Proyecto Final

Modelo predictivo de la demanda avícola en las diferentes zonas del país
Salgado Rodríguez Juan José
Serna Osorio Vanessa
Facultad de Ingeniería
Especialización en analítica de datos aplicada a los negocios
Institución Universitaria EAM
23 Junio 2023
2
1. Tabla de Contenido
1. Tabla de Contenido...................................................................................................................2
2. Lista de Ilustraciones................................................................................................................4
3. Marco de referencia..................................................................................................................7
3.1 Marco de antecedentes – Estado del arte......................................................................................7
3.1.1 Articulo 1....................................................................................................................................7
3.1.2 Articulo 2....................................................................................................................................8
3.1.3 Articulo 3....................................................................................................................................9
3.1.4 Articulo 4..................................................................................................................................10
3.1.5 Articulo 5..................................................................................................................................11
4. Marco teórico – conceptual....................................................................................................13
5. Marco legal.............................................................................................................................16
6. Descripción del problema.......................................................................................................16
7. Justificación............................................................................................................................20
8. Objetivos.................................................................................................................................23
8.1 General.............................................................................................................................................23
8.2 Específicos..................................................................................................................................23
9. Alcance y Delimitación..........................................................................................................24
10. Desarrollo del Proyecto..........................................................................................................25
10.1 Metodología....................................................................................................................................25
10.2 Definición del negocio...................................................................................................................25
10.3 Comprensión y preparación de los datos........................................................................................26
10.4 Base de datos:.............................................................................................................................26

3
10.4.1 Informe de ventas Nutrexcol...................................................................................................26
10.5 Modelado.......................................................................................................................................27
10.6 Limpieza.........................................................................................................................................28
10.6.1 División de datos ordenada en el tiempo Análisis..................................................................29
10.7 Evaluación......................................................................................................................................29
10.7.1 El árbol de regresión...............................................................................................................30
10.7.2 KNN para regresión................................................................................................................31
10.7.3 Red Neuronal..........................................................................................................................32
11. Resultado................................................................................................................................35
11.1.1 Árboles de regresión y clasificación.......................................................................................35
11.1.2 KNN de regresión...................................................................................................................36
11.1.3 Redes neuronales....................................................................................................................37
11.2 Lecciones aprendidas y recomendaciones......................................................................................38
11.2.1 Experimentar con otros algoritmos.........................................................................................38
11.2.2 Aumentar variables................................................................................................................38
12. Conclusiones...........................................................................................................................39
13. Referencias.............................................................................................................................40
14. Anexos....................................................................................................................................44
4
2. Lista de Ilustraciones
Ilustración 1- división de los datos par conjunto de entrenamiento y evaluación.....................................25
Ilustración 2- Comportamiento del Modelo Árbol de Decisión................................................................32
Ilustración 3- Comportamiento del Modelo KNN.....................................................................................33
Ilustración 4- Comportamiento del Modelo Red Neuronal.......................................................................34

5
Estudiantes
Documento de Identidad: 1004960333
Nombre del Estudiante: Salgado Rodriguez Juan José
Teléfono de contacto: 3016833940
Correo electrónico: Juan.salgado.6033@eam.edu.co
Documento de Identidad: 1007603705
Nombre del Estudiante: Serna Osorio Vanessa
Teléfono de contacto: 3146319257
Correo electrónico: Vanessa.serna.0370@eam.edu.co
Asesor
Nombre del Asesor: Cardona Torres Sergio Augusto
Formación académica: Ingeniero de Sistemas
Teléfono de contacto:3105386144
Correo electrónico: Sergio.cardona@eam.edu.co

6
Descripción de la organización usuaria
Es una empresa colombiana dedicada a la producción y comercialización de mezclas, aditivos,
productos y servicios para la nutrición y salud animal.
Razón social: Nutrición experta de Colombia S.A.S
Dirección: Km4 vía el Caimo Armenia-Quindío
Teléfono: 31408755573
Responsable: Lina Marcela Valencia
Teléfono Responsable: 3164829409
Cargo: Gerente de Operaciones

7
3. Marco de referencia
1.2 Marco de antecedentes – Estado del arte
3.1.1 Articulo 1
El artículo Impacto de la inclusión de centeno en las dietas para pollos de engorde sobre el
rendimiento, la calidad de la cama, la salud de las almohadillas de las patas, la viscosidad
digestiva, las características de los órganos y la morfología intestinal, realizó un
experimento donde probaron si el centeno podría reemplazar al maíz o al trigo y estimar
el efecto de niveles superiores de inclusión de maíz triturado o centeno aplastado de hasta
un 30 % en pollos de engorde sobre el rendimiento del crecimiento, la calidad de la cama,
salud de la almohadilla plantar, viscosidad de la digesto, características de los órganos y
morfología intestinal. Teniendo en cuenta la seguridad alimentaria, el suministro de
proteínas y sustento humano, donde las aves de corral se consideran animales
beneficiosos en todo el mundo. Es importante la maximización de la eficacia de los
alimentos, que destaquen los vínculos de la producción avícola, la nutrición y los
servicios ecosistémicos sostenibles. Ya que esto es entre 50% a 70% el costo total de la
producción animal. De este estudio se pudo incluyó que el centeno en las dietas de pollos
de engorde comenzando con un 5 % en la tercera semana de vida, aumentando hasta un
30 % de centeno en las últimas semanas del período de crianza sin comprometer el
consumo de alimento, el rendimiento y la camada. También se demostró que el centeno
triturado es apetecible, lo que permite agregar centeno a un alimento suplementario

8
granulado. Este estudio demuestra la importancia de la alimentación en el sector avícola,
siendo el pilar del área en el que este proyecto se enfoca. (Sustainability, 2020)
3.1.2 Articulo 2
El documento Importancia De Los Sistemas Avícolas Campesinos (Pollo De Engorde Y Gallina
Ponedora) Dentro De La Unidad Productiva Y Su Aporte A La Seguridad Alimentaria:
Estudio De Caso Vereda La Pradera, Municipio De Duitama, Boyacá, tiene como
propósito demostrar la importancia de los sistemas avícolas campesinos (pollo de
engorde y gallina ponedora) dentro de la unidad productiva y su aporte a la seguridad
alimentaria desde la perspectiva de género. Busca caracterizar los sistemas avícolas
campesinos y su aporte a la seguridad alimentaria en diez familias de la ciudad de
Duitama. Como método utilizaron el estudio de caso el cual consiste en un estudio
detallado de un tema específico que generalmente lo utilizan para investigación social
como es en este caso. Se logró estudiar a profundidad las características productivas de
las diez familias seleccionadas, utilizando diversos conceptos y comprendiendo las
dinámicas propias de su presente que seguramente marcan la pauta para plantar futuras
investigaciones más extensas. Utilizaron herramientas como las encuestas, observación y
diálogos en visitas de campo, diagramas de las fincas y fotografías de las mismas. Como
conclusión obtuvieron que se encontraron familias que, aunque poseen pocas cantidades
de tierra han sabido producir y distribuir sus cultivos y animales de tal manera que les
aporte a la alimentación y a la obtención de excedentes económicos que les ayude a
satisfacer sus necesidades. Sin embargo, también se evidencio estas producciones no son
9
suficientes para el sostenimiento de la familia, lo que estimula la búsqueda de labores
extra prediales por parte de algunos integrantes. El documento tiene gran aporte para el
proyecto que planteamos ya que habla sobre la producción de aves, distribución de
cultivos y la seguridad alimentaria. (Fonseca, 2010)
3.1.3 Articulo 3
En este trabajo se presenta un análisis de inteligencia competitiva mediante un análisis
estratégico y estructural sobre el sector avícola en Colombia teniendo en cuenta las
nuevas problemáticas legales, ambientales y sanitarias. El trabajo tiene un enfoque mixto
o multimodal mediante de procesos de recolección y análisis de datos, llevando a cabo
diferentes tipos de investigación, según su ubicación temporal, según el análisis y el
alcance de los resultados. Donde se dividió en 3 fases, para iniciar, la relación del análisis
estratégico del sector avícola, seguidamente, el análisis estructural del sector avícola, por
último, la definición de las estrategias de competitividad, mediante 3 pasos, análisis
PESTEL, DOFA y benchmarking. Luego de la aplicación de estos pasos, se determinó
que política, económica, social, tecnológica, ecológica y legal, están favoreciendo el
sector avícola, sin embargo, el aumento de los impuestos, el desempleo y la tasa de
inflación afecta en gran manera la comercialización avícola. Así mismo, se encuentra que
el área avícola tiene grandes fortalezas y oportunidades, como sus constantes
capacitación en diversos temas, así mismo también tiene unas debilidades y amenazas
como los es las constantes enfermedades que llegan al país. El trabajo da a conocer que
10
Bucaramanga está muy bien posicionado, determina también que para que el sector
avícola siga en aumento y sostenible debe seguir actualizándolo y mejorando sus
procesos. Este articulo tiene gran importancia en ya que informa el cómo ha estado el
sector avícola en Colombia, el lugar el cual será enfocado este proyecto, ya que se debe
saber el cómo está la situación actual en todos estos aspectos para después poder inferir
los resultados del estudio, así mismo se conoce todos los factores externos que podrán
afectar los posibles resultados del trabajo. (Chacón, 2018)
3.1.4 Articulo 4
El artículo Análisis Del Comportamiento De La Cadena De Producción En La Empresa
Maxialimentos Ltda. A Partir De Las Fluctuaciones Económicas Del Sector Avícola: Una
Perspectiva Desde Dinámica De Sistemas, presenta una investigación orientada a
entender el comportamiento de diferentes unidades de negocio de la empresa
MaxiAlimentos teniendo como propósito la compresión de cada unidad y sus
interacciones. Basados en la metodología de Dinámica. Con el fin de construir un modelo
de simulación donde permita comprender las dinámicas operativas y financieras. Las
técnicas utilizadas serán mediante la metodología de dinámica de sistemas donde se basa
en el análisis y modelamiento del comportamiento temporal de sistemas complejos
identificando los actores más relevantes que influyen en el problema en cuestión, además
de construir un modelo de diagramas de niveles bajo el programa iThink. Conforme a los
análisis de resultados de toda la investigación proporciona datos concretos y sólidos en
donde se apoya en todo el modelo de simulación logrando datos realmente significativos

11
que harán que mejore la problemática de la empresa. La investigación desarrollada en la
empresa MaxiAlimentos permite identificar un gran significativo mediante el modelo de
simulación donde beneficia de manera estructural y financiera definiendo claramente las
dinámicas operativas. El artículo fue seleccionado por su gran criterio e información que
aporta en el estudio y metodología de las granjas avícolas y encasetamiento de los pollos
de un día, sirviendo como referente para la implementación de una metodología de
minería de datos. (Luque, 2016)
3.1.5 Articulo 5
El artículo Estudio de inteligencia competitiva para el sector avícola del área metropolitana de
Bucaramanga, se puede definir que el alimento es la variable más influyente en el
proceso de engorde y postura del pollo por medio del encasetamiento teniendo como
objetivo mejorar las condiciones de la carne y el huevo como producto final. Para realizar
el artículo se tomaron como base distintas investigaciones que corresponden al proceso
de engorde y postura de los pollos de encasetamiento, utilizando investigaciones actuales
con base a Fenavi y de diferentes universidades a nivel internacional La investigación
proporciona datos sólidos teniendo como resultado pollos más saludables, más nutritivos,
de mayor peso y mejor fisiología, disminuyendo pérdidas y la merma de los pollos
enfermos. La investigación desarrollada permite afirmar que la variable más importante e
influyente del proceso de encasetamiento es el alimento, siendo quien proporciona mayor
crecimiento y mejor nutrición. Fue seleccionado porque tiene como base grandes
12
investigaciones que demuestran que la variable y operación más importante del proceso
de postura y engorde es el alimento y encasetamiento respectivamente. (Chacón, La
Universidad Santo Tomás, 2018)

13
4. Marco teórico – conceptual
El encasetamiento es el número de pollitas y pollitos de un día que entran a galpones a ser parte de la
población de aves destinadas a la postura o al engorde, donde las aves crecen y se
reproducen. Durante la semana 35 a 40 el ave debe tener un peso promedio de 2200 gr, para
poder ser beneficiada y enviada al consumidor final. La vida productiva de una pollita que va
dirigida para postura inicia con la postura de huevos pequeños (tipo B) en la semana 19 y
termina en la semana 82 (si no se realiza replume) poniendo huevos tipo AA y extra
(Fenavi). Estos procesos son controlados por entes regulatorios los cuales son organismos
públicos que gozan de personalidad jurídica de derecho público interno y que poseen
autonomía administrativa, financiera y técnica. Son organismos creados para el marco
regulador y por lo tanto deberán regular y/o controlar aspectos jurídicos, técnicos y atender
las relaciones entre los usuarios y consumidores y las empresas privadas prestadoras de
servicios públicos (Ica). En Colombia hay 2 principales entes regulatorios en el sector avícola
los cuales son el ICA y Fenavi, en donde el Instituto Colombiano Agropecuario, ICA, una
entidad Pública del Orden Nacional con personería jurídica, autonomía administrativa y
patrimonio independiente, perteneciente al Sistema Nacional de Ciencia y Tecnología,
adscrita al Ministerio de Agricultura y Desarrollo Rural. Este es responsable de diseñar y
ejecutar estrategias para, prevenir, controlar y reducir riesgos sanitarios, biológicos y

14
químicos para las especies animales y vegetales, que puedan afectar la producción
agropecuaria, forestal, pesquera y acuícola de Colombia (Fenavi). Asi mismo, Fenavi Es una
entidad representativa del sector avícola colombiano, ejerce la representación gremial de los
Avicultores con el propósito de propender por el desarrollo de la Industria Avícola, proteger
y defender los intereses de los Avicultores, solicitar la atención necesaria y requerir la
protección del estado que la producción Avícola necesite y Administrar los recursos del
Fondo Nacional Avícola, entre otras. (Mavromichalis, 2017)
La palabra “avicultura”, designa genéricamente a toda actividad relacionada con la cría y el cuidado
de las aves, como así también el desarrollo de su explotación comercial. (Solla), en donde
uno de los factores mas importantes es alimentacion balanceada, la cual varia mediante la
condicion y el tipo de pollo. Una fórmula típica para pollo de engorde se puede elaborar con
facilidad mediante un puñado de ingredientes: un grano principal, como maíz o trigo; una
fuente de proteína, como la harina de soya, y no más que unas cuantas fuentes bien conocidas
de minerales y vitaminas. Al poner todo esto en algún programa de formulación de alimentos
balanceados, junto a una serie de especificaciones de la dieta –las que proporcionan las
grandes casas genéticas serán suficientes para esta cuestión–, nos dará una formulación a
mínimo costo (Dsm), en donde su base es la adicion de premezclas, la cuales son
ingredientes utilizados en la elaboración del producto balanceado con alta selección de
calidad en los proveedores y productos, entre estos están los aminoácidos, vitaminas,
15
minerales, antibióticos, anticoccidiales, mejoradores, antimicóticos y otros aditivos para la
nutrición animal (Agraria). El rol es crucial en el bienestar y el desempeño de las aves, junto
con un papel decisivo de ciertas funciones del organismo, por ejemplo, desempeño,
crecimiento, fertilidad, inmunidad. (Mexico, 2018)

16
5. Marco legal
Resolución 3651 de 2014 – ICA: Establecer los requisitos para la certificación de granja avícola
de postura y/o levante como bio-segura. (Napurí)
6. Descripción del problema
Para FENAVI en el 2017 en la fase de producción se encasetaron (hace referencia al número
de pollitas y pollitos de un día que entran a ser parte de la población de aves
destinadas a la postura o al engorde, respectivamente) 50 millones de aves de postura
en promedio anual, y para la fase de crianza y levante se encasetaron 14 millones de
aves. Para los entes regulatorios es importante el cuidado de las aves y la inocuidad del
producto. El ICA (Instituto colombiano Agropecuario) presenta la resolución 3651 del
2014 la cual indica que las aves de postura solo las deben ser adquiridas por granjas
registradas. La avicultura en Colombia se encuentra divida en aves de engorde,
postura, levante, reproductoras y traspatio, las cuales hacen parte de la población total
del territorio. Se realizo un Censo Nacional Agropecuario el cual se toman los 5
departamentos con más aves alojadas los cuales son Santander (23.55%),
Cundinamarca (20,12%), Valle del Cauca (12,47%), Antioquia (7,61%) y Tolima
(6,56%), así albergan 70,31% de la población de estas especies (Bioseguridad en
granjas avícolas). En el año 2017 el municipio de Duitama fue el que obtuvo mayor
relevancia, el cual está situada en tercer lugar en la actividad pecuaria en el municipio,
dando a conocer que el 27% son aves de postura, el 40.5% son aves de engorde y el
17
32.5 % son aves de patio la cual ocupa la tercera parte de lugar en la producción
pecuaria del municipio. (Fonseca, Universidad Javeriana, 2010)
Según investigaciones anteriores del Instituto colombiano agropecuario (ICA) Colombia tiene
perdidas solo en la mortalidad animal de $3.439.321.504 en donde el 75% corresponde
a la especie aviar que consta de una cuantía 417.121 aves anuales. Así mismo, con el
ministerio de agricultura las principales zonas productoras de encasetamiento son la
región central, Valle y Santander las cuales superan los 3.000 millones de huevos y las
3.000 toneladas de pollo. (Orozco, 2017)
Cifras reportadas por FENAVI la producción de pollos ha incrementado un 20% en los
últimos 5 años con 149606.8 toneladas de pollo en canal, por consiguiente, el sector
avícola es de gran importancia para la economía colombiana como lo demuestra la
revista EL TIEMPO dando a conocer que este sector contribuye con el 22 % del PIB
pecuario, el 10.75 del agropecuario y el 2.7 del PIB nacional.
En Colombia hay una entidad encargada del cumplimiento de las leyes sanitarias y el
aseguramiento de la inocuidad del alimento animal llamada ICA, en donde demostró
su función en el informe del corte del 31 de diciembre del 2019, donde se observa la
cantidad de hallazgos la cual envió a las diferentes granjas y plantas del país,
permitiendo encontrar una regular reforma rural integra en el país, pero también una
denuncia y diez hallazgos especiales, en donde, cada identidad auditada debe realizar
acciones de mejora.
De acuerdo con lo revisado en distintas investigaciones se han identificado las diferentes
variables para determinar las posibilidades de pronosticar la producción de alimento

18
para los lugares del país con más apariciones de pollos en encasetamiento como lo son
la producción de alimento en la empresa, demanda nacional de los pollos de un día y
los datos históricos del encasetamiento a nivel nacional. Sin embargo, se puede
evidenciar la dificultad de recolectar la data debido a que son muy pocos los datos
públicos que se basen en el tema.
Es muy importante tener claro que el mayor riesgo que puede tener una producción avícola es
no contar con un plan de bioseguridad, ya que este es un pilar fundamental debido a
que hace referencia al mantenimiento del medio ambiente libre de microorganismos o
al menos con una carga mínima que no interfiera con la productividad de las aves
encasetadas ya sea ponedoras, reproductoras o para levante (Galindo., 2005). Por esto
los entes regulatorios como FENAVI, el ICA, Ministerio de Salud y Protección Social,
entre otros, son los encargados de optar por el bienestar de los animales y en su ciclo
de vida, como también hace parte del proceso de la inocuidad del producto entregado
directamente al cliente. Por esto una de las resoluciones que plantea el ICA es
establecer los requisitos para la certificación de granja avícola de postura y/o levante
como bio-segura (Fenavi, 2015). También hay una resolución que propone el
ministerio de salud y protección social por la cual se establecen los requisitos
sanitarios para el funcionamiento de las plantas de beneficio de aves de corral,
desprese y almacenamiento, comercialización, expendio, transporte, importación o
exportación de carne y productos cárnicos comestibles. (Ica, 2014)
Según los datos anteriores se plantea desarrollar un análisis de datos el cual pueda predecir la
cantidad de demanda por cada zona del país, obteniendo los datos históricos de
plataformas como datos.gov.co, plataforma de Fenavi, ICA, entre otras. Con el fin de
19
poder identificar la cantidad de materia prima necesaria para la producción del
alimento balanceado, y realizar centralización de oferta en las zonas pronosticadas.

20
7. Justificación
La federación nacional de avicultores (FENAVI) es la encargada de optar por el bienestar de
las aves y su consumo. Son los que establecen requisitos sanitarios para el
funcionamiento de plantas de beneficio de aves de corral, almacenamiento de producto
crudo, comercialización, expendio transporte, importación o exportación de carne y
productos cárnicos comestibles. Este ente regulatorio establece normas y leyes
asegurando el bienestar humano y del ave por esto el decreto 1500 consiste “en
establecer el reglamento técnico a través del cual se crea el Sistema Oficial de
Inspección, Vigilancia y Control de la Carne, Productos Cárnicos Comestibles y
Derivados Cárnicos Destinados para el Consumo Humano y los requisitos sanitarios y
de inocuidad que se deben cumplir en su producción primaria, beneficio, desposte,
desprese, procesamiento, almacenamiento, transporte, comercialización, expendio,
importación o exportación”. Para así en el momento de comercialización brindar la
calidad e inocuidad de los productos para el consumidor final, poniendo en
funcionamiento las Buenas Prácticas de Manufactura. (Social, 2007)
Según investigaciones de la federación nacional de avicultores (FENAVI) desde el año 2017
se registran más de 800 millones de pollos en encasetamiento en donde se utilizan más
de 6.2 millones de toneladas para insumos alimenticios para los pollos, es decir,
abarcando un gran porcentaje del mercado colombiano, así mismo, se identificó la
importancia de facilitar el alimento para los pollos de encasetamiento, por ende el
proyecto quiere pronosticar la cantidad de aditivos que se deben tener disponibles en
diferentes momentos del año (Agronegocio, 2017) .

21
Respecto a los datos abiertos que suministra la página gubernamental.gov.com, se puede
analizar varios tipos de datos relacionados con el sector avícola, datos históricos como
los corregimientos, veredas, y la actividad dedicada en el sector, también están
divididas por municipios con datos desde el 2019 hasta el 2021, donde se podrá con
facilidad observar el comportamiento y las zonas con más oferta para el modelo de
predicción. (Social M. D., 2013)
En el artículo del FENAVI política ambiental para el sector avícola. Opina que el mejor
documento del compromiso de la comunidad internacional del problema del ambiente
es la agenda 21; este documento plantea El desarrollo adecuado de la biotecnología
debe aportar, entre otros, un aumento de la seguridad alimentaria mediante prácticas
de agricultura sostenible y procesos de desarrollo agroindustrial más eficaces (Neiva,
2022). Así mismo, en la guía metodológica del ICA, código 00.11.19.06 dicta que En
todas las granjas y plantas de incubación debe existir un manual de procedimientos
escritos para control de calidad de materias primas e insumos, donde se señalen las
especificaciones de calidad y los criterios de aceptación y rechazo. dando a conocer de
la importancia de los alimentos balanceados para las granjas, ya que toda la
alimentación debe ser certificada por el ICA (Fenavi, 2002).
Como resultado se ha podido obtener información de las diferentes variables que se nombran
en este trabajo, como la producciónnde aves y la producción de alimento balanceado.
Las cuales han aportado información útil que soporta el desarrollo de este proyecto,
dando a conocer la importancia del bienestar de los animales y el producto para
comercializar, teniendo en cuenta todas las normativas que fluyen durante todo el
proceso de transformación desde el encasetamiento hasta el producto para entregar al

22
consumidor final. Además de esto también se obtuvo datos de la tasa de mortalidad, y
los diferentes motivos por los cuales esta tasa incrementa o disminuye, como las
enfermedades, espacio reducido, la ventilación dentro de los galpones, entre otras.
Dado lo anterior y como aporte a los diferentes esfuerzos realizados en la investigación se
pretende implementar un modelo que logre pronosticar la cantidad de alimento,
aditivos y medicamentos disponibles en la empresa Nutrexcol para los diferentes
momentos del año para las fincas productoras de pollo en engorde y postura. Con este
modelo la empresa puede determinar la cantidad de producto final debe de tener
disponible en cada momento del año. (Vásquez)

23
8. Objetivos
8.1 General
Implementar un modelo predictivo de la demanda avícola en las diferentes zonas del país, que
facilite la toma de decisiones de una empresa del sector avícola.
1.3 Específicos
Aplicar una metodología para preparar, limpiar y consolidar la selección de los datos objeto de
estudio.
Aplicar diferentes métodos de técnicas de minería de datos, para seleccionar diferentes modelos
predictivos.
Evaluar la calidad del modelo predictivo mediante pruebas con los datos históricos de la
empresa.
Implementar visualizaciones para la evaluación de los modelos predictivos.

24
9. Alcance y Delimitación
Para el alcance del proyecto se buscará implementar un modelo que logre pronosticar la
demanda avícola y su comportamiento en sus diferentes etapas en distintas zonas del
país mediante la multiplicidad de herramientas de análisis de datos permitiendo que la
empresa pueda obtener bases sólidas y reales dónde facilite la toma de decisiones
correspondientes para la disponibilidad de alimentos, aditivos y medicamentos en el
año. Teniendo como limitaciones acontecimientos que no sean predecibles cómo los
problemas sociales o cambios climáticos. Además, el proyecto esta condicionado a la
disponibilidad de sofware avanzados, aplicaciones disponibles y el acceso a
información que permitan pronosticar todas las zonas del país.

25
10. Desarrollo del Proyecto
10.1 Metodología
CRISP-DM, que son las siglas de Cross-Industry Standard Process for Data Mining, es un
método probado para orientar sus trabajos de minería de datos. El ciclo vital del
modelo contiene seis fases con flechas que indican las dependencias más importantes
y frecuentes entre fases. La secuencia de las fases no es estricta. De hecho, la mayoría
de los proyectos avanzan y retroceden entre fases si es necesario.
El modelo de CRISP-DM es flexible y se pueden personalizar fácilmente. Por ejemplo, si su
organización intenta detectar actividades de blanqueo de dinero, es probable que
necesite realizar una criba de grandes cantidades de datos sin un objetivo de modelado
específico. En lugar de realizar el modelado, su trabajo se centrará en explorar y
visualizar datos para descubrir patrones sospechosos en datos financieros. CRISP-DM
permite crear un modelo de minería de datos que se adapte a sus necesidades
concretas. (Ibm, 2021)
10.2 Definición del negocio
Mediante la ciencia de datos se hará un análisis descriptivo de las ventas en las zonas del país,
basados en los clientes de la empresa Nutrexcol, la cual es una empresa colombiana
dedicada a la producción y comercialización de mezclas, aditivos, productos y servicios

26
para la nutrición y salud animal. Se seleccionarán variables de importancia determinando
su comportamiento y relación entre ellas, con el fin de realizar un modelo predictivo.
10.3 Comprensión y preparación de los datos
Se utilizará una base de datos, la cual contiene información de las ventas en kilos de pre-
mezclas de alimento para aves de la empresa Nutrexcol por zonas.
1.1 Base de datos:
10.4.1 Informe de ventas Nutrexcol
El informe entregado por la empresa Nutrexcol, tendrá las ventas históricas por zonas,
dependiendo de las ubicaciones de los clientes.
No° Variables Descripción Tipo de Dato
1 Fecha Tiempo que indica el día, mes y año. Texto
Nombre centro de
2 Nombre de la bodega virtual
costo Texto
3 Zona Ubicación geográficamente Texto
4 Centro de costo Referencia numérica de la bodega virtual Texto
5 Cantidad ventas en kilogramos de premezclas Numérico

27
10.5 Modelado
Para el proyecto se eligió trabajar con la información de las ventas en kilogramos de una empresa
que está dedicada a la producción de premezclas, aditivos y productos para la nutrición
animal. Con el fin de implementar un modelo predictivo que le facilite el pronóstico de
ventas por zona objetivo de la empresa, para el proyecto se realizó un enfoque en la zona
con mayor impacto en la empresa, para esto se implementó un modelo predictivo el cual
se llama serie de tiempos utilizando una herramienta llamada Colab, que es un producto
de Google Research. Permite a cualquier usuario escribir y ejecutar código arbitrario de
Python en el navegador. Es especialmente adecuado para tareas de aprendizaje
automático, análisis de datos y educación. (Google, s.f.) Mediante diferentes modelos se
determina el que mejor se ajusta a la cantidad de datos de entrenamiento que equivalen al
70% y de la cantidad de datos de evaluación que equivalen al 30%.
Para iniciar con el proyecto se realiza la recolección de datos con un total 8894 registros, donde
se toma la información desde enero del 2018 hasta febrero del 2023.
28
10.6 Limpieza
Paso 1: Para empezar la limpieza se eliminan 5 columnas que no tienen información y una
columna llamada nombre de costo ya que brinda la misma información que la columna
centro de costos, dejando las columnas de fecha, zona, centro de costo y cantidad.
Paso 2: para continuar se filtra por zona y por las bodegas las cuales se utilizan para manejar el
inventario de mezclas para aves, también se eliminan las columnas irrelevantes.
Paso 3: Se renombra la columna “Cantidad” por “Y” y se obtienen las medidas de tendencia.
Paso 4: Para continuar se realiza un análisis univariable el cual se utiliza para estudiar las
variables de forma individual, después se agrupan en semana los datos de la fecha diaria,
se establece la fecha como índice, lo que quiere decir es que la fecha le da un orden a
lógico a los datos.

29
10.6.1 División de datos ordenada en el tiempo Análisis
Se realizó una visualización para observar el comportamiento de la base de datos que se está
utilizando.
Ilustración 1- división de los datos par conjunto de entrenamiento y evaluación
10.7 Evaluación
Para esta etapa se entrena un modelo ForecasterAutoreg a partir de diferentes regresores de
sklearn. Se configura una ventana temporal de 12 lags, lo que significa que el modelo
utiliza como predictores 12 meses anteriores.
Para el proyecto se implementaron 3 tipos de modelos, los cuales son árbol de regresión, KNN
para regresión y Red Neuronal.

30
10.7.1 El árbol de regresión
El modelo es un algoritmo de aprendizaje utilizado para resolver problemas de regresión y
clasificación. (Jenifa, 2022) En este caso, los datos se dividen en una proporción de
70/30, donde el 70% corresponde a los datos de entrenamiento utilizados para entrenar el
modelo, y el 30% restante son datos de evaluación. Además, se establece un número
mínimo de muestras requeridas en un rango de 2 a 10. Se establece la profundidad
máxima del árbol en un rango de 2 a 10.
También se utiliza una función “Regressor” para realizar predicciones y se introduce la función
de “lags”, que indica el número de retrasos utilizados para predecir el siguiente valor en
una serie de tiempo. En este caso, se implementa un valor de 12 lags.
Además, se han implementado hiperparametros, como los parámetros "min_samples_leaf" el
cual controla la cantidad mínima de muestras que deben estar presentes en un nodo y se
establece en un rango de 2 a 10. Por otro lado, "max_depth" controla la profundidad
máxima del árbol y se establece en un rango de 2 a 10, y el parámetro "criterion"
determina la mejor característica para dividir los datos en cada nodo del árbol.
También, se implementó el hiperparámetro "Forecaster" que representa el modelo de predicción
utilizado. El hiperparámetro "param grid" es un diccionario que contiene los
hiperparámetros que se probarán. "Lags grid" es una lista de valores para los lags que se
probarán. La función "steps" define los pasos futuros a predecir. El hiperparámetro "refit"
indica si se debe ajustar el modelo con los mejores hiperparámetros encontrados. Por
último, la función "metric" se refiere a las métricas utilizadas para evaluar el rendimiento
del modelo.
31
Para la configuración del árbol de regresión y clasificación, se utilizan los parámetros óptimos
obtenidos en las líneas anteriores.
Para evaluar el modelo de Árbol de Regresión y Clasificación, se utilizan medidas de error como
el MAPE, MSE, RMSE y MAE. Sin embargo, se enfoca principalmente en la medida de
error MAPE, la cual indica el porcentaje de error de las predicciones en comparación con
los datos de evaluación.
10.7.2 KNN para regresión
El algoritmo KNN para regresión, el cual se basa en utilizar los valores de las características de
los vecinos más cercanos para predecir la salida numérica de un nuevo punto de datos
(Diaz, s.f.). Para entrenar el modelo, los datos se dividen en una proporción de 70/30,
donde el 70% corresponde a los datos de entrenamiento y el 30% restante son datos de
evaluación.
Además, se utiliza una función "Regressor" para realizar las predicciones y se introduce la
función de “lags”, que representa el número de retrasos utilizados para predecir el
siguiente valor en una serie de tiempo. En este caso, se implementa un valor de 12 lags.
Asimismo, se han implementado hiperparámetros en el modelo KNN. El parámetro
"n_neighbors" representa la cantidad de vecinos más cercanos que se considerarán para
hacer la predicción, y en este caso se estableció un rango del 1 al 10 para probar
diferentes valores. El parámetro "weights" indica cómo se ponderarán los vecinos en
función de su distancia al punto de consulta, y el parámetro "metric" define la métrica

32
utilizada para medir la distancia entre los puntos. Aquí se utiliza la métrica "cosine", que
mide la similitud coseno entre dos vectores.
Adicionalmente, se implementó el hiperparámetro "Forecaster", que representa el modelo de
predicción utilizado, y se define el diccionario "param grid" que contiene los
hiperparámetros que se probarán. La lista "lags grid" especifica los diferentes valores de
lags que se probarán. La función "steps" define los pasos futuros a predecir, y el
hiperparámetro "refit" indica si se debe ajustar el modelo con los mejores
hiperparámetros encontrados.
Para la configuración del modelo KNN para regresión, se utilizan los parámetros óptimos
obtenidos en las líneas anteriores.
Para evaluar el modelo de KNN para regresión, se utilizan medidas de error como el MAPE,
MSE, RMSE y MAE. Sin embargo, se enfoca principalmente en la medida de error
MAPE, la cual indica el porcentaje de error de las predicciones en comparación con los
datos de evaluación.
10.7.3 Red Neuronal
Este modelo se basa en una red neuronal artificial compuesta por un conjunto interconectado de
unidades llamadas neuronas artificiales o nodos. Estas neuronas procesan y transmiten
información mediante conexiones ponderadas (Ibm, 2021).En el contexto de este
problema, los datos se dividen en una proporción de 70/30, donde el 70% corresponde a
los datos de entrenamiento utilizados para entrenar el modelo, y el 30% restante son datos
de evaluación.
33
En la configuración de la red neuronal, se implementan diferentes parámetros. El parámetro
"random_state" establece la semilla para la generación de números aleatorios, asegurando
que los resultados sean reproducibles. El parámetro "hidden_layer_sizes" define la
arquitectura de la red neuronal, es decir, el número y tamaño de las capas ocultas. En este
caso, se ha establecido una capa oculta con 20 neuronas. El parámetro
"learning_rate_init" controla el tamaño de los pasos que se toman para ajustar los pesos
de la red neuronal durante el proceso de entrenamiento. El parámetro "max_iter"
determina el número máximo de iteraciones o épocas que el algoritmo de entrenamiento
realizará antes de detenerse. Aquí se ha establecido en 10,000 iteraciones. Por último, el
parámetro "activation" define la función de activación utilizada en las neuronas de la red
neuronal.
En cuanto a la predicción, se utiliza una función "Regressor" y se introduce el concepto de
"lags", que indica el número de retrasos utilizados para predecir el siguiente valor en una
serie de tiempo. En este caso, se implementa un valor de 12 lags, lo que significa que se
toman en cuenta los valores de las últimas 12 observaciones para realizar la predicción.
Además, se establece un número mínimo de muestras requeridas en un rango de 9 a 12,
asegurando que haya suficientes muestras para realizar predicciones precisas.
Además, se han implementado hiperparametros, como los parámetros "hidden_layer_sizes" para
este caso, se están probando diferentes configuraciones una capa oculta con 1 neurona,
una capa oculta con 5 neuronas, una capa oculta con 8 neuronas y una capa oculta con
100 neuronas, el parámetro "activation" en esta situación se está probando varias
opciones, incluyendo "identity" (función de identidad), "logistic" (función sigmoide),
"tanh" (función tangente hiperbólica) y "relu" (unidad lineal rectificada). La función de

34
activación determina la salida de una neurona dado un conjunto de entradas, y el
parámetro de "learning_rate" es un parámetro que controla la tasa de aprendizaje utilizada
en el algoritmo de entrenamiento de la red neuronal. en el caso se está probando tres
opciones, "constant" (tasa de aprendizaje constante), "invscaling" (tasa de aprendizaje
que disminuye con el tiempo) y "adaptive" (tasa de aprendizaje adaptativa que ajusta la
tasa de acuerdo a la disminución de la pérdida).
Se implementó el hiperparámetro "Forecaster" que representa el modelo de predicción utilizado.
El hiperparámetro "param grid" es un diccionario que contiene los hiperparámetros que
se probarán. "Lags grid" es una lista de valores para los lags que se probarán. La función
"steps" define los pasos futuros.
Para evaluar el modelo de Red Neuronal, se utilizan medidas de error como el MAPE, MSE,
RMSE y MAE. Sin embargo, se enfoca principalmente en la medida de error MAPE,
MAPE es el error de porcentaje medio absoluto, que es una medida relativa que escala
esencialmente la MAD para que se muestre en unidades de porcentaje en lugar de en
unidades de la variable. El error de porcentaje medio absoluto es una medida de error
relativa que utiliza valores absolutos para evitar que los errores positivos y negativos se
cancelen entre sí y utiliza errores relativos para permitirle comparar la precisión de
previsión entre métodos de serie de tiempo. (Oracle, s.f.)

35
11. Resultado
El objetivo principal de este proyecto fue implementar un modelo predictivo de la demanda
avícola en las diferentes zonas del país, que facilite la toma de decisiones de una empresa
del sector avícola, Para abordar este objetivo, se emplearon varios algoritmos de serie de
tiempos, los cuales fueron árboles de decisión, KNN y redes neuronales. Se utilizó un
conjunto de datos de un período de 5 años, que incluía características relevantes en las
ventas en kilogramos de una empresa comercializadora de alimento animal.
11.1.1 Árboles de regresión y clasificación
El árbol de regresión y clasificación se configuró con los parámetros arrojados por el
entrenamiento los cuales son: criterion: friedman_mse, max_depth: 5, min_samples_leaf:
4. el cual dio un modelo como se muestra en la ilustración 2.
Ilustración 2- Comportamiento del Modelo Árbol de Decisión

36
Dando como resultado en la medida de error MAPE de 1.001, mostrando un rendimiento
insatisfactorio, sin embargo, es el mejor modelo del proyecto.
11.1.2 KNN de regresión
El KNN se configuró con los parámetros arrojados por el entrenamiento los cuales son: criterion:
metric: cosine, n_neighbors: 6, weights: distance. el cual dio un modelo como se muestra
en la ilustración 3.
Ilustración 3- Comportamiento del Modelo KNN
insatisfactorio siendo el peor modelo del proyecto.

37
11.1.3 Redes neuronales
La red neuronal se configuró de 3 maneras diferentes, la primera con los parámetros arrojados
por el entrenamiento los cuales son: activation: identity, hidden_layer_sizes: 8,
learning_rate: adaptive, la segunda con los parámetros arrojados por el entrenamiento los
cuales son: activation: identity, hidden_layer_sizes: (10, 10), learning_rate: constant, y la
tercera con los parámetros arrojados por el entrenamiento los cuales son: activation:
identity, hidden_layer_sizes: (10, 10), learning_rate: constant, el cual dio un mejor
modelo los dos últimos como se muestra en la ilustración 4.
Ilustración 4- Comportamiento del Modelo Red Neuronal
insatisfactorio
38
Aunque se esperaba obtener resultados más prometedores en el pronóstico de las ventas en
kilogramos de alimento para aves, los modelos desarrollados no alcanzaron las métricas
deseadas. Se identificaron varias posibles razones para estos resultados:
Limitaciones en los datos: El conjunto de datos utilizado puede haber sido insuficiente en
términos de tamaño y representatividad. Esto pudo haber afectado la capacidad de los
modelos para generalizar y capturar patrones relevantes.
Variabilidad en los datos: El conjunto de datos presenta gran variabilidad en las cantidades
vendidas, ya que hay temporadas que se vende demasiado, dependiendo los contratos con
los clientes.
11.2 Lecciones aprendidas y recomendaciones
11.2.1 Experimentar con otros algoritmos
Dado que los modelos utilizados no tuvieron un rendimiento óptimo, se recomienda explorar
otros algoritmos de aprendizaje automático y técnicas más avanzadas
1.1.1 Aumentar variables
Realizar análisis de datos en otras áreas de la empresa, para consolidar otras variables dentro de
la empresa que pueda aportar más volumen y exactitud en el momento de realizar los
modelos de predicción.
39
Aunque los resultados de este proyecto no fueron los esperados, se considera que este análisis
proporciona una base sólida para futuras investigaciones en la detección de fraudes en
transacciones financieras.
12. Conclusiones
A pesar de aplicar una metodología para preparar, limpiar y consolidar los datos y diferentes
algoritmos de serie de tiempo, como árboles de decisión, KNN y redes neuronales,
ninguno de los modelos alcanzó las métricas deseadas. Los errores de pronóstico,
medidos por el MAPE, fueron superiores a los niveles aceptables para una precisión
satisfactoria.
El conjunto de datos utilizado presentó limitaciones en términos de tamaño y representatividad,
lo que pudo afectar la capacidad de los modelos para generalizar y capturar patrones
relevantes. Además, la variabilidad en las cantidades vendidas de alimento para aves
debido a contratos con clientes y factores estacionales también puede haber contribuido a
los resultados insatisfactorios.
Para mejorar el rendimiento del modelo predictivo de demanda avícola, se recomienda explorar
otros algoritmos de aprendizaje automático y técnicas más avanzadas, considerando en
particular enfoques específicos para datos de serie de tiempo. Además, se sugiere realizar
un análisis más exhaustivo de los datos, incluyendo variables adicionales relacionadas
con otras áreas de la empresa, que puedan proporcionar una mayor precisión y volumen
de información para los modelos de predicción.

40
13. Referencias
Agraria, D. d. (2022). Obtenido de
https://www.produccion-animal.com.ar/produccion_aves/produccion_avicola/106-
MANUAL_DE_AVICULTURA.pdf
Agronegocio. (2017). Obtenido de https://www.agronegocios.co/ganaderia/santander-lidera-la-
produccion-avicola-2622546#
Chacón, D. L. (2018). Obtenido de
https://repository.usta.edu.co/bitstream/handle/11634/13016/2018danielallanos.pdf?
sequence=1&isAllowed=y
Chacón, D. L. (2018). La Universidad Santo Tomás. Obtenido de
https://repository.usta.edu.co/bitstream/handle/11634/13016/2018danielallanos.pdf?
Diaz, R. (2022). the machine learners. Obtenido de
https://www.themachinelearners.com/algoritmo-knn/
Dsm. (2022). Obtenido de https://www.dsm.com/anh/es/challenges/improving-nutrition-and-
performance/poultry-premix-and-mineral-feed.html#:~:text=Las%20premezclas%20para
%20aves%20pueden,a%20menudo%20se%20producen%20desaf%C3%ADos
Fenavi. (2002). Obtenido de
https://repository.agrosavia.co/bitstream/handle/20.500.12324/37056/
Ver_Documento_37056.pdf?sequence=1&isAllowed=y
Fenavi. (Junio de 2015). Obtenido de https://fenavi.org/wp-content/uploads/2018/05/revista-
250.pdf
41
Fenavi. (2022). Obtenido de
https://valle.fenavi.org/estadisticas/encasetamiento-pollita/#:~:text=El
%20encasetamiento%20es%20el%20n%C3%BAmero,postura%20o%20al%20engorde
%2C%20respectivamente
Fenavi. (2022). Obtenido de https://fenavi.org/nosotros/.
Fonseca, D. M. (2010). Obtenido de
https://repository.javeriana.edu.co/bitstream/handle/10554/852/eam70.pdf
Fonseca, D. M. (2010). Universidad Javeriana. Obtenido de
https://repository.javeriana.edu.co/bitstream/handle/10554/852/eam70.pdf
Galindo., S. L. (Febrero de 2005). Obtenido de https://www.redalyc.org/articulo.oa?
id=63612654015
Google. (2023). Obtenido de
https://research.google.com/colaboratory/intl/es/faq.html#:~:text=Colaboratory%2C
%20o%20%22Colab%22%20para,an%C3%A1lisis%20de%20datos%20y%20educaci
%C3%B3n
Ibm. (Agosto de 2021). Obtenido de https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-
crisp-help-overview
Ibm. (Agosto de 2021). Obtenido de https://www.ibm.com/docs/es/spss-modeler/saas?
topic=networks-neural-model
Ica. (Noviembre de 2014). Obtenido de https://www.ica.gov.co/getattachment/b8cb4efd-a1b4-
409e-a11d-c81b91f59025/2014R3651.aspx
Ica. (2022). Obtenido de https://www.ica.gov.co/el-ica#:~:text=El%20ICA%20dise%C3%B1a
%20y%20ejecuta,pesquera%20y%20acu%C3%ADcola%20de%20Colombia
42
Jenifa, A. (Diciembre de 2022). GEEKFLARE. Obtenido de https://geekflare.com/es/regression-
vs-classification/
Luque, A. F. (2016). Obtenido de
https://repositorio.uniandes.edu.co/bitstream/handle/1992/15189/u729627.pdf?
Mavromichalis, I. (Noviembre de 2017). INDUSTRIA AVÍCOLA. Obtenido de
https://www.industriaavicola.net/nutricion-y-fabricacion-de-alimentos-balanceados/
puntos-de-presion-de-la-formulacion-de-alimento-de-pollo/#:~:text=Una%20f
%C3%B3rmula%20t%C3%ADpica%20para%20pollo,conocidas%20de%20minerales
%20y%20vitaminas.
Mexico, G. d. (Noviembre de 2018). Obtenido de https://www.gob.mx/siap/articulos/aves-de-
postura-jalisco-estado-con-mayor-numero-de-gallinas-ponedoras#:~:text=Las
%20gallinas%20de%20postura%20son,omn%C3%ADvora%2C%20con%20una
%20ovoposici%C3%B3n%20continua..
Napurí, C. G. (2022). Obtenido de https://blogposgrado.ucontinental.edu.pe/los-entes-
reguladores
Neiva, A. M. (2022). Obtenido de
https://www.datos.gov.co/Agricultura-y-Desarrollo-Rural/INVENTARIO-
DESARROLLO-AGROPECUARIO-2021/twdr-7jdx
Oracle. (2023). Obtenido de
https://docs.oracle.com/cloud/help/es/pbcs_common/PFUSU/insights_metrics_MAPE.ht
m#PFUSU-GUID-C33B0F01-83E9-468B-B96C-413A12882334
43
Orozco, L. (2017). Obtenido de https://www.agronegocios.co/ganaderia/santander-lidera-la-
produccion-avicola-2622546#
Social, M. d. (Mayo de 2007). Obtenido de
https://corponarino.gov.co/expedientes/juridica/2007decreto1500.pdf.
Social, M. D. (Enero de 2013). Obtenido de
https://fenavi.org/wp-content/uploads/2019/02/Resolucion_0242_de_2013.pdf
social, M. d. (2023). Ministerio de salud y protección social. Obtenido de
https://fenavi.org/documentos/resolucion-242-de-2013-ministerio-de-salud-y-proteccion-
social/
Solla. (2022). Obtenido de https://www.solla.com/materias-primas-y-premezclas/#:~:text=Son
%20ingredientes%20utilizados%20en%20la,aditivos%20para%20la%20nutrici
%C3%B3n%20animal
Sustainability. (2020). MDPI. Obtenido de https://www.mdpi.com/2071-1050/12/18/7753/htm#
Tamayo, M. (1995). El proyecto de Investigación . Serie Aprender a Investigar ICFES.
Vásquez, H. A. (2023). Obtenido de https://www.ica.gov.co/getattachment/af9943f9-87a5-4897-
9962-2d414fa0fdbf/Publicacion-10.aspx
44
14. Anexos
Anexo de paso a pao Colab.docx
DATOS PROYECTO NUTREXCOL (1).xlsx
https://colab.research.google.com/drive/
1hWve1BML4wYZurxuEC5R0ClG62pkUlpB#scrollTo=xtfNmK7ohK7v

Proyecto Final

Cargado por

Información del documento

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

Proyecto Final

Cargado por

Copyright:

Formatos disponibles

Modelo predictivo de la demanda avícola en las diferentes zonas del país

Salgado Rodríguez Juan José

Serna Osorio Vanessa

Especialización en analítica de datos aplicada a los negocios

Institución Universitaria EAM

3.1 Marco de antecedentes – Estado del arte......................................................................................7

3.1.1 Articulo 1....................................................................................................................................7

3.1.2 Articulo 2....................................................................................................................................8

3.1.3 Articulo 3....................................................................................................................................9

3.1.4 Articulo 4..................................................................................................................................10

3.1.5 Articulo 5..................................................................................................................................11

4. Marco teórico – conceptual....................................................................................................13

6. Descripción del problema.......................................................................................................16

10. Desarrollo del Proyecto..........................................................................................................25

10.2 Definición del negocio...................................................................................................................25

10.3 Comprensión y preparación de los datos........................................................................................26

10.4 Base de datos:.............................................................................................................................26

10.4.1 Informe de ventas Nutrexcol...................................................................................................26

10.6.1 División de datos ordenada en el tiempo Análisis..................................................................29

10.7.1 El árbol de regresión...............................................................................................................30

10.7.2 KNN para regresión................................................................................................................31

10.7.3 Red Neuronal..........................................................................................................................32

11.1.1 Árboles de regresión y clasificación.......................................................................................35

11.1.2 KNN de regresión...................................................................................................................36

11.1.3 Redes neuronales....................................................................................................................37

11.2 Lecciones aprendidas y recomendaciones......................................................................................38

11.2.1 Experimentar con otros algoritmos.........................................................................................38

11.2.2 Aumentar variables................................................................................................................38

Ilustración 1- división de los datos par conjunto de entrenamiento y evaluación.....................................25

Ilustración 2- Comportamiento del Modelo Árbol de Decisión................................................................32

Ilustración 3- Comportamiento del Modelo KNN.....................................................................................33

Ilustración 4- Comportamiento del Modelo Red Neuronal.......................................................................34

Documento de Identidad: 1004960333

Nombre del Estudiante: Salgado Rodriguez Juan José

Teléfono de contacto: 3016833940

Correo electrónico: Juan.salgado.6033@eam.edu.co

Documento de Identidad: 1007603705

Nombre del Estudiante: Serna Osorio Vanessa

Teléfono de contacto: 3146319257

Correo electrónico: Vanessa.serna.0370@eam.edu.co

Nombre del Asesor: Cardona Torres Sergio Augusto

Formación académica: Ingeniero de Sistemas

Correo electrónico: Sergio.cardona@eam.edu.co

Descripción de la organización usuaria

Es una empresa colombiana dedicada a la producción y comercialización de mezclas, aditivos,

productos y servicios para la nutrición y salud animal.

Razón social: Nutrición experta de Colombia S.A.S

Dirección: Km4 vía el Caimo Armenia-Quindío

Responsable: Lina Marcela Valencia

Teléfono Responsable: 3164829409

Cargo: Gerente de Operaciones

1.2 Marco de antecedentes – Estado del arte

rendimiento, la calidad de la cama, la salud de las almohadillas de las patas, la viscosidad

digestiva, las características de los órganos y la morfología intestinal, realizó un

experimento donde probaron si el centeno podría reemplazar al maíz o al trigo y estimar

el efecto de niveles superiores de inclusión de maíz triturado o centeno aplastado de hasta

un 30 % en pollos de engorde sobre el rendimiento del crecimiento, la calidad de la cama,

salud de la almohadilla plantar, viscosidad de la digesto, características de los órganos y

morfología intestinal. Teniendo en cuenta la seguridad alimentaria, el suministro de

proteínas y sustento humano, donde las aves de corral se consideran animales

beneficiosos en todo el mundo. Es importante la maximización de la eficacia de los

alimentos, que destaquen los vínculos de la producción avícola, la nutrición y los

de engorde comenzando con un 5 % en la tercera semana de vida, aumentando hasta un