Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 19 Núm. 2 (2018)

Investigación

Análisis de producción avícola mediante técnicas de inteligencia de negocios y minería de datos

  • Bertha Mazon-Olivo
    • ,
  • Wilmer Rivas-Asanza
    • ,
  • Johnny Novillo-Vicuña
    • ,
  • Cinthia Flores-Cabrera

Bertha Mazon-Olivo
Universidad Técnica de Machala

Wilmer Rivas-Asanza
Universidad Técnica de Machala

Johnny Novillo-Vicuña
Universidad Técnica de Machala

Cinthia Flores-Cabrera
Universidad Técnica de Machala

DOI: https://doi.org/10.23878/alternativas.v19i2.203

PDF

Resumen

Las organizaciones siempre están buscando el mejoramiento u optimización de sus procesos para ofertar productos o servicios de calidad que satisfagan a sus clientes; y en consecuencia, lograr mayor rentabilidad y beneficio. En la actualidad, la Ciencia de Datos (DS), la Inteligencia de Negocios (BI) y la Minería de Datos (DM) son disciplinas que se centran en el análisis de datos para la toma de decisiones. El propósito de este trabajo es la implementación de una solución de BI y DM en ambiente web, enfocada en el análisis de los indicadores claves de desempeño (KPI's) de los procesos de producción y ventas de una empresa avícola ubicada en el cantón Pasaje - El Oro - Ecuador. La aplicación web denominada IncuAnalytic fue implementada según la metodología Cross Industry Standard Process for Data Mining  (CRISP-DM) y mediante la utilización de las herramientas como Postgres SQL para el data warehouse (DW), Pentaho BI Server para el Procesamiento Analítico en Línea (OLAP) y el diseño de un tablero de control (dashboard), el lenguaje R y el framework Shiny para la implementación de los modelos predictivos con técnicas de regresión y series temporales. Los resultados se evidencian en IncuAnalytic, una herramienta que utiliza una data dinámica e histórica, y que transparenta la complejidad de las técnicas de análisis de datos al administrador o dueño de la empresa; permitiéndole obtener de manera oportuna información actualizada de sus KPI's o simplemente hacer predicciones que orienten la toma de decisiones.

Palabras clave

Inteligencia de Negocios, Minería de Datos, regresión, series temporales, producción avícola

Biografía del autor/a

Bertha Mazon-Olivo

Bertha Mazon-Olivo,  Ingeniera en Sistemas y  Magíster en Informática Aplicada por la Escuela Superior Politécnica de Chimborazo. Profesora Titular en la Universidad Técnica de Machala. Líneas de investigación: Internet de las Cosas, integración, procesamiento y análisis de datos. Estudiante del programa de doctorado en Tecnologías de la Información y las Comunicaciones en Universidade da Coruña, España. Cuenta con varias publicaciones indexadas.

Wilmer Rivas-Asanza

Wilmer Rivas-Asanza, es Ingeniero en Sistemas, Diplomado en Auditoria Informática, Magister en Docencia y Gerencia en Educación Superior. Es docente titular en la UTMACH y en la actualidad está culminando la Maestría en Gestión Estratégica en TI, además está cursando el programa de Doctorado en TIC por la Universidade A Coruña en España.

Johnny Novillo-Vicuña

Johnny Novillo-Vicuña,  es Ingeniero Eléctrico, Magíster en Educación Superior y estudiante del programa de doctorado en Tecnologías de la Información y las Comunicaciones en Universidade da Coruña, España. Sus líneas de investigación son: Internet de las Cosas, Computación evolutiva e inteligencia artificial. Cuenta con varias publicaciones indexadas.

Citas

  1. Astriani, W., & Trisminingsih, R. (2016). Extraction, Transformation, and Loading (ETL) Module for Hotspot Spatial Data Warehouse Using Geokettle. Procedia Environmental Sciences, 33, 626–634. https://doi.org/10.1016/j.proenv.2016.03.117
  2. Boulekrouche, B., Jabeur, N., & Alimazighi, Z. (2015). An intelligent ETL grid-based solution to enable spatial data warehouse deployment in cyber physical system context. Procedia Computer Science, 56(1), 111–118. https://doi.org/10.1016/j.procs.2015.07.176
  3. Chalaris, M., Gritzalis, S., Maragoudakis, M., Sgouropoulou, C., & Tsolakidis, A. (2014). ScienceDirect ICININFO Improving Quality of Educational Processes Providing New Knowledge using Data Mining Techniques. Procedia - Social and Behavioral Sciences, 147, 390–397. https://doi.org/10.1016/j.sbspro.2014.07.117
  4. Coelho, D., Miranda, J., Portela, F., Machado, J., Santos, M. F., & Abelha, A. (2016). Towards of a Business Intelligence Platform to Portuguese Misericórdias. Procedia Computer Science, 100, 762–767. https://doi.org/10.1016/j.procs.2016.09.222
  5. Erkollar, A., & Oberer, B. (2016). Multidimensional Dashboards for Evaluating Strategic brand Management Processes for Multi-brand Companies. Procedia - Social and Behavioral Sciences, 235(October), 505–513. https://doi.org/10.1016/j.sbspro.2016.11.062
  6. Femina, B. T., & Sudheep, E. M. (2015). An efficient CRM-data mining framework for the prediction of customer behaviour. Procedia Computer Science, 46, 725–731. https://doi.org/10.1016/j.procs.2015.02.136
  7. Gourbesville, P., Du, M., Zavattero, E., & Ma, Q. (2016). DSS Architecture for Water Uses Management. Procedia Engineering, 154, 928–935. https://doi.org/10.1016/j.proeng.2016.07.512
  8. Gröger, C., Hillmann, M., Hahn, F., Mitschang, B., & Westkämper, E. (2013). The operational process dashboard for manufacturing. Procedia CIRP, 7, 205–210. https://doi.org/10.1016/j.procir.2013.05.035
  9. Hamrouni, T., Slimani, S., & Ben Charrada, F. (2015). A critical survey of data grid Replication strategies based on data mining techniques. Procedia Computer Science, 51(1), 2779–2788. https://doi.org/10.1016/j.procs.2015.05.434
  10. Hermawati, R., & Sitanggang, I. S. (2016). Web-Based Clustering Application Using Shiny Framework and DBSCAN Algorithm for Hotspots Data in Peatland in Sumatra. Procedia Environmental Sciences, 33, 317–323. https://doi.org/10.1016/j.proenv.2016.03.082
  11. Jothi, N., Rashid, N. A., & Husain, W. (2015). Data Mining in Healthcare - A Review. Procedia Computer Science, 72, 306–313. https://doi.org/10.1016/j.procs.2015.12.145
  12. Kavakiotis, I., Tsave, O., Salifoglou, A., Maglaveras, N., Vlahavas, I., & Chouvarda, I. (2017). Machine Learning and Data Mining Methods in Diabetes Research. Computational and Structural Biotechnology Journal, 15, 104–116. https://doi.org/10.1016/j.csbj.2016.12.005
  13. Khan, A., Ehsan, N., Mirza, E., & Zahoor, S. (2012). Integration between Customer Relationship Management ( CRM ) and Data Warehousing, Procedia Technology 1, 239–249. https://doi.org/10.1016/j.protcy.2012.02.050
  14. Lindberg, C. F., Tan, S., Yan, J., & Starfelt, F. (2015). Key Performance Indicators Improve Industrial Performance. Energy Procedia, 75, 1785–1790. https://doi.org/10.1016/j.egypro.2015.07.474
  15. Longo, A., Giacovelli, S., & Bochicchio, M. A. (2014). Fact - Centered ETL: A Proposal for Speeding Business Analytics up. Procedia Technology, 16, 471–480. https://doi.org/10.1016/j.protcy.2014.10.114
  16. Mazon-Olivo, B., Rivas, W., Pinta, M., Mosquera, A., Astudillo, L., & Gallegos, H. (2017). Dashboard para el soporte de decisiones en una empresa del sector minero. Conference Proceedings - Universidad Técnica de Machala, 1, 1218–1229.
  17. Meier, H., Lagemann, H., Morlock, F., & Rathmann, C. (2013). Key performance indicators for assessing the planning and delivery of industrial services. Procedia CIRP, 11, 99–104. https://doi.org/10.1016/j.procir.2013.07.056
  18. Ng, A. H. C., Bandaru, S., & Frantzén, M. (2016). Innovative Design and Analysis of Production Systems by Multi-objective Optimization and Data Mining. Procedia CIRP (50), 665–671. https://doi.org/10.1016/j.procir.2016.04.159
  19. Reuter, C., & Brambring, F. (2016). Improving Data Consistency in Production Control. Procedia CIRP, 41, 51–56. https://doi.org/10.1016/j.procir.2015.12.116
  20. Siknun, G. P., & Sitanggang, I. S. (2016). Web-based Classification Application for Forest Fire Data Using the Shiny Framework and the C5.0 Algorithm. Procedia Environmental Sciences, 33, 332–339. https://doi.org/10.1016/j.proenv.2016.03.084
  21. Tokola, H., Gröger, C., Järvenpää, E., & Niemi, E. (2016). ScienceDirect Designing manufacturing dashboards on the basis of a Key Performance Indicator survey. Procedia CIRP, 0, 619–624. https://doi.org/10.1016/j.procir.2016.11.107
  22. Tutunea, M. F. (2015). Business Intelligence Solutions for Mobile Devices – An Overview. Procedia Economics and Finance, 27(15), 160–169. https://doi.org/10.1016/S2212-5671(15)00985-5
  23. van Os, H. W. A., Herber, R., & Scholtens, B. (2014). Designing a Decision Support System for Subsurface Activities. Procedia Environmental Sciences, 22, 12–19. https://doi.org/10.1016/j.proenv.2014.11.002
  24. Wessiani, N. A., & Sarwoko, S. O. (2015). Risk Analysis of Poultry Feed Production Using Fuzzy FMEA. Procedia Manufacturing, 4(IESS), 270–281. https://doi.org/10.1016/j.promfg.2015.11.041

Cómo citar

Mazon-Olivo, B., Rivas-Asanza, W., Novillo-Vicuña, J., & Flores-Cabrera, C. (2018). Análisis de producción avícola mediante técnicas de inteligencia de negocios y minería de datos. Alternativas, 19(2), 80–88. https://doi.org/10.23878/alternativas.v19i2.203

Descargar cita

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Artículos similares

1 2 3 4 5 6 7 8 > >> 

También puede {advancedSearchLink} para este artículo.