Modelo híbrido para la toma de decisiones y predicción de ingresos en empresas del rubro de tragamonedas aplicando XGBoost”

• Autores: Valencia Martinez, Juan Francisco, Flores Osorio, Dalia Denisse
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/669582
• Enlace del recurso: http://hdl.handle.net/10757/669582
• Nivel de acceso: acceso abierto
• Materia: Análisis de datos; Predicción de ventas; XGBoost; Ralph Kimball; Casino; Data Analytics; Sales prediction; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#2.00.00

Debido a la reciente pandemia COVID 19, el sector de casinos y máquinas tragamonedas se ha visto obligado a incorporar nuevas técnicas para el análisis de la información. Actualmente existen empresas que siguen realizando el tratamiento de la información y obtención de reportes de manera manual, lo cual dificulta en gran escala la toma de decisiones estratégicas y operativas. Se han realizado diferentes investigaciones sobre la toma de decisiones en el proceso de ventas, pero estas no se han enfocado en el rubro de casinos. Se propone un Modelo híbrido para la toma de decisiones y predicción de ingresos en empresas del rubro de tragamonedas aplicando XGBoost. La propuesta se desarrolló aplicando la metodología Ralph Kimball, conformado por 6 fases: Planificación del Proyecto, Definición de Requerimientos del Negocio, Implementación de procesos ETL, Diseño del Modelado Dimensional, Diseño del Modelo Power BI, Predicción y pronostico. El modelo propuesto fue validado a través de un caso de estudio de una empresa del rubro de casinos en Lima, Perú. Se elaboró paneles en Power BI para mostrar los ingresos por empresa y marca. Para la obtención de la precisión se realizó la comparación de 3 algoritmos de Machine Learning: XGBoost, Regresión Lineal y Support Vector Regression. Los resultados demostraron que el algoritmo de XGBoost obtuvo mejor rendimiento para la predicción y pronóstico de ingresos obteniendo una precisión de 0.93.