Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet

The purpose of this research is to implement a data mining model for the optimization of maintenance arrays in vehicle reviews of the Chevrolet brand. The type of research was applied, retrospective, cross-sectional, descriptive, documentary, aiming at the solution of a problem or need, where part o...

Full description

Autores:
Torres De La Espriella, Daniel Antonio
Tipo de recurso:
Fecha de publicación:
2021
Institución:
Corporación Universidad de la Costa
Repositorio:
REDICUC - Repositorio CUC
Idioma:
spa
OAI Identifier:
oai:repositorio.cuc.edu.co:11323/8372
Acceso en línea:
https://hdl.handle.net/11323/8372
https://repositorio.cuc.edu.co/
Palabra clave:
Data mining
Quality of service
Vehicle maintenance
Minería de datos
Calidad de servicio
Mantenimiento de vehículos
Rights
openAccess
License
Attribution-NonCommercial-ShareAlike 4.0 International
id RCUC2_3c3fe0f781334411f70c8808d641d7f2
oai_identifier_str oai:repositorio.cuc.edu.co:11323/8372
network_acronym_str RCUC2
network_name_str REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet
title Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet
spellingShingle Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet
Data mining
Quality of service
Vehicle maintenance
Minería de datos
Calidad de servicio
Mantenimiento de vehículos
title_short Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet
title_full Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet
title_fullStr Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet
title_full_unstemmed Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet
title_sort Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet
dc.creator.fl_str_mv Torres De La Espriella, Daniel Antonio
dc.contributor.advisor.spa.fl_str_mv Morales, Roberto
Jiménez, Miguel
dc.contributor.author.spa.fl_str_mv Torres De La Espriella, Daniel Antonio
dc.subject.eng.fl_str_mv Data mining
Quality of service
Vehicle maintenance
topic Data mining
Quality of service
Vehicle maintenance
Minería de datos
Calidad de servicio
Mantenimiento de vehículos
dc.subject.spa.fl_str_mv Minería de datos
Calidad de servicio
Mantenimiento de vehículos
description The purpose of this research is to implement a data mining model for the optimization of maintenance arrays in vehicle reviews of the Chevrolet brand. The type of research was applied, retrospective, cross-sectional, descriptive, documentary, aiming at the solution of a problem or need, where part of the information was obtained before starting the study and during the development of the investigation, complying with the procedures established in the investigation phases and the methodology related to CRISP-DM data mining , conformed by six (6) phases: Business understanding, Data understanding, Data Preparation, Modeling, Evaluation and Deployment, which allowed to fulfill the objectives of the research, improving the quality of service evaluations, quantity of vehicles in maintenance and the reduction of maintenance times.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-06-11T13:03:00Z
dc.date.available.none.fl_str_mv 2021-06-11T13:03:00Z
dc.date.issued.none.fl_str_mv 2021
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.content.spa.fl_str_mv Text
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
status_str acceptedVersion
dc.identifier.citation.spa.fl_str_mv Torres, D. (2021) Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet. Trabajo de maestría. Recuperado de https://hdl.handle.net/11323/8372
dc.identifier.uri.spa.fl_str_mv https://hdl.handle.net/11323/8372
dc.identifier.instname.spa.fl_str_mv Corporación Universidad de la Costa
dc.identifier.reponame.spa.fl_str_mv REDICUC - Repositorio CUC
dc.identifier.repourl.spa.fl_str_mv https://repositorio.cuc.edu.co/
identifier_str_mv Torres, D. (2021) Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet. Trabajo de maestría. Recuperado de https://hdl.handle.net/11323/8372
Corporación Universidad de la Costa
REDICUC - Repositorio CUC
url https://hdl.handle.net/11323/8372
https://repositorio.cuc.edu.co/
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Echeverri, LA. 2013). Minería de Datos Inteligente. Recuperado de: https://books.google.com.ve. Fecha de consulta: Feb/2019
El Tiempo. (2018). Carros con autodiagnóstico: nueva función Chevystar. Recuperado de: http://www.motor.com.co/actualidad/industria/carros-autodiagnostico-nueva-funcion, Fecha de consulta: Feb/2019
El Rincón de JMACOE. (2018). Cinco de los mejores softwares de minería de datos de código libre y abierto. Recuperado de: http://blog.jmacoe.com/gestion_ti/base_de_datos/5- mejores-software-mineria-datos-codigolibre-abierto/. Fecha de Consulta: Ene/2020
Florez. 2009. Detección de Patrones de Daños y Averías en la Industria Automotriz. General Motors Brasil Ltda., (2002), Manual de Procesos e Instalación Servicio Personalizado Chevrolet
Martíne , C. 2016). Identificación de las ventajas de aplicar Minería de Datos en el negocio automotriz. Fundación Universitaria Los Libertadores. Bogotá, Colombia. Recuperado de: https://repository.libertadores.edu.co/bitstream/handle/11371/727/CaroMart%C3%ADnezL auraConsuelo.pdf?sequence=2&isAllowed=y. Fecha de consulta: Ene/2020
Marulanda, C., López, M. & Mejía, M. (2017). El acompañamiento educativo como estrategia de cercanía impulsadora del aprendizaje del estudiante. Revista Virtual Universidad Católica del Norte, 50, 224-237. Recuperado de http://revistavirtual.ucn.edu.co/index.php/RevistaUCN/article/view/821/1339. Fecha de consulta: Mar/2020
Marcano Aular, Y. J., & Talavera Pereira, R. (2007). Minería de Datos como soporte a la toma de decisiones empresariales.
Moine, JM. 2011). Estudio comparativo de metodologías para minería de datos. Recuperado de: https://digital.cic.gba.gob.ar. Fecha de consulta: Mar/2020
Pérez, M. (2015). Minería de Datos A través de Ejemplos, Madrid España, Alfaomega
Pérez, C. (2004). Técnicas de Análisis Multivariante de Datos Aplicaciones con SPSS, Madrid España, Pearson Educación S.A
Pérez, C,. Santín D. (2007). Minería de Datos Técnica y Herramientas, Madrid España, Thomson Ediciones Paraninfo, S.A
Rodriguez C., García M., (2016). Adecuación de Minerías de Datos para aplicar a problemas no supervisado tipo atributo - valor. Revista Universidad y Sociedad versión On-line ISSN 2218-3620. Santa Clara. Cuba.
Suenaga. 2015. Análisis de deserción-permanencia de estudiantes universitarios utilizando técnica de clasificación en minería de datos Chevystar/27119
Caridad y Ocerin, J. (2001). La minería de datos. Análisis de bases de datos en la empresa. Real Academia de Córdoba: http://hdl.handle.net/10396/6657
Castellanos Domínguez, O. 2007. Gestión Tecnológica: De un enfoque tradicional a la inteligencia. Universidad Nacional de Colombia. https://www.researchgate.net/publication/322552316_Gestion_Tecnologica_de_un_enfoqu e_tradicional_a_la_inteligencia
Jiawey, Jat et al. 2012.Data Mining Concepts and Techniques. Third edition. http://myweb.sabanciuniv.edu/rdehkharghani/files/2016/02/The-Morgan-Kaufmann-Series-in-Data-Management-Systems-Jiawei-Han-Micheline-Kamber-Jian-Pei-DataMining.-Concepts-and-Techniques-3rd-Edition-Morgan-Kaufmnn-2011.pdf
Jiawey, Jat et al. 2012.Data Mining Concepts and Techniques. Third edition. http://myweb.sabanciuniv.edu/rdehkharghani/files/2016/02/The-Morgan-KaufmannSeries-in-Data-Management-Systems-Jiawei-Han-Micheline-Kamber-Jian-Pei-DataMining.-Concepts-and-Techniques-3rd-Edition-Morgan-Kaufmnn-2011.pdf
Gutiérrez O., J., & Molina, B. (2016). Identificación de técnicas de minería de datos para apoyar la toma de decisiones en la solución de problemas empresariales. Revista Ontare, 3(2), 33-51. https://doi.org/10.21158/23823399.v3.n2.2015.1440
Cortes Bonilla, L y Gantiva Gomez, L.2019.Análisis del proceso de internacionalización de empresas del sector automotriz. Caso: General Motors Colmotores. http://repository.unipiloto.edu.co/handle/20.500.12277/4820
Santamaria Castellanos, O. 2017.Análisis de la calidad del servicio postventa y la satisfacción del cliente de los concesionarios de la industria automotriz en Colombia. https://repositorio.unal.edu.co/handle/unal/59799
Ceballos, J. 2008. Redes neuronales artificiales aplicadas a la mejora de calidad. Universidad San Ignacio de Loyola. https://www.researchgate.net/publication/282566401_Redes_Neuronales_Artificiales_apli cadas_a_la_mejora_de_la_calidad
Perez Lopez, C, y Santin Gonzalez, Daniel. 2007, Minería de datos: Técnicas y Herramientas. p1. Madrid: Ediciones Paraninfo
dc.rights.spa.fl_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-nc-sa/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Corporación Universidad de la Costa
dc.publisher.program.spa.fl_str_mv Maestría en Ingeniería
institution Corporación Universidad de la Costa
bitstream.url.fl_str_mv https://repositorio.cuc.edu.co/bitstreams/53ad31d9-8090-483d-9d98-e6c2943bcfb0/download
https://repositorio.cuc.edu.co/bitstreams/c3b000d5-8128-498d-8139-2ee28e73fc5e/download
https://repositorio.cuc.edu.co/bitstreams/d00104fe-1e87-4229-9e89-551d764cd16d/download
https://repositorio.cuc.edu.co/bitstreams/e65727ff-0e4f-479d-8372-550976650ab1/download
https://repositorio.cuc.edu.co/bitstreams/fc80cb95-ec9f-417f-83cf-0d45cb239f91/download
bitstream.checksum.fl_str_mv bdbf5676b89b5b7fcb0fa06e052b2917
934f4ca17e109e0a05eaeaba504d7ce4
e30e9215131d99561d40d6b0abbe9bad
a65ab8206e0cf8d38b3d181029f864c8
526e423ab7a2d1244a5e186386b177df
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv repdigital@cuc.edu.co
_version_ 1811760760249909248
spelling Morales, RobertoJiménez, MiguelTorres De La Espriella, Daniel Antonio2021-06-11T13:03:00Z2021-06-11T13:03:00Z2021Torres, D. (2021) Modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet. Trabajo de maestría. Recuperado de https://hdl.handle.net/11323/8372https://hdl.handle.net/11323/8372Corporación Universidad de la CostaREDICUC - Repositorio CUChttps://repositorio.cuc.edu.co/The purpose of this research is to implement a data mining model for the optimization of maintenance arrays in vehicle reviews of the Chevrolet brand. The type of research was applied, retrospective, cross-sectional, descriptive, documentary, aiming at the solution of a problem or need, where part of the information was obtained before starting the study and during the development of the investigation, complying with the procedures established in the investigation phases and the methodology related to CRISP-DM data mining , conformed by six (6) phases: Business understanding, Data understanding, Data Preparation, Modeling, Evaluation and Deployment, which allowed to fulfill the objectives of the research, improving the quality of service evaluations, quantity of vehicles in maintenance and the reduction of maintenance times.La presente investigación tiene como objeto de estudio implementar un modelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet. El tipo de investigación fue del tipo aplicada, retrospectiva, transversal, descriptivo, documental, pretendiendo la solución de un problema o necesidad, donde parte de la información fue obtenida antes de iniciar el estudio y durante el desarrollo de la investigación, dando cumplimiento a los procedimientos establecidos en las fases de la investigación y la metodología relacionada con minería de datos CRISP-DM, conformada por seis(6) fases: Comprensión del negocio, Comprensión de los datos, Preparación de Datos, Modelamiento, Evaluación y Despliegue, las cuales permitieron dar cumplimiento a los objetivos de la investigación, logrando mejorar las evaluaciones de calidad del servicio, cantidad de vehículos en mantenimiento y la reducción de tiempos de mantenimientos.Torres De La Espriella, Daniel Antonioapplication/pdfspaCorporación Universidad de la CostaMaestría en IngenieríaAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Data miningQuality of serviceVehicle maintenanceMinería de datosCalidad de servicioMantenimiento de vehículosModelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca ChevroletTrabajo de grado - MaestríaTextinfo:eu-repo/semantics/masterThesishttp://purl.org/redcol/resource_type/TMinfo:eu-repo/semantics/acceptedVersionEcheverri, LA. 2013). Minería de Datos Inteligente. Recuperado de: https://books.google.com.ve. Fecha de consulta: Feb/2019El Tiempo. (2018). Carros con autodiagnóstico: nueva función Chevystar. Recuperado de: http://www.motor.com.co/actualidad/industria/carros-autodiagnostico-nueva-funcion, Fecha de consulta: Feb/2019El Rincón de JMACOE. (2018). Cinco de los mejores softwares de minería de datos de código libre y abierto. Recuperado de: http://blog.jmacoe.com/gestion_ti/base_de_datos/5- mejores-software-mineria-datos-codigolibre-abierto/. Fecha de Consulta: Ene/2020Florez. 2009. Detección de Patrones de Daños y Averías en la Industria Automotriz. General Motors Brasil Ltda., (2002), Manual de Procesos e Instalación Servicio Personalizado ChevroletMartíne , C. 2016). Identificación de las ventajas de aplicar Minería de Datos en el negocio automotriz. Fundación Universitaria Los Libertadores. Bogotá, Colombia. Recuperado de: https://repository.libertadores.edu.co/bitstream/handle/11371/727/CaroMart%C3%ADnezL auraConsuelo.pdf?sequence=2&isAllowed=y. Fecha de consulta: Ene/2020Marulanda, C., López, M. & Mejía, M. (2017). El acompañamiento educativo como estrategia de cercanía impulsadora del aprendizaje del estudiante. Revista Virtual Universidad Católica del Norte, 50, 224-237. Recuperado de http://revistavirtual.ucn.edu.co/index.php/RevistaUCN/article/view/821/1339. Fecha de consulta: Mar/2020Marcano Aular, Y. J., & Talavera Pereira, R. (2007). Minería de Datos como soporte a la toma de decisiones empresariales.Moine, JM. 2011). Estudio comparativo de metodologías para minería de datos. Recuperado de: https://digital.cic.gba.gob.ar. Fecha de consulta: Mar/2020Pérez, M. (2015). Minería de Datos A través de Ejemplos, Madrid España, AlfaomegaPérez, C. (2004). Técnicas de Análisis Multivariante de Datos Aplicaciones con SPSS, Madrid España, Pearson Educación S.APérez, C,. Santín D. (2007). Minería de Datos Técnica y Herramientas, Madrid España, Thomson Ediciones Paraninfo, S.ARodriguez C., García M., (2016). Adecuación de Minerías de Datos para aplicar a problemas no supervisado tipo atributo - valor. Revista Universidad y Sociedad versión On-line ISSN 2218-3620. Santa Clara. Cuba.Suenaga. 2015. Análisis de deserción-permanencia de estudiantes universitarios utilizando técnica de clasificación en minería de datos Chevystar/27119Caridad y Ocerin, J. (2001). La minería de datos. Análisis de bases de datos en la empresa. Real Academia de Córdoba: http://hdl.handle.net/10396/6657Castellanos Domínguez, O. 2007. Gestión Tecnológica: De un enfoque tradicional a la inteligencia. Universidad Nacional de Colombia. https://www.researchgate.net/publication/322552316_Gestion_Tecnologica_de_un_enfoqu e_tradicional_a_la_inteligenciaJiawey, Jat et al. 2012.Data Mining Concepts and Techniques. Third edition. http://myweb.sabanciuniv.edu/rdehkharghani/files/2016/02/The-Morgan-Kaufmann-Series-in-Data-Management-Systems-Jiawei-Han-Micheline-Kamber-Jian-Pei-DataMining.-Concepts-and-Techniques-3rd-Edition-Morgan-Kaufmnn-2011.pdfJiawey, Jat et al. 2012.Data Mining Concepts and Techniques. Third edition. http://myweb.sabanciuniv.edu/rdehkharghani/files/2016/02/The-Morgan-KaufmannSeries-in-Data-Management-Systems-Jiawei-Han-Micheline-Kamber-Jian-Pei-DataMining.-Concepts-and-Techniques-3rd-Edition-Morgan-Kaufmnn-2011.pdfGutiérrez O., J., & Molina, B. (2016). Identificación de técnicas de minería de datos para apoyar la toma de decisiones en la solución de problemas empresariales. Revista Ontare, 3(2), 33-51. https://doi.org/10.21158/23823399.v3.n2.2015.1440Cortes Bonilla, L y Gantiva Gomez, L.2019.Análisis del proceso de internacionalización de empresas del sector automotriz. Caso: General Motors Colmotores. http://repository.unipiloto.edu.co/handle/20.500.12277/4820Santamaria Castellanos, O. 2017.Análisis de la calidad del servicio postventa y la satisfacción del cliente de los concesionarios de la industria automotriz en Colombia. https://repositorio.unal.edu.co/handle/unal/59799Ceballos, J. 2008. Redes neuronales artificiales aplicadas a la mejora de calidad. Universidad San Ignacio de Loyola. https://www.researchgate.net/publication/282566401_Redes_Neuronales_Artificiales_apli cadas_a_la_mejora_de_la_calidadPerez Lopez, C, y Santin Gonzalez, Daniel. 2007, Minería de datos: Técnicas y Herramientas. p1. Madrid: Ediciones ParaninfoPublicationORIGINALModelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet.pdfModelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet.pdfapplication/pdf2158248https://repositorio.cuc.edu.co/bitstreams/53ad31d9-8090-483d-9d98-e6c2943bcfb0/downloadbdbf5676b89b5b7fcb0fa06e052b2917MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorio.cuc.edu.co/bitstreams/c3b000d5-8128-498d-8139-2ee28e73fc5e/download934f4ca17e109e0a05eaeaba504d7ce4MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-83196https://repositorio.cuc.edu.co/bitstreams/d00104fe-1e87-4229-9e89-551d764cd16d/downloade30e9215131d99561d40d6b0abbe9badMD53THUMBNAILModelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet.pdf.jpgModelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet.pdf.jpgimage/jpeg25516https://repositorio.cuc.edu.co/bitstreams/e65727ff-0e4f-479d-8372-550976650ab1/downloada65ab8206e0cf8d38b3d181029f864c8MD54TEXTModelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet.pdf.txtModelo de minería de datos para la optimización de matrices de mantenimiento en revisiones de vehículos de la marca Chevrolet.pdf.txttext/plain121131https://repositorio.cuc.edu.co/bitstreams/fc80cb95-ec9f-417f-83cf-0d45cb239f91/download526e423ab7a2d1244a5e186386b177dfMD5511323/8372oai:repositorio.cuc.edu.co:11323/83722024-09-17 11:01:20.501http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalopen.accesshttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.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

Publicaciones similares