Tendencias en la gestión de facturación para ACEROTRANS.S.A en 2024: Un enfoque práctico aplicando técnicas de Inteligencia Artificial
Un enfoque práctico aplicando técnicas de Inteligencia Artificial
DOI:
https://doi.org/10.55204/trc.v4i2.e395Palabras clave:
Desarrollo Web, Machine Learning, KDD, BI, ETL.Resumen
Introducción: La integración del Machine Learning y el desarrollo de aplicaciones informáticas, está en constante evolución debido a que mejoran la capacidad para gestionar eficazmente requerimientos de una empresa u organización y a la vez apoyar a la toma de decisiones informadas.
Objetivo: La predicción de tendencias en facturación de transportistas de Acerotrans a partir de datos históricos con la finalidad de evaluar cómo se pueden tomar decisiones anticipadas.
Métodos: Recopilar datos históricos, seguidos por el uso de técnicas de Machine Learning para implementar algoritmos de regresión. Se aplicaron procesos ETL para subida masiva de datos y técnicas de BI para que la información se visualice mediante reportes gráficos. Todos estos métodos forman parte de las fases de KDD.
Resultados: Los algoritmos de regresión se encargarán de entrenar, agrupar y predecir la facturación, lo que permitió hacer un análisis sobre los datos originales y los datos predichos a fin de evaluar el comportamiento y ajuste del modelo.
Conclusiones: La integración de la inteligencia artificial, inteligencia de negocios y el desarrollo Web es vital para que un sistema informático se adapte a cambios y necesidades del usuario. La predicción de tendencias en base a datos históricos es esencial para anticiparse a eventos futuros, por lo que el volumen de datos debe ser considerable.
Palabras Clave: Desarrollo Web, Machine Learning, KDD, BI, ETL.
Descargas
Citas
Castro, R. M. S., & Vega, I. D. L. (2023). Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA. Tecnura, 27(75), 72-88.
Forero-Corba, W., & Negre Bennasar, F. (2023). Técnicas y aplicaciones del Machine Learning e Inteligencia Artificial en educación: Una revisión sistemática. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 209-253. https://doi.org/10.5944/ried.27.1.37491
García-González, J. R., Sánchez-Sánchez, P. A., Orozco, M., Obredor, S., García-González, J. R., Sánchez-Sánchez, P. A., Orozco, M., & Obredor, S. (2019). Extracción de Conocimiento para la Predicción y Análisis de los Resultados de la Prueba de Calidad de la Educación Superior en Colombia. Formación universitaria, 12(4), 55-62. https://doi.org/10.4067/S0718-50062019000400055
Lambis-Alandete, E., Jiménez-Gómez, M., Velásquez-Henao, J. D., Lambis-Alandete, E., Jiménez-Gómez, M., & Velásquez-Henao, J. D. (2023). Comparación de algoritmos de Deep Learning para pronósticos en los precios de Criptomonedas. Ingeniería y competitividad, 25(3). https://doi.org/10.25100/iyc.v25i3.12845
Mamani Rodriguez, Z. (2022). Proceso de machine learning para determinar la demanda social de puestos de empleo de profesionales de TI. Industrial Data, 25(2), 275-300. https://doi.org/10.15381/idata.v25i2.21643
Osorio, D. A. I. (2023). Sistemas Informáticos: Los factores para mejorar los resultados de las empresas y organizaciones. Revista Científica Internacional, 6(1), 98-110. https://doi.org/10.46734/revcientifica.v6i1.58
Páez, A. R., & Ramírez, N. D. G. (2022). Modelos predictivos del rendimiento académico a partir de características de estudiantes de ingeniería. IE Revista de Investigación Educativa de la REDIECH, 13. https://www.redalyc.org/journal/5216/521670731008/html/
¿Qué es la minería de datos? | IBM. (2023, julio 18). https://www.ibm.com/es-es/topics/data-mining
Rivera, R. M., Cámara, F. A., Jiménez, D. E., & Díaz, S. H. (2016). SISDAM: Web application for processing data according to a Modified Augmented Design. https://doi.org/10.13140/RG.2.1.4550.4243
Sanabria-Castro, A., Meneses-Guzmán, M., & Chiné-Polito, B. (2022). Uso de regresión de soporte vectorial para el control de espuma metálica. Revista Tecnología en Marcha. https://doi.org/10.18845/tm.v36i1.5891
Sánchez, E. R. B., Chilán, J. H. M., & Vásquez, C. A. Á. (2020). Gestión de la información para la toma de decisiones de pequeños y medianos negocios en Jipijapa, Manabí, Ecuador. Avances, 22(2), 183-193.
Timarán Pereira, S. R., Hernández Arteaga, I., Caicedo Zambrano, S. J., Hidalgo Troya, A., & Alvarado Pérez, J. C. (2016). Descubrimiento de patrones de desempeño académico con árboles de decisión en las competencias genéricas de la formación profesional. Universidad Cooperativa de Colombia. https://doi.org/10.16925/9789587600490
TIOBE Index. (s. f.). TIOBE. Recuperado 13 de junio de 2024, de https://www.tiobe.com/tiobe-index/
Useche-Aguirre, M. C., Pereira-Burgos, M. J., & Barragán-Ramírez, C. A. (2021). Retos y desafíos del emprendimiento ecuatoriano, trascendiendo a la pospandemia. RETOS. Revista de Ciencias de la Administración y Economía, 11(22), 271-286.
Valenzuela-Nunez, C. I., Troncoso Espinosa, F. H., & Latorre-Nunez, G. O. (2023). Prediction of absenteeism in medical appointments using Machine Learning. Universidad Ciencia y Tecnología, 27(120), 19-30. https://doi.org/10.47460/uct.v27i120.728
Vargas-Zapata, M., Medina-Sierra, M., Galeano-Vasco, L. F., & Cerón-Muñoz, M. F. (2022). Algoritmos de aprendizaje de máquina para la predicción de propiedades fisicoquímicas del suelo mediante información espectral: Una revisión sistemática. Revista de Investigación, Desarrollo e Innovación, 12(1), 107-120. https://doi.org/10.19053/20278306.v12.n1.2022.14212
Vidal-Silva, C. L., Sánchez-Ortiz, A., Serrano, J., Rubio, J. M., Vidal-Silva, C. L., Sánchez-Ortiz, A., Serrano, J., & Rubio, J. M. (2021). Experiencia académica en desarrollo rápido de sistemas de información web con Python y Django. Formación universitaria, 14(5), 85-94. https://doi.org/10.4067/S0718-50062021000500085
Zambrano, C. A. Y., Campuzano, M. F. P., & Laz, E. M. S. A. (2019). La Gestión De La Información Y El Conocimiento a Partir De Estrategias Formativas Innovadoras. Revista de Ciencias Humanísticas y Sociales (ReHuSo), 4(1), 109-121.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Diego Alexander Reinoso Cueva, Edison Patricio Bedón Salazar
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
