Mostrar el registro sencillo del ítem

Ejecutar un modelo de machine learning para identificar los clientes potenciales basados en un proceso probabilístico para la empresa dell technologies

Run a machine learning model to identify potential customers based on a probabilistic process for the company Dell Technologies

dc.contributorSanchez, Pedro
dc.creatorRincon, Nestor Fabio
dc.creatorGonzalez, Daniela
dc.date2021-08-27T21:56:32Z
dc.date2021-08-27T21:56:32Z
dc.date2021-03-09
dc.date.accessioned2026-03-25T19:40:42Z
dc.date.available2026-03-25T19:40:42Z
dc.identifierhttps://hdl.handle.net/10654/38562
dc.identifierinstname:Universidad Militar Nueva Granada
dc.identifierreponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifierrepourl:https://repository.umng.edu.co
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/202340
dc.descriptionEn 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.
dc.descriptionIn 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.
dc.description1. 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 ............................................................................................................ 57
dc.descriptionPregrado
dc.formatapplicaction/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherIngeniería Industrial
dc.publisherFacultad de Ingeniería
dc.publisherUniversidad Militar Nueva Granada
dc.relationAlvarado, A. R. (JUN de 2019). Machine Learning para Todos. Puno, Perú. Obtenido de https://www.researchgate.net/publication/338518406_Machine_Learning_para_Todos
dc.relationAmazon Web Services, I. (2020). Amazon Machine Learning Guía del desarrollador.
dc.relationAnalysis, C. P. (9 de Octubre de 2020). Canalys . Obtenido de https://www.canalys.com/newsroom/canalys-pc-market-shipments-grow-a-stellar-13-in-q3-2020
dc.relationArmenta, 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/
dc.relationArrigui, O. J., & Sepúlveda, D. P. (2019). Aplicación de un Modelo de Machine Learning para identificar la probabilidad de compra de las. Pontificia Universidad Javeriana.
dc.relationBagnato, J. I. (23 de Nov de 2017). Aprende de machine learnign. Obtenido de Regresión Logística con Python paso a paso: https://www.aprendemachinelearning.com/
dc.relationBelda, C. F., & Urquía Grande, E. (2009). LOS MODELOS DE SIMULACIÓN: UNA HERRAMIENTA MULTIDISCIPLINAR DE INVESTIGACIÓN.
dc.relationBenítez, R., Escudero, G., Kanaan, S., & Rodó, D. (2014). Inteligencia artificial avanzada . Barcelona: Editorial UOC.
dc.relationBermúdez, C. A. (s.f.). Un sistema mediador para la integración de datos estructurados y semi-estructurados.
dc.relationCafaro, R. (2019). Machine Learning: Una Herramienta Estratégica para Negocios Inteligentes. REVISTA DE INGENIRÍA E INNOVACIÓN .
dc.relationCatellanos, Y. S., Sánchez, S. E., & Santana, A. M. (2014). Trabajo en casa y calidad de vida: Una aproximación conceptual. Bogotá: Universidad El Bosque.
dc.relationCertus. (21 de ABR de 2020). Administración de Sistemas para Transformación Digital . Obtenido de CERTUS: https://www.certus.edu.pe/blog/inteligencia-artificial-empresas/
dc.relationCoelho, 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/
dc.relationDinero. (Septiembre de 2020). Dinero . Obtenido de https://www.dinero.com/tecnologia/articulo/que-tanto-invertiran-las-empresas-en-tecnologia-tras-la-pandemia/303008
dc.relationFeldman, 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/
dc.relationFernández, Y. O., Valenzuela, L. A., & Aburto, L. L. (2019). Inteligencia artificial y sus implicaciones en la educación superior. Lima.
dc.relationGonzález, A. (2019). Conceptos básicos de Machine Learning. Obtenido de https://cleverdata.io/conceptos-basicos-machine-learning/
dc.relationGamboa, H. A. (2014). INTELIGENCIA ARTIFICIAL: Pincipios y aplicaiones. Quito.
dc.relationGoogle. (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=es
dc.relationHERNANDEZ, F. (28 de MARZO de 2020). EL ESPECTADOR. Obtenido de https://www.elespectador.com/mtalks/la-transformacion-digital-un-reto-para-las-
dc.relationv
dc.relationInformador, 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-pandemia
dc.relationITC, V. (s.f.). INTELIGENCIA ARTIFICIAL: PASADO, PRESNETE Y FUTURO. Obtenido de https://www.ucavila.es/images/files/GuiaAcademica/18-19/titPropios/IA/Informe_IA.pdf
dc.relationLara, L. H. (2004). LA REALIDAD AUMENTADA: UNA TECNOLOGÍA EN ESPERA DE USUARIOS. DGSCA-UNAM.
dc.relationMartínez, 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-528996
dc.relationMéndez, 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.pdf
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International
dc.rightsAcceso abierto
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.subjectINTELIGENCIA ARTIFICIAL
dc.subjectALGORITMOS (COMPUTADORES)
dc.subjectMachine learnign
dc.subjectInteligencia artificial
dc.subjectAlgortimo
dc.subjectMachine learning
dc.subjectArtificial intelligence
dc.subjectAlgorithm
dc.titleEjecutar un modelo de machine learning para identificar los clientes potenciales basados en un proceso probabilístico para la empresa dell technologies
dc.titleRun a machine learning model to identify potential customers based on a probabilistic process for the company Dell Technologies
dc.typeTesis/Trabajo de grado - Monografía - Pregrado
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typehttp://purl.org/coar/resource_type/c_7a1f
dc.typeinfo:eu-repo/semantics/acceptedVersion
dc.coverageCalle 100


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem