Mineria de Datos - Segunda Entrega

MODELADO EN MINERÍA DE DATOS
GRUPO: CLLAM
AUTORES:
LUIS ALFONSO QUINTERO CÓDIGO 100090770.
EDISON ANDRÉS TAFUR CÓDIGO 100221931.
CARLOS GIOVANNY MARTÍNEZ MONROY CÓDIGO 100056109.
LILIANA MARCELA CORTES PULIDO CÓDIGO 100065762.
MARIA ANGELICA RAMOS CÓDIGO 100169349.
ASESOR: SANDRA LUENGAS APONTE
INSTITUCIÓN UNIVERSITARIA POLITÉCNICO GRANCOLOMBIANO
FACULTAD DE INGENIERÍA, DISEÑO E INNOVACIÓN
ESPECIALIZACIÓN EN GERENCIA DE PROYECTOS EN INTELIGENCIA DE
NEGOCIOS
BOGOTÁ, D.C. 2022

Contenido
TABLA DE ILUSTRACIONES ............................................................................ 4
Comprensión Del Negocio....................................................................................... 7

Áreas dentro de la Empresa ............................................................................. 7
Objetivos Gerencia ........................................................................................... 7
Objetivo Administrativa..................................................................................... 7
Objetivo Comercial ........................................................................................... 7
Indicadores......................................................................................................... 7
Áreas afectadas por la minería de datos ......................................................... 8
Planteamiento del Problema ............................................................................. 8
Evaluación .......................................................................................................... 9
Alcance de la MD ............................................................................................... 9
Plan Proyecto de MD ....................................................................................... 10
Comprensión De Los Datos .................................................................................. 11

Recolección inicial........................................................................................... 11
Descripción ...................................................................................................... 12
Tabla de órdenes de compra ......................................................................... 12
Tabla de socios de negocio............................................................................ 13
Exploración ...................................................................................................... 14
Calidad .............................................................................................................. 15
Selección .......................................................................................................... 15
Nivel I ............................................................................................................. 15
Nivel II ............................................................................................................ 16
Nivel III ........................................................................................................... 16
Exclusión de datos ......................................................................................... 16
Preparación De Los Datos .................................................................................... 17

SEGUNDA ENTREGA – MODELADO DE DATOS............................................... 30
Creación de módulo de lectura de datos ....................................................... 30
Llamado de la data........................................................................................... 31
Filtro de columnas ........................................................................................... 32
Módulo de normalización ................................................................................ 33
Módulo denormalizador y color manager ...................................................... 35
Módulo pie chart (Local) ................................................................................. 36
Visualización de esquemas ............................................................................ 37
Parametrización de ROC Curve ...................................................................... 38
Visualización de curvas de ROC .................................................................... 39
Esquema final del modelo............................................................................... 42
Bibliografía ............................................................................................................ 43
TABLA DE ILUSTRACIONES
Ilustración 1 Flujo de comprensión de datos ......................................................... 11
Ilustración 2 Muestra de datos .............................................................................. 17
Ilustración 3 Extracción de datos........................................................................... 17
Ilustración 4 Creación de proyecto ........................................................................ 18
Ilustración 5 Hallazgos .......................................................................................... 19
Ilustración 6 Ajuste Registro .................................................................................. 19
Ilustración 7 Inquietudes campo N/A ..................................................................... 20
Ilustración 8 Inquietudes Campo Premio ............................................................... 21
Ilustración 9 Grupos en columnas ......................................................................... 21
Ilustración 10 Grupos en columnas articulo........................................................... 22
Ilustración 11 Identificación de registros ............................................................... 23
Ilustración 12 Ajustes manuales Iconograma ........................................................ 23
Ilustración 13 Ajustes manuales Marpico .............................................................. 23
Ilustración 14 Gruopos en columna impresión ...................................................... 24
Ilustración 15 Ajustes columna impresión ............................................................. 24
Ilustración 16 Operaciones en base 1 ................................................................... 25
Ilustración 19 Operaciones en bsase 4 ................................................................. 26

Ilustración 21 Eliminación de columnas vacias ..................................................... 27
Ilustración 22 Normalización de variables ............................................................. 28
Ilustración 23 Integración de bases ....................................................................... 28
Ilustración 24 Transformación de datos ................................................................ 28
Ilustración 25 reemplazar nulos y eliminación de errores ..................................... 29
Ilustración 26 Excel Reader................................................................................... 30
Ilustración 27 Local File System ............................................................................ 31
Ilustración 28 Table Contains ................................................................................ 32
Ilustración 29 Column Filter ................................................................................... 33
Ilustración 30 Normalizer ....................................................................................... 34
Ilustración 31 Normalizer Data .............................................................................. 34
Ilustración 32 K.Means .......................................................................................... 35
Ilustración 33 Denormalizer - Color Manager ........................................................ 36
Ilustración 34 Pie Chart (Local) ............................................................................. 37
Ilustración 35 Diagram Pie Chart Local ................................................................. 38
Ilustración 36 ROC Curve...................................................................................... 38
Ilustración 37 Clusters ........................................................................................... 39
Ilustración 38 Roc Curve 0 .................................................................................... 40

Ilustración 43 Modelado Final................................................................................ 42
Comprensión Del Negocio
Publicaciones S.A.S es una compañía dedicada a la comercialización,
distribución y venta de productos promocionales publicitarios de excelente calidad
y un precio competitivo en el mercado los cuales dan solución a las necesidades
de posicionamiento, cobertura e identidad de marca e imagen; buscando siempre
ofrecer la mejor calidad de sus productos, y así lograr la satisfacción de sus
clientes.
Áreas dentro de la Empresa
Objetivos Gerencia
Mejorar la calidad de los productos con estándares, y normas que ayuden a
mejorar el resultado final del articulo entregado.
Identificar los clientes que han dejado de adquirir productos en la trayectoria
de la empresa y poder darles una bonificación o incentivo con el fin de lograr
restablecer una relación comercial.
Objetivo Administrativa
Proporcionar un servicio más eficiente en cuanto los tiempos de entrega,
calidad del producto y una relación más directa con el cliente en posventa.
Objetivo Comercial
Buscar nuevos clientes que sean constantes y que permitan generar más
ingresos a la empresa.
Indicadores
Los Indicadores establecidos para el rendimiento de la minería de datos
son:
- Porcentaje de quejas por productos de mala calidad.
- Porcentaje de nuevos clientes perdidos.
- Tiempos de entrega acordados Fecha Orden – Fecha de facturado.
- Porcentaje de nuevos clientes por cada uno de los comerciales.
Áreas afectadas por la minería de datos
De acuerdo con los objetivos planteados la afectación se dará de manera
positiva, ya que se beneficiará el sector comercial, en cuanto los nuevos clientes a
adquirir y los que dejaron de utilizar los servicios, dándole un mejor manejo
administrativo en cuanto tiempo - entrega y así poder organizar una base de datos
eficiente.
Planteamiento del Problema
Identificar la causa de la pérdida de clientes en los últimos cinco años:
En este momento la empresa no cuenta con una solución efectiva para
hacerle frente a el problema, lo cual no es posible determinar las ventajas o
desventajas, se sugiere evaluar y utilizar la metodología de minería de datos, con
el fin de poder identificar el motivo de la pérdida de clientes y una vez identificadas
las causas poder crear estrategias que le permitan a la empresa el desarrollo de
nuevas estrategias que le permitan recuperar clientes perdidos y de igual manera
atraer nuevos clientes.
El problema es que a lo largo de los últimos cinco años se ha evidenciado
que varios clientes han dejado de adquirir productos.
Se pretende que con la implementación de practica de minería de datos, se
logre identificar los clientes perdidos, la causa, la identificación de los mismos, de

esta manera crear estrategias comerciales y de marketing que permitan recuperar
los clientes perdidos, así como la atracción de nuevos clientes.
- Las desventajas en la implementación de MD son:
- Los riesgos de utilización de nuevos softwares.
- Capacitaciones de sus empleados.
- Resistencia al cambio por parte de los empleados.
- No adherencia a las nuevas estrategias que se plantee la compañía para la
recuperación de los clientes y captación de nuevos clientes, por parte de
todas las áreas de la empresa.
Evaluación
Se cuenta con información en diferentes bases de datos la cual cuenta con
datos de los últimos cinco atrás donde se evidencia nombre y número de
identificación del cliente, producto adquirido, nombre del comercial, orden de
compra, número de factura, valor de compra y valor de venta, estos datos nos
permitirán evaluarlos para cumplir con el objetivo planteado y establecer posibles
soluciones al problema, el equipo de trabajo pondrá en práctica los conocimientos
adquiridos para bridar soluciones a la empresa.
Alcance de la MD
La proyección de la minería de datos es extraer la información de los
clientes en cuanto a perfiles de la empresa, si se mantiene en el mercado, si ha
buscado otros proveedores, para poder realizar una estrategia de mercadeo que
ayude a volver a retomar a contratar con la empresa, o si por efectos de pandemia
las preferencias de los clientes cambiaron y los productos ofertados por la

empresa ya no representan un alternativa para que nuestros clientes fortalezcan
la recordación de marcas entres sus clientes, de ser así lograr identificar hacia que
mercado u opciones migraron los clientes perdidos.
Unificar una única base de datos, y convertirla en conocimiento de los
clientes perdidos, que se mantienen y los nuevos clientes, para hacerles un
seguimiento, donde se busque integrara toda la información relevante para poder
realizar un plan estratégico a la empresa
Plan Proyecto de MD
ACTIVIDAD DURACIÓN
Compresión del negocio Se realizaron reuniones del grupo en las cuales,
se selecciono la empresa y se compartió la
información de la misma para el desarrollo de la
actividad.
Comprensión de los datos Se revisan las bases de datos proporcionadas
por la empresa, se valida información registrada
en cada una de ellas, se realiza verificación de
los datos con los siguientes hallazgos:
Diferencias en escritura, falta de datos claves
para ser utilizados como llave primaria ejemplo
clientes sin Nit, datos incompletos de
vendedores, clientes y proveedores.
Preparación de datos Se selecciona herramienta para la limpieza de
los datos, se decide trabajar con OPEN REFINE.
Modelado Para el modelado de los datos se utilizó la
POWER QUERY.
Comprensión De Los Datos
Esta etapa consiste en la recolección y análisis previo de los datos para
establecer el conjunto de recursos que nos servirán para brindar solución a la
problemática planteada. De esta manera lograremos identificar si la data
suministrada por la empresa es suficiente para la obtención de proyecciones y
respuestas o si por el contrario se debe solicitar información complementaria.
Ilustración 1 Flujo de comprensión de datos
Recolección inicial
La data inicial entregada por la compañía Publiopciones contaba con un
aproximado de 600 registros por año y trazabilidad de los últimos 5 años, la
información relacionada en las tablas iba en función a los artículos vendidos en

este periodo y el tipo de tercero que generó la orden de compra. Se realizó la
validación general de los datos y se identificó que hacía falta información relevante
que nos permitiera perfilar de manera adecuada los terceros involucrados en cada
línea, por lo cual, fue necesario solicitar una segunda base de datos que nos
permitiera enlazar información relevante de los terceros.
A partir de lo anterior, se inició enlazando las 2 bases de datos a las cuales
teníamos acceso y unificándolas para su adecuado manejo, garantizando que la
información fuera lo más completa posible y de esta manera llegar al perfilamiento
requerido.
Descripción
Debido al uso de dos tablas con características diferentes, fue necesario
evaluar cada tabla unitariamente y luego determinar la manera de unificación. A
continuación, describiremos las características de cada tabla.
Tabla de órdenes de compra
Esta tabla cuenta con información detallada de los pedidos realizados por
los terceros, discrimina en cada línea el tipo de articulo, la cantidad y el valor
facturado por cada concepto. Esta tabla asocia cada línea de la ODC a la
información principal del socio de negocio.
La información que contiene esta tabla a nivel de columnas es la siguiente:
- VENDEDOR
- ORDEN
- CLIENTE
- ARTICULO
- CANTIDAD
- PROVEEDOR
- LOGO
- IMPRESOR
- VALOR ARTE
- ROTULO REMISION
- $ENVIO
- FACTURA
- FACTURA ANTES DE IVA
- FACTURA PROVEEDOR
Tabla de socios de negocio
Esta tabla cuenta con los detalles de los clientes activos e inactivos que
tienen o han tenido relación con la razón social de la compañía. Contamos con
cerca de 220 registros que enlazados a la tabla anterior, nos permitirán establecer
un perfil de compradores adecuado para la compañía, así como determinar el
perfil de aquellos que han desertado.
La información que contiene esta tabla a nivel de columnas es la siguiente:
- TIPO
- DOCUMENTO
- NÚMERO DE IDENTIFICACIÓN
- DÍGITO DE VERIFICACIÓN
- PRIMER APELLIDO
- SEGUNDO APELLIDO
- PRIMER NOMBRE
- SEGUNDO NOMBRE
- EMPRESA
- CONTACTO
- TELEFONO
- CORREO ELECTRONICO
- PAÍS
- CIUDAD
- DIRECCIÓN
Exploración
Teniendo en cuenta qué para enlazar las diferentes tablas es necesario
hacer a través de un campo obligatorio y que el campo NIT no se encuentra en la
primera base de datos, fue necesario enlazarlas mediante un campo de segundo
nivel que fue el nombre del tercero.
Al realizar en cruce de las bases podemos identificar que la unión de los
campos de cada tabla nos permite establecer la manera en la cual el tipo de
cliente se relaciona con el tipo de artículos que compran y las cantidades.
Adicionalmente, es posible establecer una relación entre los clientes
inactivos y el tipo de artículos que compraron cuando estaban activos, de esta
manera será posible establecer una proyección de los clientes con mayor riesgo
que se retiren del mercado y por ende afecte las ventas de la compañía.
Calidad
Mediante el análisis realizado es necesario establecer que hay columnas
que no pueden estar vacías o con datos erróneos, es decir, hay campos de primer
nivel que exigen que la calidad de la información sea de primera. Un ejemplo de
esto es el nombre del proveedor en las ordenes de compra, ya que sin estos
campos no será posible enlazar toda la información necesaria. En los campos en
los cuales tengamos incongruencia de la información, deberán ser omitidos,
perdiendo relacionamiento de la data y afectando la muestra.
Existen campos de segundo y tercer nivel que, si bien afecta que estén
vacíos o incompletos, podemos corregir o alimentar la información mediante
comparativas o asociándolos a comportamientos de tendencia, en estos casos la
información apoyará al perfilamiento de los clientes, pero en un menor grado de
exactitud.
Selección
La selección de los datos fue realiza de acuerdo con su nivel de impacto en
el proceso, por lo cual, se dividieron en 3 subgrupos que nos permitieron
garantizar el cumplimiento del objetivo planteado.
Nivel I
Sobre la tabla de órdenes de compra se establece el número de orden de
compra y su información principal de valor unitario, articulo y fecha de generación;
para la tabla de socios de negocio el nombre del proveedor, NIT, tipo de persona y
ciudad nos permite armar el primer esquema de los datos.

Nivel II
Los datos secundarios que aportan al perfilamiento, pero que no son
restrictivos ocupan esta distinción, los campos de segundo nivel son el vendedor,
el impresor, el valor del arte, el valor de la factura e impuestos, el logo y el país del
tercero.
Nivel III
Los datos de tercer nivel y que son los que aportan en menor nivel al
cumplimiento del objetivo son aquellos que nos permiten obtener un nivel de
distinción unitario, pero no agruparlos en tendencias. En este nivel encontramos
los campos restantes, destacando personas de contacto, dirección, rótulo
remisión, factura, $envío, entre otros.
Exclusión de datos
Los datos excluidos son aquellos que no generan ningún valor al ejercicio a
realizar, para el caso de nuestra compañía solo encontramos el dígito de
verificación en la tabla de socios de negocio, ya que es una columna que no
enlaza ninguna información relevante y se usa para efectos netamente tributarios.
La empresa nos entrega archivo en Excel con Datos históricos de clientes
vendedores y ventas en 6 pestañas desde el año 2017 al 2022:

Preparación De Los Datos
Ilustración 2 Muestra de datos
Extracción para trabajar de archivo base entregada:
Ilustración 3 Extracción de datos
Se crea el proyecto donde el programa identifica 3891 registros y se van a
visualizar en bloques de a 10:

Ilustración 4 Creación de proyecto
Hallazgos en la base:
- nombres sin apellidos.
- Faltan número de nit en clientes.
- no todos los nombres tienen tildes,
- mayúsculas y minúsculas.
- No se cuenta con llave (número de identificación del vendedor).
- Datos sin puntos y sin puntos.
- Proveedor sin número de Identificación.

COLUMNA VENDEDOR:
Ilustración 5 Hallazgos
Registro como LILIANA y otro como LILIANA CORTES DEFINIR SI ES LA MISMA
PERSONA. (SE AJUSTA ES LA MISMA)
Ilustración 6 Ajuste Registro

Se identifica registro N/A en vendedor (¿a que corresponde?):
Ilustración 7 Inquietudes campo N/A
Se identifica registro premio (¿a que corresponde?):

Ilustración 8 Inquietudes Campo Premio
COLUMNA CLIENTE: Se identifican 22 grupos que presentan información con
diferencias cada uno de ellos con sus registros identificados:
Ilustración 9 Grupos en columnas

COLUMNA ARTICULO: Se identifican 329 grupos que presentan información con
Ilustración 10 Grupos en columnas articulo
COLUMNA PROVEEDOR: Se identifican 2 grupos que presentan información con

Ilustración 11 Identificación de registros
Y adicional 1 a 1 se identificados registros para ajustes manuales:
Ilustración 12 Ajustes manuales Iconograma
Ilustración 13 Ajustes manuales Marpico
COLUMNA IMPRESOR: Se identifican 5 grupos que presentan información con

Ilustración 14 Gruopos en columna impresión
Ilustración 15 Ajustes columna impresión
MODIFICACIONES:
Se realizan en total 60 operaciones en la base:

Ilustración 16 Operaciones en base 1

Ilustración 19 Operaciones en bsase 4

La base modificada queda con un total de 3743 registros 148 registros depurados.
Procedemos a eliminar columnas vacías:
Ilustración 21 Eliminación de columnas vacias

Normalizamos las variables de escala, configuramos su tipo de dato:
Ilustración 22 Normalización de variables
En nuestra fuente de datos 2 tenemos mas información para integrar variables y
anexar registros:
Ilustración 23 Integración de bases
Transformamos datos de tal manera que quede mayúscula la primera letra de
cada texto:
Ilustración 24 Transformación de datos

Reemplazamos los valores nulos y quitamos errores en los registros:
Ilustración 25 reemplazar nulos y eliminación de errores

SEGUNDA ENTREGA – MODELADO DE DATOS
Creación de módulo de lectura de datos
Se crea Excel Reader en el programa KNIME, la cual nos permitirá analizar
el comportamiento de las variables.
Ilustración 26 Excel Reader

Llamado de la data
En Excel Reader dar clik y se busca la base de datos llamada ¨preparación
de datos¨
Ilustración 27 Local File System
Se observa que la base cargada aparece nombre del vendedor, número de
orden, Nit, nombre del cliente, articulo adquirido, cantidad a comprar, proveedor
del artículo etc.

Ilustración 28 Table Contains
Filtro de columnas
Se procede a seleccionar las columnas que no se van a utilizar en el
modelamiento, las cuales son: Logo, Rotulo remisión, Transportadora y Guía, ya
que estas variables no aportan al planteamiento del problema.

Ilustración 29 Column Filter
Módulo de normalización
Se procede a normalizar la información, se trae el icono normalizer, el cual
se enlaza con el icono Column Filter.

Ilustración 30 Normalizer
En el icono normalizer dar clik en configure, donde se normalizaran los
datos.
Ilustración 31 Normalizer Data

Módulo K-means
Se trae el icono K. Means el cual se enlaza con Normalizer,
automáticamente trae las variables numéricas y quedan por fuera las que no se
van a considerar como una variable.
Ilustración 32 K.Means
Módulo denormalizador y color manager
Se trae el icono denormalizer el cual va a garantizar que lo que salga del
modelo regrese a su estado natural enlazándolo con normalizer y K. Means.
Adicional se trae el icono Color Manager para analizar las gráficas.

Ilustración 33 Denormalizer - Color Manager
Módulo pie chart (Local)
Se trae el icono Pie Chart local, se enlaza con color manager, clik en
configurar, se selecciona display all rowns, clik en execute and open Views.
Ilustración 34 Pie Chart (Local)
Visualización de esquemas
Al dar clik en execute and open Views se refleja el diagrama en torta donde
se observan los 5 segmentos, el 0 con 0,8%, el 1 con el 37,49%, el 2 con 29,84%,
el 3 con 28,25% y el 4 con 3,61%. Se identifican 3 grandes tendencias y 2
pequeñas.
Ilustración 35 Diagram Pie Chart Local
Parametrización de ROC Curve
Se trae el icono Roc Curve y se enlaza con K. Means.
Ilustración 36 ROC Curve

A cada Cluster se le crea un icono y se enlazan con K. Means. Luego se
configura cada cluster con cada una de las 5 variables.
Ilustración 37 Clusters
Visualización de curvas de ROC
Se podrá visualizar cada una de las curvas dando clik en Views ROC
Curves, como se muestra en Ilustración 38, Ilustración 39, Ilustración 40,
Ilustración 41 y Ilustración 42
Ilustración 38 Roc Curve 0


Esquema final del modelo
Como resultado damos a conocer el modelado para el análisis de segmentación.
Ilustración 43 Modelado Final

Bibliografía
https://openrefine.org/
https://support.microsoft.com/es-es/office/acerca-de-power-query-en-excel-
7104fbee-9e62-4cb9-a02e-5bfb1a6c536a
https://healthdataminer.com/data-mining/crisp-dm-una-metodologia-para-mineria-
de-datos-en-salud/#:~:text=referencia%20CRISP%2DDM.-
,Comprensi%C3%B3n%20del%20negocio.,efecto%20real%20en%20la%20
organizaci%C3%B3n.
https://www.mikelnino.com/2016/11/crisp-dm-metodologia-data-mining-
comprension-negocio-business-understanding.html
https://www.ibm.com/docs/es/spss-modeler/18.4.0?topic=understanding-data-
overview
https://www.dataprix.com/es/metodologia-crisp-dm-mineria-datos/preparacion-
datos

Mineria de Datos - Segunda Entrega

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mineria de Datos - Segunda Entrega

Cargado por

Copyright:

Formatos disponibles

MODELADO EN MINERÍA DE DATOS

LUIS ALFONSO QUINTERO CÓDIGO 100090770.

EDISON ANDRÉS TAFUR CÓDIGO 100221931.

CARLOS GIOVANNY MARTÍNEZ MONROY CÓDIGO 100056109.

LILIANA MARCELA CORTES PULIDO CÓDIGO 100065762.

MARIA ANGELICA RAMOS CÓDIGO 100169349.

ASESOR: SANDRA LUENGAS APONTE

INSTITUCIÓN UNIVERSITARIA POLITÉCNICO GRANCOLOMBIANO

FACULTAD DE INGENIERÍA, DISEÑO E INNOVACIÓN

ESPECIALIZACIÓN EN GERENCIA DE PROYECTOS EN INTELIGENCIA DE

BOGOTÁ, D.C. 2022

Comprensión Del Negocio....................................................................................... 7

Objetivos Gerencia ........................................................................................... 7

Objetivo Comercial ........................................................................................... 7

Áreas afectadas por la minería de datos ......................................................... 8

Planteamiento del Problema ............................................................................. 8

Plan Proyecto de MD ....................................................................................... 10

Comprensión De Los Datos .................................................................................. 11

Tabla de órdenes de compra ......................................................................... 12

Tabla de socios de negocio............................................................................ 13

Nivel III ........................................................................................................... 16

Exclusión de datos ......................................................................................... 16

Preparación De Los Datos .................................................................................... 17

Filtro de columnas ........................................................................................... 32

Módulo de normalización ................................................................................ 33

Módulo denormalizador y color manager ...................................................... 35

Módulo pie chart (Local) ................................................................................. 36

Visualización de esquemas ............................................................................ 37

Parametrización de ROC Curve ...................................................................... 38

Visualización de curvas de ROC .................................................................... 39

Esquema final del modelo............................................................................... 42

Ilustración 1 Flujo de comprensión de datos ......................................................... 11

Ilustración 2 Muestra de datos .............................................................................. 17

Ilustración 3 Extracción de datos........................................................................... 17

Ilustración 4 Creación de proyecto ........................................................................ 18

Ilustración 5 Hallazgos .......................................................................................... 19

Ilustración 6 Ajuste Registro .................................................................................. 19

Ilustración 7 Inquietudes campo N/A ..................................................................... 20

Ilustración 8 Inquietudes Campo Premio ............................................................... 21

Ilustración 9 Grupos en columnas ......................................................................... 21

Ilustración 10 Grupos en columnas articulo........................................................... 22

Ilustración 11 Identificación de registros ............................................................... 23

Ilustración 12 Ajustes manuales Iconograma ........................................................ 23

Ilustración 13 Ajustes manuales Marpico .............................................................. 23

Ilustración 14 Gruopos en columna impresión ...................................................... 24

Ilustración 15 Ajustes columna impresión ............................................................. 24

Ilustración 16 Operaciones en base 1 ................................................................... 25

Ilustración 17 Operaciones en base 2 ................................................................... 25

Ilustración 18 Operaciones en base 3 ................................................................... 26

Ilustración 19 Operaciones en bsase 4 ................................................................. 26

Ilustración 20 Operaciones en base 5 ................................................................... 27

Ilustración 22 Normalización de variables ............................................................. 28

Ilustración 23 Integración de bases ....................................................................... 28

Ilustración 24 Transformación de datos ................................................................ 28

Ilustración 25 reemplazar nulos y eliminación de errores ..................................... 29

Ilustración 26 Excel Reader................................................................................... 30

Ilustración 27 Local File System ............................................................................ 31

Ilustración 28 Table Contains ................................................................................ 32

Ilustración 29 Column Filter ................................................................................... 33

Ilustración 30 Normalizer ....................................................................................... 34

Ilustración 31 Normalizer Data .............................................................................. 34

Ilustración 32 K.Means .......................................................................................... 35