Propuesta de análisis de preferencias de películas de

Disney+
Fiorella Henriquez C
Data Science Research Peru
Lima, Peru
fiorella1605@gmail.com

XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE

 Abstract— En este artículo se presenta la propuesta de
construcción de un producto basado en datos para determinar
las variables que impactan las preferencias de los suscriptores
de Disney+ a sus programas disponibles, se evaluará la
hipótesis que XYZ origina los resultados ABC, el cual será
validado mediante análisis descriptivo de datos y técnicas de
visualización, con el objetivo de ejecutar un plan de marketing
para mejorar el engagement de los suscriptores en Perú. Como
complemento a los hallazgos encontrados, se incluye la
propuesta de desarrollo de un modelo de machine learning
Keywords—Python, análisis, estadística, machine learning,
product, datos.
I. INTRODUCCIÓN
Aquí podemos incluir el contexto del problema, los
antecedentes averiguados, por qué es importante el problema,
por qué se plantea un producto basado en datos y cómo
ayudaría dicho producto, así como qué metodología de
proyecto se usará (CRISP-DM).
II. DEFINICIÓN DEL PROBLEMA
Detallar qué problema se va a resolver, por qué es
importante y cuál es el contexto en el cual se da el problema.
Incluir también a quién afecta el problema (personas,
organización, roles), cómo lo afecta, qué se lograría si se
resuelve, en qué proceso de negocio está ubicado el
problema y cuáles son las hipótesis que tenemos de cómo se
podría resolver.
III. TRABAJOS RELACIONADOS
A. Estudio encontrado 1
Detalles del análisis, estudio, modelo de machine
learning o experimento encontrado como antecedente.
B. Estudio encontrado 2
Detalles del análisis, estudio, modelo de machine
learning o experimento encontrado como antecedente.
C. Estudio encontrado 3
Detalles del análisis, estudio, modelo de machine
learning o experimento encontrado como antecedente.
IV.PROPUESTA DE DATA PRODUCT
Aquí se detalla qué dataset se va a usar, de dónde se
extraerá y con qué metodologías y herramientas. Luego se
deben detallar cuáles serán las variables dentro del dataset
que se usarán y qué indicadores adicionales se buscan
calcular o incluir para el objetivo del estudio. Posteriormente
incluimos el análisis usado y/o modelo de machine learning
y por qué se escogieron. Incluir también las metodologías y
herramientas que se podrían usar para los distintos
procedimientos de datos (ETL) y análisis/modelamiento.
A. Set de datos
Se usó el set de datos de… Se capturará de… con las
técnicas… Se necesitan transformar los datos con las
siguientes metodologías… Y se usarán las herramientas para
extraerla o para guardarla… Por qué se usa ese set de datos.
Qué otros datos se podrían integrar, pero no se tienen
disponibles, por qué se quisieran integrar.
B. Modelamiento y/o Análisis
 Qué análisis se podría realizar y de qué tipo
(descriptivo, predictivo), se realizará visualización de
datos para evaluar XYZ variables. Se pueden ejecutar
modelos de machine learning de tipo ABC, qué tipo
de aprendizaje (supervisado, no supervisado), qué
tipo de modelo (segmentación, regresión,
clasificación) y si también se conoce el tipo
específico (árbol de decisión, regresión linear) –
como opcional.
 Qué técnicas se podrían usar para la evaluación del
modelo (validación cruzada, métricas de evaluación
de error, etc)
 Qué herramientas se podrían usar (software, tableros
de visualización, lenguajes de programación) para los
diferentes pasos. Y dónde se podría desplegar (web,
API, reporte, presentación a una audiencia, tablero de
visualización, etc.)
V. BENEFICIOS
Detallar qué beneficios podría traer el data product
(datos, análisis, modelamiento) y cómo ayuda el método de
despliegue a dicho objetivo. A quién impactará y qué
acciones podrá tomar con este producto basado en datos.
Quiénes serán impactados de forma indirecta.
VI.PLAN DE PROYECTO
Detallar cómo se plantearía el desarrollo del proyecto,
tomando en cuenta las fases de la metodología CRISP-DM.
Qué se debería tomar en cuenta para el inicio del proyecto:
recordar el modelo 50% personas-30% procesos-20%
producto. Cuánto tiempo aproximado (en meses, semanas)
podría tomar cada etapa. Qué recursos se pueden necesitar:
qué perfiles y por qué (data engineer, data scientist, data
Analyst). En qué costos se podrían incurrir para la ejecución:
van relacionados a si tenemos que comprar alguna licencia
de software, implementar una base de datos en pequeña o
gran escala, capacidad de procesamiento, contratación de
personal permanente o temporal, compra de set de datos, etc.
REFERENCIAS
Incluir las citas bibliográficas en formato APA y usar los
números correspondientes dentro del texto. En la sección de
trabajos relacionados deben incluirse todas las referencias
correspondientes.
[1] G. Eason, B. Noble, and I. N. Sneddon, “On certain integrals of
Lipschitz-Hankel type involving products of Bessel functions,” Phil.
Trans. Roy. Soc. London, vol. A247, pp. 529–551, April 1955.
(references)
[2] J. Clerk Maxwell, A Treatise on Electricity and Magnetism, 3rd ed.,
vol. 2. Oxford: Clarendon, 1892, pp.68–73.
[3] I. S. Jacobs and C. P. Bean, “Fine particles, thin films and exchange
anisotropy,” in Magnetism, vol. III, G. T. Rado and H. Suhl, Eds.
New York: Academic, 1963, pp. 271–350.
[4] K. Elissa, “Title of paper if known,” unpublished.
[5] R. Nicole, “Title of paper with only first word capitalized,” J. Name
Stand. Abbrev., in press.
[6] Y. Yorozu, M. Hirano, K. Oka, and Y. Tagawa, “Electron
spectroscopy studies on magneto-optical media and plastic substrate
interface,” IEEE Transl. J. Magn. Japan, vol. 2, pp. 740–741, August
1987 [Digests 9th Annual Conf. Magnetics Japan, p. 301, 1982].
[7] M. Young, The Technical Writer’s Handbook. Mill Valley, CA:
University Science, 1989.