-la-pandemiaspa
dc.relation.referencesITC, V. (s.f.). INTELIGENCIA ARTIFICIAL: PASADO, PRESNETE Y FUTURO. Obtenido de https://www.ucavila.es/images/files/GuiaAcademica/18-19/titPropios/IA/Informe_IA.pdfspa
dc.relation.referencesLara, L. H. (2004). LA REALIDAD AUMENTADA: UNA TECNOLOGÍA EN ESPERA DE USUARIOS. DGSCA-UNAM.spa
dc.relation.referencesMartínez, C. I. (28 de ABRIL de 2019). Portafolio. Obtenido de Machine learning y las ventajas para los negocios: https://www.portafolio.co/negocios/machine-learning-y-las-ventajas-para-los-528996spa
dc.relation.referencesMéndez, P. A. (Enero de 2020). Análisis del uso de algoritmos de Minería de Datos y Machine Learning para Marketing Digital. Obtenido de file:///C:/Users/daniela_gonzalez/Downloads/Analisis_del_uso_de_algoritmos_de_Mineri.pdfspa
dc.subject.proposalMachine learnignspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalAlgortimospa
dc.publisher.grantorUniversidad Militar Nueva Granadaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f*
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersionspa
dc.identifier.instnameinstname:Universidad Militar Nueva Granadaspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Militar Nueva Granadaspa
dc.identifier.repourlrepourl:https://repository.unimilitar.edu.cospa
dc.rights.localAcceso abiertospa
dc.coverage.sedeCalle 100spa


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

http://creativecommons.org/licenses/by-nc-nd/4.0/
Except where otherwise noted, this item's license is described as http://creativecommons.org/licenses/by-nc-nd/4.0/