Algoritmo computacional, para la predicción de nivel de satisfacción de compra de un usuario, utilizando estrategias de machine learning

El presente trabajo se enfoca en brindar una solución a una pequeña cadena de supermercados llamada Merk+, en la predicción de las calificaciones brindadas por sus clientes, en aras de mejorar el servicio brindado y realizar estrategias que permitan a Merk+ tomar mejores decisiones. Dentro del análisis comenzamos con una breve descripción de la situación de Merk+, para posteriormente, con base a la data brindada por la cadena de supermercados; dentro de estos datos podemos encontrar el tipo de datos de nuestras variables, cantidad de personas por género, mapa de correlaciones, gráfico de bigotes, entre otros gráficos y tablas con información, la cual fue previamente limpiada y normalizada con el fin de evitar outliers que puedan afectar nuestro análisis. Con base a nuestro análisis, hemos entregado el uso de algoritmos de clustering y de regresión de datos con múltiples entradas. En el proceso de clustering segmentaremos nuestros clientes o compras, con el fin de poder identificar un factor común que pueda afectar las calificaciones que está entregando los clientes. En cuanto a la regresión de datos con múltiples entradas, le permitirá a Merk+ proyectar la posible calificación por parte del usuario con base a los artículos comprados, método de pago, sucursal de la compra, entre otros. Con esto se busca que Merk+ pueda brindar un mejor servicio para sus clientes y así mismo destacar entre su competencia.

• Autores: Aguirre Aristizábal, Daniel David
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Corporación Universitaria Remington
• Repositorio: Repositorio institucional Uniremington
• Idioma: spa
• OAI Identifier: oai:repositorio.uniremington.edu.co:123456789/5421
• Acceso en línea: https://repositorio.uniremington.edu.co/handle/123456789/5421
• Palabra clave: Recomendación; Sistemas de recomendación; Clustering; IA; Inteligencia artificial; Machine Learning; Regresión con múltiples entradas; Aprendizaje automático (Inteligencia artificial); Satisfacción del consumidor; Análisis de datos
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)