Ítem
Acceso Abierto

Modelo predictivo de desistimiento aplicado a una constructora Colombiana para proyectos de vivienda, un año después de la separación del inmueble.

Mostrar el registro sencillo de la publicación
dc.contributor.advisorCruz Castro, Daniel Leonardo
dc.creatorRincón Castiblanco, Angie Carolina
dc.creatorVásquez Peña, Juan Felipe
dc.creatorVelandia López, Yineth Juliana
dc.creator.degreeMagíster en Business Analytics
dc.creator.degreetypeFull time
dc.date.accessioned2024-07-19T20:56:05Z
dc.date.available2024-07-19T20:56:05Z
dc.date.created2024-07-18
dc.descriptionEl proyecto propone desarrollar un modelo predictivo de desistimiento para una constructora colombiana enfocada en proyectos de vivienda. Utilizando análisis de datos y minería de información, se identificarán patrones y relaciones relevantes relacionados con el desistimiento de compra de inmuebles. El modelo clasificará a los clientes según su riesgo de desistimiento, permitiendo a la empresa tomar decisiones estratégicas y diseñar acciones preventivas para mitigar estos riesgos, optimizando así recursos y fortaleciendo la relación con los clientes.
dc.description.abstractThe project proposes to develop a predictive model for withdrawal for a Colombian construction company focused on Social Interest Housing (VIS) projects. Using data analysis and information mining, relevant patterns and relationships related to property purchase withdrawals will be identified. The model will classify customers according to their withdrawal risk, enabling the company to make strategic decisions and design preventive actions to mitigate these risks, thereby optimizing resources and strengthening customer relations.
dc.format.extent95 PP
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_43090
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/43090
dc.language.isospa
dc.publisherUniversidad del Rosario
dc.publisher.departmentEscuela de Administración
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnología
dc.publisher.programMaestría en Business Analytics
dc.rightsAttribution 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.source.bibliographicCitationCollins, G. S., & Moons, K. G. (2019). Reporting of artificial intelligence prediction models. The Lancet, 393(10181), 1577-1579. https://doi.org/10.1016/S0140-6736(19)30037-6
dc.source.bibliographicCitationFernández Hurtado, S. R., Martínez Martínez, L. Á., & Ngono Fouda, R. A. (2019). Barreras que dificultan la planeación estratégica en las organizaciones. Tendencias, 20(1), 254-279. https://doi.org/10.22267/rtend.192001.108
dc.source.bibliographicCitationGrömping, U. (2015). Variable importance in regression models. Wiley interdisciplinary reviews: Computational statistics, 7(2), 137-152. https://doi.org/10.1002/wics.1346
dc.source.bibliographicCitationGuerrero, D. (1 de Abril de 2023) ¿Por qué la construcción es clave para que el PIB de Colombia sea bueno en 2023?. Bloomberg Linea. https://www.bloomberglinea.com/2023/04/01/por-que-la-construccion-es-clave-para-que el-pib-de-colombia-sea-bueno-en-2023/
dc.source.bibliographicCitationHanslo, R., & Tanner, M. (2020, September). Machine learning models to predict agile methodology adoption. In 2020 15th Conference on Computer Science and Information Systems (pp. 697-704). IEEE. https://doi.org/10.15439/2020F214
dc.source.bibliographicCitationJin, D. H., & Kim, H. J. (2018). Integrated understanding of big data, big data analysis, and business intelligence: A case study of logistics. Sustainability, 10(10), 3778. https://doi.org/10.3390/su10103778
dc.source.bibliographicCitationKumar, P., Sehgal, V. K., & Chauhan, D. S. (2012). A benchmark to select data mining based classification algorithms for business intelligence and decision support systems. International Journal of Data Mining & Knowledge Management Process 2 (5), https://doi.org/10.5121/ijdkp.2012.2503
dc.source.bibliographicCitationLesmes, L. (21 de Junio de 2023) ¿De qué manera se puede terminar el contrato con una constructora?). El Tiempo. https://www.eltiempo.com/economia/finanzas-personales/asi puede-terminar-un-contrato-con-una-constructora-779393
dc.source.bibliographicCitationMerino Araujo, I. (2023). Gestión e implementación de un modelo predictivo para la optimización de los beneficios de una empresa (Universitat Politècnica de Catalunya). http://hdl.handle.net/2117/398431
dc.source.bibliographicCitationMontes, S. (26 de Febrero de 2024). Así es como el sector construcción pone manos a la obra para salir adelante en 2024.Forbes Colombia. https://forbes.co/2024/02/26/negocios/asi es-como-el-sector-construccion-pone-manos-a-la-obra-para-salir-adelante-en-2024
dc.source.bibliographicCitationMorandini, M., Coleti, T. A., Oliveira Jr, E., & Corrêa, P. L. P. (2021). Considerations about the efficiency and sufficiency of the utilization of the Scrum methodology: A survey for analyzing results for development teams. Computer Science Review, 39, 100314. https://doi.org/10.1016/j.cosrev.2020.100314
dc.source.bibliographicCitationNorthcott, R. (2017). When are purely predictive models best?. Disputatio, 9(47), 631-656.
dc.source.bibliographicCitationPorter, M. E. (1991). Techniques for Analyzing Industries and Competitors. 8a ed. Rio de Janeiro: Campus, 49-58. Free Press
dc.source.bibliographicCitationRoy-García, I., Rivas-Ruiz, R., Pérez-Rodríguez, M., & Palacios-Cruz, L. (2019). Correlación: no toda correlación implica causalidad. Revista Alergia México, 66(3), 354-360. https://doi.org/10.29262/ram.v66i3.651
dc.source.bibliographicCitationVargas, A. M. C. (2019). El gobierno de datos: un referente entre el gobierno de TI y la inteligencia de negocios. Revista Científica Ecociencia, 6(1), 1- 19.https://doi.org/10.21855/ecociencia.61.186
dc.source.bibliographicCitationZhao, Y. (2023). Design of a corporate financial crisis prediction model based on improved ABC-RNN+ Bi-LSTM algorithm in the context of sustainable development. PeerJ Computer Science, 9, e1287. https://doi.org/10.7717/peerj-cs.1287
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectAnálitica de Datos
dc.subjectGobierno de datos
dc.subjectModelo predictivo
dc.subjectDesistimiento
dc.subject.keywordPredictive model
dc.subject.keywordBusiness Analytics
dc.subject.keywordWithdrawal
dc.titleModelo predictivo de desistimiento aplicado a una constructora Colombiana para proyectos de vivienda, un año después de la separación del inmueble.
dc.title.TranslatedTitlePredictive model of withdrawal applied to a Colombian construction company for housing projects, one year after the separation of the property
dc.typebachelorThesis
dc.type.documentTrabajo de grado
dc.type.spaTrabajo de grado
local.department.reportEscuela de Administración
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Constructora_colombiana_Rincon_Castiblanco_Angie_Carolina.pdf
Tamaño:
2.33 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Business Analytics