Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12759/8272
Título : Análisis predictivo para conocer los factores que repercuten en el rendimiento académico de los estudiantes del Cetpro ADITA ZANNIER usando la metodología CRISP
Autor : Cotrina Mauricio, Alam Daniel
Lujan Cortijo, Jean Carlos Martin
Asesor: Ullon Ramírez, Agustín Eduardo
Palabras clave : Rendimiento
Factores
Fecha de publicación : 2021
Institución : Universidad Privada Antenor Orrego
No. de serie: T_SIST_1491
Resumen : Actualmente la analítica de datos está revolucionando la forma en que trabajan las organizaciones, y como están ahora tomando decisiones y como se relacionan con sus clientes. Los tomadores de decisiones deben de aprovechar el potencial que ofrecen las herramientas de Analítica para construir mejores relaciones con sus usuarios o clientes y predecir sus necesidades y conductas. En esta instancia es que la Minería de Datos nos va a permitir extraer información sensible que reside de manera implícita en los datos. El CETPRO “ADITA ZANNIER DE MURGIA” es una Institución educativa, que ofrece una educación Técnica Productiva, articulando la oferta educativa con la demanda laboral, aplicando metodologías activas e innovadoras, orientadas a un desarrollo científico y tecnológico. Su principal problema en CETPRO es que no pueden obtener información sobre los factores que repercuten en el rendimiento académico de sus alumnos con las herramientas y soluciones actuales que posee. La Solución planteada frente a estos problemas es la extracción de los datos más relevantes a partir de la Base de Datos Transaccional existente, a una nueva vista de datos, que sería el resultado de la preparación de los datos para su futura transformación a un Data Mining. Para este proyecto se utiliza la metodología CRISP y la herramienta SPSS Modeler para la aplicación del modelo de minería de datos teniendo un mejor análisis de sus datos que puedan hacer más confiable la toma de decisiones. Encontrando que el Modelo de árbol de decisión C5.0 nos brinda una información más confiable de factores que repercuten en el rendimiento académico.
Currently the data analytics is revolutionizing the way organizations work, and how they are now making decisions and how they relate to their customers. Decision makers must take advantage of the potential offered by Analytics tools to build better relationships with their users or customers and predict their needs and behaviors. In this instance, Data Mining will allow us to extract sensitive information that resides implicitly in the data. The CETPRO ""ADITA ZANNIER DE MURGIA"" is an educational Institution, which offers a Productive Technical education, articulating the educational offer with the labor demand, applying active and innovative methodologies, oriented to a scientific and technological development. Their main problem at CETPRO is that they cannot obtain information about the factors that affect the academic performance of their students with the current tools and solutions that they have. The solution posed in the face of these problems is the extraction of the most relevant data from the existing Transactional Database, to a new data view, which would be the result of the preparation of the data for its future transformation to a Data Mining . For this project the CRISP methodology and the SPSS Modeler tool are used for the application of the data mining model, having a better analysis of their data that can make decision making more reliable. Finding that the Model C5.0 decision tree gives us more reliable information on factors that have an impact on academic performance.
URI : https://hdl.handle.net/20.500.12759/8272
Aparece en las colecciones: Ingeniería de Computación y Sistemas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
REP_ALAM.COTRINA_JEAN.LUJAN_ANALISIS.PREDICTIVO_pages_deleted.pdfALAM.COTRINA_JEAN.LUJAN_ANALISIS.PREDICTIVO366,84 kBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons