Escuela Politécnica Superior de Linares

Transcripción

1 Escuela Politécnica Superior de Linares UNIVERSIDAD DE JAÉN Escuela Politécnica Superior de Linares MINERÍA DE DATOS E INTELIGENCIA DE NEGOCIO: UNA APLICACIÓN A LA ESTIMACIÓN DEL PRECIO DEL ACEITE DE OLIVA Alumno: Francisco Javier Montoro Salas Tutor: Prof. D. Pedro Nuñez-Cacho Utrilla Depto.: Organización de Empresas, Marketing y Sociología 1

2 ESCUELA POLITÉCNICA SUPERIOR DE LINARES DEPARTAMENTO DE ORGANIZACIÓN DE EMPRESAS, MARKETING y SOCIOLOGÍA D. Pedro Núñez-Cacho Utrilla, tutor del Proyecto Fin de Carrera titulado: Minería de datos e inteligencia de negocio: una aplicación a la estimación del precio del aceite de oliva que presenta D. Francisco Javier Montoro Salas, autoriza su presentación para defensa y evaluación en la Escuela Politécnica Superior de Linares. Linares, Junio 2016 El Alumno: El Tutor: Francisco Javier Montoro Salas D. Pedro Núñez-Cacho Utrilla 2

3 ÍNDICE CAPÍTULO 1: INTRODUCCIÓN Aproximación Objetivo Estructura... 8 CAPÍTULO 2: BUSINESS INTELLIGENCE Business Intelligence, qué es? Por qué elegir un programa de Business Intelligence? Beneficios del Business Intelligence Datos, información y conocimiento Arquitectura de Business Intelligence Cuadro de mando integral o dashboard Tipos de cuadro de mando y características Beneficios del cuadro de mando integral Datamart Data warehouse Evolución de Business Intelligence Data mining Qué tipos de datos pueden ser minados? Qué tipos de patrones pueden ser minados? CAPÍTULO 3: FACTORES INFLUYENTES EN EL PRECIO DEL ACEITE DE OLIVA CAPÍTULO 4: METODOLOGÍA Introducción Obtención de datos WEKA CAPÍTULO 5: RESULTADOS CAPÍTULO 6: CONCLUSIONES Conclusiones

4 6.2 Limitaciones y líneas de futuro REFERENCIAS Y BIBLIOGRAFÍA ÍNDICE DE FIGURAS Figura 2.1 Datos, información y conocimiento 11 Figura 2.2 Arquitectura de Business Intelligence.11 Figura 2.3 CMI Figura 2.4 Data Warehouse Figura 2.5 Data Mining 17 Figura 4.1 Gráfico evolución mensual Abril 2016 del precio de aceite...23 Figura 4.2 Interfaz Explorer de WEKA..25 Figura 4.3 Interfaz Knowledge Flow Figura 4.4 Interfaz Experimenter.27 Figura 4.5 Visión Explorer inicial Figura 5.1 Datos obtenidos con KStar en el primer caso. 30 Figura 5.2 Datos obtenidos con Tablas de decisión en el primer caso Figura 5.3 Datos obtenidos con Regresión por discretización en el primer caso 31 Figura 5.4 Modelo generado con regresión por discretización para el primer caso 31 Figura 5.5 Datos obtenidos con KStar en el segundo caso..32 Figura 5.6 Datos obtenidos con Tablas de decisión en el segundo caso..32 Figura 5.7 Datos obtenidos con Regresión por discretización en el segundo caso..33 Figura 5.8 Modelo generado con regresión por discretización en el segundo caso. 33 4

5 Figura 5.9 Interfaz en estado inicial 34 Figura 5.10 Interfaz con resultado...44 ÍNDICE DE TABLAS Tabla 4.1 Movimientos mensuales de aceite de oliva (en miles de toneladas) en la campaña 2011/12, a 29 de febrero.29 5

6 CAPÍTULO 1: INTRODUCCIÓN 1.1 Aproximación En los últimos 20 años el mundo, ha experimentado un gran avance en tecnología. Se ha pasado de los ordenadores más primitivos, por la Web y hasta poder tener acceso a Internet y mucha más información desde la mano con los smartphones. Estas facilidades de acceso a Internet y aplicaciones han propiciado que se genere una gran cantidad de información, que es lo que se conoce actualmente como Big Data. El término Big Data se define en 2012 y hace referencia a una cantidad de datos tal que supera la capacidad de software actual para capturarlos, administrarlos y procesarlos en un tiempo razonable [16]. Estos datos engloban a los datos que generan las personas como enviar un correo, transacciones, Web, o datos biométricos. Existen diversas herramientas para tratar estas cantidades de datos como Hadoop, NoSQL o Cassandra entre otros. Las herramientas que tratan con Big data se van centrar en tres tipos de datos [16]: Datos estructurados: datos que tienen bien definidos formato y longitud. Por ejemplo las bases de datos relacionales y hojas de cálculo. Datos no estructurados: datos que en su momento de tomarlos no tienen un formato específico, no se pueden almacenar dentro de una tabla. Por ejemplo archivos PDF. Datos semiestructurados: no contienen campos determinados, pero sí marcadores para separar los campos. No siguen una estructura regular como para ser tratados de forma habitual. Ejemplos de estos datos son los archivos HTML, JSON o XML. Los estudios proyectan que el Big Data va a tener una repercusión en el mercado de 48.6 billones de dólares de inversión anual para 2019 [17]. Actualmente y vistos los beneficios potenciales en una empresa, los esfuerzos en las áreas de Business Intelligence se centran en el Big Data: técnicas y herramientas para procesar los datos (cuando se habla de Big Data hablamos de él en términos de Petabytes y Hexabytes de datos). Se quiere obtener una información valiosa de ellos lo más rápido posible, y esto, con las técnicas tradicionales, no es posible. Las empresas que manejan tales cantidades de datos pueden utilizar tecnologías de Business Intelligence aplicadas al Big Data para evolucionar y obtener beneficios. Antes con los conjuntos de datos que manejaban, se tomaban decisiones a nivel operativo. Ahora 6

7 con un tratamiento adecuado, estas grandes cantidades de datos pueden resultar de vital importancia en las decisiones estratégicas de la empresa. Vistos los beneficios que supone la inserción de Business Intelligence en la empresa se abren nuevas líneas de investigación sobre metodologías y tecnologías en este campo. Mediante congresos como Business Intelligence Congress (BIC), que se celebran en Estados Unidos, las distintas universidades se ponen en contacto entre ellas y con las empresas para lograr avances en distintas áreas, como en el ámbito empresarial, realizar el análisis de datos en redes sociales; en el deportivo, obtener las estadísticas de un partido de fútbol profesional; o en temas de investigación como datos obtenidos de la gripe en el mundo. 1.2 Objetivo A pesar de toda la repercusión que tiene el Business Intelligence, este Trabajo de Fin de Grado se centra en un área poco estudiada como es el precio del aceite. Si bien el Business Intelligence se aplica para mejorar procesos de la empresa a todos los niveles, cabe resaltar que dentro de las empresas que se dedican al sector, rara vez emplean estas técnicas de inteligencia de negocio. Este Trabajo de Fin de Grado tiene como objetivo investigar los patrones que hay ocultos en las grandes colecciones de datos que manejan las empresas (Big Data); es lo que se conoce como Data Mining. Concretamente nos vamos a centrar en ver que patrones definen el comportamiento del precio del aceite para estimar una predicción. Una vez investigados los patrones se va a proceder a hacer una aplicación para visualizar la predicción en función de estos patrones. La predicción de estos valores del precio del aceite puede contribuir a la empresa a estimar más rápidamente qué balance financiero provisional va a tener en la campaña y así por ejemplo poder establecer un plan de gasto anticipado. También se puede estimar el precio en otras regiones geográficas para ver el comportamiento del mercado en otras regiones y analiza a la competencia no solo a nivel local, si no también global. Para la predicción de estos valores se ha escogido la herramienta de software WEKA, que está enfocada en la minería de datos. Es una herramienta innovadora en el sector y que permite trabajar con grandes cantidades de datos. 7

8 1.3 Estructura La estructura del trabajo se divide en un primera parte teórica en los capítulos 2 y 3 que incluye un marco teórico donde vamos a asentar las bases del Business Intelligence, beneficios que aporta, su arquitectura describiendo cada una de las partes que la componen de forma general y en particular del Data Mining. Tras esto, en el capítulo 3, vamos a estudiar qué factores son influyentes en el precio del aceite para poder obtener los datos que van a generar los patrones de precios. A continuación, en los capítulos 4 y 5 se incluye la parte más práctica del Trabajo de Fin de Grado. Procederemos mediante el programa WEKA 3.7, que es una herramienta de Data Mining, a obtener los patrones que buscamos en nuestra predicción basándonos en los datos obtenidos anteriormente. Para ello, tenemos que proporcionar al programa los datos en los que nos hemos basado para realizar el estudio y WEKA una vez los tenga y mediante un análisis adecuado obtendrá los patrones que buscamos. Una vez obtenidos estos patrones procederemos al desarrollo de nuestra aplicación que está basada en lenguaje JAVA. Tras esto analizaremos los resultados de los patrones que se han obtenido para ver si son acordes a las tendencias que sigue el mercado. Por último, en el capítulo 6 expondremos las conclusiones a las que hemos llegado, así como las limitaciones que hemos encontrado y las líneas de investigación futuras. 8

9 CAPÍTULO 2: BUSINESS INTELLIGENCE 2.1 Business Intelligence, qué es? A pesar de que en los últimos años se han dado grandes avances en el manejo de datos, la capacidad de extraer información de negocio valiosa de las grandes cantidades de datos siempre es deseable. Es lo que llama Business Intelligence (BI) que se puede definir como el conjunto de procesos, herramientas, y tecnologías usadas para extraer resultados de un conjunto de datos para cobrar una ventaja en la empresa/negocio [2]. También se conoce al BI como la habilidad para transformar los datos en información, y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones en los negocios [4]. Existe un valor oculto en las colecciones de datos. Históricamente estos datos se usaban únicamente para tomar decisiones en el ámbito operativo. Actualmente y con el análisis adecuado a estas colecciones de datos, sirven no solo para tomar decisiones a nivel operativo de la empresa, sino que también son muy útiles para las decisiones a nivel táctico y estratégico. 2.2 Por qué elegir un programa de Business Intelligence? Un programa de Business Intelligence, puede contribuir en la empresa en los siguientes puntos [2]: Valor financiero asociado al aumento de rentabilidad, que puede venir de una bajada en los costes o de un aumento de los beneficios que haya causado el programa. Productividad, por ejemplo disminuyendo el tiempo de los procesos extremo a extremo y/o incrementado la calidad de los productos. Confianza, tanto de empleados como de clientes. Riesgos como la exposición a endeudarse o confianza en el capital e inversión en activos. Usando un programa de BI no solo podríamos responder a preguntas como: Quiénes son nuestros 10 mejores clientes? Además tenemos una herramienta para cambiar la forma de hacer negocio y una gran ayuda a la hora de tomar decisiones críticas 9

10 en la empresa, siempre y cuando se hayan usado colecciones de datos con buena calidad que no conduzcan a conclusiones defectuosas y por tanto a decisiones erróneas en la empresa. 2.3 Beneficios del Business Intelligence Con la implantación de BI en nuestra empresa podemos conseguir los siguientes beneficios [7]: Con BI, las empresas pueden analizar cuáles son los clientes más rentables y las razones de la fidelidad a la empresa. Analizar el flujo de clics en una página Web para implementar estrategias de e- commerce. Descubrir actividades criminales de lavado de dinero. Detectar rápidamente problemas en productos que están en garantía para minimizar las deficiencias de diseño. Ajustar las tarifas de una forma más rentable para las primas de seguros. Determinar por qué los clientes abandonan la competencia y se convierten en clientes de nuestra empresa. Determinar qué productos y servicios van a comprar los consumidores y cuándo lo van a hacer. 2.4 Datos, información y conocimiento Cómo podemos diferenciar el conocimiento de los datos y de la información? Una forma de distinguirlos puede ser pensar que los datos se encuentran en el mundo, el conocimiento se encuentra en individuos de cualquier tipo y la información tendría un papel intermedio entre ambos [8]. Una aproximación se puede ver en la figura 2.1: 10

11 Figura 2.1. Datos, información y conocimiento. Fuente: [8] En la base de la pirámide se encuentran los datos que podemos definir como unidad semántica mínima y elementos primarios de información. Los datos por sí solos no nos dicen nada relevante sobre la toma de decisiones o sobre el porqué de las cosas. En el siguiente nivel se ubica la información, conjunto procesado de datos que tienen un significado, por tanto sirven de ayuda a la hora de tomar decisiones. Y por último el conocimiento que es una mezcla de experiencia, valores e información que sirve como marco para la incorporación de nuevas experiencias e información, y es útil para la acción. 2.5 Arquitectura de Business Intelligence Figura 2.2. Arquitectura de Business Intelligence. Fuente: [5] Si nos fijamos en la figura 2.2, la primera parte de la arquitectura consta de los datos, que pueden proveer de distintas fuentes tales como las bases de datos de los 11

12 departamentos de la empresa o de los vendedores externos. Estos datos pueden ser inconsistentes, estar en distintos formatos o presentar distintos niveles de calidad. Es por ello que a continuación intervienen las herramientas Extract-Transform-Load (ETL), que tienen la función de preparar los datos para realizar las tareas de BI. Una vez se ha hecho la preparación de los datos pasamos a la siguiente parte de la arquitectura: los Data Warehouse. Los datos que llegan preparados necesitan ser almacenados y es aquí donde entran en juego los servidores warehouse que son típicamente Relational DataBase Management Systems (RDBMS). Estos servidores warehouse se apoyan en unos servidores intermedios que proporcionan funcionalidades específicas para la práctica de BI. Por ejemplo los servidores de proceso analítico online (OLAP) proporcionan una vista multidimensional a los usuarios o aplicaciones y permite realizar operaciones de BI como el filtrado o agregación. El Data Mining consiste en profundizar más allá de la información que nos dan los servidores OLAP y permite establecer modelos predictivos para responder a preguntas como: " Qué clientes van a responder a mi campaña de catálogos por correo?". Existen diversas aplicaciones para que los usuarios finales realicen tareas de BI como hojas de cálculo, portales para realizar una búsqueda, cuadros de mando o dashboards. Todas estas herramientas permiten realizar consultas ad hoc, visualizar los modelos de data mining y entre otras funciones. 2.6 Cuadro de mando integral o dashboard El cuadro de mando integral (CMI) es una herramienta de control empresarial que permite establecer y monitorizar los objetivos de una empresa y sus diferentes áreas o unidades [9]. Es muy útil para medir la evolución de la actividad de una compañía y sus resultados desde un punto de vista estratégico y con una perspectiva general Tipos de cuadro de mando y características El Cuadro de Mando Operativo (CMO), es una herramienta de control centrada en seguir variables operativas, que pertenecen a distintas áreas de la empresa. Su periodicidad puede ser diaria, semanal o mensual y se centra en procesos. Tiene una implantación sencilla y rápida y debe estar ligado siempre a un sistema de soporte de decisiones (DSS). 12

13 El cuadro de mando integral (CMI) representa la estrategia global de una empresa desde el punto de vista de la Dirección General. Hay distintos subtipos de CMI aunque los más utilizados son los que usan la metodología de Kaplan & Norton. Como características propias de este subtipo se puede indicar que usan indicadores financieros y no financieros y que se organizan en 4 áreas o perspectivas como se puede apreciar en la figura 2.3: aprendizaje y conocimiento, procesos internos, cliente y financiera [6] [9]. La perspectiva de aprendizaje y conocimiento está enfocada en los recursos que importan en la creación de valor, las personas y la tecnología. Trata de resaltar la importancia que tiene el aprendizaje sobre la formación tradicional. Los roles más importantes en esta perspectiva los desempeñan los tutores y mentores de la compañía, así como la actitud y la comunicación fluida entre los empleados. En la perspectiva de procesos internos se recoge información acerca del grado en que las áreas del negocio se desarrollan correctamente. Dentro de esta perspectiva los indicadores más importantes de procesos son de innovación, calidad o productividad dada la influencia comercial y financiera que tienen. Siguiendo con la perspectiva del cliente, aquí se usa la satisfacción del cliente como indicador y se configura como un dato de gran relevancia. Va a tener repercusión en el posicionamiento de la compañía respecto de la competencia y en la percepción de la marca por parte de los consumidores. Por último la perspectiva financiera está centrada en el proceso de las empresas con ánimo de lucro, maximizar el beneficio de las inversiones realizadas. Se mide la capacidad de generar valor por parte de la empresa, maximizar beneficios y minimizar costes. 13

14 Figura 2.3. CMI. Fuente: [10] Beneficios del cuadro de mando integral Permite definir estrategias a corto, medio y largo plazo. Hace que la toma de decisiones sea más rápida. Permite que haya un consenso global en la empresa para la consecución de objetivos conjuntos, indicando el camino a seguir y cómo alcanzarlo. Detecta de forma automática desviaciones en el plan estratégico u operativo. 2.7 Datamart Un datamart es una herramienta del almacenamiento de información a nivel departamental. Al estar especializada en ese departamento, posee una estructura óptima de datos para analizar desde todas las perspectivas posibles los procesos de ese departamento en concreto. El datamart puede tomar los datos de un data warehouse o tomar los datos de distintas fuentes de información. 14

15 Para crear esta estructura óptima en el datamart se pueden usar OLAP u OLTP (On-Line Transtactional Processing): Datamart OLAP: se basan en los cubos OLAP, para cada departamento se construye un cubo con las dimensiones e indicadores necesarios. [11] Datamart OLTP: suelen ser extractos de un warehouse pero suelen implementar mejoras (operaciones de agregación y filtrado por ejemplo) particularizando estas mejoras en función del área de la empresa. 2.8 Data warehouse Un data warehouse es un almacén de datos que recopila información de una o más fuentes distintas, ya que puede abarcar varias áreas de la empresa, y que permite un manejo fluido de los datos para su análisis. La instalación de un data warehouse suele ser el primer paso que da la empresa cuando quiere implantar una solución BI. Un ejemplo de Data warehouse se muestra en la figura 2.4. Figura 2.4. Data Warehouse [12] Un data warehouse se caracteriza por ser: Integrado: los datos que se almacenan deben ser integrados en la estructura de forma consistente y las inconsistencias se deben eliminar. 15

16 Temático: los datos se organizan por temas para facilitar el acceso a los usuarios finales. Histórico: el almacenar datos históricos permite realizar un análisis de tendencia. De esta forma el data warehouse se carga con los valores que toma una variable en el tiempo para poder compararla. No volátil: en el data warehouse una actualización implica la inserción de nuevos datos sin borrar o modificar los datos anteriores, haciendo de esta manera que la información sea permanente. 2.9 Evolución de Business Intelligence El BI ha pasado por distintas etapas. La primera de ellas se denomina BI 1.0 en la cual las raíces de la inteligencia de negocio se encuentran en la administración de grandes bases de datos. Las tecnologías y aplicaciones que se usan actualmente en la industria pueden ser consideradas BI 1.0 donde los datos son estructurados y almacenados en RDBMS. Las técnicas para el análisis se basan en métodos estadísticos de la década 1970 y técnicas de data mining de la década 1980 [3]. La siguiente etapa, BI 2.0 surgió con la aparición de Internet y la Web. El mercado ofrecía nuevas colecciones de datos y oportunidades únicas. En esta etapa a los sistemas RDBMS tradicionales se añade información detallada mediante IP que se almacena mediante cookies. Esto supone una nueva forma de detectar las nuevas oportunidades de negocio y las necesidades de los clientes [3]. La etapa más reciente se le llama BI 3.0 y es una etapa emergente aún. Se basa en el creciente aumento de dispositivos móviles que el mercado está experimentando y experimentará próximamente. Mediante los nuevos dispositivos móviles se ha abierto otra forma de intercambio de datos mediante las aplicaciones que se descargan los usuarios en sus smartphones o los dispositivos con tecnologías RFID. Las técnicas para analizar y visualizar a larga escala los datos de dispositivos móviles y de sensores son todavía desconocidas [3]. 16

17 2.10 Data mining Normalmente se suele tomar como sinónimo de data mining otro término muy popular que es knowledge discovery from data (KDD), aunque otros ven en data mining un paso esencial en el proceso de conocimiento de los datos [1]. Este proceso de descubrimiento de conocimiento se muestra en la figura 2.5: Figura 2.5 Data Mining. Fuente: [1] 1. Limpieza de datos: para remover datos inconsistentes y ruido. 2. Integración de los datos: en esta etapa se combinan datos de múltiples fuentes. 3. Selección de los datos: se toman los datos que van a ser relevantes para el análisis requerido. 4. Transformación de los datos: los datos se formatean para poder realizar el análisis. Las operaciones de agregación y resumen son comunes en esta etapa. 17

18 5. Data Mining: en esta etapa se aplican los métodos para extraer los patrones que buscamos. 6. Evaluación de patrones: se identifican los patrones que realmente son útiles para el negocio. 7. Presentación del conocimiento: el conocimiento adquirido se presenta a los usuarios Qué tipos de datos pueden ser minados? El data mining puede ser aplicado a cualquier tipo de dato siempre que el dato resulte significativo en el objetivo que perseguimos. Así pues, los distintos tipos de datos que podemos minar son: Datos de Bases de Datos: colecciones de datos interrelacionadas. Data warehouses. Datos de transacciones: compras de un cliente, "clics" en una página web. Otros tipos de datos Qué tipos de patrones pueden ser minados? Existen distintos tipos de patrones que podemos obtener con data mining: Caracterización y discriminación, patrones comunes, clasificación y regresión, análisis de grupo y análisis de valores atípicos. En primer lugar tenemos la caracterización y discriminación. La caracterización es un resumen de las características generales de una clase de datos y la discriminación es una comparación de las características generales de una clase datos con las características generales de otra clase. Otro tipo son los patrones comunes en los datos. Se trata de buscar patrones que suelen ocurrir cuando se estudian los datos como por ejemplo, qué tienden a buscar los usuarios que por primera vez compran un portátil. En cuanto a la clasificación y regresión para análisis predictivo podemos decir que la clasificación es el concepto que hace que distingamos distintas clases de datos. La regresión permite predecir valores numéricos desconocidos en lugar de clases, como hace la clasificación. 18

19 El análisis de grupo consiste en la formación de grupos entre los datos sin consultar la que clase corresponden. Los grupos se forman maximizando parecidos y minimizando diferencias que tengan los datos entre ellos. Por último el análisis de valores atípicos: se centra en aplicar el estudio en los valores atípicos de las colecciones de datos. Este tipo de análisis se conoce también como anomaly mining (minería anómala). 19

20 CAPÍTULO 3: FACTORES INFLUYENTES EN EL PRECIO DEL ACEITE DE OLIVA Para determinar en función de qué datos vamos a obtener los patrones de comportamiento del precio del aceite, tenemos que saber qué factores son influyentes en el precio de éste. Entre estos factores podemos citar: Producción. Una producción escasa siempre va a acarrear una menor oferta del producto, y por tanto, una subida de su precio. Así por ejemplo en verano 2015 alcanzó máximos el precio de aceite de oliva virgen extra, rozando los 4 /litro, dada la producción escasa de la campaña anterior ( Toneladas, 1 millón menos que un año antes) [13]. La producción de aceituna genera unos costes muy elevados derivados de la recolección, la poda y tratamientos químicos [14]. Es por tanto el factor más influyente en el precio. Precipitaciones. Escasas precipitaciones suponen menor cosecha, lo que lleva a un menor precio. Sin embargo si las precipitaciones ocurren durante la última fase de crecimiento de la aceituna influyen muy positivamente en la producción. Nivel de polen [15]: un alto nivel de polen es indicador de una buena campaña, ya que simboliza que ha habido mucha floración de olivos. Importaciones: Un precio alto de aceite supone como ya hemos dicho, una menor oferta de él. Es por ello que las importaciones suben cuando el precio del aceite esta alto. Exportaciones: Al contrario que las importaciones cuando hay más oferta de producto que de demanda el precio baja y las exportaciones de este suben. Ajustes de precios por otras empresas [14]. La empresa se fijará en lo que haga la competencia y actuará de la misma forma con mayor o menor retraso. Si se ajustan los precios se llevan las siguientes acciones a cabo: o Los costes de ajuste impiden que se transmita el aumento de los costes. o La empresa, de forma individual, ajustará sus precios si espera que el resto de competidores lo hagan. o Si al final se lleva a cabo el ajuste, hay un cambio en el nivel de los precios. Información de mercado. Abarca dos dimensiones [14]: o Cantidad: cuanto mayor es la cantidad de información disponible sobre, por ejemplo, precios o comportamiento de compra, mejores estrategias y ajustes se podrán elaborar en relación a los precios. 20

21 o Calidad: cuanta más calidad tenga la información mejor se adecuarán las estrategias a la realidad del mercado. Variación estacional: los precios más bajos suelen encontrarse en el mes de abril, justo un mes después de la recolección, con los picos máximos de oferta y los más altos en los meses de septiembre y octubre, justo antes de empezar la recolección, con los picos mínimos de oferta. Existencias: ante una campaña mala, se puede hacer frente a la demanda sacando producto almacenado, evitando así que los precios se disparen. Precio de otros tipos de aceites: en función del tipo de aceite de oliva, lampante, virgen, o virgen extra vamos a obtener un precio directamente relacionado con los otros dos tipos. Cuando el mercado responde con subidas todos estos aceites suben y lo mismo ocurre cuando los precios bajan. En nuestro caso nos sería útil conocer el precio de un tipo de aceite que no estemos estudiando para acelerar la publicación de ese precio en base al publicado. Además de obtener los datos del precio del aceite de oliva virgen y virgen extra, hemos seleccionado 4 factores en función de su influencia sobre el precio del aceite y la disponibilidad de los datos. Estos factores han sido la producción, precipitaciones, exportaciones de aceite de oliva e importaciones de aceite de oliva, que son los que el observatorio de precios de agricultura de la Junta de Andalucía siempre referencia a la hora de referirse a ellos, por tanto podemos considerarlos los más destacados y disponibles. 21

22 CAPÍTULO 4: METODOLOGÍA 4.1 Introducción Para la realización de la predicción de precios vamos a usar la herramienta de Business Intelligence WEKA 3.7. Hemos considerado que es la más apropiada dado el potencial que tiene para tratar grandes cantidades de datos, los múltiples algoritmos de predicción, es una aplicación que usa data mining y permite hacer preprocesado de los datos con los que trabajamos. En cuanto a metodología en primer lugar, realizamos una búsqueda de los datos que nos iban a ser útiles en la web y le dimos el formato adecuado para que WEKA pudiera trabajar con ellos. Una vez introducidos los datos se preprocesan para eliminar datos o atributos que sean innecesarios. A continuación se procede a aplicar algunos métodos que ofrece WEKA para elaborar nuestra predicción. Por último una vez encontrado el mecanismo óptimo elaboramos nuestra aplicación que va a estimar el precio de aceite en función de unos datos introducidos por el usuario. 4.2 Obtención de datos Los datos usados como se ha comentado en el punto 3 han sido los de precio de aceite oliva virgen y virgen extra, producción, exportaciones, importaciones y precipitaciones. Los datos del precio se han obtenido a través del Sitio Web que es donde se encuentran los precios oficiales a nivel nacional actualizados día a día. En la figura 4.1 se muestra la evolución del precio en el mes de Abril de

23 Figura 4.1 Gráfico evolución mensual Abril 2016 de precio de aceite. Fuente: Para los demás datos hemos consultado el observatorio de precios de la junta de Andalucía que realiza informes de manera semanal de la evolución del mercado del aceite de oliva a nivel nacional. En la siguiente tabla se muestran datos del mercado de aceite de oliva a nivel nacional: Tabla 4.1. Movimientos mensuales de aceite de oliva (en miles de toneladas) en la campaña 2011/12, a 29 de febrero. Fuente: ion=list&ec=subsector&subsector=33&table=11030&codtipoestudio=3&page=10 Por último comentar que el periodo de los datos con los que vamos a trabajar comprende desde Enero de 2012 a Diciembre de 2015, 4 años. 23

24 4.3 WEKA En este capítulo vamos a realizar una breve descripción de la herramienta que hemos usado para la minería de datos WEKA. WEKA es un acrónimo que proviene de Waikato Environment for Knowledge Analysis, consiste en un entorno en cual podemos aplicar, analizar y evaluar las técnicas más importantes de análisis de datos, centrándose en las de aprendizaje automático, sobre unos datos que introduce el usuario. WEKA puede manejar 4 tipos principales de problemas: Clasificación: dada una serie de observaciones etiquetadas, predecir nuevas etiquetas para nuevas observaciones. Regresión: en este caso se usan valores numéricos en lugar de etiquetas. Selección de atributos: encontrar atributos en las observaciones que son importantes para la predicción. "Clusters": consiste en identificar grupos de observaciones similares, "clusters" o racimos. WEKA tiene 3 formas de acceso mediante interfaz gráfica: Explorer: la interfaz más popular para procesar conjuntos de datos. Su interfaz se compone de pestañas. 24

25 Figura 4.2. Interfaz Explorer de WEKA. Fuente: elaboración propia Knowledge flow: el usuario diseña y conecta herramientas que representan los componentes de WEKA. 25

26 Figura 4.3. Interfaz Knowledge Flow. Fuente: elaboración propia Experimenter: permite realizar una comparación a larga escala del rendimiento de los algoritmos de aprendizaje. 26

27 Figura 4.4. Interfaz Experimenter. Fuente: elaboración propia En nuestro caso vamos a trabajar con la interfaz "Explorer". Para que WEKA trabaje mejor con los datos almacenados, estos se van a convertir a formato ".arff". Es un formato creado por los desarrolladores de WEKA que no solo incluye los datos en bruto, también meta-información sobre ellos como el nombre y tipo. 27

28 Figura 4.5. Visión Explorer Inicial. Fuente: elaboración propia. En esta opción se puede realizar un preprocesado de los datos, filtrando datos o atributos innecesarios por ejemplo. En nuestro caso vamos a realizar dos predicciones: La primera va a estimar el precio sin conocer los datos, es decir se va a escoger un mes y para ese mes vamos a obtener un precio estimado en función de unos datos también estimados. En este caso vamos a tener que realizar preprocesado de datos para eliminar el precio de aceite oliva virgen para que no influya sobre la predicción, ya que este precio es desconocido. El segundo caso va a servir para agilizar la publicación del precio del aceite ya que una vez conocidos todos los datos del mercado, podemos obtener una estimación fiable de un tipo concreto al conocer el precio de otro. En este caso no necesitamos preprocesado ya que conocemos todos los datos. 28

29 Una vez realizado el procesado o no pasamos a la pestaña "Classify". En esta pestaña se encuentran los distintos algoritmos configurables para realizar la predicción, así como las opciones para realizar el test predictivo. Como ya hemos dicho vamos a estudiar dos casos. Para los dos casos hemos usado los algoritmos de regresión por discretización, KStar y tabla de decisión, ya que son apropiados a las características de los datos con los que trabajamos. Regresión por discretización: basado en regresión, emplea cualquier clasificador en una copia de los datos que tiene el atributo discretizado. El valor predictivo es el resultado del valor esperado para la media de cada intervalo discretizado (basado en probabilidades estimadas para cada intervalo). KStar: clasificador basado en instancias. La diferencia con los demás clasificadores de su tipo es que usa una función basada en la distancia de entropía. Tabla de decisión: los algoritmos basados en una tabla de decisión constan de una serie de reglas que permiten agrupar las instancias en una serie de clases, para cada una de las cuales se calcula de una forma el valor estimado de la instancia 29

30 CAPÍTULO 5: RESULTADOS primer caso: A continuación en este capítulo vamos a exponer los resultados obtenidos para el KStar Figura 5.1. Datos obtenidos con KStar en el primer caso. Fuente: elaboración propia Con las opciones de configuración por defecto y usando la opción "Training set", que evalúa el clasificador sobre el mismo conjunto sobre el que se construye el modelo, podemos observar en la figura 5.1 que la correlación es total y que el porcentaje de error es muy bajo. No obstante este algoritmo no nos proporciona una salida implementable en nuestra aplicación, pero sirve para comprobar que efectivamente existe dependencia entre los atributos estudiados. Tabla de decisión Figura 5.2. Datos obtenidos con Tablas de decisión en el primer caso. Fuente: elaboración propia Con las opciones de configuración por defecto y usando la opción "Training set" podemos observar en la figura 5.2 que obtenemos peores resultados que con "KStar". La correlación no es tan buena y el error medio rondaría 0.3 /kg. Regresión por discretización 30

31 Figura 5.3. Datos obtenidos con Regresión por discretización en el primer caso. Fuente: elaboración propia En este último caso, figura 5.3, obtenemos una correlación alta y un error medio de 0.2 /kg, cuando el precio medio del aceite suele rondar los 3 /kg, por tanto es un error bajo. Además nos proporciona el siguiente modelo implementable en nuestra aplicación, que podemos ver en la figura 5.4: Figura 5.4. Modelo generado con regresión por discretización para el primer caso. Fuente elaboración propia 31

32 Por tanto para el primer caso vamos a elegir la regresión por discretización como algoritmo a usar en nuestra aplicación, dado que ofrece mejores resultados que las tablas de decisión y ofrece una salida implementable a diferencia de KStar. Para el segundo caso obtenemos los siguientes resultados: KStar Figura 5.5. Datos obtenidos con KStar en el segundo caso. Fuente: elaboración propia Podemos ver en la figura 5.5 que la correlación es total y el error absoluto medio es igual a 0, pero seguimos teniendo el problema de que no nos proporciona una salida implementable. Tabla de decisión Figura 5.6. Datos obtenidos con Tablas de decisión en el segundo caso. Fuente: elaboración propia. Con este algoritmo según la figura 5.6 obtenemos resultados muy buenos, pero inferiores como vamos a ver a continuación a la regresión por discretización. 32

33 Regresión por discretización Figura 5.7. Datos obtenidos con Regresión por discretización en el segundo caso. Fuente: elaboración propia. Fijándonos en la figura 5.7 vemos que la correlación es prácticamente óptima y el error absoluto medio es muy bajo, tan sólo de 0.05 /kg de aceite. Con este algoritmo obtenemos la siguiente salida: Figura 5.8. Modelo generado con regresión por discretización para el segundo caso. Fuente elaboración propia 33

34 En la figura 5.8 podemos ver que el precio del aceite oliva virgen depende directamente del precio de aceite de oliva, es por ello que este caso se usa para poder agilizar la publicación del precio de un tipo de aceite una vez conocemos el otro. Estos resultados los vamos a implementar en nuestra aplicación. La aplicación va a estar desarrollada en lenguaje JAVA y con el entorno de trabajo NetBeans IDE Se va a componer de una interfaz de usuario con el aspecto de la figura 5.5: Figura 5.9. Interfaz en estado inicial. Fuente: elaboración propia Y cuyo código sería el siguiente: /* * To change this template, choose Tools Templates * and open the template in the editor. */ package prediccion; import java.awt.event.actionevent; import java.awt.event.actionlistener; import java.awt.event.keyadapter; 34

35 import java.awt.event.keyevent; import javax.swing.joptionpane; import javax.swing.jtextfield; import javax.swing.swingconstants; /** * javi */ public class Interfaz extends javax.swing.jframe implements ActionListener { String precip,exportacion,importacion,pr,precio; /** * Creates new form Interfaz */ public Interfaz() { initcomponents(); //Titulo de la interfaz this.settitle("estimación precio aceite"); //Borramos la lista por defecto del desplegable y añadimos los nuevos componentes tipo.removeallitems(); tipo.additem("oliva virgen"); tipo.additem("oliva virgen extra"); Calcular.addActionListener(this); //Los metodos keytyped controlan que no se introduzcan letras en los campos de relleno Precip.addKeyListener(new KeyAdapter() { public void keytyped(keyevent e) { char caracter = e.getkeychar(); ); { // Verificar si la tecla pulsada no es un digito if(((caracter < '0') (caracter > '9'))&& (caracter!= '\b' /*corresponde a BACK_SPACE*/)) { e.consume(); // ignorar el evento de teclado export.addkeylistener(new KeyAdapter() public void keytyped(keyevent e) { char caracter = e.getkeychar(); // Verificar si la tecla pulsada no es un digito if(((caracter < '0') (caracter > '9'))&& (caracter!= '\b' /*corresponde a BACK_SPACE*/) && (caracter!='.')) { e.consume(); // ignorar el evento de teclado ); impor.addkeylistener(new KeyAdapter() 35

36 { public void keytyped(keyevent e) { char caracter = e.getkeychar(); // Verificar si la tecla pulsada no es un digito if(((caracter < '0') (caracter > '9'))&& (caracter!= '\b' /*corresponde a BACK_SPACE*/) && (caracter!='.')) { e.consume(); // ignorar el evento de teclado ); prec.addkeylistener(new KeyAdapter() { public void keytyped(keyevent e) { char caracter = e.getkeychar(); // Verificar si la tecla pulsada no es un digito if(((caracter < '0') (caracter > '9'))&& (caracter!= '\b' /*corresponde a BACK_SPACE*/) && (caracter!='.')) { e.consume(); // ignorar el evento de teclado ); { prod.addkeylistener(new KeyAdapter() public void keytyped(keyevent e) { char caracter = e.getkeychar(); // Verificar si la tecla pulsada no es un digito if(((caracter < '0') (caracter > '9'))&& (caracter!= '\b' /*corresponde a BACK_SPACE*/) && (caracter!='.')) { e.consume(); // ignorar el evento de teclado ); /** * This method is called from within the constructor to initialize the form. * WARNING: Do NOT modify this code. The content of this method is always * regenerated by the Form Editor. */ 36

37 @SuppressWarnings("unchecked") // <editor-fold defaultstate="collapsed" desc="generated Code"> private void initcomponents() { tipo = new javax.swing.jcombobox(); jlabel1 = new javax.swing.jlabel(); jlabel2 = new javax.swing.jlabel(); Precip = new javax.swing.jtextfield(); jlabel3 = new javax.swing.jlabel(); export = new javax.swing.jtextfield(); jlabel4 = new javax.swing.jlabel(); impor = new javax.swing.jtextfield(); jlabel5 = new javax.swing.jlabel(); prod = new javax.swing.jtextfield(); jlabel6 = new javax.swing.jlabel(); Calcular = new javax.swing.jbutton(); result = new javax.swing.jtextfield(); jlabel7 = new javax.swing.jlabel(); prec = new javax.swing.jtextfield(); setdefaultcloseoperation(javax.swing.windowconstants.exit_on_close); tipo.setmodel(new javax.swing.defaultcomboboxmodel(new String[] { "Item 1", "Item 2", "Item 3", "Item 4" )); jlabel1.sethorizontalalignment(javax.swing.swingconstants.center); jlabel1.settext("indica el tipo de aceite al que quieres estimar precio"); jlabel2.sethorizontalalignment(javax.swing.swingconstants.center); jlabel2.settext("cantidad de precipitaciones en el mes en L/m2"); jlabel2.sethorizontaltextposition(javax.swing.swingconstants.center); Precip.setHorizontalAlignment(javax.swing.JTextField.CENTER); Precip.addPropertyChangeListener(new java.beans.propertychangelistener() { public void propertychange(java.beans.propertychangeevent evt) { PrecipPropertyChange(evt); ); jlabel3.sethorizontalalignment(javax.swing.swingconstants.center); jlabel3.settext("cantidad de exportaciones en el mes en miles de toneladas"); export.sethorizontalalignment(javax.swing.jtextfield.center); export.addactionlistener(new java.awt.event.actionlistener() { public void actionperformed(java.awt.event.actionevent evt) { exportactionperformed(evt); ); export.addpropertychangelistener(new java.beans.propertychangelistener() { public void propertychange(java.beans.propertychangeevent evt) { 37

38 ); exportpropertychange(evt); jlabel4.sethorizontalalignment(javax.swing.swingconstants.center); jlabel4.settext("cantidad de importaciones en el mes en miles de toneladas"); impor.sethorizontalalignment(javax.swing.jtextfield.center); jlabel5.sethorizontalalignment(javax.swing.swingconstants.center); jlabel5.settext("cantidad producida en el mes en miles de toneladas"); prod.sethorizontalalignment(javax.swing.jtextfield.center); prod.addactionlistener(new java.awt.event.actionlistener() { public void actionperformed(java.awt.event.actionevent evt) { prodactionperformed(evt); ); jlabel6.sethorizontalalignment(javax.swing.swingconstants.center); jlabel6.settext("precio aceite oliva virgen"); jlabel6.sethorizontaltextposition(javax.swing.swingconstants.center); Calcular.setText("Calcular"); Calcular.addActionListener(new java.awt.event.actionlistener() { public void actionperformed(java.awt.event.actionevent evt) { CalcularActionPerformed(evt); ); result.seteditable(false); jlabel7.settext("resultado"); prec.sethorizontalalignment(javax.swing.jtextfield.center); prec.addactionlistener(new java.awt.event.actionlistener() { public void actionperformed(java.awt.event.actionevent evt) { precactionperformed(evt); ); javax.swing.grouplayout layout = new javax.swing.grouplayout(getcontentpane()); getcontentpane().setlayout(layout); layout.sethorizontalgroup( layout.createparallelgroup(javax.swing.grouplayout.alignment.leading).addgroup(layout.createsequentialgroup().addgroup(layout.createparallelgroup(javax.swing.grouplayout.alignment.tr AILING).addGroup(javax.swing.GroupLayout.Alignment.LEADING, layout.createsequentialgroup().addgap(177, 177, 177).addComponent(jLabel7) 38

39 .addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(result)).addgroup(javax.swing.grouplayout.alignment.leading, layout.createsequentialgroup().addgroup(layout.createparallelgroup(javax.swing.grouplayout.alignment.le ADING).addGroup(layout.createSequentialGroup().addGap(188, 188, 188).addComponent(Precip, javax.swing.grouplayout.preferred_size, 35, javax.swing.grouplayout.preferred_size)).addgroup(layout.createsequentialgroup().addgap(188, 188, 188).addComponent(export, javax.swing.grouplayout.preferred_size, 35, javax.swing.grouplayout.preferred_size)).addgroup(layout.createsequentialgroup().addgap(187, 187, 187).addComponent(impor, javax.swing.grouplayout.preferred_size, 35, javax.swing.grouplayout.preferred_size))).addgap(0, 0, Short.MAX_VALUE)).addGroup(layout.createSequentialGroup().addGap(190, 190, 190).addComponent(prec, javax.swing.grouplayout.preferred_size, 35, javax.swing.grouplayout.preferred_size).addpreferredgap(javax.swing.layoutstyle.componentplacement.related, javax.swing.grouplayout.default_size, Short.MAX_VALUE).addComponent(Calcular).addGap(18, 18, 18))).addContainerGap()).addGroup(layout.createSequentialGroup().addGroup(layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LE ADING).addGroup(layout.createSequentialGroup().addGap(65, 65, 65).addGroup(layout.createParallelGroup(javax.swing.GroupLayout.Alignment.LE ADING).addComponent(jLabel5, javax.swing.grouplayout.preferred_size, 283, javax.swing.grouplayout.preferred_size).addgroup(layout.createparallelgroup(javax.swing.grouplayout.alignment.le ADING, false).addcomponent(tipo, 0, javax.swing.grouplayout.default_size, Short.MAX_VALUE).addComponent(jLabel1, javax.swing.grouplayout.default_size, javax.swing.grouplayout.default_size, Short.MAX_VALUE).addComponent(jLabel2, javax.swing.grouplayout.default_size, javax.swing.grouplayout.default_size, Short.MAX_VALUE).addComponent(jLabel3, javax.swing.grouplayout.alignment.trailing, 39

40 javax.swing.grouplayout.default_size, javax.swing.grouplayout.default_size, Short.MAX_VALUE).addComponent(jLabel4, javax.swing.grouplayout.default_size, javax.swing.grouplayout.default_size, Short.MAX_VALUE)).addComponent(jLabel6, javax.swing.grouplayout.preferred_size, 283, javax.swing.grouplayout.preferred_size))).addgroup(layout.createsequentialgroup().addgap(188, 188, 188).addComponent(prod, javax.swing.grouplayout.preferred_size, 35, javax.swing.grouplayout.preferred_size))).addgap(0, 74, Short.MAX_VALUE)) ); layout.setverticalgroup( layout.createparallelgroup(javax.swing.grouplayout.alignment.leading).addgroup(layout.createsequentialgroup().addcontainergap().addcomponent(jlabel1).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(tipo, javax.swing.grouplayout.preferred_size, javax.swing.grouplayout.default_size, javax.swing.grouplayout.preferred_size).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(jlabel2).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(precip, javax.swing.grouplayout.preferred_size, javax.swing.grouplayout.default_size, javax.swing.grouplayout.preferred_size).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(jlabel3).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(export, javax.swing.grouplayout.preferred_size, javax.swing.grouplayout.default_size, javax.swing.grouplayout.preferred_size).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(jlabel4).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(impor, javax.swing.grouplayout.preferred_size, javax.swing.grouplayout.default_size, javax.swing.grouplayout.preferred_size).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(jlabel5).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(prod, javax.swing.grouplayout.preferred_size, 40

41 javax.swing.grouplayout.default_size, javax.swing.grouplayout.preferred_size).addpreferredgap(javax.swing.layoutstyle.componentplacement.unrelated).addcomponent(jlabel6).addpreferredgap(javax.swing.layoutstyle.componentplacement.related).addgroup(layout.createparallelgroup(javax.swing.grouplayout.alignment.ba SELINE).addComponent(Calcular).addComponent(prec, javax.swing.grouplayout.preferred_size, javax.swing.grouplayout.default_size, javax.swing.grouplayout.preferred_size)).addpreferredgap(javax.swing.layoutstyle.componentplacement.related, 25, Short.MAX_VALUE).addGroup(layout.createParallelGroup(javax.swing.GroupLayout.Alignment.BA SELINE).addComponent(result, javax.swing.grouplayout.preferred_size, javax.swing.grouplayout.default_size, javax.swing.grouplayout.preferred_size).addcomponent(jlabel7))) ); pack(); // </editor-fold> private void exportactionperformed(java.awt.event.actionevent evt) { // TODO add your handling code here: private void prodactionperformed(java.awt.event.actionevent evt) { // TODO add your handling code here: prod.sethorizontalalignment(jtextfield.center); { { { private void PrecipPropertyChange(java.beans.PropertyChangeEvent evt) // TODO add your handling code here: Precip.setHorizontalAlignment(SwingConstants.CENTER); private void exportpropertychange(java.beans.propertychangeevent evt) // TODO add your handling code here: export.sethorizontalalignment(swingconstants.center); private void CalcularActionPerformed(java.awt.event.ActionEvent evt) // TODO add your handling code here: private void precactionperformed(java.awt.event.actionevent evt) { // TODO add your handling code here: 41

42 /** args the command line arguments */ public static void main(string args[]) { /* Set the Nimbus look and feel */ //<editor-fold defaultstate="collapsed" desc=" Look and feel setting code (optional) "> /* If Nimbus (introduced in Java SE 6) is not available, stay with the default look and feel. * For details see */ try { for (javax.swing.uimanager.lookandfeelinfo info : javax.swing.uimanager.getinstalledlookandfeels()) { if ("Nimbus".equals(info.getName())) { javax.swing.uimanager.setlookandfeel(info.getclassname()); break; catch (ClassNotFoundException ex) { java.util.logging.logger.getlogger(interfaz.class.getname()).log(java.uti l.logging.level.severe, null, ex); catch (InstantiationException ex) { java.util.logging.logger.getlogger(interfaz.class.getname()).log(java.uti l.logging.level.severe, null, ex); catch (IllegalAccessException ex) { java.util.logging.logger.getlogger(interfaz.class.getname()).log(java.uti l.logging.level.severe, null, ex); catch (javax.swing.unsupportedlookandfeelexception ex) { java.util.logging.logger.getlogger(interfaz.class.getname()).log(java.uti l.logging.level.severe, null, ex); //</editor-fold> /* Create and display the form */ java.awt.eventqueue.invokelater(new Runnable() { public void run() { new Interfaz().setVisible(true); ); // Variables declaration - do not modify private javax.swing.jbutton Calcular; private javax.swing.jtextfield Precip; private javax.swing.jtextfield export; private javax.swing.jtextfield impor; private javax.swing.jlabel jlabel1; private javax.swing.jlabel jlabel2; private javax.swing.jlabel jlabel3; private javax.swing.jlabel jlabel4; private javax.swing.jlabel jlabel5; private javax.swing.jlabel jlabel6; private javax.swing.jlabel jlabel7; private javax.swing.jtextfield prec; private javax.swing.jtextfield prod; 42

43 private javax.swing.jtextfield result; private javax.swing.jcombobox tipo; // End of variables //Este método actúa cuando se pulsa el botón "Calcular" public void actionperformed(actionevent e) { //Caso en el que algún/os campos esten vacios if(precip.gettext().isempty() export.gettext().isempty() impor.gettext( ).isempty() prod.gettext().isempty() prec.gettext().isempty()){ //Mostramos un aviso para que el usuario rellene todos los campos JOptionPane.showMessageDialog(null, "Rellena todos los campos"); //Caso en el que todos los campos están rellenos else{ //Almacenamos los datos introducidos por el usuario precip=precip.gettext(); exportacion=export.gettext(); importacion=impor.gettext(); pr=prod.gettext(); precio=prec.gettext(); String selec=(string)tipo.getselecteditem(); Funciones f= new Funciones(); //Conversion de valores introducidos a int o float int preci=integer.parseint(precip); float ex=float.parsefloat(exportacion); float im=float.parsefloat(importacion); float p=float.parsefloat(pr); float pre=float.parsefloat(precio); texto texto //Caso en el que el tipo seleccionado es el Oliva virgen extra if ("Oliva virgen extra".equals(selec)){ //Llamada a la función "WEKA2" que devuelve una cadena de String resultado=f.weka2(ex,pre,p); //Se expone el resultado en el campo de texto "result" result.settext(resultado); //Caso en el que el tipo seleccionado es el Oliva virgen else{ //Llamada a la función "WEKA2" que devuelve una cadena de String resultado=f.weka(preci,ex,im,p); //Se expone el resultado en el campo de texto "result" result.settext(resultado); 43

44 En ella el usuario introduce los datos y pulsa el botón calcular que mediante las funciones de predicción elegidas en el punto 4 van a estimar un precio en función del tipo de aceite como se muestra en la figura 5.6. Figura Interfaz con resultado. Fuente: elaboración propia Las funciones se encuentran en otro archivo cuyo código es el siguiente: /* * To change this template, choose Tools Templates * and open the template in the editor. */ package prediccion; /** * javi */ public class Funciones { 44