Publicación: Modelo analítico multidimensional para la optimización de la gestión comercial y operativa en servicios públicos de aseo: un enfoque basado en inteligencia de negocios y analítica de datos
| dc.contributor.advisor | Fuentes Montoya, José Alexander | |
| dc.contributor.author | Ávila Corchuelo, William Emiro | |
| dc.creator.id | 79945548 | |
| dc.date.accessioned | 2026-07-30T15:26:26Z | |
| dc.date.issued | 2026-07-05 | |
| dc.description.abstract | Las empresas que prestan servicios públicos, como el servicio de aseo, enfrentan silos de información entre sus áreas operativas y comerciales. Este proyecto diseñó un modelo analítico multidimensional, basado en Inteligencia de Negocios y segmentación avanzada, para optimizar la gestión de una ESP. La metodología, de enfoque cuantitativo y retrospectivo (2022-2024), integró bases de datos transaccionales mediante un esquema de galaxia y aplicó un algoritmo de Clustering K-Means para perfilar usuarios. Los resultados revelaron que el 70% de las reclamaciones son por facturación y que existe un segmento de "morosos silenciosos". Se concluye que el desafío principal es la calidad de datos comerciales, recomendando una actualización catastral y estrategias de cobranza focalizadas. | spa |
| dc.description.abstract | Companies that provide public services, such as sanitation services, face information silos between their operational and commercial areas. This project designed a multidimensional analytical model, based on Business Intelligence and advanced segmentation, to optimize the management of a public service provider. The methodology, with a quantitative and retrospective approach (2022-2024), integrated transactional databases using a galaxy model and applied a K-Means Clustering algorithm to profile users. The results revealed that 70% of complaints are related to billing and that there is a segment of "silent debtors." The study concludes that the main challenge is the quality of commercial data, recommending a cadastral update and targeted collection strategies. | eng |
| dc.description.degreelevel | Maestría | spa |
| dc.description.degreename | Magíster en Ciencias de Datos | spa |
| dc.description.tableofcontents | 1. Introducción 2. Objetivos (General y específicos) 3. Justificación 4. Marco Institucional, Contextual y Conceptual 5. Diseño Metodológico 6. Diagnóstico Organizacional (Esquema de datos, facturación, cartera) 7. Identificación de Cuentas Clave y Catastro 8. Dinámica operativa y georreferenciación 9. Análisis de experiencia del cliente y PQR 10. Segmentación avanzada mediante clustering 11. Análisis de correlación y modelado predictivo 12. Conclusiones y recomendaciones | spa |
| dc.format | ||
| dc.format.extent | 79 páginas | |
| dc.format.medium | Recurso electrónico | spa |
| dc.format.mimetype | application/pdf | |
| dc.identifier.instname | instname:Universidad Ean | spa |
| dc.identifier.local | BDM-MGP | |
| dc.identifier.reponame | reponame:Repositorio Institucional Biblioteca Digital Minerva | spa |
| dc.identifier.repourl | repourl:https://repository.ean.edu.co/ | |
| dc.identifier.uri | https://hdl.handle.net/10882/19440 | |
| dc.language.iso | spa | |
| dc.publisher.faculty | Facultad de Ingeniería | spa |
| dc.publisher.program | Maestría en Ciencias de Datos | spa |
| dc.relation.references | A2 Capacitación. (s.f.). Python para ciencia de datos [Curso en línea]. Recuperado de https://a2capacitacion.com | |
| dc.relation.references | Banco Mundial. (2018). What a Waste 2.0: A global snapshot of solid waste management to 2050. World Bank | |
| dc.relation.references | Coles, M. (2020). Power BI MVP Book: A collection of tips and techniques from Power BI MVPs. Amazon KDP | |
| dc.relation.references | Comisión de Regulación de Agua Potable y Saneamiento Básico [CRA]. (2015). Resolución CRA 720 de 2015. https://www.cra.gov.co | |
| dc.relation.references | Empresa de Servicios Públicos [ESP]. (2023). Bases de datos transaccionales: facturación, recaudo, cartera, PQR, catastro y puntos críticos (2022-2024) [Conjunto de datos confidencial]. Documento interno. | |
| dc.relation.references | Escuela de Data Science e Inteligencia Artificial. (s.f.). Data Scientist con Python [Ruta de aprendizaje]. Platzi. Recuperado de https://platzi.com/ruta/data-scientist-python/ | |
| dc.relation.references | Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (2.ª ed.). O’Reilly Media. | |
| dc.relation.references | Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3.ª ed.). Morgan Kaufmann | |
| dc.relation.references | Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2.ª ed.). Springer. | |
| dc.relation.references | Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2018). Metodología de la investigación (6.ª ed.). McGraw-Hill. | |
| dc.relation.references | Kimball, R., & Ross, M. (2013). The data warehouse toolkit: The definitive guide to dimensional modeling (3.ª ed.). Wiley | |
| dc.relation.references | MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1(14), 281-297. | |
| dc.relation.references | Paper, D. (2020). Hands-on Scikit-Learn for machine learning applications: Data science fundamentals with Python. Apress | |
| dc.relation.references | Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Pretenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825- 2830. | |
| dc.relation.references | Provost, F., & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O’Reilly Media | |
| dc.relation.references | Superintendencia de Servicios Públicos Domiciliarios [SSPD]. (2023a). Informe de diagnóstico de la calidad del servicio de aseo en Colombia. SSPD. | |
| dc.relation.references | Superintendencia de Servicios Públicos Domiciliarios [SSPD]. (2023b). Sistema Único de Información (SUI). https://www.sui.gov.co | |
| dc.relation.references | Turban, E., Sharda, R., & Delen, D. (2011). Decision support and business intelligence systems (9.ª ed.). Pearson. | |
| dc.relation.references | VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O'Reilly Media | |
| dc.rights.accessrights | info:eu-repo/semantics/closedAccess | |
| dc.rights.coar | http://purl.org/coar/access_right/c_14cb | |
| dc.rights.license | Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject.armarc | Análisis de datos | spa |
| dc.subject.armarc | Minería de datos | spa |
| dc.subject.armarc | inteligencia de negocios | spa |
| dc.subject.armarc | Gestión del conocimiento | spa |
| dc.subject.proposal | Inteligencia de Negocios | spa |
| dc.subject.proposal | Machine Learning | eng |
| dc.subject.proposal | Segmentación de Usuarios | spa |
| dc.subject.proposal | Servicios Públicos | spa |
| dc.subject.proposal | Gestión de Residuos | spa |
| dc.subject.proposal | Clustering K Means | eng |
| dc.title | Modelo analítico multidimensional para la optimización de la gestión comercial y operativa en servicios públicos de aseo: un enfoque basado en inteligencia de negocios y analítica de datos | spa |
| dc.title | Multidimensional analytical model for the optimization of commercial and operational management in public cleaning services: an approach based on business intelligence and data analytics | eng |
| dc.type | Trabajo de grado - Maestría | spa |
| dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa | |
| dc.type.content | Text | |
| dc.type.driver | info:eu-repo/semantics/masterThesis | |
| dc.type.other | Trabajo de grado - Maestría | |
| dc.type.redcol | http://purl.org/redcol/resource_type/TM | |
| dc.type.version | info:eu-repo/semantics/acceptedVersion | |
| dspace.entity.type | Publication | |
| person.affiliation.name | Maestría en Ciencias de Datos |
Archivos
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 1.92 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción:
