Prueba de concepto para generación móvil

El proyecto presenta la prueba de concepto para la compañía Generación Móvil. El principal objetivo de negocio es apoyar en la toma de decisiones en cuanto a la programación de las rutas de los promotores de las ZER (zonas de estacionamiento regulado) de manera que se reduzcan los costos operativos...

Full description

Autores:
Tipo de recurso:
masterThesis
Fecha de publicación:
2021
Institución:
Pontificia Universidad Javeriana
Repositorio:
Repositorio Universidad Javeriana
Idioma:
spa
OAI Identifier:
oai:repository.javeriana.edu.co:10554/55263
Acceso en línea:
http://hdl.handle.net/10554/55263
https://doi.org/10.11144/Javeriana.10554.55263
Palabra clave:
Serie de tiempo
Regresión
Segmentación
Zonas de estacionamiento
Time series
Regression
Clustering
Parking zones
Maestría en analítica para la inteligencia de negocios - Tesis y disertaciones académicas
Análisis de series de tiempo
Análisis de regresión
Segmentación (Informática)
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional
Description
Summary:El proyecto presenta la prueba de concepto para la compañía Generación Móvil. El principal objetivo de negocio es apoyar en la toma de decisiones en cuanto a la programación de las rutas de los promotores de las ZER (zonas de estacionamiento regulado) de manera que se reduzcan los costos operativos y las pérdidas debido a tiquetes no pagos. Este objetivo se abordó mediante modelos analíticos de series de tiempo, regresiones lineales, regresiones logísticas y segmentación. Las series de tiempo se utilizaron para predecir ingresos y salidas de vehículos de las ZER. Las regresiones lineales se utilizaron para desarrollar modelos de estimación de cuántos minutos un vehículo va a estar estacionado. Las regresiones logísticas y segmentación se desarrollaron para la categorización de clientes en cuanto al comportamiento de pago, es decir, probabilidad de que el tiquete fuera pago o no pago. En el documento se presenta la exploración y limpieza de datos, el modelamiento y evaluación de cada uno de los modelos, con sus respectivos resultados. Durante todo el proyecto se siguió la metodología CRISP-DM como marco de referencia para el desarrollo de proyectos de analítica de datos.