Maestría en Gestión y Desarrollo de Proyectos de Software · 2015
Tendencias y características de los viajeros que visitan la ciudad de Pereira por medio de técnicas de minería de datos
El sector del turismo es uno de los más grandes a nivel mundial, generando 212 millones de empleos contribuyendo al PIB de muchos países. Según las estadísticas del ministerio de comercio el total de llegadas de turistas internacionales a la ciudad de Pereira es mayor que el de Armenia y Manizales, esto sin tener en cuenta los turistas que ingresaron por una frontera, datos que se han mantenido desde el año 2011 hasta la actualidad, año 2014. En el Quindío se cuenta con un observatorio de turismo el cual cada vez ha ido incorporando nuevos datos para sus estadísticas, observándose en el año 2014 que se tienen en cuenta a los actores de turismo, como lo son los prestadores de servicios hoteleros, restaurantes, artesanías, servicios de guías. La ciudad de Pereira no cuenta con un observatorio de turismo ni estudios sobre sus viajeros, las entidades encargadas del Turismo de Pereira no tienen en cuenta dicha variable ya que en sus sitios web y en su entidad no hay información recopilada sobre estos. Por esto hizo un análisis de la ciudad, para poder determinar datos estadísticos como: Procedencia de los visitantes, propósito de la visita, servicios utilizados, tipos de comidas preferidas, tipo de transporte utilizado, medio por el cual se enteraron de la ciudad, nivel de satisfacción en la ciudad, costos de la ciudad. Con los datos recopilados se realizó una segmentación y descripción de hábitos de los viajeros realizando análisis de clúster, posteriormente se clasificaron de acuerdo a tendencias y características aplicando reglas de asociación y finalmente se agruparon por el nivel de gastos, percepción y satisfacción luego de visitar la ciudad por medio de un análisis de clúster. Este proceso de extracción de conocimiento a partir de los datos KDD, utilizado actualmente por el sector empresarial, educativo y científico, se desarrolló utilizando la metodología CRISP-DM y fue implementado sobre la aplicación de uso libre RapidMiner y comprende desde la recolección de la información en línea y la extracción de información de la base de datos diseñada para tal fin, su transformación, validación, el cálculo de los clústers y las reglas de asociación
Full text 303 pages with text
Read the full thesis Record in the repository
Contents
- Introducciónp. 17
- Referente Contextualp. 19
- Descripción del Área Problemáticap. 19
- Antecedentesp. 23
- Formulación del problemap. 34
- Objetivosp. 35
- Objetivo Generalp. 35
- Objetivos Específicosp. 35
- Resultados esperadosp. 36
- Estrategia metodológicap. 37
- Metodologíap. 37
- Pruebasp. 40
- Presupuestop. 41
- Desarrollop. 60
- Referente Teóricop. 60
- Desarrollo del Proceso de Minería de Datos con el modelo CRISP-DMp. 103
- Comprensión del Dominiop. 103
- Comprensión de los datosp. 107
- Preparación de los datosp. 114
- Modeladop. 138
- Evaluaciónp. 232
- Desplieguep. 235
- Conclusionesp. 239
- Recomendacionesp. 241
- Bibliografíap. 42
- Anexosp. 59
- Figura 1. The knowledge destination frameworkp. 26
- Figura 2. The knowledge destination framework architecturep. 53
- Figura 3. The knowledge destination frameworkp. 29
- Figura 4. The knowledge destination framework architecturep. 30
- Figura 5. Tareas genéricas y salidas del modelo CRISP-DMp. 40
- Figura 6. Arquitectura de Big Datap. 73
- Figura 7. Elementos de un BIp. 74
- Figura 8. Ruta de un BIp. 76
- Figura 9. Arquitectura básica de un sistema ETLp. 77
- Figura 10. Técnicas de Clusteringp. 87
- Figura 11. Algoritmo de particionado de K-Meansp. 91
- actualizados y una reasignación de objetos (La media de cada clúster está marcada por a+)p. 99
- Figura 13. Proceso Normalizar datos con pesos numéricosp. 116
- Figura 14. Carga datos a RapidMinerp. 137
- Figura 15. Importación de datos a RapidMinerp. 137
- Figura 16. Proceso RapidMiner para el Clusteringp. 140
- Figura 17. Filtrado y eliminación de Outliersp. 141
- Figura 18. Validar el número óptimo de clústers para los datos proceso 1p. 143
- Figura 19. Ciclo para validar los clústersp. 143
- Figura 20. Validación con medidas internas parte 1p. 144
- Figura 21. Validar el número óptimo de clústers proceso 2p. 144
- Figura 22. Proceso para generar reglas de asociaciónp. 146
- Figura 23. Proceso de analisis Descriptivop. 147
- Figura 24 . Datos para analisis descriptivop. 148
- Figura 25 . Metadata 5123 Viajerosp. 150
- Figura 26. Metadata 2500 Viajerosp. 151
- Figura 27 . Metadata 100 Viajerosp. 152
- Figura 28. Metadata 3116 Viajerosp. 152
- Figura 29. Totales estadisticos de los Viajerosp. 153
- Figura 30. Histograma Genero-Edadp. 157
- Figura 31. Histograma Genero-Estado Civilp. 158
- Figura 32. Histograma Genero-Nivel de Estudiosp. 158
- Figura 33. Histograma Genero-Ocupaciónp. 159
- Figura 34. Histograma Genero-Fuente de Ingresosp. 159
- Figura 35.Histograma Genero-Número de visitas a la ciudadp. 160
- Figura 36. Histograma Edad-Ocupaciónp. 161
- Figura 37. Histograma Edad-Nivel de Estudiosp. 161
- Figura 38. Histograma Edad-Estado Civilp. 162
- Figura 39. Histograma Edad-Fuente de Ingresosp. 162
- Figura 40. Clustering validación 1p. 165
- Figura 41. Filtrado y eliminación de Outliers proceso 2 modificadop. 168
- Figura 42. Validación con medidas internas parte 1p. 171
- Figura 43. Ciclo para validar los clústersp. 174
- Figura 44. Indices de validación de clustersp. 175
- Figura 45. Distribucion de centroides con k=4 Proceso 3p. 176
- Figura 46. Validar el número óptimo de clústers para los datos proceso 1p. 177
- Figura 47. Validar el número óptimo de clústers proceso 2p. 177
- Figura 48. Plotter del índice Silhouettep. 180
- Figura 49. Tabla del indice Silhouette y el número de clustersp. 181
- Figura 50. Proceso para generar reglas de asociaciónp. 182
- Figura 51. Quinto Proceso Clusteringp. 184
- Figura 52. Gráfico de Desviación de todos los clustersp. 187
- Figura 53. Estadistica del cluster cerop. 188
- Figura 54. Reglas de inducción del Cluster cerop. 189
- Figura 55. Datos de validación de las reglas del clúster cerop. 190
- Figura 56. Estadistica del cluster unop. 195
- Figura 57. Reglas de inducción del Cluster unop. 195
- Figura 58. Datos de validación de las reglas del clúster unop. 196
- Figura 59. Estadistica del cluster dosp. 201
- Figura 60. Reglas de inducción del Cluster dosp. 202
- Figura 61. Datos de validación de las reglas del clúster dosp. 203
- Figura 62. Estadistica del cluster tresp. 208
- Figura 63. Reglas de inducción del Cluster tresp. 208
- Figura 64. Datos de validación de las reglas del clúster tresp. 209
- Figura 65. Distribución de Outliersp. 214
- Figura 66. Proceso para Análisis de la Percepciónp. 216
- Figura 67. Reglas del Clúster 0 sobre percepciónp. 219
- Figura 68. Reglas del Clúster 1 sobre percepciónp. 219
- Figura 69. Reglas del Clúster 2 sobre percepciónp. 220
- Figura 70. Reglas del Clúster 3 sobre percepciónp. 220
- Tabla 1. Estadísticas de turismo en el triángulo del café a Mayo de 2014p. 20
- Tabla 3. Casos de partida para el análisis de clusteringp. 83
- Tabla 4. Artículos comprados por los clientesp. 97
- Tabla 5. Criterios de Evaluación de Algoritmosp. 102
- Tabla 6 . Campos de datos personales de los encuestadosp. 108
- Tabla 7. Campos de motivos de viaje y clasificaciónp. 109
- Tabla 8. Campos discretizados de la edadp. 117
- Tabla 9. Campos discretizados del número de viajes a la ciudadp. 118
- Tabla 10. Campos discretizados de la fecha de viajep. 118
- Tabla 11. Campos discretizados del número de días de permanenciap. 119
- Tabla 12. Campos discretizados del número de compañeros de viajep. 119
- Tabla 13. Campos discretizados del grado de satisfacción [Ocio]p. 120
- Tabla 14. Campos discretizados del grado de satisfacción [Oferta cultural]p. 120
- Tabla 15. Campos discretizados del grado de satisfacción [Conservación Monumentos]p. 122
- Tabla 16. Campos discretizados del grado de satisfacción [Señalización turística]p. 122
- Tabla 17. Campos discretizados del grado de satisfacción [Cultura de la ciudadanía]p. 123
- Tabla 18. Campos discretizados del grado de satisfacción [Oferta de alojamiento]p. 123
- Tabla 19. Campos discretizados del grado de satisfacción [Calidad en la atención recibida]p. 127
- Tabla 20. Campos discretizados del grado de satisfacción [Disponibilidad alojamiento]p. 124
- Tabla 21. Campos discretizados del grado de satisfacción [Calidad del alojamiento]p. 125
- Tabla 22. Campos discretizados del grado de satisfacción [Precio del alojamiento]p. 125
- Tabla 23. Campos discretizados del grado de satisfacción [Información oficina turismo]p. 126
- Tabla 24. Campos discretizados del grado de satisfacción [Información en el hotel]p. 126
- Tabla 26. Campos discretizados del grado de satisfacción [Información dada por la policía]p. 130
- tránsito]p. 131
- carreteras]p. 131
- carteles, volantes, folletos, guías, etc.]p. 132
- Tabla 30. Campos discretizados del país de origen por organización territorialp. 130
- Tabla 31. Campos discretizados del gasto estimadop. 131
- Tabla 32. Sociodemográfico de Génerop. 154
- Tabla 33. Sociodemográfico de Edadesp. 154
- Tabla 34. Sociodemográfico de Estado Civilp. 154
- Tabla 35. Sociodemográfico de Nivel de Estudiosp. 155
- Tabla 36. Sociodemográfico de Ocupaciónp. 155
- Tabla 37. Sociodemográfico de Fuente de Ingresosp. 156
- Tabla 38. Sociodemográfico de Ubicación Territorialp. 156
- Tabla 39. Tabla uno de la percepción del gasto de los viajerosp. 221
- Tabla 40. Tabla dos de la percepción del gasto de los viajerosp. 222
- Tabla 41. Tabla tres de la percepción del gasto de los viajerosp. 223
- Anexo 1. Presupuesto Global Y Discriminadop. 261
- Anexo 2. Resultados, productos esperados y potenciales beneficiariosp. 264
- Anexo 3. Cuadro de impactos esperadosp. 267
- Anexo 4. Modelo inicial de la encuestap. 271
- Anexo 5. Modelo encuesta aplicadap. 275
- Anexo 6. Tablas de pruebasp. 287