Sistema web basado en un modelo de recomendación de Machine Learning para apoyar el proceso de ventas en una ferretería

Abstract

El proyecto de investigación tuvo como objetivo desarrollar un sistema de ventas web basado en un modelo de recomendación de Machine Learning para apoyar el proceso de ventas en la ferretería López y Cía. S.A.C. Para ello, se plantearon como objetivos específicos: determinar la técnica de Machine Learning más adecuada para implementar el modelo de recomendación en la ferretería, generar el modelo de recomendación utilizando los datos de la ferretería y la técnica seleccionada, construir una aplicación web de ventas que integre el modelo de recomendación generado y validar la aplicación web basado en la norma ISO 25010. Para lograr esto se empleó la metodología CRISP-DM y se utilizó Python, HTML, Google Colab, y MySQL como gestor de base de datos. Se llegó a determinar que la técnica de Machine Learning más adecuada para implementar el modelo de recomendación fue FP Growth. Además, se generó un modelo de recomendación utilizando la técnica antes mencionada y 208,535 registros de las ventas realizadas entre los años 2021 y 2022, logrando una precisión del modelo de 90%. Luego de esto, se construyó una aplicación web donde se integró el modelo de recomendación generado. Finalmente, se validó la aplicación web, donde se demostró que cumplía los criterios de calidad establecidos por la norma ISO 25010.

The research project aimed to develop a web sales system based on a Machine Learning recommendation model to support the sales process in the hardware store López y Cía. S.A.C. To this end, the following specific objectives were proposed: to determine the most appropriate Machine Learning technique to implement the recommendation model in the hardware store, to generate the recommendation model using the data from the hardware store and the selected technique, to build a sales web application that integrate the generated recommendation model and validate the web application based on the ISO 25010 standard. To achieve this, the CRISP-DM methodology was used and Python, HTML, Google Colab, and MySQL were used as a database manager. It was determined that the most appropriate Machine Learning technique to implement the recommendation model was FP Growth. In addition, a recommendation model was generated using the aforementioned technique and 208,535 records of sales made between the years 2021 and 2022, achieving a model accuracy of 90%. After this, a web application was built where the generated recommendation model was integrated. Finally, the web application was validated, where it was shown that it met the quality criteria established by the ISO 25010 standard.