Similar Items

Cover Image

Aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el Banco Davivienda y el neo Banco Daviplata

Twitter es una red social de mensajes cortos o microblogging, donde las personas publican su estado de ánimo con respecto a un tema, situación o para hablar de alguna entidad. El Banco Davivienda como entidad bancaria ha visto una oportunidad de encontrar o posicionar problemáticas en la gestión de...

Full description

Saved in:
Bibliographic Details
Institution:Escuela Colombiana de Ingeniería
Main Authors: Arbelaez Trujilo, Juan Sebastián, Conti, Dante
Format: Trabajo de grado - Maestría
Language:Español
Published: Escuela de Ingeniería 2023
Subjects:
Aprendizaje Autónomo
Redes sociales
Análisis de datos
Machine Learning
Social networks
Analysis of data
Online Access:https://repositorio.escuelaing.edu.co/handle/001/2332
Tags: Add Tag
No Tags, Be the first to tag this record!
id oai:repositorio.escuelaing.edu.co:001-2332
recordtype dspace
spelling Conti, Dante
Arbelaez Trujilo, Juan Sebastián
2023-05-15T19:32:08Z
2023-05-15T19:32:08Z
2023
https://repositorio.escuelaing.edu.co/handle/001/2332
https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23430
Twitter es una red social de mensajes cortos o microblogging, donde las personas publican su estado de ánimo con respecto a un tema, situación o para hablar de alguna entidad. El Banco Davivienda como entidad bancaria ha visto una oportunidad de encontrar o posicionar problemáticas en la gestión de sus operaciones a partir de las publicaciones que realizan los diferentes usuarios. En esta red social se pueden encontrar interacciones que pueden estar clasificadas como positivas o negativas sobre la entidad bancaria, sin embargo, en este ejercicio se profundizará sobre interacciones donde los usuarios presentan su disconformidad sobre algún servicio, situación o tema con el fin de identificar su tipología, que permita tomar decisiones sobre la implementación de soluciones y/o mejoras que puedan ser integradas a los procedimientos de soporte de las buenas prácticas de prestación de servicios a los usuarios de banco Davivienda o el neo banco Daviplata. Este estudio propone realizar un modelo de Machine Learning de análisis supervisado en el cual las interacciones se asocien a las categorías definidas en el proceso de segmentación (Afectación en clientes, App, Web, servicio y problemas en disponibilidad de recursos). Con lo anterior se busca optimizar y robustecer los servicios que presta la entidad bancaria y que las disconformidades de los clientes sean mínimas.
Twitter is a social network for short messages or microblogging, where people post their state of mind regarding a topic, situation or to talk about some entity. Banco Davivienda as a banking entity has seen an opportunity to find or position problems in the management of its operations based on the publications made by different users. In this social network you can find interactions that can be classified as positive or negative about the bank, however, in this exercise we will delve into interactions where users present their disagreement about a service, situation or topic in order to identify their typology, which allows decisions to be made on the implementation of solutions and/or improvements that can be integrated into the support procedures of good practices for the provision of services to users of Banco Davivienda or the neo-banco Daviplata. This study proposes to carry out a Machine Learning model of supervised analysis in which the interactions are associated with the categories defined in the segmentation process (Affectation on clients, App, Web, service and problems in availability of resources). With the above, the aim is to optimize and strengthen the services provided by the bank and to ensure that customer disagreements are minimal.
Tabla de contenido Lista de Figuras Lista de Tablas 1 INTRODUCCIÓN 1 1.1 PROBLEMÁTICA (JUSTIFICACIÓN) 1 1.2 OBJETIVOS 2 1.3 ALCANCE Y LIMITACIONES 2 2 MARCO TEÓRICO 5 2.1 DATOS 5 2.2 PRE-PROCESAMIENTO 5 2.3 ANÁLISIS NO SUPERVISADO (CLUSTERING) 7 2.4 ANÁLISIS SUPERVISADO 8 3 METODOLOGÍA DE TRABAJO 11 3.1 ENTENDIMIENTO DEL NEGOCIO 11 3.2 ENTENDIMIENTO DE LOS DATOS 12 3.3 PREPARACIÓN DE LOS DATOS 13 4 RESULTADOS FINALES 25 4.1 MODELADO 25 4.1.1 MODELO MACHINE LERANING DE ANÁLISIS NO SUPERVISADO 27 4.1.2 MODELO DE MACHINE LEARNING DE ANÁLISIS SUPERVISADO 34 4.2 EVALUACIÓN DE LOS RESULTADOS 38 4.3 DESPLIEGUE 39 5 CONCLUSIONES Y RECOMENDACIONES 41 6 BIBLIOGRAFÍA 43
Maestría
Magíster en Ciencia de Datos
54 páginas
application/pdf
spa
Aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el Banco Davivienda y el neo Banco Daviplata
Trabajo de grado - Maestría
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_bdcc
Text
info:eu-repo/semantics/masterThesis
https://purl.org/redcol/resource_type/TM
Escuela de Ingeniería
Maestría en Ciencia de Datos
N/A
info:eu-repo/semantics/openAccess
Aprendizaje Autónomo
Redes sociales
Análisis de datos
Aprendizaje Autónomo
Redes sociales
Análisis de datos
Machine Learning
Social networks
Analysis of data
http://purl.org/coar/access_right/c_abf2
http://purl.org/coar/version/c_970fb48d4fbd8a85
institution Escuela Colombiana de Ingeniería
collection d_repositorio.escuelaing.edu.co-DSPACE
title Aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el Banco Davivienda y el neo Banco Daviplata
spellingShingle Aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el Banco Davivienda y el neo Banco Daviplata
Arbelaez Trujilo, Juan Sebastián
Conti, Dante
Arbelaez Trujilo, Juan Sebastián
Aprendizaje Autónomo
Redes sociales
Análisis de datos
Aprendizaje Autónomo
Redes sociales
Análisis de datos
Machine Learning
Social networks
Analysis of data
Tabla de contenido Lista de Figuras Lista de Tablas 1 INTRODUCCIÓN 1 1.1 PROBLEMÁTICA (JUSTIFICACIÓN) 1 1.2 OBJETIVOS 2 1.3 ALCANCE Y LIMITACIONES 2 2 MARCO TEÓRICO 5 2.1 DATOS 5 2.2 PRE-PROCESAMIENTO 5 2.3 ANÁLISIS NO SUPERVISADO (CLUSTERING) 7 2.4 ANÁLISIS SUPERVISADO 8 3 METODOLOGÍA DE TRABAJO 11 3.1 ENTENDIMIENTO DEL NEGOCIO 11 3.2 ENTENDIMIENTO DE LOS DATOS 12 3.3 PREPARACIÓN DE LOS DATOS 13 4 RESULTADOS FINALES 25 4.1 MODELADO 25 4.1.1 MODELO MACHINE LERANING DE ANÁLISIS NO SUPERVISADO 27 4.1.2 MODELO DE MACHINE LEARNING DE ANÁLISIS SUPERVISADO 34 4.2 EVALUACIÓN DE LOS RESULTADOS 38 4.3 DESPLIEGUE 39 5 CONCLUSIONES Y RECOMENDACIONES 41 6 BIBLIOGRAFÍA 43
title_short Aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el Banco Davivienda y el neo Banco Daviplata
title_full Aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el Banco Davivienda y el neo Banco Daviplata
title_fullStr Aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el Banco Davivienda y el neo Banco Daviplata
title_full_unstemmed Aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el Banco Davivienda y el neo Banco Daviplata
title_sort aplicación de técnicas de machine learning para análisis de interacciones en twitter: caso de estudio - gestión de fallas operativas para el banco davivienda y el neo banco daviplata
author Arbelaez Trujilo, Juan Sebastián
Conti, Dante
Arbelaez Trujilo, Juan Sebastián
author_facet Arbelaez Trujilo, Juan Sebastián
Conti, Dante
Arbelaez Trujilo, Juan Sebastián
building Repositorio digital
topic Aprendizaje Autónomo
Redes sociales
Análisis de datos
Aprendizaje Autónomo
Redes sociales
Análisis de datos
Machine Learning
Social networks
Analysis of data
topic_facet Aprendizaje Autónomo
Redes sociales
Análisis de datos
Aprendizaje Autónomo
Redes sociales
Análisis de datos
Machine Learning
Social networks
Analysis of data
publishDate 2023
language Español
publisher Escuela de Ingeniería
physical 54 páginas
format Trabajo de grado - Maestría
description Twitter es una red social de mensajes cortos o microblogging, donde las personas publican su estado de ánimo con respecto a un tema, situación o para hablar de alguna entidad. El Banco Davivienda como entidad bancaria ha visto una oportunidad de encontrar o posicionar problemáticas en la gestión de sus operaciones a partir de las publicaciones que realizan los diferentes usuarios. En esta red social se pueden encontrar interacciones que pueden estar clasificadas como positivas o negativas sobre la entidad bancaria, sin embargo, en este ejercicio se profundizará sobre interacciones donde los usuarios presentan su disconformidad sobre algún servicio, situación o tema con el fin de identificar su tipología, que permita tomar decisiones sobre la implementación de soluciones y/o mejoras que puedan ser integradas a los procedimientos de soporte de las buenas prácticas de prestación de servicios a los usuarios de banco Davivienda o el neo banco Daviplata. Este estudio propone realizar un modelo de Machine Learning de análisis supervisado en el cual las interacciones se asocien a las categorías definidas en el proceso de segmentación (Afectación en clientes, App, Web, servicio y problemas en disponibilidad de recursos). Con lo anterior se busca optimizar y robustecer los servicios que presta la entidad bancaria y que las disconformidades de los clientes sean mínimas. Twitter is a social network for short messages or microblogging, where people post their state of mind regarding a topic, situation or to talk about some entity. Banco Davivienda as a banking entity has seen an opportunity to find or position problems in the management of its operations based on the publications made by different users. In this social network you can find interactions that can be classified as positive or negative about the bank, however, in this exercise we will delve into interactions where users present their disagreement about a service, situation or topic in order to identify their typology, which allows decisions to be made on the implementation of solutions and/or improvements that can be integrated into the support procedures of good practices for the provision of services to users of Banco Davivienda or the neo-banco Daviplata. This study proposes to carry out a Machine Learning model of supervised analysis in which the interactions are associated with the categories defined in the segmentation process (Affectation on clients, App, Web, service and problems in availability of resources). With the above, the aim is to optimize and strengthen the services provided by the bank and to ensure that customer disagreements are minimal.
contents Tabla de contenido Lista de Figuras Lista de Tablas 1 INTRODUCCIÓN 1 1.1 PROBLEMÁTICA (JUSTIFICACIÓN) 1 1.2 OBJETIVOS 2 1.3 ALCANCE Y LIMITACIONES 2 2 MARCO TEÓRICO 5 2.1 DATOS 5 2.2 PRE-PROCESAMIENTO 5 2.3 ANÁLISIS NO SUPERVISADO (CLUSTERING) 7 2.4 ANÁLISIS SUPERVISADO 8 3 METODOLOGÍA DE TRABAJO 11 3.1 ENTENDIMIENTO DEL NEGOCIO 11 3.2 ENTENDIMIENTO DE LOS DATOS 12 3.3 PREPARACIÓN DE LOS DATOS 13 4 RESULTADOS FINALES 25 4.1 MODELADO 25 4.1.1 MODELO MACHINE LERANING DE ANÁLISIS NO SUPERVISADO 27 4.1.2 MODELO DE MACHINE LEARNING DE ANÁLISIS SUPERVISADO 34 4.2 EVALUACIÓN DE LOS RESULTADOS 38 4.3 DESPLIEGUE 39 5 CONCLUSIONES Y RECOMENDACIONES 41 6 BIBLIOGRAFÍA 43
url https://repositorio.escuelaing.edu.co/handle/001/2332
url_str_mv https://repositorio.escuelaing.edu.co/handle/001/2332
_version_ 1766127465542975488
score 11.245726