Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
En los últimos años, la percepción de la criminalidad ha ido aumentando al dar la sensación de que cada vez son más los delitos que se llevan a cabo. Sin embargo, en lo referente a los crímenes de propiedad, en Estados Unidos la frecuencia con que suceden los delitos ha venido en descenso desde un p...
- Autores:
-
Franco Orjuela, Liza Valentina
- Tipo de recurso:
- Fecha de publicación:
- 2019
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/44037
- Acceso en línea:
- http://hdl.handle.net/1992/44037
- Palabra clave:
- Robo - Predicciones - Investigaciones - Estados Unidos
Robo - Análisis de regresión - Investigaciones - Estados Unidos
Supermercados - Hurto - Investigaciones - Estados Unidos
Probabilidades - Investigaciones - Estudio de casos
Aprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casos
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id |
UNIANDES2_2b45fa459fe777b7c6f8e9205cd280d1 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/44037 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.es_CO.fl_str_mv |
Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos |
title |
Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos |
spellingShingle |
Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos Robo - Predicciones - Investigaciones - Estados Unidos Robo - Análisis de regresión - Investigaciones - Estados Unidos Supermercados - Hurto - Investigaciones - Estados Unidos Probabilidades - Investigaciones - Estudio de casos Aprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casos Ingeniería |
title_short |
Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos |
title_full |
Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos |
title_fullStr |
Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos |
title_full_unstemmed |
Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos |
title_sort |
Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos |
dc.creator.fl_str_mv |
Franco Orjuela, Liza Valentina |
dc.contributor.advisor.none.fl_str_mv |
Gómez Castro, Camilo Hernando Guaje Acosta, Oscar Orlando |
dc.contributor.author.none.fl_str_mv |
Franco Orjuela, Liza Valentina |
dc.subject.armarc.es_CO.fl_str_mv |
Robo - Predicciones - Investigaciones - Estados Unidos Robo - Análisis de regresión - Investigaciones - Estados Unidos Supermercados - Hurto - Investigaciones - Estados Unidos Probabilidades - Investigaciones - Estudio de casos Aprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casos |
topic |
Robo - Predicciones - Investigaciones - Estados Unidos Robo - Análisis de regresión - Investigaciones - Estados Unidos Supermercados - Hurto - Investigaciones - Estados Unidos Probabilidades - Investigaciones - Estudio de casos Aprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casos Ingeniería |
dc.subject.themes.none.fl_str_mv |
Ingeniería |
description |
En los últimos años, la percepción de la criminalidad ha ido aumentando al dar la sensación de que cada vez son más los delitos que se llevan a cabo. Sin embargo, en lo referente a los crímenes de propiedad, en Estados Unidos la frecuencia con que suceden los delitos ha venido en descenso desde un poco más de 20 años atrás. A pesar de lo anterior, es primordial identificar qué factores pueden ser causantes de la vulnerabilidad presente en las zonas en las que esto sucede, específicamente, en establecimientos que son clientes del grupo ALTO en dicho país. Con el propósito de identificar el riesgo que una tienda presenta frente a los hurtos y caracterizar las pérdidas asociadas se propuso clasificar los establecimientos, teniendo en cuenta si estos han sido hurtados o no. A través de minería de datos se buscó extraer relaciones entre las características del entorno que rodea a una tienda de forma que sea posible cuantificar una medida de riesgo que un establecimiento presenta de ser hurtado. Este estudio consideró la Regresión Logística, Random Forest y Support Vector Machine para el desarrollo de la predicción de delitos, porque son considerados algoritmos de aprendizaje eficientes para la predicción de este tipo de datos, como se encontró en la literatura relacionada. Luego de identificar el riesgo de hurto, se estudiaron los comportamientos de las pérdidas relacionadas, para lo cual se utilizaron los valores esperados de las pérdidas a lo largo de la semana y a lo largo del año para identificar periodos en los cuales se presentan pérdidas de mayor valor. Adicionalmente, se recrearon las pérdidas acumuladas tasadas mensualmente, para identificar el volumen de los costos bajos, medios y altos, y con esta información se agruparon las diferentes tiendas haciendo uso del algoritmo k - means. De tal manera que no solo se presentó una aproximación de la vulnerabilidad presentada por cada establecimiento, sino que se encontraron factores en el comportamiento de los costos de las pérdidas que permiten guiar a estrategias de mitigación eficientes para cada tienda de acuerdo con los crímenes que históricamente le han afectado. |
publishDate |
2019 |
dc.date.issued.es_CO.fl_str_mv |
2019 |
dc.date.accessioned.none.fl_str_mv |
2020-09-03T14:30:55Z |
dc.date.available.none.fl_str_mv |
2020-09-03T14:30:55Z |
dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/44037 |
dc.identifier.pdf.none.fl_str_mv |
u827341.pdf |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/44037 |
identifier_str_mv |
u827341.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.es_CO.fl_str_mv |
spa |
language |
spa |
dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
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 |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.es_CO.fl_str_mv |
35 hojas |
dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
dc.publisher.es_CO.fl_str_mv |
Uniandes |
dc.publisher.program.es_CO.fl_str_mv |
Maestría en Ingeniería Industrial |
dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Industrial |
dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
instname_str |
Universidad de los Andes |
institution |
Universidad de los Andes |
reponame_str |
Repositorio Institucional Séneca |
collection |
Repositorio Institucional Séneca |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/be27bac0-2a00-4502-8c21-3f5eb1e85a90/download https://repositorio.uniandes.edu.co/bitstreams/35d2002f-084d-408c-91d6-82a0ca537f09/download https://repositorio.uniandes.edu.co/bitstreams/60d7e9a5-88e3-4aeb-828c-0efc267b6cf8/download |
bitstream.checksum.fl_str_mv |
8090e143079dea0ffca92b38a972a344 c3c7efdccd44b879b8ef2a41b5f3f6c7 4203d6656a62b043b601eab9acb23cc4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812133823035473920 |
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Gómez Castro, Camilo Hernandovirtual::1909-1Guaje Acosta, Oscar Orlandovirtual::1910-1Franco Orjuela, Liza Valentina60d019d9-461a-4589-88f5-2ea1cfd070cf5002020-09-03T14:30:55Z2020-09-03T14:30:55Z2019http://hdl.handle.net/1992/44037u827341.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En los últimos años, la percepción de la criminalidad ha ido aumentando al dar la sensación de que cada vez son más los delitos que se llevan a cabo. Sin embargo, en lo referente a los crímenes de propiedad, en Estados Unidos la frecuencia con que suceden los delitos ha venido en descenso desde un poco más de 20 años atrás. A pesar de lo anterior, es primordial identificar qué factores pueden ser causantes de la vulnerabilidad presente en las zonas en las que esto sucede, específicamente, en establecimientos que son clientes del grupo ALTO en dicho país. Con el propósito de identificar el riesgo que una tienda presenta frente a los hurtos y caracterizar las pérdidas asociadas se propuso clasificar los establecimientos, teniendo en cuenta si estos han sido hurtados o no. A través de minería de datos se buscó extraer relaciones entre las características del entorno que rodea a una tienda de forma que sea posible cuantificar una medida de riesgo que un establecimiento presenta de ser hurtado. Este estudio consideró la Regresión Logística, Random Forest y Support Vector Machine para el desarrollo de la predicción de delitos, porque son considerados algoritmos de aprendizaje eficientes para la predicción de este tipo de datos, como se encontró en la literatura relacionada. Luego de identificar el riesgo de hurto, se estudiaron los comportamientos de las pérdidas relacionadas, para lo cual se utilizaron los valores esperados de las pérdidas a lo largo de la semana y a lo largo del año para identificar periodos en los cuales se presentan pérdidas de mayor valor. Adicionalmente, se recrearon las pérdidas acumuladas tasadas mensualmente, para identificar el volumen de los costos bajos, medios y altos, y con esta información se agruparon las diferentes tiendas haciendo uso del algoritmo k - means. De tal manera que no solo se presentó una aproximación de la vulnerabilidad presentada por cada establecimiento, sino que se encontraron factores en el comportamiento de los costos de las pérdidas que permiten guiar a estrategias de mitigación eficientes para cada tienda de acuerdo con los crímenes que históricamente le han afectado.In recent years, the perception of crime has been increasing and give the feeling that more and more crimes are being carried out. However, in relation to property crimes, in the United States the frequency with which crimes occur has been falling since a little over 20 years ago. In spite of the above, it is essential to identify what factors may be causing the vulnerability present in the areas where this happens, specifically, in establishments that are clients of the ALTO group in that country. In order to identify the risk that a store presents against theft and characterize the associated losses, it was proposed to classify the establishments, taking into account whether they have been stolen or not. Through data mining, it was searched to extract relationships between the characteristics of the environment surrounding a store so that it is possible to quantify a measure of risk that an establishment has to be stolen. This study considered Logistic Regression, Random Forest and Support Vector Machine for the development of crime prediction, because they are considered efficient learning algorithms for the prediction of this type of data, as found in the related literature. After identifying the risk of theft, it was studied the behaviors of the related losses, for which it was used the expected values of the losses throughout the week and throughout the year to identify periods in which there are major losses. Additionally, accumulated monthly losses were recreated to identify the volume of low, medium and high costs, and with this information the different stores were grouped using the k-means algorithm. In such way that not only an approximation of the vulnerability presented in each establishment was presented, but factors were found in the behavior of the costs of the losses that allow guiding efficient mitigation strategies for each store in accordance with the crimes that historically have affected it.Magíster en Ingeniería IndustrialMaestría35 hojasapplication/pdfspaUniandesMaestría en Ingeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería Industrialinstname:Universidad de los Andesreponame:Repositorio Institucional SénecaPredicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados UnidosTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TMRobo - Predicciones - Investigaciones - Estados UnidosRobo - Análisis de regresión - Investigaciones - Estados UnidosSupermercados - Hurto - Investigaciones - Estados UnidosProbabilidades - Investigaciones - Estudio de casosAprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casosIngenieríaPublicationc9bd55b2-0b42-4b25-acc4-1391a7c9dd22virtual::1909-1a7cc3564-315b-44b1-a549-906621977011virtual::1910-1c9bd55b2-0b42-4b25-acc4-1391a7c9dd22virtual::1909-1a7cc3564-315b-44b1-a549-906621977011virtual::1910-1THUMBNAILu827341.pdf.jpgu827341.pdf.jpgIM Thumbnailimage/jpeg23638https://repositorio.uniandes.edu.co/bitstreams/be27bac0-2a00-4502-8c21-3f5eb1e85a90/download8090e143079dea0ffca92b38a972a344MD55ORIGINALu827341.pdfapplication/pdf1874980https://repositorio.uniandes.edu.co/bitstreams/35d2002f-084d-408c-91d6-82a0ca537f09/downloadc3c7efdccd44b879b8ef2a41b5f3f6c7MD51TEXTu827341.pdf.txtu827341.pdf.txtExtracted texttext/plain49366https://repositorio.uniandes.edu.co/bitstreams/60d7e9a5-88e3-4aeb-828c-0efc267b6cf8/download4203d6656a62b043b601eab9acb23cc4MD541992/44037oai:repositorio.uniandes.edu.co:1992/440372024-03-13 12:04:48.328https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |