Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023

Descripción del Articulo

Las marcas, con la ayuda de los medios de comunicación, pueden alcanzar a grandes volúmenes de personas, siendo la televisión abierta el medio con mayor cobertura en el país. Esto a pesar de que, durante el año 2023, el medio Digital encabezara a nivel de inversión, desplazando a la televisión abier...

Descripción completa

Detalles Bibliográficos
Autor: Bruno Reyes, Yossellin Isabel
Formato: tesis de grado
Fecha de Publicación:2024
Institución:Universidad Nacional Mayor de San Marcos
Repositorio:UNMSM-Tesis
Lenguaje:español
OAI Identifier:oai:cybertesis.unmsm.edu.pe:20.500.12672/24478
Enlace del recurso:https://hdl.handle.net/20.500.12672/24478
Nivel de acceso:acceso abierto
Materia:Aprendizaje automático
Proyectos de inversión
Televisión
https://purl.org/pe-repo/ocde/ford#1.01.03
id UNMS_26e4e0cb4336bc85e9d1bf703af1d8ce
oai_identifier_str oai:cybertesis.unmsm.edu.pe:20.500.12672/24478
network_acronym_str UNMS
network_name_str UNMSM-Tesis
repository_id_str 410
dc.title.none.fl_str_mv Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023
title Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023
spellingShingle Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023
Bruno Reyes, Yossellin Isabel
Aprendizaje automático
Proyectos de inversión
Televisión
https://purl.org/pe-repo/ocde/ford#1.01.03
title_short Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023
title_full Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023
title_fullStr Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023
title_full_unstemmed Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023
title_sort Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023
author Bruno Reyes, Yossellin Isabel
author_facet Bruno Reyes, Yossellin Isabel
author_role author
dc.contributor.advisor.fl_str_mv Huamán Gutiérrez, Zoraida Judith
dc.contributor.author.fl_str_mv Bruno Reyes, Yossellin Isabel
dc.subject.none.fl_str_mv Aprendizaje automático
Proyectos de inversión
Televisión
topic Aprendizaje automático
Proyectos de inversión
Televisión
https://purl.org/pe-repo/ocde/ford#1.01.03
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#1.01.03
description Las marcas, con la ayuda de los medios de comunicación, pueden alcanzar a grandes volúmenes de personas, siendo la televisión abierta el medio con mayor cobertura en el país. Esto a pesar de que, durante el año 2023, el medio Digital encabezara a nivel de inversión, desplazando a la televisión abierta y colocándola en segundo lugar. Según Kantar Ibope Media (2024), la televisión abierta continúa siendo la preferencia principal entre los peruanos. El equipo de planners de Havas Group Perú busca identificar los factores cruciales que inciden de manera determinante en la elección de inversiones, garantizando una estrategia acertada. En este trabajo de suficiencia, con la finalidad de optimizar la inversión, se determinará en qué momento invertir a partir de la fidelidad de la audiencia. Para resolver el objetivo, se usó el algoritmo de Machine Learning: Random Forest, donde se encontró un coeficiente de determinación del 57% con un ECM del 1.072%. Finalmente, se determinó la mayor fidelidad de audiencia en los programas emitidos en los canales de América Televisión, ATV o Latina en los martes o miércoles y con una duración de una hora con 10 minutos.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-12-26T17:24:57Z
dc.date.available.none.fl_str_mv 2024-12-26T17:24:57Z
dc.date.issued.fl_str_mv 2024
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.citation.none.fl_str_mv Bruno, Y. (2024). Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023. [Trabajo de suficiencia profesional de pregrado, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas, Escuela Profesional de Estadística]. Repositorio institucional Cybertesis UNMSM.
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12672/24478
identifier_str_mv Bruno, Y. (2024). Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023. [Trabajo de suficiencia profesional de pregrado, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas, Escuela Profesional de Estadística]. Repositorio institucional Cybertesis UNMSM.
url https://hdl.handle.net/20.500.12672/24478
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional Mayor de San Marcos
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad Nacional Mayor de San Marcos
dc.source.none.fl_str_mv reponame:UNMSM-Tesis
instname:Universidad Nacional Mayor de San Marcos
instacron:UNMSM
instname_str Universidad Nacional Mayor de San Marcos
instacron_str UNMSM
institution UNMSM
reponame_str UNMSM-Tesis
collection UNMSM-Tesis
bitstream.url.fl_str_mv https://cybertesis.unmsm.edu.pe/bitstreams/bcd508fa-08e3-495f-bfa0-fd346c0c601c/download
https://cybertesis.unmsm.edu.pe/bitstreams/a273a4c8-cf98-4e38-9118-b591d1a0984c/download
https://cybertesis.unmsm.edu.pe/bitstreams/45208b96-facd-49fe-8ff8-27cf5c30d119/download
https://cybertesis.unmsm.edu.pe/bitstreams/177f1e9e-769f-4fa9-b46e-2a0b76ece8a3/download
https://cybertesis.unmsm.edu.pe/bitstreams/bf41422b-375c-48ba-9593-37ef5f5e98fc/download
https://cybertesis.unmsm.edu.pe/bitstreams/67a15586-b7bc-4c44-897a-f4ddfec8da35/download
https://cybertesis.unmsm.edu.pe/bitstreams/a90f0871-9324-4cba-9ffe-4fe050015410/download
https://cybertesis.unmsm.edu.pe/bitstreams/cf3e7b51-3a52-425b-8a2f-c9646cd33e73/download
https://cybertesis.unmsm.edu.pe/bitstreams/bcfa2666-1bf4-48ae-b298-7f479b88129d/download
https://cybertesis.unmsm.edu.pe/bitstreams/1b53f1bc-0ef9-48eb-bf2a-4c9c760e2775/download
https://cybertesis.unmsm.edu.pe/bitstreams/ef678db6-e425-4b1f-9038-bb9bee2a94bb/download
bitstream.checksum.fl_str_mv bb9bdc0b3349e4284e09149f943790b4
fca15e2fba246b5fb042d7c116fd255b
77db4cf9c48502b5b6be4222f273e9b3
0a0419108ea6c7244cd9b9e9af5f2ec1
1f14487299a8a795dc379bc1df9968a0
9a63167f3fec54922c686b1a3960e5d4
a82b585a486b91258c5986ca6a4f0dbc
9ddd53e478f5d73f3dee278c4f169bce
d63976af79847f119391e9eb7c282362
1ae1636af9058d4a82621d93346c339a
9bc092766e6a9df4302bced4722b1205
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Cybertesis UNMSM
repository.mail.fl_str_mv cybertesis@unmsm.edu.pe
_version_ 1847253267984154624
spelling Huamán Gutiérrez, Zoraida JudithBruno Reyes, Yossellin Isabel2024-12-26T17:24:57Z2024-12-26T17:24:57Z2024Bruno, Y. (2024). Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023. [Trabajo de suficiencia profesional de pregrado, Universidad Nacional Mayor de San Marcos, Facultad de Ciencias Matemáticas, Escuela Profesional de Estadística]. Repositorio institucional Cybertesis UNMSM.https://hdl.handle.net/20.500.12672/24478Las marcas, con la ayuda de los medios de comunicación, pueden alcanzar a grandes volúmenes de personas, siendo la televisión abierta el medio con mayor cobertura en el país. Esto a pesar de que, durante el año 2023, el medio Digital encabezara a nivel de inversión, desplazando a la televisión abierta y colocándola en segundo lugar. Según Kantar Ibope Media (2024), la televisión abierta continúa siendo la preferencia principal entre los peruanos. El equipo de planners de Havas Group Perú busca identificar los factores cruciales que inciden de manera determinante en la elección de inversiones, garantizando una estrategia acertada. En este trabajo de suficiencia, con la finalidad de optimizar la inversión, se determinará en qué momento invertir a partir de la fidelidad de la audiencia. Para resolver el objetivo, se usó el algoritmo de Machine Learning: Random Forest, donde se encontró un coeficiente de determinación del 57% con un ECM del 1.072%. Finalmente, se determinó la mayor fidelidad de audiencia en los programas emitidos en los canales de América Televisión, ATV o Latina en los martes o miércoles y con una duración de una hora con 10 minutos.application/pdfspaUniversidad Nacional Mayor de San MarcosPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/Aprendizaje automáticoProyectos de inversiónTelevisiónhttps://purl.org/pe-repo/ocde/ford#1.01.03Machine Learning para determinar la fidelidad de audiencia en televisión abierta año 2023info:eu-repo/semantics/bachelorThesisreponame:UNMSM-Tesisinstname:Universidad Nacional Mayor de San Marcosinstacron:UNMSMSUNEDULicenciada en EstadísticaUniversidad Nacional Mayor de San Marcos. Facultad de Ciencias Matemáticas. Escuela Profesional de EstadísticaEstadística09890094https://orcid.org/0000-0003-1862-807772396883542016Norabuena Figueroa, Roger PedroRoque Paredes, Ofeliahttps://purl.org/pe-repo/renati/level#tituloProfesionalhttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional4149324306243124LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://cybertesis.unmsm.edu.pe/bitstreams/bcd508fa-08e3-495f-bfa0-fd346c0c601c/downloadbb9bdc0b3349e4284e09149f943790b4MD51ORIGINALBruno_ry.pdfBruno_ry.pdfapplication/pdf2425455https://cybertesis.unmsm.edu.pe/bitstreams/a273a4c8-cf98-4e38-9118-b591d1a0984c/downloadfca15e2fba246b5fb042d7c116fd255bMD52C3409_2024_Bruno_ry_reporte.pdfapplication/pdf4653699https://cybertesis.unmsm.edu.pe/bitstreams/45208b96-facd-49fe-8ff8-27cf5c30d119/download77db4cf9c48502b5b6be4222f273e9b3MD53C3409_2024_Bruno_ry_autorizacion.pdfapplication/pdf171561https://cybertesis.unmsm.edu.pe/bitstreams/177f1e9e-769f-4fa9-b46e-2a0b76ece8a3/download0a0419108ea6c7244cd9b9e9af5f2ec1MD54CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8905https://cybertesis.unmsm.edu.pe/bitstreams/bf41422b-375c-48ba-9593-37ef5f5e98fc/download1f14487299a8a795dc379bc1df9968a0MD52TEXTBruno_ry.pdf.txtBruno_ry.pdf.txtExtracted texttext/plain63138https://cybertesis.unmsm.edu.pe/bitstreams/67a15586-b7bc-4c44-897a-f4ddfec8da35/download9a63167f3fec54922c686b1a3960e5d4MD55C3409_2024_Bruno_ry_reporte.pdf.txtC3409_2024_Bruno_ry_reporte.pdf.txtExtracted texttext/plain1126https://cybertesis.unmsm.edu.pe/bitstreams/a90f0871-9324-4cba-9ffe-4fe050015410/downloada82b585a486b91258c5986ca6a4f0dbcMD57C3409_2024_Bruno_ry_autorizacion.pdf.txtC3409_2024_Bruno_ry_autorizacion.pdf.txtExtracted texttext/plain3863https://cybertesis.unmsm.edu.pe/bitstreams/cf3e7b51-3a52-425b-8a2f-c9646cd33e73/download9ddd53e478f5d73f3dee278c4f169bceMD59THUMBNAILBruno_ry.pdf.jpgBruno_ry.pdf.jpgGenerated Thumbnailimage/jpeg15006https://cybertesis.unmsm.edu.pe/bitstreams/bcfa2666-1bf4-48ae-b298-7f479b88129d/downloadd63976af79847f119391e9eb7c282362MD56C3409_2024_Bruno_ry_reporte.pdf.jpgC3409_2024_Bruno_ry_reporte.pdf.jpgGenerated Thumbnailimage/jpeg11580https://cybertesis.unmsm.edu.pe/bitstreams/1b53f1bc-0ef9-48eb-bf2a-4c9c760e2775/download1ae1636af9058d4a82621d93346c339aMD58C3409_2024_Bruno_ry_autorizacion.pdf.jpgC3409_2024_Bruno_ry_autorizacion.pdf.jpgGenerated Thumbnailimage/jpeg20682https://cybertesis.unmsm.edu.pe/bitstreams/ef678db6-e425-4b1f-9038-bb9bee2a94bb/download9bc092766e6a9df4302bced4722b1205MD51020.500.12672/24478oai:cybertesis.unmsm.edu.pe:20.500.12672/244782025-10-19 03:57:13.869https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://cybertesis.unmsm.edu.peCybertesis UNMSMcybertesis@unmsm.edu.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
score 13.386405
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).