Modelo predictivo de las ventas de productos de primera necesidad en el sector comercial basado en técnicas de Machine Learning

El presente trabajo propone desarrollar un modelo predictivo de las ventas de productos de primera necesidad en el sector comercial basado en técnicas de machine learning, utilizando modelos de redes neuronales convolucionales, CNN. Se recolectó información de las operaciones de las ventas correspondiente a los años 2018 hasta el año 2021. El enfoque utilizado es cuanti cualitativo, mixto, con un diseño experimental. La metodología que se adaptó al estudio fue Cross - Industry Standard Process for Data Mining o CRISP – DM, que es una metodología orientada a minería de datos, que permite revisar de forma jerárquica los niveles de tareas, desde lo más general a lo más específico, en fases que van desde conocer el negocio hasta el despliegue de los resultados obtenidos. Utilizando Python con sus librerías Keras y Tensorflow, se planteó 3 modelos de CNN, cambiando los hiper parámetros ,filtros en relación a la cantidad de capas, el tamaño del kernel y el número de épocas, permitió generar 256 pruebas experimentales. El modelo A presentó el mejor rendimiento de los resultados en las métricas MSE de 0.000300 y MAE de 0.008900 con los parámetros de 64 filtros, 5 kernels y 1.000 épocas.

• Autore principale: Cali Nájera, Charles Jesús (author)
• Natura: masterThesis
• Pubblicazione: 2022
• Soggetti: MODELO PREDICTIVO; MACHINE LEARNING; RED NEURONAL CONVOLUCIONAL; METODOLOGIA CRISP-DM.
• Accesso online: http://repositorio.utmachala.edu.ec/handle/48000/19707