Modelo de Hábitos de Compra de Clientes en el Sector Mayorista Deportivo
|
|
- Aarón Fidalgo Sevilla
- hace 5 años
- Vistas:
Transcripción
1
2 Modelo de Hábitos de Compra de Clientes en el Sector Mayorista Deportivo Miguel Ángel García Sánchez Científico de Datos
3
4 Introducción PYMES No se benefician de las ventajas de la IA Ciencia de Datos puede ayudar en la toma de decisiones Ciencia de Datos y Aprendizaje Automático Big Data
5 Introducción PYME gallega Dedicada a la distribución mayorista de material deportivo Gestión centralizada en un ERP SAP Business One hasta agosto de 2017 Odoo a partir de agosto de 2017 Clientes nacionales e internacionales Miles de referencias de productos
6
7 El Problema Necesidad de conocer cuándo los clientes cambian sus hábitos de compra Objetivo empresarial Realizar acciones comerciales para evitar la pérdida de clientes Mantener clientes fieles en cada línea de producto
8 El Problema Retos Combinaciones Cliente / Producto clientes activos productos Casi 100 millones de combinaciones! Clasificación de Productos Sólo criterios internos No existen grupos por tipología o características Productos con tallas / colores Creados agrupados y sin agrupar Productos de temporada Muy abundantes (camisetas, zapatillas )
9 El Problema Ciclo metodológico tradicional Ej: CRISP-DM Preparación de Datos Modelado Evaluación Despliegue El modelo evalúa la realidad Preparación de Datos Modelado Despliegue y Evaluación
10
11 Los Datos Extracción Transformación Carga Orígenes de Datos SQL Server Tablas de SAP Business One Pedidos de clientes Cabeceras Líneas Maestro de artículos Maestro de marcas Tablas y campos utilizados
12 Los Datos Problemas iniciales Diferentes códigos para el mismo producto en distintas tallas ALETA CORTA TALLA 33/ ALETA CORTA TALLA 35/ ALETA CORTA TALLA 37/ ALETA CORTA TALLA 39/ ALETA CORTA TALLA 41/ ALETA CORTA TALLA 43/ ALETA CORTA TALLA 45/46 Descripciones Productos con colores o medidas irrelevantes BOLSA ZAPATILLERO MEDIANA MINITEAM COLOR MARINO/REAL VIVO BLANCO SOFTEE Textos en mayúsculas Faltas de ortografía BALON FUTBOL TEJIDO GIGANTE 40 CM-DESCATALOGADOOOO- JUEGO POSTES VOLEÍBOL FIJOS DE ALUMINIO SECCION CUADRADA 80 X 80MM
13
14 Transformación de Datos Objetivo Agrupar productos similares Herramientas Limpieza Eliminar términos innecesarios en las descripciones Eliminar las marcas de la descripción (si es posible) Técnicas de Procesamiento de Lenguaje Natural (PLN) Corrección ortográfica en base a corpus (CREA) Descartado (baja calidad de los servicios de la RAE) Análisis léxico Obtención de los lemas de los términos
15 Transformación de Datos LinguaKit Herramienta utilizada como lematizador Modelo de Espacio Vectorial (MEV) Similar al utilizado en clasificación de documentos Asociación entre términos Futbol Sala Balon
16 Transformación de Datos Mitad de los productos Agrupados en función de su primera palabra La otra mitad Usando clustering Método del codo Coef. Silhouette por nº de clusters
17 Transformación de Datos Primeras palabras más frecuentes 50% del total de frecuencia
18
19 Análisis Exploratorio Evolución del volumen de ventas Unidades por cliente (top 5) y mes Unidades por grupo producto (top 5) y mes
20 Análisis Exploratorio Evolución del volumen de ventas Combinación de 10 clientes y 10 grupos de productos 100 modelos (ampliable)
21 Análisis Exploratorio Evolución del volumen de ventas Ejemplos
22
23 Modelo de Regresión Lineal de Mínimos Cuadrados Gráficas de tres modelos de ejemplo (entr.)
24 Modelo de Regresión Lineal de Mínimos Cuadrados R 2 en cada modelo Máximo valor 0,264 VALORES DE R 2 PARA LOS MODELOS DE REGRESIÓN LINEAL C00394 C00416 C00449 C00859 C00914 C00994 C02541 C02975 C06584 C00635 agu-ban-par 0,122 0,059 0,007 0,038 0,058 0,131 0,102 0,074 0,005 NaN balon 0,161 0,072 0,001 NaN 0,023 0,000 0,103 0,037 0,004 0,029 camiseta 0,067 0,000 0,001 0,019 0,001 NaN 0,006 0,042 0,007 NaN fut-neg-uni 0,100 0,056 0,001 NaN 0,091 0,003 0,064 0,000 0,006 0,041 gorro 0,002 0,074 0,021 0,064 0,010 0,005 0,012 0,067 0,053 NaN pad-pal-neg 0,058 0,031 0,058 NaN 0,019 0,019 0,001 0,004 0,015 NaN pelota 0,142 0,118 0,090 NaN 0,014 0,264 0,147 0,001 0,010 0,030 pos-aro-tab 0,185 0,047 0,015 0,012 0,098 0,248 0,122 0,078 0,001 0,084 sudadera 0,037 NaN 0,012 0,029 0,008 NaN NaN 0,104 0,048 NaN zapatilla 0,046 NaN 0,012 NaN 0,072 NaN 0,014 0,016 0,006 NaN
25 Modelo de Regresión Lineal de Mínimos Cuadrados Valores predichos frente a reales
26
27 Modelo de Clasificación Premisa Evitar la variabilidad en los datos Mantener la sencillez del modelo global Fácil de explicar Camino tomado Discretización de la variable a predecir Usando intervalos específicos para cada modelo Método de clustering para el ajuste de intervalos Algoritmos de la familia de árboles de decisión OneR C4.5 Random Forest
28 Modelo de Clasificación OneR VALORES DE F 1 (ENTRENAMIENTO) C00394 C00416 C00449 C00859 C00914 C00994 C02541 C02975 C06584 C00635 agu-ban-par 0,516 0,770 0,928 0,767 0,972 0,761 0,717 0,958 0,986 - balon 0,786 0,852 0,885-0,958 0,928 0,654 0,806 0,972 0,986 camiseta 0,928 0,972 0,972 0,972 0,958-0,896 0,972 0,986 - fut-neg-uni 0,599 0,825 0,958-0,928 0,746 0,862 0,896 0,986 0,694 gorro 0,566 0,616 0,787 0,806 0,461 0,844 0,879 0,912 0,986 - pad-pal-neg 0,690 0,943 0,943-0,748 0,806 0,972 0,972 0,986 - pelota 0,714 0,654 0,943-0,825 0,768 0,832 0,879 0,986 0,986 pos-aro-tab 0,626 0,745 0,801 0,928 0,943 0,628 0,752 0,943 0,972 0,943 sudadera 0,986-0,958 0,972 0, , zapatilla 0,958-0,928-0,747-0,972 0,730 0,986 - VALORES DE F 1 (TEST) C00394 C00416 C00449 C00859 C00914 C00994 C02541 C02975 C06584 C00635 agu-ban-par 0,583-0,957 0,800 0,857 0,250 0,745 0,957 0,857 - balon 0,542 0,800 0,952-0,957-0,706 0,909 0,857 0,957 camiseta 0,909-0,957 0,909 0,800-0,957 0,909 0,857 - fut-neg-uni 0,824 0, ,909 0,800-0,957 0,671 gorro 0,889 0,706 0,800 0,857 0,542 0,857 0,667-0,857 - pad-pal-neg 0,578-0,957-1,000 0,909-0,957 0,857 - pelota 0,842 0,723 0,957-0,857 0,670 0,800 0,957 0,909 - pos-aro-tab 0,667 0,400 0,222 0,800 0,800 0,757 0,333 0,957 0,588 0,588 sudadera 0,957-0,957-0, , zapatilla , ,737 0,588 -
29 Modelo de Clasificación C4.5 VALORES DE F 1 (ENTRENAMIENTO) C00394 C00416 C00449 C00859 C00914 C00994 C02541 C02975 C06584 C00635 agu-ban-par 0,655 0,770 0,928 0,767 0,972 0,761 0,739 0,958 0,986 - balon 0,786 0,667 0,885-0,958 0,928 0,586 0,806 0,972 0,986 camiseta 0,928 0,972 0,972 0,972 0,958-0,896 0,972 0,986 - fut-neg-uni 0,655 0,825 0,958-0,928 0,637 0,862 0,896 0,986 0,879 gorro 0,679 0,702 0,639 0,806 0,549 0,844 0,879 0,912 0,986 - pad-pal-neg 0,696 0,943 0,943-0,748 0,718 0,972 0,972 0,986 - pelota 0,788 0,793 0,943-0,825 0,829 0,832 0,879 0,986 0,986 pos-aro-tab 0,749 0,833 0,801 0,928 0,943 0,699 0,752 0,943 0,972 0,943 sudadera 0,986-0,958 0,972 0, , zapatilla 0,958-0,928-0,912-0,972 0,844 0,986 - VALORES DE F 1 (TEST) C00394 C00416 C00449 C00859 C00914 C00994 C02541 C02975 C06584 C00635 agu-ban-par 0,737-0,957 0,800 0,857 0,250 0,612 0,957 0,857 - balon 0,583 0,533 0,952-0,957-0,661 0,909 0,857 0,957 camiseta 0,909-0,957 0,909 0,800-0,957 0,909 0,857 - fut-neg-uni 0,857 0, ,900 0,800-0,957 0,800 gorro 0,286 0,909 0,706 0,857 0,286 0,857 0,667-0,857 - pad-pal-neg 0,589-0,957-1,000 0,800-0,957 0,857 - pelota 0,900 0,847 0,957-0,857 0,690 0,800 0,957 0,909 - pos-aro-tab 0,727 0,500 0,222 0,800 0,800 0,683 0,333 0,957 0,588 0,588 sudadera 0,957-0,957-0, , zapatilla , ,957 0,588 -
30 Modelo de Clasificación Random Forest VALORES DE F 1 (ENTRENAMIENTO) C00394 C00416 C00449 C00859 C00914 C00994 C02541 C02975 C06584 C00635 agu-ban-par 0,641 0,782 0,928 0,570 0,972 0,761 0,741 0,958 0,986 - balon 0,788 0,852 0,885-0,958 0,928 0,583 0,806 0,972 0,986 camiseta 0,928 0,972 0,972 0,972 0,958-0,896 0,972 0,986 - fut-neg-uni 0,569 0,617 0,885-0,928 0,759 0,862 0,896 0,986 0,694 gorro 0,735 0,628 0,627 0,646 0,547 0,608 0,760 0,747 0,986 - pad-pal-neg 0,804 0,678 0,943-0,748 0,649 0,972 0,972 0,986 - pelota 0,788 0,871 0,943-0,813 0,783 0,832 0,644 0,986 0,986 pos-aro-tab 0,691 0,833 0,801 0,928 0,955 0,745 0,817 0,943 0,972 0,943 sudadera 0,986-0,958 0,972 0, , zapatilla 0,958-0,928-0,747-0,972 0,770 0,986 - VALORES DE F 1 (TEST) C00394 C00416 C00449 C00859 C00914 C00994 C02541 C02975 C06584 C00635 agu-ban-par 0,651-0,957 0,737 0,857 0,226 0,694 0,957 0,857 - balon 0,663 0,800 0,952-0,957-0,520 0,909 0,857 0,957 camiseta 0,909-0,957 0,909 0,800-0,957 0,909 0,857 - fut-neg-uni 0,588 0,909 0, ,778 0,800-0,957 0,671 gorro 0,667 0,778 0,778 0,400 0,508 0,800 0,520 0,957 0,857 - pad-pal-neg 0,455 0,957 0,957-1,000 0,842-0,957 0,857 - pelota 0,900 0,651 0,957-0,778 0,830 0,800 0,909 0,909 - pos-aro-tab 0,785 0,500 0,222 0,800 0,737 0,634 0,382 0,957 0,588 0,588 sudadera 0,957-0,957-0, , zapatilla , ,800 0,588 -
31 Modelo de Clasificación Ejemplos volumen de compra en test
32 Modelo de Clasificación Indicadores de cambio en hábito de compra Gris: Si el valor de F1 de nuestro modelo sobre los datos de entrenamiento devuelve NA o un valor inferior a 0,6. Verde: Si el valor de F1 en los datos de entrenamiento y test es superior a 0,6 en ambos casos. Amarillo: Si el valor de F1 en los datos de entrenamiento es superior a 0,6 pero el modelo devuelve NA sobre los datos de test. Rojo: Si el valor de F1 en los datos de entrenamiento es superior a 0,6, pero su valor en los datos de test es inferior a 0,6.
33 Modelo de Clasificación Valores de C4.5 en test y resultado semafórico C00394 C00416 C00449 C00859 C00914 C00994 C02541 C02975 C06584 C00635 agu-ban-par 0,737-0,957 0,800 0,857 0,250 0,612 0,957 0,857 - balon 0,583 0,533 0,952-0,957-0,661 0,909 0,857 0,957 camiseta 0,909-0,957 0,909 0,800-0,957 0,909 0,857 - fut-neg-uni 0,857 0, ,900 0,800-0,957 0,800 gorro 0,286 0,909 0,706 0,857 0,286 0,857 0,667-0,857 - pad-pal-neg 0,589-0,957-1,000 0,800-0,957 0,857 - pelota 0,900 0,847 0,957-0,857 0,690 0,800 0,957 0,909 - pos-aro-tab 0,727 0,500 0,222 0,800 0,800 0,683 0,333 0,957 0,588 0,588 sudadera 0,957-0,957-0, , zapatilla , ,957 0,588 -
34
35 Conclusiones Resultado Modelo simple, escalable y fácilmente entendible Aplicable en empresas con necesidades similares Mejoras futuras Optimización de la agrupación de productos Incrementar su utilidad distinguiendo cambios positivos y negativos
36 Agradecimientos: Grupo Jim Sports Alberto Bugarín (USC) Manuel Mucientes (USC)
37 Miguel Ángel García Sánchez Científico de Datos
APLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU. Luis Azaña Bocanegra
APLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU Luis Azaña Bocanegra TEMARIO CONCEPTOS DEFINICION DE MINERIA DE DATOS USOS DE LA MINERIA DE DATOS TECNICAS DE MINERIA DE DATOS ETAPAS DE UN PROYECTO DE
Más detallesINSTITUTOS PROMOTORES DE LA ACTIVIDAD FÍSICA Y EL DEPORTE DE LA COMUNIDAD DE MADRID 14,95
OFERTA ESPECIAL INSTITUTOS PROMOTORES DE LA ACTIVIDAD FÍSICA Y EL DEPORTE DE LA COMUNIDAD DE MADRID 14,95 2 camisetas, 2 pantalones, 2 nombres del I.E.S. DESDE MÁS IVA 2016 ROPA DEPORTIVA - TROFEOS - PLACAS
Más detallesMÁSTER EN ARQUITECTURA Y TECNOLOGÍA BIG DATA ASIGNATURAS OBLIGATORIAS
Propio: MÁSTER EN ARQUITECTURA Y TECNOLOGÍA BIG DATA Código Plan de s: EN22 Año Académico: 2018-2019 ESTRUCTURA GENERAL DEL PLAN DE ESTUDIOS: CURSO Obligatorios Optativos Prácticas Externas Memoria/ Proyecto
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesMinería de Datos, Análisis Predictivo con Microsoft Analysis Services y PowerPivot Excel (Data Mining, Predictive Analytics with Microsoft Analysis Services and Excel PowerPivot) Duración: 24 horas Código:
Más detallesAnalizando patrones de datos
Analizando patrones de datos SQL Server DM, Excel DM, Azure ML y R Ana María Bisbé York @ambynet http://amby.net/ Temario Introducción a Minería de datos MS Office Excel Herramientas de tabla y Minería
Más detallesASPA AGILIDAD BALÓN MEDICINAL 1KG REF.: REF.:
ASPA AGILIDAD REF.: 0009040 BALÓN MEDICINAL 1KG REF.: 0024831 BALÓN MEDICINAL 2KG REF.: 0024832 BALÓN MEDICINAL 3KG REF.: 0024833 BALÓN MEDICINAL 4KG REF.: 0024834 BALÓN MEDICINAL 5KG REF.: 0024835 BALÓN
Más detallesAfinación y Rendimiento de Bases de Datos
DIPLOMADO Afinación y Rendimiento de Bases de Datos TEMARIO DURACIÓN: 250 hrs. 1. Sistemas de Información OLTP y SQL (40 hrs.) 1.1 Componentes de un Sistema de Información 1.2 Tipos de un Sistema de Información
Más detallesData Mining Introduction Convierte Datos en Conocimiento y Aplicalos al Marketing
Data Mining Introduction Convierte Datos en Conocimiento y Aplicalos al Marketing Presentación La generación de conocimiento es el proceso que reditúa las mayores ventajas competitivas en las organizaciones
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesCONCEPTOS BÁSICOS DE ANÁLISIS CUANTITATIVO. La analítica y el mundo cuantitativo en mercadeo La analítica y el mundo cuantitativo en mercadeo
Tema CONCEPTOS BÁSICOS DE ANÁLISIS CUANTITATIVO. La analítica y el mundo cuantitativo en La analítica y el mundo cuantitativo en La exploración de datos en La exploración de datos en La exploración de
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesNuevo plan de estudios. Especialización en Inteligencia de Negocios. Marzo de Curso Descripción Corta Contenidos
Nuevo plan de estudios Especialización en Inteligencia de Negocios Marzo de 2018 Curso Descripción Corta Contenidos Fundamentos de Inteligencia de Negocios y Gobierno de datos Almacenamiento de Información
Más detallesAutomatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica
Automatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica Ronald René Vergara Pareja 1 Agenda Objetivo de la Investigación. Situación Actual de los Proyectos de Inversión Publica.
Más detalles* Las áreas y técnicas de impresión son recomendaciones y son responsabilidad de quien las utiliza y de los equipos de transformación con que
* Las áreas y técnicas de impresión son recomendaciones y son responsabilidad de quien las utiliza y de los equipos de transformación con que cuenten. OSITO RELAX SOC 212 Medida: 6.5 x 9.5 cm Área de Impresión:
Más detallesCurso: R for Data Mining. Análisis de datos, segmentación y técnicas de predicción con R
1 Curso: R for Data Mining Análisis de datos, segmentación y técnicas de predicción con R 2 Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca por que es una las herramientas
Más detallesCURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO
SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO Gestión empresarial de la información. Business Intelligence. Data Mining.
Más detallesSENA 7AV. Por favor si anexa algún archivo digital, este debe venir en formato PDF, Word o Excel, en ningún caso se aceptan archivos comprimidos.
El Centro de Formación para el Desarrollo Rural y Minero del Regional Norte de Santander, de conformidad con los principios de transparencia y publicidad para la contratación estatal, convoca públicamente
Más detallesConsulta la opinión n de clasificación arancelaria respecto de diversas prendas de vestir
Consulta la opinión n de clasificación arancelaria respecto de diversas prendas de vestir Catálogo creado en conjunto con la Aduana del Aeropuerto Internacional de la Ciudad de México, de carácter no vinculativo
Más detallesMetamodelo de una Bodega de Datos para el Descubrimiento de Conocimiento
Metamodelo de una Bodega de Datos para el Descubrimiento de Conocimiento Claudia Jiménez Ramírez Fernán Villa Garzón Martín Rico Herrera Universidad Nacional de Colombia Sede Medellín Bogotá, 14 y 15 de
Más detallesACCESORIOS - CATÁLOGO Para cualquier consulta sobre nuestros productos y servicios:
www.bk aspo rt.com ACCESORIOS - CATÁLOGO 2016 - Para cualquier consulta sobre nuestros productos y servicios: info@bkasport.com / 91 609 29 19 WWW.BKASPORT.COM BALONES BKA BKA XTREME BKA XTREME Ref.: 56005/4/72
Más detallesTABLA DE CONTENIDO Tecnologías más usadas en el aprovisionamiento electrónico
TABLA DE CONTENIDO 1. INTRODUCCIÓN...1 1.1. Presentación del tema de tesis...1 1.2. Justificación...2 1.3. Objetivos...4 1.3.1 Objetivo General...4 1.3.2 Objetivos específicos...4 1.4. Estructura documental...5
Más detallesIntroducción: Data Mining
Introducción: Data Mining Qué es la minería de datos? Extracción de modelos y patrones interesantes, potencialmente útiles y no triviales desde bases de datos de gran tamaño. Conceptos de Data Mining Modelo:
Más detallesEncontrando estructura en grandes volúmenes de datos
Encontrando estructura en grandes volúmenes de datos ACIS 13 de julio 2017 Carenne Ludeña Facultad de Ciencias Básicas Sobre mi trabajo: Profesora/investigadora en estadística Intereses: estadística, modelos,
Más detallesFACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
FACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SILABO DE TOPICO ESPECIALES DE INGENIERÍA DE SISTEMAS E INFORMÁTICA I. DATOS GENERALES 1.0 Unidad Académica
Más detallesTécnicas de aprendizaje automático en el análisis de datos de DP. Dr. Carlos Fernández Lozano Juan de la Cierva-Formación
Técnicas de aprendizaje automático en el análisis de datos de DP Dr. Carlos Fernández Lozano Juan de la Cierva-Formación carlos.fernandez@udc.es Índice Acerca de mí Big data? Medicina de precisión? Integración
Más detallesEl Camino hacia una explotación sostenible de datos. Ing. Gonzalo Mallo
El Camino hacia una explotación sostenible Ing. Gonzalo Mallo Octubre 2016 OBJETIVO Definir una metodología de explotación para alcanzar los objetivos de negocio de manera eficaz facilitando la toma de
Más detallesTema 2. Tercera parte. Clases abiertas: Clases cerradas:
Análisis categorial Tema 2. Tercera parte. Análisis categorial Ingeniería del Lenguaje Natural Departamento de Lenguajes y Sistemas Informáticos Universidad de Alicante http://www.dlsi.ua.es/asignaturas/iln
Más detallesEl futuro de los negocios es HOY. Natalia Rodríguez Gerente de Marketing para Socios de
El futuro de los negocios es HOY Natalia Rodríguez Gerente de Marketing para Socios de Negocios @la_nata Agenda 8:30 am 9:00 am Registro y Zona Comercial 9:00 am 9:45 am Bienvenida y estrategia de desarrollo
Más detallesCONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA
CONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA Mario Alberto Llorente Lopez PFC Ingeniería en Informática 24 de Enero de 2012 CONTENIDO Introducción Objetivos Planificación
Más detallesDESARROLLO APLICACIONES BUSINESS INTELLIGENCE CON MS SQL SERVER Big Data
DESARROLLO APLICACIONES BUSINESS INTELLIGENCE CON MS SQL SERVER 2016 + Big Data DESCRIPCIÓN Este curso está orientado a brindar a los alumnos los fundamentos necesarios en el campo del Business Intelligence
Más detallesDirigido a cualquier persona con conocimientos básicos de empresa.
Adquirir el conocimiento básico de los sistemas ERP y de SAP Business One en los módulos de Compras, Ventas y Logística. Dirigido a cualquier persona con conocimientos básicos de empresa. Nociones básicas
Más detallesALETA BODY TALLA 38/40 AZUL
ALETA BODY TALLA 38/40 AZUL REF.: 0021723 ALETA BODY TALLA 41/42 AZUL REF.: 0021724 ALETA BODY TALLA 43/46 AMARILLO REF.: 0021727 ALETA BODY TALLA 43/46 AZUL REF.: 0021725 ALETA CORTA TALLA 33/34 REF.:
Más detallesÚnicamente se despacha la unidad de empaque
Marco Raqueta Tennis Profesional - 27 Cód. Barras: 787579460069 Referencia: 14402987 Peso: 295±5g 23mm 102 Squinch (658cm2) Longitud: 27 (69cm) Patrón: 18 x 19 320±5mm Rigidez o Tensión: 53-58 lbs. Diámetro
Más detallesLa piedra angular del Análisis Predictivo. José Ignacio Marín Alberdi IBM SPSS Client Technical Professional
La piedra angular del Análisis Predictivo José Ignacio Marín Alberdi IBM SPSS Client Technical Professional Objetivos de la sesión En la sesión de hoy cubriremos los siguientes puntos: Una definición operativa
Más detallesBUSINESS ANALYTICS & BIG DATA UNIVERSIDAD NACIONAL DE INGENIERIA. II y III PROGRAMA DE ESPECIALIZACION EN
UNIVERSIDAD NACIONAL DE INGENIERIA Centro de Tecnologías de Información y Comunicaciones CTIC UNI II y III PROGRAMA DE ESPECIALIZACION EN BUSINESS ANALYTICS & BIG DATA EDICION FINES DE SEMANA: 07 DE ENERO
Más detallesUtilización de librerías geoespaciales libres para la
Utilización de librerías geoespaciales libres para la clasificación de datos LiDAR P. Martínez, A. Bastarrika (UPV/EHU) J. Sánchez (UC) Pilar Martínez Blanco 10as JORNADAS DE SIG LIBRE Girona 24 de Mayo
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesCredit Scoring for Risk Baking Aplicaciones en la Gestión de Riesgo Crediticio. web
Credit Scoring for Risk Baking Aplicaciones en la Gestión de Riesgo Crediticio web Presentación Quiénes son los clientes con mayor probabilidad de caer en mora? Cómo identificar, a futuro, los clientes
Más detallesPorque tu imaginación no tiene límites, nosotros tampoco.
CATÁLOGO 2019 Porque tu imaginación no tiene límites, nosotros tampoco. CATÁLOGO SUBLIMACIÓN FÚTBOL BASKET VOLEY RUNNING PASEO MERCHANDISING ACCESORIOS GUÍA TÉCNICA SOBRE NOSOTROS Somos fabricantes de
Más detallesReferencia Descripción TARIFA GORROS GORRO NATACIÓN SILICONA 1,44 GORRO NATACIÓN POLIURETANO 3,80 GORRO NATACIÓN POLIÉSTER 0,72 GORRO NATACIÓN LICRA 1,34 GORRO NATACIÓN SILICONA 1,44 GORRO NATACIÓN SILICONA
Más detallesAmbición: Programa de Marketing para PyMEs Programa de generación de demanda
Ambición: Programa de Marketing para PyMEs Programa de generación de demanda Agenda SME Ambition Marketing Program Framework Campaña Ambición de una PYME Campaña para audiencia de TI : cartera de soluciones
Más detallesR for Data Mining Análisis de datos, segmentación y técnicas de predicción con R. web
R for Data Mining Análisis de datos, segmentación y técnicas de predicción con R web Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca por que es una las herramientas
Más detallesProyecto realizado en colaboración con la Fundación Ramírez Vázquez y Asociados, basado en el contrato de autorización de uso y explotación del
COLECCIÓN 1 Proyecto realizado en colaboración con la Fundación Ramírez Vázquez y Asociados, basado en el contrato de autorización de uso y explotación del diseño México 68. 2 Colección México 68: Un rescate
Más detallesCurso: Credit Scoring. Aplicaciones en la gestión de Riesgo Crediticio
1 Curso: Credit Scoring Aplicaciones en la gestión de Riesgo Crediticio 2 Presentación Quiénes son los clientes con mayor probabilidad de caer en mora? Cómo identificar, a futuro, los clientes con mal
Más detallesCursos para Profesionales de Datos
Cursos para Profesionales de Datos Transformación El curso cubre temas de Power Query y Power Pivot, a partir de conceptos básicos hasta modelos de datos complejos, fórmulas M y DAX, incluyendo visualizaciones
Más detallesCapítulo 1 Introducción...1 Capítulo 2 Aprendizaje Automático 10 Capítulo 3 Riesgo Crediticio y Loss Given Default 18
INDICE DE CONTENIDOS Capítulo 1 Introducción...1 1.1 Contextualización... 2 1.2 Problemática... 4 1.3 Objetivos... 5 1.3.1 Objetivo general... 5 1.3.2 Objetivos específicos... 5 1.4 Alcance del trabajo...
Más detallesPLAN DE AYUDAS Y ASESORAMIENTO A LAS EMPRESAS 2017 APOYO I+D, CLÚSTERES Y UNIDADES AGRUPADAS DE EXPORTACIÓN
PLAN DE AYUDAS Y ASESORAMIENTO A LAS EMPRESAS 2017 APOYO I+D, CLÚSTERES Y UNIDADES AGRUPADAS DE EXPORTACIÓN Eva Díaz Tezanos Vicepresidenta del Gobierno de Cantabria y presidenta de SODERCAN apoyo i+d,
Más detallesCurso: Python for Analytics. Aprende Python orientado a la ciencia y minería de datos
1 Curso: Python for Analytics Aprende Python orientado a la ciencia y minería de datos 2 Presentación Python es un lenguaje de programación potente y fácil de aprender. Cuenta con estructuras de datos
Más detallesSumario... 5. Prólogo... 7. Unidad didáctica 1. Introducción a business intelligence... 11. Objetivos de la Unidad... 12
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a business intelligence... 11 Objetivos de la Unidad... 12 1. Business intelligence... 13 2. Proceso de KDD... 15 3.
Más detallesRRHH. El ERP para la gestión del activo más valioso. Documentación
RRHH El ERP para la gestión del activo más valioso Documentación ekon RRHH ekon RRHH La gestión integral del activo más valioso de tu organización Nuevos retos Las personas son un activo empresarial que
Más detallesANTI-STRESS SOC 013 BIENESTAR ANTI-STRESS PELOTA ANTI-STRESS LISA
ANTI-STRESS SOC 013 PELOTA ANTI-STRESS LISA Medida: 6 cm Diámetro Área de Impresión: 4.7 cm Diámetro Colores: A/B/N/O/P/R/S/V/Y Colores GTM: A/O/P/R/S/V/Y 4.7 cm Diámetro 6 cm Diámetro BIENESTAR ANTI-STRESS
Más detallesBuenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM.
Buenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM. Qué es la ciencia de datos? Es muy difícil encontrar una definición
Más detallesPorque tu imaginación no tiene límites, nosotros tampoco.
Diseñamos tu deporte Solicite presupuesto sin compromiso Porque tu imaginación no tiene límites, nosotros tampoco. 4 SUBLIMACIÓN FÚTBOL PG 12 BASKET PG 18 VOLEY PG 12 RUNNING PG 32 PASEO PG 38 ACCESORIOS
Más detallesYO, CIENCIA DE DATOS. BIG DATA DAY Facultad de Ciencias, UNAM Ciudad de México, marzo 2016
YO, CIENCIA DE DATOS BIG DATA DAY Facultad de Ciencias, UNAM Ciudad de México, marzo 2016 Qué es CIENCIA DE DATOS? La ciencia de datos es un campo interdisciplinario que involucra los procesos y sistemas
Más detallesÍNDICE. Introducción... Capítulo 1. Técnicas de minería de datos y herramientas... 1
ÍNDICE Introducción... XI Capítulo 1. Técnicas de minería de datos y herramientas... 1 Clasificación de las técnicas de minería de datos y herramientas más comunes... 1 Modelado originado por la teoría
Más detallesTABLA DE CONTENIDO. Resumen Introducción Entorno relevante asociado al proyecto Contexto de la Industria...
TABLA DE CONTENIDO Resumen... 2 1 Introducción... 15 2 Entorno relevante asociado al proyecto... 16 2.1 Contexto de la Industria... 16 2.1.1 Mercado de metales en el mundo... 16 2.1.2 Industria Minera
Más detallesSellos de Goma & Papelería
1 KITS PARA PAPEL (en cm) 3x3 $330 13x13 $1560 4x4 $385 14X14 $1740 5x5 $420 15x15 $1840 6x6 7x7 8x8 $495 $605 $770 16x16 17X17 18x18 $2000 $2145 $2255 2 2 9x9 $957 19x19 $2365 10x10 $1120 20x20 $2585
Más detallesConfección. Confección & Paraguas _76
& Paraguas _76 BOLSO LISO OSCURO Tamaño: 41 x 40 x 15 cm Colores de manija: Crudo, rojo Material: Yute _77 & Paraguas BOLSO LISO CLARO Tamaño: 52 x 46 x 20 Colores: Crudo Material: Yute MALETA CRUZADA
Más detallesAnálisis de las 400 empresas de mayor tamaño en la provincia de Huesca
Análisis de las de mayor tamaño en la provincia de Huesca 21 de octubre de 2014 Objetivos del estudio 1 Analizar: SECTORES LOCALIZACIÓN TIPOLOGÍA EMPRESARIAL De las de mayor tamaño en la provincia de Huesca
Más detalles200 mil TC Por Semestre BCP VISA ACTIVA 60% Costo
BCP 200 mil TC Por Semestre Beneficios Problemas LGBM Integrantes: - Fischer, Cristian - López, Jonathan - Quiroz, Ricardo - Tiahuallpa, Alberto - Velásquez, Karen Antonio GERENTE NO ACTIVA 40% Uso de
Más detallesPorque tu imaginación no tiene límites, nosotros tampoco.
Diseñamos tu deporte Porque tu imaginación no tiene límites, nosotros tampoco. 4 SUBLIMACIÓN FÚTBOL PG 12 BASKET PG 18 VOLEY PG 12 RUNNING PG 32 PASEO PG 38 ACCESORIOS PG 44 CATÁLOGO EQUIPACIONES Y CHÁNDAL
Más detallesLa pelota roja está encima de la silla roja. La pelota azul está encima de la silla azul
La pelota azul está encima de la silla roja La pelota roja está encima de la silla azul La pelota roja está encima de la silla roja La pelota azul está encima de la silla azul La pelota azul grande está
Más detallesINDICE. 21 Empresa 2.1. Introducción Existencias Capacidad Los costes de capacidad 24
INDICE Presentación XV Sobre los Autores XVII 1. La Contabilidad de Gestión como Instrumento de Control 1 1.1. Introducción 2 1.2. La Necesidad de Control y el Papel de la Contabilidad de 2 Gestión 1.2.1
Más detallesPrograma de Extensión Universitaria y Vinculación (PEUVI), Departamento de Matemáticas.
Programa de Extensión Universitaria y Vinculación (PEUVI), Departamento de Matemáticas. DIPLOMADO EN MINERÍA DE DATOS. Coordinadora académica: Dra. Amparo López Gaona. MODULO I: INTRODUCCIÓN A LAS BASES
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesMachine Learning y su Utilización en Riesgo de. Seemant Teotia Sr. Director International Analytics Equifax Inc. USA. Crédito
Machine Learning y su Utilización en Riesgo de Seemant Teotia Sr. Director International Analytics Equifax Inc. USA Crédito Principios de Machine Learning Qué es? Por qué lo usamos? Cuándo lo usamos? Ejemplos
Más detallesLA TECNICIDAD DE LOS BALONES
LA TECNICIDAD DE LOS BALONES Un balón está formado en primer lugar por una cámara que permite hincharlo. Se le puede añadir una capa textil para hacerlo más cómodo. Luego, tras elegir el componente del
Más detallesClasificación Clasific NO SUPERV SUPER ISAD IS A AD AGRUPAMIENTO
Clasificación NO SUPERVISADA AGRUPAMIENTO Clasificación No Supervisada Se trata de construir clasificadores sin información a priori, o sea, a partir de conjuntos de patrones no etiquetados Objetivo: Descubrir
Más detallesAdministración de las Bases de Datos
Universidad Alonso de Ojeda Facultad de Ingeniería Administración de las Bases de Datos Base de Datos II Profesora: Anaylen López Base de Datos Distribuidas Concepto "Base de datos distribuida" es en realidad
Más detallesClasificación automática de textos y explotación BI
1 5641 - Clasificación automática de textos y explotación BI 26/06/2014 5641 - Clasificación automática de textos y explotación BI Javier Buill Vilches Estructura Motivación Problemática Metodología actual
Más detallesMANUAL DE USUARIO. Versión Descripción Autor (es) Revisado por Fecha Revisión 1 Versión 1A Julio Farías Alberto Abudinen ANÁLISIS DE DESEMPEÑO...
Tipo de Documento: Objetivo del Documento: Documento informativo Describir Análisis de Desempeño Seguimiento Documento: Versión Descripción Autor (es) Revisado por Fecha Revisión 1 Versión 1A Julio Farías
Más detallesdistribución El software integral para el sector mayorista Documentación
distribución El software integral para el sector mayorista Documentación ekon Distribución ekon Distribución El software integral para las empresas de distribución mayorista Nuevos retos El sector mayorista
Más detallesSUDADERA BASICA ECONOMICA
SUDADERA basica PAG.96 T. EXTRA: ROJO, MARINO Y GRIS piedra amarillo ROSA naranja vivo hermes burdeos violeta pistacho verde kelly celeste azul devin azul royal 36/37 azul marino azul tejano gris vigore
Más detallesSERVICIOS Y SOLUCIONES ERP - DISTRIBUCIÓN
SERVICIOS Y SOLUCIONES ERP - DISTRIBUCIÓN - cadena de suministro Documentación técnica El software integral para el sector mayorista Partner oficial distribución ekon Distribución ekon Distribución El
Más detallesExamen Parcial. Attr1: A, B Attr2: A, B, C Attr3 1, 2, 3 Attr4; a, b Attr5: 1, 2, 3, 4
Aprenentatge 0-03 Q Examen Parcial Nombre: (Examen ) Instrucciones. (0 puntos) Este examen dura horas. Responded todas las preguntas en estas hojas. Para las preguntas test poned un circulo alrededor de
Más detallesPrimera sustentación Proyectos de Sistemas II
Primera sustentación Proyectos de Sistemas II Alcántara Mori, Alvaro Asesor : MBA Ing. Carlos Zorrilla Vargas Planteamiento del Problema Carrera Área : Informática : Base de Datos Asignatura : Minería
Más detallesCurso: Credit Scoring. Aplicaciones en la gestión de Riesgo Crediticio
1 Curso: Credit Scoring Aplicaciones en la gestión de Riesgo Crediticio 2 Presentación Quiénes son los clientes con mayor probabilidad de caer en mora? Cómo identificar, a futuro, los clientes con mal
Más detallesCATÁLOGO DE PRODUCTOS
CATÁLOGO DE PRODUCTOS 2011 DIVERSITY SPORTS ÁRTICULOS DE PESCA Referencia: 01001 Modelo: FD-65 N Polivalente y técnica. Referencia: 01006 Modelo: MX-36 Robusto y potente. PVP: 89 95 PVP: 54 95 Referencia:
Más detallesAprendizaje No Supervisado
Aprendizaje Automático Segundo Cuatrimestre de 2015 Aprendizaje No Supervisado Supervisado vs. No Supervisado Aprendizaje Supervisado Clasificación y regresión. Requiere instancias etiquetadas para entrenamiento.
Más detalleslaboro El ERP que simplifica la nómina y la gestión de personas Documentación
laboro El ERP que simplifica la nómina y la gestión de personas Documentación ekon Laboro ekon Laboro Solución integral de nómina y gestión de personal ekon Laboro El módulo ofrece toda la información
Más detallesCurso: Desarrollo y Programación de Visualización de Datos Geográficos en Internet
NOMBRE ACTIVIDAD (Curso / Diploma / Seminario) Curso: Desarrollo y Programación de Visualización de Datos Geográficos en Internet Docente : Cristian L. Hernández Milla Coordinación Académica : EC Unidad
Más detallesDirigido a cualquier persona con conocimientos básicos de empresa.
SAP BUSINESS ONE objetivo Adquirir el conocimiento básico de los sistemas ERP y de SAP Business One en los módulos de Compras, Ventas y Logística, que permita al alumno poder desenvolverse como usuario.
Más detalles(Nivel III BLOQUE ESPECÍFICO) Regulación Ámbito Nacional
Técnico Deportivo grado SUPERIOR (Nivel III BLOQUE ESPECÍFICO) Regulación Ámbito Nacional Real Decreto 320/2000, de 3 de marzo, por el que se establecen los TÍTULOS de Técnico Deportivo y Técnico Deportivo
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2017-2018 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Universidad Autónoma de
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesGUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO. CURSO ACADÉMICO - SEMESTRE Primer semestre
GUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO CURSO ACADÉMICO - SEMESTRE 2015-16 - Primer semestre FECHA DE PUBLICACIÓN Julio - 2015 Datos Descriptivos Nombre de la Asignatura
Más detallesMINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie
Más detallesCOMO INICIARSE EN LOS NEGOCIOS ELECTRONICOS www.promperu.gob.pe www.perumarketplaces.com Pilar Bautista Sánchez ADOC PROMPERU Av. Jorge Basadre 610, San Isidro Telf: (511) 616-7400 Anexo 1304 E- mail :
Más detallesModelos de Mercadotecnia Tema 1: Dimensión del Marketing
Tema 1: Dimensión del Marketing Sesión 2: Bases de Datos Objetivo de la Sesión: Al concluir la sesión el alumno reconocerá el proceso para llevar a cabo la minería de datos y describirá cómo las herramientas
Más detallesCapitulo 1: Introducción al reconocimiento de patrones (Secciones )
Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C
Más detallesInteligencia de Negocio Curso
Inteligencia de Negocio Curso 2018-2019 La asignatura Inteligencia de Negocio se centrará el estudio y diseño de técnicas de extracción de conocimiento utilizadas en el área de Business Analytics/ciencia
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesCurso: Python for Analytics
1 Curso: Python for Analytics 2 Presentación Python es un lenguaje de programación potente y fácil de aprender. Cuenta con estructuras de datos eficientes, de alto nivel y un enfoque simple pero efectivo
Más detallesPRÁCTICAS DE ESTADÍSTICA CON R
PRÁCTICAS DE ESTADÍSTICA CON R PRÁCTICA 2: ESTADÍSTICA DESCRIPTIVA DE UNA VARIABLE 2.1 Lectura de datos En la mayor parte de los conceptos que vamos a ir viendo a lo largo de esta práctica se va a hacer
Más detallesARO PILATES FUNDA POLIPIEL PARA CILINDRO PILATES DE 90 CM REF.:
ARO PILATES REF.: 0028404 FUNDA POLIPIEL PARA CILINDRO PILATES DE 90 CM REF.: 0509830 NEGRA REF.: 0509832 BLANCA REF.: 0509833 VERDE REF.: 0509834 LILA CILINDRO PILATES DELUXE 90 CM REF.: 00280 Colores:
Más detalles