Métodos de análisis para identificar público objetivo que consuma productos de artesanía a través de Big Data Piura -2019

• Autor: Carrasco Cruz, Luis Germán
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/55041
• Enlace del recurso: https://hdl.handle.net/20.500.12692/55041
• Nivel de acceso: acceso abierto
• Materia: Redes sociales; Big data; Predicción; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta investigación, nació con la finalidad de dar un impulso a la artesanía piurana con la ayuda de la tecnología, se buscó en primer lugar métodos que permitan extraer datos de las redes sociales en este caso se tomó en cuenta Facebook y Twitter, para luego describir que nivel de interés tienen los usuarios y que tan útil puede ser un modelo de minería de datos. El diseño de esta investigación fue no experimental ya que sólo se basó en identificar y describir los métodos de extracción y procesamiento de los datos de las redes sociales ya mencionadas, y llegó hasta un nivel descriptivo de tipo transversal. La población que se tomó en cuenta para llevar a cabo esta tesis estuvo formada por los usuarios que interactuaron en Facebook y Twitter entre el 1y 10 de octubre del 2019 y la unidad de análisis son solo los usuarios que hablaron de artesanía en esas fechas. Para reunir los datos se trabajó con un análisis documental como técnica y como instrumento una ficha de registro de datos, donde se analiza y compara la extracción y el procesamiento de los datos de las redes sociales. Se obtuvo como resultados que para la extracción de datos de Facebook es más complejo que para la extracción que se hace en Twitter ya que se generan de manera automática y el mayor nivel de interés sobre la artesanía se obtuvo de los tweets extraídos. En general es factible hacer uso del Big Data con una gran cantidad de datos para hacer una mejor predicción sobre algún tema en específico para que luego se genere un aprendizaje automático en la máquina y trabaje por si solo con los nuevos datos.