Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión

El presente trabajo de investigación de tesis desarrolla los indicadores de gerencia financiera, capturados de la necesidad de los clientes, éstos son modelados y desarrollados a través de las tecnologías de BA (Business Analytics), las cuales tienen el objetivo de mostrar los riesgos de morosidad....

Descripción completa

Guardado en:
Autor principal: Pacco Palomino, Rodolfo
Otros Autores: Mamani Apaza, Guillermo
Formato: Tesis de maestría
Lenguaje:español
Publicado: Universidad Peruana Unión 2015
Materias:
Riesgos de morosidad
Redes neuronales
La metodología CRISP-DM
Acceso en línea:Enlace permanente (DOI o Handle)
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
_version_ 1881510020658495488
author Pacco Palomino, Rodolfo
author2 Mamani Apaza, Guillermo
author_browse Mamani Apaza, Guillermo
Pacco Palomino, Rodolfo
author_facet Mamani Apaza, Guillermo
Pacco Palomino, Rodolfo
author_sort Pacco Palomino, Rodolfo
collection Repositorio institucional
description El presente trabajo de investigación de tesis desarrolla los indicadores de gerencia financiera, capturados de la necesidad de los clientes, éstos son modelados y desarrollados a través de las tecnologías de BA (Business Analytics), las cuales tienen el objetivo de mostrar los riesgos de morosidad. Este proyecto de investigación se ha desarrollado basado sobre redes neuronales y la metodología CRISP-DM, para implementar e implantar el proyecto de BA (Business Analytics). Se ha hecho una optimización del ciclo de vida de la metodología de CRISP-DM, según sus fases conocidas: comprensión del negocio, comprensión de los datos, preparación de datos, modelado, evaluación y despliegue. El caso de estudio es el riesgo de morosidad de los alumnos de la Universidad Peruana Unión (UPeU), formado por cinco facultades: Ingeniería y Arquitectura, Ciencias de la Salud, Ciencias Empresariales, Ciencias Humanas y Educación y Teología. Para este estudio, el principal responsable del negocio es la Universidad Peruana Unión (UPeU). En este proyecto de investigación de tesis se decide la herramienta de BI de Microsoft para el desarrollo de la solución y se elige la herramienta de Analysis Services. Como la solución de inteligencia de negocios se diseña los modelos de clúster, para la toma de decisión, utilizando las herramientas integration services para realizar ETL (Extraction Transform and Load). En esta investigación se explica ampliamente que la implementación de un proyecto, utilizando la herramienta analysis services, consiste diferentes etapas de BI, desde el análisis de datos hasta los reportes de modelos de clasificación. Este proyecto servirá como base para elaborar proyectos de esta naturaleza o similares.
escuela_str_mv Escuela de Posgrado Unidad de Ingeniería y Arquitectura
format info:eu-repo/semantics/masterThesis
id oai:repositorio.upeu.edu.pe:20.500.12840/203
institution UPeU
language Spanish
ocde_area_str_mv Ingeniería y tecnología
ocde_disciplina_str_mv Ingeniería eléctrica, electrónica e informática
ocde_str_mv 2.02.04
programa_nombre_str_mv Maestría en Ingeniería de Sistemas con Mención en Dirección y Gestión de Tecnologías de Información
publishDate 2015
publishDateRange 2015
publishDateSort 2015
publisher Universidad Peruana Unión
publisherStr Universidad Peruana Unión
record_format dspace
sede_str_mv Lima
spelling Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión Pacco Palomino, Rodolfo Mamani Apaza, Guillermo Riesgos de morosidad Redes neuronales La metodología CRISP-DM El presente trabajo de investigación de tesis desarrolla los indicadores de gerencia financiera, capturados de la necesidad de los clientes, éstos son modelados y desarrollados a través de las tecnologías de BA (Business Analytics), las cuales tienen el objetivo de mostrar los riesgos de morosidad. Este proyecto de investigación se ha desarrollado basado sobre redes neuronales y la metodología CRISP-DM, para implementar e implantar el proyecto de BA (Business Analytics). Se ha hecho una optimización del ciclo de vida de la metodología de CRISP-DM, según sus fases conocidas: comprensión del negocio, comprensión de los datos, preparación de datos, modelado, evaluación y despliegue. El caso de estudio es el riesgo de morosidad de los alumnos de la Universidad Peruana Unión (UPeU), formado por cinco facultades: Ingeniería y Arquitectura, Ciencias de la Salud, Ciencias Empresariales, Ciencias Humanas y Educación y Teología. Para este estudio, el principal responsable del negocio es la Universidad Peruana Unión (UPeU). En este proyecto de investigación de tesis se decide la herramienta de BI de Microsoft para el desarrollo de la solución y se elige la herramienta de Analysis Services. Como la solución de inteligencia de negocios se diseña los modelos de clúster, para la toma de decisión, utilizando las herramientas integration services para realizar ETL (Extraction Transform and Load). En esta investigación se explica ampliamente que la implementación de un proyecto, utilizando la herramienta analysis services, consiste diferentes etapas de BI, desde el análisis de datos hasta los reportes de modelos de clasificación. Este proyecto servirá como base para elaborar proyectos de esta naturaleza o similares. Tesis 2015-11-05 2017-04-03T23:16:59Z 2017-04-03T23:16:59Z info:eu-repo/semantics/masterThesis https://hdl.handle.net/20.500.12840/203 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/2.5/pe/ application/pdf Universidad Peruana Unión PE Universidad Peruana Unión Repositorio Institucional - UPEU oai:repositorio.upeu.edu.pe:20.500.12840/203 2026-11-10T17:45:09Z
spellingShingle Riesgos de morosidad
Redes neuronales
La metodología CRISP-DM
Pacco Palomino, Rodolfo
Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión
title Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión
title_full Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión
title_fullStr Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión
title_full_unstemmed Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión
title_short Análisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp-dm para pronóstico de riesgo de morosidad de los alumnos en la Universidad Peruana Unión
title_sort analisis predictivo basado en redes neuronales no supervisadas aplicando algoritmo de kmedias y crisp dm para pronostico de riesgo de morosidad de los alumnos en la universidad peruana union
topic Riesgos de morosidad
Redes neuronales
La metodología CRISP-DM
topic_facet Riesgos de morosidad
Redes neuronales
La metodología CRISP-DM
url https://hdl.handle.net/20.500.12840/203
work_keys_str_mv AT paccopalominorodolfo analisispredictivobasadoenredesneuronalesnosupervisadasaplicandoalgoritmodekmediasycrispdmparapronosticoderiesgodemorosidaddelosalumnosenlauniversidadperuanaunion

Ejemplares similares