Conclusion de experiencia mineria de datos

La aplicación de técnicas de minería de datos mediante el uso de Orange permitió analizar de manera clara y estructurada la información proveniente de los servicios y sus checklists, generando un modelo predictivo capaz de clasificar el estatus de cada entrega con base en características relevantes. A través de la preparación de los datos, la selección de atributos, el entrenamiento del modelo y la evaluación mediante métricas como la matriz de confusión, fue posible comprender mejor el comportamiento de los servicios y reconocer los factores que más influyen en su resultado final. Este proceso no solo facilita la toma de decisiones informadas dentro del sistema logístico, sino que también demuestra el valor de integrar análisis avanzados en operaciones rutinarias para mejorar la eficiencia, la calidad y la capacidad de anticipación del negocio.

Fuentes bibliográficas

Hernández, J. (2004). El proceso de extracción del conocimiento. En Introducción a la minería de datos (pp.19-40). Madrid (España): Pearson Educación S.A.

Hernández, Orallo, J. (2008). Introducción a la minería de datos. PEARSON EDUCACION, Madrid. ISBN: 978-84-205-4091-7

López Pérez, C. (2007). Minería de datos. Técnicas y Herramientas. 1ra edición. ISBN: 978-84-9732-492-2.

Mohammed, A. (2024). Clasificación de minería de datos simplificada: tipos clave, pasos y los 6 mejores clasificadores. https://hevodata.com/learn/data-mining- classification/

Microsoft. (2023). Selección de características (minería de datos). https://learn.microsoft.com/es-es/analysis-services/data-mining/feature-selection- data-mining?view=asallproducts-allversions

Peremore, K. (2024). ¿Qué es la minería de datos para el análisis predictivo?. https://www.paubox.com/blog/what-is-data-mining-for-predictive-analytics

Jaramillo, A. (2015). Aplicación de técnicas de minería de datos. https://rte.espol.edu.ec/index.php/tecnologica/es/article/view/351/229