Publication:
Análisis de Perfiles con Técnicas No Supervisadas de Minería de Datos como Soporte a la Toma de Decisiones en la Estrategia UNIDOS para la Superación de la Pobreza en Colombia

Thumbnail Image
Files

Files

Primary Análisis de Perfiles con Técnicas No Supervisadas de Minería de Datos como Soporte a la Toma de Decisiones en la Estrategia UNIDOS para la Superación de la Pobreza en Colombia.pdf (244.77 KB)
View Statistics
Reference Managers
Mendeley
Indexers
Google Scholar CORE
QR Code
QR Code
Authors

Authors

Silva Monsalve, Andrés Eugenio
Conti, Dante
Ospina Becerra, Victaria Eugenia
Abstract (Spanish)
En la búsqueda de garantizar que los hogares más pobres y vulnerables puedan superar sus condiciones de vida, la Estrategia Red UNIDOS, consolida y gestiona información que permite conocer la situación de los hogares y personas, para la toma de decisiones relacionadas con la planeación y ejecución del proceso de acompañamiento. Este proyecto determina el valor agregado y potencial de la información mediante modelado basado en datos, específicamente clustering. Al respecto, se crea una vista minable donde se aplica clusterización jerárquica (método Ward, con distancia coseno) y se decide cortar los dendogramas en tres (3) y seis (6) grupos respectivamente, que posteriormente fueros postprocesados y validados para describir en detalle los perfiles y su interpretación usando los centroides de cada grupo. Finalmente, los perfiles hallados y plenamente descritos sirven como base para dar soporte a la toma de decisiones al proceso de acompañamiento de la Estrategia Red UNIDOS y son resumidos a su vez en dos (2) dashboards de resultados.
Abstract (English)
In seeking to ensure that the poorest and most vulnerable people can overcome their living conditions, UNIDOS Network Strategy, consolidates and manages information that allows to know the situation of households and people, for the decision making related to planning and execution of the accompaniment process. This project determines the added value and potential of information through data-driven modeling, specifically clustering. To the In this respect, a mineable view is created where hierarchical clustering (Ward method, with cosine distance) and it is decided to cut the dendograms into three (3) and six (6) groups respectively, which were subsequently post-processed and validated to describe in detail the profiles and their interpretation using the centroids of each group. Finally, the profiles found and fully described serve as a basis to support decision-making in the process of accompaniment of the UNIDOS Network Strategy and are summarized in turn in two (2) dashboards of results.
Extent
6 páginas
URI: https://repositorio.escuelaing.edu.co/handle/001/1434
Collections

Collections

AD - CTG – Informática
References

Departamento Administrativo Nacional de Estadística en Colombia (2018). Pobreza Monetaria y Multidimensional en Colombia. Boletín Técnico. https://www.dane.gov.co/files/investigaciones/...vida/pobreza/ bol_pobreza_17.pdf

Congreso de la República de Colombia. (2016). Ley 1785 de 21 de junio de 2016 “Por medio de la cual se establece la Red para la Superación de la Pobreza Extrema Red Unidos y se dictan otras disipaciones,” 1–8. Retrieved from http://es.presidencia.gov.co/normativa/normativa/LEY 1785 DEL 21 DE JUNIO DE 2016.pdf

Davenport, T, Eccles, R, & Prusak, L (1999). Chapter 2 - Information Politics, In Knowledge and Special Libraries, 29- 48. https://doi.org/10.1016/B978-0-7506-7084-5.50004-X

Sabina, A & Foster, J. Recuento y medición multidimensional de la pobreza. Documento de trabajo OPHI No. 7

Angulo, R., Diaz, Y., & Pardo, R. (2011). Índice de Pobreza Multidimensional para Colombia (IPM-Colombia) 1997- 2010. Departamento Nacional de Planeación. https://colaboracion.dnp.gov.co/cdt/estudios%20econmicos/3 82.pdf

Departamento para la Prosperidad Social (2017). Guía del Acompañamiento Familiar.GGA2. Versión 2. Grupo de Diseño Metodológico y Formación.

Departamento para la Prosperidad Social (2017). Manual operativo de la estrategia de acompañamiento familiar y comunitario. MGA1 Versión 5. Grupo de Diseño Metodológico y Formación

Moreno, M., & López, V. (2018). Uso de técnicas no supervisadas en la construcción de modelos de clasificación en ingeniería de software. www.lsi.us.es/redmidas/Capitulos/LMD14.pdf

Foster, P., Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking

Jiawei Han, Micheline Kamber & Jian Pei. (2012). 3 - Data Preprocessing, In the Morgan Kaufmann Series in Data Management Systems, Morgan Kaufmann, Boston, Pages 83- 124, Data Mining (Third Edition), ISBN 9780123814791, https://doi.org/10.1016/B978-0-12-381479-1.00003-4

Lizma, P. & Boccado, G. (2014). Guía de Asociación entre variables (Pearson y Spearman en SPSS). Universidad de Chile. https://www.ucursos.cl/facso/2014/2/SO01007/1/material_docente/bajar?id_ material=994690.

De la Fuente, S. (2011). Análisis de conglomerados. Universidad Autónoma de Madrid. http://www.fuenterrebollo.com/Economicas/ECONOMETRI A/SEGMENTACION/CONGLOMERADOS/conglomerados. pdf

Amat, J. (2017). Clustering y heatmaps: Aprendizaje No Supervisado. https://rpubs.com/Joaquin_AR/310338 [14] Fayyad, U., Stolorz, P. (1997) Data mining and KDD: Promise and challenges, Future Generation Computer Systems, 99-115. https://doi.org/10.1016/S0167- 739X(97)00015-0

Earley, S., Henderson, D., & Data Management Association. (2017). DAMA-DMBOK: Data management body of knowledge

Consejo Nacional de Política Económica y Social de Colombia. (2012). Conpes Social 150. Departamento Nacional de Planeación. https://colaboracion.dnp.gov.co/CDT/Conpes/Social/150.pdf