https://repositorio.uide.edu.ec/handle/37000/5475 Tue, 21 Apr 2026 11:55:18 GMT 2026-04-21T11:55:18Z https://repositorio.uide.edu.ec/handle/37000/7561 Title: Análisis y desarrollo de un modelo de simulación para evaluar estrategias de marketing de fidelización, enfocado en estrategias de segmentación y posicionamiento en una Institución de Educación Superior del Ecuador Authors: Maldonado Núñez, Jaime David; Rivera Cárdenas, Jimmy David; Jácome Granda, Renato Sebastián; Caza Jácome, Esteban Sebastián; Rengifo, Marco (tutor) Abstract: El objetivo del proyecto es desarrollar un modelo predictivo para identificar posibles estudiantes interesados en ingresar a una institución de educación superior a partir de campañas de marketing realizadas previamente. Para garantizar la privacidad de los datos, se trabajó con datos sintéticos generados a partir de patrones históricos reales y la anonimización de datos personales, lo que permitió simular escenarios sin comprometer la confidencialidad de la información. El enfoque metodológico se basó en recopilar diversas fuentes de datos, incluyendo interacciones en redes sociales, datos demográficos, visitas, y llamadas telefónicas, que se encontraban en un CRM. A partir de estos datos, se construyó un modelo de predicción que permite segmentar y clasificar a los posibles estudiantes según su probabilidad de inscripción. La implementación del modelo se realizó utilizando herramientas de machine learning que permitieron evaluar diferentes algoritmos para encontrar el más adecuado en términos de precisión y rendimiento. Entre las técnicas evaluadas se incluyeron KNN, árboles de decisión y redes neuronales, siendo Random Forest el modelo seleccionado por su robustez y facilidad de interpretación en este contexto. The objective of the project is to develop a predictive model to identify possible students interestedin entering a higher education institution based on previously carried out marketing campaigns. To guarantee data privacy, we worked with synthetic data generated from real historical patterns and the anonymization of personal data, which allowed scenarios to be simulated without compromising the confidentiality of the information. The methodological approach was based on collecting various data sources, including social media interactions, demographic data, visits, and phone calls, which were in a CRM. From these data, a prediction model was built that allows potential students to be segmented and classified according to their probability of enrollment. The implementation of the model was carried out using machine learning tools that allowed different algorithms to be evaluated to find the most suitable one in terms of precision and performance. The techniques evaluated included KNN, decision trees and neural networks, with Random Forest being the model selected for its robustness and ease of interpretation in this context. Mon, 01 Jan 2024 00:00:00 GMT https://repositorio.uide.edu.ec/handle/37000/7561 2024-01-01T00:00:00Z https://repositorio.uide.edu.ec/handle/37000/7560 Title: Desarrollar un modelo de machine learning para estimar la cantidad de energía requerida por un sistema de transporte eléctrico en el canal de itabaca, islas Galápagos Authors: López Quilligana, Francisco Isaac; Chiliquinga Jiménez, Gabriela Estefanía; Guamba Suntaxi, Jajaira Michelle; Campaña Ayala, Luis Omar; Vizcaíno Imacaña, Fernanda Paulina (tutor) Abstract: Este proyecto propone el desarrollo de un modelo predictivo basado en machine learning para optimizar el consumo energético del catamarán solar "INER 1", utilizado en el Canal de Itabaca, Islas Galápagos. Dada la necesidad de reducir el uso de combustibles fósiles y minimizar la huella de carbono, el modelo contribuirá a mejorar la sostenibilidad ambiental en la región. El objetivo principal es diseñar un modelo predictivo que permita prever con precisión el consumo energético del catamarán, integrando variables clave como la radiación solar, temperatura, velocidad del viento, nivel de radiación global, capacidad de almacenamiento de batería, y número de pasajeros a bordo. Con ello, se optimizará la eficiencia operativa del catamarán y se reducirá su impacto ambiental, contribuyendo a la sostenibilidad en las Islas Galápagos...This project proposes the development of a predictive model based on machine learning to optimize the energy consumption of the solar catamaran "INER 1," which operates in the Itabaca Channel, Galápagos Islands. Given the need to reduce fossil fuel usage and minimize carbon footprints, the model will contribute to enhancing environmental sustainability in the región. The primary objective is to design a predictive model that accurately forecasts the catamaran's energy consumption by integrating key variables such as solar radiation, temperature, wind speed, global radiation level, battery storage capacity, and the number of passengers onboard. This will optimize the catamaran’s operational efficiency and reduce its environmental impact, thus contributing to the sustainability of the Galápagos Islands... Mon, 01 Jan 2024 00:00:00 GMT https://repositorio.uide.edu.ec/handle/37000/7560 2024-01-01T00:00:00Z https://repositorio.uide.edu.ec/handle/37000/7559 Title: Evaluación de la eficacia de modelos de aprendizaje automático en la predicción de movimientos del mercado bursátil y generación de alertas para compra o ventas de acciones Authors: Tarira Pérez, Jimmy Vladimir; Recalde Baquero, Rubén Marcelo; Cumbal Cumbal, Marlon Andrés; Vaca Alarcón, Sebastián; Reyes Chacón, Iván Galo (tutor) Abstract: La alta incertidumbre y el riesgo en la toma de decisiones de inversión en el mercado bursátil es el problema principal al que tratamos de ayudar con el presente proyecto. Los inversionistas a menudo se enfrentan a esto debido a la complejidad y volatilidad del mercado. Para mitigar estos riesgos, el proyecto ofrece señales de compra o venta basadas en predicciones generadas por modelos avanzados de Machine Learning. Utilizando Redes Neuronales Recurrentes como LSTM y GRU, entrenadas con hasta 10 años de datos históricos, el sistema proporciona recomendaciones fundamentadas sobre las mejores oportunidades de inversión y los momentos óptimos para ejecutar transacciones.Al integrar estos modelos de Machine Learning, el proyecto permite una evaluación más precisa de los patrones y tendencias del mercado, reduciendo la incertidumbre inherente en las decisiones de inversión. Esto no solo ayuda a los inversionistas a evitar decisiones impulsivas o mal informadas, sino que también mejora la capacidad de anticipar movimientos adversos del mercado, disminuyendo así el riesgo general y aumentando las posibilidades de obtener ganancias consistentes. The high uncertainty and risk in making investment decisions in the stock market is the main problem that we try to help with this project. Investors often face this due to the complexity and volatility of the market. To mitigate these risks, the project offers buy or sell signals based on predictions generated by advanced Machine Learning models. Using Recurrent Neural Networks as LSTM y GRU, trained with up to 10 years of historical data, the system provides accurate and informed recommendations on the best investment opportunities and optimal times to execute transactions.By integrating these models of Machine Learning, the project allows for a more accurate assessment of market patterns and trends, reducing the uncertainty inherent in investment decisions. This not only helps investors avoid impulsive or ill-informed decisions, but also improves the ability to anticipate adverse market movements, thereby decreasing overall risk and increasing the chances of making consistent profits. Mon, 01 Jan 2024 00:00:00 GMT https://repositorio.uide.edu.ec/handle/37000/7559 2024-01-01T00:00:00Z https://repositorio.uide.edu.ec/handle/37000/7558 Title: Optimización del análisis de brechas de liquidez en una institución financiera mediante modelos de comportamiento Authors: Enríquez Rivadeneira, Jorge Luis; Amán Ramos, Lilian Marlene; Proaño Chicaiza, Grace Adriana; Cruz Balseca, Eduardo Danilo; Reyes Chacón, Iván Galo (tutor) Abstract: El tema del presente trabajo es la Optimización del Análisis de Brechas de Liquidez en una institución financiera mediante modelos de comportamiento. La optimización tiene como objetivo aplicar e implementar varios modelos que nos permitan mejorar la predicción de las brechas y garantizar el cumplimiento de las normas regulatorias. Actualmente el proceso es manual y al ser una gran data corre el riesgo de tener una afectación en su cálculo por error humano. Se empieza con un exhaustivo estudio del arte que nos proporciona las bases o fundamentos para abordar el uso de series temporales aplicados en el modelo. Por ello la implementación de modelos de series temporales que nos permiten hacer predicciones precisas o generar supuestos que nos ayuden a estimar la distribución de cuentas de ahorro, corrientes y depósitos a plazo fijo, con esto nos permite fortalecer la capacidad de brechas de liquidez. The topic of this paper is the Optimization of Liquidity Gap Analysis in a financial institution through behavioral models. The goal of optimization is to apply and implement various models that allow us to improve the prediction of gaps and ensure compliance with regulatory standards. Currently, the process is manual, and given the large amount of data, there is a risk of having an impact on its calculation due to human error. It begins with a thorough study of the art that provides us with the foundations to approach the use of time series applied in the model. Therefore, the implementation of time series models that allow us to make accurate predictions or generate assumptions that help us to estimate the distribution of savings accounts, current accounts, and fixed-term deposits enables us to strengthen our capacity to address liquidity gaps. Mon, 01 Jan 2024 00:00:00 GMT https://repositorio.uide.edu.ec/handle/37000/7558 2024-01-01T00:00:00Z