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.e395Keywords:
Desarrollo Web, Machine Learning, KDD, BI, ETL.Abstract
Introduction: The integration of Machine Learning and software application development is constantly evolving, as it enhances the ability to effectively manage the requirements of a company or organization while also supporting informed decision-making.
Objective: Predicting billing trends for Acerotrans carriers based on historical data aims to evaluate how proactive decisions can be made.
Methods: Collecting historical data, followed by the use of Machine Learning techniques to implement regression algorithms. ETL processes were applied for bulk data upload and BI techniques were used to visualize the information through graphical reports. All these methods are part of the KDD phases.
Results: Regression algorithms will be responsible for training, clustering, and predicting billing, enabling an analysis of the original data and the predicted data to evaluate the model's behavior and fit.
Conclusions: The integration of artificial intelligence, business intelligence, and web development is vital for a computer system to adapt to user changes and needs. Predicting trends based on historical data is essential to anticipate future events, making it necessary for the data volume to be substantial.
Keywords: Web Development, Machine Learning, KDD (Knowledge Discovery in Databases), BI (Business Intelligence), ETL(extract- transform-load).
Downloads
References
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.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Diego Alexander Reinoso Cueva, Edison Patricio Bedón Salazar
This work is licensed under a Creative Commons Attribution 4.0 International License.
The authors retain the moral and patrimonial rights of their works. They only give to the magazine Tesla Revista Científica the right to the first publication of this. Since Tesla Revista Científica is an open access publication, readers can fully or partially reproduce its content as long as they properly credit the corresponding authors and the journal itself. Tesla Revista Científica undertakes not to make commercial use of the texts it receives and/or publishes.
Our journal is governed by the international policies SHERPA/RoMEO: Green journal: They allow the self-archiving of both the pre-print (draft of a paper) and the post-print (the version corrected and reviewed by peers) and even the final version ( layout as it will be published in the journal).
See also "Copyright and licences".
