Browsing by Author "Almendras Riesco, David Leonardo"
Now showing 1 - 2 of 2
- Results Per Page
- Sort Options
Thesis Localización de albergues en la comunas de Valparaíso y Viña del Mar.(2010-05) Almendras Riesco, David Leonardo; González Araya, Marcela Cecilia; Departamento de Industrias; Acosta Espejo, Luis GonzaloLa región de Valparaíso es la segunda región más poblada de Chile. Asociado a esto, existen diversas variables de riesgo que afectan a la población frente aun inminente desastre de tipo natural. En este contexto, las comunas de Valparaíso y Viña del Mar son las que concentran la mayor cantidad de población, las cuales están sujetas a diferentes tipos de riesgos naturales. Según lo señalado por la ONEMI, los riesgos naturales más latentes son los fenómenos de carácter sísmico, acompañado de un eventual tsunami. Otros riesgos son los incendios y los de tipo hidrometereológico. En este último destacan los asociados a remociones de masa o deslizamientos de tierra, y también los provocados por inundaciones. Sin duda, de todos los fenómenos anteriores los que resultan más impredecibles y destructivos son los de carácter sísmico, los cuales pueden ser asociados a tsunami y remoción de masa. Este trabajo consiste en generar un primer estudio y metodología sobre la localización de potenciales albergues en ambas comunas. Para ello se recopiló información de infraestructura pública y privada, como son los albergues oficiales, recintos deportivos y colegios en la zona para referenciarlos espacialmente. Junto con ello, la demanda de estos potenciales albergues se definió acorde a 3 grupos propuestos por la materiabilidad de la vivienda en cada manzana censal proveniente del estudio “El Déficit Habitacional en Chile”, el cual caracteriza las viviendas en Aceptables, Recuperables e Irrecuperables. Para resolver este problema, se propusieron 4 posibles escenarios afectados por la intensidad de un fenómeno sísmico hasta completar el 100% de la demanda. El modelo de solución a estos escenarios fue uno de p-medianas asociado a los 3 tipos de demanda conjunta, los cuales permitió generar una solución inicial la cual deja abierta a nuevos estudios en su perfeccionamiento.Thesis Predicción de fuga de clientes en aplicaciones móviles.(2018-12) Pumarino Palombo, Constanza Valentina; Almendras Riesco, David Leonardo; Departamento de Ingeniería Comercial; Acosta Espejo, Luis GonzaloLa presente memoria busca determinar un modelo de predicción de fuga y de segmentación de clientes basados en información histórica de usuarios de una aplicación móvil mediante técnicas de minería de datos utilizando la metodología KDD. Esta aplicación, perteneciente al rubro del entretenimiento, entrega un medio de comunicación entre empresas de variados rubros y los consumidores finales, permitiendo hacer campañas con promociones y beneficios comerciales las cuales poseen un club de fidelización que premia a los usuarios por medio de puntos acumulables canjeables por productos. El experimento consistió en la recolección de 3 meses de datos de nuevos usuarios registrados, para analizar el estado de los usuarios al 4to mes, clasificándolo como fugado si este no interactuaba con la aplicación en 30 días, obteniendo un nivel de fuga de clientes de un 44,25%. Se complementó con información relacionada al comportamiento de uso de la aplicación, como cantidad de mensajes recibidos y enviados, cantidad de puntos acumulados y canjeados. También se utilizó información demográfica, características del dispositivo móvil y variables temporales de tiempos de uso. Por otra parte, los datos se sometieron a un proceso de clasificación de clusters, analizando los tipos de usuarios y las características de cada grupo, obteniendo 4 tipos de clientes, segmentados por el nivel de uso de la aplicación, identificando que los primeros 10 días de uso son críticos para la retención. Para la predicción de fuga se compararon 7 modelos distintos, siendo Gradient Boosted Tree el con mejor rendimiento, alcanzando una exactitud de 91,1% pero con un tiempo de ejecución muy elevado en comparación al resto, seguido por Deep Learning que alcanzando un 89,2% 27 veces más rápido que el primer modelo. Se concluye el estudio con un análisis de los resultados, identificando los atributos claves para la retención de clientes y proponiendo posibles cursos de acción para el manejo de clientes a futuro.
Política de Privacidad 
