Mostrar el registro sencillo del ítem

CRISP-DM/SMES : una metodología de proyectos de analítica de datos para las PYME

dc.contributor.advisorQuintero, Juan Bernardo
dc.contributor.advisorManrique-Losada, Bell
dc.contributor.authorMontalvo García, Jhon Fredy
dc.coverage.spatialLat: 06 15 00 N  degrees minutes  Lat: 6.2500  decimal degreesLong: 075 36 00 W  degrees minutes  Long: -75.6000  decimal degrees
dc.date.accessioned2022-04-28T15:39:48Z
dc.date.available2022-04-28T15:39:48Z
dc.date.issued2021-08-24
dc.identifier.otherCD-ROM 9044 2019
dc.identifier.urihttp://hdl.handle.net/11407/6844
dc.descriptionEl aumento exponencial de la información debido al avance tecnológico y el desarrollo de las comunicaciones ha creado la necesidad de tomar decisiones basadas en el análisis de los datos. Por un lado, las empresas se ven en la necesidad de seguir metodologías de minería de datos – DA, para gestionar los grandes volúmenes de información con herramientas Big Data; tendencia que ha abierto las puertas hacia un nuevo enfoque de entendimiento y toma de decisiones. Por otro lado, existen las pequeñas y medianas empresas – PYME Sin Ánimo de Lucro – ESAL que realizan esfuerzos para abordar la analítica de datos según sus diversas fuentes y formas, encontrando desafíos como la falta de conocimiento en herramientas metodológicas y de software, que le permitan un despliegue oportuno para la toma de decisiones. En este trabajo se propone CRISP-DM/SMEs, una metodología de analítica de datos para PYME ESAL. El diseño de esta metodología está basado en CRISP-DM como marco de referencia, se representa con SPEM y se caracteriza por ser sencilla, flexible, y con bajo costo de implementación. La evaluación de la metodología se realizó bajo un marco comparativo y en la aplicación de un caso de estudio en una PYME ESAL donde los resultados fueron positivos en cada uno de los aspectos evaluados y demostró una disminución del esfuerzo durante la ejecución del proyecto DA en comparación con el proceso actual de la PYME y la línea base de referencia.spa
dc.descriptionThe exponential increase in information due to technological progress and the development of communications has created the need to make decisions based on data analysis. On the one hand, companies are in need of following data mining methodologies - DA, to manage large volumes of information with Big Data tools; tren that has opened the doors to a new approach to understanding and decision making. On the other hand, there are small and medium-sized enterprises - Non-Profit SMEs, that make efforts to address data analytics according to their various sources and forms, finding challenges such as lack of knowledge in methodological tools and software, which allow for timely deployment for decision making. This paper proposes CRISP-DM / SMEs, a data analytics methodology for Non-Profit SMEs. The design of this methodology is based on CRISP-DM as a frame of reference, it is represented with SPEM and it is characterized by being simple, flexible, and with low cost of implementation. The evaluation of the methodology was carried out under a comparative framework and in the application of a case study in an Non-Profit SMEs where the results were positive in each of the aspects evaluated and demonstrated a decrease in effort during the execution of the DA project in comparison with the current process of the SME and the baseline of reference.eng
dc.format.extentp. 1-133
dc.format.mediumElectrónico
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0*
dc.subjectAnalítica de datosspa
dc.subjectCrisp-DMspa
dc.subjectPymespa
dc.subjectESALspa
dc.subjectData analyticseng
dc.subjectCrisp-DMeng
dc.subjectSMEeng
dc.subjectNon-profiteng
dc.titleCRISP-DM/SMES : una metodología de proyectos de analítica de datos para las PYMEspa
dc.rights.accessrightsinfo:eurepo/semantics/openAccess
dc.publisher.programMaestría en Ingeniería de Softwarespa
dc.subject.lembMinería de datosspa
dc.subject.lembOrganizaciones sin ánimo de lucrospa
dc.subject.lembPequeña y mediana empresaspa
dc.subject.lembProcesamiento de datosspa
dc.relation.citationstartpage1
dc.relation.citationendpage133
dc.audienceComunidad Universidad de Medellín
dc.publisher.facultyFacultad de Ingenieríasspa
dc.publisher.placeMedellín
dc.relation.referencesAchmad, H., Sabur, V. F., Pritasari, A., & Reinaldo, H. (2016). Sains Humanika Data Mining and Sharing to Create Usable Knowledge , Implementation in Small Business in Indonesia. Sains Humanika, 2(2016), 69–75.spa
dc.relation.referencesAzevedo, A., & Santos, M. F. (2008). KDD, SEMMA and CRISP:DM: A parallel overview. IADIS European Conference Data Mining 2008 2., 182–185.spa
dc.relation.referencesBošnjak, Z., Grljević, O., & Bošnjak, S. (2009). CRISP-DM as a framework for discovering knowledge in small and medium sized enterprises’ data. Proceedings - 2009 5th International Symposium on Applied Computational Intelligence and Informatics, SACI 2009, xx(1), 509–514. https://doi.org/10.1109/SACI.2009.5136302spa
dc.relation.referencesCCONG. (2016). Quiénes conforman el sector de las Entidades Sin Ánimo de Lucro- ESAL en Colombia | CCONG :: Confederación Colombiana de ONG. Retrieved August 30, 2018, from http://ccong.org.co/ccong/documentos/grafico-ii:-quienes-conforman-el-sector-de-lasentidades-sin-animo-de-lucro--esal-en-colombia_617spa
dc.relation.referencesChapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0 Step-by-step. CRISP-DM Consortium, 76. https://doi.org/10.1109/ICETET.2008.239spa
dc.relation.referencesDataCamp. (2015). The Data Science Industry: Who Does What (Infographic) (article) - DataCamp. Retrieved October 18, 2018, Recuperado de https://www.datacamp.com/community/tutorials/data-science-industry-infographicspa
dc.relation.referencesDavenport, T. H. (2013). Analytics 3.0. Recuperado de https://hbr.org/2013/12/analytics-30spa
dc.relation.referencesDinero. (2016). Pymes contribuyen con más del 80% del empleo en Colombia. Recuperado de http://www.dinero.com/edicion-impresa/caratula/articulo/porcentaje-y-contribucion-de-las pymes-en-colombia/231854spa
dc.relation.referencesDittert, M., Härting, R., Reichstein, C., & Bayer, C. (2018). A Data Analytics Framework for Business in Small and Medium-Sized Organizations. Springer International Publishing AG 2018, 73, 13. https://doi.org/10.1007/978-3-319-59424-8spa
dc.relation.referencesDos Anjos, J. C. S., Assuncao, M. D., Bez, J., Geyer, C., de Freitas, E. P., Carissimi, A., …Pereira, R. (2015). SMART: An Application Framework for Real Time Big Data Analysis on Heterogeneous Cloud Environments. 2015 IEEE International Conference on Computer and Information Technology; Ubiquitous Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing, 199–206. https://doi.org/10.1109/CIT/IUCC/DASC/PICOM.2015.29spa
dc.relation.referencesFayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37–53. https://doi.org/10.1609/aimag.v17i3.1230spa
dc.relation.referencesFlorez, H. (2012). Inteligencia de negocios como apoyo a la toma de decisiones en la gerencia. Revista Vinculos, 9(2), 11–23.spa
dc.relation.referencesGonzalez, A. (2014). Big data y analítica en Colombia: A un paso de despegar. Recuperado de https://searchdatacenter.techtarget.com/es/cronica/Big-data-y-analitica-en-Cospa
dc.relation.referencesGonzalez, R.A. & Pomares, A. (2012) "La investigación científica basada en el diseño como eje de proyectos de investigación en ingeniería". Reunión Nacional ACOFI, Sep. 12-14, Medellín.spa
dc.relation.referencesGuarda, T., Santos, M., Pinto, F., Augusto, M., & Silva, C. (2013). Business Intelligence as a Competitive Advantage for SMEs. International Journal of Trade, Economics and Finance, 4(4), 187–190. https://doi.org/10.7763/IJTEF.2013.V4.283spa
dc.relation.referencesGudfinnsson, K., & Strand, M. (2018). Challenges with BI adoption in SMEs. 2017 8thspa
dc.relation.referencesInternational Conference on Information, Intelligence, Systems and Applications, IISA 2017, 2018–Janua(August 2017), 1–6. https://doi.org/10.1109/IISA.2017.8316407spa
dc.relation.referencesHevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly: Management Information Systems, 28(1).spa
dc.relation.referencesIBM (2012). Manual CRISP-DM de IBM SPSS Modeler. IBM Corp., p. 56.spa
dc.relation.referencesKalan, R., & Ünalir, M. (2016). Leveraging big data technology for small and medium-sized enterprises (SMEs). Computer and Knowledge Engineering (, (Iccke), 1–6. https://doi.org/10.1109/ICCKE.2016.7802106spa
dc.relation.referencesKDnuggets. (2014). What main methodology are you using for your analytics, data mining, or data science projects? Recuperado de https://www.kdnuggets.com/polls/2014/analyticsdata-mining-data-science-methodology.htmlspa
dc.relation.referencesLawton, G. (2009). Users Take a Close Look at Visual Analytics. Computer, 42(2), 19–22. https://doi.org/10.1109/MC.2009.61spa
dc.relation.referencesMenendez, V. ., & Castellanos, M. . (2008). Software Process Engineering Metamodel (SPEM). Revista Latinoamericana de Ingenieria de Software, 3(2), 92–100. https://doi.org/10.18294/relais.2015.92-100spa
dc.relation.referencesMoine, J. Mi., Haedo, A., & Gordillo, S. (2011). Estudio comparativo de metodologías para minería de datos. XIII Workshop de Investigadores En Ciencias de La Computación, 278–281. Recuperado de http://sedici.unlp.edu.ar/handle/10915/20034spa
dc.relation.referencesMullins, R., Duan, Y., Hamblin, D., Burrell, P., Jin, H., Ewa, Z., & Aleksander, B. (2007). A Web Based Intelligent Training System for SMEs. The Electronic Journal of E-Learning, 5(1), 39–48.spa
dc.relation.referencesNenzhelele, T. E., & Pellissier, R. (2014). Competitive Intelligence Implementation Challenges of Small and Medium-Sized Enterprises. Mediterranean Journal of Social Sciences, 5(16), 92–99. https://doi.org/10.5901/mjss.2014.v5n16p92spa
dc.relation.referencesOgbuokiri, B. ., Udanor, C. ., & Agu, M. . (2015). Implementing bigdata analytics for small and medium enterprise (SME) regional growth. IOSR Journal of Computer Engineering Ver. IV, 17(6), 2278–2661. https://doi.org/10.9790/0661-17643543spa
dc.relation.referencesOlivera, G., Sasa, B., & Zita, B. (2009). Intelligent Data Anallysis - Support for Development of SMEs Sector. Perspectives of Innovations, Economics & Business, 3(114), 57–58.spa
dc.relation.referencesOztekin, A., Best, K., & Delen, D. (2014). Analyzing the predictability of exchange traded funds characteristics in the mutual fund market on the flow of shares using a data mining approach. Proceedings of the Annual Hawaii International Conference on System Sciences, 779–788. https://doi.org/10.1109/HICSS.2014.104spa
dc.relation.referencesPytel, P., Hossian, A., Britos, P., & Garcia-Martinez, R. (2015). Feasibility and effort estimation models for medium and small size information mining projects. Information Systems, 47, 1–14. https://doi.org/10.1016/j.is.2014.06.004spa
dc.relation.referencesRodríguez, L. (2011). Entidades sin ánimo de lucro. Confederación Colombiana de ONG, (019), 2012–2013. Recuperado de http://exitojuridico.blogspot.com.co/2011/05/entidades-sinanimo-de-lucro.htmlspa
dc.relation.referencesSinnetic. (2017). PYMES se desaceleran en transformación digital e innovación por responder a múltiples requerimientos estatales, 18, 1–3. Recuperado de http://www.sinnetic.com/noticias/SINNETIC-NEWS-18.pdfspa
dc.relation.referencesSoroka, A., Liu, Y., Han, L., & Salman, M. (2017). Big data driven customer insights for SMEs in redistributed manufacturing. Procedia CIRP, 63, 692–697. https://doi.org/10.1016/j.procir.2017.03.319spa
dc.relation.referencesSoto, E. (2004). La información como recurso estratégico generador de conocimientos. Un enfoque de recursos y capacidades. (Tesis doctoral) Universidad de la Laguna. España.spa
dc.relation.referencesUnipymes. (2014). Empresas Colombianas en crecimiento empiezan a acceder a la analitica de negocios. Recuperado de https://www.unipymes.com/empresas-colombianas-encrecimiento-empiezan-acceder-la-analitica-de-negocios/spa
dc.relation.referencesWiegers, K. (2000). Stop promising miracles, Software Development. Vol 8, no 2 pp 49-53 Recuperado de https://www.processimpact.com/articles/reqtraps.pdfspa
dc.rights.creativecommonsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.type.versioninfo:eu-repo/semantics/publishedVersion
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTesis de Maestría
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.description.degreenameMagíster en Ingeniería de Softwarespa
dc.description.degreelevelMaestríaspa


Ficheros en el ítem

Thumbnail
Nombre:
T_MIS_517.pdf
Tamaño:
5.513Mb
Formato:
PDF
Ver/
Thumbnail
Nombre:
T_MIS_517__ANEXO_1.pdf
Tamaño:
807.4Kb
Formato:
PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-ShareAlike 4.0 International
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-ShareAlike 4.0 International