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.advisorFuentes Montoya, José Alexander
dc.contributor.authorÁvila Corchuelo, William Emiro
dc.creator.id79945548
dc.date.accessioned2026-07-30T15:26:26Z
dc.date.issued2026-07-05
dc.description.abstractLas 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.abstractCompanies 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.degreelevelMaestríaspa
dc.description.degreenameMagíster en Ciencias de Datosspa
dc.description.tableofcontents1. 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 recomendacionesspa
dc.formatpdf
dc.format.extent79 páginas
dc.format.mediumRecurso electrónicospa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameinstname:Universidad Eanspa
dc.identifier.localBDM-MGP
dc.identifier.reponamereponame:Repositorio Institucional Biblioteca Digital Minervaspa
dc.identifier.repourlrepourl:https://repository.ean.edu.co/
dc.identifier.urihttps://hdl.handle.net/10882/19440
dc.language.isospa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.programMaestría en Ciencias de Datosspa
dc.relation.referencesA2 Capacitación. (s.f.). Python para ciencia de datos [Curso en línea]. Recuperado de https://a2capacitacion.com
dc.relation.referencesBanco Mundial. (2018). What a Waste 2.0: A global snapshot of solid waste management to 2050. World Bank
dc.relation.referencesColes, M. (2020). Power BI MVP Book: A collection of tips and techniques from Power BI MVPs. Amazon KDP
dc.relation.referencesComisión de Regulación de Agua Potable y Saneamiento Básico [CRA]. (2015). Resolución CRA 720 de 2015. https://www.cra.gov.co
dc.relation.referencesEmpresa 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.referencesEscuela 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.referencesGéron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow (2.ª ed.). O’Reilly Media.
dc.relation.referencesHan, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3.ª ed.). Morgan Kaufmann
dc.relation.referencesHastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2.ª ed.). Springer.
dc.relation.referencesHernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2018). Metodología de la investigación (6.ª ed.). McGraw-Hill.
dc.relation.referencesKimball, R., & Ross, M. (2013). The data warehouse toolkit: The definitive guide to dimensional modeling (3.ª ed.). Wiley
dc.relation.referencesMacQueen, 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.referencesPaper, D. (2020). Hands-on Scikit-Learn for machine learning applications: Data science fundamentals with Python. Apress
dc.relation.referencesPedregosa, 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.referencesProvost, 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.referencesSuperintendencia de Servicios Públicos Domiciliarios [SSPD]. (2023a). Informe de diagnóstico de la calidad del servicio de aseo en Colombia. SSPD.
dc.relation.referencesSuperintendencia de Servicios Públicos Domiciliarios [SSPD]. (2023b). Sistema Único de Información (SUI). https://www.sui.gov.co
dc.relation.referencesTurban, E., Sharda, R., & Delen, D. (2011). Decision support and business intelligence systems (9.ª ed.). Pearson.
dc.relation.referencesVanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O'Reilly Media
dc.rights.accessrightsinfo:eu-repo/semantics/closedAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_14cb
dc.rights.licenseAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject.armarcAnálisis de datosspa
dc.subject.armarcMinería de datosspa
dc.subject.armarcinteligencia de negociosspa
dc.subject.armarcGestión del conocimientospa
dc.subject.proposalInteligencia de Negociosspa
dc.subject.proposalMachine Learningeng
dc.subject.proposalSegmentación de Usuariosspa
dc.subject.proposalServicios Públicosspa
dc.subject.proposalGestión de Residuosspa
dc.subject.proposalClustering K Meanseng
dc.titleModelo 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 datosspa
dc.titleMultidimensional analytical model for the optimization of commercial and operational management in public cleaning services: an approach based on business intelligence and data analyticseng
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.otherTrabajo de grado - Maestría
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
person.affiliation.nameMaestría en Ciencias de Datos

Archivos

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
1.92 KB
Formato:
Item-specific license agreed upon to submission
Descripción: