Proyecto de Investigaci ón Especi alizaci ón en...
59
1 Pr oyect o de I nvesti gaci ón Es peci ali zaci ón en I ngeni erí a de Soft war e Mo del o par a pr edi cci ón de anti ci pos que liber e y pr ovea di ner o a un punt o de at enci ón al públ i co de Ef ect y Aut or es: Edw i n Javi er Monr oy Fer nando Pér ez Pér ez Gr upo 2 Bogot á, 2019
Transcript of Proyecto de Investigaci ón Especi alizaci ón en...
1
Pr oyect o de I nvesti gaci ón
Especi ali zaci ón en I ngeni erí a de Soft ware
Model o para predi cción de anti ci pos que libere y provea di ner o a un punt o
de atenci ón al públi co de Ef ecty
Aut ores: Edwi n Javi er Monroy Fer nando Pérez Pérez
Gr upo 2
Bogot á, 2019
2
Pr oyect o de I nvesti gaci ón
Especi alizaci ón en I ngeni erí a de Softwar e
Model o para predi cción de anti ci pos que libere y provea di ner o a un punt o de atenci ón al públi co de Ef ecty
Aut ores: Edwi n Javi er Monroy Fer nando Pérez Pérez
Gr upo 2
Di rect or: Edgar Jaci nt o Ri ncón
Revi sor: Sandr o Bol años
Bogot á, 2019
3
I ntroducci ón
En l a act uali dad en l as organi zaci ones se ha creado un nuevo model o de
funci ona mi ent o basado en torno a l a capaci dad de utilizar la i nf or maci ón
i nterna y externa de su operaci ón para anti ci parse a l as necesidades de esta y
l as del mercado, dando como resul tado el verdader o val or de la i nf or maci ón
como acti vo y un diferenci ador frent e a l os competi dores.
Para l os procesos operaci onal es de una organi zaci ón dedi cada a l a prestaci ón
de servi ci os de Gi ros, Pagos y Recargas, resul ta de vital i mportanci a anti ci par
movi mi ent os propi os de su operación de tal manera que con el
pr ocesa mi ent o y análisi s de patrones de co mporta mi ent o de l as operaci ones
regi stradas en l as bases de dat os de l a compañí a, se puedan det er mi nar
mo ment os de alto y baj o fl uj o de di nero en l a caj a, per miti endo tomar
deci si ones enca mi nadas a di s mi nui r l a probabili dad de mat eri ali zaci ón de
ri esgos.
Este docu ment o pl ant ea l a creaci ón de un prot oti po de un model o de
pr edi cci ón de anti ci pos para proveer y desabastecer di ner o a los punt os de
at enci ón al públi co, haci endo uso de la i nf or maci ón que será extraí da
medi ant e una ETL.
4
Tabl a de conteni do
I ntroducci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
PARTE I. CONTEXTUALI ZACI ÓN DE LA I NVESTI GACI ÓN . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1. Capí tul o 1: Descri pci ón de l a I nvesti gaci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1. 1. Pl antea mi ent o/I dentificación del probl e ma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1. 1. 1 Pl antea mi ent o del probl e ma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1. 1. 2 For mul aci ón del probl ema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1. 1. 3 Si ste mati zaci ón del probl e ma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1. 2. Obj eti vos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1. 2. 1 Obj eti vo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1. 2. 2 Obj eti vos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1. 3. Justificaci ón del trabaj o / investi gaci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1. 3. 1 Justificaci ón teóri ca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1. 4 Hi pót esi s de trabaj o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1. 5 Marco ref erenci al . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1. 5. 1 Marco teóri co . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1. 5. 2 Marco concept ual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1. 5. 2. 1 Mi nerí a de dat os: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1. 5. 2. 2 Power BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1. 6 Met odol ogí a de l a i nvesti gaci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1. 6. 1 Ti po de estudi o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1. 6. 2 Mét odo de i nvesti gaci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1. 6. 3 Fuent es y técni cas para l a recol ecci ón de i nvestigaci ón . . . . . . . . . . . . . . . . . . . 17
1. 6. 4 Trata mi ent o de l a i nfor maci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1. 7 Or gani zaci ón del trabaj o de grado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
PARTE II: DESARROLL O DE LA I NVESTI GACI ÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2. Capí tul o 2: Arqui tectura empr esari al . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2. 1 Punt os de vi sta de l a capa de negoci o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2. 1. 1 Punt o de vi sta de l a organi zaci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5
2. 1. 2 Punt o de vi sta de cooperaci ón de actor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2. 1. 3 Punt o de vi sta de f unci ón de negoci o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2. 1. 4 Punt o de vi sta de proceso de negoci o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2. 1. 5 Punt o de vi sta de cooperaci ón de proceso de negoci o . . . . . . . . . . . . . . . . . . . 22
2. 1. 6 Punt o de vi sta de product o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2. 2 Punt os de vi sta de l a capa de apli caci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2. 2. 1 Punt o de vi sta de comporta mi ent o de apli caci ón . . . . . . . . . . . . . . . . . . . . . . 23
2. 2. 2 Punt o de vi sta de cooperaci ón de apli caci ón . . . . . . . . . . . . . . . . . . . . . . . . . 24
2. 2. 3 Punt o de vi sta de estruct ura de apli caci ón . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2. 2. 4 Punt o de vi sta de uso de apli caci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2. 3 Punt os de vi sta de l a capa de i nfraestruct ura . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2. 3. 1 Punt o de vi sta de i nfraestruct ura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2. 3. 2 Punt o de vi sta de uso de i nfraestruct ura . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2. 3. 3 Punt o de vi sta de organi zaci ón e i mpl e ment aci ón . . . . . . . . . . . . . . . . . . . . . . 27
2. 3. 4 Punt o de vi sta de estruct ura de i nf or maci ón . . . . . . . . . . . . . . . . . . . . . . . . . 28
2. 3. 5 Punt o de vi sta de real izaci ón del servi ci o . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2. 3. 6 Punt o de vi sta de capas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2. 4 Punt os de vi sta de extensi ón y moti vaci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2. 4. 1 Punt o de vi sta de Stakehol der . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2. 4. 2 Punt o de vi sta de real izaci ón de obj eti vos . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2. 4. 3 Punt o de vi sta de contri buci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2. 4. 4 Punt o de vi sta de pri nci pi os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2. 4. 5 Punt o de vi sta de real izaci ón de requeri mi ent os . . . . . . . . . . . . . . . . . . . . . . . 32
2. 4. 6 Punt o de vi sta de moti vaci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2. 5 Punt os de vi sta de extensi ón de i mpl e ment aci ón y mi graci ón . . . . . . . . . . . . . . . . 33
2. 5. 1 Punt o de vi sta de proyect o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2. 5. 2 Punt o de vi sta de mi graci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2. 5. 3 Punt o de vi sta de mi graci ón e i mpl e ment aci ón . . . . . . . . . . . . . . . . . . . . . . . 34
3. Capí tul o 3: Desarroll o del pr ot oti po . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3. 1 Desarroll o de l a ETL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3. 1. 1 Descri pci ón de tabl as fuent e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3. 1. 2 Descri pci ón de l a ETL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3. 2 Desarroll o del model o de predi cci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6
3. 2. 1. Mi nerí a de dat os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3. 2. 2 Al gorit mos de predi cci ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3. 2. 3. Análi si s predi cti vo con Power BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3. 3 Desarroll o del dashboard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3. 3. 1 Prerrequi sitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Para l a reali zaci ón del present e prot oti po se requi ere tener l os si gui entes el ement os: . . . . . 45
3. 3. 2 Cr eaci ón Model o en Power BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
PARTE III: CI ERRE DE LA I NVESTI GACI ÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4. Capí tul o 4: Resul tados y di scusi ón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4. 1 Resul tados obteni dos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4. 2 Análi sis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5. Capí tul o 5: Concl usi ones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5. 1 Concl usi ón General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5. 2 Verificaci ón, contraste y eval uaci ón de l os obj eti vos . . . . . . . . . . . . . . . . . . . . . . 55
5. 3 Sí ntesi s del model o propuest o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5. 4 Aportes ori gi nal es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6. Capí tul o 6: Prospecti va del trabaj o de grado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6. 1 Lí neas de i nvesti gaci ón futuras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6. 2 Trabaj os de i nvesti gación f ut uros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Bi bli ografí a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Ref erenci as Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7
PARTE I. CONTEXTUALI ZACI ÓN DE LA I NVESTI GACI ÓN
1. Capí tul o 1: Descri pci ón de l a I nvesti gaci ón
En este capí tul o se reali zará una cont extuali zaci ón del caso de est udi o y se
expondrá el li nea mi ent o de l a i nvesti gaci ón en el marco del probl e ma, l os
obj eti vos, l a hi pót esis y el marco ref erencial.
1. 1. Pl antea mi ent o/I dentifi caci ón del probl e ma
1. 1. 1 Pl antea mi ento del probl ema
En l a act uali dad l a operati vi dad di ari a de l os punt os de atención que bri ndan
servi ci os de gi ros postal es y pagos, deben garanti zar tener el fluj o de ef ecti vo
necesari o para atender l as peti ci ones del públi co en general, tant o para
entregar como para reci bi r di nero. Por l o tant o, exi ste una alta posi bili dad de
que se mat eri ali ce el ri esgo de li qui dez el cual ocasi ona que l os ent es
regul atori os apli quen posi bl es sanci ones.
Al no atender oportuna ment e l a de manda y necesi dad de los usuari os, se
generan i nconf or mi dades, quej as o recl a mos l o cual af ecta l a i magen
reputaci onal de l a co mpañí a si n menci onar l os ef ect os l egales. Es por esta
razón, que se propone l a adecuaci ón de un model o de predi cci ón basado en
el comporta mi ent o hi stóri co de cada punt o de atenci ón para proveer el
di ner o sufi ci ente para soportar l a operación; adi ci onal ment e, pr oporci onará
una herra mi enta para anti ci par el exceso de ef ecti vo en l as cajas y así mi s mo
mi ti gar posi bl es ri esgos de seguri dad.
8
1. 1. 2 For mul aci ón del probl ema
Las empr esas de gi ros postal es y pagos hoy por hoy enf ocan sus esf uerzos en
bri ndar una muy buena experi enci a a sus cli entes, i ncl uyendo en mayor parte
l a atenci ón presencial que se ofrece en l os punt os, por l o tant o se debe
ofrecer el servi ci o de manera rápi da y oportuna cuando el cli ente requi ere su
di ner o, l o cual conlleva a l a for mul aci ón de l a si gui ent e pregunt a: ¿Có mo
pl ant ear un model o de predi cci ón que per mi ta anti ci par el fluj o de ef ecti vo
que un punt o de atenci ón requi ere para soportar su operaci ón?.
1. 1. 3 Si stemati zación del probl ema
• ¿Có mo predeci r el fluj o de ef ecti vo que requi ere un punt o de atenci ón
para soportar su operaci ón?
• ¿Có mo al ertar el ri esgo de li qui dez para que se provea al punt o con el
di ner o necesari o?
• ¿Se puede ll evar este mi s mo esque ma a punt os recaudador es para que
li beren y mi ti guen ri esgos por alta captación de ef ecti vo?
9
1. 2. Obj eti vos
1. 2. 1 Obj eti vo general
Di señar un model o de predi cci ón de dat os que medi ant e el análi si s hi stóri co
de dat os deter mi ne de f or ma automáti ca el abasteci mi ent o y
desabasteci mi ent o de di ner o en un punt o de atenci ón al públi co de Ef ecty en
l a ci udad de Bogotá.
1. 2. 2 Obj eti vos específi cos
• Desarroll ar una ETL que extrai ga una muestra de dat os de l os úl ti mos 4
mes es de operaci ones del punt o de atenci ón sel ecci onado y ll eve esta
i nf or maci ón a una tabl a de hechos para su posteri or procesami ent o en l a
capa analíti ca.
• Generar un al goritmo que, medi ant e el análi si s del comporta mi ent o
hi stóri co de operaci ón del punt o de atenci ón Ef ecty, per mi ta predeci r l os
pi cos de abasteci mi ent o y desabasteci mi ent o de di ner o utilizando
model os de recomendaci ón.
• Entregar un Dashboard que a través de l a utilizaci ón de Power BI per mi ta
vi suali zar l a i nf or maci ón procesada y su correspondi ent e recomendaci ón
de apr ovi si ona mi ento de di nero.
10
1. 3. Justifi caci ón del trabaj o / i nvestigaci ón
1. 3. 1 Justifi caci ón teóri ca
La tecnol ogí a. Un sol o concept o que engl oba una i nfi ni dad de ca mbi os,
e mpr endi mi ent o, for mas de pensar y act uar, costumbr es y evol uci ón; l a
mi s ma, que genera una constant e competenci a en l as compañí as, grandes y
pequeñas, por i nnovar, estar en l a del antera y que l as nuevas generaci ones
de cli entes prefi eran utilizar sus servi ci os para garanti zar su sosteni bili dad y
creci mi ent o.
Es por esta razón y sumado a facili dad que l a tecnol ogí a nos bri nda para
opti mi zar procesos que hasta hoy se han reali zado por l a hu mani dad, que
pl ant ea mos esta i nvesti gaci ón para diseñar un prot oti po que utili ce
al gorit mos de análi sis y predi cci ón de dat os que promueve l a generaci ón
conoci mi ent o y val or agregado para el desarroll o de l os procesos, al reali zar
esta i nvesti gaci ón se pretende ta mbi én que Ef ecty tenga herra mi ent as para
facilitar el anti ci par las necesi dades de su operaci ón y preveni r que ocurran
event os que puedan degradar su operaci ón y l a i magen que se debe tener al
ser un ent e encargado de asegurar el fl uj o nor mal de di ner o en l a mi s ma; no
se pretende ree mpl azar l as personas que en l a actuali dad reali zan estas
l abores de f or ma manual, por el contrario se pretende una opti mi zaci ón de
l os recursos que per mi ta reali zar l abores adi ci onal es de pr evenci ón de
i nci denci as y mej orami ent o conti nuo de los procesos.
11
Desde el punt o de vista tecnol ógi co la aut omati zaci ón del proceso de
anti ci pos es una garantí a de seguri dad y una acti vi dad que se incor pora a l a
organi zaci ón para mi ti gar ri esgos exi stentes al i nteri or de l a organi zaci ón que
de ll egar a mat eri alizarse ter mi narí an en detri ment o del patri moni o y una
i magen desfavorabl e para l as partes i nteresadas.
1. 4 Hi pót esi s de trabaj o
Con l a i mpl e ment ación de un model o de anti ci pos l a organi zaci ón estará en
l a capaci dad de sol vent ar l a necesi dad de fl uj o de caj a en cada uno de sus
punt os de atenci ón, con l o cual se garantiza que contara con la cobert ura de
sus necesi dades de abasteci mi ent o y desabasteci mi ent o de di ner o en l os
mo ment os críti cos de l a operaci ón, evi tando así que se mat eri ali cen ri esgos
de li qui dez o un exceso de provi si ón de di ner o que supone un ri esgo a
acti vi dades de vandal is mo.
1. 5 Marco ref erencial
1. 5. 1 Marco teóri co
El análi si s predi cti vo consi ste en l a tecnol ogí a que aprende de l a experi enci a para predeci r el futuro
co mportami ent o de i ndi vi duos para tomar mej ores deci si ones – Eri c Si egel
La mi nerí a de dat os surge de l as nuevas y creci ent es necesi dades del act ual
mercado gl obali zado, en donde se encuentra un gran pot enci al en l a
i nf or maci ón al macenada en l as bases de dat os para ent ender y compr ender a
12
l os cli entes y poder ofrecer servi ci os y product os más enf ocados y
personali zados.
El análi si s predi cti vo es un área de l a mi nerí a de dat os que consi ste en l a
extracci ón de i nf or maci ón exi stent e en l os dat os y su utilizaci ón para predeci r
tendenci as y patrones de comporta mi ento. Este análi si s se funda ment a en l a
i dentifi caci ón de rel aci ones entre vari abl es en event os pasados, para l uego
expl otar di chas relaci ones y predeci r posi bl es resul tados en f ut uras
situaci ones.
Para l ograr esta l abor, es necesari o di sponer de una consi derabl e canti dad de
dat os, tant o actual es como pasados, para poder establ ecer patrones de
comporta mi ent o y así i nduci r conoci mi ento.
Los dat os son l a f uent e de l a que se obti enen l as vari abl es, l as rel aci ones
entre ell as, el conoci mi ent o i nduci do o l os patrones de comport a mi ent o
i dentifi cados, convi rti éndose en un el ement o vital de todo anál isi s predi cti vo.
[1]
1. 5. 2 Marco concept ual
ETL: Proceso de extracci ón, transf or maci ón y carga de dat os (Extract,
Transf or m, Load) [2]. Es un el ement o important e en l a i ntegraci ón de l a
i nf or maci ón l a cual es procesada a través de l as estas tres fases, per mi ti endo
extraer l os dat os rel evant es para el punt o de atenci ón sel ecci onado, procesar
y anali zar esta fuent e para fi nal ment e realizar l a carga en el si ste ma desti no.
13
Fi gura 1. 5. 2. Proceso de una ETL [2]
Dashboar d en Power BI: Es una pági na que a menudo ta mbi én es ll amada
“canvas” l a cual se usa para vi suali zar hi stori as a través de di agra mas
per mi ti endo moni torear el negoci o, buscar respuestas y revi sar l as métri cas
más i mportant es [3].
Fi gura 1. 5. 2. 2. Ej empl o de dashboar d1
1 I magen tomada de https://docs. mi crosoft.com/ en- us/power- bi /servi ce- dashboar ds
14
1. 5. 2. 1 Mi nerí a de datos:
En [ Wi tten & Frank 200] se defi ne l a mi nerí a de dat os como el proceso
extraer conoci mi ento útil y compr ensi ble, previ a ment e desconoci do, desde
grandes canti dades de dat os al macenados en di sti ntitos for matos, es deci r, l a
tarea funda ment al de l a mi nerí a de dat os es encontrar model os i nteli gi bl es a
partir de l os dat os. Para que este proceso sea ef ecti vo, deberí a se aut omáti co
o se mi aut omáti co (asi sti do) y el uso de l os patrones descubi ert os deberí a
ayudar a tomar deci si ones más seguras que reporten, por tant o, al gún
benefi ci o a l a organi zaci ón.
Por l o tant o, dos son l os retos de l a mi nerí a de dat os: Por un l ado, trabaj ar
con grandes vol úmenes de dat os, procedent es mayori tari amente de si stemas
de i nf or maci ón, con l os probl emas que el l o conll eva (rui do, dat os ausent es,
i ntratabili dad, vol atili dad de l os dat os…), y por el otro usar técni cas
adecuadas para analizar l os mi s mos y extraer conoci mi ent o novedoso y útil,
es muchos casos l a utili dad del conocimi ent o mi nado está í nti ma ment e
rel aci onada con l a compr ensi bili dad del model o i nf eri do. No debe mos ol vi dar
que, general ment e, el usuari o fi nal no tiene por qué ser un expert o en l as
técni cas de mi nerí a de dat os, ni tampoco puede per der muc ho ti empo
i nterpretando l os resul tados. Por ell o, en muchas apli caci ones es i mportant e
hacer que l a i nf or maci ón descubi erta sea más compr ensi bl e por l os hu manos
( por ej empl o, usando representaci ones gráfi cas, convi rti endo l os patrones a
l enguaj e nat ural o utilizando técni cas de visuali zaci ón de l os datos).
De una manera si mpl ista pero a mbi ci osa, podrí a mos deci r que el obj eti vo de
l a mi nerí a de dat os es convertir dat os en conoci mi ent o. Este obj eti vo no es
sol o a mbi ci oso si no muy a mpli o. [5]
15
1. 5. 2. 2 Power BI
Power BI Deskt op es una apli caci ón gratui ta que se puede i nstal ar en el equi po l ocal y que l e per mi te conectarse a l os dat os, transf or marl os y vi suali zarl os. Con Power BI Deskt op, puede conectarse a varios orí genes de dat os diferent es y combi narl os ( operaci ón conoci da tambi én como model ado) en un model o de dat os que l e per mi te crear y recopil ar de obj et os vi sual es que puede co mpartir como i nf ormes con otras personas dentro de l a organi zaci ón. La mayorí a de l os usuari os que trabaj an con pr oyect os de i nteli genci a empr esari al usan Power BI Deskt op para crear i nfor mes y l uego usan el servi ci o Power BI para compartir sus i nf or mes con l os de más.
Fi gura 3. 2. Capt ura Power BI deskt op
Los usos más comunes de Power BI Desktop son l os si gui ent es:
• Conectar a dat os • Transf or mar y li mpi ar dat os, para crear un model o de dat os • Cr ear obj et os vi sual es, como gráfi cos o graf os, que pr oporci onan
representaci ones vi sual es de l os dat os
16
• Cr ear i nf or mes que son col ecci ones de obj etos vi sual es, en una o vari as pági nas de i nf or mes
• Co mpartir i nf or mes con otros usuari os medi ant e el servi ci o Power BI
A l as personas que suel en hacerse responsabl es de tal es tareas se l es consi dera a menudo como anali stas de dat os (a l os que a veces se hace ref erenci a sol o con el tér mi no anali stas) o prof esi onal es de i nteli genci a e mpr esari al (a menudo conoci dos como creadores de inf or mes). Si n e mbargo, muchas personas que no se consi deran anali stas o creador es de i nf or mes usan Power BI Deskt op para crear i nf or mes atracti vos o para extraer dat os de vari os orí genes y crear model os de dat os, que pueden compartir con sus compañer os de trabaj o y organi zaci ones.
Con Power BI Desktop, puede crear i nfor mes compl ej os y enri queci dos vi sual ment e, medi ante l os dat os de vari os orí genes, todo en un i nf or me que se puede comparti r con otras personas de su organi zaci ón. [6]
1. 6 Met odol ogí a de l a i nvesti gaci ón
1. 6. 1 Ti po de estudi o
La present e i nvesti gaci ón se abor dará con un ni vel de prof undi dad y est udi o
descri pti vo, puest o que i ni ci al ment e se debe poseer un ni vel alto de
famili ari zaci ón con la l ógi ca de negoci o que se apli ca en l as compañí as de
gi ros postal es, sus aspect os l egal es, ori entaci ón estratégi ca y de más fact ores
que guí an el marco de trabaj o.
Una vez se compr enda el uni verso descrito, se establ ecerá l a pr opuesta del
pr ot oti po de predi cción de anti ci pos el cual requi ere de una pura y compl eta
asoci aci ón entre todas estas vari abl es.
17
1. 6. 2 Mét odo de i nvesti gaci ón
Parti endo del obj eti vo pl ant eado para dar sol uci ón al probl ema y al al cance
pr opuest o en el present e document o, la apli caci ón de un pr ocedi mi ent o
basado en análi si s se hace preci so en esta i nvesti gaci ón para l a adqui si ci ón
del conoci mi ent o tant o del negoci o de gi ros postal es como en l as
herra mi entas tecnol ógi cas que se utilizarán en el desarroll o de la sol uci ón.
1. 6. 3 Fuent es y técni cas para l a recol ecci ón de i nvesti gación
El desarroll o de l a present e i nvesti gaci ón requi ere l a utilizaci ón de f uent es
pri mari as y secundarias de i nf or maci ón para l os dos si gui ent es frent es:
1. Estado y manej o actual de soli citudes de anti ci pos o présta mos que
reali zan l os punt os de atenci ón y su correspondi ent e gesti ón por parte
del área operati va de l a compañí a. Para el l evanta mi ent o de esta
fuent e pri mari a, se utilizarán técni cas de entrevi stas y cuesti onari os.
2. Estado del arte en cuant o a sol uci ones de BI se refi ere, por lo cual se
obt endrá esta fuent e secundari a a través de técni cas como l a consul ta
de text os y documentos.
1. 6. 4 Trata mi ent o de l a i nf or maci ón
La i nf or maci ón obt eni da por l as fuent es pri mari as será codi fi cada y tabul ada
con el fi n de determi nar pará metros que guí en el curso del proyect o,
teni endo en cuenta l os ni vel es de sati sfacci ón de l as áreas usuari as que
18
i ntervi enen en el pr oceso de anti ci pos. Adi ci onal ment e y medi ant e l a
utilizaci ón de di agramas UML se presentarán l os resul tados obt eni dos en l a
i nvesti gaci ón.
1. 7 Or gani zaci ón del trabaj o de grado
• Parte I: Cont ext ualizaci ón de l a i nvesti gaci ón
En este capí tul o se defi ne y detall a el probl ema de l a i nvesti gaci ón y l os
obj eti vos propuest os, tambi én procedere mos a anali zar y defi ni r l a
j ustifi caci ón de l a i nvesti gaci ón y l a hi pót esi s de trabaj o.
• Parte II: Desarroll o de l a i nvesti gaci ón
I ni ci al ment e se expondrá l a arqui tect ura e mpr esari al del model o propuest o y
se entrará en el detall e del desarroll o del prot oti po. En el desarroll o de l a
i nvesti gaci ón se expondrán l os concept os necesari os que se utilizarán en el
transcurso del proyect o y se trabaj ará en el di seño e i mpl e ment aci ón de l a
herra mi enta.
• Parte III: Ci erre de l a i nvesti gaci ón
En l a parte fi nal del present e docu ment o, se expondrán los resul tados
obt eni dos y se reali zará el análi si s de estos una vez se publi que y se reali cen
pr uebas pil ot o en el punt o de atenci ón al públi co sel ecci onado.
19
PARTE II: DESARROLL O DE LA I NVESTI GACI ÓN
2. Capí tul o 2: Arqui tectura empr esari al En este capí tul o se expondrán todos los punt os de vi sta a ni vel de l a
ar qui tect ura empr esari al tant o de l a organi zaci ón como de l a sol uci ón
pr opuesta de l a present e i nvesti gaci ón.
2. 1 Punt os de vi sta de l a capa de negoci o En l a seri e de punt os de vi sta a ni vel de l a capa de negoci o, se exponen l os
concept os cl aves que i ntervi enen en el proceso de negoci o.
2. 1. 1 Punt o de vi sta de l a organi zaci ón Ef ecty como prestador de servi ci os de giros, pagos y recargas acude a l os
servi ci os de l a transportadoras de val ores para abastecer y desabastecer de
di ner o l as caj as de sus punt os de atenci ón, garanti zando un fluj o constant e
de ef ecti vo. Adi ci onal ment e, al i nteri or de l a organi zaci ón se ven af ectados 3
act ores en el desarroll o de este proceso.
Fi gura 2. 1. 1. Punt o de vi sta de l a organi zaci ón
20
2. 1. 2 Punt o de vi sta de cooperaci ón de actor
En este punt o de vi sta se descri be l a i nteracci ón que ti ene l os act ores Caj ero
y Anali sta desde sus respecti vos rol es de Especi ali sta en Servi ci o y
Operaci ones haci a el si stema Si eweb Li ve, de i gual manera cómo operaci ones
reali za comuni caci ón di recta con l a transportadora para gesti onar el
abasteci mi ent o y desabasteci mi ent o de diner o.
Fi gura 2. 1. 2. Punt o de vi sta de cooperaci ón de act or
2. 1. 3 Punt o de vi sta de f unci ón de negoci o
En este punt o de vi sta ve mos dos rol es con sus correspondi entes act ores l os
cual es son l os que i ntervi enen en el proceso de abasteci mi ent o y
desabasteci mi ent o de un punt o de atención. La funci ón gesti onar fl uj o que es
reali zada por el anali sta operati vo, di spara l as funciones regi strar
i ngreso/egreso que posteri or ment e reali zará el especi ali sta en servi ci o.
21
Fi gura 2. 1. 3. Punt o de vi sta de f unci ón de negoci o
2. 1. 4 Punt o de vi sta de proceso de negoci o Aquí se muestra l a secuenci a de l os procesos de negoci o (al erta de ef ecti vo y
soli citud a TV) que di sparan l os event os: operaci ón en PAP y regi stro de
i ngreso/egreso. Es deci r, l as transacci ones que se generan di ari ament e en el
punt o de atenci ón son l as que ali ment an el model o.
Fi gura 2. 1. 4. Punt o de vi sta de proceso de negoci o
22
2. 1. 5 Punt o de vi sta de cooperaci ón de proceso de negoci o
Una al erta de Ef ecti vo puede generarse para envi ar o recoger di ner o en un
punt o de atenci ón y es operaci ones qui en desde diferent es herra mi ent as se
encarga de gesti onar l as acti vi dades de l a transportadora, para el caj ero l as
operaci ones son sol ament e de regi stro de i nf or maci ón para que se af ecte su
MDC.
Fi gura 2. 1. 5. Punt o de vi sta de cooperaci ón de proceso de negoci o
2. 1. 6 Punt o de vi sta de product o
Este punt o de vi sta se enf oca en mostrar el val or que el product o ofrece a sus
cli entes graci as al model o de predi cción. Mostra mos dos servi ci os del
negoci o que hacen posi bl e el cumpli mi ento del contrat o de requeri mi ent o de
li qui dez que ri ge a l a organi zaci ón.
23
Fi gura 2. 1. 6. Punt o de vi sta de product o
2. 2 Punt os de vi sta de l a capa de apli caci ón En l a capa de apli cación, se exponen l os concept os i nherent es a l a apli caci ón
y el desarroll o de esta.
2. 2. 1 Punt o de vi sta de comporta mi ent o de apli caci ón Este punt o de vi sta muestra como l a apli caci ón provee l os el ement os
necesari os para que desde el módul o de operaci ones se gesti onen l as
soli citudes haci a l as transportadoras de val ores.
Fi gura 2. 2. 1. Punt o de vi sta de comportami ent o de apli caci ón
24
2. 2. 2 Punt o de vi sta de cooperaci ón de aplicaci ón
En este punt o de vista pode mos observar l os diferent es component es de
apli caci ón que i ntervi enen en el proceso de abastecer y desabast ecer de
di ner o un punt o de at enci on i ncl uyendo l os servi ci os de l a transpont adora a
través de l os cual es se reali zan aut omáti cament e l as soli citudes.
Fi gura 2. 2. 2. Punt o de vi sta de cooperaci ón de apli caci ón
2. 2. 3 Punt o de vi sta de estruct ura de apli caci ón
El obj eti vo en este punt o de vi sta es mostrar cómo es l a i nteracci ón entre l os
di ferent es componentes medi ant e l as i nterfaces que al gunos exponen y
otros consumen o utilizan.
25
Fi gura 2. 2. 3. Punt o de vi sta de estruct ura de apli caci ón
2. 2. 4 Punt o de vi sta de uso de apli caci ón
En el uso de apli caci ón, se muestran l os servi ci os que ofrecen cada uno de l os
component es y l os pr ocesos de negocio que ali ment an. En el si gui ent e
di agra ma se observa que el regi stro de i ngresos y egresos son l os que
ali ment an el MDC a través del portaf oli o de servi ci os, y a su vez, que Power BI
es qui en ofrece el model o de predi cci ón para di sparar l a al erta operati va.
Fi gura 2. 2. 4. Punt o de vi sta de uso de aplicaci ón
26
2. 3 Punt os de vi sta de l a capa de i nfraestruct ura En l a capa de i nfraestruct ura, se entra al detall e de l os component es y nodos
de i nfraestruct ura que soportan l a funci onali dad de l a apli caci ón.
2. 3. 1 Punt o de vi sta de i nfraestructura
En este punt o de vi sta el obj eti vo es mostrar a ni vel tecnol ógi co l a
i nfraestruct ura que soporta a l a organi zaci ón como se muestra a
conti nuaci ón.
Fi gura 2. 3. 1. Punt o de vi sta de i nfraestructura.
27
2. 3. 2 Punt o de vi sta de uso de i nfraestruct ura
En el si gui ente diagra ma, se reali za un zoom de l os nodos en l a
i nfraestruct ura para mostrar l os component es i nternos.
Fi gura 2. 3. 2. Punt o de vi sta de uso de i nfraestruct ura
2. 3. 3 Punt o de vi sta de organi zaci ón e i mpl e ment aci ón Se qui ere mostrar a través de este di agra ma, l a i nteracci ón entre nodos y
component es que dan sol uci ón al requeri mi ent o y obj eti vos pl ant eados. A
conti nuaci ón, se puede observar el servi ci o que ali ment a el model o de
pr edi cci ón, sus sali das y dependenci as.
Fi gura 2. 3. 3. Punt o de vi sta de organi zaci ón e i mpl e ment aci ón.
28
2. 3. 4 Punt o de vi sta de estruct ura de i nf ormaci ón
En el present e punt o de vi sta se muestra a ni vel de base de datos l as tabl as
SQL que en este caso i ntervi enen y son necesari as para l ograr la correcta
pr edi cci ón del model o y su posteri or vi sualizaci ón en el dashboar d.
Fi gura 2. 3. 4. Punt o de vi sta de estruct ura de i nf or maci ón
2. 3. 5 Punt o de vi sta de reali zaci ón del servici o En este punt o de vi sta, se pretenden il ustrar l os rol es y funci ones que l ogran
l a reali zaci ón del servi ci o; adi ci onal ment e, l a estruct ura de i nf or maci ón
pri nci pal que conti ene l a data necesari a para su reali zaci ón.
Fi gura 2. 3. 5. Punt o de vi sta de reali zaci ón del servi ci o
29
2. 3. 6 Punt o de vi sta de capas
En el punt o de vi sta de capas, como l o i ndi ca su nombr e, se refi ere a l as
capas que soportan l a funci onali dad: Negoci o, Apli caci ón e Infraestruct ura.
Las cual es en ese orden dependen entre sí y l o que cada una aporta al l ogr o
de l os obj eti vos y funci onali dad.
Fi gura 2. 3. 6. Punt o de vi sta de capas
2. 4 Punt os de vi sta de extensi ón y mot ivaci ón En cuant o a extensi ón y moti vaci ón, se plant ean l os obj eti vos de l a sol uci ón y
l a for ma en que i nteract úan l os actores y la apli caci ón con estos.
30
2. 4. 1 Punt o de vi sta de Stakehol der El obj eti vo en este punt o de vi sta es mostrar desde cada Stakehol der que
i ntervi ene en el proceso, sus obj eti vos y la manera en l a cual se val ora. Como
ej empl o, el caj ero ti ene como obj eti vo ofrecer l os servi ci os de pagos, gi ros y
recargas l o cual se val ora en el i ncre ment o del fl uj o transacci onal.
Fi gura 2. 4. 1. Punt o de vi sta de stakehol der
2. 4. 2 Punt o de vi sta de reali zaci ón de obj etivos En este punt o de vi sta se presentan l os requeri mi ent os y restri cci ones por
cada obj eti vo pl anteado en el di agra ma anteri or.
Fi gura 2. 4. 2. Punt o de vi sta de reali zaci ón de obj eti vos.
31
2. 4. 3 Punt o de vi sta de contri buci ón El punt o de vi sta de contri buci ón muestra cómo contri buye un requeri mi ent o
o restri cci ón al l ogro de un obj eti vo. Cada contri buci ón puede ayudar poco o
mucho a su correspondi ent e reali zaci ón.
Fi gura 2. 4. 3. Punt o de vi sta de contri buci ón
2. 4. 4 Punt o de vi sta de pri nci pi os Con el obj eti vo sel ecci onado, se procede a il ustrar l os pri nci pi os que l o
componen y una breve descri pci ón de ellos, si empr e resal tando el val or que
agregan a l a organi zaci ón.
Fi gura 2. 4. 4. Punt o de vi sta de pri nci pi os
32
2. 4. 5 Punt o de vi sta de reali zaci ón de requeri mi ent os
En l a reali zaci ón de requeri mi ent os, se exponen todos aquell os que se
necesi tan cumpli r para al canzar el l ogro del obj eti vo.
Fi gura 2. 4. 5. Punt o de vi sta de reali zaci ón de requeri mi ent os.
2. 4. 6 Punt o de vi sta de moti vaci ón
Se enl aza el obj eti vo y el rol del actor que l o cumpl e, adici onal ment e l a
val oraci ón y el manej ador li gado al rol. Se pueden ta mbi én exponer l os
requeri mi ent os más important es del obj etivo.
Fi gura 2. 4. 6. Punt o de vi sta de moti vaci ón.
33
2. 5 Punt os de vi sta de extensi ón de i mpl ement aci ón y mi graci ón 2. 5. 1 Punt o de vi sta de proyect o
En este punt o de vi sta de proyect o, se muestra el paquet e de trabaj o que
conll eva a l a reali zaci ón del obj eti vo y en qué rel ease se publi cará.
Adi ci onal ment e, se rel aci onan l os rol es y actores que son directa ment e
i mpactados con el proyect o.
Fi gura 2. 5. 1. Punt o de vi sta de proyect o
2. 5. 2 Punt o de vi sta de mi graci ón
Las pl ateas son aquell os “escal ones” que se al canzan una vez la brecha haya
si do superada. Este punt o de vi sta muestra l os pasos a segui r para consegui r
l as pl ateas propuestas en l a vi si ón de l a organi zaci ón.
34
Fi gura 2. 5. 2. Punt o de vi sta de mi graci ón
2. 5. 3 Punt o de vi sta de mi graci ón e i mpl ementaci ón
En el si gui ente punto de vi sta se retoma el di agra ma de mi graci ón y se
adi ci ona el paquet e de trabaj o a desarroll ar, su ubi caci ón, el obj eti vo en el
que se enf oca y el rol i mpactado por su i mpl e ment aci ón.
Fi gura 2. 5. 3 Punt o de vista de mi graci ón e i mpl e ment aci ón
35
3. Capí tul o 3: Desarroll o del prot oti po En este capí tul o se menci ona el detall e del análisi s y desarroll o del prot oti po,
sus component es y su f unci onali dad.
3. 1 Desarroll o de l a ETL
3. 1. 1 Descri pci ón de tabl as fuent e Dando i ni ci o a l a construcci ón de l a ETL que va a reali zar el proceso de
extracci ón, transf ormaci ón y carga de l a i nf or maci ón, a conti nuaci ón,
det all amos el ori gen y descri pci ón de l as tabl as.
• MDCOperaci ones:
En esta tabl a se almacena en lí nea l a i nf or maci ón transacci onal de l as
operaci ones que se reali zan en todos l os punt os de atenci ón de l a red. Se
destacan ca mpos como: ti po (i ngreso o egreso), códi go, punto de servi ci o,
fecha y val or.
• MDCOperaci ones_sp:
Al i gual que l a tabla anteri or, aquí se al macena l a mi s ma i nf or maci ón
transacci onal pero excl usi va ment e de l as operaci ones de pagos de servi ci os
públi cos.
• MDCDi ari o:
Esta tabl a es el resul tado del proceso de corte noct urno que se real i za
di ari ament e en el si stema, l a cual conti ene l os sal dos cal cul ados de todos l os
punt os de servi ci o de l a red.
• PUNT OSERVI CI O:
Aquí se al macena l a i nf or maci ón detall ada de cada punt o de atenci ón, tal
como: códi go del punt o, descri pci ón, estado, ubi caci ón, regi onal , tel éf ono
entre otros. Esta tabla es si ncroni zada haci a l a apli caci ón cli ente POS de l os
punt os de servi ci o.
36
• PUNT OSERVI CI O_EXT:
Esta tabl a es una extensi ón de l a menci onada en el punt o ant eri or l a cual
conti ene pará metros de operaci ón adi ci onal es por cada punt o de servi ci o. Se
utiliza en procesos de server en donde no se requi ere l a si ncroni zaci ón de
esta i nf or maci ón hacia l a apli caci ón cli ente que se ej ecuta en cada di sposi ti vo
del punt o.
Estas tabl as serán l a base i ni ci al y más i mportant e del proceso ya que serán
l as que ali ment en l a tabl a de hechos que será utilizada por el model o de
pr edi cci ón desarroll ado.
37
Fi gura 3. 1. 1. Di agra ma enti dad rel aci ón SQL – tabl as fuent e
38
3. 1. 2 Descri pci ón de la ETL
La ETL consta de dos pasos, l os cual es se pueden vi suali zar en l a fi gura
3. 1. 2. 1. I ni ci al ment e se reali za un filtro con l os punt os sel ecci onados y se
toma l a si gui ent e i nfor maci ón de cada uno:
• Códi go
• Descri pci ón ( Nombr e del PAP)
• Estado ( Acti vo, I nactivo)
• Muni ci pi o
• Al erta sal do en caj a
• Máxi mo sal do en caja
Esta i nf or maci ón es envi ada al nodo que procesa l a i nf ormaci ón de cada
punt o y l a guarda. Paso que se descri be en l a fi gura 3. 1. 2. 2.
Fi gura 3. 1. 2. 1. Paso pri nci pal de l a ETL.
Co mo paso secundari o, se toma cada punto y se consul ta l a i nf or maci ón de
l os movi mi ent os reali zados tant o en l a tabl a MDCOperaci ones como en
MDCOperaci ones_sp.
39
Posteri or ment e se pr ocede a unifi car los data tabl es obt eni dos para así
guar darl os en l a estruct ura requeri da y descrita en l a tabl a
CONS OLI DADO_OPERACI ONES.
Fi gura 3. 1. 2. 2. Paso secundari o de l a ETL.
En esta tabl a se guarda l a si gui ent e i nf ormaci ón l a cual es fuent e para el
pr oceso de predi cci ón:
• Ti po (I ngreso o egreso)
• Códi go (i dentifi cador de cada ti po)
• Punt o de servi ci o
40
• Caj ero
• Fecha de l a operaci ón
• Val or de l a transacci ón
• Caj a
Fi gura 3. 1. 2. 3 Di agrama enti dad rel aci ón SQL – tabl a desti no
3. 2 Desarroll o del model o de predi cción 3. 2. 1. Mi nerí a de dat os
Un al gorit mo en mi nerí a de dat os ( o aprendi zaj e aut omáti co) es un conj unt o
de heurí sti cas y cál cul os que per mi ten crear un model o a partir de dat os.
Para crear un model o, el al gorit mo anali za pri mer o l os dat os proporci onados,
en busca de ti pos específi cos de patrones o tendenci as. El al gori t mo usa l os
resul tados de este análi si s en un gran númer o de iteraci ones para det er mi nar
l os pará metros óptimos para crear el model o de mi nerí a de dat os. A
conti nuaci ón, estos pará metros se apli can en todo el conj unt o de dat os para
extraer patrones procesabl es y estadí sti cas detall adas. [7]
41
Fi gura 3. 2. 1. Análi si s se manal PAP 010671 ( Di recci ón general)
Al reali zar un pri mer análi si s del comporta mi ent o mensual del punt o de
at enci ón sel ecci onado y cl asifi cando la i nf or maci ón se manal ment e, se
observa un comportami ent o en el que destacan patrones en su mayorí a para
el desabasteci mi ent o de di ner o.
Por tal moti vo y debi do a que se requi ere l a predi cci ón de vari abl es
nu méri cas conti nuas ( dí a, val or y acci ón: liberar o proveer) basándose en l os
atri but os del conj unto de dat os (Fecha, ti po de movi mi ento y val or), se
pr ocede con l a i nvesti gaci ón y sel ecci ón del al gorit mo de predi cci ón ópti mo
para l a l abor propuesta.
3. 2. 2 Al gorit mos de predi cci ón
Exi sten diferent es algori t mos de predi cción por l o cual l a el ecci ón para una
tarea específi ca puede ser un desafí o. [6]
42
o Al gorit mos de cl asificaci ón, que predi cen una o más vari abl es
di scretas, basándose en l os de más atri but os del conj unt o de
dat os.
o Al gorit mos de regresi ón, que predi cen una o más vari abl es
nu méri cas conti nuas, como pér di das o gananci as, basándose en
otros atri but os del conj unt o de dat os.
o Al gorit mos de seg ment aci ón, que di vi den l os dat os en grupos, o
cl ústeres, de el ementos que ti enen propi edades si mil ares.
o Al gorit mos de asoci aci ón, que buscan correl aci ones entre
di ferent es atri but os de un conj unt o de dat os. La apli caci ón más
común de esta cl ase de al gorit mo es l a creaci ón de regl as de
asoci aci ón, que pueden usarse en un análi si s de l a cesta de
compr a.
o Los al gorit mos de análisis de secuenci as resumen l as secuenci as
frecuent es o epi sodi os en l os dat os, como una seri e de cli cs en
un siti o web o una seri e de event os de regi stro que preceden al
mant eni mi ent o del equi po.
Debi do a que l a predi cci ón que se desea desarroll ar se basa en
i nf or maci ón temporal hi stóri ca y del co mporta mi ent o del fl uj o de
di ner o en un punt o de atenci ón, por ej empl o, se ti ene el Al gorit mo de
seri e tempor al de Mi crosoft.
43
Fi gura 3. 2. 2. Al gorit mo de seri e temporal de Mi crosoft [8]
Este al gorit mo puede predeci r tendenci as basadas úni cament e en el
conj unt o de dat os origi nal utilizado para crear el model o.
• La i nf or maci ón hi stóri ca aparece a l a izqui erda de l a lí nea verti cal y
representa l os dat os que el al gorit mo utiliza para crear el model o.
• La i nf or maci ón de l a pr edi cci ón aparece a l a derecha de l a lí nea verti cal y
representa l a previ sión reali zada por el model o.
3. 2. 3. Análi si s predi ctivo con Power BI
Mi cr osoft, con l a sol uci ón de Power BI pone a di sposi ci ón la f unci ón de
forecasti ng l a cual per mi te hacer predi cci ones sobre seri es tempor al es. Esta
funci onali dad usa el al gorit mo ‘ exponential s moot h’ (supervi sed l earni ng), y
se encuentra di sponi bl e en el panel de ‘ anal yti cs’ del grafi co de lí nea;
si empr e y cuando l a vari abl e pri nci pal es te mpor al (for mat o ‘ date’). [8]
44
Fi gura 3. 2. 3. 1 Ej empl o de f orecasti ng [8]
En l a fi gura anteri or l a lí nea azul corresponde a l a i nf or maci ón hi stóri ca l a
cual es fuent e del model o. La parte gri s defi ne l a predi cci ón del al gorit mo y el
i nterval o de l a predi cci ón ( probabili dad de l a predi cci ón).
TBATS Tri gono metric seasonality, Box- Cox transf or mati on, AR MA errors,
Trend and Seasonal co mponents, por sus si gl as en i ngl es es un al gori t mo que
se basa en l os mét odos de suavi zado exponenci al, cada estaci onali dad se
model a medi ant e una representaci ón tri gonométri ca basada en seri es de
Fouri er. Una ventaj a i mportant e de este enf oque es que requi ere sol o 2
estados semill a i ndependi ent e ment e de la duraci ón del perí odo. Otra vent aj a
es l a capaci dad de model ar ef ect os estaci onal es de l ongi tudes no ent eras.
Por ej empl o, dada una seri e de observaci ones di ari as, se pueden model ar
años bi si estos con una temporada de 365.25. [9]
45
Fi gura 3. 2. 3. 2 For mul aci ón Forecasti ng TBATS [9]
3. 3 Desarroll o del dashboard
3. 3. 1 Prerrequi sitos
Para l a reali zaci ón del present e prot oti po se requi ere tener l os si gui ent es el ement os:
a) Vi sual Studi o 2019 Enterpri se con I ntegration Servi ces.
b) Cuent a empr esari al en Power BI prof esi onal asoci ada a Offi ce 365.
c) Apli caci ón R Versi ón 3. 6. 0
d) RSt udi o Versi ón 1. 2. 1335
e) Sql Server 2014 o superi or
46
3. 3. 2 Creaci ón Model o en Power BI
I. Dentro de Power BI se carga el model o con l a tabl a del detalle de l as transacci ones y con l as herra mi entas de Power BI se crea una vi sta ll amada TRANSACCI ONES que per mi te reali zar trata mi ent o especí fi co sobre al gunos dat os tal es como el val or y el agrupa mi ent o por ti po de movi mi ent o (I ngreso-Egreso).
Fi gura 3. 3. 2. 1 Model o de Dat os Power BI
Se crea dentro del model os de dat os para l a predi cci ón, una vi sta ll amada Transacci ones que per mi te sacar por puntos l os máxi mos y mí ni mos de sal do en l a caj a, confi gurados por punt o de atenci ón y cal cul ar l os valor es de f or ma posi ti va o negati va dependi endo de si son I ngreso o Egreso a l a caj a del punt o.
SELECT CONOPEcodigops AS CODIGO_PAP, CONOPEtipo AS TIPO, CONVERT(DATE,CONOPEfechaOperacion) AS FECHA_OPERACION, SUM(CONOPEValorEfectivo) AS VALOR_EFECTIVO, MAX(PUNSERmaximoSaldoEnCaja) AS MAX_SALDO_CAJA, MAX(PUNSERAlertaSaldoCaja) AS ALERTA_SALDO_CAJA, SUM(CASE WHEN CONOPEtipo = 'I' THEN CONOPEValorEfectivo ELSE CONOPEValorEfectivo * -1 END) AS VALOR FROM PUNTOSERVICIO PS WITH(NOLOCK) INNER JOIN CONSOLIDADO_OPERACIONES CO WITH(NOLOCK) ON PS.PUNSERcodigo = CO.CONOPEcodigops
47
Fi gura 3. 3. 2. 2 Query creaci ón vi sta
ll. El Dashboar d se compone de cuatro tabl eros que per mi tes detall ar l os
component es de l a data hi stóri ca anali zada para l uego crear el model o de
pr edi cci ón de dat os, l os dat os anali zados en pri mera i nstanci a corresponden
a movi mi ent os transacci onal es de l os últi mos 16 meses para 11 punt os de
at enci ón di stri bui dos en l a geografí a col ombi ana, estos punt os son l os que
representan l a mayor canti dad de transacci ones con un total de 7. 900. 000
regi stros procesados entre operaci ones de i ngreso y egreso.
Val or de l as Operaciones:
En el pri mer tabl ero pode mos observar los val ores de l as transacci ones por
fecha en un grafi co de barras, de f or ma vi sual se pueden i denti fi car un
paral el o entre l os valor es por i ngreso y egreso.
48
Fi gura 3. 2. 2. 3. Consol i dado Val or de l as Operaci ones
Al erta de Operaci ones:
En este grafi co tenemos l os val ores de las transacci ones por fecha en un
gráfi co de barras, este grafi co nos proporci ona para el ej e y en val ores l a
di recci ón posi ti va y negati va de l os movi mi ent os caj a dependi endo de si el
movi mi ent o represent a una af ectaci ón posi ti va o negati va en tér mi nos de l os
val ores de l as operaciones de i ngreso o egreso.
49
Fi gura 3. 2. 2. 4 Capt ura de dashboar d de alerta
Pr edi cci ón de Operaci ones:
El tabl ero de predi cci ón de dat os nos per mi te filtrar l as transacci ones por
fecha y reali zar el pronósti co de sal do en l a caj a para l os si gui ent es 15 dí as a
l a fecha fi nal del filtro. Ta mbi én se puede filtrar por punt o de atenci ón y
reali zar el análi si s para operaci ones de i ngreso, egreso o sal do en l a caj a
(i ngresos - egresos), esta predi cci ón se hace con un i nterval o de confi anza del
85%.
Para reali zar l a predi cci ón en el model o se i mpl e ment aron dos al gori t mos de
pr edi cci ón Forecasti ng propi o de Power BI y Forecasti ng TBATS un al gori t mo
basado en R, este úl ti mo por ser u algori t mo mat e máti co basado una
expansi ón de una f unci ón peri ódi ca f (x) en tér mi nos de una su ma i nfi ni ta de
senos y cosenos ta mbi én conoci do como análi si s ar móni co, per mi te reali zar
una predi cci ón más apr oxi mada a l as operaci ones transacci onales del caso de
est udi o.
50
Fi gura 3. 2. 2. 5. Capt ura de l a predi cci ón por operaci ones
Mapa por Punt os
En el tabl ero de mapa de punt os se puede reali zar una consul ta de l a
canti dad de operaci ones por punt o de servi ci o parti endo de la sel ecci ón de
est os sobre el mapa de Col ombi a, de esta for ma se puede hacer una
sel ecci ón de punt os i ntui ti va y rel aci onando l os punt os por departa ment o
para que se tenga un panora ma cl aro de l a operati vi dad de ell os para cada
regi onal.
Fi gura 3. 2. 2. 6 Capt ura del mapa por punt os
51
PARTE III: CI ERRE DE LA I NVESTI GACI ÓN
4. Capí tul o 4: Resul tados y di scusión En esta úl ti ma parte de l a i nvesti gaci ón, se pretenden exponer l os resul tados
obt eni dos y reali zar un análi si s de est os.
4. 1 Resul tados obteni dos En l a present e i nvesti gaci ón se tomar on te mas i mportant es de l a i nteli genci a
de negoci os o BI l os cual es fueron i mportantes para el desarroll o de esta.
Recor de mos que el uso e i nterpretaci ón de l os dat os que constant e ment e
generan todas l as i ndustri as en un mundo gl obali zado es de vital i mportanci a
para el creci mi ent o de l as organi zaci ones y defi ne l as estrategi as que estas
deben tomar.
A l o l argo de este docu ment o f uer on expuest os l os si gui ent es te mas:
• Ar qui tect ura empr esari al
• Pr ocesos de extracción, transf or maci ón y cargue.
• Model os de dat os.
• Al gorit mos de predi cci ón.
• I nteli genci a de negoci os.
• Dashboar ds.
Est os, per mi ten ll evar una propuesta aterri zada y con dat os real es sobre el
act ual comporta mi ento que ti ene el fl uj o de di ner o en l os punt os de atenci ón
sel ecci onados de l a co mpañí a para apoyar l a toma de deci si ones y así mi ti gar
el ri esgo de li qui dez y el exceso de ef ecti vo en caj a.
Co mo resul tado, se entrega un apli cati vo funci onal y compl et o de pri nci pi o a
fi n, que per mi te: progra mar l a extracci ón de i nf or maci ón de todos o al gunos
punt os de servi ci o de l a red, reali zar l a ejecuci ón del model o de predi cci ón y
52
mostrar medi ant e un Dashboar d a mi gabl e l os resul tados del proceso tant o
para moni toreo como para l a ej ecuci ón de l os procedi mi entos operati vos
subsi gui ent es para abastecer o desabastecer di nero de l os puntos de servi ci o.
4. 2 Análi si s de resultados Se observa mos l a necesi dad creci ente y el auge de l a int eli genci a de
negoci os, l a i mportanci a del análi si s de la i nf or maci ón que constant e ment e
generan l os diferentes si stemas y el apoyo a ni vel tácti co en l a toma de
deci si ones.
Punt ual ment e para el caso de estudi o en Ef ecty que, al ser una organi zaci ón
di gi tal en l a prestación de sus servi ci os, requi ere un model o estruct urado
para el análi si s de su i nf or maci ón, posterior defi ni ci ón de estrategi as y puesta
en marcha.
La compañí a al ofrecer sus product os con al tos estándares de cali dad y
servi ci o, obli gan a que todos l os punt os de atenci ón de su red cuent en con
l os recursos requeri dos para garanti zar l a prestaci ón de est os, por tal razón
requi ere de un monitoreo constant e del fl uj o de di ner o que se mueve en
cada punt o de su red que act ual ment e cuenta con más de 8. 000 a ni vel
naci onal.
A través de esta herra mi enta, l os punt os de atenci ón que se encuentren en
l ugares difí cil es, geográfi ca ment e habl ando, ya sea por su ubi caci ón o grupo
de ri esgo (zonas de alto, medi o o baj o ri esgo) podrán tener una mej or
cobert ura al bri ndar la posi bili dad de predi cci ón al área operati va y así cont ar
con una brecha de tie mpo más a mpli a para reali zar el enví o o retiro de l os
recursos.
53
5. Capí tul o 5: Concl usi ones En este capí tul o se expondrán l as concl usiones de l a i nvesti gación y se
contrastarán l os obj eti vos versus l os resul tados.
5. 1 Concl usi ón General
He mos di scuti do en el present e documento l a brecha di gital que exi sten en el
mercado act ual en todos l os ámbi tos de negoci o y de cómo esta puede ser
apr ovechada por aquell as organi zaci ones que cuentan con un acti vo que
constant e ment e se genera en sus si stemas de i nf or maci ón, como l o son l os
dat os. Cuando se habl a de dat os no sol o se hace ref erenci a a l a i nf or maci ón
transacci onal si no a todo a aquell o que per mi ta seg ment ar l os cli entes, i nferi r
i nf or maci ón adi ci onal como gust os, costumbr es, comportami ent o y así
per mi tir l a focali zaci ón de l os servi ci os a grupos específi cos de cli entes.
Habl ando de que l a i nf or maci ón es un acti vo en l a actuali dad, es hora de
pensar en convertirla ta mbi én en un product o que pueda ser obj et o de uso
para otras organi zaci ones que l o requi eran f or mando ali anzas estratégi cas
que pot enci ali cen y di versifi quen el portaf oli o de product os y servi ci os de
estas.
Con el auge de nuevas tecnol ogí as cuyo obj eti vo es el análi sis de dat os y l a
mi nerí a de est os para apoyar l as deci siones tácti cas y estratégi cas que se
toman dentro de l as organi zaci ones, l a present e i nvesti gaci ón se di ri gi ó con
el fi n de gui ar en un pri mer paso a Ef ecty en su transf or maci ón haci a una
compañí a que esté a l a vanguar di a tecnol ógi ca y utili ce su pri nci pal acti vo de
i nf or maci ón para faci litar y aut omati zar procesos que a hoy son críti cos en l a
operaci ón y de est os depende una correcta y oport una prestaci ón de sus
servi ci os.
54
Desde l a i mpl e ment aci ón de este prot oti po se ve cómo nace l a necesi dad de
crear model os de predi cci ón que abar quen diferent es perspecti vas
operati vas para anti ci parse a l as necesi dades del negoci o y en especi al para
hacer de Ef ecty una compañí a competi tiva que esté acorde a l o que sus
partes i nteresadas requi eren desde l os di ferent es punt os de vi sta. De esta
manera Ef ecty pretende crear un área dedi cada a l a ci enci a de dat os para
que se dé un aprovecha mi ent o de l a i nf ormaci ón recol ectada que per mi ta un
análi si s estadí sti co de l os dat os, aprendi zaj e aut omáti co y una pr oyecci ón
real del negoci o en el ti empo.
Es por esto, que se apr ovechan l os dat os que segundo a segundo se generan
desde todos l os canales de atenci ón para extraerl os, filtrarl os, transf or marl os
y utilizarl os en pro de facilitar el enví o y retiro de di ner o a l os punt os de
servi ci o sel ecci onados a través de un al gorit mo de predi cci ón que pr ovee l a
i nf or maci ón necesaria para gesti onar a l as transportadoras de val ores.
Co mo resul tado i mportant e del desarrollo de este proyect o se det ect ó l a
necesi dad de reali zar procesos de Data Quality para l a nor mali zaci ón y
estandari zaci ón de la i nf or maci ón que resi de en l as bases de dat os, de tal
manera que esta sea fi abl e y cumpl a con l os estándares de cali dad,
di sponi bili dad e i ntegri dad para que posteri or ment e pueda ser procesada en
l a mi nerí a, análi si s BI y predi cci ón.
55
5. 2 Verifi caci ón, contraste y eval uaci ón de l os obj eti vos Parti endo del desarroll o de l os obj eti vos específi cos, se cumpl e l o si gui ent e:
• Se entrega una ETL cuya ej ecuci ón puede ser progra mada en un
horari o específi co, con el fi n de reali zar el proceso de extracci ón de l a
i nf or maci ón, trata mi ent o y posteri or carga en l a base de dat os
correspondi ent e para que sea procesada por el al gorit mo de
pr edi cci ón.
• El al gorit mo de predi cci ón f ue i mpl e ment ado en R sobre Power BI
(Forecasti ng TBATS) el cual basado en l a i nf or maci ón hi stóri ca de l a
transacci onali dad diari a en cada punto de servi ci o, predi ce l os
si gui ent es 15 dí as a l a fecha de ej ecuci ón del model o con un
porcentaj e de confi anza del 85%.
• Así mi s mo, el dashboar d en Power BI muestra de manera i ntui ti va y
compl eta tant o el act ual comporta mi ento de l os punt os, co mo l os
lí mi tes de caj a y predicci ón esti mada.
De esta for ma y en contraste con el objeti vo general de este proyect o, se
entrega el prot oti po de model o predi cti vo para proveer de di ner o y
desabastecer l os punt os de servi ci o selecci onados y así garanti zar que l a
organi zaci ón cuenta con l a li qui dez requeri da para l a prestaci ón del servi ci o y
así mi s mo se protege de acti vi dades delincuenci al es al evitar el exceso de
di ner o en caj a.
5. 3 Sí ntesi s del model o propuest o El model o propuest o consi ste en l a extracci ón de i nf or maci ón hi st óri ca de 11
punt os de atenci ón pil ot o a ni vel naci onal, l os cual es fueron sel ecci onados
por su alto ni vel de operati vi dad en el mes de abril de 2019. Esta i nf or maci ón
consi ste en un i nf orme detall ado operación a operaci ón con atri but os como
fecha, val or y ti po (i ngreso o egreso).
Una vez se extrae y transf or ma esta i nf ormaci ón, l a ETL genera una tabl a de
sali da en base de dat os con l a estruct ura requeri da por el al gori t mo de
56
pr edi cci ón Forecast de Power BI. Fi nal ment e, esta herra mi ent a ej ecuta l a
pr edi cci ón de l os si gui ent es dí as y vi sualiza el resul tado del proceso a través
de gráfi cas en el Dashboar d.
Fi gura 5. 2. Di agra ma BP MN de l a sol uci ón.
5. 4 Aportes ori gi nal es La present e i nvesti gaci ón surge como una i ni ci ati va pi onera desde el área de
TI de l a organi zaci ón, para bri ndar herra mi entas de apoyo a l os
departa ment os operati vos que admi ni stran y gesti onan el enví o o reti ro de
ef ecti vo a todos l os punt os de atenci ón de l a red de Ef ecty, y así, garanti zar l a
pr estaci ón de l os servi ci os de pagos, giros y recargas a l os cli entes.
Las ventaj as en l a utilizaci ón de sol uci ones de predi cci ón, mi nerí a de dat os y
machi ne Learni ng que ahora i ni ci an en etapa tempr ana desde esta
i mpl e ment aci ón, darán i ni ci o a un panora ma de Busi ness I ntelli gence en l a
organi zaci ón.
57
6. Capí tul o 6: Prospecti va del trabaj o de grado A conti nuaci ón, se propondrán trabaj os o investi gaci ones fut uras que puedan
compl e ment ar y conti nuar con l a lí nea de mi nerí a de dat os dentro del caso
de est udi o en Ef ecty.
6. 1 Lí neas de i nvesti gaci ón f ut uras Se propone como lí nea de i nvesti gaci ón fut ura l a utilizaci ón y pr of undi zaci ón
de machi ne Learni ng en l a compañí a, apli cado en l a mi nerí a de dat os y
apoyar l a i nteli genci a del negoci o.
Ef ecty, cuenta con un gran acti vo de i nf or maci ón di gital recol ectada y
al macenada durant e l os 20 años de operaci ón, l a cual puede ser anali zada
por l a di sci pli na de Bi g Data y machi ne Learni ng para i dentifi car patrones
compl ej os que faciliten l a toma de deci siones y qui zá l a apertur a de nuevos
model os de negoci o.
6. 2 Trabaj os de i nvesti gaci ón f ut uros
Co mo f ut uras propuestas y oport uni dades de a mpli aci ón de esta
i nvesti gaci ón se proponen l os si gui ent es punt os:
• Ampli aci ón de l a suscri pci ón de Power BI a su versi ón Pre mi um para
reali zar l a i mpl e ment aci ón del al goritmo con machi ne Lear ni ng y
au ment ar l a certeza en l a predi cci ón.
• I ntegraci ón con el API de l as transportadoras de val ores para
aut omati zar el procedi mi ent o de enví o y recol ecci ón de di nero a l os
punt os de servi ci o.
• Ali ment ar el model o no sól o con l a i nf or maci ón hi stóri ca, si no ta mbi én
con l as bases de datos de l os cli entes cor porati vos que se cargan y
li beran en el si stema de Ef ecty, para detectar event os especi al es como
pagos de nómi na o benefi ci os que vayan a ser cobrados en l os punt os
de atenci ón y así predeci r pi cos de transacci onali dad.
58
Bi bli ografí a
Chaudhuri, S.; U. Dayal y V. Narasayya (2011). “An overvi ew of busi ness i ntelli gence technol ogy”.
Co mmuni cati ons of the ACM. Vol. 54. Nú m. 8, pp. 88-98.
Fer nández, H. (2013). “I nteli genci a de Negoci os como apoyo a l a toma de deci si ones en l a
gerenci a”. Ví ncul os. Vol. 9. Nú m. 2, pp. 11- 23.
J. Her nández Orall o, M. J. Ra mí rez Qui ntana y C. Ferri Ra mí rez, I ntroducci ón a l a mi nerí a de dat os,
Ma dri d: Pearson Prenti ce Hall, 2005.
Ref erenci as Web
[1] C. E. Ti món, «http://openaccess. uoc. edu, » 16 Ener o 2017. [En lí nea]. Avail abl e:
htt p://openaccess. uoc. edu/ webapps/o2/bi tstrea m/10609/59565/6/carespti mTFG0117 me m%
C3%B2ri a. pdf. [ Úl ti mo acceso: 16 Oct ubre 2018].
[2] www. eval uandosoft ware. co m, «Eval uando soft war e, » [En lí nea]. Avail abl e:
htt p:// www. eval uandosoftwar e. com/etl -extracci on-transf or maci on-carga- dat os/. [ Úl ti mo
acceso: 15 Oct ubre 2018].
[3] docs. mi crosoft.com, «docs.mi cr osoft. com, » [En lí nea]. Avail abl e:
htt ps://docs. mi crosoft.com/en- us/power- bi /servi ce- dashboar ds. [ Úl ti mo acceso: 15 Oct ubre
2018].
[4] J. Her nández Orall o, M. J. Ra mí rez Qui ntana y C. Ferri Ra mí rez, I ntroducci ón a l a mi nerí a de
dat os, Madri d: Pearson Prenti ce Hall, 2005.
[5] Mi cr osoft, «https:// www. mi cr osoft. com, » 27 Novi embr e 2018. [En lí nea]. Availabl e:
htt ps://docs. mi crosoft.com/es- es/power- bi /deskt op-what-i s- deskt op. [ Úl ti mo acceso: 27 Abril
2019].
[6] Mi cr osoft, «www. mi crosoft.com, » 30 Abril 2018. [En lí nea]. Avail abl e:
htt ps://docs. mi crosoft.com/es- es/sql /anal ysi s-servi ces/data- mi ni ng/data- mi ni ng-al gorithms-
anal ysi s-servi ces- data- mi ning?vi ew=sql -server- 2017. [Úl ti mo acceso: 28 Abril 2019].
[7] Mi cr osoft, «www. mi crosoft.com, » 7 Mayo 2018. [En línea]. Avail abl e:
htt ps://docs. mi crosoft.com/es- es/sql /anal ysi s-servi ces/data- mi ni ng/ mi crosoft-time- seri es-
al gorithm?vi ew=sql -server-2017. [ Úl ti mo acceso: 28 Abril 2019].
[8] P. Mor eno, «Power BI User Group, » 11 Juni o 2018. [En lí nea]. Avail abl e:
htt ps:// www. pbi usergroup.com/ bl ogs/pabl o- mor eno/2018/06/11/anali si s- predi cti vo-con-
59
power- bi. [ Úl ti mo acceso: 4 Mayo 2019].
[9] G. Skor upa, «medi um. com, » 1 Ener o 2014. [En lí nea]. Avail abl e: https:// medi um. com/i nti ve-
devel opers/f orecasti ng-ti me-seri es- wi th- mul ti pl e-seasonaliti es- usi ng-tbats-i n- python-
398a00ac0e8a. [ Úl ti mo acceso: 07 mayo 2019].
[10
]
V. Paradi g m, «www. vi sual -paradi g m. com, » [En lí nea]. Avail abl e: https:// www. vi sual -
paradi g m. com/gui de/archimat e/f ull-archi mat e-vi ewpoi nts-gui de/. [ Úl ti mo acceso: 19 Abril
2019].
