Detección de Patrones de Daños y Averías en la Industria Automotriz

Universidad Tecnológica NacionalFacultad Regional Buenos AiresTesis de Magister en Ingeniería en Sistemas de InformaciónDetección de Patrones de Daños y Averías en la IndustriaAutomotrizIng. Hugo Daniel FloresDirectora: Dra. Paola V. BritosCodirector: Dr. Ramón García Martínez- 2009 -

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASAgradecimientoA la Universidad Tecnológica Nacional, Facultad Regional Tucumán y por su intermedio al EstadoNacional por darme la posibilidad de estudiar y acceder a un nivel académico superior.A la Escuela de Posgrado de la Universidad Tecnológica Nacional, Facultad Regional Buenos Airespor haberme permitido acceder a este nivel de estudio.A mis tutores Dra. Paola Britos y Dr. Ramón García Martínez por haberme conducido a lo largo deldesarrollo de este trabajo de tesis.A la Dra. Zulma Cataldi por su colaboración y asesoramiento en la especificación de loslineamientos generales para el desarrollo de esta tesis.A mis colegas y asociados por haber contribuido abierta y desinteresadamente en las pruebas yconsultas realizadas no solo para este proyecto en particular sino también por todos losemprendimientos que vamos logrando.A mi esposa por darme la confianza y el apoyo, y soportar diariamente la ardua labor que implicami desarrollo profesional permanente.A mi madre por haberme inculcado desde niño a seguir el camino de la educación para mejorar mifuturo como persona, como hijo, como hermano y como hombre de familia.Espero que este trabajo y su propuesta de futuras líneas de investigación sirvan comoagradecimiento y devolución hacia la sociedad por las oportunidades que me brindó a través de laUniversidad Estatal.Página 5 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS1. Introducción1.1. Minería de Datos (Data Mining)El gran desarrollo tecnológico de los últimos años ha potenciado el almacenamiento de grandesvolúmenes de información. No solo desde el punto de vista del “computador personal” sino tambiéndesde el punto de vista de la computación como un conjunto de dispositivos electrónicamenteinterconectados capaces de soportar el trasporte de grandes cantidades de información en unadirección determinada con el propósito de ser almacenada centraliza o descentralizadamente, o biendesde el punto de vista de redes electrónicas donde desde cada nodo se permite la posibilidad decargar información en una o más bases de datos.Al mayor poder de procesamiento y transporte de información se suman los avances tecnológicosen materia de base de datos que soportan “grandes” volúmenes de información de diferentesorígenes y fuentes pudiendo incluir texto, números, imágenes, video, etc.Estos avances en materia de gran capacidad de almacenamiento de información han dado lugar a lacreación de nuevas tecnologías como la Minería de Datos.Conceptualmente la Minería de Datos o Explotación de Datos, como también será llamada en elpresente trabajo, se puede definir como un conjunto de técnicas y herramientas aplicadas al procesono trivial de extraer y presentar conocimiento implícito, previamente desconocido, potencialmenteútil y humanamente comprensible, a partir de grandes conjuntos de datos con motivo de predecir deforma automatizada tendencias y comportamientos y/o descubrir de forma automatizada modelospreviamente desconocidos [Piatetski-Shapiro, 1991].Desde un punto de vista empresarial la minería de datos puede ser definida como un conjunto deáreas que tiene como propósito la identificación de un conocimiento obtenido a partir de las basesde datos que aporten un sesgo hacia la toma de decisiones [Molina, 2001].Lo que realmente hace el data mining es reunir las ventajas de varias áreas como la Estadística, laInteligencia Artificial, la Computación Gráfica, el Datawarehouse y el Procesamiento Masivo,principalmente usando como materia prima bases de datos.Para tener una aproximación cercana a las diversas definiciones encontradas en diferentes artículosde diferentes autores se puede concluir que la minería de datos es un proceso con el cual se puedendescubrir y cuantificar relaciones predictivas en los datos, y del resultado de este proceso es posibleobtener conocimiento útil para el negocio.Hoy en día realizando las consultas (simplemente navegando los datos) convencionales a grandesbases de datos no es suficiente para resolver problemas de negocios, sino que se hace necesarioseguir una metodología ordenada para aplicar herramientas tecnológicas y técnicas disponibles eninformáticas para así obtener conocimiento y resultados que permitan a las compañías obtener unbeneficio. El entorno natural del Data Mining es el Datawarehouse.La minería de datos trata de sacar información de detalle de un almacén de datos. No se conformasolo con la visualización de datos, sino que es necesario obtener resultados en cuanto a la relaciónque existe entre los mismos y como estos podrían repercutir en el negocio.Página 9 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPara la explotación de datos aplicando minería de datos existen diferentes técnicas las cualespueden ser desarrolladas según diferentes metodologías. A continuación se describirán algunastécnicas y metodologías de Data Mining.1.2. Lineamientos del documento de tesisEl primer capítulo desarrolla una breve introducción a la minería de datos que es la baseoperacional del presente proyecto de tesis.El capítulo dos muestra una descripción de las diferentes técnicas de minería de datos que puedenser aplicadas en función de las necesidades del estudio en cuestión.El tercer capítulo realiza una comparación entre las diferentes metodología de minería de datosdesarrolladas hasta el presente. Además muestra el avance tecnológico de cada técnica y muestracomo resultado una breve conclusión que motiva la aplicación de la metodología seleccionada paraeste proyecto.En el cuarto capítulo se desarrolla la metodología completa a utilizar en este proyecto y esta ademásrepresenta para esta tesis el estado de la tecnología. Se toma como marco de referencia lametodología propuesta por la organización creadora de la misma y a la cual se hace referencia enlas respectivas citas.Le quinto capítulo describe la situación actual de la industria automotriz en lo referente a daños y/oaverías. Además se muestran los posibles circuitos logísticos estándares en la industria y demásdetalles como los tipos de transporte o lugares de estacionamiento de las unidades automotrices.El sexto capítulo hace referencia a los procesos a analizar, los límites del proyecto y los alcances delmismo.En el séptimo capítulo se realiza la descripción global del sistema de información del que se obtienetoda la información para la explotación de datos.En el capítulo ocho se realiza la aplicación de la metodología propuesta a la industria automotriz.Paso a paso se hace el desarrollo completo de la metodología propuesta.El capítulo nueve muestra las conclusiones a las que se arriba luego del desarrollo del proyecto detesis.En el capítulo diez se presentan las posibles líneas de investigación que surgen de la realización deeste proyecto.El capítulo once muestra la bibliografía a la cual se ha recurrido para el desarrollo del presenteproyecto.Finalmente en el capítulo doce se muestran todos los anexos utilizados para la preparación, análisisy evaluación de los resultados.Página 10 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS2. Técnicas de Minería de DatosLas bases de la minería de datos se encuentran en la inteligencia artificial y en el análisis estadísticoy mediante los modelos extraídos. Utilizando técnicas de minería de datos se aborda la solución aproblemas de predicción, clasificación y segmentación.1. Análisis estadísticoDebido al gran volumen de datos con el que se puede contar en la actualidad y al poder de procesoen la tecnología desarrollada hasta aquí, se hace viable la exploración de la información utilizandodiferentes técnicas estadísticas.El Análisis Estadístico se preocupa más por el poder de generalización de los resultados obtenidospara inferir los resultados a situaciones más generales que la estudiada.A continuación se presentan algunas técnicas:• ANOVA o análisis de la Varianza: Contrasta si existen diferencias significativas entre lasmedidas de una o más variables continuas en grupos de población distintos.• Regresión: Define la relación entre una o más variables y un conjunto de variablespredictoras de las primeras.• Chi cuadrado: Contrasta la hipótesis de independencia entre variables.• Componentes principales: Permite reducir el número de variables observadas a un menornúmero de variables artificiales, conservando la mayor parte de la información sobre lavarianza de las variables.• Análisis discriminante: Método de clasificación de individuos en grupos que previamentese han establecido, y que permite encontrar la regla de clasificación de los elementos deestos grupos, y por tanto identificar cuáles son las variables que mejor definan la pertenenciaal grupo.• Series temporales: Es el conocimiento de una variable a través del tiempo para que a partirde ese conocimiento y bajo el supuesto de que no van a producirse cambios estructurales,poder realizar predicciones. Suelen basarse en un estudio de la serie en ciclos, tendencias yestacionalidades, que se diferencian por el ámbito de tiempo abarcado, para por composiciónobtener la serie original. Se pueden aplicar enfoques híbridos con los métodos anteriores, enlos que la serie se puede explicar no sólo en función del tiempo sino como combinación deotras variables de entornos más estables y, por lo tanto, más fácilmente predecibles.• Análisis cluster 1 : Permite clasificar una población en un número determinado de grupos, enbase a semejanzas y desemejanzas de perfiles existentes entre los diferentes componentes dedicha población.• El método Chaid (Chi Squared Automatic Interaction Detector): Es un análisis quegenera un árbol de decisión para predecir el comportamiento de una variable, a partir de unao más variables predictoras, de forma que los conjuntos de una misma rama y un mismonivel son disjuntos. Es útil en aquellas situaciones en las que el objetivo es dividir unapoblación en distintos segmentos basándose en algún criterio de decisión. El árbol dedecisión se construye partiendo el conjunto de datos en dos o más subconjuntos deobservaciones a partir de los valores que toman las variables predictoras. Cada uno de estossubconjuntos vuelve después a ser particionado utilizando el mismo algoritmo. Este procesocontinúa hasta que no se encuentran diferencias significativas en la influencia de las1 Análisis cluster usando mapas autoorganizados (técnica de sistemas inteligentes) será aplicado en esta tesis.Página 11 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASvariables de predicción de uno de estos grupos hacia el valor de la variable de respuesta. Laraíz del árbol es el conjunto de datos íntegro, los subconjuntos y los subsubconjuntosconforman las ramas del árbol. Un conjunto en el que se hace una partición se llama nodo.El número de subconjuntos en una partición puede ir de dos hasta el número de valoresdistintos que puede tomar la variable usada para hacer la separación. La variable depredicción usada para crear una partición es aquella más significativamente relacionada conla variable de respuesta de acuerdo con test de independencia de la Chi cuadrado sobre unatabla de contingencia.2. Análisis a través de sistemas inteligentesEl objetivo de la aplicación de Sistemas Inteligentes en la minería de datos es extraer informaciónde manera no supervisada. Se preocupa por ofrecer soluciones algorítmicas con un costocomputacional aceptable.A continuación se presentan algunas de estas técnicas:• Algoritmos genéticos: Son métodos numéricos de optimización, en los que aquella variableo variables que se pretenden optimizar junto con las variables de estudio constituyen unsegmento de información. Aquellas configuraciones de las variables de análisis queobtengan mejores valores para la variable de respuesta, corresponderán a segmentos conmayor capacidad reproductiva. A través de la reproducción, los mejores segmentos perdurany su proporción crece de generación en generación. Se puede además introducir elementosaleatorios para la modificación de las variables (mutaciones). Al cabo de cierto número deiteraciones, la población estará constituida por buenas soluciones al problema deoptimización.• Redes neuronales: Genéricamente son métodos de proceso numérico en paralelo, en el quelas variables interactúan mediante transformaciones lineales o no lineales, hasta obtenersalidas. Estas salidas se contrastan con los que tenían que haber salido, basándose en unosdatos de prueba, dando lugar a un proceso de retroalimentación mediante el cual la red sereconfigura, hasta obtener un modelo adecuado.• Lógica difusa: Es una generalización del concepto de estadística. La estadística clásica sebasa en la teoría de probabilidades, a su vez ésta en la técnica conjuntista, en la que larelación de pertenencia a un conjunto es dicotómica (el 2 es par o no lo es). Si se establece lanoción de conjunto borroso como aquel en el que la pertenencia tiene una cierta graduación(¿un día a 20º C es caluroso?), dispondremos de una estadística más amplia y con resultadosmás cercanos al modo de razonamiento humano.• Mapas autoorganizados: Los mapas autoorganizados o SOM (Self-Organizing Map),también llamados redes de Kohonen son un tipo de red neuronal no supervisada,competitiva, distribuida de forma regular en una rejilla de, normalmente, dos dimensiones,cuyo fin es descubrir la estructura subyacente de los datos introducidos en ella. A lo largodel entrenamiento de la red, los vectores de datos son introducidos en cada neurona y secomparan con el vector de peso característico de cada neurona. La neurona que presentamenor diferencia entre su vector de peso y el vector de datos es la neurona ganadora (oBMU, Best-Matching Unit, Unidad con mejor ajuste) y ella y sus vecinas verán modificadossus vectores de pesos.• Algoritmos de inducción: Encuadrado dentro de las técnicas de Aprendizaje Automático(Machine Learning), estos algoritmos permiten construir automáticamente a partir de unconjunto de datos de entrenamiento un árbol de clasificación. Para inferir el árbol, elalgoritmo realiza particiones binarias sucesivas en el espacio de las variables explicativas,Página 12 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASde forma que en cada partición se escoge la variable que aporta más información en funciónde una medida de entropía o cantidad de información. El árbol así construido consta delmínimo número de atributos (variables) que se requieren para la clasificación eficiente delos ejemplos dados, con lo que es claro el gran poder explicativo de esta técnica. También sepueden elaborar, a partir del árbol, reglas de clasificación fácilmente interpretables, quedefinen las características que más diferencian a las distintas clases establecidasinicialmente. Este tipo de sistemas clasificadores presentan la ventaja, frente a las técnicasestadísticas, de que tienen un carácter estrictamente no paramétrico. Además, aunque noalcanzan el poder predictivo de las redes neuronales, sus resultados son mucho másfácilmente interpretables que los modelos de “caja negra” suministrados por aquéllas.3. ConclusionesEn general, cualquiera que sea el problema a resolver, no existe una única técnica para solucionarlo,sino que puede ser abordado siguiendo aproximaciones distintas. El número de técnicas es muygrande y es muy probable que siga creciendo.La experiencia práctica muestra la aptitud de las técnicas de minería de datos para resolverproblemas empresariales. También es clara su aportación para resolver problemas científicos queimpliquen el tratamiento de grandes cantidades de datos.La minería de datos es, en realidad, una prolongación de una práctica estadística de larga tradición,la de Análisis de Datos. Existe, además, una aportación propia de técnicas específicas deInteligencia Artificial, en particular sobre la integración de los algoritmos, la automatización delproceso y la optimización del coste.A diferencia de la IA, que es una ciencia joven, en Estadística se viene aprendiendo de los datosdesde hace más de un siglo, la diferencia consiste en que ahora existe la potencia de cálculosuficiente para tratar ficheros de datos de forma masiva y automática. Esta es una realidad que cadavez será más habitual.Por otro lado y en relación a la amplia diversidad de técnicas disponibles, conviene tener claro queno existe la técnica más inteligente, sino formas inteligentes de utilizar una técnica y que cada unoutiliza de forma inteligente aquello que conoce. También que para la mayoría de los problemas noexisten diferencias significativas en los resultados obtenidos.Página 13 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 14 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS3. Metodologías de Minería de Datos3.1. SEMMA 2SAS Institute 3 es el desarrollador de esta metodología, la define como el proceso de selección,exploración y modelado de grandes cantidades de datos para descubrir patrones de negociodesconocidos.El nombre de esta terminología es el acrónimo correspondiente a las cinco fases básicas del proceso(Figura 1).Muestreo(Sample)Exploración(Explore)Manipulación(Modify)Modelado(Model)Valoración(Assess)Figura 1: Fases de la metodología SEMMAEl proceso se inicia con la extracción de la población muestral sobre la que se va a aplicar elanálisis. El objetivo de esta fase consiste en seleccionar una muestra representativa del problema enestudio. La representatividad de la muestra es indispensable ya que de no cumplirse invalida todo elmodelo y los resultados dejan de ser admisibles. La forma más común de obtener una muestra es laselección al azar, es decir, cada uno de los individuos de una población tiene la misma posibilidadde ser elegido. Este método de muestreo se denomina muestreo aleatorio simple.La metodología SEMMA establece que para cada muestra considerada para el análisis del procesose debe asociar el nivel de confianza de la muestra.Una vez determinada una muestra o conjunto de muestras representativas de la población enestudio, la metodología SEMMA indica que se debe proceder a una exploración de la informacióndisponible con el fin de simplificar en lo posible el problema para optimizar la eficiencia delmodelo. Para lograr este objetivo se propone la utilización de herramientas de visualización o detécnicas estadísticas que ayuden a poner de manifiesto relaciones entre variables. De esta forma sepretende determinar cuáles son las variables explicativas que van a servir como entradas al modelo.La tercera fase de la metodología consiste en la manipulación de los datos, en base a la exploraciónrealizada, de forma que se definan y tengan el formato adecuado los datos que serán introducidos enel modelo.Una vez que se han definido las entradas del modelo con el formato adecuado para la aplicación dela técnica de modelado, se procede al análisis y modelado de los datos. El objetivo de esta faseconsiste en establecer una relación entre las variables explicativas y las variables objeto del estudio,que posibiliten inferir el valor de las mismas con un nivel de confianza determinado. Las técnicasutilizadas para el modelado de los datos incluyen métodos estadísticos tradicionales (tales comoanálisis discriminante, métodos de agrupamiento, y análisis de regresión), así como técnicasbasadas en datos tales como redes neuronales, técnicas adaptativas, lógica fuzzy (difusa), árboles dedecisión, reglas de asociación y computación evolutiva.2 SEMMA: Simple, Explore, Modify, Model, Assess.3 SAS Institute: Es una empresa con sede en Cary (Carolina del Norte, Estados Unidos). Es uno de los principalesfabricantes de software business intelligence.[Página 15 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFinalmente, la última fase del proceso consiste en la valoración de los resultados mediante elanálisis de bondad del modelo o modelos contrastados con otros métodos estadísticos o con nuevaspoblaciones muestrales.3.2. CRISP-DM 4La metodología CRISP-DM (Chapman, 1999) consta de cuatro niveles de abstracción, organizadosde forma jerárquica en tareas que van desde el nivel más general hasta los casos más específicos.A nivel más general, el proceso está organizado en seis fases (Figura 2), estando cada fase a su vezestructurada en varias tareas generales de segundo nivel. Las tareas generales se proyectan a tareasespecíficas, donde se describen las acciones que deben ser desarrolladas para situacionesespecíficas. Así, si en el segundo nivel se tiene la tarea general “limpieza de datos”, en el tercernivel se dicen las tareas que tienen que desarrollarse para un caso específico, como por ejemplo,“limpieza de datos numéricos”, o “limpieza de datos categóricos”. El cuarto nivel, recoge elconjunto de acciones, decisiones y resultados sobre el proyecto de Data Mining específico.La metodología CRISP-DM proporciona dos documentos distintos como herramienta de ayuda enel desarrollo del proyecto de Data Mining: el del modelo de referencia y la guía del usuario.El documento del modelo de referencia describe de forma general las fases, tareas generales ysalidas del proyecto de Data Mining. La guía del usuario proporciona información más detalladasobre la aplicación práctica del modelo de referencia al proyecto de Data Mining específico,proporcionando consejos y listas de comprobación sobre las tareas correspondientes a cada fase.La metodología CRISP-DM estructura el ciclo de vida de un proyecto de Data Mining en seis fases,que interactúan entre ellas de forma iterativa durante el desarrollo del proyecto (Figura 2).Las flechas indican relaciones más habituales entre las fases, aunque se pueden establecerrelaciones entre cualquier fase. El círculo exterior simboliza la naturaleza cíclica del proceso demodelado.4 CRISP-DM: Cross Industry Standard Process for Data Mining.Página 16 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASAnálisis delProblemaAnálisis delos datosPreparaciónde los datosEvaluaciónDatosModeladoExplotaciónFigura 2: Fases del proceso de modelado metodología CRISP-DM.La primera fase análisis del problema, incluye la comprensión de los objetivos y requerimientos delproyecto desde una perspectiva empresarial, con el fin de convertirlos en objetivos técnicos y enuna planificación.La segunda fase de análisis de datos comprende la recolección inicial de datos, en orden a que seaposible establecer un primer contacto con el problema, identificando la calidad de los datos yestableciendo las relaciones más evidentes que permitan establecer las primeras hipótesis.Una vez realizado el análisis de datos, la metodología establece que se proceda a la preparación delos datos, de tal forma que puedan ser tratados por las técnicas de modelado. La preparación dedatos incluye las tareas generales de selección de datos a los que se van a aplicar la técnica demodelado (variables y muestras), limpieza de los datos, generación de variables adicionales,integración de diferentes orígenes de datos y cambios de formato.La fase de preparación de los datos, se encuentra muy relacionada con la fase de modelado, puestoque en función de la técnica de modelado que vaya a ser utilizada los datos necesitan ser procesadosen diferentes formas. Por lo tanto las fases de preparación y modelado interactúan de formasistemática.Página 17 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEn la fase de modelado se seleccionan las técnicas de modelado más apropiadas para el proyecto deData Mining específico. Las técnicas a utilizar en esta fase se seleccionan en función de lossiguientes criterios:• Ser apropiada al problema• Disponer de datos adecuados• Cumplir los requerimientos del problema• Tiempo necesario para obtener un modelo• Conocimiento de la técnicaAntes de proceder al modelado de los datos se debe de establecer un diseño del método deevaluación de los modelos, que permita establecer el grado de bondad de los modelos. Una vezrealizadas estas tareas genéricas se procede a la generación y evaluación del modelo. Losparámetros utilizados en la generación del modelo dependen de las características de los datos.En la fase de evaluación, se evalúa el modelo, no desde el punto de vista de los datos, sino delcumplimiento de los criterios de éxito del problema. Se debe revisar el proceso teniendo en cuentalos resultados obtenidos para poder repetir algún paso en el que a la vista del desarrollo posteriordel proceso se hayan podido cometer errores. Si el modelo generado es válido en función de loscriterios de éxito establecidos en la primera fase, se procede a la explotación del modelo.Normalmente los proyectos de Data Mining no terminan en la implantación del modelo, sino que sedeben documentar y presentar los resultados de manera comprensible en orden a lograr unincremento del conocimiento. Además en la fase de explotación se debe de asegurar elmantenimiento de la aplicación y la posible difusión de los resultados [Fayyad, 1996].3.3. MicrosoftEn la Figura 3 se describe las relaciones entre cada paso en la metodología desarrollada porMicrosoft para la implementación de Data Mining (Figura 3).Página 18 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASDefinir elproblemaIntegración deservicioIntegración deservicioPreparar datosImplementar yactualizarmodelosDiseñador deminería de datosVista de origende datosExplorar datosValidarmodelosGenerarmodelosFigura 3: Fases del proceso de modelado metodología Microsoft.El primer paso del proceso de minería de datos consiste en definir claramente el problemaempresarial.Este paso incluye analizar los requisitos empresariales, definir el ámbito del problema, definir lasmétricas por las que se evaluará el modelo y definir el objetivo final del proyecto de minería dedatos. Estas tareas se traducen en preguntas como las siguientes:• ¿Qué se está buscando?• ¿Qué atributo del conjunto de datos se desea intentar predecir?• ¿Qué tipos de relaciones se intenta buscar?• ¿Se desea realizar predicciones a partir del modelo de minería de datos o sólo buscarasociaciones y patrones interesantes?• ¿Cómo se distribuyen los datos?• ¿Cómo se relacionan las columnas? o en caso de haber varias tablas, ¿cómo se relacionan lastablas?Para responder a estas preguntas, es probable que se deba dirigir un estudio de disponibilidad dedatos para investigar las necesidades de los usuarios de la empresa con respecto a los datosdisponibles. Si los datos no son compatibles con las necesidades de los usuarios, puede que se debavolver a definir el proyecto.El segundo paso del proceso de minería de datos consiste en consolidar y limpiar los datosidentificados en el paso “Definir el problema”.Los datos pueden estar dispersos en la empresa y almacenados en distintos formatos; tambiénpueden contener incoherencias como entradas que faltan o contienen errores.Página 19 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEl tercer paso del proceso de minería de datos consiste en explorar los datos preparados.Se debe comprender los datos para tomar las decisiones adecuadas al crear los modelos. Entre lastécnicas de exploración se incluyen calcular los valores mínimos y máximos, calcular la media y lasdesviaciones estándar y examinar la distribución de los datos. Una vez explorados los datos, sepuede decidir si el conjunto de datos contiene datos con errores y, a continuación, crear unaestrategia para solucionar los problemas.El cuarto paso del proceso de minería de datos consiste en generar los modelos de minería de datos.Antes de generar un modelo, se deben separar aleatoriamente los datos preparados en conjuntos dedatos de entrenamiento y comprobación independientes. El conjunto de datos de entrenamiento seutiliza para generar el modelo y el conjunto de datos de comprobación para comprobar la precisióndel modelo mediante la creación de consultas de predicción.Una vez definida la estructura del modelo de minería de datos, se procesa rellenando la estructuravacía con los patrones que describen el modelo. Esto se conoce como entrenar el modelo. Lospatrones se encuentran al pasar los datos originales por un algoritmo matemático.El modelo de minería de datos se define mediante un objeto de estructura de minería de datos, unobjeto de modelo de minería de datos y un algoritmo de minería de datos.El quinto paso del proceso de minería de datos consiste en explorar los modelos que se hangenerado y comprobar su eficacia.No se debe implementar un modelo en un entorno de producción sin comprobar primero si elmodelo funciona correctamente. Además, puede ser que se hayan creado varios modelos y se debadecidir cuál funciona mejor. Si ninguno de los modelos que se han creado en el paso GenerarModelos funciona correctamente, puede ser que se deba volver a un paso anterior del proceso yvolver a definir el problema o volver a investigar los datos del conjunto de datos original.El último paso del proceso de minería de datos consiste en implementar los modelos que funcionanmejor en un entorno de producción.Una vez que los modelos de minería de datos se encuentran en el entorno de producción, se puedenllevar acabo diferentes tareas, dependiendo de las necesidades.Éstas son algunas de las tareas que se pueden realizar:• Utilizar los modelos para crear predicciones que se puedan utilizar para tomar decisionesempresariales.• Incrustar la funcionalidad de minería de datos directamente en una aplicación.• Crear un paquete en el que se utilice un modelo de minería de datos para separar de formainteligente los datos entrantes en varias tablas.• Crear un informe que permita a los usuarios realizar consultas directamente en un modelo deminería de datos existente.La actualización del modelo forma parte de la estrategia de implementación. A medida que laorganización recibe más datos, se deben volver a procesar los modelos para mejorar así su eficacia.Página 20 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS3.4. Comparación de MetodologíasLas metodologías SEMMA, CRISP-DM y Microsoft esencialmente son muy parecidas. Las tresestán compuestas por etapas o fases que interactúan entre sí.En referencia a la tecnología SEMMA está más ligada a los aspectos técnicos de la explotación dedatos. En cuanto a las otras dos, están más enfocadas en el negocio en sí; es decir en la aplicaciónde la Minería de Datos a los negocios. Esta diferencia se ve específicamente en la primera etapadonde SEMMA arranca directamente en el trabajo de datos mientras que CRISP-DM y Microsoftempiezan por el estudio del negocio y sus objetivos, y luego recién se transforma en un problematécnico.Analizando la propuesta metodológica de Microsoft se puede ver que está íntimamente vinculada ala aplicación de las herramientas de su propia compañía (Microsoft) especialmente en lo querespecta a la integración de servicios, vista de origen de datos y diseñador de minería de datos. Lomismo ocurre con la metodología SEMMA la cual está ligada a herramientas SAS.Para concluir se puede decir que uno de los motivos por los cuales fue escogida para el presenteproyecto la metodología CRISP-DM es que este sistema está diseñado como una metodologíaindependiente de la herramienta tecnológica a utilizar en la Explotación de Datos. Esto último lahace más flexible. Otro punto importante es que es de libre acceso y cumple con la característica deser orientada al negocio. Para esta implementación su desarrollo será aplicado a los datos de laIndustria Automotriz.Finalmente también es posible resaltar que la metodología CRISP-DM es más completa debido aque tiene toda una fase dedicada al entendimiento del negocio.La Tabla 1 muestra un cuadro comparativo entre las diferentes metodologías descriptas hasta aquí.Metodologías CRISP-DM SEMMA MicrosoftEstructura Fases y niveles Fases FasesNivelesParte de lo general alo específicoNo tieneNo tieneFasesAnálisis del problemaAnálisis de datosPreparación de DatosModeladoEvaluaciónExplotaciónMuestreoExploraciónManipulaciónModeladoValoraciónDefinir el problemaPreparar los datosExplorar los datosGenerar modelosExplorar y validar los modelosImplementar y actualizar los modelosHerramientas Genéricas SAS MicrosoftProcesosIterativo e interactivo Iterativo e interactivo entre Iterativo e interactivo entre fasesentre fasesfasesDocumentación Modelo de referencia No se especificaNo se especificaGuía de usuarioObjetivos Se centra en los Se centra en las Se centra en los objetivosobjetivoscaracterísticas técnicas del empresariales del proyectoempresariales del desarrollo del procesoproyectoTabla 1: Cuadro comparativo de metodologíasPágina 21 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 22 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4. La metodología CRISP-DM4.1. Introducción4.1.1. La Metodología CRISP-DM4.1.1.1. Interrupción jerárquicaLa metodología de CRISP-DM está descrita en términos de un modelo de proceso jerárquicoconsistente en un conjunto de tareas descritas en cuatro niveles de abstracción (de lo general a loespecífico): fase, tarea genérica, tarea especializada, e instancia de procesos. (Ver figura 4.)Figura 4: Cuatro niveles de interrupción de la metodología CRISP-DMEn el nivel superior, el proceso de minería de datos es organizado en un número de fases; cada faseconsiste de varias tareas genéricas de segundo nivel. Este segundo nivel es llamado genérico porqueesta destinado a ser bastante general para cubrir todas las situaciones posibles de minería de datos.Las tareas genéricas están destinadas a ser tan completas y estables como sea posible. Completosignifica que cubre tanto al proceso entero de minería de datos como todas las aplicaciones deminería de datos posibles. Estable significa que el modelo debería ser válido para acontecimientosnormales y aún para desarrollos imprevistos como técnicas de modelado nuevo.El tercer nivel, el nivel de tarea especializado, es el lugar para describir como las acciones en lastareas genéricas deberían ser realizadas en ciertas situaciones específicas. Por ejemplo, en elsegundo nivel podría haber una tarea genérica llamada limpieza de datos. El tercer nivel describecomo esta tarea se distingue en situaciones diferentes, como la limpieza de valores numéricoscontra la limpieza de valores categóricos, o si el tipo de problema es de agrupamiento o demodelado predictivo.La descripción de fases y tareas como pasos discretos realizados en un orden específico representauna secuencia idealizada de eventos.En la práctica, muchas de las tareas pueden ser realizadas en un orden diferente, y esto a menudo esnecesario para volver a hacer tareas anteriores repetidamente y repetir ciertas acciones. Este modeloPágina 23 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASde proceso no intenta capturar todas estas posibles rutas del proceso de la minería de datos porqueesto requeriría un modelo de proceso demasiado complejo.El cuarto nivel, la instancia de proceso, es un registro de las acciones, decisiones, y de losresultados de una minería de datos real.Una instancia de proceso esta organizado según las tareas definidas en los niveles más altos, perorepresenta más bien lo que en realidad sucede en un caso particular que lo que sucede en general.4.1.1.2. Modelo de referencia y guía de usuarioHorizontalmente, la metodología de CRISP-DM distingue entre el modelo de referencia y la guía deusuario. El modelo de referencia presenta una descripción rápida de fases, las tareas, y sus salidas, ydescribe que hacer en el proyecto de minería de datos. La guía de usuario da consejos másdetallados e insinuaciones para cada fase y cada tarea dentro de una fase, y representa como realizarun proyecto de minería de datos.4.1.2. Pasaje de modelos genéricos a modelos especializados4.1.2.1. Contexto de la minería de datosEl contexto de minería de datos traza un mapa entre lo genérico y el nivel especializado en CRISP-DM. Actualmente se distinguen cuatro dimensiones diferentes de contextos de minería de datos:• El dominio de aplicación es el área específica en la que el proyecto de minería de datos tomalugar.• Los tipos de problemas de minería de datos describen la(s) clase(s) específica(s) deobjetivo(s) con el que el proyecto de minería de datos trata.• El aspecto técnico cubre cuestiones específicas en minería de datos que describe diferentes(técnicas) dificultades que por lo general ocurren durante la minería de datos.• La herramienta y las especificaciones de dimensión técnica en la que las herramienta(s) deminería de datos y/o técnicas son aplicadas durante el proyecto de minería de datos.La Tabla 2 resume estas dimensiones de contextos de minería de datos y muestra ejemplosespecíficos para cada dimensión.DimensiónEjemplosDominioAplicaciónModelar RespuestaContexto Data MiningTipo AspectoProblema TécnicoData MiningDescripción y Valores porsumarización omisiónHerramienta yTécnicaClementineRealizar Predicción Segmentación Outliers MinesetRealizar Predicción Descripción Outliers Decision TreeConceptoClasificaciónDecision TreePredicciónAnálisisDependenciaTabla 2: Dimensión de contextos y ejemplos de minería de datosPágina 24 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASUn contexto específico de minería de datos es un valor concreto para una o más de estasdimensiones. Por ejemplo, un proyecto de minería de datos tratando con un problema declasificación que se revuelve con la predicción constituye un contexto específico. Lo más específico(los valores) para las dimensiones de contextos diferentes son fijadas (especificadas), lo masconcreto es el contexto de minería de datos.4.1.2.2. Pasaje con contextosSe distinguen dos tipos diferentes de pasajes (plan) entre el nivel genérico y un especializado en elCRISP-DM:• Pasaje para el presente: Si sólo se aplica el modelo de proceso genérico para realizar unproyecto de minería simple e intentar pasar de tareas genéricas y sus descripciones alproyecto específico como requerido, se habla sobre un pasaje solo para (probablemente) unsolo uso.• Pasaje para el futuro: Si sistemáticamente se especializa el modelo de proceso genéricosegún un contexto predefinido (o se analiza sistemáticamente de modo similar yconsolidando las experiencias de un único proyecto hacia un modelo de procesoespecializado para el uso futuro en contextos comparables), se habla explícitamente de lasobre escritura de un modelo de proceso especializado en términos de CRISP-DM.Cualquiera de los tipos de trazados es apropiado según sus propios objetivos, depende de sucontexto de minería de datos específicos y las necesidades de su organización.4.1.2.3. PasajeLa estrategia básica para pasar un mapa del modelo de proceso genérico al nivel especializado es lamisma para ambos tipos de pasaje:• Analizar su contexto específico.• Quitar cualquier detalle no aplicable a su contexto.• Agregar cualquier detalle específico a su contexto.• Especializar (o instanciar) el contenido genérico según las características concretas de sucontexto.• Renombrar el contenido genérico posible para proporcionar significados más explícitos ensu contexto para la aclaración.4.2. El modelo de referencia CRISP-DMEl modelo de proceso corriente para la minería de datos proporciona una descripción del ciclo devida del proyecto de minería de datos. Este contiene las fases de un proyecto, sus tareas respectivas,y las relaciones entre estas tareas. En este nivel de descripción, no es posible identificar todas lasrelaciones. Las relaciones podrían existir entre cualquier tarea de minería de datos según losobjetivos, el contexto, y -lo más importante- el interés del usuario sobre los datos.El ciclo de vida del proyecto de minería de datos consiste en seis fases, se muestran en la Figura 2(Fases del proceso de modelado metodología CRISP-DM). La secuencia de las fases no es rígida.Página 25 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEl movimiento hacia adelante y hacia atrás entre fases diferentes es siempre requerido. El resultadode cada fase determina que la fase o la tarea particular de una fase tienen que ser realizadosdespués. Las flechas indican las más importantes y frecuentes dependencias entre fases.El círculo externo en la Figura 2 simboliza la naturaleza cíclica de la minería de datos. La mineríade datos no se termina una vez que la solución es desplegada. Las informaciones ocultas (leccionesocultas) durante el proceso y la solución desplegada pueden provocar nuevas y a menudo máspreguntas enfocadas en el negocio. Los procesos de minería subsecuentes se beneficiarán de lasexperiencias previas. A continuación se describe brevemente cada fase:• Comprensión del Negocio: Esta fase inicial se enfoca en la comprensión de los objetivos deproyecto y exigencias desde una perspectiva de negocio, luego se convierte esteconocimiento de los datos en la definición de un problema de minería de datos y en un planpreliminar diseñado para alcanzar los objetivos.• Comprensión de los datos: La fase de entendimiento de datos comienza con la colecciónde datos inicial y continúa con las actividades que permiten familiarizarse con los datos,identificar los problemas de calidad de datos, descubrir los primeros conocimientos en losdatos, y/o descubrir subconjuntos interesantes para formar hipótesis en cuanto a lainformación oculta.• Preparación de Datos: La fase de Preparación de Datos cubre todas las actividadesnecesarias para construir el conjunto de datos final (los datos que serán provistos por lasherramientas de modelado) de los datos en bruto iniciales. Las tareas de Preparación deDatos probablemente van a ser realizadas muchas veces y no en cualquier orden prescripto.Las tareas incluyen la selección de tablas, registros y atributos, así como la transformación yla limpieza de datos para las herramientas que modelan.• Modelado: En esta fase, varias técnicas de modelado son seleccionadas y aplicadas, y susparámetros son calibrados a valores óptimos. Típicamente hay varias técnicas para el mismotipo de problema de minería de datos. Algunas técnicas tienen requerimientos específicossobre la forma de datos. Por lo tanto, volver a la fase de Preparación de Datos es a menudonecesario.• Evaluación: En esta etapa en el proyecto, se ha construido un modelo (o modelos) queparece tener una alta calidad de la perspectiva de análisis de datos. Antes de proceder aldespliegue final del modelo es importante evaluar a fondo el modelo y la revisión de lospasos ejecutados para crearlo para comparar el modelo correctamente obtenido con losobjetivos de negocio. Un objetivo clave es determinar si hay alguna cuestión importante denegocio que no ha sido suficientemente considerada. En el final de esta fase, una decisión enel uso de los resultados de minería de datos debería ser tomada.• Desarrollo: La creación del modelo no es generalmente el final del proyecto. Incluso si elobjetivo del modelo es de aumentar el conocimiento de los datos, el conocimiento ganadodebería ser organizado y presentado en el modo en el que el cliente pueda usarlo. Ello amenudo implica la aplicación de modelos "vivos" dentro de un proceso de toma dedecisiones de una organización, por ejemplo, en tiempo real la personalización de páginaWeb o la repetida obtención de bases de datos de mercadeo. Dependiendo de losrequerimientos, la fase de desarrollo puede ser tan simple como la generación de un informeo tan compleja como la realización repetida de un proceso cruzado de minería de datos através de la empresa. En muchos casos, es el cliente, no el analista de datos, quien lleva elpaso de desarrollo. Sin embargo, incluso si el analista realizara el esfuerzo de despliegue,esto es importante para el cliente para entender que acciones necesitan ser ejecutadas enorden para hacer uso de los modelos creados en ese momento.Página 26 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.2.1.1. Determinación de objetivos de negocioTarea: Determinar los objetivos de negocioFigura 6: Comprensión del NegocioEl primer objetivo para un contexto es entender desde una perspectiva de negocio lo que el clienterealmente quiere lograr. A menudo el cliente tiene muchos objetivos que compiten y restriccionesque deben ser correctamente equilibrados. El objetivo debe ser mostrar (destapar) factoresimportantes, al principio esto puede influir en el resultado del proyecto.Una consecuencia posible de la negligencia de este paso es gastar un gran esfuerzo produciendorespuestas correctas a preguntas incorrectas o erradas.Salida: ContextoSe registra la información que se conoce sobre la situación de negocio de la organización en elprincipio del proyecto.Objetivos de negocioSe describe el objetivo primario del cliente, desde una perspectiva de negocio. Además de losobjetivos del negocio primario allí hay típicamente otras preguntas de negocio relacionadas con loque al cliente le gustaría administrar. Por ejemplo, el objetivo primario del negocio podría sermantener a clientes corrientes por predicción cuando ellos son propensos a moverse a uncompetidor. Los ejemplos de preguntas relacionadas de negocio son ¿Cómo el uso del canalPágina 28 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASprimario (por ejemplo, ATM, visita al negocio, Internet) afecta si los clientes se quedan o se van? o¿Bajar los honorarios de ATM considerablemente reducirá el número de los clientes más importanteque se irán?Criterios de éxito de negocioSe describen los criterios para un resultado acertado o útil al proyecto desde el punto de vista delnegocio. Esto podría ser bastante específico y capaz de ser medido objetivamente, por ejemplo, lareducción de clientes se revuelve a un cierto nivel o valor, o esto podría ser general y subjetivo,como “dar ideas útiles en las relaciones”. En este último caso, debería indicarse quien hace el juiciosubjetivo.4.2.1.2. Evaluación de la situaciónTarea: Evaluar la situaciónEsta tarea implica la investigación más detallada sobre todos los recursos, restricciones,presunciones, y otros factores que deberían ser considerados en la determinación del objetivo deanálisis de datos y el plan de proyecto. En la tarea anterior, su objetivo es ponerse rápidamente aldía con la situación. Aquí se quiere ampliar sobre los detalles.Salida: Inventario de recursosSe listan los recursos disponibles para el proyecto, incluyendo el personal (expertos de negocio,expertos de datos, soportes técnicos, expertos en minería de datos), datos (extractos fijos,aproximaciones a la vida real, almacenes de datos, o datos operacionales), recursoscomputacionales (plataformas de hardware), y software (herramientas de minería de datos, otrossoftware relevantes).Requerimientos, presunciones, y restriccionesSe listan todos los requerimientos del proyecto, incluyendo el programa de terminación, lacomprensibilidad y calidad de los resultados, y la seguridad, así como las cuestiones legales. Comoparte de esta salida se debe asegurar que se permita usar los datos.Se listan las presunciones hechas por el proyecto. Estas pueden ser presunciones sobre los datos quepueden ser verificados durante la minería de datos, pero también puede incluir presunciones nocomprobables sobre el negocio relacionado con el proyecto. Es en particular importante listar si estoafectará la validez de los resultados.Se listan las restricciones sobre el proyecto. Estas pueden ser restricciones sobre la disponibilidadde recursos, pero puede también incluir coacciones tecnológicas como el tamaño de conjunto dedatos lo que es práctico para usar el modelado.Riesgos y contingenciasSe listan los riesgos o los acontecimientos que podrían retrasar el proyecto o hacer que falle. Selistan los planes de contingencia correspondientes, que acción será tomada si estos riesgos oacontecimientos ocurren.Página 29 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.2.2.2. Describir los datosTarea: Describir los datosSe examinan las propiedades "gruesas" o "superficiales" de los datos e informes adquiridos en losresultados.Salida: Informe de descripción de datosSe describen los datos que han sido adquiridos, incluyendo su formato, la cantidad de datos (porejemplo, el número de registros y campos en cada tabla), los identificadores de los campos, ycualquier otro rasgo superficial que ha sido descubierto. Se evalúa si los datos adquiridos satisfacenlas exigencias relevantes.4.2.2.3. Explorar los datosTarea: Explorar los datosEsta tarea dirige interrogantes de minería de datos usando preguntas, visualización, y técnicas dereporte. Estos incluyen la distribución de atributos claves (por ejemplo, el atributo objetivo de unatarea de predicción) relacionados entre pares o pequeños números de atributos, los resultados desimples agregaciones, las propiedades de las subpoblaciones significativas, y análisis estadísticossimples. Estos análisis directamente pueden dirigir los objetivos de minería de datos; ellos tambiénpueden contribuir o refinar la descripción de datos e informes de calidad, y alimentar en latransformación y otros pasos de Preparación de Datos necesarios para análisis futuros.Salida: Informe de exploración de datosSe describen los resultados de esta tarea, incluyendo primeras conclusiones o hipótesis iniciales y suimpacto sobre el resto del proyecto. Si es apropiado, se pueden incluir gráficos y plots para indicarlas características de datos que sugieren más examen de subconjuntos de datos interesantes.4.2.2.4. Verificar la calidad de los datosTarea: Verificar la calidad de los datosSe examina la calidad de los datos, dirigiendo preguntas como: ¿Los datos están completos? ¿Estocubre todo los casos requeridos? ¿Son correctos, o estos contienen errores y, si hay errores, que tancomunes son estos? ¿Hay valores omitidos en los datos? Si es así, ¿como se representan estos,donde ocurre esto, y que tan comunes son estos?Salida: Informe de calidad de datosSe listan los resultados de la verificación de calidad de datos; si existen problemas de calidad, selistan las posibles soluciones. Las soluciones a los problemas de calidad de datos generalmentedependen tanto del conocimiento de los datos como del negocio.4.2.3. Preparación de DatosPágina 33 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEn esta etapa se desarrollan las actividades para construir el conjunto de datos final. Aquí serelaciona directamente el formato de los datos obtenidos con las herramientas de minería de datos autilizar. La tarea de Preparación de Datos probablemente será desarrollada en más de una fase enparalelo a lo largo de todo el proyecto. Esta fase y sus tareas están vinculados con los aspectostécnicos de sistemas como lo son las base de datos, tablas, registros, documentos electrónicos ytodos los programas / procesos para la transformación de los datos en información utilizable por losmodelos de minería de datos.Salida: Conjunto de datosFigura 8: Preparación de DatosEste es el conjunto (o conjuntos) producido por la fase de Preparación de Datos, que es usada paramodelar o para el trabajo principal de análisis del proyecto.Página 34 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASDescripción del conjunto de datosSe describe el conjunto de datos (o conjuntos) que es usado para el modelado y el trabajo principalde análisis del proyecto.4.2.3.1. Selección de datosTarea: Seleccionar datosSe decide si los datos son usados para el análisis. Los criterios incluyen tanto la importancia a losobjetivos de la minería de datos, la calidad, y las restricciones técnicas como los límites sobre elvolumen de datos o los tipos de datos. La selección de datos puede cubrir tanto la selección deatributos (columnas) como la selección de registros (filas) en una tabla.Salida: Razonamiento para la inclusión/exclusiónSe listan los datos para ser incluidos o excluidos y los motivos para estas decisiones.4.2.3.2. Limpieza de datosTarea: Limpiar datosSe eleva la calidad de los datos al nivel requerido por las técnicas de análisis seleccionadas. Estopuede implicar la selección de los subconjuntos de datos limpios, la inserción de datos por defectoadecuados, o técnicas más ambiciosas tales como la estimación de datos faltantes mediantemodelado.Salida: Informe de la limpieza de los datosSe describe que decisiones y acciones fueron tomadas para dirigir los problemas de calidad de datosinformados durante la tarea de Verificación de Calidad de Datos de la fase de Comprensión deDatos. Las transformaciones de los datos para una apropiada limpieza y el posible impacto en elanálisis de resultados deberían ser considerados.4.2.3.3. Construir datosTarea: Construir datosEsta tarea incluye la construcción de operaciones de preparación de datos tales como la producciónde atributos derivados o el ingreso de nuevos registros, o la transformación de valores para atributosexistentes.Salidas: Atributos derivadosLos atributos derivados son los atributos nuevos que son construidos de uno o más atributosexistentes en el mismo registro. Ejemplo: área = longitud x anchura.Página 35 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASRegistros generadosSe describe la creación de registros completamente nuevos. Ejemplo: Crear registros para losclientes quienes no hicieron compras durante el año pasado. No habría ninguna razón de tener talesregistros en los datos brutos, pero para el objetivo del modelado esto podría tener sentido pararepresentar explícitamente el hecho que ciertos clientes no hayan hecho ninguna compra.4.2.3.4. Integrar datosTarea: Integrar datosEstos son los métodos por el cual la información es combinada desde múltiples tablas o registrospara crear nuevos registros o valores.Salida: Combinación de datosLa combinación de tablas se refiere a la unión simultánea de dos o más tablas que tieneninformación diferente sobre el mismo objeto. Ejemplo: una cadena de venta al público tiene unatabla con la información sobre las características generales de cada tienda (por ejemplo, el espacio,el tipo de comercio), otra tabla con datos resumidos de las ventas (por ejemplo, el beneficio, elcambio porcentual en ventas desde el año anterior), y la otra con información sobre los datosdemográficos del área circundante. Cada una de estas tablas contiene un registro para cada tienda.Estas tablas pueden ser combinadas simultáneamente en una nueva tabla con un registro para cadatienda, combinando campos de las tablas fuentes.Los datos combinados también cubren agregaciones. La agregación se refiere a operaciones en laque nuevos valores de información resumida son calculados desde múltiples registros y/o tablas.Por ejemplo, convirtiendo una tabla de compra de clientes donde hay un registro para cada compraen una tabla nueva donde hay un registro para cada cliente, con campos tales como el número decompras, el promedio de la cantidad de compra, el porcentaje de ordenes cobrados a tarjeta decrédito, el porcentaje de artículos bajo promoción, etc.4.2.3.5. Formatear datosTarea: Formatear datosSe refiere a modificaciones principalmente sintácticas hechas a los datos que no cambian susignificado, pero podría ser requerido por la herramienta de modelado.Salida: Datos reformateadosAlgunas herramientas tienen requerimientos sobre el orden de los atributos, tales como el primercampo que es un único identificador para cada registro o el último campo que es el campo resultadoque el modelo debe predecir.Podría ser importante cambiar el orden de los registros en el conjunto de datos. Quizás laherramienta de modelado requiere que los registros sean clasificados según el valor del atributo deresultado.Página 36 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASComúnmente, los registros del conjunto de datos son ordenados al principio de algún modo, pero elalgoritmo que modela necesita que ellos estén en un orden moderadamente arbitrario. Por ejemplo,cuando se usan redes neuronales, esto es generalmente mejor para los registros para ser presentadosen un orden aleatorio, aunque algunas herramientas manejen esto automáticamente sin laintervención explicita del usuario.Además, hay cambios puramente sintácticos hechos para satisfacer las exigencias de la herramientade modelado específica. Ejemplos: el quitar las comas de adentro de campos de texto en ficheros dedatos delimitados por coma, cortar todos los valores a un máximo de 32 caracteres.4.2.4. ModeladoEn esta fase se eligen diferentes técnicas de modelado de datos y se estudian y ajustan parámetroscon los valores correctos para el proyecto. Existen en el universo tecnológico muchas técnicas parala resolución del mismo problema de minería de datos. Es altamente probable que desde elmodelado sea necesario volver a la fase de preparación de datos puesto que todas las técnicas enevaluación pueden tener requisitos de formato de datos diferentes. Durante esta etapa los datos sonprocesados más de una vez posiblemente por cada herramienta.Figura 9: ModeladoPágina 37 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.2.4.1. Selección de la técnica de modeladoTarea: Escoger la técnica de modeladoComo primer paso en modelado, se debe seleccionar la técnica de modelado real que va a serusado.Aunque se haya podido seleccionar una herramienta durante la fase de Comprensión del Negocio,esta tarea se refiere a la técnica de modelado específico, por ejemplo, un árbol de decisiónconstruido con C4.5, o la generación de redes neuronales Back-Propagación. Si múltiples técnicasson aplicadas, se realiza esta tarea separadamente para cada técnica.Salida: Técnicas de modeladoSe documenta la técnica de modelado real que se está por usar.Presunciones del modeladoMuchas técnicas de modelado hacen presunciones específicas sobre los datos como por ejemplo quetodos los atributos tengan distribuciones uniformes, no encontrar valores no permitidos, el atributode clase debe ser simbólico, etc. Se debe registrar cualquiera de tales presunciones hechas.4.2.4.2. Generación de la prueba de diseñoTarea: Generar la prueba de diseñoAntes de construir un modelo, se debe generar un procedimiento o el mecanismo para probar lacalidad y validez del modelo. Por ejemplo, en tareas de minería de datos supervisados como laclasificación, es común usar tasas de errores como medida de calidad para modelos de minería dedatos. Por lo tanto, típicamente se separa el conjunto de datos en una serie y en un conjunto deprueba construimos el modelo sobre el conjunto de series, y se estima su calidad sobre el conjuntode prueba separado.Salida: Prueba de diseñoSe describe el plan intencionado para el entrenamiento, la prueba, y la evaluación de los modelos.Un componente primario del plan determina como dividir un conjunto de datos disponible en datosde entrenamiento, datos de prueba, y conjunto de datos de validación.4.2.4.3. Construcción del modeloTarea: Construir el modeloSe ejecuta la herramienta de modelado sobre el conjunto de datos preparados para crear uno o másmodelos.Salidas: Parámetros de ajustesPágina 38 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCon cualquier herramienta de modelado, hay a menudo un gran número de parámetros que puedenser ajustados. Se listan los parámetros y sus valores escogidos, también con el razonamiento paraelegir los parámetros de ajustes.ModelosEstos son los modelos reales producidos por la herramienta de modelado, no un informe.Descripciones del modeloSe describen los modelos obtenidos. Se informa sobre la interpretación de los modelos y sedocumenta cualquier dificultad encontrada con sus significados.4.2.4.4. Evaluación del modeloTarea: Evaluar el modeloSe interpretan los modelos según su conocimiento de dominio, los criterios de éxitos de minería dedatos, y el diseño de prueba deseado. Se juzga el éxito de la aplicación del modelado y se descubrentécnicas mas técnicamente; se necesita tomar contacto con analistas de negocio y expertos en eldominio luego para hablar de los resultados de la minería de datos en el contexto de negocio. Senota que esta tarea sólo se considera para modelos, mientras que la fase de evaluación también tomaen cuenta todos los otros resultados que fueron producidos en el curso del proyecto.Se intenta clasificar los modelos. Se evalúan los modelos según los criterios de evaluación. Tantocomo es posible, también se tiene en cuenta objetivos del negocio y criterios de éxito de negocio.En los grandes proyectos de minería de datos, se aplica una sola técnica más de una vez, o segeneran resultados de minería de datos con varias técnicas diferentes. En esta tarea, se comparantodos los resultados según los criterios de evaluación.Salida: Evaluación de modelosSe resumen los resultados de esta tarea, se listan las calidades de los modelos generados (porejemplo, en términos de exactitud), y se clasifican su calidad en relación con cada uno.Parámetros de ajustes revisadosSegún la evaluación del modelo, se revisan los parámetros de ajuste para la siguiente corrida en latarea de Construcción del Modelo. Se repite la construcción y evaluación del modelo hasta que seencuentre el/los mejor/es modelo/s. Se documenta todo, tanto las revisiones como las evaluaciones.4.2.5. EvaluaciónHasta esta fase se han obtenido algunos modelos de minería de datos con sus datos y parámetrosestablecidos en forma óptima pero antes de pasar a la etapa final es necesario evaluar los resultadosobtenidos por la ejecución de los programas en función de los objetivos de negocio. Aquí se puedepresentar la necesidad de eliminar, modificar o considerar nuevas cuestiones relacionadas con elnegocio. Al final de la fase probablemente se tomarán algunas decisiones.Página 39 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFigura 10: Evaluación4.2.5.1. Evaluación de los resultadosTarea: Evaluar los resultadosLos pasos de la evaluación anterior tratan con factores como la exactitud y la generalidad delmodelo. Este paso evalúa el grado al que el modelo responde (encuentra) los objetivos de negocio yprocura determinar si hay alguna decisión de negocio por el que este modelo es deficiente. Otraopción de evaluación es probar el/los modelo/s sobre aplicaciones de prueba en la aplicación real, siel tiempo y las restricciones de presupuesto lo permiten.Además, la evaluación también verifica otros resultados generados por la minería de datos. Losresultados de la minería de datos implican modelos que necesariamente son relacionados con losobjetivos originales de negocio y todas los otros descubrimientos que no son relacionadosnecesariamente con los objetivos originales de negocio, pero también podría revelar desafíosadicionales, información, o insinuaciones para futuras direcciones.Salida: Evaluación de los resultados de la minería de datos en lo que concierne a criterios deéxito de negocioSe resumen los resultados de evaluación en términos de criterios de éxito de negocio, incluyendouna declaración final en cuanto a si el proyecto ya encuentra los objetivos iniciales de negocio.Modelos aprobadosDespués de la evaluación de modelos en lo que concierne a criterios de éxito de negocio, losmodelos generados que encuentran los criterios seleccionados son los modelos aprobados.Página 40 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.2.5.2. Proceso de revisiónTarea: Revisar el procesoEn este punto, los modelos resultantes pasan a ser satisfactorios y a satisfacer las necesidades denegocio. Ahora es apropiado hacer una revisión más cuidadosa de los compromisos de la minería dedatos para determinar si hay algún factor importante o tarea que de algún modo ha sido pasada poralto. Esta revisión también cubre cuestiones de calidad como por ejemplo: ¿Se construyócorrectamente el modelo? ¿Se usan sólo los atributos que se permitieron usar y que estándisponibles para análisis futuros?Salida: Revisión de procesoSe resume la revisión de proceso y se destacan las actividades que han sido omitidas y/o aquellasque deberían ser repetidas.4.2.5.3. Determinación de los próximos pasosTarea: Determinar los próximos pasosSegún los resultados de la evaluación y la revisión de proceso, se decide como proceder. Se decidesi hay que terminar este proyecto y tomar medidas sobre el desarrollo si es apropiado, tanto iniciarmás iteraciones, o comenzar nuevos proyectos de minería de datos. Esta tarea incluye los análisis derecursos restantes y del presupuesto, que puede influir en las decisiones.Salida: Lista de posibles accionesSe listan las acciones futuras potenciales, con los motivos a favor y en contra de cada opción.DecisiónSe describe la decisión en cuanto a como proceder, junto con el razonamiento.4.2.6. DesarrolloEl final del proyecto no termina con el modelado de datos y su ejecución y posterior evaluación delos resultados puesto que el conocimiento obtenido hasta aquí debe ser presentado de forma clara yprecisa a todos los actores dentro de la organización. Se puede presentar un simple informe deresultados, desarrollar una aplicación para la presentación de los resultados o bien instruir al usuariode los modelos para que ellos mismos generen y ejecuten los modelos con nuevos datos. Esimportante al final de esta fase tener desarrollada toda la documentación del proyecto para darindependencia al usuario final en la utilización y generación de nuevos procesos de explotación dedatos.Página 41 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFigura 11: Desarrollo4.2.6.1. Desarrollo del planTarea: Desarrollar el planDe acuerdo al desarrollo de los resultados de minería de datos en el negocio, esta tarea toma losresultados de la evaluación y determina una estrategia para el desarrollo. Si un procedimientogeneral ha sido identificado para crear el/los modelo/s relevante/s, este procedimiento esdocumentado aquí para el desarrollo posterior.Salida: Desarrollo del planResumir la estrategia de desarrollo, incluyendo los pasos necesarios y como realizarlos.4.2.6.2. Plan de supervisión y mantenimientoTarea: Planear la supervisión y el mantenimientoLa supervisión y el mantenimiento son cuestiones importantes si los resultados de minería de datosson parte del negocio cotidiano y de su ambiente. La preparación cuidadosa de una estrategia demantenimiento ayuda a evitar largos periodos innecesarios de uso incorrecto de resultados deminería de datos. Para supervisar el desarrollo de los resultados de la minería de datos, el proyectonecesita un plan detallado de proceso de supervisión. Este plan tiene en cuenta el tipo específico dedesarrollo.Página 42 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSalida: Supervisión y plan de mantenimientoSe resume la estrategia de supervisión y mantenimiento incluyendo los pasos necesarios y comorealizarlos.4.2.6.3. Informe definitivo de productoTarea: Producir el informe finalEn el final del proyecto, se sobrescribe un informe final. Según el plan de desarrollo, este informepuede ser sólo un resumen del proyecto y sus experiencias (si éstas aún no han sido documentadascomo una actividad en curso) o ésta puede ser una presentación final y comprensiva de losresultados de minería de datos.Salidas: Informe definitivoEsto es el informe escrito final del compromiso de la minería de datos. Esto incluye todo eldesarrollo anterior, el resumen y la organización de los resultados.Presentación finalTambién a menudo habrá una reunión en la conclusión del proyecto en el que los resultados sonpresentados verbalmente al cliente.4.2.6.4. Revisión del proyectoTarea: Revisar el proyectoSe evalúa lo que fue correcto y lo que se equivocó, lo que fue bien hecho y lo que necesita sermejorado.Salida: Documentación de la experienciaSe resumen las experiencias importantes ganadas durante el proyecto. Por ejemplo, trampas,accesos engañosos, o las insinuaciones para seleccionar las mejores técnicas de minería de datos ensituaciones similares podrían ser la parte de esta documentación. En proyectos ideales, ladocumentación de la experiencia también cubre cualquier informe que ha sido escrito por miembrosindividuales del proyecto durante las fases del proyecto y sus tareas.4.3. La guía de usuario de CRISP-DM4.3.1. Comprendiendo el negocio4.3.1.1. Determinación de objetivos de negocioTarea: Determinar objetivos de negocioEl primer objetivo es comprender a fondo, desde una perspectiva de negocio, lo que el clienterealmente quiere lograr. A menudo el cliente tiene muchos objetivos y restricciones que compitenque deben ser correctamente equilibrados. El objetivo debe ser destapar factores importantes en elPágina 43 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASprincipio del proyecto esto puede influir en el resultado final. Una consecuencia probable dedescuidar este paso puede ser a expensas de un gran esfuerzo de producir las respuestas correctas alas preguntas incorrectas.Salida: ContextoSe debe cotejar la información sobre la situación de negocio de la organización al principio delproyecto. Estos detalles no sólo sirven para identificar más estrechamente los objetivos de negocio aser alcanzados, sino también sirven para identificar los recursos, tanto humanos como materiales,que pueden ser usados durante el curso del proyecto.Actividades: Organizar• Desarrollar organigramas que identifiquen divisiones, departamentos, y grupos de proyectos.El organigrama debería también identificar los nombres de los gerentes y susresponsabilidades.• Identificar a personas claves en el negocio y sus roles.• Identificar a un patrocinador interno (el patrocinador financiero y el experto primario deldominio de usuario).• Indicar si hay un comité de dirección y lista de miembros.• Identificar las unidades de negocio que son afectadas por el proyecto de minería de datos(por ejemplo, el Control de comercialización, Ventas, Finanzas).Área del problema• Identificar el área del problema (por ejemplo, el control de comercialización, el cuidado decliente, el desarrollo comercial, etc.).• Describir el problema en términos generales.• Comprobar el estado actual del proyecto (por ejemplo, comprobar si ya esta claro que dentrode la unidad de negocio un proyecto de minería de datos debe ser realizado, o si la mineríade datos necesita ser promovida como una tecnología clave en el negocio).• Clarificar los requisitos previos del proyecto (por ejemplo, ¿Cuál es la motivación delproyecto? ¿La minería de datos ya está siendo usada en el negocio?).• Si es necesario, preparar presentaciones y demostraciones de minería de datos para elnegocio.• Identificar grupos de objetivos para el resultado de proyecto (por ejemplo, ¿Se esperaentregar un informe para la dirección superior o un sistema operacional para ser usado porusuarios finales inexpertos?).• Identificar las necesidades de los usuarios y sus expectativas.Solución actual• Describir cualquier solución usada actualmente para dirigir el problema.• Describir las ventajas y las desventajas de la solución corriente y el nivel al que esto esaceptado por los usuarios.Página 44 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSalida: Objetivos de negocioDescribir el objetivo primario del cliente, desde una perspectiva de negocio. Además del objetivo denegocio primario, hay típicamente un gran número de preguntas relacionadas al negocio a las que alcliente le gustaría dirigir. Por ejemplo, el objetivo primario de negocio podría ser mantener aclientes actuales por predicción cuando ellos son propensos a moverse a un competidor, mientras unobjetivo secundario de negocio podría ser el de determinar si precios (comisiones) inferiores afectansólo un a segmento particular de clientes.Actividades• De manera informal describir el problema a ser solucionado.• Especificar todas las preguntas de negocio tan precisas como sea posible.• Especificar cualquier otras exigencias de negocio (por ejemplo, el negocio no quiere perdera ningún cliente).• Especificar las ventajas esperadas en términos de negocio.Se debe tener cuidadoSe debe tener cuidado de establecer objetivos inalcanzables. Deben ser tan realistas como posibles yhechos por ellos.Salida: Criterios de éxito de negocioDescribir los criterios para un resultado exitoso o útil al proyecto desde el punto de vista delnegocio. Esto podría ser bastante específico y fácilmente medible, como una reducción de cliente aun cierto grado, o general y subjetivo, como “dar ideas útiles en las relaciones”. En el caso último,se debe estar seguro de indicar quien haría el juicio subjetivo.Actividades• Especificar criterios de éxito de negocio (por ejemplo, Mejorar la tasa de respuesta en unacampaña de correo en el 10 por ciento y marcar la tasa en el 20 por ciento).• Identificar quien evalúa los criterios de éxito.Se debe recordarCada uno de los criterios de éxito debería relacionarse con al menos uno de los objetivosespecificados de negocio.Se recomiendaAntes del comienzo de la evaluación de situación, se podría analizar las experiencias anteriores delproblema. Internamente, usando CRISP-DM, o externamente, usando soluciones pre-empaquetadas.Página 45 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.3.1.2. Evaluación de la situaciónTarea: Evaluar la situaciónEsta tarea implica una investigación más detallada sobre todos los recursos, restricciones,presunciones, y otros factores que deberían ser considerados en la determinación del objetivo deanálisis de datos y en el desarrollo del plan de proyecto.Salida: Inventario de recursosListar los recursos disponibles para el proyecto, incluyendo el personal (expertos de datos y denegocios, soportes técnicos, expertos en minería de datos), datos (extracciones fijas, acceso a datosexistentes en almacenes de datos u operacionales), recursos computacionales (plataformas dehardware), y software (instrumentos de minería de datos, otros software relevantes).Actividades: Recursos de Hardware• Identificar el hardware básico.• Establecer la disponibilidad del hardware básico para el proyecto de minería de datos.• Comprobar si la planificación del mantenimiento de hardware se opone a la disponibilidaddel hardware para el proyecto de minería de datos.• Identificar el hardware disponible para ser usado por la herramienta de minería de datos (siel instrumento es conocido en esta etapa).Fuentes de datos y conocimientos• Identificar las fuentes de datos.• Identificar el tipo de fuentes de datos (fuentes en línea, expertos, documentación escrita,etc.).• Identificar fuentes de conocimiento.• Identificar el tipo de fuentes de conocimientos (fuentes en línea, expertos, documentaciónescrita, etc.).• Comprobar herramientas disponibles y técnicas.• Describir el conocimiento de generalidades relevantes (de manera informal o formal).Fuentes de personal• Identificar al patrocinador del proyecto.• Identificar al administrador de sistema, el administrador de base de datos, y el personal desoporte técnico para futuras preguntas.• Identificar al analista de mercado, los expertos en minería de datos, y estadísticos, ycomprobar su disponibilidad.• Comprobar la disponibilidad de expertos de dominio para fases posterioresSe debe recordarSe debe recordar que el proyecto puede necesitar personal técnico en cualquier momento en todaspartes del proyecto, por ejemplo durante la transformación de datos.Página 46 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSalidas: Requerimientos, presunciones, y restriccionesListar todos los requerimientos del proyecto, incluyendo la planeación de la terminación, lacomprensibilidad, y la calidad y seguridad de los resultados, así como cuestiones legales. Comoparte de esta salida, se debe asegurar que se permiten usar los datos.Listar las presunciones hechas por el proyecto. Estos pueden ser presunciones sobre los datos, quepueden ser verificados durante la minería de datos, pero también puede incluir presunciones nocomprobables relacionadas con el proyecto. Esto es en particular importante de ponerlos en unalista si ellos afectarán la validez de los resultados.Listar las restricciones hechas en el proyecto. Estas restricciones podrían implicar la carencia derecursos para terminar algunas tareas en el proyecto en el tiempo requerido, o pueden serrestricciones legales o éticas sobre el uso de los datos o la solución necesaria para terminar la tareade minería de datos.Actividades: Requerimientos• Especificar el perfil del grupo objetivo.• Capturar todos los requerimientos en la planificación.• Capturar los requerimientos de comprensibilidad, exactitud, desarrollar habilidades,mantenimiento, y repetibilidad del proyecto de minería de datos y los modelos resultantes.• Capturar los requerimientos de seguridad, restricciones legales, de privacidad, información,y planificación de proyecto.Presunciones• Aclarar todas las presunciones (incluyendo las implícitas) y las hechas por ellosexplícitamente (por ejemplo, dirigir las cuestiones de negocio, a un número mínimo declientes con la edad por encima de 50 es necesaria).• Listar las presunciones sobre calidad de datos (por ejemplo, exactitud, disponibilidad)• Listar las presunciones sobre factores externos (por ejemplo, cuestiones económicas,productos competitivos, avances técnicos).• Aclarar presunciones que conducen a cualquiera de las estimaciones (por ejemplo, el preciode un instrumento específico es asumido para ser menor que $ 1.000).• Listar todas las presunciones en cuanto a si es necesario entender y describir o explicar elmodelo (por ejemplo, cómo el modelo y los resultados son presentados a la dirección /patrocinador).Restricciones• Comprobar restricciones generales (por ejemplo, cuestiones legales, presupuesto, escalas detiempo, y recursos).• Comprobar el correcto acceso a fuentes de datos (por ejemplo, restricciones de acceso, lacontraseña requerida).• Comprobar la accesibilidad de técnica de datos (los sistemas operativos, el sistema deadministración de datos, el formato de archivo y de base de datos).• Comprobar si el conocimiento relevante es accesible.• Comprobar restricciones de presupuesto (gastos fijos, gastos de implementación, etc.).Página 47 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSe debe recordarLa lista de presunciones también incluye presunciones al principio del proyecto, esto es, lo que elpunto de inicio del proyecto ha sido.Salidas: Riesgos y contingenciasListar los riesgos, es decir los acontecimientos que podrían ocurrir, impactando en la planificación,el costo, o el resultado. Listar los planes de contingencias respectivos: que acción será tomada paraevitar o reducir al mínimo el impacto o recuperarse de la ocurrencia de los riesgos previstos.Actividades: Identificar riesgos• Identificar riesgos de negocio (por ejemplo, el competidor aparece primero con mejoresresultados).• Identificar riesgos de organización (por ejemplo, el departamento que solicita el proyecto notiene financiación para el proyecto).• Identificar riesgos financieros (por ejemplo, aumentar la financiación depende de losresultados iniciales de minería de datos).• Identificar riesgos técnicos.• Identificar los riesgos que dependen de datos y de las fuentes de datos (por ejemplo, la malacalidad y cobertura).Desarrollo de planes de contingencia• Determinar condiciones en las que cada riesgo puede ocurrir.• Desarrollar planes de contingencia.Salida: TerminologíaCompilar un glosario de terminología relevante al proyecto. Esto debería incluir al menos doscomponentes:(1) Un glosario de terminología relevante de negocio, que forma parte de la comprensión denegocio disponible al proyecto.(2) Un glosario de terminología de minería de datos, ilustrada con ejemplos relevantes al problemade negocio en cuestión.Actividades• Comprobar la disponibilidad previa de glosarios; sino se debe comenzar a bosquejarglosarios.• Hablar a expertos de dominio para entender la terminología.• Familiarizarse con la terminología de negocio.Salida: Costos y beneficiosPreparar un análisis de costo-beneficio para el proyecto, comparando los gastos del proyecto con elbeneficio potencial para el negocio si esto es exitoso.Página 48 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASActividades• Estimar el costo para la colección de datos.• Estimar el costo de desarrollo y realización de una solución.• Identificar beneficios (por ejemplo, mejorar la satisfacción del cliente, ROI, y el aumento delas ganancias).• Estimar gastos de operación.Se recomiendaLa comparación debería ser tan específica como sea posible, cómo esto permite un mejor caso denegocio para ser realizado.Se debe tener cuidadoSe deben identificar costos ocultos, como la extracción y preparación repetida de datos, cambios enlos procesos laborales, y tiempo requerido para el entrenamiento.4.3.1.3. Determinar objetivos de minería de datosTarea: Determinar objetivos de minería de datosUn objetivo de negocio declara objetivos en la terminología de negocio; un objetivo de minería dedatos declara objetivos de proyecto en términos técnicos. Por ejemplo, el objetivo de negocio podríaser, “Aumentar la venta por catalogo a clientes existentes”, mientras un objetivo de minería de datospodría ser, “Predecir cuantas baratijas comprará un cliente, considerando sus compras durante lostres años pasados, información demográfica relevante, y el precio del artículo.”Salida: Objetivos de minería de datosDescribir las salidas planeadas del proyecto que permiten el logro de los objetivos de negocio.Se debe tener en cuenta que estas son salidas normalmente técnicas.Actividades• Traducir las preguntas de negocio a objetivos de minería de datos (por ejemplo, unacampaña de control de comercialización requiere la segmentación de clientes para decidir aquien acercarse en esta campaña; el nivel/tamaño de los segmentos deberían serespecificados).• Especificar datos, tipo de problema de minería de datos (por ejemplo, la clasificación, ladescripción, la predicción, y clustering).Se recomiendaPuede ser sabio redefinir el problema. Por ejemplo, modelar la retención de producto más que laretención del cliente cuando la retención del cliente entrega resultados muy tarde para afectar lasalida.Página 49 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSalida: Criterios de éxitos de minería de datosDefinir los criterios para un resultado acertado para el proyecto en términos técnicos, por ejemploun cierto grado de exactitud predictiva o un perfil de propensión a comprar con un nivel dado"elevación".Cómo con los criterios de éxitos del negocio, puede ser necesario describir estos en términossubjetivos, en el caso de que la persona o las personas que hacen el juicio subjetivo debieran seridentificadas.Actividades• Especificar los criterios para evaluar el modelo (por ejemplo, la exactitud del modelo, elfuncionamiento y la complejidad).• Definir el patrón de pruebas para los criterios de evaluación.• Especificar las reglas que dirigen criterios de evaluación subjetivos (por ejemplo, lahabilidad de explicar del modelo y de los datos y la comprensión de mercadeoproporcionada por el modelo).Se debe tener cuidadoLos datos que extraen criterios de éxito son diferentes a los criterios de éxito de negocio definidosantes.Se debe recordarSe debe recordar que es sabio planear para el desarrollo desde el principio del proyecto.4.3.1.4. Producción del plan del proyectoTarea: Producir el plan del proyectoDescribir el plan propuesto para alcanzar los objetivos de minería de datos y así alcanzar losobjetivos de negocio.Salida: Plan del ProyectoListar las etapas para ser ejecutadas en el proyecto, juntos con su duración, recursos requeridos,entradas, salidas, y dependencias. En cualquier parte donde sea posible, se deben hacer explícitaslas iteraciones en gran escala en el proceso de minería de datos. Por ejemplo, las repeticiones delmodelado y fases de evaluación. Como parte del plan de proyecto, es también importante analizardependencias entre el planeamiento de los tiempos y los riesgos. Marcar los resultados de estosanálisis explícitamente en el plan de proyecto, idealmente con acciones y recomendaciones paraactuar si los riesgos son manifestados.Aunque esta sea la única tarea en la que el plan de proyecto directamente es llamado, sin embargodebería ser consultado continuamente y repasado en todas partes del proyecto. Debería serconsultado el plan de proyecto como mínimo siempre que una tarea nueva sea comenzada o unaiteración futura de una tarea o una actividad este comenzando.Página 50 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASActividades• Definir el plan de proceso inicial y hablar de la viabilidad con todo el personal incluido.• Combinar todos los objetivos identificados y técnicas seleccionadas en un procedimientocoherente que solucione las cuestiones del negocio y encuentre los criterios de éxito denegocio.• Estimar el esfuerzo y los recursos necesarios para alcanzar y desarrollar la solución. Es útilconsiderar la experiencia de otras personas estimando escalas de tiempo para proyectos deminería de datos. Por ejemplo, es a menudo presumido que el 50-70 por ciento del tiempo yel esfuerzo en un proyecto de minería de datos es usado en la fase de Preparación de Datos,mientras que solo un 20-30 por ciento es usado en la fase de Comprensión de Datos,mientras que solo un 10-20 por ciento es gastado en cada uno de las fase de Modelado,Evaluación, y Comprensión del Negocio y el 5-10 por ciento en la fase de Desarrollo.• Identificar pasos críticos.• Marcar los puntos de decisión.• Marcar los puntos de revisión.• Identificar las principales iteraciones.Salida: Evaluación Inicial de herramientas y técnicasAl final de la primera fase, el equipo de proyecto realiza una evaluación inicial de herramientas ytécnicas. Aquí, es importante seleccionar una herramienta de minería de datos que soporte variosmétodos para las diferentes etapas del proceso, ya que la selección de herramientas y técnicas puedeinfluir en el proyecto entero.Actividades• Crear una lista de criterios de selección para herramientas y técnicas (o usar uno existente siestá disponible).• Escoger herramientas y técnicas posibles.• Evaluar la adecuación de técnicas.• Revisar y priorizar técnicas aplicables según la evaluación de soluciones alternativas4.3.2. Comprensión de Datos4.3.2.1. Recolección de datos inicialesTarea: Recoger datos inicialesObtener los datos (o el acceso a los datos) listados en los recursos de proyecto. Esta coleccióninicial incluye carga de datos, si es necesario para la Comprensión de Datos. Por ejemplo, si se tienela intención de usar una herramienta específica para comprender los datos es lógico cargar los datosen esta herramienta.Salida: Informe de la recolección de datos inicialSe debe describir toda la variedad de datos usados para el proyecto, e incluir cualquierrequerimiento de selección para datos más detallados. El informe de colección de datos tambiéndebería definir si algunos atributos son relativamente más importantes que otros.Página 51 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSe debe recordar que cualquier evaluación de calidad de datos debería ser hecha no solamente de lasfuentes de datos individuales, sino también de algunos datos que son resultado de fuentes de datosque se combinan. Por inconsistencias entre las fuentes, los datos combinados pueden presentar losproblemas que no existen en las fuentes de datos individuales.Actividades: Planificación de requerimientos de datosSe debe planear que información es necesaria (por ejemplo, sólo para atributos determinados, o lainformación adicional específica).Comprobar si toda la información necesaria (para resolver los objetivos de la minería de datos) estaen realidad disponible.Criterios de selección• Se debe especificar los criterios de selección (por ejemplo, ¿Qué atributos son necesariospara los objetivos específicos de minería de datos? ¿Que atributos han sido identificadoscomo no pertinentes? ¿Cuantos atributos se pueden manejar con las técnicas escogidas?).• Elegir tablas/archivos de interés.• Elegir datos dentro de una tabla/archivo.• Pensar cuanto tiempo de un historial habría que usar (por ejemplo, si 18 meses de datosestán disponibles, sólo 12 meses pueden ser necesarios para el ejercicio).Se debe tener cuidadoSe debe estar consciente de que los datos recolectados de diferentes fuentes pueden dar lugar aproblemas de calidad cuando sean combinados (por ejemplo, los archivos de dirección combinadoscon una base de datos de cliente pueden mostrar inconsistencias de formato, invalidez de datos,etc.).Inserción de datos• Si los datos contienen libre entradas de texto, ¿se tendrá que codificarlos para modelar onecesitamos agruparlos en entradas específicas?• ¿Se pueden encontrar atributos omitidos?• ¿Se puede mejorar la extracción los datos?Se recomiendaSe debe recordar que algún conocimiento sobre los datos puede estar disponible de fuentes noelectrónicas (por ejemplo, de gente, de texto impreso, etc.).Puede ser necesario un preproceso de los datos (datos de serie tiempo, promedios ponderados, etc.).4.3.2.2. Descripción de datosTarea: Describir datosExaminar las propiedades "gruesas" de los datos obtenidos y el informe sobre los resultados.Página 52 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSalida: Informe de descripción de datosSe deben describir los datos que han sido obtenidos, incluyendo el formato de los datos, la cantidadde los datos (por ejemplo, el número de registros y campos internos de cada tabla), las identidadesde los campos, y cualquier otro rasgo superficial que haya sido descubierto.Actividades: Análisis volumétrico de datos• Identificar datos y métodos de captura.• Acceder a las fuentes de datos.• Usar análisis estadísticos si es apropiado.• Reportar las tablas y sus relaciones.• Comprobar el volumen de datos, el número de múltiplos, la complejidad.• Notar si los datos contienen entradas de texto libres.Atributo, tipos y valores• Comprobar la accesibilidad y disponibilidad de atributos.• Comprobar los tipos de atributos (numérico, simbólico, la taxonomía, etc.).• Comprobar el rango de valores de los atributos.• Analizar los atributos correlativos (correlaciones de atributo).• Comprender el significado de cada atributo y clasificar (describir) el valor en términos denegocio.• Para cada atributo se debe calcular la estadística básica (por ejemplo, calcular ladistribución, el promedio, el máximo, el mínimo, la desviación estándar, la varianza, lamoda, la inclinación, etc.).• Analizar la estadística básica y relacionar los resultados con su significado en términos denegocio.• Decidir si el atributo es relevante para los objetivos específicos de la minería de datos.• Determinar si el significado del atributo es usado coherentemente (conscientemente).• Entrevistar a expertos de dominio para obtener su opinión sobre la importancia de losatributos.• Decidir si es necesario equilibrar los datos (basado en las técnicas a ser usadas).Claves• Se deben analizar relaciones claves.• Se debe comprobar la cantidad de coincidencias entre valores de atributos claves a través detablas.Revisión de Objetivos/PresuncionesSe debe actualizar la lista de presunciones, si es necesario.Página 53 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.3.2.3. Exploración de datosTarea: Explorar datosEsta tarea aborda las preguntas de minería de datos que pueden ser dirigidas usando lainterrogación, la visualización, y técnicas de informe. Estos análisis pueden directamente dirigir losobjetivos de minería de datos. Sin embargo, ellos pueden también contribuir a refinar la descripciónde datos e informes de calidad, y alimentar internamente la transformación y otros pasos depreparación de datos necesario antes de que pueda ocurrir un futuro análisis.Salida: Informe de exploración de datosDescribir los resultados de esta tarea, incluyendo las primeras conclusiones o las hipótesis inicialesy su impacto sobre el resto del proyecto. El informe también puede incluir gráficos y diseños (plots)que indican las características de los datos o los puntos de interés de subconjuntos de datos dignosde una futura investigación.Actividades: Explorar Datos• Se debe analizar en detalles las propiedades de atributos interesantes (por ejemplo, laestadística básica, las sub-poblaciones interesantes).• Identificar las características de las sub-poblaciones.Formar suposiciones para análisis futuro• Considerar y evaluar la información y conclusiones en el informe de descripciones de datos.• Formar una hipótesis e identificar acciones.• Transformar la hipótesis en un objetivo de minería de datos, si es posible.• Aclarar objetivos de minería de datos o hacerlos más exactos. Una búsqueda "ciega" no esnecesariamente inútil, pero una búsqueda más dirigida hacia objetivos de negocio es preferible.• Realizar un análisis básico para verificar la hipótesis.4.3.2.4. Verificación de la calidad de datosTarea: Verificar la calidad de datosSe debe examinar la calidad de los datos, dirigiendo preguntas como: ¿Son los datos completos?¿Estos cubren todos los casos requeridos? ¿Hay en ellos errores o ellos contienen errores? Si hayerrores, ¿como son ellos? ¿Hay valores omitidos en los datos? Si es así, ¿cómo son representados,donde ocurren, y como son ellos?Salida: Informe de calidad de datosListar los resultados de la verificación de calidad de datos; si hay problemas de calidad listar lasposibles soluciones.ActividadesIdentificar valores especiales y catalogar su significado.Página 54 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASRevisión de atributos claves• Se debe comprobar la cobertura (por ejemplo, si todos los valores posibles sonrepresentados).• Comprobar las claves.• Verificar que los significados de los atributos y valores contenidos se satisfacensimultáneamente.• Identificar atributos omitidos y campos en blanco.• Establecer el significado de datos que faltan o fallan.• Se deben comprobar los atributos con los valores diferentes que tienen significados similares(por ejemplo, la grasa baja la dieta).• Comprobar la ortografía y el formato de valores (por ejemplo, mismo valor pero a vecescomienza con una letra minúscula y a veces con una letra mayúscula).• Comprobar las desviaciones, y decidir si una desviación es "ruido" o puede indicar unfenómeno interesante.• Comprobar la plausibilidad de valores, (por ejemplo, todos los campos que tienen el mismoo casi los mismos valores).Se recomiendaSe debe repasar cualquiera de los atributos que dan respuestas que están en desacuerdo con elsentido común (por ejemplo, adolescentes con altos niveles de ingreso).Se pueden usar plots de visualización, histogramas, etc. para revelar inconsistencias en los datos.Calidad de datos en archivos planos• Si los datos son almacenados en archivos planos, se debe comprobar que delimitador esusado y si esto es usado coherentemente en todos los atributos.• Si los datos son almacenados en archivos planos, comprobar el número de campos en cadaregistro para ver si ellos coinciden.Ruido e inconsistencias entre fuentes• Comprobar consistencia y superabundancia entre fuentes diferentes.• Se debe planear para tratar el ruido.• Descubrir el tipo de ruido y que atributos son afectados.Se recomiendaSe debe recordar que puede ser necesario excluir algunos datos ya que ellos no exponencomportamiento positivo o negativo (por ejemplo, al comprobar en el comportamiento del préstamode clientes, excluye a todo los que nunca han tomado prestado, aquellos que no financian unahipoteca de casa, aquellos cuya hipoteca se acerca a la madurez, etc.).Revisar si las presunciones son válidas o no, considerando la información real o actual en los datosy el conocimiento de negocio.Página 55 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.3.3. Preparación de los datosSalida: Conjunto de datosEstos son los conjuntos de dato(s) producidos por la fase de Preparación de Datos, usada paramodelar o para el trabajo de análisis principal del proyecto.Salida: Descripción del conjunto de datosEsto es, la descripción del conjunto de datos(s) usado para el modelado o para el trabajo de análisisprincipal del proyecto.4.3.3.1. Datos seleccionadosTarea: Seleccionar datosSe debe decidir los datos a ser usados para el análisis. Los criterios incluyen la importancia a losobjetivos de minería de datos, la calidad, y las restricciones técnicas como los límites en el volumende datos o en los tipos de datos.Salida: Razonamiento para inclusión/exclusiónListar los datos a ser usados / excluidos y los motivos para estas decisiones.Actividades• Recoger datos adicionales apropiados (de diferentes fuentes - internos así como externos).• Realizar las pruebas de importancia y correlación para decidir si los campos son incluidos.• Reconsiderar Criterios de Selección de Datos (ver Tarea 2.1) en la luz de las experiencias decalidad de los datos y en la exploración de datos (esto es, se puede desear incluir/excluirotros juegos de datos).• Reconsiderar Criterios de Selección de Datos (ver la Tarea 2.1) en la luz de experiencia demodelado (esto es, la evaluación del modelo puede mostrar que otros conjuntos de datos sonnecesarios).• Seleccionar diferentes subconjuntos de datos (por ejemplo, atributos diferentes, sólo losdatos que encuentran ciertas condiciones).• Considerar el uso de técnicas de muestreo (por ejemplo, una solución rápida puede implicarla prueba dura y el entrenamiento del conjunto de datos o la reducción del tamaño delconjunto de datos de prueba, si la herramienta no puede manejar conjunto de datos llenos.Esto puede también ser útil para tener muestras ponderadas para dar distinta importancia aatributos diferentes o valores diferentes del mismo atributo).• Documentar el razonamiento para la inclusión/exclusión.• Comprobar técnicas disponibles para el muestreo de datos.Se recomiendaBasado en Criterios de Selección de Datos se debe decidir si uno o más atributos son másimportantes que otros y el correspondiente peso de los atributos. Decidir basado en el contexto (estoes, el uso, la herramienta, etc.), cómo manejarse con el peso.Página 56 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.3.3.2. Limpieza de datosTarea: Limpiar datosSe debe elevar la calidad de datos al nivel requerido por las técnicas de análisis seleccionadas. Estopuede implicar la selección de subconjuntos limpios de los datos, la inserción de faltas apropiadas,o técnicas más ambiciosas como la estimación de datos omitidos por modelado.Salida: Informe de la limpieza de datosDescribir las decisiones y las acciones que fueron tomados para dirigir los problemas de calidad dedatos informados durante la Tarea de Verificación de Calidad de Datos. Si los datos están para serusados en el ejercicio de minería de datos, el informe debería dirigir cuestiones de calidad de datosexcepcionales y el efecto posible que esto podría tener sobre los resultados.Actividades• Reconsiderar como tratar con cualquier tipo de ruido observado.• Corregir, remover, o ignorar el ruido.• Decidir como tratar con valores especiales y su significado. El área de valores especialespuede dar lugar a muchos resultados extraños y con cuidado deberían ser examinados. Losejemplos de valores especiales podrían surgir por los resultados tomados de una revisióndonde algunas cuestiones no fueron preguntadas o no fueron contestadas. Esto podríaterminar en un valor de 99 para datos desconocidos. Por ejemplo, 99 para estado civil oafiliación política. Los valores especiales también podrían surgir cuando los datos sontruncados por ejemplo 00 para gente de 100 años o para todos los coches con 100.000kilómetros en el odómetro.• Reconsiderar Criterios de Selección de Datos (ver Tarea 2.1) en la luz de las experiencias delos datos limpios (esto es, se puede desear incluir/excluir otros conjuntos de datos).Se recomiendaRecordar que algunos campos pueden ser irrelevantes a los objetivos de la minería de datos y, por lotanto, el ruido en aquellos campos no tiene ninguna importancia. Sin embargo, si el ruido esignorado por estos motivos, esto debería ser totalmente documentado como circunstancias quepueden cambiarse más tarde.4.3.3.3. Construcción de datosTarea: Construir datosEsta tarea incluye la construcción de operaciones de preparación de datos tales como la producciónde atributos derivados, completar registros nuevos, o transformar valores para atributos existentes.Actividades• Comprobar los mecanismos de construcción disponibles con la lista de herramientassugeridas para el proyecto.• Decidir si esto es lo mejor para realizar la construcción dentro de la herramienta o fuera deella (esto es, que es más eficiente, exacto, repetible).Página 57 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Reconsiderar Criterios de Selección de Datos (ver Tarea 2.1) en la luz de las experiencias deconstrucción de datos (esto es, se puede desear incluir/excluir otros conjuntos de datos).Salida: Atributos derivadosLos atributos derivados son los atributos nuevos que son construidos de uno o más atributosexistentes en el mismo registro. Un ejemplo podría ser: área = longitud x anchura. ¿Por qué sedebería tener que construir atributos derivados durante el curso de una investigación de minería dedatos? No debería pensarse que sólo los datos de bases de datos u otras fuentes deberían ser usadosen la construcción de un modelo. Los atributos derivados podrían ser construidos porque:• El conocimiento del contexto convence que algún hecho es importante y debería serrepresentado aunque no se tenga ningún atributo actualmente para representarlo.• El algoritmo de modelado en uso maneja sólo ciertos tipos de datos - por ejemplo se estáusando regresión lineal y se sospecha que hay ciertas no-linealidades que serán incluidas enel modelo.• El resultado de la fase de modelado sugiere que ciertos hechos no sean cubiertos.Actividades: Derivar atributos• Decidir si cualquier atributo puede ser normalizado (por ejemplo, usando un algoritmo deagrupamiento (clustering) con el periodo y el ingreso, en ciertas divisas, el ingreso secontrolará).• Considerar agregar nueva información sobre la importancia relevante de los atributos paraagregar nuevos atributos (por ejemplo, atributos con peso, normalización ponderada).• ¿Cómo se puede construir o imputar atributos faltantes? Decidir el tipo de construcción (porejemplo, la combinación, el promedio, la inducción).• Agregar atributos nuevos a los datos de acceso.Se recomiendaAntes de agregar Atributos Derivados, se debe intentar determinar si y como ellos facilitan elproceso de modelado o facilitan el algoritmo de modelado. Quizás “el ingreso por persona” es unmejor o más fácil atributo para usar que “el ingreso por casa.” No se debe sacar atributossimplemente para reducir el número de atributos de entrada.Otro tipo de atributo derivado es la transformación de un atributo individual, por lo generalrealizado para cubrir las necesidades de las herramientas de modelado.Actividades Transformaciones de atributo individual• Especificar los pasos de transformaciones necesarias en los términos de facilitar latransformación disponible (por ejemplo, cambiar un binning de un atributo numérico).• Realizar pasos de transformación.Se recomiendaLas transformaciones pueden ser necesarias para cambiar rangos a campos simbólicos (por ejemplo,años a rangos de edad) o campos simbólicos (“definitivamente sí”, “sí”, “no se sabe,” "no") avalores numéricos. Las herramientas de modelado o los algoritmos a menudo los requieren.Página 58 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSalida: Registros generadosLos registros generados son registros completamente nuevos, que agregan nuevo conocimiento orepresentan nuevos datos que de otro modo no son representados (por ejemplo, habiendosegmentado los datos, puede ser útil generar un registro para representar al miembro prototípico decada segmento para un tratamiento futuro).ActividadesComprobar por técnicas disponibles si es necesario (por ejemplo, mecanismos para construirprototipos para cada segmento de datos segmentados).4.3.3.4. Integración de datosTarea: Integrar datosEstos son métodos para combinar la información de múltiples tablas u otras fuentes de informaciónpara crear nuevos registros o valores.Salida: Datos combinadosLa combinación de tablas se refiere a la unión de dos o más tablas que tienen diferente informaciónsobre los mismos objetos. En esta etapa, también puede ser aconsejable generar registros nuevos.También puede ser recomendado para generar valores agregados.La agregación se refiere a operaciones donde los nuevos valores son calculados por informaciónresumida de múltiples registros y/o tablas.Actividades• Comprobar si las aplicaciones de integración son capaces de integrar las fuentes de entradacomo se requiere.• Integrar fuentes y resultados almacenados.• Reconsiderar Criterios de Selección de Datos (ver la Tarea 2.1) en la luz de las experienciasde integración de datos (esto es, se puede desear incluir/excluir otros conjuntos de datos).Se recomiendaRecordar que algún conocimiento puede estar contenido en un formato no-electrónico.4.3.3.5. Formateo de datosTarea: Formatear datosTransformar formateando se refiere principalmente a modificaciones sintácticas hechas a los datosque no cambian su significado, pero podría ser requerido por la herramienta de modelado.Página 59 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSalida: Datos reformateadosAlgunas herramientas tienen requerimientos sobre el orden de los atributos, tal que el primer camposea un único identificador para cada registro o el campo último ser el juego de resultados que elmodelo debe predecir.Actividades: Atributos reorganizadosAlgunas herramientas tienen requerimientos sobre el orden de los atributos, tal que el primer campoes un único identificador para cada registro o el campo último es el juego de resultados que elmodelo debe predecir.Reordenando registrosPodría ser importante cambiar el orden de los registros en el conjunto de datos. Quizás elinstrumento de modelado requiere que los registros sean clasificados según el valor del atributo deresultado.Reformateado de valores internos• Estos son cambios puramente sintácticos hechos para satisfacer las exigencias de la herramientaespecífica de modelado.• Reconsiderar Criterios de Selección de Datos (ver Tarea 2.1) en la luz de las experiencias delimpieza de datos (esto es, se puede desear incluir/excluir otros conjuntos de datos).4.3.4. Modelado4.1. Seleccionar técnicas de modeladoTarea: Seleccionar técnicas de modeladoComo primer paso en modelado, seleccionar la técnica de modelado inicial actual. Si hay múltiplesa ser aplicados, realizar separadamente esta tarea para cada técnica.Se debe recordar que no todos los instrumentos y técnicas son aplicables a todas y cada tarea. Paraciertos problemas, sólo algunas técnicas son apropiadas.“Requerimientos políticos” y otras restricciones adicionales limitan las opciones disponibles para elingeniero de minería de datos. Puede ser que solo una herramienta o técnica estén disponibles parasolucionar el problema a mano y que el instrumento no pueda ser absolutamente lo mejor, desde unpunto de vista técnico.Página 60 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFigura 11: Diversidad de TécnicasSalida: Técnicas de modeladoRegistrar las técnicas de modelado real que se usan.ActividadesDecidir las técnicas apropiada para el ejercicio teniendo en cuenta la herramienta seleccionada.Salida: Presunciones de modeladoMuchas técnicas de modelado realizan presunciones específicas sobre los datos.Actividades• Definir cualquier presunción construida por la técnica sobre los datos (por ejemplo, lacalidad, el formato, la distribución).• Comparar estas presunciones con aquellas del Informe de Descripción de Datos.• Se debe asegurar que estas presunciones sostienen y permiten volver a la fase dePreparación de Datos, si es necesario.Página 61 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.3.4.2. Generar el diseño de pruebaTarea: Generar el diseño de pruebaAntes de construir un modelo, es necesario definir un procedimiento para probar la calidad delmodelo y la validez. Por ejemplo, en tareas de minería de datos supervisadas como la clasificación,es común usar tasas de error como medidas de calidad para modelos de minería de datos. Por lotanto, el diseño de prueba especifica que el conjunto de datos debería ser separado en elentrenamiento y en el conjunto de prueba. El modelo esta construido sobre el conjunto deentrenamiento y su calidad estimada sobre el conjunto de prueba.Salida: Diseño de PruebaDescribir el plan deliberado para el entrenamiento, las pruebas, y la evaluación de los modelos. Uncomponente primario del plan es para decidir como dividir el conjunto de datos disponible sobredatos que se entrenan, datos de prueba, y conjunto de pruebas de validación.Actividades• Comprobar que existen diseños de prueba separadamente para cada objetivo de minería dedatos.• Decidir los pasos necesarios (el número de iteraciones, el número de desviaciones o curvas,etc.).• Preparar los datos requeridos para la prueba4.3.4.3. Construcción del modeloTarea: Construir el modeloSe corre la herramienta de modelado sobre el conjunto de datos listo para crear uno o más modelos.Salida: Parámetros de ajusteCon cualquier herramienta de modelado hay a menudo un gran número de parámetros que puedenser ajustados. Se debe listar los parámetros y sus valores seleccionados, con la explicación (elrazonamiento) para la elección.Actividades• Determinar los parámetros iniciales.• Documentar las razones para elegir aquellos valores.Salida: ModelosControlar la herramienta de modelado en el conjunto de datos listos para crear uno o más modelos.Actividades• Ejecutar la técnica seleccionada sobre el conjunto de datos de entrada para producir elmodelo.Página 62 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Post-procesar los resultados de minería de datos (por ejemplo, editar reglas, mostrarárboles).Salida: Descripción del modeloDescribir el resultado del modelado y evaluar su exactitud esperada, la robustez, y defectosposibles.Informar sobre la interpretación de los modelos y encontrar cualquier dificultad.Actividades• Describir cualquier característica del modelo actual que puede ser útil para el futuro.• Ajustar parámetro de entorno (de registro) usado para producir el modelo.• Dar una descripción detallada del modelo y cualquier rasgo especial.• Para modelos basados por regla, listar las reglas producidas, más cualquier evaluación decada regla o la exactitud y alcance total del modelo.• Para modelos no transparentes, listar cualquier información técnica sobre el modelo (comola topología de las redes neuronales) y cualquier descripción de comportamiento producidopor el proceso de modelado (como la exactitud o la sensibilidad).• Describir el comportamiento del modelo y la interpretación.• Expresar conclusiones respecto a los patrones en los datos (si hay alguno); a veces elmodelo revela hechos importantes sobre los datos sin un proceso de evaluación separado(por ejemplo, que la salida o la conclusión son duplicadas en una de las entradas).4.3.4.4. Evaluación del modeloTarea: Evaluar el modeloEl modelo ahora debería ser evaluado para asegurar que se encontró criterio de éxito de la mineríade datos y aprobar los criterios de prueba deseados. Esto es una evaluación puramente técnicabasada en el resultado de las tareas de modelado.Salida: Evaluación del modeloResumir los resultados de esta tarea, listar las calidades de los modelos generados (por ejemplo, entérminos de exactitud), y el nivel de su calidad en relación a otro.Actividades• Evaluar los resultados en lo que concierne a criterios de evaluación.• Probar los resultados según una estrategia de prueba (por ejemplo: Corrida y Prueba,Validación cruzada, bootstrapping, etc.).• Comparar los resultados de la evaluación y la interpretación.• Crear la clasificación de resultados en lo que concierne a criterios de éxito y evaluación.• Seleccionar los mejores modelos.• Interpretar los resultados en términos de negocio (tanto como sea posible en esta etapa).• Conseguir comentarios de los modelos por expertos en datos o en el dominio.• Chequear la credibilidad del modelo.Página 63 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Comprobar los efectos sobre los objetivos de minería de datos.• Comprobar los modelos contra una base de conocimiento determinada para ver si lainformación descubierta es nueva y útil.• Comprobar la fiabilidad de los resultados.• Analizar el potencial para el desarrollo de cada resultado• Si hay una descripción verbal del modelo generado (por ejemplo, en forma de reglas),evaluar las reglas: ¿Ellas son lógicas, o ellas son factibles, hay demasiadas reglas o haydemasiado poco, ellos violan el sentido común?• Evaluar resultados.• Conseguir ideas específicas de cada técnica de modelado y ciertos parámetros de ajustes queconduzcan a resultados buenos/malos.Se recomienda“Tablas de Elevación” y “Tablas de Beneficio” pueden ser construidas para determinar bien lo queel modelo predice.Salida: Revisión de parámetros de ajusteSegún la evaluación del modelo, se debe revisar parámetros de ajuste para la siguiente corrida en latarea de Construcción del Modelo. Iterar (repetir) la construcción del modelo y evaluar hasta que seencuentre el mejor modelo.ActividadesAjustar parámetros para producir mejores modelos.4.3.5. EvaluaciónLos pasos de evaluación previa tratan con factores como la exactitud y la generalidad del modelo.Este paso evalúa el grado en el que el modelo encuentra los objetivos de negocio, y procuradeterminar si hay alguna razón de negocio por la qué este modelo sea deficiente. Se comparanresultados con los criterios de evaluación definidos en el principio del proyecto.Un modo bueno para definir las salidas totales de un proyecto de minería de datos es usar laecuación:RESULTADOS = MODELOS + CONCLUSIONESEn esta ecuación, definimos que la salida total del proyecto de minería de datos no son solamentelos modelos (aunque ellos sean, desde luego, importantes) sino también las conclusiones, las quedefinimos como algo (aparte del modelo) que es importante en:• la búsqueda de los objetivos de negocio o importancia para arribar a nuevas preguntas,• las líneas de aproximación, o• los efectos negativos (por ejemplo, los problemas de calidad de datos descubierto por el usode la minería de datos).Página 64 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSe debe tener en cuenta que aunque el modelo esté directamente conectado a las preguntas denegocio, las conclusiones no necesariamente están relacionadas con cualquiera de las preguntas uobjetivos, mientras ellos son importantes para el promotor del proyecto.4.3.5.1. Evaluación de los resultadosTarea: Evaluar los resultadosEsta etapa evalúa el grado al que el modelo encuentra los objetivos de negocio, y procuradeterminar si hay alguna razón de negocio por el cual este modelo es deficiente. Otra opción esprobar el (los) modelo(s) sobre la aplicación de prueba en el sistema verdadero, si las restriccionesde tiempo y de presupuesto así lo permiten.Además, la evaluación también evalúa otros resultados generados por la minería de datos. Losresultados de minería de datos cubren los modelos que están relacionados con los objetivosoriginales de negocio y todas las demás conclusiones. Unos son relacionados con los objetivos denegocios originales mientras que otros podrían revelar desafíos adicionales, información, o ideaspara futuras administraciones (direcciones).Salida: Evaluación de los resultados de minería de datos en lo que respecta a criterios de éxitode negocioResumir resultados de evaluación en términos de criterios de éxito de negocio, incluyendo unadeclaración final relacionada a si el proyecto encuentra los objetivos iniciales de negocio.Actividades• Comprender los resultados de la minería de datos.• Interpretar los resultados en términos de la aplicación (del uso).• Comprobar efectos sobre los objetivos de minería de datos.• Comprobar los resultados de minería de datos contra la base de un conocimientodeterminado para ver si la información descubierta es nueva y útil.• Evaluar y estimar los resultados en lo que respecta a criterios de éxito de negocio (esto es, siel proyecto ha alcanzado los Objetivos de Negocio originales).• Comparar los resultados de la evaluación y la interpretación.• Clasificar los resultados en lo que respecta a criterios de éxito de negocio.• Comprobar el efecto de los resultados sobre el objetivo (fin) de la aplicación inicial.• Determinar si hay nuevos objetivos de negocio para ser dirigidos más tarde en el proyecto, oen nuevos proyectos.• Expresar recomendaciones para proyectos futuros de minería de datosSalida: Modelos aprobadosDespués de evaluar los modelos con respecto a los criterios de éxito de negocio, se debe seleccionary probar los modelos generados que encontraron los criterios seleccionados.Página 65 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.3.5.2. Proceso de revisiónTarea: Revisar el procesoEn este punto, el modelo resultante parece ser satisfactorio y parece satisfacer necesidades denegocio. Es ahora apropiado hacer una revisión más cuidadosa de las promesas de minería de datospara determinar si hay algún factor importante o tarea que de algún modo ha sido pasada por alto.En esta etapa del ejercicio de minería de datos, el Proceso de Revisión toma la forma de unaRevisión de Garantía de Calidad.Salida: Revisión de procesosResumir el proceso de revisión y poner en una lista las actividades que han sido omitidas y/odeberían ser repetidas.Actividades• Proporcionar una descripción del proceso de minería de datos usado.• Analizar el proceso de minería de datos. Para cada etapa del proceso: ¿Esto fue necesario?¿Esto fue ejecutado de forma óptima? ¿En que modo podría ser mejorado?• Identificar fracasos.• Identificar pasos desviados (de engaños).• Identificar acciones alternativas posibles y/o caminos inesperados en el proceso.• Revisar resultados de minería de datos en lo que concierne a criterios de éxito de negocio.4.3.5.3. Determinación de los próximos pasosTarea: Determinar los próximos pasosBasado en los resultados de evaluación y la revisión de proceso, se debe decidir como proceder.Las decisiones a ser tomadas incluyen si hay que terminar este proyecto y seguir adelante aldesarrollo para iniciar futuras iteraciones, o establecer nuevos proyectos de minería de datos.Salida: Lista de acciones posiblesListar acciones futuras posibles con los motivos para y contra de cada opción.Actividades• Analizar el potencial para el desarrollo de cada resultado.• Estimar el potencial para la mejora de proceso actual.• Comprobar los recursos restantes para determinar si ellos permiten iteraciones de procesoadicionales (o si recursos adicionales pueden estar siendo disponibles).• Recomendar continuar con las alternativas.• Refinar el plan de proceso.Salida: DecisiónDescribir las decisiones hechas, con el razonamiento para ello.Página 66 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASActividades• Clasificar las acciones posibles.• Seleccionar una de las acciones posibles.• Documentar las razones para la elección.4.3.6. Desarrollo4.3.6.1. Plan de desarrolloTarea: Desarrollo del PlanEsta tarea comienza con la evaluación de los resultados y concluye con una estrategia para eldesarrollo de los resultados de la minería de datos en el negocio.Salida: Plan de DesarrolloResumir la estrategia de desarrollo, incluyendo los pasos necesarios y como realizarlos.Actividades• Resumir resultados desarrollados.• Construir y evaluar los planes alternativos para el desarrollo.• Decidir para cada resultado conocimiento o información distintos.• Determinar como el conocimiento o la información serán propagados (generados) a losusuarios.• Decidir como será supervisado el uso del resultado y medir sus beneficios (donde seaaplicable).• Decidir por cada resultado de modelo desarrollado o de software.• Establecer como el modelo o el resultado de software serán desplegados dentro de lossistemas de la organización.• Determinar como su empleo será supervisado y como se miden sus beneficios (donde seaaplicable).• Identificar posibles problemas durante el desarrollo (peligros a ser evitados).4.3.6.2. Supervisión y mantenimiento del planTarea: Supervisar y mantener el planLa supervisión y el mantenimiento son cuestiones importantes si los resultados de la minería dedatos se hacen parte del negocio cotidiano y de su ambiente. Una preparación cuidadosa de unaestrategia de mantenimiento ayuda a evitar innecesariamente largos períodos de uso incorrecto delos resultados de minería de datos. Para supervisar el desarrollo de los resultados de minería dedatos, el proyecto necesita un plan detallado para supervisar y mantener. Este plan tiene en cuenta eltipo específico de desarrollo.Página 67 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSalida: Plan de supervisión y mantenimientoResumir la estrategia de supervisión y mantenimiento, la inclusión de pasos necesarios y comorealizarlos.Actividades• Comprobar aspectos dinámicos (esto es, ¿qué cosas podrían cambiar en el entorno?).• Decidir como será supervisada la precisión.• Determinar cuando el resultado de minería de datos o el modelo no deberían ser usados más.Identificar criterios (la validez, el límite de la exactitud, nuevos datos, cambios en eldominio de aplicación, etc.), y que debería pasar si el modelo o el resultado no pueden serusados más. Actualización del modelo, establecimiento de nuevos proyectos de minería dedatos, etc.• ¿Cambiarán con el tiempo los objetivos de negocio del empleo del modelo? Documentartotalmente el problema inicial que el modelo intentaba solucionar.• Desarrollar el plan de mantenimiento y la supervisión.4.3.6.3. Producción de Informe definitivoTarea: Producir Informe definitivoEn el final del proyecto, el equipo de proyecto sobrescribe un informe definitivo. Según el plan dedesarrollo, este informe puede ser sólo un resumen del proyecto y su experiencia, o unapresentación final de los resultados de minería de datos.Salida: Informe definitivoEn el final del proyecto, habrá al menos un informe definitivo en el que todos los hilos sonencontrados. Así como la identificación de los resultados obtenidos, el informe también deberíadescribir el proceso, mostrar los costos que se han encontrados, definir cualquier desviación delplan original, describir proyectos de implementación, y hacer cualquier recomendación para elfuturo trabajo. El contenido real detallado del informe depende en gran medida de la audienciaplaneada.Actividades• Identificar cuales informes son necesarios (presentación de diapositiva, conclusiones deadministración, detalles encontrados, explicación de los modelos, etc.).• Analizar que tan bien se han encontrado los objetivos de minería de datos iniciales.• Identificar grupos de objetivos para el informe.• Describir en forma general las estructuras y el contenido de informe(s).• Seleccionar conclusiones para ser incluidas en los informes.• Escribir un informe.Salida: Presentación finalAsí como un informe definitivo, puede ser necesario hacer una presentación final para concluir elproyecto (por ejemplo, al patrocinador de dirección). La presentación normalmente contiene unPágina 68 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASsubconjunto del contenido de la información en el informe definitivo, estructurado de un mododiferente.Actividades• Decidir el grupo objetivo para la presentación final y determinar si ellos ya habrán recibidoel informe definitivo.• Seleccionar cuales de los artículos del informe definitivo deberían ser incluidos en lapresentación final.4.3.6.4. Revisión del proyectoTarea: Revisar el proyectoEvaluar que fue lo correcto y que fue lo errado, cual fue el éxito obtenido, y que necesidades seránmejoradas.Salida: Documentación de experienciaResumir la gran experiencia ganada durante el proyecto. Por ejemplo, trampas, accesos ainformación incorrecta (misleading approaches), o los puntos para seleccionar las mejores técnicasde minería de datos en situaciones similares podrían ser la parte de esta documentación. Enproyectos ideales, la documentación de experiencia también cubre cualquier informe que ha sidoescrito por miembros individuales del proyecto durante el proyecto.Actividades• Entrevistar a toda la gente significativa involucrada en el proyecto y preguntarles sobre suexperiencia durante el proyecto.• Si los usuarios finales trabajan en el negocio con los resultados de minería de datos,entrevistarlos: ¿Están satisfechos? ¿Cómo podría haber sido mejor realizado? ¿Necesitan deapoyo adicional?• Resumir la realimentación y escribir la documentación de experiencia.• Analizar el proceso (las cosas que se trabajaron bien, los errores producidos, las leccionesaprendidas, etc.).• Documentar el proceso de minería de datos específico (¿Cómo pueden los resultados y laexperiencia de aplicación del modelo ser realimentado en el proceso?)• Generalizar desde los detalles para producir la experiencia útil para proyectos futuros.4.4. Las salidas del CRISP-DMEsta sección contiene las breves descripciones de los objetivos y el contenido de los informes másimportantes. Aquí, se enfoca en los informes que son significativos para comunicar los resultadosde una fase a la gente no involucrada en esta fase (y posiblemente no involucrada en este proyecto).Estos no son necesariamente idénticos a las salidas como lo descrito en el modelo de referencia y laguía de usuario. El objetivo de estas salidas es mas para documentar resultados mientras se estárealizando el proyecto.Página 69 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.4.1. Comprensión del NegocioLos resultados de la fase de Comprensión de Negocio pueden ser resumidos en un informe. Sesugiere las secciones siguientes:ContextoLa sección Contexto proporciona una descripción básica del contexto de proyecto. Se deben listarcuales áreas están trabajando en el proyecto, que problemas han sido identificados, y por qué laminería de datos parece proporcionar una solución.Objetivos de negocio y criterios de éxitoLa sección de Objetivos de negocio describe los objetivos del proyecto en términos de negocio.Para cada objetivo, Los Criterios de Éxito de Negocio, esto es, describir las medidas paradeterminar si realmente el proyecto ha logrado sus objetivos.Esta sección también debería listar los objetivos que fueron considerados, pero rechazados. Elrazonamiento de la selección de objetivos debería ser dado.Inventario de recursosLa sección de Inventario de Recursos apunta a identificar el personal, fuentes de datos, instalacionestécnicas, y otros recursos que pueden ser útiles en la realización del proyecto.Requerimientos, presunciones, y restriccionesEsta sección lista los requerimientos generales para la ejecución del proyecto: tipo de resultados deproyecto, presunciones hechas sobre la naturaleza del problema y de los datos que están siendousados, y restricciones impuestas al proyecto.Riesgos y contingenciasEsta sección identifica los problemas que pueden ocurrir en el proyecto, describe las consecuencias,y declara que acciones pueden ser tomadas para reducir al mínimo tales riesgos.TerminologíaLa sección de Terminología permite a la gente desconocida con los problemas que están siendodirigidos por el proyecto hacerse más familiar con ellos.Costos y beneficiosEsta sección describe los costos del proyecto y predice los beneficios del negocio si el proyecto esexitoso (por ejemplo, la vuelta en la Inversión). Otros beneficios menos tangibles (por ejemplo, lasatisfacción del cliente) también deberían ser destacadas.Objetivos de minería de datos y criterios de éxitoPágina 70 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLa sección de Objetivos de Minería de datos declara los resultados del proyecto que permiten ellogro de los objetivos de negocio. También como el listado de los accesos probables de minería dedatos, los criterios de éxito para los resultados en términos de minería de datos también deberían serpuestos en una lista.Plan de proyectoEsta sección pone en una lista las etapas para ser ejecutadas en el proyecto, juntos con su duración,recursos requeridos, entradas, salidas, y dependencias. Donde sea posible, esto debería hacerexplícitamente las iteraciones en gran escala en el proceso por ejemplo de minería de datos (porejemplo, las repeticiones del modelado y fases de evaluación).Evaluación inicial de herramientas y técnicasEsta sección da una vista inicial de que herramientas y técnicas probablemente van a ser usadas ycomo. Esto describe los requerimientos para las herramientas y técnicas, ponen en una listaherramientas disponibles y técnicas, y los compara con los requerimientos.4.4.2. Comprensión de DatosLos resultados de la fase Comprensión de Datos por lo general son documentados en variosinformes. Idealmente, estos informes serían los escritos mientras se estaban realizando lasrespectivas tareas. Los informes describen el conjunto de datos que es explorado durante laComprensión de Datos.Para el informe definitivo, un sumario de las partes más relevantes es suficiente.Informe de colección de datos inicialesEste informe describe como las diferentes fuentes de datos identificadas en el inventario fueroncapturadas y extraídos.Temas a ser cubiertos:• Contexto de datos.• Lista de fuentes de datos con amplia área de cobertura de datos requeridos por cada uno.• Para cada fuente de datos, método de adquisición o extracción.• Problemas encontrados en adquisición de datos o extracción.Informe de descripción de datosCada conjunto de datos adquirido es descrito en este informe.Temas a ser cubiertos:• Cada fuente de datos descrita detalladamente.• Lista de tablas (puede ser sólo uno) u otros objetos de base de datos.• Descripción de cada campo, incluyendo unidades, códigos usados, etc.Página 71 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASInforme de exploración de datosEste informe describe la exploración de datos y sus resultados.Temas a ser cubiertos:Contexto, incluyendo los amplios objetivos de exploración de datos. Para cada área de exploraciónemprendida:• Las regularidades esperadas o patrones.• Método de detección.• Regularidades o patrones encontrados, esperados e inesperados.• Cualquier otra sorpresa.• Conclusiones para transformación de datos, limpieza de datos, y cualquier otro procesoprevio.• Conclusiones relacionadas con datos que extraen objetivos u objetivos de negocio.• Sumario de conclusiones.Informe de calidad de datosEste informe describe lo completo y la exactitud de los datos.Temas a ser cubiertos:Contexto, incluyendo amplias expectativas sobre calidad de datos. Para cada conjunto de datos:• Acercar temas para evaluar la calidad de datos.• Los resultados de evaluación de calidad de datos.• Sumario de conclusiones de calidad de datos.4.4.3. Preparación de DatosLos informes en la fase de Preparación de Datos se enfocan en los pasos de pre-proceso queproducen los datos para ser minados.Informe de descripción de conjunto de datosEste informe proporciona una descripción del conjunto de datos (después del pre-proceso) y elproceso por el que fue producido.Temas a ser cubiertos:Contexto, incluyendo objetivos amplios y plan para el pre-proceso.Razonamiento para inclusión/exclusión de conjunto de datos. Para cada conjunto de datos incluir:• La descripción del pre-proceso, incluyendo las acciones que fueron necesarias para dirigircualquier cuestión de calidad de datos.• Descripción detallada del conjunto de datos resultante, tabla por tabla y campo por campo.Página 72 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Razonamiento para inclusión/exclusión de atributos.• Descubrimientos de hechos durante el pre-proceso, y cualquier implicación para futurostrabajos.• Sumario y conclusiones.4.4.4. ModeladoLas salidas producidas durante la fase Modelado pueden ser combinadas en un informe. Se sugierenlas secciones siguientes.Modelado de presuncionesEsta sección define cualquier presunción explícita hecha sobre los datos y cualquier presunción queestá implícita en la técnica de modelado a ser usado.Diseño de pruebaEsta sección describe como los modelos son construidos, probados, y evaluados.Temas a ser cubiertos:Contexto de fondo para la ocupación del modelo y su relación a los objetivos de minería de datos.Para cada tarea de modelado:• Ampliación de la descripción del tipo de modelo y los datos que se entrenan para ser usado.• La explicación de como el modelo será probado o evaluado.• Descripción de cualquier dato requerido para las pruebas.• Plan para producción de los datos de prueba si hay.• Descripción de cualquier examen planeado de modelos por expertos en dominio o de datos.• Sumario de plan de prueba.Descripción del modeloEste informe describe los modelos entregados y las descripciones del proceso por el que ellosfueron producidos.Temas a ser cubiertos:Descripción de modelos producidos. Para cada modelo:• Tipo de modelo y la relación a los objetivos de minería de datos.• Los parámetros de ajustes usados para producir el modelo.• Descripción detallada del modelo y cualquier rasgo especial. Por ejemplo: para modelosbasados por regla, listar las reglas producidas más cualquier evaluación de precisión porregla o el modelo completo y el alcance; para modelos no transparentes, listar cualquierinformación técnica sobre el modelo (como la topología de red de los nervios) y algunasdescripciones de comportamiento producidas por el proceso de modelado (como la precisióno la sensibilidad).• Descripción del comportamiento del modelo e interpretación.Página 73 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Conclusiones en cuanto a los patrones en los datos (si hay). A veces el modelo revelaráhechos importantes sobre los datos sin un proceso de evaluación separado (por ejemplo, quela salida o la conclusión están duplicadas en una de las entradas).• Sumario de conclusiones.Evaluación del modeloEsta sección describe los resultados de prueba de los modelos según el diseño de prueba.Temas a ser cubiertos:Descripción de los procesos de evaluación y los resultados, incluyendo cualquier desviación delplan de prueba. Para cada modelo:• Evaluación detallada, incluyendo medidas como precisión e interpretación delcomportamiento.• Cualquier comentario sobre los modelos por expertos en el dominio o de datos.• Evaluación resumida de modelos.• Ideas en por qué una cierta técnica de modelado y ciertos ajustes de parámetro conducen aresultados buenos/malos.• Evaluación sumaria del conjunto de modelos completos.4.4.5. EvaluaciónEvaluación de los resultados de minería de datos en lo que respecta a criterios de éxito denegocioEste informe compara los objetivos de minería de datos con los objetivos de negocio y los criteriosde éxito de negocio.Temas a ser cubiertos:Revisión de objetivos de negocio y criterios de éxito de negocio (qué podría haberse cambiadodurante y/o como consecuencia de la minería de datos). Para cada criterio de éxito de negocio:• Comparación detallada entre criterio de éxito y resultados de minería de datos.• Conclusiones sobre aceptabilidad (achievability) de criterios de éxitos y conveniencia delproceso de minería de datos.• Revisión del éxito de proyecto:• ¿El proyecto ha alcanzado los objetivos originales de negocio?• ¿Objetivos nuevos de negocio deben ser dirigidos después en el proyecto o en nuevosproyectos?• Conclusiones para futuros proyectos de minería de datos.Revisión de procesoEsta sección evalúa la eficacia del proyecto e identifica cualquier factor que podría haber sidopasado por alto y que debería ser tenido en cuenta si el proyecto es repetido.Página 74 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLista de posibles accionesEsta sección hace recomendaciones en cuanto a los siguientes pasos en el proyecto.4.4.6. DesarrolloPlan de desarrolloEste informe especifica el desarrollo de los resultados de minería de datos.Temas a ser cubiertos:• Resumen de los resultados desarrollados (derivado de los informes de Próximos Pasos).• Descripción de plan de desarrollo.Supervisión y plan de mantenimientoLa supervisión y el plan de mantenimiento especifican como los resultados desarrollados deben sermantenidos.Temas a ser cubiertos:Descripción de los resultados de desarrollo y la indicación de que los resultados pueden requerir laactualización (y el por qué). Para cada resultado desarrollado:• Descripción de como la actualización será provocada (por una normal actualización, por unacontecimiento de activación, por la ejecución de una supervisión).• Descripción de cómo la actualización será realizada.• Resumen de los procesos de actualización de los resultados.Informe definitivoEl informe definitivo es usado para resumir el proyecto y sus resultados.Contenido:• Resumen de la Comprensión del Negocio: contexto, objetivos, y criterios de éxito.• Sumario de proceso de minería de datos.• Resumen de los resultados de minería de datos.• Sumario de la evaluación de resultados.• Resumen del desarrollo y de los planes de mantenimiento.• Análisis Costo/Beneficio.• Conclusiones para el negocio.• Conclusiones para futura minería de datos.4.4.7. Resumen de dependenciasPágina 75 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLa siguiente tabla (Tabla 3) resume las entradas principales para los operadores. Esto no significaque solo las listas de entradas puestas deberían ser consideradas, por ejemplo, los objetivos denegocio deberían ser distribuidos a todo los operadores.Sin embargo, el operador debería dirigir cuestiones específicas elevadas por sus entradas.Frase Entregable Referido a Relacionado aEntender elnegocioBackgroundObjetivo de negocio Backgorund TerminologíaComprenderdatosPreparar datosCreterio de éxito de negocioInventario de recursosRequerimientos, asunciones yrestriccionesRiesgos y contingenciasObjetivo de negocioObjetivo de negocioObjetivo de negocio - Criterio de éxito de negocioTerminología Backgorund Objetivo denegocioCostos y beneficios Objetivo de negocio Plan de proyectoMetas de minería de datosObjetivo de negocio - Requerimientos, asunciones yrestriccionesCriterio de éxito de minería de datosPlan de proyectoReporte de colección inicial de datosCriterio de éxito de negocio - Requerimientos, asumciones yrestricciones - Metas de minería de datosObjetivo de negocio - Inventario de recursos - Requerimientos,asunciones y restricciones - Riesgos y contingenciasObjetivo de negocio - Inventario de recursos - Objetivos deminería de datosCostos ybeneficiosReporte de descripción de datos Objetivo de negocio - Reporte de colección inicial de datos Reporte de calidadde datosReporte de exploración de datos Objetivo de negocio - Reporte de colección inicial de datos Reporte dedescripción dedatosReporte de calidad de datosSet de datos y descripción de set dedatosObjetivo de negocio - Reporte de colección inicial de datosObjetivo de negocio - Objetivo de minería de datos - Reporte dedescripción de datos - Reporte de calidad de datos - Reporte deexploración de datosModelar Diseño de test Objetivo de minería de datos - Criterio de éxito de minería dedatosModelos Objetivo de minería de datos Setear parámetrosSetear parámetros Objetivo de minería de datos ModelosDescripción de modeloEvaluación de modeloModelos - Setear parámetros - Diseño de testCriterio de éxito de negocio - Diseño de test - ModelosEvaluaciónEvaluar resultado de minería de datos- Criterio de éxito de negocioCriterio de éxito de negocio - TerminologíaRevisión de procesoObjetivo de negocio - Evaluación de resultado de minería dedatos - Criterio de éxito de negocioPasos a seguir Plan de proyecto - Evaluación de resultado de minería de datos -Criterio de éxito de negocioDesarrollo Desarrollo de plan Objetivo de negocio - Requerimientos, asunciones yrestriccionesPlan de mantenimientoReporte final y presentaciónDocumentación de experienciaObjetivo de negocio - Requerimientos, asunciones yrestriccionesObjetivo de negocio - Terminología - Evaluación de resultado deminería de datos - Criterio de éxito de negocioPlan de proyecto - Revisión de procesoPlan demantenimientoDesarrollo de planTabla 3: Entradas principales de los operadoresPágina 76 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4.5. Apéndice4.5.1. Glosario/Terminología• Actividad: Es parte de una tarea en la Guía de Usuario; describe las acciones para realizaruna tarea.• Metodología de CRISP-DM: El término general para todos los conceptos desarrollados ydefinidos en el CRISP-DM.• Contexto de minería de datos: Un conjunto de restricciones y presunciones, tales como eltipo de problema, las técnicas o herramientas, el dominio de aplicación.• Tipos de problemas de minería de datos: Una clase de típicos problemas de minería dedatos, tales como la descripción de datos y el resumen, la segmentación, las descripciones deconceptos, la clasificación, la predicción, el análisis de dependencia.• Genérico: Una tarea que mantiene un cruce con todos los proyectos de minería de datosposibles.• Modelo: La capacidad de aplicar algoritmos a un conjunto de datos para predecir atributosobjetivos; ejecutable.• Salida: El resultado tangible de la ejecución de una tarea.• Fase: Un término para la parte de alto nivel del modelo de proceso CRISP-DM; consiste entareas relacionadas.• Caso del proceso: Un proyecto específico descrito en términos del modelo de proceso• Modelo de proceso: Define la estructura de proyectos de minería de datos y proporciona laguía para su ejecución; consiste en el modelo de referencia y en la guía de usuario.• Modelo de referencia: Descomposición de proyectos de minería de datos en fases, tareas, ysalidas.• Especializado: Una tarea que hace presunciones específicas en contextos específicos deminería de datos.• Tarea: Una serie de actividades para producir una o más salidas; parte de una fase• Guía de usuario: Asesoramiento específico sobre como realizar proyectos de minería dedatos.4.5.2. Tipos de problemas de minería de datosPor lo general, los proyectos de minería de datos implican una combinación de diferentes tipos deproblema, que juntos solucionan el problema de negocio.4.5.2.1. Descripción de datos y resumenLa descripción y el resumen de datos apuntan a la descripción concisa de las características de losdatos, típicamente en forma elemental y agregada. Esto da al usuario una descripción de laestructura de los datos. A veces, una descripción y resumen de los datos solo puede ser un objetivode un proyecto de minería de datos. Por ejemplo, un minorista podría estar interesado en el volumende ventas de todas las salidas separado por categorías. Los cambios y diferencias de un períodoanterior podrían ser resumidos y destacados. Esta clase de problema estaría en lo mas bajo de laescala de problemas de minería de datos.En casi todos los proyectos de minería de datos, sin embargo, la descripción y resumen de los datosson un objetivo subordinado en el proceso, típicamente en sus tempranas etapas. En el principio deun proceso de minería de datos, el usuario a menudo no conoce, ni el objetivo preciso del análisis,Página 77 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASni la naturaleza exacta de los datos. La exploración inicial del análisis de datos puede ayudar a losusuarios a entender la naturaleza de los datos y formar hipótesis potenciales de la informaciónoculta. La estadística descriptiva simple y las técnicas de visualización proporcionan las primerasideas sobre los datos. Por ejemplo, la distribución de clientes por edad y regiones geográficassugiere que partes de un grupo de clientes necesita para ser dirigida para futuras estrategias decomercialización (marketing).La descripción y el resumen de datos típicamente ocurren en combinación con otros tipos deproblemas de minería de datos. Por ejemplo, la descripción de datos puede conducir a la postulación(presunción) de segmentos interesantes en los datos. Una vez que los segmentos son identificados ydefinidos, una descripción y un resumen de estos segmentos son útiles. Es aconsejable llevar a cabouna descripción y resumen de datos antes de que cualquier otro tipo de problema de minería de datosea especificado (dirigido). En este documento, esto se refleja en el hecho que la descripción yresumen de datos es una tarea en la fase de Comprensión de Datos.El resumen también juega un papel importante en la presentación de los resultados finales. Losresultados de otros tipos de problemas de minería de datos (por ejemplo, las descripciones deconceptos o los modelos de predicción) también pueden ser considerados resumen de datos, perosobre un nivel conceptual más alto.Muchos sistemas de informe, paquetes estadísticos, OLAP, y sistemas EIS pueden cubrir ladescripción y resumen de datos, pero hacerlo usualmente no proporciona algunos métodos pararealizar modelado más avanzado. Si la descripción y resumen de datos son considerados un tipo deproblema independiente y ningún modelado futuro es requerido, entonces estas herramientaspueden ser apropiadas para realizar los compromisos de minería de datos.4.5.2.2. SegmentaciónLa segmentación apunta a la separación de los datos en subgrupos o clase significativos einteresantes. Todos los miembros de un subgrupo comparten características comunes. Por ejemplo,en el análisis de cesta de compras, uno podría definir los segmentos de cestas según los artículosque ellos contienen.La segmentación puede ser realizada a mano o semi-automáticamente. El analista puede suponerciertos subgrupos como relevantes para la pregunta de negocio, basada sobre un conocimientoprevio o sobre el resultado de la descripción y el resumen de datos. En adición, hay tambiéntécnicas automáticas de agrupamiento (clustering) que pueden descubrir las estructuras antesinsospechadas y ocultas en datos que permite la segmentación.La segmentación a veces puede ser un objetivo de minería de datos. Entonces la detección desegmentos sería el objetivo principal de un proyecto de minería de datos. Por ejemplo, todas lasdirecciones en áreas de código postal con la edad mas alta que el promedio y un ingreso podrían serseleccionadas para enviar publicidad para seguro de clínica de ancianos.Muy a menudo, sin embargo, la segmentación es un paso hacia la solución de otros tipos deproblema. Entonces, el objetivo es de guardar (mantener) el tamaño de los datos manejables oencontrar los subconjuntos de datos homogéneos que son más fáciles para analizar. Típicamente engrandes conjuntos de datos variados afectan el alcance de cada uno y obscurece los patronesinteresantes. Entonces, la segmentación apropiada hace la tarea más fácil. Por ejemplo, analizar lasdependencias entre artículos en millones de cestas de compras es muy difícil. Esto es mucho másPágina 78 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASfácil (y más significativo, generalmente) para identificar dependencias en los segmentosinteresantes de cestas de compras -por ejemplo, cestas de alto valor, cestas que contienen bienes deconfort, o cestas de un día o de un periodo particular.Nota: En la literatura, hay algo de ambigüedad en el significado de ciertos términos. A veces llamana la segmentación agrupamiento (clustering) o clasificación (classification). El último término esconfuso porque algunas personas lo usan para referirse a la creación de clases, mientras que otrospiensan en la creación de modelos para predecir las clases conocidas para casos antes no vistos. Eneste documento, restringimos el término de clasificación al último significado (ver más abajo) yusar el término segmentación con el antiguo significado, aunque las técnicas de clasificaciónpuedan ser usadas para obtener descripciones de los segmentos descubiertos.Técnicas apropiadas:• Técnicas de agrupamiento (clustering)• Redes Neuronales• VisualizaciónEjemplo:Una empresa de venta de autos con regularidad recoge información sobre sus clientes acerca de suscaracterísticas socioeconómicas como el ingreso, la edad, el sexo, la profesión, etc. Usando análisisde agrupamiento, la empresa puede dividir a sus clientes en subgrupos más comprensibles yanalizar la estructura de cada subgrupo. Estrategias de control de comercialización (marketing)específicas son desarrolladas para cada grupo separado.4.5.2.3. Descripciones de conceptosLa descripción de concepto apunta a una descripción comprensible de conceptos o clases. Elobjetivo no es para completar el desarrollo de modelos con predicción de exactitud alta, sino paraganar ideas. Por ejemplo, una empresa puede estar interesada en el estudio sobre sus clientes másleales y desleales. De una descripción de concepto de estos conceptos (clientes leales y desleales) lacompañía infiere que podría estar hecho para encontrar clientes leales o transformar clientesdesleales a clientes leales.Una descripción de concepto tiene una conexión cercana tanto a la segmentación como a laclasificación. La segmentación puede conducir a una enumeración de objetos que pertenecen a unconcepto o clase sin proporcionar cualquier descripción comprensible. Típicamente la segmentaciónes llevada a cabo antes de que la descripción de concepto sea realizada. Algunas técnicas -técnicasde agrupamiento conceptuales, por ejemplo-ejecutan la segmentación y descripción de concepto almismo tiempo.Las descripciones de concepto también pueden ser usadas para objetivos de clasificación. Por otraparte, algunas técnicas de clasificación producen modelos de clasificación comprensibles, quepueden entonces ser consideradas descripciones de concepto. La distinción importante es que laclasificación apunta a ser completa en algún sentido. El modelo de clasificación tiene que aplicarsea todos los casos en la población seleccionada.Página 79 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASDe otra manera, las descripciones de concepto no tienen que ser completas. Es suficiente si ellosdescriben las partes importantes de los conceptos o clases. En el ejemplo mencionado, puede sersuficiente conseguir las descripciones de conceptos de aquellos clientes que son claramente leales.Técnicas apropiadas:• Métodos de inducción de reglas• Agrupamiento conceptualEjemplo:Usando datos sobre los compradores de coches nuevos y una técnica de inducción de regla, unaempresa de coche podría generar las reglas que describen sus clientes leales y desleales. Debajoestán los ejemplos de las reglas generadas:• Si SEXO = macho y EDAD > 51 entonces CLIENTE = leal• Si SEXO = hembra y EDAD > 21 entonces CLIENTE = leal• Si PROFESIÓN = gerente y EDAD < 51 entonces CLIENTE = desleal• Si ESTADO CIVIL = soltero y EDAD < 51 entonces CLIENTE = desleal4.5.2.4. ClasificaciónLa clasificación asume que hay un conjunto de objetos caracterizados por algún atributo o rasgo quepertenece a diferentes clases. La etiqueta de clase es un valor (simbólico) discreto y es conocidopara cada objeto. El objetivo es para construir los modelos de clasificación (a veces llamadosclasificadores), que asigna la etiqueta de clase correcta a objetos antes no vistos y sin etiquetas.Los modelos de clasificación sobre todo son usados para el modelado predictivo.Las etiquetas de clase pueden ser presentadas en el avance -definida por el usuario, por ejemplo, oderivadas de la segmentación. La clasificación es uno de los tipos de problemas más importantes deminería de datos que ocurren en una amplia gama de aplicaciones. Muchos problemas de minería dedatos pueden ser transformados a problemas de clasificación. Por ejemplo, intentando guardarcréditos para evaluar el riesgo de acreditar a un cliente nuevo. Esto puede ser transformado a unproblema de clasificación para crear dos clases, clientes buenos y clientes malos. Un modelo declasificación puede ser generado de los datos de cliente existentes de acuerdo a su comportamientocrediticio. Este modelo de clasificación puede entonces ser usado para asignar a clientes nuevos auna de las dos clases y aceptarlo o rechazarlo.La clasificación tiene conexiones a casi todos los otros tipos de problemas. Los problemas depredicción pueden ser transformados a los problemas de clasificación por discretización de etiquetasde clase continuas, porque las técnicas de discretización permiten transformar rangos continuos enintervalos discretos. Estos intervalos discretos, más que los valores numéricos exactos, son usadoscomo etiquetas de clase, y de ahí conducen a un problema de clasificación.Algunas técnicas de clasificación producen una clase comprensible o descripciones de concepto.Hay también una conexión al análisis de dependencia porque los modelos de clasificacióntípicamente usan (explotan) y aclaran las dependencias entre atributos.Página 80 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLa segmentación puede también proporcionar las etiquetas de clase o restringir el conjunto de datospara que buenos modelos de clasificación puedan ser construidos. Es útil analizar desviacionesantes de que un modelo de clasificación sea construido. Las desviaciones y contingencias (cosasfuera de lugar-outliers) pueden obscurecer el patrón que podría permitir un buen modelo declasificación. De otro modo, un modelo de clasificación también puede ser usado para identificardesviaciones y otros problemas con los datos.Técnicas apropiadas:• Análisis de discriminante• Métodos de inducción de regla• Aprendizaje por árboles de Decisión• Redes neuronales• La K más cercana• Razonamiento basado en caso• Algoritmos genéticosEjemplo:Los bancos generalmente tienen información sobre el comportamiento de pago de sus aspirantes decrédito.Combinando esta información financiera con otra información sobre los clientes, como el sexo, laedad, el ingreso, etc., es posible desarrollar un sistema para clasificar a clientes nuevos comoclientes buenos o malos (esto es, el riesgo de crédito en la aceptación de un cliente es alto o bajo).4.5.2.5. PredicciónOtro tipo de problema importante que ocurre en una amplia gama de usos es la predicción. Lapredicción es muy similar a la clasificación.La única diferencia es que en la predicción el atributo objetivo (la clase) no es un atributocualitativo discreto, sino es uno continuo.El objetivo de la predicción esta en encontrar el valor numérico del atributo objetivo para objetos novistos. En la literatura, este tipo de problema es a veces llamado regresión. Si la predicción trata condatos de serie tiempo, entonces a menudo lo llaman pronosticación.Técnicas apropiadas:• Análisis de regresión• Árboles de regresión• Redes neuronales• La K más cercana• Métodos de la Caja-Jenkins• Algoritmos genéticosEjemplo:Página 81 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEl rédito anual de una empresa internacional esta correlacionado con otros atributos como lapromoción, la tasa de cambio, la tasa de inflación, etc. Teniendo estos valores (o estimacionesconfiables), la empresa puede predecir su rédito esperado durante el próximo año.4.5.2.6. Análisis de dependenciaEl análisis de dependencia consiste en encontrar un modelo que describe dependenciassignificativas (o asociaciones) entre artículos de datos o acontecimientos. Las dependencias puedenser usadas para predecir el valor de unos datos de artículo dada la información sobre otros artículosde datos. Aunque las dependencias pueden ser usadas para el modelado predictivo, aquellos sonmas usados por su comprensión. Las dependencias pueden ser estrictas o probabilísticas.Las asociaciones son un caso especial de dependencias, que recientemente se han hecho muypopulares. Las asociaciones describen las afinidades de artículos de datos (esto es, artículos de datoso los acontecimientos que con frecuencia ocurren juntos). Un típico escenario de aplicación paraasociaciones es el análisis de cestas que hacen compras. Allí, una regla como “en el 30 por ciento detodas las compras, la cerveza y cacahuetes han sido comprados juntos” es un ejemplo típico parauna asociación.Los algoritmos para detectar asociaciones son muy rápidos y producen muchas asociaciones.Seleccionar el más interesante es un desafío.El análisis de dependencia tiene conexiones cercanas a la predicción y a la clasificación, ya que lasdependencias implícitamente son usadas para la formulación de modelos predictivos. Hay tambiénuna conexión a descripciones de concepto, que a menudo destacan dependencias.En aplicaciones, el análisis de dependencia a menudo co-ocurre con la segmentación. En grandesconjunto de datos, las dependencias son raras veces significativas porque muchas influencias cubrenel uno al otro. En tales casos, se aconseja realizar un análisis de dependencia sobre más segmentoshomogéneos de datos.El modelo secuencial es una clase especial de dependencia en las que el orden de acontecimientoses considerado. En un análisis de cesta de compras, las asociaciones describen dependencias entreartículos en un tiempo dado. El patrón secuencial describe el modelo que hace compras de uncliente particular o un grupo de clientes en el tiempo.Técnicas Apropiadas:• Análisis de correlación• Análisis de regresión• Reglas de asociación• Redes bayesianas• Programación de lógica inductiva• Técnicas de visualizaciónEjemplo 1:Usando el análisis de regresión, un analista de negocio ha encontrado que hay dependenciassignificativas entre las ventas totales de un producto y tanto en su precio como en la cantidad dePágina 82 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASgastos de publicidad. Este conocimiento permite al negocio alcanzar el nivel deseado de las ventaspor cambio del precio del producto y/o el gasto de publicidad.Ejemplo 2:Aplicando algoritmos de regla de asociación a datos sobre accesorios de coche, una empresa decoches ha encontrado que en el 95 por ciento de casos, si un CD player es ordenado, unatransmisión automática es ordenada también.Basado en esta dependencia, la empresa de coche decide ofrecer estos accesorios como un paquete,que conduce a la reducción del costo.Página 83 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 84 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS5. Descripción y desarrollo de la industria.5.1. La industria automotriz y el control de daños y/o averíasEl nuevo orden internacional que comenzó a gestarse en la década del 70 y que luego fueimpulsado por la terminación de la guerra fría y la oleada de internacionalización de las economíasha dado lugar a un nuevo paradigma en la división de trabajo. La especialización del trabajo no serealiza solo a nivel empresa o región sino a nivel mundial y puede involucrar tanto a regiones comoa países e inclusive a continentes.Con el desarrollo de las tecnologías de las comunicaciones y los transportes desde hace dos décadasse asiste a un nuevo sistema de producción en la industria automotriz que se sostiene en base a ladistribución de la producción de las diferentes marcas y modelos en masa al rededor del mundo.Todas las compañías automotrices hoy en día no producen todos sus modelos en una sola región opaís sino que las mismas realizan acuerdos multinacionales para producir determinados modelos endeterminados lugares para luego intercambiarlos entre los diferentes puntos de producción. De estamanera para asistir a cada mercado en cada región se realizan los convenios internacionales deintercambio de unidades necesarios para satisfacer las demandas.Este movimiento de intercambio de unidades entre las diferentes regiones del mundo ha llevado aesta industria a desarrollar un estricto control en el seguimiento e identificación del estado de lasmismas a lo largo de su recorrido. Como consecuencia inmediata de este traslado de los productossurge que los costos por movimiento, reparación y puesta a punto de los automóviles es mayor a loscostos de producción. Esto es, el costo por unidad producida es inferior al costo de la misma desdeque sale de planta hasta que llega al cliente final.Las unidades pueden ser movilizados por diferentes tipos de transportes: aéreos, marítimos oterrestres (camiones o tren). El traslado de los autos puede ser con almacenamiento en contenedoreso trincados independientemente uno de otro. También son estoqueados/almacenados en diferentesplayas o patios con el objeto de ser reparados o simplemente por cuestiones comerciales previas a ladistribución.Las cantidades transportadas en masa varían desde unos pocos (7, 11 o 13 unidades por transportesterrestre, por ejemplo bateas) a cientos (por ejemplo por tren) o inclusive a miles de unidades (porejemplo buques equipados según normas internacionales para transportar desde cientos a miles deunidades).Para el control y la verificación del estado de cada unidad las diferentes empresas (marcas) hancreado sus propios estándares de inspección o peritaje o verificación. Cada unidad es inspeccionadasegún los estándares impuesto por cada compañía en cada uno de los lugares por donde pasan obien donde se estacionan.El camino que recorre cada unidad desde que sale de planta hasta que llega a un cliente final es loque se denomina en la industria como “circuito logístico” o “cadena logística”. En cada circuitointervienen una o varias empresas denominadas operadoras logísticas. Cada operador logísticopuede contratar (tercerizar) a otras empresas para el transporte de las unidades de punto a punto.Además también es frecuente la tercerización en el desarrollo de las inspecciones o peritajes que esrealizado normalmente en los lugares donde se produce el intercambio de responsabilidad de unaPágina 85 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASempresa a otra. Así es que como ejemplos estándares de lugares o puntos de inspección se puedennombrar:• controles a la bajada o subida de buque;• controles dentro de los buques;• controles a la entrada o salida de un puerto;• controles dentro de los puertos (estiba);• controles a la salida de una planta de producción;• controles a la entrada o salida de un patio / playa (stock) comercial o por reparación;• controles a la subida o bajada de bateas (camiones).5.2. Circuitos logísticosLos elementos que lo componen son los diferentes medios de transporte (podrían ser llamadosenlaces) y los puntos (podrían ser denominados nodos) por donde transitan o se estacionan losautos. Tanto los transportes como los lugares por donde pasan pueden ser lugares de distintascompañías, transportes de distintas compañías e inclusive el traspaso de un trasporte a un lugar o aotro trasporte puede ser realizado por otra empresa.La verificación o control de una unidad en sus diferentes puntos se desarrolla en función de losestándares de cada empresa. Las empresas pueden ser certificadas según normas internacionales ono, esto todavía en esta industria es irrelevante para algunas compañías.Ejemplo 1: Exportación ArgentinaEjemplo 2: Importación ArgentinaFigura 1: Circuito exportaciónFigura 2: Circuito importaciónPágina 86 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS5.3. Transportes y lugares de almacenamientoComo se ha mencionado anteriormente cada transporte puede tener diferentes capacidades.Normalmente el transporte terrestre se realiza a través de camiones o bateas. Pero también existe laposibilidad de ser realizado a través de trenes para lo cual con frecuencia se utilizan contenedorespara resguardar la estructura del auto.Los transportes marítimos son todavía el medio de transporte más rentable para este negocio. Todobuque o barcaza está equipada con la tecnología y herramientas necesarias para transportar algunosmiles de autos (hasta 4.000 unidades). Para el transporte de las unidades en el interior de un barcose realiza lo que en el medio se denomina trincado que consiste en amarrar desde diferentes puntosdel auto (ruedas o parte de la estructura del auto) al piso del buque. De esta forma se evita elmovimiento de los productos cuando el transporte es movilizado a través de un océano o río.El trasporte por vía aérea es el menos frecuente por razones de costo. Pero al igual que con eltransporte marítimo las unidades pueden ir trincadas o bien también se suele utilizar contenedores.Página 87 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 88 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS6. Procesos a analizar, límites y alcance6.1. Puntos de Control• Puntos de control y transportePara el desarrollo del presente proyecto se definirán y tomarán muestras de puntos y transportesestándares en la industria; esto es, se trabajará con muestras tomadas de inspecciones realizadasfrecuentemente por cualquier marca.A continuación se describen los puntos de control que intervienen en este proyecto.• Despacho de planta de producciónInspecciones realizadas sobre todas las unidades que salen de planta de producción y se dirigenpor transporte terrestre (camiones) a patios o puertos. La imputabilidad de las observacionesnotadas corresponde a planta de producción (normalmente denominada origen o averías decalidad).• Ingreso a puertoProcedente de diferentes lugares y trasladadas a través de camiones. La responsabilidad esimputada a transporte terrestre.• Subida a buqueLuego de estadio en playa de puerto toda unidad es embarcada. Las inspecciones son realizadasprevias a la entrada a rampa. La imputabilidad corresponde a patio de puerto.• Descarga de buqueUnidades inspeccionadas a la descarga de un barco. Los daños y/o averías son imputados a lasempresas de transporte marítimo.• Salida de puertoLuego de una determinada cantidad de tiempo las unidades son despachadas de puerto condestinos diferentes. Las unidades son cargadas a camiones.6.2. Estándares de inspecciónLas observaciones realizadas son parametrizadas según los estándares impuestos por las compañíasque intervienen como operadoras logísticas.Los daños y/o averías constan de tres partes claramente diferenciables: parte (área), avería (tipo dedaño) y gravedad (severidad):• Parte: o denominada frecuentemente área, es un código alfanumérico de dos dígitos queidentifica una de las partes del auto.Página 89 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Avería: está compuesto por un código alfanumérico de dos dígitos y es utilizado para definirel tipo de daño.• Gravedad: o severidad compuesto por un código alfanumérico definido para especificar lagravedad del daño o avería descubierto.Un campo de observación es también considerado como parte de la codificación estándar. Sirvepara realizar cualquier aclaración sobre un daño que no se ha podido parametrizar directamentedebido a la falta de los códigos que lo pueden definir.Algunos estándares incluyen un cuarto código compuesto por tres o cuatro dígitos alfanuméricosdefinidos para realizar una observación referente a la avería y que sirve para especificar que laavería fue descubierta en un lugar dos o tres puntos antes de la inspección en ese CP (check point).Página 90 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS7. Información y datos7.1. Proceso de inspección y captura de datosEl proceso de inspección se realiza solo sobre las partes visibles de la unidad. El presente proyectono incluye todas las fallas o desperfectos mecánicos del auto.Cada perito o inspector aplica la norma estándar para observar y recorrer el vehículo en búsquedade daños y/o averías. Las inspecciones sobre cada unidad pueden ser realizadas por uno o másperitos. La cantidad de inspectores depende de los acuerdos realizados entre las empresas y de lasverificaciones posteriores o anteriores que se realizan a cada unidad.Los automóviles transitan por las diferentes cadenas logísticas con la documentacióncorrespondiente. Esta documentación incluye lo que se denomina VIN (Vehicle IdentificationNumber) que es un código alfanumérico de 17 o 18 dígitos.El VIN tiene una estructura estándar en la industria y a partir de este se pueden conocer datos delvehículo como el origen, la marca, el modelo, el color, etc. Este número alfanumérico vieneimpreso en la documentación en código de barras.La gran mayoría de las marcas trabaja con el código de barras denominado 128. Pero también seusan otras normas como la 3 de 9 o 3 de 6. Siempre el auto tiene impreso el VIN en código debarras de 17 o 18 dígitos.Del procedimiento de inspección realizado surge un código de avería si es observada en la unidad.La misma, según un proceso estándar, hoy en día, es cargada manualmente por cada perito. Luegoesta información es almacenada en una base de datos la cual es alimentada diariamente por todas lasinspecciones realizadas.En algunos procesos de carga masiva de datos se utilizan colectores electrónicos de datos y en otrossimplemente se transforma o procesa la información suministrada por la compañía interesada enverificar las unidades (entrega lo que se denomina parking list de vehículos). Los procesos de cargamasiva se realizan en proceso batch o por radio frecuencia. Este último va almacenando on line enla base de datos unidad por unidad inspeccionada.7.2. Sistema normalizado de codificación de daños y/o averíasLos datos cargados (los cuales son utilizados en este proyecto) son: VIN, parte, avería, gravedad,observación y código de clave (o código que especifica el origen real de la avería).7.3. Proceso de educción de requerimientos del proyectoComprensión del dominioEl objetivo del negocio es determinar comportamientos en la ocurrencia de daños y/o averías. Másdetalles sobre la determinación de los objetivos se encontrarán en el módulo de “Comprensión delNegocio” de la metodología CRISP-DM detallada más adelante.Los actores involucrados para la obtención de los datos necesarios para el desarrollo del presentetrabajo son:Página 91 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Especialistas en consultoría marítima y peritajes navales• Especialistas en inspección de unidades automotrices• Especialistas en desarrollo de tecnología para la captura de datos y desarrollo de base dedatos para el almacenamiento de los mismos.En referencia a los límites del proyecto se puede hacer referencia al hecho de explotar lainformación almacenada en las base de datos desde el período 2002 a 2008. Se cuenta con doscadenas logísticas de exportación, dos cadenas logísticas de importación y puntos de control decarga y descarga de autos en puertos de Argentina y Brasil.Identificación de necesidadesEl objetivo del requisito es la búsqueda e identificación de los diferentes tipos de averías y/o dañosen las unidades. Esta necesidad surge de las compañías que intervienen en el proceso comoconsecuencia del movimiento fluido de unidades de lugar en lugar. Es necesario también porcuestiones operacionales debido a que en toda la cadena de suministro es necesario poder establecerlos recursos consumidos para el movimiento de las unidades.Con la posibilidad de asignar recursos es posible establecer los costos que demandará el sistemalogístico. Con el establecimiento de los patrones buscado es posible para cada parte interesadapoder presupuestar en función de las cantidades movilizadas los costos por reparación de los daños.El equipamiento de los sistemas de transporte es otro ítem a cubrir como consecuencia deldescubrimiento de patrones de producción de daños y averías. Todo proveedor de servicio detransporte debe cumplir con determinadas condiciones para asegurar la conducción segura de lasunidades.El origen de la información para este proyecto se encuentra en bases de datos normalizadas. Lasmismas son alimentadas diariamente por personal capacitado y experto en la identificación dedaños. Se cuenta con equipamiento electrónico para la captura automática de datos por lo que laposibilidad de errores en la información es mínima.Del mismo modo la consistencia de la información es controlada diariamente tanto por el personalresponsable directamente de la misma como de los clientes que acceden para verificar el estado delas unidades movilizadas a los largo de los circuitos y/o en los diferentes puntos de control.Para la realización de la búsqueda de la información se cuenta con información detallada de:• Cantidad de unidades transportadas• Lugares por donde pasan las unidades• Trasportes, tipos y compañías• Partes averiadas• Tipos de averías• Severidad de averías• Responsables de averíasPágina 92 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASIdentificación de riesgos y contingenciasAl momento de desarrollar el presente proyecto no se detectan riesgos para su desarrollo y por lotanto no es necesario definir planes de contingencia. Se cuenta con la información electrónicamentetomada y con el personal capacitado para el análisis de la información.El hecho de no ver en este momento del proyecto riesgos potenciales no significa que no existanpuesto que al tratarse específicamente de una minería de datos (definida como el intento pordescubrir información oculta en los datos) es probable que los resultados obtenidos coincidan contrabajos relacionados por empresas privadas con el objetivo de reducir o presupuestar costos. Enfunción de esto último se puede describir como plan de contingencia ante este probable riesgo eldesarrollo de un informe parametrizado con datos precisos y/o la valorización de los patrones dedaños y/o averías detectadas.Evaluación de herramientas de explotación de informaciónPor cuestiones de índole práctico y a los efectos de llevar acabo el presente trabajo de tesis demaestría se utilizan herramientas de explotación de datos suministradas por los Directores de Tesis,las mismas son:• Software para Construcción de Árboles de Decisión utilizando un Modelo de Clasificación.• Software para Agrupamiento usando Mapas Autoorganizados.• Software para Construcción de Modelos de Predicción.Página 93 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 94 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS8. Aplicación de la metodología propuesta.8.1. Comprensión del Negocio8.1.1. Objetivos del negocioEl objetivo del negocio es determinar comportamientos en la ocurrencia de daños y/o averías. Deesto último también se puede inferir que es de utilidad para la toma de decisiones el poderdeterminar o definir los lugares donde se producen los daños y las imputaciones de las mismas.Descubrir donde se producen los siniestro conduce a la definición de políticas para la prevención delas fallas en el sistema. De esto último surgen las medidas correctivas a llevar a cabo.Los objetivos pueden ser resumidos en:• Identificar daños y/o averías.• Determinar responsabilidad de siniestralidad en función del tipo de avería y tipo detransporte.• Imputar incidentes según el tipo de transporte.• Determinar tipos de averías y/o daños.• Determinar partes averiadas y/o dañadas que muestren algún tipo de comportamiento.• Especificar gravedad de daños y/o averías.• Especificar lugares donde se producen daños y/o averías tratando de definir patrones decomportamiento.• Especificar estadísticamente: tipos de transporte que producen daños y/o averías como asítambién, partes, tipos de averías, gravedades, lugares donde se producen.• Descubrir información “oculta” en función de los modelos generados a partir de los datosdisponibles.Contexto actualEn referencia a la situación global del negocio se puede decir que toda la información necesariapara la explotación de datos se encuentra disponible electrónicamente pero en forma dispersa. Estoes, cada organización que interviene en cada circuito logístico tiene su propia sistema de análisis dedaños y/o averías e inclusive los estándares con los cuales se parametriza la información es distintauna de otra.No hay en el medio un estudio en profundidad sobre el comportamiento de los estados por los queatraviesa una unidad automotriz en referencia al estudio de daños, averías, responsables eimputaciones.Departamentos involucrados en cada compañíaLos departamentos involucrados en el desarrollo en el control y seguimiento de unidadesautomotrices de los cuales surge la información y hacia los cuales está destinado el resultado delproyecto son:• Departamento de calidad• Departamento de ventasPágina 95 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Departamento de operaciones• Departamento de sistemas• Departamento de logística y distribuciónÁrea del problemaLa producción de daños y averías es prácticamente inevitable debido al movimiento de las unidadesy al traspaso de empresa a empresa y de medio a medio de trasporte. Del mismo modo es vital parala industria la especificación y determinación clara de las responsabilidades por cada siniestro. Delo afinado que se encuentre el sistema depende el abastecimiento de unidades a los mercadosobjetivos.La minería de datos debe ser promovida en esta actividad debido a que no existen registrosdocumentados de comportamientos estándares en la producción de siniestros. Todo lo relacionadocon cantidades tanto de producción, como exportación o importación están claramente detalladastanto para las compañías que intervienen en la industria como en los organismos gubernamentales yno gubernamentales.Todo análisis de siniestros y especificación de tiempos de abastecimiento y reparación de unidadesse realiza individualmente y en forma reactiva.Solución actualActualmente se recurre a las consultas manuales (por ejemplo SQL) para obtener los datosnecesarios para tener conocimiento de la situación de las unidades. En el caso de que hayadiscrepancias en cuanto a las responsabilidades o imputabilidad de daños y/o averías se realiza uncruce de información entre las compañías que intervienen la operatoria logística.Objetivo primario de negocioEl objetivo primario de negocio para el presente proyecto es la posibilidad de detectar elcomportamiento de los daños y/o averías que se producen en las unidades automotrices 0 kilómetroa lo largo de su circuito logístico.ActividadesCumplir con los objetivos propuestos por la aplicación de la metodología de explotación de datosdará respuesta a las siguientes preguntas:• ¿Cuáles son las partes de los vehículos con mayor y menor incidencia de daños?• ¿Cuáles son los tipos de daños de mayor y menor frecuencia?• ¿Qué gravedad tienen frecuentemente las averías producidas?• ¿Cuáles son la mayor y menor cantidad de partes faltantes?• ¿Cuáles son los lugares donde se producen la mayor y menor cantidad de daños?• ¿Cuáles son los trasportes que provocan la mayor y menor cantidad de daños?• ¿Qué marcas y modelos son dañados con mayor y menor frecuencia?• ¿Cuáles son las mayores y menores combinaciones de partes y averías producidas?• ¿Cuáles son los mayores y menores combinaciones de partes y faltantes producidos?Página 96 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• ¿Cuáles son las mayores y menores combinaciones de partes, averías y gravedadesproducidas?• ¿Cuáles son los periodos de mayor flujo de exportación e importación de unidades víamarítima?• ¿Cuáles son los porcentajes de siniestralidad producidas por cantidad de unidadesmovilizadas?• ¿Cuáles son los porcentajes de más de una averías en las unidades automotrices?• ¿Cuáles son los porcentajes de unidades dañadas por cantidad de unidades inspeccionadas?Criterios de éxitoDesde el punto de vista del negocio se establece como criterio de éxito el poder:• Especificar daños y/o averías; cantidades, tipos y severidad.• Establecer responsabilidades específicas.• Especificar tipos de transportes que producen las averías y tipos de avería.• Establecer claramente averías y tipos de averías.• Definir comportamientos de averías y daños.• Especificar lugares de producción de daños.• Definir estadísticamente tipos de transportes, partes, tipos de averías, gravedades eimputabilidad de daños y/o averías.El criterio de éxito del proyecto estará definido por personal experto en el desarrollo de lasactividades de inspección, captura de datos, análisis de información y tecnología con experienciacomprobable en el negocio.Expertos en el proceso operativo y tecnológico llevarán adelante todo el proceso de establecimientode criterio de éxito del proyecto.8.1.2. Evaluación de la situaciónSituaciónSe cuenta con información detallada de las operaciones vinculadas a las inspecciones de unidadesautomotrices desde 2002 a la fecha. Todas las bases de información se encuentran normalizadas ycon la documentación vinculada a las mismas.Actualmente las bases de datos se encuentran en línea y funcionando bajo un desarrollo Web. Estáestán siendo utilizadas y alimentadas diariamente.Recursos de softwareSe cuenta con los siguientes sistemas:• Servidor de base de datos.• Software para la Construcción de un Árbol de Decisión utilizando un Modelo deClasificación.• Software para Agrupamiento usando Mapas Autoorganizados.• Software para la Construcción de un Modelo de Predicción.Página 97 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASRecursos de hardwareEstán a disposición los siguientes sistemas de hardware:• Equipamiento para la producción y almacenamiento de la base de datos, y el entrenamientode los modelos:1. CPU Microprocesador Intel ® Core 2, 1.7 GHz, 512 MB RAM, 60 GB HD.2. CPU Microprocesador Intel ® Pentium ® 4, 1.7 GHz, 640 MB RAM, 80 GB HD.3. Monitor 17’’.4. Monitores 17’’.5. Impresora Láser.• Servidor de base de datos local instalado para el resguardo de las base de información enlínea.1. Servidor Microprocesador Intel ® Pentium ®, 3 GHz, 1 GB RAM, 160 GB HD.2. Servidor Microprocesador Intel ® Pentium ®, Dual, 1.8 GHz, 1.5 GB RAM, 320GBHD.3. Monitor 15’’.• Acceso irrestricto a las base de datos en línea y publicadas por Web.• Sistema de banda ancha 3 MB conectado directamente a los servicios publicados enproducción.Además se cuenta con personal experimentado en inspecciones a los cuales se puede acceder pararealizar las consultas necesarias para aclarar cualquier inquietud.Fuentes de datos y conocimientoSe cuenta con la siguiente información:• Base de datos con información vinculada a los movimientos de importación y exportaciónde vehículos (dos marcas del mercado argentino con destino y origen Brasil y Francia, año2002 a 2008).• Base de datos con información vinculada a los movimientos de exportación de vehículos(dos marcas del mercado brasileño con destino Argentina, año 2002 a 2008).• Base de datos con información de empresa de transporte marítimo referida a losmovimientos de unidades de importación y exportación de autos (varias marcas del mercadoargentino con destino y origen de diferentes países, año 2006 a 2008).• Base de datos con unidades de importación y exportación de empresa de transporte marítimo(varias marcas del mercado brasileño con destino y origen de diferentes países, año 2004 a2008).• Base de datos con información de movimientos de autos de una empresa de transporteterrestre (una marca del mercado argentino año 2004).Fuentes de personalSe cuenta con personal experto en inspecciones y con acceso a los mismos si restricciones detiempo.Hay contacto directo y permanente con los administradores de sistemas, de personal y de soportetécnico.Página 98 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEl proyecto cuenta con el apoyo técnico operativo y tecnológico en todo momento. Se tiene accesoinclusive a lugares donde se genera la información y se realiza su almacenamiento.Requerimientos, presunciones, y restriccionesLos datos pueden ser usados transformando toda información relacionada directamente con:• Marcas de vehículos.• Modelos de vehículos.• Nombres de buques y compañías marítimas.• Números de batea y nombre de compañías de transporte terrestre.• Nombres de todas las empresas vinculadas a las operaciones en cualquier punto de control.Para el uso de la información se procederá a desarrollar un sistema de codificación alfanuméricapara evitar inconvenientes legales.La validez de los resultados obtenidos puede ser verificada directamente consultando sobre lasbases de datos.TerminologíaVer Anexo 1: Glosario de terminología relevante de negocio.Ver Anexo 2: Glosario de terminología de minería de datos.8.1.3. Objetivos de minería de datosLos objetivos en términos de minería de datos son:• Determinar el comportamiento de partes de vehículos con mayor y menor incidencia dedaños.• Determinar el comportamiento de tipos de daños de mayor y menor frecuencia.• Determinar el comportamiento de gravedades que tienen frecuentemente las averíasproducidas.• Especificar el comportamiento de partes faltantes con mayor y menor incidencia.• Determinar lugares donde se producen la mayor y menor cantidad de daños.• Especificar el comportamiento que provoca la mayor y menor cantidad de daños según lostipos de transporte.• Definir el comportamiento de marcas y modelos dañados con mayor y menor frecuencia.• Definir el comportamiento de las mayores y menores combinaciones de partes y averíasproducidas.• Definir el comportamiento de las mayores y menores combinaciones de partes y faltantesproducidos.• Determinar el comportamiento de las mayores y menores combinaciones de partes, averías ygravedades producidas.• Determinar el comportamiento de los flujos de exportación e importación de unidades víamarítima.• Determinar el comportamiento de siniestralidad producidas por cantidad de unidadesmovilizadas.• Determinar el comportamiento de más de una avería en las unidades automotrices.Página 99 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Definir el comportamiento de unidades dañadas por cantidad de unidades inspeccionadas.ActividadesClasificación: Por año 2003, 2004, 2005, 2006, 2007, 2008.• Mes de operación• Mes de producción• Puntos de control• Empresa de transporte marítimo• Empresa de almacenamiento• Empresa de producción de autos• Número de batea• Modelo de vehículos• Parte de vehículos• Tipo de averías• GravedadAgrupamiento: Por año 2003, 2004, 2005, 2006, 2007, 2008.• Mes de operación• Mes de producción• Puntos de control• Empresa de transporte marítimo• Empresa de almacenamiento• Empresa de producción de autos• Número de batea• Modelo de vehículos• Parte de vehículos• Tipo de averías• GravedadPredicción: Por año 2003, 2004, 2005, 2006, 2007, 2008.• Mes de operación• Mes de producción• Puntos de control• Empresa de transporte marítimo• Empresa de almacenamiento• Empresa de producción de autos• Número de batea• Modelo de vehículos• Parte de vehículos• Tipo de averías• GravedadPágina 100 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCriterios de éxitos de la minería de datosLos resultados serán evaluados y controlados contra consultas SQL directas sobre la base de datos.En función de las muestras de consultas manuales a cada base de datos se establecerán los criteriosde éxitos de cada resultado.Para cada resultado se especificará un patrón manual de consulta.8.1.4. Producción del plan del proyectoPlan de proyectoSe tomarán muestras de las bases de datos en producción según los puntos descritos en los ítems delpresente proyecto vistos anteriormente.A cada una de las muestras tomadas se analizará el contenido y se realizarán trabajos denormalización de información y adaptación para su mejor interpretación.En forma paralela se irá describiendo en detalle en diccionario de terminología de negocio (Anexo1) todo el vocabulario usado en la industria.• Etapa 1: Análisis de la estructura de datos e información de las bases de datos enproducción. Tiempo estimado 3 semanas.• Etapa 2: Ejecución de consultas para la captura de muestras representativas para lograr losobjetivos del proyecto. Tiempo estimado 1 semana.• Etapa 3: Conversión y normalización de datos según estructura requerida por los sistemasdonde los datos será procesados. Tiempo estimado 3 semanas.• Etapa 4: Ejecución de los procesos de explotación de datos sobre toda la informaciónobtenida y parametrizada. Tiempo estimado 1 semana.• Etapa 5: Análisis de los resultados obtenidos en función de los procesos ejecutados en elpunto anterior. Tiempo estimado 2 semanas.• Etapa 6: Según los resultados obtenidos se procederá a ejecutar nuevamente los procesos deexplotación de datos. Tiempo estimado 1 semana.• Etapa 7: Desarrollo de reportes en función de los resultados obtenidos y considerando losobjetivos de negocios del presente proyecto. Tiempo estimado 1 semana.• Etapa 8: Análisis y desarrollo de las conclusiones obtenidas según los resultados de cadaproceso. Tiempo estimado 2 semanas.• Etapa 9: Desarrollo de presentación de los resultados obtenidos a los participantes delproyecto. Tiempo estimado 1 semana.Página 101 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASNota: Durante cada una de las etapas del proyecto se irá desarrollando en paralelo el diccionario determinología de negocio (Anexo 1) y de minería de datos (Anexo 2).Evaluación inicial de herramientas y técnicasConstrucción de árboles basado en modelo de clasificación.Los Árboles de clasificación, o también llamados modelos basados en árboles, se fundamentan en elprincipio de “divide y vencerás”, construyendo un árbol que en cada nodo establece unascondiciones sobre un atributo, dividiendo así el conjunto de casos en subconjuntos que cumplencada condición. Los subconjuntos se vuelven a dividir añadiendo nuevos niveles al árbol hastadetenerse mediante algún criterio.Agrupamiento usando mapas autoorganizadosTécnicas que agrupan los datos en función de una distancia sin utilizar ningún tipo de informaciónexterna para organizar los grupos.Clustering no supervisado. Conjunto de técnicas que agrupan los datos en función de una distanciasin utilizar ningún tipo de información externa para organizar los grupos. Dependiendo de la formaen la que los datos son agrupados, podemos distinguir dos tipos de clustering:• Jerárquico: El clustering jerárquico aglomeratico es un método determinista basado en unamatriz de distancias. Establece pequeños grupos de genes/condiciones que tienen un patrónde expresión común y posteriormente construye un dendograma (representación grafica deun grupo de relaciones basadas en la cercanía o similitud entre los datos) de formasecuencial. El árbol o dendograma, establece una relación ordenada de los grupospreviamente definidos y la longitud de sus ramas es una representación de la distancia entrelos distintos nodos del mismo. En el desarrollo del clustering jerárquico se han utilizadodiferentes algoritmos (UPGMA, Ward, etc.) aunque todos siguen la misma estrategia engeneral: separan cada gen en un nodo diferente, calculan la distancia entre los dos genes máspróximos y los juntan en un cluster. Entonces se vuelve a calcular la matriz de distanciassustituyendo los dos patrones que se han unido por el promedio de ambos. En cada paso, losalgoritmos son capaces de juntar los genes no solo de dos en dos sino muchos más a la vez.Muchos de ellos simplemente se diferencian en la forma en la que calculan la distancia delnuevo cluster formado al resto de los elementos de la matriz, y en este sentido, laaproximación del “Average linkage” (algoritmo que opera agrupando iterativamente losgenes o clusters que presentan la distancia media mas pequeña en cada paso sucesivo delcalculo de la matriz de distancias) es la mas utilizada.• Por otro lado existe el clustering jerárquico divisivo que es similar al anterior pero agrupalos genes de forma inversa. Mientras que el clustering aglomerativo separa inicialmentetodos los genes y posteriormente los va agrupando para construir clusters más grandes, elclustering divisivo agrupa inicialmente todos los genes en un único cluster y sucesivamentelos va separando hasta que cada uno se encuentre aislado como una entidad. Es decir, elmétodo divisivo va identificando aquellos genes con un patrón más diferente para separarlosen el espacio lo más posible. Este es el caso de SOTA (Self-Organizing Tree Algorithm). Apesar de que no esta exento de problemas, el clustering es una herramienta poderosa para lareducción de los datos obtenido de microarrays y para el estudio de posibles hipótesis quePágina 102 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASrelacionan los clusters de genes obtenidos con el fenotipo. Sin embargo, este tipo derelaciones deben ser formalmente validadas por otros experimentos adicionales.• No jerárquico: En este caso los algoritmos comienzan a calcular la matriz de distancias apartir de un numero predefinido de clusters y van recolocando de forma iterativa los genesen los diferentes grupos hasta minimizar la dispersión interna de cada cluster. Los dosalgoritmos más representativos de este tipo de clustering son:1. K-Medias: es un algoritmo que comienza con una muestra de “k” genes elegidos al azarde la matriz original de datos. Cada uno de ellos se utiliza como el centroide inicial delos “k” clusters que se van a formar. La matriz de distancias se calcula desde dichocentroide hasta cada uno de los genes de la matriz de datos y cada uno de ellos seráasignado de esta forma al centroide más cercano. Entonces la matriz de distancias serecalcula reemplazando cada centroide por la media de los genes asignados a él y elalgoritmo repite entonces el proceso anterior. El mapa de clusters que ofrece estealgoritmo carece de topología.2. SOM: los mapas auto-organizados (Self-Organising Maps) son redes neuronales. Elalgoritmo permite, de forma iterativa, que los patrones mas parecidos se vayan juntandoentre si y alejándose de aquellos otros que son mas diferentes. Este tipo de algoritmosson más fiables y robustos puesto que se basan en redes neuronales que por definiciónson capaces de trabajar con grandes cantidades de datos con ruido. Sin embargo, nocarece de ciertos inconvenientes. SOM es una herramienta particularmente útil en eltratamiento de datos procedentes de series temporales.El gran problema que presentan estos métodos no jerárquicos es que al no generar undendograma no permiten hacerse una idea de la representación espacial de los genes, la cualsuele ofrecer un conocimiento intuitivo de cómo analizar los datos de microarrays.Clustering supervisado: se basa en la idea de que para la clasificación de la mayoría de muestrasbiológicas ya existe información preliminar que puede utilizarse para agrupación de nuevos datosen clusters. Los métodos supervisados aprenden de esta información previa, generalmente ofrecidapor un conjunto de datos de “entrenamiento”, la forma en que deben clasificar los nuevos datos(genes o condiciones) que se les presentan.SVM (Supported Vector Machines): es una técnica lineal que utiliza hiperplanos para separar losdatos en el espacio como puntos negativos o positivos. Los datos de estudio son clasificadosrespecto de otro conjunto de datos previamente conocido.Preceptrones: están basados en redes neuronales. Tienen algunas ventajas sobre las SVM como porejemplo la capacidad de clasificar muchas muestras al mismo tiempo y discriminar entre variasclases diferentes.Construcción de un modelo de predicciónOtro tipo de problema importante que ocurre en una amplia gama de usos es la predicción. Lapredicción es muy similar a la clasificación.La única diferencia es que en la predicción el atributo objetivo (la clase) no es un atributocualitativo discreto, sino es uno continuo.Página 103 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEl objetivo de la predicción esta en encontrar el valor numérico del atributo objetivo para objetos novistos. En la literatura, este tipo de problema es a veces llamado regresión. Si la predicción trata condatos de serie tiempo, entonces a menudo lo llaman pronosticación.8.2. Comprensión de Datos8.2.1. Recolección de datos iniciales8.2.1.1. Informe de la recolección de datos inicial• Identificación de autosCada unidad automotriz se identifica con un número el cual se específica en cada uno de losregistros que componen el presente trabajo. Toda unidad está relacionada con una avería lacual es producida en un determinado lugar, por una determinada empresa responsable.• ModelosLos datos relacionados con el nombre real del modelo son reemplazados por códigosnuméricos los cuales son extraídos directamente de cada consulta a la base de datos.• LugaresLos diferentes tipos de lugares están codificados. Los lugares están relacionados con lossitios donde las unidades son estacionadas transitoriamente.• Tipos de transporteLos transportes también están codificados por un número y los mismos son de diferente tipo.Esta información es referida a los transportes y tipos de transporte que trasladan losvehículos de un sitio a otro.• EmpresasCada empresa responsable por un siniestro es extraída con un código numérico. Todo sitio otransporte están vinculados a una empresa.• PartesCada parte de una unidad automotriz es identificada con un número que usualmente estácompuesto por dos dígitos alfanuméricos. Cada número representa una parte de un auto.• AveríasCada tipo de avería de cada siniestro está representado por un número. Normalmente es uncódigo compuesto por dos dígitos alfanuméricos.• GravedadesLos diferentes niveles de avería son también extraídos con un número. Representan laseveridad que tiene una avería en una determinada parte del auto.• ObservaciónTambién referida a cada avería y tiene como objetivo el describir un daño que no puede sercodificado en función del estándar de inspección especificado. Es un campo alfanumérico deN cantidad de caracteres.Página 104 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• FechasLas fechas son extraídas en formato numérico con el formato aaaammdd: 4 caracteresnuméricos correspondientes al año, 2 al mes y 2 al día.Requerimientos de informaciónLa información necesaria para el logro de los objetivos del proyecto son los descritos en el ítemanterior y lo mismos se encuentran disponibles en las bases de datos.Criterio de selección de los datosLos atributos específicos necesarios para la minería de datos son:• Identificador de autos• Fecha de operación en la que se detecta el daño• Modelo de cada unidad• Lugar• Parte del auto donde se produce la avería• Tipo de avería producida en cada unidad• Severidad o gravedad de avería producida• Observaciones por cada unidadTablas seleccionadas para la extracción de datos:• Autos• Operaciones• Daños• Autos – Operaciones• Modelos• Marcas• Lugares• Empresas• Partes• Averías• Gravedades• Compañías• BuquesLos datos se extraerán según la fecha de operación en la que se ha detectado cada avería. Losperiodos establecidos para realizar las particiones de datos extraídos es anual des el año 2003 hastael año 2008.Todos los datos son extraídos de un sistema estándar como lo es el SQL Server. La estructura decada base de datos esta normalizada.Inserción y transformación de datosLos datos que contienen solo descripciones compuestas por caracteres alfanuméricos son losrelacionados con las observaciones.Página 105 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEn cuanto a la transformación de datos se encuentra la necesidad de codificar los datos de modelosdebido a que los mismos se encuentran (en dos de las marcas incluidas en el presente proyecto) enformato de caracteres. Para cada una de las consultas realizadas en la generación del códigoseleccionador se procede a la transformación automática de los modelos en códigos numéricos.8.2.2. Descripción de datosEn lineamientos generales todos los datos extraídos están codificados numéricamente por lo tanto lanecesidad de manipulación de los mismos es mínima a la hora de llevarlos a los modelos a utilizaren el proyecto.Los tipos de datos extraídos son:• Identificador de autos: numérico• Fecha de operación en la que se detecta el daño: numérico• Modelo de cada unidad: numérico• Lugar: numérico• Parte del auto donde se produce la avería: numérico• Tipo de avería producida en cada unidad: numérico• Severidad o gravedad de avería producida: numérico• Observaciones por cada unidad: alfanuméricoAnálisis volumétrico de datosDatos y métodos de capturaLos datos son extraídos realizando consultas con tecnología SQL. Luego la informaciónestructurada es almacenada en planillas de cálculo y posteriormente se cargan en los modelos paraser analizados.Si es necesario algún tipo de transformación para cada grupo de datos capturado el proceso paratransformar los mismos se realiza con sentencias SQL.La disponibilidad de datos es 100 % accesible.Fuentes de datosComo lo mencionado en párrafos anteriores la fuente de datos se obtiene por en línea desde lossistemas en producción las cuales son alimentadas diariamente.Tablas y relacionesAutos – Operaciones: Estas tablas se relacionan para identificar las operaciones que son realizadasdiariamente y la cantidad de unidades que contienen las mismas.Daños – Autos – Operaciones: Esta relación permite al sistema relacionar las averías tomadas acada auto y para una operación especifica.Daños – Partes: Relacionadas para obtener los códigos y la descripción con la que se identifica cadaparte en un daño determinado.Página 106 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASDaños – Averías: Estas tablas están relacionadas para obtener los códigos y descripción de losdiferentes tipos de averías contenidos en un daño.Daños – Gravedades: Relacionadas para detallar los códigos y la descripción de cada nivel degravedad para un daño específico.Operaciones – Buques: Desde allí se obtienen los datos vinculados a los buques que forman parte deuna operación determinada si la misma es realizada en puerto tanto a la bajada como a la subida delos autos a cada navío.Operaciones – Compañías: Relacionadas para obtener información vinculada a las empresasresponsables por los daños u observaciones realizadas para cada unidad automotriz.Operaciones – Puntos de control: Toda operación está vinculada a un lugar específico en la cadena.Esta relación permite al sistema obtener información detallada de lugar donde se realizó lainspección del auto.Operaciones – Imputaciones: Estas tablas están relacionadas para poder saber cuales es el tipo detransporte o bien el tipo de lugar donde se produce una determinada avería.8.2.3. Exploración de datos• Árboles de Decisión con Modelo de Clasificación.El algoritmo de construcción de árboles de decisión trabaja sobre la cantidad de registrostomadas sin especificación de cantidad máxima y el objetivo inicial es el descubrimiento depatrones para el comportamiento de las averías en lugares, tipos de transporte, modelos ymarcas. El procesamiento de datos se realiza según los periodos definidos.• Agrupamiento con Mapas Autoorganizados.El agrupamiento de información se realiza con 5000 registros como máximo y se tomanmatrices de 3 x 3, 4 x 4, y 10 x 10. Del mismo modo que en el algoritmo anterior el proceso dela información se realiza en función de los periodos establecidos. Los agrupamientos se realizansobre modelos, lugares, partes, averías y severidades.• Modelos de Predicción.La construcción de los modelos de predicción se desarrolla sobre 2000 registros como cantidadmáxima. Se procesan corridas para el análisis de datos de partes, averías, lugares, modelos,severidades y marcas. Con esta información se puede obtener el comportamiento de las averíasen relación a determinadas partes, lugares, y tipos de transporte. En este caso también losregistros son procesados según los periodos establecidos.Informe de exploración de datosSe realiza la exploración de datos sobre información extraída desde el año 2003 al 2008. Losprimeros resultados van a mostrar información estadística y principalmente sirve para determinar laconsistencia y completitud de datos.Página 107 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTambién en esta etapa se va ha poder ver la necesidad de extraer de la base de datos atributos queposiblemente fueron omitidos y los cuales a partir de esta primera exploración se puedenvislumbrar.De la exploración inicial de toda la información disponible para el presente estudio se define ladivisión de los periodos de procesamiento de datos de la siguiente forma:• Muestra 1: Año 2003, 16 modelos.• Muestra 2: Primer semestre año 2004, 11 modelos.• Muestra 3: Segundo semestre año 2004, 13 modelos.• Muestra 4: Primer semestre año 2005, 19 modelos.• Muestra 5: Segundo semestre año 2005, 18 modelos.• Muestra 6: Primer semestre año 2006, 18 modelos.• Muestra 7: Segundo semestre año 2006, 22 modelos.• Muestra 8: Primer semestre año 2007, 20 modelos.• Muestra 9: Segundo semestre año 2007, 22 modelos.• Muestra 10: Primer semestre año 2008, 22 modelos.Para cada uno de los periodos establecidos el estudio comprende los siguientes lugares:• Importación: salida de planta de origen, subida a buque puerto de origen, bajada de buquepuerto de destino, salida de puerto de destino.• Exportación: salida de planta, ingreso a puerto, subida a buque.En referencia a las empresas y tipos de transporte por cada lugar se encuentran:• Transporte terrestre: 4 empresas.• Transporte marítimo: 92 buques correspondientes a 21 compañías.• Puertos: 3 empresas.Para concluir con el presente informe de exploración de datos se detallan las diferentes cantidadesde datos a analizar y los gráficos donde corresponden.• Cantidad total de registros explotar: 50246• Cantidad total de modelos que intervienen: 22• Cantidad de partes de autos: 99• Cantidad de tipos de averías: 11Página 108 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEn los gráfico siguientes se muestran resultados de la exploración de datos inicial sobre al totalidadde la información con la que se desarrolla el presente proyecto. Los gráficos muestran lainformación den dibujo de barras y de tortas para una mejor interpretación de los resultados.El Gráfico 1 muestra las cantidades de unidades producidas en función de los lugares donde seproducen y del recorrido que realizan.250002207520000150001000050002390507015440Retiro Fábrica deOrigenSubida BuquePuerto de OrigenBajada de BuqueRetiro de PuertoGráfico 1: Cantidad de averías por lugar (Importación de vehículos)En el Gráfico 2 se muestran las mismas cantidades del gráfico 1 en dibujo de tortas. Allí también sepuede observar el porcentaje de averías en función de los lugares en un circuito común deimportación de vehículos.Bajada de Buque; 5070;16%Retiro de Puerto; 1544; 5%Retiro Fábrica de Origen;2390; 8%Subida Buque Puerto deOrigen; 22075; 71%Gráfico 2: Cantidad de averías por lugar, cantidades y porcentajes (Importación de vehículos)El Gráfico 3 permite ver las cantidades por lugares de detección de averías en un circuito estándarde exportación de autos.Página 109 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS1200010000101378000664760004000238320000Transferencia ubicación ylínea de cargaIngreso a PuertoSubida a BuqueGráfico 3: Cantidad de averías por lugar (Exportación de vehículos)El Gráfico 4 detalla las cantidades de averías en función de los lugares y permite ver los porcentajesy cantidades en un circuito estándar de exportación.Subida a Buque; 2383; 12%Ingreso a Puerto; 6647; 35%Transferencia ubicación ylínea de carga; 10137; 53%Gráfico 4: Cantidad de averías por lugar, cantidades y porcentajes (Exportación de vehículos)El Gráfico 5 muestra los 10 modelos de vehículos con mayor cantidad de dañados.160001400012000140601189010000912980006000400020000481437342612157779843417 20 9 5 7 13 8 18 6 5 2531 2 3 4 5 6 7 8 9 10Gráfico 5: Los 10 modelos con mayor cantidad de averíasEl Gráfico 6 permite ver los 10 modelos con mayor cantidad de averías especificando cantidades yporcentajes del total tomado como referencia.Página 110 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS9; 6; 6% 10; 5; 5%1; 17; 16%8; 18; 17%7; 8; 7%2; 20; 18%6; 13; 12%5; 7; 6%4; 5; 5%3; 9; 8%Gráfico 6: Los 10 modelos con mayor cantidad de averías, porcentajes y cantidadesEl Gráfico 7 muestra las 10 partes de vehículos dañadas más frecuentemente. Solo se toman estás10 áreas para tener referencia y como consecuencia de la primera exploración de datos.500045004403 44014286400035003000392635683029250020001975 190617441500129610005000Puerta delanteraDerechaParagolpe Puerta delanteratrasero / Spoiler izq uierd atraseroPuerta traseraizq uierd aParagolpedelantero /ProtectordelanteroPuerta traseraDerechaManual Otros Spo ilerd elanteroLlanta d elanteraizq uierd aGráfico 7: Las 10 partes con mayor incidencia de averíasConcluyendo con la exploración de datos se muestra a continuación el Gráfico 8 con las 10 averíasproducidas en los vehículos con mayor frecuencia.Página 111 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS25000200002006117824150001000050005219 50820Rayado -RozadoAbolladoP inturasaltadaFaltanteArrancado-Roto-FisuradoManchado819 577 283 223 79 70 9Reventado-EstalladoExcesokilometrajeProyecciónDesgarrado -CortadoQuemado8.2.4. Verificación de la calidad de datosGráfico 8: Las 10 partes con mayor incidencia de averíasEn función de la exploración inicial de datos se concluye que estos son completos. Los datos cubrenlos casos requeridos para la obtención de los resultados necesarios para el logro de los objetivos delpresente proyecto.Los datos provienen del mismo sistema de base datos el cual no contiene errores, con excepción delos errores gramaticales en los campos que permiten el ingreso de texto, pero esos campos no sonrequeridos para el presente proyecto.En referencia a los valores omitidos hasta este punto ellos no fueron encontrados. Del mismo modohasta este ítemes del proyecto no se presentó la necesidad de excluir datos.8.3. Preparación de Datos8.3.1. Datos seleccionadosLos datos seleccionados para el análisis son los siguientes:• Número de chasis: tipo entero.• Modelo: tipo entero.• Fecha: tipo entero, formado año (4 dígitos), mes (2 dígitos) y día (2 dígitos).• Lugar: tipo entero.• Parte: tipo entero.• Tipo Avería: tipo entero.• Gravedad: tipo entero.• Observación: tipo carácter.El volumen de datos a explotar varía en función del software a utilizar, esto es:Página 112 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Modelo de Clasificación: El software no tiene límite especificado por lo que los datos aextraer para el análisis depende exclusivamente del contenido en la base de datos en ladivisión de períodos establecidos.• Modelo de Clustering: El límite del software es 5000 registros. Si el grupo de datos tomadosen cada periodo supera la restricción establecida por el software se procede a tomar el grupode valor fecha más bajo. Esto es, se toma la primera parte de los registros del periodo.• Modelo de Predicción: El límite del software es de 2000 registros. En el caso de superar lascantidades de datos restringidas por el software se toma como criterio de selección el mismoque para el punto anterior a los efectos de normalizar las consultas (SQL) de extracción dedatos.En referencia a importancia de datos se puede dividir en tres niveles:• Primaria: Los datos de Modelo, Lugar, Parte, Avería. Estos son los datos en función de loscuales se realizar las explotaciones.• Secundaria: Los atributos referidos a Fecha y Gravedad. En cuanto a las fechas solo sonutilizadas a los efectos de la toma de datos y para establecer un criterio de normalización delas consultas para la extracción de los datos. En cuanto a los datos de gravedad los mismosno tienen variación significativa. Inclusive la variación más alta, que son cuatro, solo lapresentan en los dos o tres primeros periodos de selección puesto que luego se achican soloa dos tipos.• Terciaria: El atributo Observación entra en esta clasificación puesto que el mismo nointerviene en la evaluación directa de los modelos.8.3.2. Limpieza de datosLa base de datos con la se cuenta para el presente trabajo contiene información relacionada conoperaciones de 4 marcas de automóviles. Pero solo 2 de las marcas contienen información relevantey representativa por su cantidad y diversidad de movimientos. Por este motivo se procedió aeliminar del presente proyecto las otras dos marcas como así también los puntos por donde pasanlos cuales no agregan valor al proyecto.Los datos de las marcas que quedan fuera del proyecto pueden ser objeto de un estudio posteriorpara continuar con esta línea de investigación en la industria automotriz. Los datos de las marcasque quedan excluías del proyecto no tienen importancia relevante para los períodos de distribuciónde las extracciones realizadas pero si pueden ser relevantes si los períodos establecidos son másprolongados (por ejemplo cada dos años).También por motivos de normalización para el ingreso de información a los modelos de softwarecon los que se cuenta se ha realizado por SQL la codificación de los modelos puesto que los mismosestán disponibles en la base de datos en formato de caracteres alfanuméricos.El campo Gravedad puede ser irrelevante en alguno de los períodos iniciales del presente estudiodebido a la cantidad de variaciones. Inicialmente son 1, 2, 3 y 4 y al final se reduce solo a dos 1 y 2.Página 113 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS8.3.3. Construcción de datosComo se ha mencionado en el ítem anterior se ha realizado la transformación del atributo Modelo aformato numérico debido a que los mismos se encontraban en formato alfanumérico.Lo recomendable para el proceso de transformación es la programación de una consulta SQL conlas sentencias correspondientes para la transformación de los datos.Todos los datos extraídos previos a la incorporación de los mismos en el software de análisis dedatos pasan a un archivo de planilla de cálculo.La explotación de los datos se realizará sobre información codificada en formato numérico y luegode realizar el estudio del significado de los resultados se procede a la captura del significado en labase de datos.Las marcas y modelos excluidos según lo dicho previamente también son filtrados en las consultasestructuradas. Los números de VIN que contiene cada unidad permiten realizar el filtroapropiadamente puesto que es único y universal para cada uno. La estructura del número deidentificación del auto permite saber dentro de si mismo a que marca y modelo pertenece, por lotanto en cada consulta SQL se incorpora la sentencia correspondiente para efectivizar el filtro.8.3.4. Integración de datosLos datos son extraídos y combinados a partir de tres tablas relacionadas por sus respectivas claves.Los atributos finales se obtienen de las siguientes tablas:• ChasisNúmero de identificación de un autoModelo del vehiculo• OperacionesFecha en que se realiza la operación donde interviene el vehículo que sufre la avería.• DañosCódigo de parte averiadaCódigo de averíaCódigo de gravedadObservaciónLas consultas SQL son capaces de integrar toda la información requerida para el presente proyecto.Todas las líneas de código para la generación de los archivos en función de los períodosestablecidos quedan almacenadas en archivos con formato de query. Las consultas programadas seencuentran almacenadas en el Anexo 3.8.3.5. Formateo de datosLas herramientas exigen que los datos a explotar sean numéricos.En cuanto al orden en el que debe ir cada columna los programas no requieren una posiciónespecífica pero a los efectos de normalizar el presente proceso de trabajo se define el siguienteorden:Página 114 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASa. Chasisb. Modeloc. Fechad. Lugare. Partef. Averíag. Gravedadh. Observación8.4. Modelado8.4.1. Selección de las técnicas de modelado• Árboles de Clasificación• Agrupamiento con Mapas Autoorganizados• Modelo de PredicciónLa documentación necesaria para la utilización de las herramientas de software que se utilizan eneste proyecto de tesis se encuentra disponible en la misma aplicación. La información brindada porcada herramienta es técnicamente precisa y detallada lo cual permite su aplicabilidad sin mayoresinconvenientes.Las aplicaciones han sido desarrolladas con tecnologías de planilla de cálculos programadas conuno de los lenguajes de programación estándares en informática.8.4.2. Generación de la prueba de diseñoEl conjunto de datos de entrenamiento es almacenado en archivos con formato de hoja de cálculo yse dividen en función de los períodos establecidos previamente para el presente proyecto. Secapturan y almacenan todos los datos según cada período preestablecido. Las cantidades de datos deentrenamiento para los respectivos modelos también es variable en función del software a usar, locual se especificó previamente en párrafos anteriores.Las pruebas se han realizado con muestras reducidas de los datos a ser explotados con el formatoque se utilizará en los modelos reales.En referencia a la validación de la calidad de datos cada aplicación solicita como parámetrosiniciales previos a cada proceso la especificación de los mismos. Cada validación especificadaqueda almacenada en la aplicación ejecutada.Durante las pruebas de diseño de los modelos se desestimaron los campos de identificación dechasis, fecha de producción de la avería y observación. La decisión fue tomada en función de lo quese conoce hasta este momento de desarrollo del proyecto y no se descarta la posibilidad de recurrir aesta información como consecuencia de un estudio o análisis futuro.De las pruebas también podemos concluir que en función de los resultados que se puedan llegar aobtener del presente estudio, se podría hacer necesario o bien podría ser caso de futuras líneas dePágina 115 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASinvestigación el desarrollo de la detección de patrones específicamente en uno de los másimportantes medios de transporte de autos como lo son los buques.8.4.3. Construcción de los modelosA continuación se describe la parametrización y ejecución de los modelos en función de las tresherramientas utilizadas por el proyecto.8.4.3.1. Modelo de ClasificaciónConstrucción de un Modelo de Clasificación para el analizar el comportamiento de los Tipos deAverías.Variables de entrada:• Código de Parte: Continuous Predictor.• Código de Gravedad: Continuous Predictor.Variables de salida:• Código de Avería: Categorical Predictor.Construcción de un Modelo de Clasificación para el análisis del comportamiento donde (CP) seproducen las averías en un automóvil.Variables de entrada:• Código de Parte: Continuous Predictor.• Código de Avería: Continuous Predictor.• Código de Gravedad: Continuous Predictor.Variables de salida:• Código de lugar (punto de control): Categorical Predictor.Construcción de un Modelo de Clasificación para analizar las averías producidas en modelos.Variables de entrada:• Código de Parte: Continuous Predictor.• Código de Avería: Continuous Predictor.• Código de Gravedad: Continuous Predictor.Variables de salida:• Código de modelo de auto: Categorical Predictor.El procesamiento de datos de estos modelos permite determinar los niveles de siniestralidad porlugar y modelos de unidades automotrices. Otra información que se obtiene a partir de estosmodelos es la imputación de los incidentes y la determinación de los tipos de transportes que losprovocan.8.4.3.2. Modelo de ClusteringConstrucción de un Modelo de Clustering para establecer el agrupamiento de daños.Página 116 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASVariables de entrada:• Código de Parte.• Código de Avería.• Código de Gravedad.Variables de salida:• Formación de grupos.Construcción de un Modelo de Clustering para el agrupamiento de datos en relación a daños y loslugares donde se producen sin considerar la gravedad del daño.Variables de entrada:• Código de CP.• Código de Parte.• Código de Avería.Variables de salida:• Formación de grupos.Construcción de un Modelo de Clustering para el agrupamiento de datos de averías en lugaresconsiderando la severidad de los daños.Variables de entrada:• Código de CP.• Código de Parte.• Código de Avería.• Código de Gravedad.Variables de salida:• Formación de grupos.Construcción de un Modelo de Clustering para el agrupamiento de datos de averías producidas enmodelos sin considerar la gravedad de los daños.Variables de entrada:• Código de Modelo.• Código de Parte.• Código de Avería.Variables de salida:• Formación de grupos.Construcción de un Modelo de Clustering para el agrupamiento de datos de averías producidas enmodelos especificando la severidad de los daños.Variables de entrada:• Código de Modelos.• Código de Parte.• Código de Avería.Página 117 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Código de Gravedad.Variables de salida:• Formación de grupos.La ejecución de estos agrupamientos identifica los daños producidos relacionados con los lugares ymodelos de unidades. También permite ver la relación entre las partes averiadas, los tipos de averíasproducidos y la severidad de los mismos.Del análisis de la relación entre los daños y los lugares se puede establecer el comportamiento delos daños en función del tipo de transporte.8.4.3.3. Modelo de PredicciónConstrucción de un Modelo de Predicción para determinar el comportamiento de las partes enfunción del tipo de avería y gravedad de la misma.Variables de entrada:• Código de Avería: Continuous.• Código de Gravedad: Continuous.Variables de salida:• Código de Parte: Output.Construcción de un Modelo de Predicción para determinar el comportamiento de los tipos de averíaen función de las partes donde se producen y la gravedad de la misma.Variables de entrada:• Código de Parte: Continuous.• Código de Gravedad: Continuous.Variables de salida:• Código de Avería: Output.Construcción de un Modelo de Predicción para establecer el comportamiento de las averías enfunción del lugar donde se producen.Variables de entrada:• Código de Parte: Continuous.• Código de Avería: Continuous.• Código de Gravedad: Continuous.Variables de salida:• Código de CP: Output.Construcción de un Modelo de Predicción para establecer el comportamiento de las averías enfunción de los modelos de vehículo.Variables de entrada:Página 118 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Código de Parte: Continuous.• Código de Avería: Continuous.• Código de Gravedad: Continuous.Variables de salida:• Código de Modelo: Output.Con el procesamiento del Modelo de Predicción es posible encontrar los daños, lugares, tipos detransportes, y modelos donde se producen las averías.Los modelos trabajan sobre los códigos numéricos de las variables introducidas. La traducción delos códigos empleados en el procesamiento de datos se encuentra disponible en el Anexo 4.En el Anexo 4 se encuentra el detalle descriptivo de los modelos, lugares, tipos de transporte,código de área de un auto, tipo de avería de un auto y gravedad de una avería en un automóvil.8.4.4. Descripción de los modelos8.4.4.1. Modelo de ClasificaciónSe trabaja sobre tres categorías: Averías, Lugares y Modelos.El modelo de minería de datos permite visualizar la ocurrencia de los tipos de averías producidossobre todas las partes y especificando las gravedades. Se observan las cantidades y porcentajes deocurrencia a lo largo de cada periodo.El análisis de la clase lugares permite visualizar el comportamiento de las averías en los diferenteslugares por donde transitan las unidades automotrices. También permite ver cantidades yporcentajes mostrando una clara relación entre los diferentes lugares donde se producen.Por último se analiza la ocurrencia de las averías por modelos de autos. Al final también es posibleencontrar información sobre cantidades y porcentajes por cada período.Para los tres tipos de análisis mencionados se crean los árboles de decisión con sus respectivasreglas.Finalmente este modelo muestra un detalle de los resultados obtenidos como la cantidad de hojas delos árboles generados, la cantidad de nodos, el tiempo de proceso de la herramienta, etc.A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del primerperíodo.• Averías (Período 1 – Año 2003)AveríaCantidadArrancado - Roto – Fisurado 136Desgarrado – Cortado 23Reventado – Estallado 12Pintura saltada 935Abollado 5338Página 119 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFaltante 494Proyección 9Rayado – Rozado 2023Manchado 84Exceso kilometraje 223Tabla 4: Cantidad de daños y sus códigos correspondientesExceso kilometraje2%Manchado1%Rayado - Rozado22%Arrancado - Roto -Fisurado1%Desgarrado - Cortado0%Reventado - Estallado0%Pintura saltada10%Proyección0%Faltante5%Abollado59%• Lugares (Período 1 – Año 2003)Gráfico 9: Porcentajes de ocurrencia de averíasLugarCantidadRetiro Fábrica de Origen 87Subida Buque Puerto de Origen 6925Bajada de Buque 942Retiro de Puerto 352Transferencia ubicación y línea de carga 424Ingreso a Puerto 443Subida a Buque 104Tabla 5: Cantidad de averías por lugarPágina 120 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTransferenciaubicación y línea decarga5%Retiro de Puerto4%Bajada de Buque10%Ingreso a Puerto5%Subida a Buque1% Retiro Fábrica deOrigen1%Subida Buque Puertode Origen74%Gráfico 10: Porcentajes de ocurrencia de avería en diferentes lugares• Modelos (Período 1 – Año 2003)Modelo CantidadModelo 1 33Modelo 2 33Modelo 3 194Modelo 4 8Modelo 5 595Modelo 9 4143Modelo 11 33Modelo 12 13Modelo 13 436Modelo 14 67Modelo 15 12Modelo 16 13Modelo 17 2662Modelo 18 467Modelo 19 22Modelo 20 546Tabla 6: Cantidad de averías por modeloPágina 121 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 190%Modelo 206%Modelo 10%Modelo 20%Modelo 32%Modelo 40%Modelo 185%Modelo 56%Modelo 1729%Modelo 160%Modelo 946%Modelo 150%Modelo 141%Modelo 135%Modelo 110%Modelo 120%Gráfico 11: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del segundoperíodo.• Averías (Período 2 – Semestre 1 Año 2004)AveríaCantidadQuemado 2Arrancado - Roto – Fisurado 31Desgarrado – Cortado 6Reventado – Estallado 14Pintura saltada 790Abollado 2855Faltante 184Proyección 2Rayado – Rozado 1628Manchado 155Tabla 7: Cantidad de daños y sus códigos correspondientesPágina 122 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASManchado3%Quemado0%Arrancado - Roto -Fisurado Reventado - Estallado1%0%Desgarrado - Cortado0%Pintura saltada14%Rayado - Rozado29%Proyección0%Faltante3%Abollado50%Gráfico 12: Porcentajes de ocurrencia de averías• Lugares (Período 2 – Semestre 1 Año 2004)LugarCantidadRetiro Fábrica de Origen 87Subida Buque Puerto de Origen 6925Bajada de Buque 942Retiro de Puerto 352Transferencia ubicación y línea de carga 424Ingreso a Puerto 443Subida a Buque 104Tabla 8: Cantidad de averías por lugarPágina 123 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTransferenciaubicación y línea decarga1%Retiro de Puerto2%Bajada de Buque6%Ingreso a Puerto6%Subida a Buque1% Retiro Fábrica deOrigen1%Subida Buque Puertode Origen83%Gráfico 13: Porcentajes de ocurrencia de avería en diferentes lugares• Modelos (Período 2 – Semestre 1 Año 2004)Modelo 1 15Modelo 2 9Modelo 3 52Modelo 5 244Modelo 9 1785Modelo 11 5Modelo 13 562Modelo 14 10Modelo 16 22Modelo 17 2616Modelo 18 28Modelo 20 319Tabla 9: Cantidad de averías por modeloPágina 124 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 206%Modelo 180%Modelo 1Modelo 20% 0%Modelo 31%Modelo 54%Modelo 932%Modelo 1747%Modelo 110%Modelo 160%Modelo 140%Modelo 1310%Gráfico 14: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del tercerperíodo.• Averías (Período 3 – Semestre 2 Año 2004)AveríaCantidadQuemado 4Arrancado - Roto - Fisurado 46Desgarrado - Cortado 8Reventado - Estallado 13Pintura saltada 812Abollado 2375Faltante 274Rayado - Rozado 1794Manchado 29Tabla 10: Cantidad de daños y sus códigos correspondientesPágina 125 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASRayado - Rozado34%Quemado0%Manchado1%Arrancado - Roto -Fisurado1%Reventado - Estallado0%Desgarrado - Cortado0%Pintura saltada15%Faltante5%Abollado44%Gráfico 15: Porcentajes de ocurrencia de averías• Lugares (Período 3 – Semestre 2 Año 2004)LugarCantidadRetiro Fábrica de Origen 33Subida Buque Puerto de Origen 4008Bajada de Buque 505Retiro de Puerto 71Transferencia ubicación y línea de carga 20Ingreso a Puerto 491Subida a Buque 228Tabla 11: Cantidad de averías por lugarTransferenciaubicación y línea decarga0%Ingreso a Puerto9%Subida a Buque4% Retiro Fábrica deOrigen1%Retiro de Puerto1%Bajada de Buque9%Subida Buque Puertode Origen76%Página 126 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGráfico 16: Porcentajes de ocurrencia de avería en diferentes lugares• Modelos (Período 3 – Semestre 2 Año 2004)Modelo CantidadModelo 1 30Modelo 2 8Modelo 3 6Modelo 5 252Modelo 6 14Modelo 8 2Modelo 9 833Modelo 11 8Modelo 13 457Modelo 14 4Modelo 16 29Modelo 17 3041Modelo 18 40Modelo 20 632Tabla 12: Cantidad de averías por modeloModelo 11%Modelo 30%Modelo 2012%Modelo 20%Modelo 55%Modelo 80%Modelo 60%Modelo 110%Modelo 915%Modelo 181%Modelo 139%Modelo 1756%Modelo 140%Modelo 161%Gráfico 17: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del cuartoperíodo.• Averías (Período 4 – Semestre 1 Año 2005)AveríaCantidadArrancado - Roto - Fisurado 66Desgarrado - Cortado 2Reventado - Estallado 25Pintura saltada 598Abollado 1099Página 127 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFaltante 264Rayado - Rozado 1792Manchado 61Tabla 13: Cantidad de daños y sus códigos correspondientesArrancado - Roto -Fisurado2%Manchado2%Desgarrado - Cortado0%Reventado - Estallado1%Pintura saltada15%Rayado - Rozado45%Abollado28%Faltante7%Gráfico 18: Torta especificando porcentajes de ocurrencia de averías• Lugares (Período 4 – Semestre 1 Año 2005)LugarCantidadRetiro Fábrica de Origen 603Subida Buque Puerto de Origen 1849Bajada de Buque 570Retiro de Puerto 137Transferencia ubicación y línea de carga 39Ingreso a Puerto 510Subida a Buque 201Tabla 14: Cantidad de averías por lugarPágina 128 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSubida a Buque5%Transferenciaubicación y línea decarga1%Ingreso a Puerto13%Retiro Fábrica deOrigen15%Retiro de Puerto4%Subida Buque Puertode Origen47%Bajada de Buque15%Gráfico 19: Porcentajes de ocurrencia de avería en diferentes lugares• Modelos (Período 4 – Semestre 1 Año 2005)Modelo CantidadModelo 1 20Modelo 2 3Modelo 5 200Modelo 6 72Modelo 8 465Modelo 9 433Modelo 13 35Modelo 16 18Modelo 17 2002Modelo 18 86Modelo 20 574Tabla 15: Cantidad de averías por modeloPágina 129 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 2015%Modelo 11%Modelo 20%Modelo 55%Modelo 62%Modelo 182%Modelo 812%Modelo 911%Modelo 131%Modelo 1751%Modelo 160%Gráfico 20: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del quintoperíodo.• Averías (Período 5 – Semestre 2 Año 2005)AveríaCantidadArrancado - Roto - Fisurado 67Desgarrado - Cortado 6Reventado - Estallado 28Pintura saltada 490Abollado 1126Faltante 240Proyección 6Rayado - Rozado 1887Manchado 21Tabla 16: Cantidad de daños y sus códigos correspondientesArrancado - Roto -Fisurado2%Manchado1%Desgarrado - Cortado0%Reventado - Estallado1%Pintura saltada13%Abollado29%Rayado - Rozado48%Proyección0%Faltante6%Gráfico 21: Porcentajes de ocurrencia de averíasPágina 130 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Lugares (Período 5 – Semestre 2 Año 2005)LugarCantidadRetiro Fábrica de Origen 909Subida Buque Puerto de Origen 1208Bajada de Buque 758Retiro de Puerto 248Transferencia ubicación y línea de carga 94Ingreso a Puerto 550Subida a Buque 104Tabla 17: Cantidad de averías por lugarIngreso a Puerto14%Subida a Buque3%Transferenciaubicación y línea decarga2%Retiro Fábrica deOrigen23%Retiro de Puerto6%Subida Buque Puertode Origen32%Bajada de Buque20%Gráfico 22: Porcentajes de ocurrencia de avería en diferentes lugares• Modelos (Período 5 – Semestre 2 Año 2005)Modelo CantidadModelo 1 48Modelo 2 8Modelo 5 398Modelo 6 85Modelo 8 608Modelo 9 469Modelo 13 70Modelo 16 4Modelo 17 1795Modelo 18 39Modelo 19 80Modelo 20 266Tabla 18: Cantidad de averías por modeloPágina 131 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 192%Modelo 181%Modelo 1 Modelo 2Modelo 201%0%7% Modelo 510%Modelo 62%Modelo 816%Modelo 1747%Modelo 912%Modelo 160%Modelo 13Gráfico 23: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del sextoperíodo.• Averías (Período 6 – Semestre 1 Año 2006)AveríaCantidadArrancado - Roto - Fisurado 34Reventado - Estallado 17Pintura saltada 271Abollado 1681Faltante 247Rayado - Rozado 1499Manchado 4Tabla 19: Cantidad de daños y sus códigos correspondientesArrancado - Roto -Fisurado1%Manchado0%Reventado - Estallado0%Rayado - Rozado40%Pintura saltada7%Faltante7%Abollado45%Gráfico 24: Porcentajes de ocurrencia de averíasPágina 132 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Lugares (Período 6 – Semestre 1 Año 2006)LugarCantidadRetiro Fábrica de Origen 631Subida Buque Puerto de Origen 1585Bajada de Buque 580Retiro de Puerto 187Transferencia ubicación y línea de carga 136Ingreso a Puerto 497Subida a Buque 138Tabla 20: Cantidad de averías por lugarIngreso a Puerto13%Subida a Buque4%Transferenciaubicación y línea decarga4%Retiro Fábrica deOrigen17%Retiro de Puerto5%Subida Buque Puertode Origen42%Bajada de Buque15%Gráfico 25: Porcentajes de ocurrencia de avería en diferentes lugares• Modelos (Período 6 – Semestre 1 Año 2006)Modelo CantidadModelo 1 4Modelo 2 4Modelo 5 533Modelo 6 69Modelo 8 285Modelo 9 789Modelo 11 2Modelo 13 125Modelo 16 8Modelo 17 1482Modelo 18 10Modelo 19 2Modelo 20 441Tabla 21: Cantidad de averías por modeloPágina 133 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 190%Modelo 2012%Modelo 10%Modelo 20%Modelo 514%Modelo 180%Modelo 62%Modelo 88%Modelo 1740%Modelo 921%Modelo 160%Modelo 133%Modelo 110%Gráfico 26: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del séptimoperíodo.• Averías (Período 7 – Semestre 2 Año 2006)AveríaCantidadArrancado - Roto - Fisurado 80Desgarrado - Cortado 5Reventado - Estallado 18Pintura saltada 140Abollado 781Faltante 353Proyección 2Rayado - Rozado 1208Manchado 11Tabla 22: Cantidad de daños y sus códigos correspondientesPágina 134 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASArrancado - Roto -Fisurado3%Manchado0%Reventado - Estallado1%Desgarrado - Cortado0%Pintura saltada5%Abollado30%Rayado - Rozado47%Proyección0%Faltante14%Gráfico 27: Porcentajes de ocurrencia de averías• Lugares (Período 7 – Semestre 2 Año 2006)LugarCantidadRetiro Fábrica de Origen 39Subida Buque Puerto de Origen 144Bajada de Buque 547Retiro de Puerto 119Transferencia ubicación y línea de carga 415Ingreso a Puerto 1069Subida a Buque 265Tabla 23: Cantidad de averías por lugarSubida a Buque10%Retiro Fábrica deOrigen2%Subida Buque Puertode Origen6%Bajada de Buque21%Retiro de Puerto5%Ingreso a Puerto40%Transferenciaubicación y línea decarga16%Gráfico 28: Porcentajes de ocurrencia de avería en diferentes lugaresPágina 135 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Modelos (Período 7 – Semestre 2 Año 2006)Modelo CantidadModelo 1 21Modelo 2 12Modelo 5 565Modelo 6 76Modelo 7 2Modelo 8 28Modelo 9 170Modelo 10 4Modelo 11 2Modelo 13 106Modelo 15 32Modelo 16 3Modelo 17 260Modelo 18 29Modelo 20 1288Tabla 24: Cantidad de averías por modeloModelo 11%Modelo 20%Modelo 522%Modelo 63%Modelo 2050%Modelo 70%Modelo 134%Modelo 81%Modelo 97%Modelo 100%Modelo 110%Modelo 181%Modelo 1710%Modelo 160%Modelo 151%Gráfico 29: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del octavoperíodo.• Averías (Período 8 – Semestre 1 Año 2007)AveríaCantidadArrancado - Roto - Fisurado 62Desgarrado - Cortado 4Página 136 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASReventado - Estallado 21Pintura saltada 237Abollado 761Faltante 605Proyección 40Rayado - Rozado 1278Manchado 11Tabla 25: Cantidad de daños y sus códigos correspondientesArrancado - Roto -FisuradoManchado2%0%Reventado - Estallado1%Desgarrado - Cortado0%Pintura saltada8%Abollado25%Rayado - Rozado43%Proyección1%Faltante20%Gráfico 30: Porcentajes de ocurrencia de averías• Lugares (Período 8 – Semestre 1 Año 2007)LugarCantidadRetiro Fábrica de Origen 20Subida Buque Puerto de Origen 517Bajada de Buque 219Retiro de Puerto 156Transferencia ubicación y línea de carga 1437Ingreso a Puerto 575Subida a Buque 95Tabla 26: Cantidad de averías por lugarPágina 137 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASIngreso a Puerto19%Subida a Buque3%Retiro Fábrica deOrigen1%Subida Buque Puertode Origen17%Bajada de Buque7%Retiro de Puerto5%Transferenciaubicación y línea decarga48%Gráfico 31: Porcentajes de ocurrencia de avería en diferentes lugares• Modelos (Período 8 – Semestre 1 Año 2007)Modelo CantidadModelo 1 5Modelo 5 712Modelo 6 43Modelo 7 94Modelo 8 88Modelo 9 209Modelo 13 270Modelo 15 11Modelo 16 22Modelo 17 125Modelo 18 37Modelo 20 1403Tabla 27: Cantidad de averías por modeloPágina 138 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 10%Modelo 524%Modelo 2047%Modelo 61%Modelo 73%Modelo 83%Modelo 97%Modelo 139%Modelo 181%Modelo 174%Modelo 150%Modelo 161%Gráfico 32: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del novenoperíodo.• Averías (Período 9 – Semestre 2 Año 2007)AveríaCantidadQuemado 2Arrancado - Roto - Fisurado 146Desgarrado - Cortado 10Reventado - Estallado 59Pintura saltada 609Abollado 1016Faltante 641Proyección 2Rayado - Rozado 4689Manchado 14Tabla 28: Cantidad de daños y sus códigos correspondientesPágina 139 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASManchado0%Quemado0%Arrancado - Roto -Fisurado2%Desgarrado - Cortado0%Reventado - Estallado1%Pintura saltada8%Abollado14%Faltante9%Proyección0%Rayado - Rozado66%Gráfico 33: Porcentajes de ocurrencia de averías• Lugares (Período 9 – Semestre 2 Año 2007)LugarCantidadRetiro Fábrica de Origen 18Subida Buque Puerto de Origen 635Bajada de Buque 282Retiro de Puerto 60Transferencia ubicación y línea de carga 4503Ingreso a Puerto 1167Subida a Buque 523Tabla 29: Cantidad de averías por lugarSubida a Buque7%Ingreso a Puerto16%Retiro Fábrica deOrigen0%Subida Buque Puertode Origen9%Bajada de Buque4%Retiro de Puerto1%Transferenciaubicación y línea decarga63%Gráfico 34: Porcentajes de ocurrencia de avería en diferentes lugaresPágina 140 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Modelos (Período 9 – Semestre 2 Año 2007)Modelo CantidadModelo 2 1Modelo 5 839Modelo 6 18Modelo 7 1747Modelo 8 75Modelo 9 156Modelo 13 358Modelo 15 100Modelo 16 9Modelo 17 30Modelo 18 36Modelo 20 3819Tabla 30: Cantidad de averías por modeloModelo 20%Modelo 512%Modelo 60%Modelo 2054%Modelo 724%Modelo 81%Modelo 181%Modelo 170%Modelo 92%Modelo 135%Modelo 15Modelo 161%0%Gráfico 35: Porcentajes de ocurrencia de avería en modelosA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del décimoperíodo.• Averías (Período 10 – Semestre 1 Año 2008)AveríaCantidadArrancado - Roto - Fisurado 144Desgarrado - Cortado 5Reventado - Estallado 76Pintura saltada 334Abollado 751Faltante 1771Proyección 16Página 141 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASRayado - Rozado 2223Manchado 187Tabla 31: Cantidad de daños y sus códigos correspondientesManchado3%Arrancado - Roto -Fisurado3%Desgarrado - Cortado0%Reventado - Estallado1%Pintura saltada6%Abollado14%Rayado - Rozado41%Proyección0%Faltante32%Gráfico 36: Porcentajes de ocurrencia de averías• Lugares (Período 10 – Semestre 1 Año 2008)LugarCantidadRetiro Fábrica de Origen 12Subida Buque Puerto de Origen 454Bajada de Buque 318Retiro de Puerto 124Transferencia ubicación y línea de carga 3008Ingreso a Puerto 958Subida a Buque 633Tabla 32: Cantidad de averías por lugarPágina 142 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSubida a Buque11%Retiro Fábrica deOrigen0%Subida Buque Puertode Origen8%Bajada de Buque6%Ingreso a Puerto17%Retiro de Puerto2%Transferenciaubicación y línea decarga56%Gráfico 37: Porcentajes de ocurrencia de avería en diferentes lugares• Modelos (Período 10 – Semestre 1 Año 2008)Modelo CantidadModelo 2 46Modelo 5 433Modelo 6 57Modelo 7 1883Modelo 8 26Modelo 9 142Modelo 13 190Modelo 15 74Modelo 16 26Modelo 17 38Modelo 18 21Modelo 20 2571Tabla 33: Cantidad de averías por modeloPágina 143 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 21%Modelo 58%Modelo 61%Modelo 2048%Modelo 734%Modelo 180%8.4.4.2. Modelo de ClusteringModelo 171%Modelo 160%Modelo 133%Modelo 151%Modelo 93%Modelo 80%Gráfico 38: Porcentajes de ocurrencia de avería en modelosEl análisis es realizado agrupando: Parte – Avería – Gravedad, Lugar – Parte – Avería, Lugar –Parte – Avería – Gravedad, Modelo – Parte – Avería, Modelo – Parte – Avería – Gravedad.El agrupamiento de partes, averías y gravedades permite visualizar el comportamiento de lossiniestros ocurridos separando los daños en función del formato establecido por el estándarutilizado. El análisis es realizado por cada período en el presente proyecto.Para el segundo caso se toman el agrupamiento considerando el lugar donde se produce una avería,el tipo de avería y la parte del automóvil que es afectado. Al igual que para el anterior agrupamientoeste análisis se realiza para cada uno de los periodos. En el siguiente proceso al agrupamiento sesuma la gravedad del siniestro.Luego, el análisis posterior de los datos tiene en cuenta el agrupamiento de la informaciónconsiderando el modelo averiado y la parte del auto y tipo de avería producido. Finalmente alagrupamiento anterior y al igual que en el caso de los lugares el agrupamiento de los modelosincluye la gravedad de cada siniestro.Cada uno de los procesos realizados muestra al final el resultado estadístico logrado. Allí seespecifican cantidades por grupos, cantidad de grupos formados, porcentajes, etc. El proceso deagrupamiento es realizado con matrices cuadradas de 10 x 10 en todos los casos.A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del primerperíodo.• Parte – Avería – Gravedad (Período 1 – Año 2003)OverallParte Avería Gravedad Cantidad Fila ColumnaTapa acceso gancho FaltanteMedianoremolquePágina 144 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 1 Puerta delantera Arrancado - Roto - Intolerable 99 1 1derechaFisuradoCluster 2 Escape Abollado Grave 779 1 2Cluster 3 AlfombraRayado - Rozado Grave 455 1 3suplementariasCluster 4 Parabrisa Proyección Mediano 362 1 4Cluster 5 Luz trasera izquierda Faltante Mediano 626 1 5Cluster 6 Puerta delantera Faltante Leve 1130 1 6derechaCluster 7 Cubierta delantera Rayado - Rozado Mediano 138 1 7izquierdaCluster 8 Panel lateral Abollado Leve 1057 1 9izquierdoCluster 9 Panel lateral derecho Abollado Mediano 354 1 10Tabla 7: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 1 – Año 2003)Lugar Parte Avería Cantidad Fila ColumnaOverall Retiro de Puerto Tapa acceso gancho FaltanteremolqueCluster 1 Transferenciaubicación y línea decargaManijas externas depuertas delanterasRayado –Rozado1 1 1Cluster 2Cluster 3Transferenciaubicación y línea decargaTransferenciaubicación y línea decargaPanel trasero bajobaúlRayado –RozadoCapot Rayado –Rozado12 1 211 1 3Cluster 4 Ingreso a Puerto Paragolpe delantero Rayado – 38 1 4/ SuperiorRozadoCluster 5 Ingreso a Puerto Techo corredizo Faltante 55 1 5Cluster 6 Ingreso a Puerto Cubierta delanteraderechaCluster 7 Transferencia Luz de neblinaubicación y línea de traseracargaCluster 8 Ingreso a Puerto Luz traseraCluster 9 Transferenciaubicación y línea decargaCluster 10 Subida Buque Puertode OrigenizquierdaLuz de neblinatraseraBolsa deherramientasAbollado 111 1 6Excesokilometraje299 1 7Abollado 63 1 8Abollado 76 1 9Faltante 4334 1 10Tabla 8: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 1 – Año 2003)Lugar Parte Avería Gravedad Cantidad Fila ColumnaPágina 145 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASOverallRetiro dePuertoCluster 1 Bajada deBuqueCluster 2 Retiro dePuertoCluster 3 SubidaBuque Puertode OrigenCluster 4 Ingreso aPuertoCluster 5 SubidaBuque Puertode OrigenCluster 6 Transferenciaubicación ylínea de cargaCluster 7 SubidaBuque Puertode OrigenCluster 8 SubidaBuque Puertode OrigenCluster 9 SubidaBuque Puertode OrigenTapa acceso ganchoremolqueTapizado internopuerta delanteraizquierdaCristales de parantedelanteroSistema denavegaciónMoldura protectoralateral derechaFaltanteRayado -RozadoMedianoMediano 596 1 1Abollado Grave 1007 1 2Proyección Grave 15 1 3Rayado -RozadoLeve 488 1 4Cable de carga Faltante Mediano 582 1 5Insignia Faltante Leve 99 1 6Llave Abollado Leve 2120 1 7Guardabarrodelantero izquierdoGuardabarrodelantero izquierdoRayado -RozadoRayado -RozadoLeve 14 1 8Mediano 79 1 9Tabla 9: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 1 – Año 2003)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo 12 Tapa acceso gancho remolque FaltanteCluster 1 Modelo 4 Moldura protectora lateral Faltante 636 1 1derechaCluster 2 Modelo 10 Manual Abollado 1267 1 2Cluster 3 Modelo 18 Cubierta delantera derecha Rayado –879 1 3RozadoCluster 4 Modelo 10 Giro Delantero (derecho / Rayado –121 1 4izquierdo)RozadoCluster 5 Modelo 10 Panel lateral izquierdo Abollado 1113 1 5Cluster 6 Modelo 9 Cerraduras de puertas Rayado –295 1 6RozadoCluster 7 Modelo 17 Cubierta delantera izquierda Abollado 689 1 8Tabla 10: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 1 – Año 2003)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 12 Tapa acceso ganchoremolqueFaltante MedianoPágina 146 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 1 Modelo 5 Giro Delantero Faltante Intolerable 389 1 1(derecho / izquierdo)Cluster 2 Modelo 15 Puerta trasera derecha Faltante Grave 792 1 2Cluster 3 Modelo 18 Paragolpe trasero / Faltante Mediano 110 1 3Spoiler traseroCluster 4 Modelo 16 Bolsa de herramientas Abollado Mediano 231 1 4Cluster 5 Modelo 17 Panel lateral derecho Rayado - Mediano 290 1 5RozadoCluster 6 Modelo 9 Manijas externas de Rayado - Mediano 168 1 6puertas traseras RozadoCluster 7 Modelo 15 Apoya cabezas Faltante Mediano 8 1 7delantero / izquierdo /derechoCluster 8 Modelo 11 Luz de neblina trasera Faltante Leve 2945 1 8Cluster 9 Modelo 13 Faro delanteroizquierdo / derechoCluster 10 Modelo 14 Retrovisor externoderechoAbollado Mediano 2 1 9PinturasaltadaMediano 65 1 10Tabla 11: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del segundoperíodo.• Parte – Avería – Gravedad (Período 2 – Semestre 1 Año 2004)Parte Avería Gravedad Cantidad Fila ColumnaOverall Tapa acceso FaltanteMedianogancho remolqueCluster 1 Cristales de Faltante Intolerable 317 1 1parante delanteroCluster 2 Guardabarro Faltante Grave 756 1 2trasero derechoCluster 3 Cerraduras de Rayado - Rozado Mediano 374 1 3puertasCluster 4 Otros Abollado Leve 1864 1 4Cluster 5 Cable de carga Rayado - Rozado Leve 223 1 5Cluster 6 Antena Rayado - Rozado Mediano 520 1 7Cluster 7 Bolsa de Abollado Mediano 932 1 9herramientasCluster 8 Tapa de Baúl oPuerta TraseraAbollado Mediano 14 1 10Tabla 12: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 2 – Semestre 1 Año 2004)Lugar Parte Avería Cantidad Fila ColumnaOverall Retiro de Puerto Tapa accesogancho remolqueFaltantePágina 147 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 1Cluster 2Cluster 3Transferenciaubicación y línea decargaTransferenciaubicación y línea decargaTransferenciaubicación y línea decargaLlanta traseraizquierdaPuerta delanteraizquierdaFaltante 9 1 1Rayado -RozadoTecho corredizo Rayado -RozadoCluster 4 Ingreso a Puerto Techo corredizo Rayado -RozadoCluster 5 Ingreso a Puerto Puerta traseraderechaCluster 6 Ingreso a Puerto Tapa posterior detechoCluster 7 Transferenciaubicación y línea decargaCluster 8 Ingreso a Puerto Llanta delanteraderechaCluster 9Subida BuquePuerto de OrigenRayado -RozadoPinturasaltada31 1 217 1 397 1 462 1 523 1 6Otros Abollado 167 1 7Bolsa deherramientasAbollado 14 1 8Faltante 4580 1 10Tabla 13: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 2 – Semestre 1 Año 2004)Lugar Parte Avería Gravedad Cantidad Fila ColumnaOverall Retiro de Puerto Tapa acceso Faltante MedianoganchoremolqueCluster 1 Bajada de Buque Cristales de Faltante Intolerable 259 1 1parantedelanteroCluster 2 Retiro de Puerto Guardabarro Faltante Grave 627 1 2traseroderechoCluster 3 Bajada de Buque Panel lateral Faltante Leve 1961 1 3izquierdoCluster 4 Ingreso a Puerto Tapa Pintura Mediano 82 1 4posterior detechosaltadaCluster 5 Bajada de Buque LlantadelanteraAbollado Leve 1642 1 5Cluster 6Cluster 7Transferenciaubicación y líneade cargaderechaParrilladelanteraBajada de Buque LlantadelanteraderechaCluster 8 Retiro de Puerto Techo(inclusiveconvertible)Abollado Leve 15 1 6Faltante Grave 405 1 7Proyección Mediano 9 1 10Tabla 14: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - GravedadPágina 148 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Modelo – Parte – Avería (Período 2 – Semestre 1 Año 2004)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo 14 Tapa acceso gancho FaltanteremolqueCluster 1 Modelo 17 Aerosol antipinchazos Proyección 1010 1 1Cluster 2 Modelo 10 Guardabarro delantero Abollado 1695 1 2izquierdoCluster 3 Modelo 17 Puerta delantera derecha Abollado 614 1 3Cluster 4 Modelo 8 Panel lateral izquierdo Rayado - 243 1 4RozadoCluster 5 Modelo 13 Manual Rayado - 12 1 5RozadoCluster 6 Modelo 6 Limpiador y lavador de Abollado 192 1 6parabrisasCluster 7 Modelo 7 Zócalo interno puerta Rayado - 131 1 7delantera izquierda RozadoCluster 8 Modelo 17 Cubierta delantera Rayado - 382 1 8izquierdaRozadoCluster 9 Modelo 12 Paragolpe trasero / Spoiler Pintura8 1 9traserosaltadaCluster 10 Modelo 17 Alfombra baúl / caja decargaFaltante 713 1 10Tabla 15: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 2 - Semestre 1 Año 2004)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 14 Tapa acceso Faltante Medianogancho remolqueCluster 1 Modelo 16 Guardabarro Faltante Grave 800 1 1trasero derechoCluster 2 Modelo 8 Cristales de Faltante Grave 273 1 2parante delanteroCluster 3 Modelo 10 Barras de techo Proyección Mediano 111 1 3Cluster 4 Modelo 12 Alfombra Rayado - Mediano 7 1 4suplementarias RozadoCluster 5 Modelo 13 Puerta delantera Faltante Leve 2341 1 5izquierdaCluster 6 Modelo 8 Giro Delantero Faltante Mediano 350 1 6(derecho /izquierdo)Cluster 7 Modelo 9 Cubierta delantera Pintura Mediano 11 1 7derechasaltadaCluster 8 Modelo 17 Aleron Faltante Mediano 1085 1 8Cluster 9 Modelo 17 Otros Rayado -RozadoMediano 22 1 10Tabla 16: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del tercerperíodo.Página 149 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Parte – Avería – Gravedad (Período 3 – Semestre 2 Año 2004)Parte Avería Gravedad Cantidad Fila ColumnaOverall Tapa acceso gancho FaltanteLeveremolqueCluster 1 Paragolpe delantero / Rayado - Rozado Mediano 4 1 1SuperiorCluster 2 Paragolpe delantero / Rayado - Rozado Mediano 4 1 3Protector delanteroCluster 3 Capot Rayado - Rozado Grave 23 1 4Cluster 4 Paragolpe trasero / Zona Rayado - Rozado Grave 58 1 5contactoCluster 5 Aleron Proyección Grave 78 1 6Cluster 6 Luz de neblina trasera Abollado Grave 401 1 7Cluster 7Tapa acceso ganchoremolqueFaltante - 4432 1 10Tabla 17: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 3 – Semestre 2 Año 2004)Lugar Parte Avería Cantidad Fila ColumnaOverall Retiro de Puerto Tapa acceso gancho FaltanteremolqueCluster 1 Ingreso a Puerto Barras de techo Pinturasaltada46 1 1Cluster 2 Ingreso a Puerto Guardabarro traseroderechoCluster 3 Ingreso a Puerto Luz de neblinatraseraCluster 4 Ingreso a Puerto Bolsa deherramientasCluster 5 Ingreso a Puerto Luz de patentetraseraCluster 6 Ingreso a Puerto Tapa acceso ganchoremolqueCluster 7 Subida a Buque Retrovisor externoizquierdoCluster 8 Ingreso a Puerto Paragolpe trasero /Zona contactoCluster 9Cluster 10Transferencia ubicacióny línea de cargaTransferencia ubicacióny línea de cargaPinturasaltada40 1 2Abollado 147 1 3Faltante 6 1 4Rayado -Rozado72 1 5Faltante 10 1 6Rayado -RozadoRayado -Rozado36 1 7299 1 8Taza Proyección 13 1 9Bolsa deherramientasFaltante 4331 1 10Tabla 18: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 3 – Semestre 2 Año 2004)Página 150 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLugar Parte Avería Gravedad Cantidad Fila ColumnaOverall Retiro de Puerto Tapa acceso Faltante LeveganchoremolqueCluster 1 Subida a Buque SpoilerdelanteroRayado -RozadoMediano 3 1 1Cluster 2 Ingreso a Puerto ParantedelanteroCluster 3 Ingreso a Puerto AlfombrasuplementariasCluster 4 Ingreso a Puerto Luz de neblinatraseraCluster 5Subida BuquePuerto de OrigenGiro Delantero(derecho /izquierdo)Cluster 6 Ingreso a Puerto RetrovisorexternoderechoCluster 7Cluster 8Transferenciaubicación y líneade cargaSubida BuquePuerto de OrigenMolduraprotctoralateralizquierdaRayado -RozadoGrave 15 1 3Proyección Grave 48 1 4Faltante Grave 54 1 5Faltante Grave 448 1 6Proyección - 548 1 8Pinturasaltada- 1 1 9Otros Faltante - 3883 1 10Tabla 19: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 3 – Semestre 2 Año 2004)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo 15 Tapa acceso gancho FaltanteremolqueCluster 1 Modelo 17 Llave de rueda Faltante 556 1 1Cluster 2 Modelo 17 Cubierta delantera Faltante 1084 1 2izquierdaCluster 3 Modelo 9 Giro Delantero Abollado 1409 1 3(derecho / izquierdo)Cluster 4 Modelo 13 Puerta trasera izquierda Abollado 89 1 4Cluster 5 Modelo 17 Guardabarro trasero Abollado 849 1 6derechoCluster 6 Modelo 17 Luz de neblina trasera Desgarrado -15 1 7CortadoCluster 7 Modelo 18 Limpiador y lavador de Proyección 712 1 8parabrisasCluster 8 Modelo 17 Tapa posterior de techo Faltante 286 1 9Tabla 20: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 3 – Semestre 2 Año 2004)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 15 Tapa accesogancho remolqueFaltante LevePágina 151 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 1 Modelo 5 Capot Rayado - Grave 11 1 1RozadoCluster 2 Modelo 4 Retrovisor Faltante Grave 63 1 2externo derechoCluster 3 Modelo 7 Insignia Rayado - Grave 23 1 3RozadoCluster 4 Modelo 15 Plip Rayado - Grave 12 1 4RozadoCluster 5 Modelo 10 Faro de stop Abollado Grave 128 1 5lunetaCluster 6 Modelo 17 Puerta trasera Faltante Grave 72 1 6izquierdaCluster 7 Modelo 17 Manual Faltante Grave 259 1 7Cluster 8 Modelo 15 Tapa accesogancho remolqueFaltante - 4432 1 10Tabla 21: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del cuartoperíodo.• Parte – Avería – Gravedad (Período 4 – Semestre 2 Año 2005)Parte Avería Gravedad Cantidad Fila ColumnaOverall Guardabarro trasero Faltante -derechoCluster 1 Spoiler delantero Manchado Observada 1 1 1Cluster 2 Paragolpe delantero / Manchado Observada 4 1 2Protector delanteroCluster 3 Paragolpe delantero / Manchado Observada 2 1 3SuperiorCluster 4 Capot Rayado - Rozado Observada 77 1 4Cluster 5 Panel trasero bajo baúl Rayado - Rozado Observada 134 1 5Cluster 6 Aleron Proyección Observada 172 1 6Cluster 7 Panel trasero bajo baúl Pintura saltada Observada 16 1 7Cluster 8 Llanta delantera izquierda Abollado Observada 703 1 8Cluster 9 Zócalo izquierdo Manchado Observada 31 1 9Cluster 10 Zócalo derecho Faltante - 2779 1 10Tabla 22: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 4 – Semestre 1 Año 2005)Lugar Parte Avería Cantidad Fila ColumnaOverall Retiro de Guardabarro trasero derecho FaltantePuertoCluster 1 Ingreso a Paragolpe trasesro / Zona Rayado -3 1 1Puerto contactoRozadoCluster 2 Ingreso a Paragolpe trasero / Spoiler Rayado -6 1 4Puerto traseroRozadoCluster 3 Subida a Buque Paragolpe delantero / Rayado -9 1 5Protector delantero RozadoCluster 4 Ingreso a Capot Rayado - 72 1 6Página 152 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 5Cluster 6Cluster 7Cluster 8PuertoSubida BuquePuerto deOrigenRetiro dePuertoRetiro dePuertoRetiro dePuertoRozadoTapa posterior de techo Rayado -Rozado131 1 7Taza Faltante 226 1 8Llanta delantera izquierda Faltante 311 1 9Puerta trasera derecha Faltante 3161 1 10Tabla 23: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 4 – Semestre 1 Año 2005)OverallCluster 1Cluster 2Cluster 3Cluster 4Cluster 5Cluster 6Cluster 7Cluster 8Cluster 9Lugar Parte Avería Gravedad Cantidad Fila ColumnaRetiro de Guardabarro Faltante -Puerto trasero derechoSubida a Zócalo interno Rayado - Observada 3 1 1Buque puerta delantera RozadoizquierdaSubida a Paragolpe trasero Rayado - Observada 10 1 3Buque / Spoiler trasero RozadoIngreso a Capot Rayado - Observada 64 1 4PuertoRozadoIngreso a Parabrisa Faltante Observada 43 1 5PuertoIngreso a Luz de neblina Proyección Observada 165 1 6Puerto traseraIngreso a Cubierta delantera Faltante - 436 1 7Puerto derechaBajada de Zócalo derecho Faltante - 2342 1 8BuqueSubida Escape Faltante Observada 855 1 9Buque Puertode OrigenSubidaBuque Puertode OrigenLuneta trasera /Cristal puertatraseraArrancado -Roto -Fisurado- 1 1 10Tabla 24: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 4 – Semestre 1 Año 2005)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo 15 Guardabarro trasero FaltantederechoCluster 1 Modelo 9 Parante delantero Rayado - Rozado 42 1 1Cluster 2 Modelo 6 Limpiador de Faros Proyección 380 1 2(derecho / izquierdo)Cluster 3 Modelo 8 Llanta delantera Abollado 812 1 3izquierdaCluster 4 Modelo 18 Panel trasero bajo baúl Rayado - Rozado 1250 1 4Cluster 5 Modelo 15 Capot Reventado -Estallado13 1 5Página 153 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 6 Modelo 17 Paragolpe trasero / Arrancado - Roto - 4 1 6Spoiler trasero FisuradoCluster 7 Modelo 18 Escape Proyección 583 1 7Cluster 8 Modelo 17 Guardabarro delanteroizquierdoCluster 9 Modelo 17 Separador interno decargaCluster 10 Modelo 17 Llanta delanteraderechaPintura saltada 533 1 8Proyección 237 1 9Pintura saltada 65 1 10Tabla 25: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 4 – Semestre 1 Año 2005)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 15 Guardabarro trasero Faltante -derechoCluster 1 Modelo 16 Batería Rayado - Observada 22 1 1RozadoCluster 2 Modelo 18 Luz de patente Proyección Observada 146 1 2traseraCluster 3 Modelo 8 Tapa acceso gancho Abollado Observada 382 1 3remolqueCluster 4 Modelo 18 AlfombraFaltante Observada 518 1 4suplementariasCluster 5 Modelo 9 Zócalo derecho Manchado Observada 67 1 6Cluster 6 Modelo 12 Parante delantero Faltante Observada 5 1 8Cluster 7 Modelo 15 Zócalo derecho Faltante - 2779 1 10Tabla 26: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del quintoperíodo.• Parte – Avería – Gravedad (Período 5 – Semestre 2 Año 2005)Parte Avería Gravedad Cantidad Fila ColumnaOverall Guardabarro delantero Faltante -derechoCluster 1 Capot Abollado Observada 14 1 1Cluster 2 Barras de techo Pintura saltada Observada 38 1 3Cluster 3 Barras de techo Rayado - Rozado Observada 108 1 4Cluster 4 Retrovisor externo Pintura saltada Observada 146 1 6izquierdoCluster 5 Tapa tanqueRayado - Rozado Observada 30 1 7combustibleCluster 6 Bolsa de herramientas Rayado - Rozado Observada 81 1 8Cluster 7Guardabarro delanteroderechoFaltante - 3464 1 10Página 154 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTabla 27: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 5 – Semestre 2 Año 2005)Lugar Parte Avería Cantidad Fila ColumnaOverall Retiro de Puerto Guardabarro delantero FaltantederechoCluster Subida Buque Puerto Paragolpe delantero / Rayado -13 1 11 de OrigenSuperiorRozadoCluster Subida Buque Puerto Paragolpe delantero / Rayado -29 1 52 de OrigenProtector delantero RozadoCluster Bajada de Buque Paragolpe delantero / Rayado -63 1 63Protector delantero RozadoCluster Bajada de Buque Paragolpe delantero / Rayado -44 1 74SuperiorRozadoCluster Retiro Fábrica de Paragolpe trasero / Spoiler Rayado - 993 1 85 OrigentraseroRozadoCluster Bajada de Buque Antena Proyección 177 1 96Cluster7Retiro de Puerto Cristales de parantedelanteroFaltante 2562 1 10Tabla 28: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 5 – Semestre 2 Año 2005)OverallCluster 1Cluster 2Cluster 3Cluster 4Cluster 5Cluster 6Cluster 7Cluster 8Lugar Parte Avería Gravedad Cantidad Fila ColumnaRetiro de Guardabarro Faltante -Puerto delantero derechoIngreso a Techo (inclusive Pintura - 67 1 1Puerto convertible) saltadaIngreso a Otros Abollado - 177 1 2PuertoIngreso a Techo (inclusive Rayado - - 142 1 3Puerto convertible) RozadoSubida a Bolsa deProyección - 12 1 4Buque herramientasIngreso a Llanta delantera Proyección - 111 1 5Puerto izquierdaSubida Buque Guardabarro Faltante - 2955 1 6Puerto de delantero derechoOrigenBajada de Zócalo derecho Faltante Observada 168 1 7BuqueIngreso aPuertoLlanta delanteraderechaProyección Observada 249 1 8Tabla 29: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 5 – Semestre 2 Año 2005)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo 13 Guardabarro delantero FaltantederechoCluster 1 Modelo 18 Guardabarros y parante Rayado – 269 1 1Página 155 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAStrasero izquierdoRozadoCluster 2 Modelo 17 Faro de stop luneta Abollado 669 1 2Cluster 3 Modelo 7 Tapa acceso gancho Abollado 1290 1 3remolqueCluster 4 Modelo 17 Tapa de Baúl o Puerta Rayado - 1307 1 5TraseraRozadoCluster 5 Modelo 13 Techo (inclusiveAbollado 24 1 6convertible)Cluster 6 Modelo 6 Paragolpe trasero / Zona Rayado -263 1 8contactoRozadoCluster 7 Modelo 9 Paragolpe delantero /SuperiorRayado -Rozado59 1 10Tabla 30: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 5 – Semestre 2 Año 2005)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 13 Guardabarro delantero Faltante -derechoCluster 1 Modelo 20 Paragolpe delantero / Rayado - Observada 7 1 1Protector delantero RozadoCluster 2 Modelo 19 Tapizado interno puerta Rayado - Observada 53 1 2delantera izquierda RozadoCluster 3 Modelo 18 Llave Abollado Observada 123 1 3Cluster 4 Modelo 9 Parrilla delantera Proyección Observada 6 1 4Cluster 5 Modelo 6 Taza Proyección Observada 167 1 5Cluster 6 Modelo 13 Techo (inclusiveconvertible)Cluster 7 Modelo 8 Guardabarro delanteroizquierdoCluster 8 Modelo 13 Guardabarro delanteroderechoAbollado Observada 11 1 7Abollado Observada 50 1 8Faltante - 3464 1 10Tabla 31: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del sextoperíodo.• Parte – Avería – Gravedad (Período 6 – Semestre 1 Año 2006)Overall Retiro de Puerto Zócalo derecho FaltanteCluster 1 Transferencia ubicación y Spoiler delantero Rayado - 42 1 2línea de cargaRozadoCluster 2 Transferencia ubicación y Paragolpe delantero / Rayado - 27 1 5línea de cargaProtector delanteroRozadoCluster 3 Ingreso a Puerto Paragolpe delantero / Rayado - 74 1 6Protector delanteroRozadoCluster 4 Ingreso a Puerto Zócalo interno puerta Rayado - 114 1 7delantera izquierdaRozadoCluster 5 Ingreso a Puerto Tapa acceso gancho remolque Faltante 470 1 8Cluster 6Cluster 7Transferencia ubicación ylínea de cargaSubida Buque Puerto deOrigenLlave Abollado 53 1 9Guardabarro trasero derecho Faltante 2983 1 10Página 156 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTabla 32: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 6 – Semestre 1 Año 2006)Lugar Parte Avería Cantidad Fila ColumnaOverall Retiro de Puerto Zócalo derecho FaltanteCluster 1Cluster 2Transferenciaubicación y línea decargaTransferenciaubicación y línea decargaSpoiler delantero Rayado -RozadoParagolpe delantero /Protector delanteroRayado -Rozado42 1 227 1 5Cluster 3 Ingreso a Puerto Paragolpe delantero / Rayado - 74 1 6Protector delantero RozadoCluster 4 Ingreso a Puerto Zócalo interno puerta Rayado - 114 1 7delantera izquierda RozadoCluster 5 Ingreso a Puerto Tapa acceso gancho Faltante 470 1 8remolqueCluster 6 Transferenciaubicación y línea decargaLlave Abollado 53 1 9Cluster 7Subida Buque Puertode OrigenGuardabarro traseroderechoFaltante 2983 1 10Tabla 33: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 6 – Semestre 1 Año 2006)Lugar Parte Avería Gravedad Cantidad Fila ColumnaOverall Retiro de Puerto Zócalo derecho Faltante -Cluster 1Cluster 2Cluster 3Cluster 4Cluster 5Cluster 6Cluster 7Cluster 8Bajada deBuqueSpoiler delantero Rayado -RozadoObservada 7 1 1Retiro de Puerto Paragolpe delantero Rayado - Observada 1 1 4/ Protector delantero RozadoBajada de Spoiler delantero Rayado - Observada 9 1 5BuqueRozadoIngreso a Puerto Tapa posterior de Rayado - Observada 35 1 6techoRozadoBajada de Moldura protectora Faltante Observada 103 1 7Buque lateral derechaTransferencia Puerta trasera Abollado Observada 33 1 8ubicación y izquierdalínea de cargaBajada de Tapa acceso gancho Abollado Observada 274 1 9BuqueBajada deBuqueremolqueZócalo derecho Faltante - 3301 1 10Tabla 34: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 6 – Semestre 1 Año 2006)Modelo Parte Avería Cantidad Fila ColumnaPágina 157 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASOverall Modelo 13 Zócalo derecho FaltanteCluster 1 Modelo 20 Paragolpe delantero / Rayado - 124 1 1Protector delantero RozadoCluster 2 Modelo 17 Panel trasero bajo baúl Rayado - 901 1 2RozadoCluster 3 Modelo 7 Escape Faltante 1695 1 3Cluster 4 Modelo 17 Otros Rayado - 110 1 6RozadoCluster 5 Modelo 18 Giro Delantero (derecho / Abollado 577 1 7izquierdo)Cluster 6 Modelo 16 Guardabarros y parante Abollado 318 1 8trasero izquierdoCluster 7 Modelo 13 Barras de techo Abollado 38 1 9Tabla 35: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 6 – Semestre 1 Año 2006)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 13 Zócalo derecho Faltante -Cluster 1 Modelo 20 Paragolpe delantero / Rayado - Observada 1 1 1SuperiorRozadoCluster 2 Modelo 20 Spoiler delantero Rayado - Observada 20 1 2RozadoCluster 3 Modelo 19 Paragolpe trasero / Proyección Observada 45 1 3Spoiler traseroCluster 4 Modelo 19 Bolsa de herramientas Proyección Observada 57 1 4Cluster 5 Modelo 7 Bolsa de herramientas Faltante Observada 260 1 5Cluster 6 Modelo 11 Manijas externas de Pintura Observada 5 1 6puertas delanteras saltadaCluster 7 Modelo 16 Parrilla delantera Pintura Observada 74 1 8saltadaCluster 8 Modelo 13 Zócalo derecho Faltante - 3301 1 10Tabla 36: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del séptimoperíodo.• Parte – Avería – Gravedad (Período 7 – Semestre 2 Año 2006)Parte Avería Gravedad Cantidad Fila ColumnaOverall Guardabarro delantero Faltante -derechoCluster 1 Llanta trasera derecha Pintura saltada Observada 1 1 1Cluster 2 Cubierta trasera Reventado - Estallado Observada 1 1 2derechaCluster 3 Bajo chasis delantero Arrancado - Roto - Observada 2 1 3FisuradoCluster 4 Bolsa de herramientas Arrancado - Roto - Observada 15 1 4FisuradoCluster 5 Luz de neblina trasera Abollado Observada 94 1 5Cluster 6 Faro de stop luneta Rayado - Rozado Observada 94 1 6Página 158 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 7 Tapa posterior detechoCluster 8 AlfombrasuplementariasCluster 9 Guardabarro delanteroderechoProyección Observada 128 1 7Abollado Observada 22 1 8Faltante - 2271 1 10Tabla 37: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 7 – Semestre 2 Año 2006)Lugar Parte Avería Cantidad Fila ColumnaOverall Transferencia Guardabarro delantero Faltanteubicación y línea decargaderechoCluster 1 Retiro de Puerto Paragolpe delantero / Rayado - 11 1 1Protector delantero RozadoCluster 2 Bajada de Buque Paragolpe delantero / Rayado - 41 1 2Protector delantero RozadoCluster 3 Bajada de Buque Manijas externas de Proyección 326 1 3puertas traserasCluster 4 Ingreso a Puerto Parabrisa Proyección 865 1 4Cluster 5 Bajada de Buque Guardabarro delantero Abollado 473 1 5izquierdoCluster 6 Ingreso a Puerto Faro de stop luneta Abollado 483 1 7Cluster 7 Ingreso a Puerto Llave Rayado -Rozado429 1 8Tabla 38: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 7 – Semestre 2 Año 2006)OverallCluster 1Cluster 2Cluster 3Cluster 4Cluster 5Cluster 6Cluster 7Lugar Parte Avería Gravedad Cantidad Fila ColumnaTransferencia Guardabarro Faltante -ubicación y delantero derecholínea de cargaBajada de Spoiler delantero Rayado - Observada 1 1 1BuqueBajada deBuqueRetiro dePuertoBajada deBuqueBajada deBuqueBajada deBuqueIngreso aPuertoParagolpedelantero /ProtectordelanteroParagolpedelantero /ProtectordelanteroPanel trasero bajobaúlAlfombrasuplementariasRozadoRayado -RozadoRayado -RozadoObservada 3 1 3Observada 1 1 4Rayado -RozadoObservada 14 1 5Proyección Observada 21 1 6Parrilla delantera Abollado Observada 67 1 7Guardabarrodelantero derechoFaltante Observada 250 1 8Página 159 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 8Transferenciaubicación ylínea de cargaGuardabarrodelantero derechoFaltante - 2271 1 10Tabla 39: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 7 – Semestre 2 Año 2006)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo 15 Guardabarro Faltantedelantero derechoCluster 1 Modelo 20 Parrilla delantera Rayado -252 1 1RozadoCluster 2 Modelo 19 Retrovisor externo Abollado 553 1 2izquierdoCluster 3 Modelo 6 Puerta delantera Faltante 868 1 3derechaCluster 4 Modelo 11 Barras de techo Proyección 91 1 4Cluster 5 Modelo 20 Barras de techo Proyección 714 1 5Cluster 6 Modelo 13 Tapa acceso ganchoremolqueCluster 7 Modelo 18 Retrovisor externoderechoCluster 8 Modelo 13 Llanta delanteraderechaRayado -Rozado4 1 6Reventado -114 1 7EstalladoAbollado 32 1 10Tabla 40: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 7 – Semestre 2 Año 2006)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 15 Guardabarro Faltante -delantero derechoCluster 1 Modelo 5 Otros Manchado Observada 2 1 1Cluster 2 Modelo 5 Zócalo izquierdo Rayado - Observada 22 1 3RozadoCluster 3 Modelo 7 Zócalo izquierdo Abollado Observada 42 1 4Cluster 4 Modelo 6 Manijas externas depuertas traserasCluster 5 Modelo 8 Retrovisor externoderechoCluster 6 Modelo 19 Retrovisor externoderechoCluster 7 Modelo 13 Giro Delantero(derecho / izquierdo)Cluster 8 Modelo 15 Guardabarrodelantero derechoProyección Observada 42 1 5Pintura Observada 20 1 6saltadaFaltante Observada 224 1 7Abollado Observada 5 1 8Faltante - 2271 1 10Tabla 41: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del octavoperíodo.• Parte – Avería – Gravedad (Período 8 – Semestre 1 Año 2007)Página 160 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASParte Avería Gravedad Cantidad Fila ColumnaOverall Zócalo derecho Faltante -Cluster1Cluster2Cluster3Cluster4Cluster5Cluster6Cluster7Spoiler delantero Rayado -RozadoObservadaParagolpe delantero / Protector Rayado - ObservadadelanteroRozadoParagolpe trasero / Spoiler Rayado - ObservadatraseroRozadoTapa posterior de techo Abollado ObservadaManualPintura ObservadasaltadaLuz de neblina trasera Faltante ObservadaZócalo derecho Faltante -2 1 164 1 468 1 576 1 65 1 7437 1 82377 1 10Tabla 42: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 8 – Semestre 1 Año 2007)Lugar Parte Avería Cantidad Fila ColumnaOverall Transferencia Zócalo derecho Faltanteubicación y línea decargaCluster 1 Ingreso a Puerto Puerta trasera Proyección 599 1 1izquierdaCluster 2 Transferencia Guardabarro trasero Pintura288 1 2ubicación y línea decargaderechosaltadaCluster 3 Bajada de Buque Moldura protectora Faltante 910 1 3Cluster 4Cluster 5Transferenciaubicación y línea decargaTransferenciaubicación y línea decargalateral derechaTecho (inclusiveconvertible)Rayado -Rozado510 1 4Manual Faltante 722 1 5Tabla 43: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 8 – Semestre 1 Año 2007)Lugar Parte Avería Gravedad Cantidad Fila ColumnaOverall Transferencia Zócalo derecho Faltante -ubicación ylínea de cargaCluster 1 Ingreso a Paragolpe delantero / Pintura Observada 2 1 1Puerto Protector delantero saltadaCluster 2 Transferencia Faldillas para barro Pintura Observada 6 1 3ubicación ylínea de cargasaltadaCluster 3 Ingreso a Zócalo izquierdo Abollado Observada 57 1 4PuertoCluster 4 Transferencia Puerta trasera Rayado - Observada 68 1 5Página 161 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 5Cluster 6Cluster 7Cluster 8ubicación ylínea de cargaTransferenciaubicación ylínea de cargaBajada deBuqueSubida BuquePuerto deOrigenTransferenciaubicación ylínea de cargaizquierdaTapizado internopuerta delanteraizquierdaRozadoRayado -RozadoObservada 160 1 6Capot Rayado -RozadoObservada 10 1 7Panel lateral derecho Abollado Observada 349 1 8Zócalo derecho Faltante - 2377 1 10Tabla 44: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 8 – Semestre 1 Año 2007)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo 14 Zócalo derecho FaltanteCluster 1 Modelo 5 Capot Rayado -105 1 1RozadoCluster 2 Modelo 5 Manijas externas de Proyección 316 1 2puertas traserasCluster 3 Modelo 7 Parrilla delantera Faltante 730 1 3Cluster 4 Modelo 13 Retrovisor externo Rayado -1 1 4izquierdoRozadoCluster 5 Modelo 19 Zócalo izquierdo Abollado 455 1 5Cluster 6 Modelo 13 Guardabarro delantero Abollado 206 1 6izquierdoCluster 7 Modelo 13 Tapa de Baúl o Puerta Abollado 15 1 7TraseraCluster 8 Modelo 20 Limpiador y lavador de Proyección 1110 1 8parabrisasCluster 9 Modelo 14 Techo corredizo Faltante 90 1 9Cluster 10 Modelo 13 Puerta delantera derecha Rayado -Rozado1 1 10Tabla 45: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 8 – Semestre 1 Año 2007)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 14 Zócalo derecho Faltante -Cluster 1 Modelo 20 Paragolpe delantero / Rayado - Observada 1 1 1SuperiorRozadoCluster 2 Modelo 20 Paragolpe delantero / Rayado - Observada 20 1 2Protector delantero RozadoCluster 3 Modelo 20 Tapa de Baúl o Puerta Rayado - Observada 45 1 3TraseraRozadoCluster 4 Modelo 17 Manijas externas de Proyección Observada 57 1 4puertas traserasCluster 5 Modelo 20 Cubierta delantera Rayado - Observada 260 1 5izquierdaRozadoCluster 6 Modelo 11 Panel lateral derecho Faltante Observada 5 1 6Página 162 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 7 Modelo 14 Zócalo derecho Faltante - 74 1 8Tabla 46: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del novenoperíodo.• Parte – Avería – Gravedad (Período 9 – Semestre 2 Año 2007)Parte Avería Gravedad Cantidad Fila ColumnaOverall Taza Proyección -Cluster 1 Conjunto carrocería Manchado Observada 2 1 1Cluster 2 Llanta trasera izquierda Rayado -RozadoObservada67 1 5Cluster 3 Cubierta trasera derecha Rayado -RozadoObservada76 1 6Cluster 4 Guardabarros y parante traseroizquierdoRayado -RozadoObservada176 1 7Cluster 5 Panel lateral derecho Faltante Observada 438 1 8Cluster 6 Techo corredizo Proyección Observada 275 1 9Cluster 7 Limpiador y lavador de Proyección -parabrisas3966 1 10Tabla 47: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 9 – Semestre 2 Año 2007)Lugar Parte Avería Cantidad Fila ColumnaOverall Transferencia TazaProyecciónubicación y línea decargaCluster 1 Retiro de Puerto Capot Rayado -1 1 1RozadoCluster 2 Bajada de Buque Spoiler delantero Rayado -3 1 3RozadoCluster 3 Bajada de Buque Capot Rayado -27 1 4RozadoCluster 4 Bajada de Buque Zócalo interno puerta Rayado -30 1 5delantera izquierda RozadoCluster 5 Bajada de Buque Barras de techo Abollado 147 1 6Cluster 6 Bajada de Buque Tapa acceso gancho Abollado 520 1 7remolqueCluster 7 Transferencia Llanta trasera izquierda Abollado 21 1 8ubicación y línea decargaCluster 8 Ingreso a Puerto Manijas externas de Proyección 3082 1 9puertas delanterasCluster 9 Transferenciaubicación y línea decargaFaro de stop luneta Rayado -Rozado1169 1 10Tabla 48: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 9 – Semestre 2 Año 2007)Página 163 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASOverallCluster 1Cluster 2Cluster 3Cluster 4Cluster 5Cluster 6Cluster 7Cluster 8Cluster 9Lugar Parte Avería Gravedad Cantidad Fila ColumnaTransferencia Taza Proyección -ubicación ylínea de cargaBajada de Zócalo izquierdo Rayado - Observada 11 1 1BuqueRozadoTransferencia Llanta trasera Rayado - Observada 72 1 2ubicación y izquierdaRozadolínea de cargaIngreso aPuertoTransferenciaubicación ylínea de cargaIngreso aPuertoTransferenciaubicación ylínea de cargaSubida BuquePuerto deOrigenSubida BuquePuerto deOrigenTransferenciaubicación ylínea de cargaTapizado internopuerta delanteraizquierdaTapa tanquecombustibleProyección Observada 239 1 3Rayado -RozadoEscape Rayado -RozadoZócalo derecho Rayado -RozadoPuerta delanteraizquierdaLimpiador y lavadorde parabrisasLimpiador y lavadorde parabrisasObservada 233 1 4Observada 51 1 5Observada 100 1 6Abollado Observada 62 1 7Abollado Observada 266 1 8Proyección - 3966 1 10Tabla 49: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 9 – Semestre 2 Año 2007)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo TazaProyección14Cluster 1 Modelo 7 Cable de carga Rayado - 356 1 1RozadoCluster 2 Modelo 6 Tapizado interno puerta Rayado - 782 1 2delantera izquierdaRozadoCluster 3 Modelo 7 Guardabarro trasero derecho Pintura704 1 3saltadaCluster 4 Modelo Luz de neblina trasera Abollado 112 1 414Cluster 5 Modelo Limpiador y lavador de Proyección 2716 1 520 parabrisasCluster 6 Modelo 9 Techo corredizo Proyección 15 1 6Cluster 7 Modelo Faro de stop luneta Faltante 27 1 713Cluster 8 Modelo Guardabarro trasero derecho Abollado 144 1 1013Cluster 8 Modelo13Techo (inclusive convertible) Abollado 144 1 10Tabla 50: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - AveríaPágina 164 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Modelo – Parte – Avería – Gravedad (Período 9 – Semestre 2 Año 2007)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 14 Taza Proyección -Cluster 1 Modelo 20 Llanta trasera Rayado - ObservadaizquierdaRozado65 1 1Cluster 2 Modelo 20 Alfombra baúl / Rayado - Observadacaja de carga Rozado165 1 3Cluster 3 Modelo 8 AlfombraProyección Observadasuplementarias450 1 4Cluster 4 Modelo 16 Llanta delantera Faltante Observadaderecha354 1 5Cluster 5 Modelo 15 Techo (inclusive Proyección -convertible)22 1 7Cluster 6 Modelo 7 Llanta delantera Faltante -derecha1598 1 8Cluster 7 Modelo 20 Transponder Proyección - 2346 1 9Tabla 51: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - GravedadA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del décimoperíodo.• Parte – Avería – Gravedad (Período 10 – Semestre 1 Año 2008)Parte Avería Gravedad Cantidad Fila ColumnaOverall Zócalo derecho Faltante -Cluster 1 Spoiler delantero Rayado - Rozado Observada 5 1 1Cluster 2 Paragolpe delantero /Protector delanteroCluster 3 Paragolpe delantero /SuperiorCluster 4 Paragolpe trasero /Spoiler traseroCluster 5 Moldura protctora lateralizquierdaCluster 6 Retrovisor externoderechoRayado - Rozado Observada 75 1 5Rayado - Rozado Observada 15 1 6Proyección Observada 145 1 7Rayado - Rozado Observada 828 1 8Faltante - 3932 1 10Tabla 52: Agrupamiento con especificación de cantidades por cluster: Parte - Avería - Gravedad• Lugar – Parte – Avería (Período 10 – Semestre 1 Año 2008)OverallCluster 1Cluster 2Lugar Parte Avería Cantidad Fila ColumnaTransferencia Zócalo derecho Faltanteubicación y línea decargaTransferencia Paragolpe delantero / Rayado - 176 1 1ubicación y línea de Protector delantero RozadocargaTransferenciaubicación y línea decargaTapa posterior de techo Rayado -Rozado717 1 2Página 165 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 3 Bajada de Buque Panel lateral derecho Faltante 834 1 3Cluster 4Cluster 5Cluster 6Transferenciaubicación y línea decargaTransferenciaubicación y línea decargaTransferenciaubicación y línea decargaManijas externas depuertas traserasGiro Delantero (derecho/ izquierdo)Reventado -EstalladoLlanta trasera izquierda Rayado -Rozado204 1 4Faltante 3031 1 538 1 6Tabla 53: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería• Lugar – Parte – Avería – Gravedad (Período 10 – Semestre 1 Año 2008)Lugar Parte Avería Gravedad Cantidad Fila ColumnaOverall Transferencia Zócalo derecho Faltante -ubicación y líneade cargaCluster1Transferenciaubicación y líneaParagolpedelantero /Arrancado -Roto -Observada 1 1 1Cluster2Cluster3Cluster4Cluster5Cluster6Cluster7Cluster8Cluster9de cargaSubida a BuqueSubida a BuqueProtector delanteroParagolpedelantero /Protector delanteroBolsa deherramientasIngreso a Puerto Giro Delantero(derecho /izquierdo)Ingreso a Puerto Paragolpe trasero /Spoiler traseroBajada de Buque Molduraprotectora lateralderechaTransferenciaubicación y líneade cargaLlanta delanteraizquierdaFisuradoArrancado -Roto -FisuradoArrancado -Roto -FisuradoPinturasaltadaObservada 3 1 3Observada 12 1 4Observada 44 1 5Rayado - Observada 255 1 6RozadoAbollado Observada 116 1 7Rayado -RozadoObservada 402 1 8Ingreso a Puerto Encendedor Manchado Observada 235 1 9Transferenciaubicación y líneade cargaRetrovisor externoderechoFaltante - 3932 1 10Tabla 54: Agrupamiento con especificación de cantidades por cluster: Lugar - Parte - Avería - Gravedad• Modelo – Parte – Avería (Período 10 – Semestre 1 Año 2008)Modelo Parte Avería Cantidad Fila ColumnaOverall Modelo 13 Zócalo derecho FaltanteCluster 1 Modelo 20 Paragolpe delantero / Rayado - 181 1 1Protector delantero RozadoCluster 2 Modelo 20 Manijas externas de Proyección 290 1 2puertas delanterasCluster 3 Modelo 15 Cable de carga Proyección 5 1 3Página 166 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCluster 4 Modelo 13 Techo corredizo Pintura saltada 186 1 4Cluster 5 Modelo 8 Capot Faltante 35 1 5Cluster 6 Modelo 10 Cristales de parante Reventado - 60 1 6delanteroEstalladoCluster 7 Modelo 19 Puerta trasera derecha Faltante 2040 1 7Cluster 8 Modelo 13 Faro de stop luneta Rayado - 4 1 9RozadoCluster 9 Modelo 7 Panel lateral derecho Proyección 2199 1 10Tabla 55: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería• Modelo – Parte – Avería – Gravedad (Período 9 – Semestre 2 Año 2007)Modelo Parte Avería Gravedad Cantidad Fila ColumnaOverall Modelo 13 Zócalo derecho Faltante -Cluster 1 Modelo 20 Llanta trasera Rayado - Observada 11 1 1izquierdaRozadoCluster 2 Modelo 20 Conjunto carrocería Manchado Observada 18 1 2Cluster 3 Modelo 20 Guardabarro Rayado - Observada 102 1 3delantero izquierdo RozadoCluster 4 Modelo 6 Luz de patente trasera Rayado - Observada 12 1 4RozadoCluster 5 Modelo 7 Conjunto carrocería Manchado Observada 163 1 5Cluster 6 Modelo 7 Giro Delantero Rayado - Observada 560 1 6(derecho / izquierdo) RozadoCluster 7 Modelo 16 Limpiador y lavador Faltante Observada 202 1 7de parabrisasCluster 8 Modelo 14 Retrovisor externoderechoFaltante - 3932 1 10Tabla 56: Agrupamiento con especificación de cantidades por cluster: Modelo - Parte - Avería - Gravedad8.4.4.3. Modelo de PredicciónAl igual que con el análisis del modelo anterior este se realiza sobre diferentes variables de ingreso:Parte – Avería – Gravedad con predicción de la Parte, Parte – Avería – Gravedad con predicción dela Avería, Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar, yfinalmente Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo.El primer análisis permite ver o predecir la ocurrencia que una avería sea producida en unadeterminada parte.Del análisis del segundo grupo se obtiene información sobre la ocurrencia de una determinadaavería teniendo en cuenta la parte de un auto y la gravedad del daño.El siguiente proceso permite ver la ocurrencia de una avería en un determinado lugar.Para finalizar esta etapa se toma como referencia de predicción el modelo de auto que es averiado.La herramienta nos permite ver por cada análisis y procesamiento de datos la respectiva curva deentrenamiento para cada modelo y la correspondiente curva de validación de datos de cada modelo.Página 167 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del primerperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 1 – Año 2003)Variable Tipo de AveríaParte predictiva: Puerta delantera DerechaTipo de Avería: Exceso kilometrajeGravedad: MedianoPartes predictivas:Puerta delantera DerechaPuerta trasera DerechaPanel lateral derechoMoldura protector lateral derechaGiro Delantero (D/I)Cristales de parante delantero.EscapeTapa acceso gancho remolqueBolsa de herramientasOtrosVariable GravedadParte predictiva: Tapa acceso gancho remolqueTipo Avería: FaltanteGravedad: LevePartes predictivas:Moldura protector lateral derechaGiro Delantero (D/I)Cristales de parante delanteroEscapeTapa acceso gancho remolque• Parte – Avería – Gravedad con predicción de la Avería (Período 1 – Año 2003)Variable ParteAvería predictiva: FaltanteParte: Rueda de AuxilioGravedad: MedianoAverías predictivas:AbolladoFaltanteProyecciónVariable GravedadAvería predictiva: Techo corredizoParte: Exceso kilometrajeGravedad: LeveAverías predictivas:AbolladoFaltantePágina 168 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 1 – Año 2003)Variable ParteLugar predictivo: Retiro de PuertoParte: Rueda de AuxilioTipo de avería: FaltanteGravedad: MedianoVariable Tipo de AveríaLugar predictivo: Transferencia ubicación y línea de cargaParte: Tapa acceso gancho remolqueTipo Avería: Exceso kilometrajeGravedad: MedianoVariable GravedadLugar predictivo: Retiro de PuertoParte: Tapa acceso gancho remolqueTipo Avería: FaltanteGravedad: Leve• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 1 – Año 2003)Variable ParteModelo predictivo: Modelo 9Parte: Rueda de AuxilioTipo de avería: FaltanteGravedad: MedianoModelos predictivos:Modelo 8Modelo 9Modelo 10Modelo 11Modelo 12Variable AveríaModelo predictivo: Modelo 11Parte: Tapa acceso gancho remolqueTipo de avería: Exceso kilometrajeGravedad: MedianoModelos predictivos:Modelo 8Modelo 9Modelo 10Modelo 11Modelo 12Variable GravedadModelo predictivo: Modelo 10Página 169 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASParte: Tapa acceso gancho remolqueTipo de avería: FaltanteGravedad: LeveModelos predictivos:Modelo 9Modelo 10A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del segundoperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 2 – Semestre 1 Año2004)Variable Tipo de AveríaParte predictiva: EscapeTipo de Avería: AbolladoGravedad: MedianoPartes predictivas:Cristales de parante delanteroEscapeTapa acceso gancho remolqueBolsa de herramientasOtrosLlaveParrilla delanteraLuz de neblina traseraFaro de stop lunetaRetrovisor externo izquierdoGuardabarro delantero izquierdoVariable GravedadParte predictiva: LlaveTipo Avería: AbolladoGravedad: MedianoPartes predictivas:Giro Delantero (derecho / izquierdo)Cristales de parante delanteroEscapeTapa acceso gancho remolqueBolsa de herramientasOtrosLlave• Parte – Avería – Gravedad con predicción de la Avería (Período 1 – Semestre 1 Año2004)Variable ParteAvería predictiva: AbolladoParte: LlaveGravedad: MedianoPágina 170 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASAverías predictivas:AbolladoVariable GravedadAvería predictiva: AbolladoParte: LlaveGravedad: MedianoAverías predictivas:AbolladoFaltante• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 2 – Semestre 1 Año 2004)Variable ParteLugar predictivo: Bajada de BuqueParte: LlaveTipo de avería: AbolladoGravedad: MedianoVariable Tipo de AveríaLugar predictivo: Retiro de PuertoParte: LlaveTipo Avería: AbolladoGravedad: MedianoVariable GravedadLugar predictivo: Bajada de buqueParte: LlaveTipo Avería: AbolladoGravedad: Mediano• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 2 – Semestre 1 Año 2004)Variable ParteModelo predictivo: Modelo 11Parte: LlaveTipo de avería: AbolladoGravedad: MedianoModelos predictivos:Modelo 11Variable AveríaModelo predictivo: Modelo 11Parte: LlaveTipo de avería: AbolladoGravedad: MedianoModelos predictivos:Modelo 11Página 171 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASVariable GravedadModelo predictivo: Modelo 11Parte: LlaveTipo de avería: AbolladoGravedad: MedianoModelos predictivos:Modelo 11A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del tercerperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 3 – Semestre 2 Año2004)Variable Tipo de AveríaParte predictiva: Llanta delantera derechaTipo de Avería: FaltanteGravedad: ObservadaPartes predictivas:Guardabarro delantero derechoLlanta delantera derechaCubierta delantera derechaZócalo derechoGuardabarro trasero derechoPuerta delantera derechaPuerta trasera derechaPanel lateral derechoMoldura protectora lateral derechaGiro Delantero (derecho / izquierdo)Cristales de parante delanteroEscapeTapa acceso gancho remolqueBolsa de herramientasVariable GravedadParte predictiva: Puerta trasera derechaTipo Avería: FaltanteGravedad: ObservadaPartes predictivas:Puerta delantera derecha• Parte – Avería – Gravedad con predicción de la Avería (Período 3 – Semestre 2 Año2004)Variable ParteAvería predictiva: AbolladoParte: Giro Delantero (D/I)Gravedad: ObservadaAverías predictivas:AbolladoPágina 172 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFaltanteVariable GravedadAvería predictiva: AbolladoParte: Giro Delantero (D/I)Gravedad: ObservadaAverías predictivas:AbolladoFaltante• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 3 – Semestre 2 Año 2004)Variable ParteLugar predictivo: Bajada de BuqueParte: Giro Delantero (D/I)Tipo de avería: FaltanteGravedad: ObservadaVariable Tipo de AveríaLugar predictivo: Retiro de PuertoParte: Giro Delantero (D/I)Tipo Avería: FaltanteGravedad: ObservadaVariable GravedadLugar predictivo: Retiro de PuertoParte: Giro Delantero (D/I)Tipo Avería: FaltanteGravedad: Observada• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 3 – Semestre 2 Año 2004)Variable ParteModelo predictivo: Modelo 14Parte: Giro Delantero (D/I)Tipo de avería: AbolladoGravedad: ObservadaModelos predictivos:Modelo 14Variable AveríaModelo predictivo: Modelo 16Parte: Giro Delantero (D/I)Tipo de avería: AbolladoGravedad: ObservadaModelos predictivos:Modelo 12Modelo 13Página 173 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 14Modelo 15Variable GravedadModelo predictivo: Modelo 14Parte: Giro Delantero (D/I)Tipo de avería: AbolladoGravedad: ObservadaModelos predictivos:Modelo 13Modelo 14A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del cuartoperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 4 – Semestre 1 Año2005)Variable Tipo de AveríaParte predictiva: AlerónTipo de Avería: FaltanteGravedad: -Partes predictivas:Limpiador y lavador de vidrios traserosAlerónTazaAlfombra suplementariasManualRetrovisor externo derechoGuardabarro delantero derechoLlanta delantera derechaCubierta delantera derechaZócalo derechoGuardabarro trasero derechoPuerta delantera derechaPuerta trasera derechaPanel lateral derechoMoldura protectora lateral derechaGiro Delantero (derecho / izquierdo)Cristales de parante delanteroVariable GravedadParte predictiva: Cubierta delantera derechaTipo Avería: FaltanteGravedad: -Partes predictivas:Cubierta delantera derechaZócalo derechoGuardabarro trasero derechoPuerta delantera derechaPágina 174 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPuerta trasera derechaPanel lateral derechoMoldura protectora lateral derechaGiro Delantero (derecho / izquierdo)Cristales de parante delanteroEscape• Parte – Avería – Gravedad con predicción de la Avería (Período 4 – Semestre 1 Año2005)Variable ParteAvería predictiva: AbolladoParte: Panel lateral derechoGravedad: -Averías predictivas:AbolladoFaltanteProyecciónVariable GravedadAvería predictiva: FaltanteParte: Panel lateral derechoGravedad: -Averías predictivas:Abollado• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 4 – Semestre 1 Año 2005)Variable ParteLugar predictivo: Retiro de PuertoParte: Panel lateral derechoTipo de avería: FaltanteGravedad: -Variable Tipo de AveríaLugar predictivo: Retiro de PuertoParte: Panel lateral derechoTipo Avería: FaltanteGravedad: -Variable GravedadLugar predictivo: Retiro de PuertoParte: Panel lateral derechoTipo Avería: FaltanteGravedad: -• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 4 – Semestre 1 Año 2005)Variable PartePágina 175 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo predictivo: Modelo 15Parte: Panel lateral derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 14Modelo 15Variable AveríaModelo predictivo: Modelo 17Parte: Panel lateral derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 13Modelo 14Modelo 15Modelo 16Variable GravedadModelo predictivo: Modelo 15Parte: Panel lateral derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 10Modelo 11Modelo 12Modelo 13Modelo 14Modelo 15A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del quintoperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 5 – Semestre 2 Año2005)Variable Tipo de AveríaParte predictiva: Aerosol antipinchazosTipo de Avería: FaltanteGravedad: -Partes predictivas:Aerosol antipinchazosTransponderAntenaFaldillas para barroLimpiador de Faros (derecho / izquierdo)Limpiador y lavador de parabrisasLimpiador y lavador de vidrios traserosPágina 176 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASAlerónTazaAlfombra suplementariasManualRetrovisor externo derechoGuardabarro delantero derechoLlanta delantera derechaCubierta delantera derechaZócalo derechoGuardabarro trasero derechoPuerta delantera derechaPuerta trasera derechaPanel lateral derechoMoldura protectora lateral derechaGiro Delantero (derecho / izquierdo)Cristales de parante delanteroEscapeTapa acceso gancho remolqueBolsa de herramientasOtrosLlaveParrilla delanteraLuz de neblina traseraFaro de stop lunetaVariable GravedadParte predictiva: Guardabarro trasero derechoTipo Avería: FaltanteGravedad: -Partes predictivas:Zócalo derechoGuardabarro trasero derecho• Parte – Avería – Gravedad con predicción de la Avería (Período 5 – Semestre 2 Año2005)Variable ParteAvería predictiva: AbolladoParte: Zócalo derechoGravedad: -Averías predictivas:AbolladoFaltanteProyecciónVariable GravedadAvería predictiva: ProyecciónParte: Zócalo derechoGravedad: -Averías predictivas:Página 177 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFaltante• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 5 – Semestre 2 Año 2005)Variable ParteLugar predictivo: Retiro de PuertoParte: Zócalo derechoTipo de avería: FaltanteGravedad: -Variable Tipo de AveríaLugar predictivo: Retiro de PuertoParte: Zócalo derechoTipo Avería: FaltanteGravedad: -Variable GravedadLugar predictivo: Ingreso a PuertoParte: Zócalo derechoTipo Avería: FaltanteGravedad: -• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 5 – Semestre 2 Año 2005)Variable ParteModelo predictivo: Modelo 14Parte: Zócalo derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 13Variable AveríaModelo predictivo: Modelo 16Parte: Zócalo derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 10Modelo 11Modelo 12Modelo 13Modelo 14Modelo 15Variable GravedadModelo predictivo: Modelo 13Parte: Zócalo derechoPágina 178 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 12Modelo 13Modelo 14A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del sextoperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 6 – Semestre 1 Año2006)Variable Tipo de AveríaParte predictiva: Panel trasero bajo baúlTipo de Avería: FaltanteGravedad: -Partes predictivas:Panel trasero bajo baúlParagolpe trasero / Zona contactoTapizado interno puerta delantera izquierdaZócalo interno puerta delantera izquierdaManijas externas de puertas delanterasManijas externas de puertas traserasAerosol antipinchazosTransponderAntenaFaldillas para barroLimpiador de Faros (derecho / izquierdo)Limpiador y lavador de parabrisasLimpiador y lavador de vidrios traserosAlerónTazaAlfombra suplementariasManualRetrovisor externo derechoGuardabarro delantero derechoLlanta delantera derechaCubierta delantera derechaZócalo derechoGuardabarro trasero derechoPuerta delantera derechaPuerta trasera derechaPanel lateral derechoMoldura protectora lateral derechaGiro Delantero (derecho / izquierdo)Cristales de parante delanteroEscapeTapa acceso gancho remolqueBolsa de herramientasPágina 179 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASOtrosLlaveParrilla delanteraLuz de neblina traseraVariable GravedadParte predictiva: Puerta delantera derechaTipo Avería: FaltanteGravedad: -Partes predictivas:Guardabarro trasero derechoPuerta delantera derecha• Parte – Avería – Gravedad con predicción de la Avería (Período 6 – Semestre 1 Año2006)Variable ParteAvería predictiva: AbolladoParte: Cubierta delantera derechaGravedad: -Averías predictivas:AbolladoFaltanteProyecciónVariable GravedadAvería predictiva: FaltanteParte: Cubierta delantera derechaGravedad: -Averías predictivas:Abollado• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 6 – Semestre 1 Año 2006)Variable ParteLugar predictivo: Retiro de PuertoParte: Cubierta delantera derechaTipo de avería: FaltanteGravedad: -Variable Tipo de AveríaLugar predictivo: Retiro de PuertoParte: Cubierta delantera derechaTipo Avería: FaltanteGravedad: -Variable GravedadLugar predictivo: Retiro de PuertoParte: Cubierta delantera derechaPágina 180 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTipo Avería: FaltanteGravedad: -• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 6 – Semestre 1 Año 2006)Variable ParteModelo predictivo: Modelo 11Parte: Cubierta delantera derechaTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 10Modelo 11Modelo 12Modelo 13Modelo 14Variable AveríaModelo predictivo: Modelo 14Parte: Cubierta delantera derechaTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 10Modelo 11Modelo 12Modelo 13Modelo 14Variable GravedadModelo predictivo: Modelo 12Parte: Cubierta delantera derechaTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 10Modelo 11Modelo 12A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del séptimoperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 7 – Semestre 2 Año2006)Variable Tipo de AveríaParte predictiva: Manijas externas de puertas traserasTipo de Avería: FaltanteGravedad: -Página 181 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPartes predictivas:Manijas externas de puertas traserasAerosol antipinchazosTransponderAntenaFaldillas para barroLimpiador de Faros (derecho / izquierdo)Limpiador y lavador de parabrisasLimpiador y lavador de vidrios traserosAlerónTazaAlfombra suplementariasManualRetrovisor externo derechoGuardabarro delantero derechoLlanta delantera derechaCubierta delantera derechaZócalo derechoGuardabarro trasero derechoPuerta delantera derechaPuerta trasera derechaPanel lateral derechoMoldura protectora lateral derechaGiro Delantero (derecho / izquierdo)Cristales de parante delanteroEscapeTapa acceso gancho remolqueBolsa de herramientasOtrosVariable GravedadParte predictiva: Cubierta delantera derechaTipo Avería: FaltanteGravedad: -Partes predictivas:Cubierta delantera derechaZócalo derechoGuardabarro trasero derecho• Parte – Avería – Gravedad con predicción de la Avería (Período 7 – Semestre 2 Año2006)Variable ParteAvería predictiva: FaltanteParte: Guardabarro delantero derechoGravedad: -Averías predictivas:AbolladoFaltantePágina 182 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASVariable GravedadAvería predictiva: FaltanteParte: Guardabarro delantero derechoGravedad: -Averías predictivas:Abollado• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 7 – Semestre 2 Año 2006)Variable ParteLugar predictivo: Transferencia ubicación y línea de cargaParte: Guardabarro delantero derechoTipo de avería: FaltanteGravedad: -Variable Tipo de AveríaLugar predictivo: Transferencia ubicación y línea de cargaParte: Guardabarro delantero derechoTipo Avería: FaltanteGravedad: -Variable GravedadLugar predictivo: Transferencia ubicación y línea de cargaParte: Guardabarro delantero derechoTipo Avería: FaltanteGravedad: -• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 7 – Semestre 2 Año 2006)Variable ParteModelo predictivo: Modelo 15Parte: Guardabarro delantero derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 14Modelo 15Modelo 16Variable AveríaModelo predictivo: Modelo 16Parte: Guardabarro delantero derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 15Variable GravedadPágina 183 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo predictivo: Modelo 15Parte: Guardabarro delantero derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 15A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del octavoperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 8 – Semestre 1 Año2007)Variable Tipo de AveríaParte predictiva: ManualTipo de Avería: FaltanteGravedad: -Partes predictivas:ManualRetrovisor externo derechoGuardabarro delantero derechoLlanta delantera derechaCubierta delantera derechaZócalo derechoGuardabarro trasero derechoPuerta delantera derechaVariable GravedadParte predictiva: Guardabarro delantero derechoTipo Avería: FaltanteGravedad: -Partes predictivas:Retrovisor externo derechoGuardabarro delantero derechoLlanta delantera derechaCubierta delantera derecha• Parte – Avería – Gravedad con predicción de la Avería (Período 8 – Semestre 1 Año2007)Variable ParteAvería predictiva: FaltanteParte: Zócalo derechoGravedad: -Averías predictivas:FaltanteVariable GravedadAvería predictiva: FaltanteParte: Zócalo derechoPágina 184 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGravedad: -Averías predictivas:Faltante• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 8 – Semestre 1 Año 2007)Variable ParteLugar predictivo: Retiro de PuertoParte: Zócalo derechoTipo de avería: FaltanteGravedad: -Variable Tipo de AveríaLugar predictivo: Transferencia ubicación y línea de cargaParte: Zócalo derechoTipo Avería: FaltanteGravedad: -Variable GravedadLugar predictivo: Transferencia ubicación y línea de cargaParte: Zócalo derechoTipo Avería: FaltanteGravedad: -• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 8 – Semestre 1 Año 2007)Variable ParteModelo predictivo: Modelo 13Parte: Zócalo derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 13Modelo 14Modelo 15Variable AveríaModelo predictivo: Modelo 16Parte: Zócalo derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 11Modelo 12Modelo 13Modelo 14Modelo 15Modelo 16Página 185 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASVariable GravedadModelo predictivo: Modelo 15Parte: Zócalo derechoTipo de avería: FaltanteGravedad: -Modelos predictivos:Modelo 13Modelo 14Modelo 15A continuación se muestra resumen de los resultados obtenidos a partir la ejecución del novenoperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 9 – Semestre 2 Año2007)Variable Tipo de AveríaParte predictiva: Cubierta delantera derechaTipo de Avería: ProyecciónGravedad: -Partes predictivas:Guardabarro delantero derechoLlanta delantera derechaVariable GravedadParte predictiva: Cubierta delantera derechachoTipo Avería: ProyecciónGravedad: -Partes predictivas:Guardabarro delantero derechoLlanta delantera derecha• Parte – Avería – Gravedad con predicción de la Avería (Período 9 – Semestre 2 Año2007)Variable ParteAvería predictiva: FaltanteParte: Cubierta delantera derechaGravedad: -Averías predictivas:FaltanteVariable GravedadAvería predictiva: FaltanteParte: Cubierta delantera derechaGravedad: -Averías predictivas:FaltantePágina 186 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 9 – Semestre 2 Año 2007)Variable ParteLugar predictivo: Transferencia ubicación y línea de cargaParte: Cubierta delantera derechaTipo de avería: ProyecciónGravedad: -Variable Tipo de AveríaLugar predictivo: Transferencia ubicación y línea de cargaParte: Cubierta delantera derechaTipo Avería: ProyecciónGravedad: -Variable GravedadLugar predictivo: Transferencia ubicación y línea de cargaParte: Cubierta delantera derechaTipo Avería: ProyecciónGravedad: -• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 9 – Semestre 2 Año 2007)Variable ParteModelo predictivo: Modelo 12Parte: Cubierta delantera derechaTipo de avería: ProyecciónGravedad: -Modelos predictivos:Modelo 12Variable AveríaModelo predictivo: Modelo 13Parte: Cubierta delantera derechaTipo de avería: ProyecciónGravedad: -Modelos predictivos:Modelo 10Modelo 11Modelo 12Modelo 13Variable GravedadModelo predictivo: Modelo 13Parte: Cubierta delantera derechaTipo de avería: ProyecciónGravedad: -Modelos predictivos:Modelo 13Página 187 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASA continuación se muestra resumen de los resultados obtenidos a partir la ejecución del décimoperíodo.• Parte – Avería – Gravedad con predicción de la Parte (Período 10 – Semestre 1 Año2008)Variable Tipo de AveríaParte predictiva: ManualTipo de Avería: ProyecciónGravedad: -Partes predictivas:TazaAlfombra suplementariasManualVariable GravedadParte predictiva: TazaTipo Avería: ProyecciónGravedad: -Partes predictivas:TazaAlfombra suplementariasManualRetrovisor externo derechoGuardabarro delantero derechoLlanta delantera derechaCubierta delantera derechaZócalo derechoGuardabarro trasero derechoPuerta delantera derecha• Parte – Avería – Gravedad con predicción de la Avería (Período 10 – Semestre 1 Año2008)Variable ParteAvería predictiva: FaltanteParte: Puerta delantera derechaGravedad: -Averías predictivas:FaltanteAbolladoVariable GravedadAvería predictiva: FaltanteParte: Puerta delantera derechaGravedad: -Averías predictivas:FaltanteAbolladoPágina 188 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Lugar – Parte – Avería – Gravedad considerando como variable de predicción el Lugar(Período 10 – Semestre 1 Año 2008)Variable ParteLugar predictivo: Transferencia ubicación y línea de cargaParte: Puerta delantera derechaTipo de avería: ProyecciónGravedad: -Variable Tipo de AveríaLugar predictivo: Transferencia ubicación y línea de cargaParte: Puerta delantera derechaTipo Avería: ProyecciónGravedad: -Variable GravedadLugar predictivo: Transferencia ubicación y línea de cargaParte: Puerta delantera derechaTipo Avería: ProyecciónGravedad: -• Modelo – Parte – Avería – Gravedad donde se toma como variable de predicción elModelo (Período 10 – Semestre 1 Año 2008)Variable ParteModelo predictivo: Modelo 10Parte: Puerta delantera derechaTipo de avería: ProyecciónGravedad: -Modelos predictivos:Modelo 9Modelo 10Variable AveríaModelo predictivo: Modelo 10Parte: Puerta delantera derechaTipo de avería: ProyecciónGravedad: -Modelos predictivos:Modelo 9Modelo 10Variable GravedadModelo predictivo: Modelo 10Parte: Puerta delantera derechaTipo de avería: ProyecciónGravedad: -Modelos predictivos:Modelo 9Modelo 10Página 189 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS8.4.5. Dificultades encontradasLa única dificultad encontrada en el procesamiento de los modelos desarrollados fue que en cuatrode los diez períodos ejecutados se encontraron cuatro eventos que se producían una sola vez en elperíodo respectivo. Por lo tanto en la ejecución del Modelo de Clasificación al contener una solaclasificación para poder correr la aplicación esos registros debían ser eliminados.8.5. EvaluaciónLos modelos generados y los resultados obtenidos para cada período han sido satisfactorios. Losmodelos de Predicción y Clasificación han tenido un tiempo promedio de proceso de algunosminutos (entre 5 y 10 minutos). En cuanto al modelo de Agrupamiento el tiempo insumido fue de 7u 8 horas en promedio.Los resultados obtenidos de los diferentes modelos tienen relación entre si y en un primer análisisaproximado se puede deducir que los mismos has sido los esperados especialmente en lo querespecta a cantidades y promedios.La ejecución de los modelos ha generado los datos esperados en función de los objetivos de negocioestablecidos previamente para el presente proyecto. Si bien en este primer análisis se puede decirque se han cubierto todas las alternativas para lograr los objetivos de negocio y de minería de datosno se descarta la posibilidad de arribar a nuevas preguntas de negocio o nuevas aproximaciones deresultados. Podemos concluir que los modelos están conectados directamente a los objetivos denegocio y de minería de datos.8.5.1. Evaluación de los resultados en términos de minería de datosA continuación se desarrolla un resumen de los resultados obtenidos para cada período y para cadamodelo de minería de datos.8.5.1.1. Período 1: Año 2003.ClasificaciónAverías:59 % de averías “Abollado”.22 % de averías “Rayado – Rozado”.10 % de averías “Pintura saltada”.Lugares:74 % de averías en “Subida a Buque Puerto de Origen”. Imputación transporte terrestre.10 % de averías en “Bajada de Buque”. Imputación transporte marítimo.5 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.5 % de averías en “Transferencia Ubicación y Línea de Carga”. Imputación planta deproducción.Modelos:46 % de averías en Modelo 9.29 % de averías en Modelo 17.6 % de averías en Modelo 5.Página 190 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS6 % de averías en Modelo 20.5 % de averías en Modelo 18.5 % de averías en Modelo 13.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringArea - Avería – Gravedad:Puerta delantera derecha, Arrancado - Roto – Fisurado, Intolerable: 99 - 2 %Escape, Abollado, Grave: 779 - 16 %.Alfombra suplementarias, Rayado – Rozado, Grave: 455 - 9 %Parabrisa, Proyección, Mediano: 362 – 7 %.Luz trasera izquierda, Faltante, Mediano: 626 – 13 %.Puerta delantera derecha, Faltante, Leve: 1130 – 23 %.Cubierta delantera izquierda, Rayado – Rozado, Mediano: 138 – 3 %.Panel lateral izquierdo, Abollado, Leve: 1057 - 21 %.Panel lateral derecho, Abollado, Mediano: 354 – 7 %.General:Tapa acceso gancho remolque, Faltante, Mediano.Lugar - Parte – Avería:Ingreso a Puerto, Paragolpe delantero / Superior, Rayado – Rozado: 38 – 1 %.Ingreso a Puerto, Techo corredizo, Faltante: 55 – 1 %.Ingreso a Puerto, Cubierta delantera derecha, Abollado: 111 – 2 %.Transferencia ubicación y línea de carga, Luz de neblina trasera, Exceso kilometraje: 299 –6 %.Ingreso a Puerto, Luz trasera izquierda, Abollado: 63 – 1 %.Transferencia ubicación y línea de carga, Luz de neblina trasera, Abollado: 76 – 2 %.Subida Buque Puerto de Origen, Bolsa de herramientas, Faltante: 4334 – 87 %.General:Retiro de Puerto, Tapa acceso gancho remolque, Faltante.Lugar - Parte - Avería – Gravedad:Bajada de Buque, Tapizado interno puerta delantera izquierda, Rayado – Rozado, Mediano:596 – 12 %.Retiro de Puerto, Cristales de parante delantero, Abollado, Grave: 1007 – 20 %.Ingreso a Puerto, Moldura protectora lateral derecha, Rayado – Rozado, Leve: 488 – 10%.Subida Buque Puerto de Origen, Cable de carga, Faltante, Mediano: 582 – 12 %.Transferencia ubicación y línea de carga, Insignia, Faltante, Leve: 99 – 2 %.Subida Buque Puerto de Origen, Llave, Abollado, Leve: 2120 – 42 %.Subida Buque Puerto de Origen, Guardabarro delantero izquierdo, Rayado – Rozado,Mediano: 79 – 2 %.General:Retiro de Puerto, Tapa acceso gancho remolque, Faltante, Mediano.Página 191 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo - Area – Avería:Modelo 4, Moldura protectora lateral derecha, Faltante: 636 – 13 %.Modelo 10, Manual, Abollado: 1267 – 25 %.Modelo 18, Cubierta delantera derecha, Rayado – Rozado: 879 – 18 %.Modelo 10, Giro Delantero (derecho / izquierdo), Rayado – Rozado: 121 – 2 %.Modelo 10, Panel lateral izquierdo, Abollado: 1113 – 22 %.Modelo 9, Cerraduras de puertas, Rayado – Rozado: 295 – 6 %.Modelo 17, Cubierta delantera izquierda, Abollado: 689 – 14 %.General:Modelo 12, Tapa acceso gancho remolque, Faltante.Modelo - Area - Avería – Gravedad:Modelo 5, Giro Delantero (derecho / izquierdo), Faltante, Intolerable: 389 – 8 %.Modelo 15, Puerta trasera derecha, Faltante, Grave: 792 – 16 %.Modelo 18, Paragolpe trasero / Spoiler trasero, Faltante, Mediano: 110 – 2 %.Modelo 16, Bolsa de herramientas, Abollado, Mediano: 231 – 5 %.Modelo 17, Panel lateral derecho, Rayado – Rozado, Mediano: 290 – 6 %.Modelo 9, Manijas externas de puertas traseras, Rayado – Rozado, Mediano: 168 - 3 %.Modelo 11, Luz de neblina trasera, Faltante, Leve: 2945 – 59 %.Modelo 14, Retrovisor externo derecho, Pintura saltada, Mediano: 65 – 1 %.General:Modelo 12, Tapa acceso gancho remolque, Faltante, Mediano.PredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: Puerta delantera derechaAvería: Exceso kilometrajeGravedad: MedianoCon variación de Gravedad los valores predictivos resultan:Parte: Tapa acceso gancho remolqueAvería: FaltanteGravedad: LeveAvería:Con variación de Parte los valores predictivos resultan:Avería: FaltanteParte: Rueda de auxilioGravedad: MedianoCon variación de Gravedad los valores predictivos resultan:Avería: FaltanteParte: Tapa acceso gancho remolqueGravedad: LeveLugar:Con variación de Parte los valores predictivos resultan:Lugar: Retiro de PuertoParte: Rueda de auxilioAvería: FaltantePágina 192 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGravedad: MedianoCon variación de Avería los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Tapa acceso gancho remolqueAvería: Exceso kilometrajeGravedad: MedianoCon variación de Gravedad los valores predictivos resultan:Lugar: Retiro de PuertoParte: Tapa acceso gancho remolqueAvería: FaltanteGravedad: LeveModelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 9Parte: Rueda de auxilioAvería: FaltanteGravedad: MedianoCon variación de Avería los valores predictivos resultan:Modelo: Modelo 11Parte: Tapa acceso gancho remolqueAvería: Exceso kilometrajeGravedad: MedianoCon variación de Gravedad los valores predictivos resultan:Modelo: Modelo 10Parte: Tapa acceso gancho remolqueAvería: FaltanteGravedad: Leve8.5.1.2. Período 2: Año 2004 semestre 1.ClasificaciónAverías:50 % de averías “Abollado”.29 % de averías “Rayado – Rozado”.14 % de averías “Pintura saltada”.3 % de averías “Faltante”3 % de averías “Manchado”.Lugares:83 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.6 % de averías en “Bajada de Buque”. Imputación transporte marítimo.6 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.2 % de averías en “Retiro de Puerto”. Imputación puerto.Modelos:47 % de averías en Modelo 17.32 % de averías en Modelo 9.10 % de averías en Modelo 13.6 % de averías en Modelo 20.Página 193 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS4 % de averías en Modelo 18.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Cristales de parante delantero, Faltante, Intolerable: 317 – 6 %.Guardabarro trasero derecho, Faltante, Grave: 756 – 15 %.Cerraduras de puertas, Rayado – Rozado, Mediano: 374 – 7 %.Otros, Abollado, Leve: 1864 – 37 %.Cable de carga, Rayado – Rozado, Leve: 223 – 4 %.Antena, Rayado – Rozado, Mediano: 520 – 10 %.Bolsa de herramientas, Abollado, Mediano: 932 – 19 %.General:Tapa acceso gancho remolque, Faltante, Mediano.Lugar - Parte – Avería:Transferencia ubicación y línea de carga, Puerta delantera izquierda, Rayado – Rozado: 31– 1 %.Ingreso a Puerto, Techo corredizo, Rayado – Rozado: 97 - 2 %.Ingreso a Puerto, Puerta trasera derecha, Rayado – Rozado: 62 – 1 %.Transferencia ubicación y línea de carga, Otros, Abollado: 167 – 3 %.Subida Buque Puerto de Origen, Bolsa de herramientas, Faltante: 4580 – 92 %.General:Retiro de Puerto, Tapa acceso gancho remolque, Faltante.Lugar - Parte - Avería – Gravedad:Bajada de Buque, Cristales de parante delantero, Faltante, Intolerable: 259 – 5 %.Retiro de Puerto, Guardabarro trasero derecho, Faltante, Grave: 627 – 13 %.Bajada de Buque, Panel lateral izquierdo, Faltante, Leve: 1961 – 39 %.Ingreso a Puerto, Tapa posterior de techo, Pintura saltada, Mediano: 82 – 2 %.Bajada de Buque, Llanta delantera derecha, Abollado, Leve: 1642 – 33 %Bajada de Buque, Llanta delantera derecha, Faltante, Grave: 405 – 8 %.General:Retiro de Puerto, Tapa acceso gancho remolque, Faltante, Mediano.Modelo - Parte – Avería:Modelo 17, Aerosol antipinchazos, Proyección: 1010 – 20 %.Modelo 10, Guardabarro delantero izquierdo, Abollado: 1695 – 34 %.Modelo 17, Puerta delantera derecha, Abollado: 614 – 12 %.Modelo 8, Panel lateral izquierdo, Rayado – Rozado: 243 – 5 %.Modelo 6, Limpiador y lavador de parabrisas, Abollado: 192 – 4 %.Modelo 7, Zócalo interno puerta delantera izquierda, Rayado – Rozado: 131 – 3 %.Modelo 17, Cubierta delantera izquierda, Rayado – Rozado: 382 – 8 %.Modelo 17, Alfombra baúl / caja de carga, Faltante: 713 – 14 %.Página 194 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGeneral:Modelo 14, Tapa acceso gancho remolque, Faltante.Modelo - Parte - Avería – Gravedad:Modelo 16, Guardabarro trasero derecho, Faltante, Grave: 800 – 16 %.Modelo 8, Cristales de parante delantero, Faltante, Grave: 273 – 5 %.Modelo 10, Barras de techo, Proyección, Mediano: 111 – 2 %.Modelo 13, Puerta delantera izquierda, Faltante, Leve: 2341 – 47 %.Modelo 8, Giro Delantero (derecho / izquierdo), Faltante, Mediano: 350 – 7 %.Modelo 17, Aleron, Faltante, Mediano: 1085 – 22 %.General:Modelo 14, Tapa acceso gancho remolque, Faltante, Mediano.PredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: EscapeAvería: AbolladoGravedad: MedianoCon variación de Gravedad los valores predictivos resultan:Parte: LlaveAvería: AbolladoGravedad: MedianoAvería:Con variación de Parte los valores predictivos resultan:Avería: AbolladoParte: LlaveGravedad: MedianoCon variación de Gravedad los valores predictivos resultan:Avería: AbolladoParte: LlaveGravedad: MedianoLugar:Con variación de Parte los valores predictivos resultan:Lugar: Baja de BuqueParte: LlaveAvería: AbolladoGravedad: MedianoCon variación de Avería los valores predictivos resultan:Lugar: Retiro de PuertoParte: LlaveAvería: AbolladoGravedad: MedianoCon variación de Gravedad los valores predictivos resultan:Lugar: Bajada de BuqueParte: LlaveAvería: AbolladoGravedad: MedianoPágina 195 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 11Parte: LlaveAvería: AbolladoGravedad: MedianoCon variación de Avería los valores predictivos resultan:Modelo: Modelo 11Parte: LlaveAvería: AbolladoGravedad: MedianoCon variación de Gravedad los valores predictivos resultan:Modelo: Modelo 11Parte: LlaveAvería: AbolladoGravedad: Mediano8.5.1.3. Período 3: Año 2004 semestre 2.ClasificaciónAverías:44 % de averías “Abollado”.34 % de averías “Rayado – Rozado”.15 % de averías “Pintura saltada”.5 % de averías “Faltante”Lugares:76 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.9 % de averías en “Bajada de Buque”. Imputación transporte marítimo.9 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.4 % de averías en “Subida a Buque”. Imputación puerto.Modelos:56 % de averías en Modelo 17.15 % de averías en Modelo 9.12 % de averías en Modelo 20.9 % de averías en Modelo 13.5 % de averías en Modelo 5.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Paragolpe trasero / Zona contacto, Rayado – Rozado, Grave: 58 – 1 %.Alerón, Proyección, Grave: 78 – 2 %.Luz de neblina trasera, Abollado, Grave: 401 – 8 %.Tapa acceso gancho remolque, Faltante: 4432 – 89 %.Página 196 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGeneral:Tapa acceso gancho remolque, Faltante, Leve.Lugar - Parte – Avería:Ingreso a Puerto, Barras de techo, Pintura saltada: 46 – 1 %.Ingreso a Puerto, Guardabarro trasero derecho, Pintura saltada: 40 – 1 %.Ingreso a Puerto, Luz de neblina trasera, Abollado: 147 – 3 %.Ingreso a Puerto, Luz de patente trasera, Rayado – Rozado: 72 – 1 %.Transferencia ubicación y línea de carga, Retrovisor externo izquierdo, Rayado – Rozado:36 – 1 %.Ingreso a Puerto, Paragolpe trasero / Zona contacto, Rayado – Rozado: 299 – 6 %.Transferencia ubicación y línea de carga, Bolsa de herramientas, Faltante: 4331- 87 %.General:Retiro de Puerto, Tapa acceso gancho remolque, Faltante.Lugar - Parte - Avería – Gravedad:Ingreso a Puerto, Alfombra suplementarias, Proyección, Grave: 48 – 1 %.Ingreso a Puerto, Luz de neblina trasera, Faltante, Grave: 54 – 1 %.Subida Buque Puerto de Origen, Giro Delantero (derecho / izquierdo), Faltante, Grave: 448– 9 %.Ingreso a Puerto, Retrovisor externo derecho, Proyección: 548 – 11 %.Subida Buque Puerto de Origen, Otros, Faltante: 3883 – 78 %.General:Retiro de Puerto, Tapa acceso gancho remolque, Faltante, Leve.Modelo - Área – Avería:Modelo 17, Llave de rueda, Faltante: 556 – 11 %.Modelo 17, Cubierta delantera izquierda, Faltante: 1084 – 22 %.Modelo 9, Giro Delantero (derecho / izquierdo), Abollado: 1409 – 28 %.Modelo 13, Puerta trasera izquierda, Abollado: 89 – 2 %.Modelo 17, Guardabarro trasero derecho, Abollado: 849 – 17 %.Modelo 18, Limpiador y lavador de parabrisas, Proyección: 712 – 14 %.Modelo 17, Tapa posterior de techo, Faltante: 286 – 6 %.General:Modelo 15, Tapa acceso gancho remolque, Faltante.Modelo - Área - Avería – Gravedad:Modelo - Área - Avería – Gravedad:Modelo 4, Retrovisor externo derecho, Faltante, Grave: 63 – 1 %.Modelo 10, Faro de stop luneta, Abollado, Grave: 128 – 3 %.Modelo 17, Puerta trasera izquierda, Faltante, Grave: 72 – 1 %.Modelo 17, Manual, Faltante, Grave: 259 – 5 %.Modelo 15, Tapa acceso gancho remolque, Faltante: 4432 – 89 %.General:Modelo 15, Tapa acceso gancho remolque, Faltante, Leve.Página 197 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: Llanta delantera derechaAvería: FaltanteGravedad: ObservadaCon variación de Gravedad los valores predictivos resultan:Parte: Puerta trasera derechaAvería: FaltanteGravedad: ObservadaAvería:Con variación de Parte los valores predictivos resultan:Avería: AbolladoParte: Giro Delantero (derecho / izquierdo)Gravedad: ObservadaCon variación de Gravedad los valores predictivos resultan:Avería: AbolladoParte: Giro Delantero (derecho / izquierdo)Gravedad: ObservadaLugar:Con variación de Parte los valores predictivos resultan:Lugar: Baja de BuqueParte: Giro Delantero (derecho / izquierdo)Avería: FaltanteGravedad: ObservadaCon variación de Avería los valores predictivos resultan:Lugar: Retiro de PuertoParte: Giro Delantero (derecho / izquierdo)Avería: FaltanteGravedad: ObservadaCon variación de Gravedad los valores predictivos resultan:Lugar: Retiro de PuertoParte: Giro Delantero (derecho / izquierdo)Avería: FaltanteGravedad: ObservadaModelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 14Parte: Giro Delantero (derecho / izquierdo)Avería: AbolladoGravedad: ObservadaCon variación de Avería los valores predictivos resultan:Modelo: Modelo 16Parte: Giro Delantero (derecho / izquierdo)Avería: FaltanteGravedad: ObservadaCon variación de Gravedad los valores predictivos resultan:Modelo: Modelo 14Parte: Giro Delantero (derecho / izquierdo)Página 198 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASAvería: FaltanteGravedad: Observada8.5.1.4. Período 4: Año 2005 semestre 1.ClasificaciónAverías:45 % de averías “Rayado – Rozado”.28 % de averías “Abollado”.15 % de averías “Pintura saltada”.7 % de averías “Faltante”Lugares:47 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.15 % de averías en “Retiro Fábrica de Origen”. Imputación planta de producción.15 % de averías en “Bajada de Buque”. Imputación transporte marítimo.13 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.Modelos:51 % de averías en Modelo 17.15 % de averías en Modelo 20.12 % de averías en Modelo 8.11 % de averías en Modelo 9.5 % de averías en Modelo 5.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Capot, Rayado – Rozado, Observada: 77 – 2 %.Panel trasero bajo baúl, Rayado – Rozado, Observada: 134 – 3%.Alerón, Proyección, Observada: 172 – 4 %.Llanta delantera izquierda, Abollado, Observada: 703 – 18 %.Zócalo izquierdo, Manchado, Observada: 31 – 1 %.Zócalo derecho, Faltante: 2779 – 71 %.General:Guardabarro trasero derecho, Faltante.Lugar - Parte – Avería:Ingreso a Puerto, Capot, Rayado – Rozado: 72 – 2 %.Subida Buque Puerto de Origen, Tapa posterior de techo, Rayado – Rozado: 131 – 3 %.Retiro de Puerto, Taza, Faltante: 226 – 6 %.Retiro de Puerto, Llanta delantera izquierda, Faltante: 311 – 8 %.Retiro de Puerto, Puerta trasera derecha, Faltante: 3161 – 81 %.General:Retiro de Puerto, Guardabarro trasero derecho, Faltante.Página 199 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLugar - Parte - Avería – Gravedad:Bajada de Buque, Capot, Rayado – Rozado, Observada: 64 – 2 %.Ingreso a Puerto, Parabrisa, Faltante, Observada: 43 – 1 %.Bajada de Buque, Luz de neblina trasera, Proyección, Observada: 165 – 4 %.Transferencia ubicación y línea de carga, Cubierta delantera derecha, Faltante: 436 – 11 %.Bajada de Buque, Zócalo derecho, Faltante: 2342, - 60 %.Bajada de Buque, Escape, Faltante, Observada: 855 – 22 %.General:Retiro de Puerto, Guardabarro trasero derecho, Faltante.Modelo - Área – Avería:Modelo 9, Parante delantero, Rayado – Rozado: 42 – 1 %.Modelo 6, Limpiador de Faros (derecho / izquierdo), Proyección: 380 – 10 %.Modelo 8, Llanta delantera izquierda, Abollado: 812 – 21 %.Modelo 18, Panel trasero bajo baúl, Rayado – Rozado: 1250 – 32 %.Modelo 18, Escape, Proyección, 583 – 15 %.Modelo 17, Guardabarro delantero izquierdo, Pintura saltada: 533 – 14 %.Modelo 17, Separador interno de carga, Proyección: 237 – 6 %.Modelo 17, Llanta delantera derecha, Pintura saltada: 65 – 2 %.General:Modelo 15, Guardabarro trasero derecho, Faltante.Modelo - Área - Avería – Gravedad:Modelo 16, Batería, Rayado – Rozado, Observada: 22 – 1 %.Modelo 18, Luz de patente trasera, Proyección, Observada: 146 – 4 %.Modelo 8, Tapa acceso gancho remolque, Abollado, Observada: 382 – 10 %.Modelo 18, Alfombra suplementarias, Faltante, Observada: 518 – 13 %.Modelo 9, Zócalo derecho, Manchado, Observada: 67 – 2 %.Modelo 15, Zócalo derecho, Faltante: 2779 – 71 %.General:Modelo 15, Guardabarro trasero derecho, Faltante.PredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: AlerónAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Parte: Cubierta delantera derechaAvería: FaltanteGravedad: -Avería:Con variación de Parte los valores predictivos resultan:Avería: AbolladoParte: Panel lateral derechoPágina 200 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGravedad: -Con variación de Gravedad los valores predictivos resultan:Avería: FaltanteParte: Panel lateral derechoGravedad: -Lugar:Con variación de Parte los valores predictivos resultan:Lugar: Retiro de PuertoParte: Giro Panel lateral derechoAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Lugar: Retiro de PuertoParte: Panel lateral derechoAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Lugar: Retiro de PuertoParte: Panel lateral derechoAvería: FaltanteGravedad: -Modelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 15Parte: Panel lateral derechoAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Modelo: Modelo 17Parte: Panel lateral derechoAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Modelo: Modelo 15Parte: Panel lateral derechoAvería: FaltanteGravedad: -8.5.1.5. Período 5: Año 2005 semestre 2.ClasificaciónAverías:48 % de averías “Rayado – Rozado”.29 % de averías “Abollado”.13 % de averías “Pintura saltada”.6 % de averías “Faltante”Lugares:32 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.Página 201 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS23 % de averías en “Retiro Fábrica de Origen”. Imputación planta de producción.20 % de averías en “Bajada de Buque”. Imputación transporte marítimo.14 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.6 % de averías en “Retiro de Puerto”. Imputación puerto.Modelos:47 % de averías en Modelo 17.16 % de averías en Modelo 8.12 % de averías en Modelo 9.10 % de averías en Modelo 5.7 % de averías en Modelo 20.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Barras de techo, Pintura saltada, Observada: 38 – 1 %.Barras de techo, Rayado – Rozado, Observada: 108 – 3 %.Retrovisor externo izquierdo, Pintura saltada, Observada: 146 – 4 %.Tapa tanque combustible, Rayado – Rozado, Observada: 30 – 1 %.Bolsa de herramientas, Rayado – Rozado, Observada: 81 – 2 %.Guardabarro delantero derecho, Faltante: 3464 – 89 %.General:Guardabarro delantero derecho, Faltante.Lugar - Parte – Avería:Subida Buque Puerto de Origen, Paragolpe delantero / Protector delantero Rayado –Rozado: 29 – 1 %.Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado - Rozado 63 – 2 %.Bajada de Buque, Paragolpe delantero / Superior, Rayado – Rozado: 44 – 1 %.Retiro Fábrica de Origen, Paragolpe trasero / Spoiler trasero, Rayado – Rozado: 993 – 26%.Bajada de Buque, Antena, Proyección: 177 – 5 %.Retiro de Puerto, Cristales de parante delantero, Faltante: 2562 – 66 %.General:Retiro de Puerto, Guardabarro delantero derecho, Faltante.Lugar - Parte - Avería – Gravedad:Ingreso a Puerto, Techo (inclusive convertible), Pintura saltada: 67 – 2 %.Ingreso a Puerto, Otros, Abollado: 177 – 5 %.Ingreso a Puerto, Techo (inclusive convertible), Rayado – Rozado: 142 – 4 %.Ingreso a Puerto, Llanta delantera izquierda, Proyección: 111 – 3 %.Subida Buque Puerto de Origen, Guardabarro delantero derecho, Faltante: 2955 - 76 %.Bajada de Buque, Zócalo derecho, Faltante, Observada: 168 – 4 %.Ingreso a Puerto, Llanta delantera derecha, Proyección, Observada: 249 – 6 %.General:Página 202 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASRetiro de Puerto, Guardabarro delantero derecho, Faltante.Modelo - Área – Avería:Modelo 18, Guardabarros y parante trasero izquierdo, Rayado – Rozado: 269 – 7 %.Modelo 17, Faro de stop luneta, Abollado: 669 – 17 %.Modelo 7, Tapa acceso gancho remolque, Abollado: 1290 – 33 %.Modelo 17, Tapa de Baúl o Puerta Trasera, Rayado – Rozado: 1307 – 34 %.Modelo 13, Techo (inclusive convertible), Abollado: 24 – 1 %.Modelo 6, Paragolpe trasero / Zona contacto, Rayado – Rozado: 263 – 7 %.Modelo 9, Paragolpe delantero / Superior, Rayado – Rozado: 59 – 2 %.General:Modelo 13, Guardabarro delantero derecho, Faltante.Modelo - Área - Avería – Gravedad:Modelo 19, Tapizado interno puerta delantera izquierda, Rayado – Rozado, Observada: 53 –1 %.Modelo 18, Llave, Abollado, Observada: 123 – 3 %.Modelo 6, Taza, Proyección, Observada: 167 – 4 %.Modelo 8, Guardabarro delantero izquierdo, Abollado, Observada: 50 – 1 %.Modelo 13, Guardabarro delantero derecho, Faltante: 3464 – 89 %.General:Modelo 13, Guardabarro delantero derecho, Faltante.PredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: Aerosol antipinchazosAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Parte: Guardabarro trasero derechoAvería: FaltanteGravedad: -Avería:Con variación de Parte los valores predictivos resultan:Avería: AbolladoParte: Zócalo derechoGravedad: -Con variación de Gravedad los valores predictivos resultan:Avería: ProyecciónParte: Zócalo derechoGravedad: -Lugar:Con variación de Parte los valores predictivos resultan:Lugar: Retiro de PuertoParte: Zócalo derechoAvería: FaltantePágina 203 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGravedad: -Con variación de Avería los valores predictivos resultan:Lugar: Retiro de PuertoParte: Zócalo derechoAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Lugar: Ingreso a PuertoParte: Zócalo derechoAvería: FaltanteGravedad: -Modelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 14Parte: Zócalo derechoAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Modelo: Modelo 16Parte: Zócalo derechoAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Modelo: Modelo 13Parte: Zócalo derechoAvería: FaltanteGravedad: -8.5.1.6. Período 6: Año 2006 semestre 1.ClasificaciónAverías:45 % de averías “Abollado”.40 % de averías “Rayado – Rozado”.7 % de averías “Pintura saltada”.7 % de averías “Faltante”Lugares:42 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.17 % de averías en “Retiro Fábrica de Origen”. Imputación planta de producción.15 % de averías en “Bajada de Buque”. Imputación transporte marítimo.13 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.5 % de averías en “Retiro de Puerto”. Imputación puerto.Modelos:40 % de averías en Modelo 17.21 % de averías en Modelo 9.14 % de averías en Modelo 5.12 % de averías en Modelo 20.Página 204 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS8 % de averías en Modelo 8.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Capot, Rayado – Rozado, Observada: 24 – 1 %.Panel trasero bajo baúl, Rayado – Rozado, Observada: 37 – 1 %.Manijas externas de puertas delanteras, Faltante, Observada: 40 – 1 %.Luz de neblina trasera, Abollado, Observada: 340 – 9 %.Zócalo derecho, Faltante: 3301 – 88 %.General:Zócalo derecho, Faltante.Lugar - Parte – Avería:Transferencia ubicación y línea de carga, Spoiler delantero, Rayado – Rozado: 42 – 1 %.Transferencia ubicación y línea de carga, Paragolpe delantero / Protector delantero, Rayado– Rozado: 27 – 1 %.Ingreso a Puerto, Paragolpe delantero / Protector delantero, Rayado – Rozado: 74 – 2 %.Ingreso a Puerto, Zócalo interno puerta delantera izquierda, Rayado – Rozado: 114 – 3 %.Ingreso a Puerto, Tapa acceso gancho remolque, Faltante: 470 – 12 %.Transferencia ubicación y línea de carga, Llave, Abollado: 53 – 1 %.Subida Buque Puerto de Origen, Guardabarro trasero derecho, Faltante: 2983- 79 %.General:Retiro de Puerto, Zócalo derecho, Faltante.Lugar - Parte - Avería – Gravedad:Bajada de Buque, Spoiler delantero, Rayado – Rozado, Observada: 7 – 1 %.Retiro de Puerto, Paragolpe delantero / Protector delantero, Rayado – Rozado, Observada: 1– 4 %.Bajada de Buque, Spoiler delantero, Rayado – Rozado, Observada: 9 – 5 %.Ingreso a Puerto, Tapa posterior de techo, Rayado – Rozado, Observada: 35 – 6 %.Bajada de Buque, Moldura protectora lateral derecha, Faltante, Observada: 103 – 7 %.Transferencia ubicación y línea de carga, Puerta trasera izquierda, Abollado, Observada: 33– 8 %.Bajada de Buque, Tapa acceso gancho remolque, Abollado, Observada: 274 – 9 %.Bajada de Buque, Zócalo derecho, Faltante: 3301 – 10 %.General:Retiro de Puerto, Zócalo derecho, Faltante.Modelo - Área – Avería:Modelo 20, Paragolpe delantero / Protector delantero, Rayado – Rozado: 124 – 3 %.Modelo 17, Panel trasero bajo baúl, Rayado – Rozado: 901 – 24 %.Modelo 7, Escape, Faltante: 1695 – 45 %.Modelo 17, Otros, Rayado – Rozado: 110 – 3 %.Modelo 18, Giro Delantero (derecho / izquierdo), Abollado: 577 – 15 %.Página 205 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 16, Guardabarros y parante trasero izquierdo, Abollado: 318 – 8 %.Modelo 13, Barras de techo, Abollado: 38 – 1 %.General:Modelo 13, Zócalo derecho, Faltante.Modelo - Área - Avería – Gravedad:Modelo 20, Spoiler delantero, Rayado – Rozado, Observada: 20 – 1 %.Modelo 19, Paragolpe trasero / Spoiler trasero, Proyección, Observada: 45 – 1 %.Modelo 19, Bolsa de herramientas, Proyección, Observada: 57 – 2 %.Modelo 7, Bolsa de herramientas, Faltante, Observada: 260 – 7 %.Modelo 16, Parrilla delantera, Pintura saltada, Observada: 74 – 2 %.Modelo 13, Zócalo derecho, Faltante: 3301 – 88 %.General:Modelo 13, Zócalo derecho, Faltante.PredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: Panel trasero bajo baúlAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Parte: Puerta delantera derechaAvería: FaltanteGravedad: -Avería:Con variación de Parte los valores predictivos resultan:Avería: AbolladoParte: Cubierta delantera derechaGravedad: -Con variación de Gravedad los valores predictivos resultan:Avería: FaltanteParte: Cubierta delantera derechaGravedad: -Lugar:Con variación de Parte los valores predictivos resultan:Lugar: Retiro de PuertoParte: Cubierta delantera derechaAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Lugar: Retiro de PuertoParte: Cubierta delantera derechaAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Lugar: Retiro de PuertoPágina 206 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASParte: Cubierta delantera derechaAvería: FaltanteGravedad: -Modelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 11Parte: Cubierta delantera derechaAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Modelo: Modelo 14Parte: Cubierta delantera derechaAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Modelo: Modelo 12Parte: Cubierta delantera derechaAvería: FaltanteGravedad: -8.5.1.7. Período 7: Año 2006 semestre 2.ClasificaciónAverías:47 % de averías “Rayado – Rozado”.30 % de averías “Abollado”.14 % de averías “Faltante”.5 % de averías “Pintura saltada”Lugares:40 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.21% de averías en “Bajada de Buque”. Imputación transporte marítimo.16 % de averías en “Transferencia ubicación y línea de carga”. Imputación planta deproducción.10 % de averías en “Subida a Buque”. Imputación puerto.6 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.Modelos:50 % de averías en Modelo 20.22 % de averías en Modelo 5.10 % de averías en Modelo 10.7 % de averías en Modelo 9.4 % de averías en Modelo 13.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Página 207 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASBolsa de herramientas, Arrancado - Roto – Fisurado, Observada: 15 – 1 %.Luz de neblina trasera, Abollado, Observada: 94 – 4 %.Faro de stop luneta, Rayado – Rozado, Observada: 94 – 4 %.Tapa posterior de techo, Proyección, Observada: 128 – 5 %.Alfombra suplementarias, Abollado, Observada: 22 - 1 %.Guardabarro delantero derecho, Faltante: 2271 – 86 %.General:Guardabarro delantero derecho, Faltante.Lugar - Parte – Avería:Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado – Rozado: 41 – 2 %.Bajada de Buque, Manijas externas de puertas traseras, Proyección: 326 – 12 %.Ingreso a Puerto, Parabrisa, Proyección: 865 – 33 %.Bajada de Buque, Guardabarro delantero izquierdo, Abollado: 473 – 18 %.Ingreso a Puerto, Faro de stop luneta, Abollado: 483 – 18 %.Ingreso a Puerto, Llave, Rayado – Rozado: 429 – 16 %.General:Transferencia ubicación y línea de carga, Guardabarro delantero derecho, Faltante.Lugar - Parte - Avería – Gravedad:Bajada de Buque, Panel trasero bajo baúl, Rayado – Rozado, Observada: 14 – 1 %.Bajada de Buque, Alfombra suplementarias, Proyección, Observada: 21 – 1 %.Bajada de Buque, Parrilla delantera, Abollado, Observada: 67 – 3 %.Ingreso a Puerto, Guardabarro delantero derecho, Faltante, Observada: 250 – 10 %.Transferencia ubicación y línea de carga, Guardabarro delantero derecho, Faltante: 2271 –86 %.General:Transferencia ubicación y línea de carga, Guardabarro delantero derecho, Faltante.Modelo - Área – Avería:Modelo 20, Parrilla delantera, Rayado – Rozado: 252 – 10 %.Modelo 19, Retrovisor externo izquierdo, Abollado: 553 – 21 %.Modelo 6, Puerta delantera derecha, Faltante: 868 – 33 %.Modelo 11, Barras de techo, Proyección: 91 – 3 %.Modelo 20, Barras de techo, Proyección: 714 – 27 %.Modelo 18, Retrovisor externo derecho, Reventado – Estallado: 114 – 4 %.Modelo 13, Llanta delantera derecha, Abollado: 32 – 1 %.General:Modelo 15, Guardabarro delantero derecho, Faltante.Modelo - Área - Avería – Gravedad:Modelo 5, Zócalo izquierdo, Rayado – Rozado, Observada: 22 – 1 %.Modelo 7, Zócalo izquierdo, Abollado, Observada: 42 – 2 %.Modelo 6, Manijas externas de puertas traseras, Proyección, Observada: 42 – 2 %.Modelo 8, Retrovisor externo derecho, Pintura saltada, Observada: 20 – 1 %.Modelo 19, Retrovisor externo derecho, Faltante, Observada: 224 – 9 %.Página 208 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 15, Guardabarro delantero derecho, Faltante: 2271 – 86 %.General:Modelo 15, Guardabarro delantero derecho, Faltante.PredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: Manijas externas de puertas traserasAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Parte: Cubierta delantera derechaAvería: FaltanteGravedad: -Avería:Con variación de Parte los valores predictivos resultan:Avería: FaltanteParte: Guardabarro delantero derechoGravedad: -Con variación de Gravedad los valores predictivos resultan:Avería: FaltanteParte: Guardabarro delantero derechoGravedad: -Lugar:Con variación de Parte los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Guardabarro delantero derechoAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Guardabarro delantero derechoAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Guardabarro delantero derechoAvería: FaltanteGravedad: -Modelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 15Parte: Guardabarro delantero derechoAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Modelo: Modelo 16Parte: Guardabarro delantero derechoPágina 209 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Modelo: Modelo 15Parte: Guardabarro delantero derechoAvería: FaltanteGravedad: -8.5.1.8. Período 8: Año 2007 semestre 1.ClasificaciónAverías:43 % de averías “Rayado – Rozado”.25 % de averías “Abollado”.20 % de averías “Faltante”.8 % de averías “Pintura saltada”Lugares:48 % de averías en “Transferencia ubicación y línea de carga”. Imputación planta deproducción.19 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.17 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.7 % de averías en “Bajada de Buque”. Imputación transporte marítimo.5 % de averías en “Retiro de Puerto”. Imputación puerto.Modelos:47 % de averías en Modelo 20.24 % de averías en Modelo 5.9 % de averías en Modelo 13.7 % de averías en Modelo 9.4 % de averías en Modelo 17.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Paragolpe delantero / Protector delantero, Rayado – Rozado, Observada: 64 – 2 %.Paragolpe trasero / Spoiler trasero, Rayado – Rozado, Observada: 68 – 2 %.Tapa posterior de techo, Abollado, Observada: 76 – 3 %.Luz de neblina trasera, Faltante, Observada: 437 – 14 %.Zócalo derecho, Faltante: 2377 – 78 %.General:Zócalo derecho, Faltante.Lugar - Parte – Avería:Ingreso a Puerto, Puerta trasera izquierda, Proyección: 599 – 20 %.Página 210 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTransferencia ubicación y línea de carga, Guardabarro trasero derecho, Pintura saltada: 288– 10 %.Bajada de Buque, Moldura protectora lateral derecha, Faltante: 910 – 30 %.Transferencia ubicación y línea de carga, Techo (inclusive convertible), Rayado – Rozado:510 – 17 %.Transferencia ubicación y línea de carga, Manual, Faltante: 722 – 24 %.General:Transferencia ubicación y línea de carga, Guardabarro delantero derecho, Faltante.Lugar - Parte - Avería – Gravedad:Ingreso a Puerto, Zócalo izquierdo, Abollado, Observada: 57 – 2 %.Transferencia ubicación y línea de carga, Puerta trasera izquierda, Rayado – Rozado,Observada: 68 – 2 %.Transferencia ubicación y línea de carga, Tapizado interno puerta delantera izquierda,Rayado – Rozado, Observada: 160 – 5 %.Subida Buque Puerto de Origen, Panel lateral derecho, Abollado, Observada: 349 – 12 %.Transferencia ubicación y línea de carga, Zócalo derecho, Faltante: 2377 - 78 %.General:Transferencia ubicación y línea de carga, Guardabarro delantero derecho, Faltante.Modelo - Área – Avería:Modelo 5, Capot, Rayado – Rozado: 105 – 3 %.Modelo 5, Manijas externas de puertas traseras, Proyección: 316 – 10 %.Modelo 7, Parrilla delantera, Faltante: 730 – 24 %.Modelo 19, Zócalo izquierdo, Abollado: 455 – 15 %.Modelo 13, Guardabarro delantero izquierdo, Abollado: 206 – 7 %.Modelo 20, Limpiador y lavador de parabrisas, Proyección: 1110 – 37 %.Modelo 14, Techo corredizo, Faltante: 90 – 3 %.General:Modelo 14, Zócalo derecho, Faltante.Modelo - Área - Avería – Gravedad:Modelo 20, Paragolpe delantero / Protector delantero, Rayado – Rozado, Observada: 20 – 4%.Modelo 20, Tapa de Baúl o Puerta Trasera, Rayado – Rozado, Observada: 45 – 10 %.Modelo 17, Manijas externas de puertas traseras, Proyección, Observada: 57 – 12 %.Modelo 20, Cubierta delantera izquierda, Rayado – Rozado, Observada: 260 – 56 %.Modelo 11, Panel lateral derecho, Faltante, Observada: 5 – 1 %.Modelo 14, Zócalo derecho, Faltante: 74 – 16 %.General:Modelo 14, Zócalo derecho, Faltante.PredicciónParte:Con variación de Avería los valores predictivos resultan:Página 211 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASParte: ManualAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Parte: Guardabarro delantero derechoAvería: FaltanteGravedad: -Avería:Con variación de Parte los valores predictivos resultan:Avería: FaltanteParte: Zócalo derechoGravedad: -Con variación de Gravedad los valores predictivos resultan:Avería: FaltanteParte: Zócalo derechoGravedad: -Lugar:Con variación de Parte los valores predictivos resultan:Lugar: Retiro de PuertoParte: Zócalo derechoAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Zócalo derechoAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Zócalo derechoAvería: FaltanteGravedad: -Modelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 13Parte: Zócalo derechoAvería: FaltanteGravedad: -Con variación de Avería los valores predictivos resultan:Modelo: Modelo 16Parte: Zócalo derechoAvería: FaltanteGravedad: -Con variación de Gravedad los valores predictivos resultan:Modelo: Modelo 15Parte: Zócalo derechoAvería: FaltanteGravedad: -Página 212 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS8.5.1.9. Período 9: Año 2007 semestre 2.ClasificaciónAverías:66 % de averías “Rayado – Rozado”.14 % de averías “Abollado”.9 % de averías “Faltante”.8 % de averías “Pintura saltada”Lugares:63 % de averías en “Transferencia ubicación y línea de carga”. Imputación planta deproducción.16 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.7 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.4 % de averías en “Bajada de Buque”. Imputación transporte marítimo.Modelos:54 % de averías en Modelo 20.24 % de averías en Modelo 7.12 % de averías en Modelo 5.5 % de averías en Modelo 13.2 % de averías en Modelo 9.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Llanta trasera izquierda, Rayado – Rozado, Observada: 67 – 1 %.Cubierta trasera derecha, Rayado – Rozado, Observada: 76 – 2 %.Guardabarros y parante trasero izquierdo, Rayado – Rozado, Observada: 176 – 4 %.Panel lateral derecho, Faltante, Observada: 438 – 9 %.Techo corredizo, Proyección, Observada: 275 – 6 %.Limpiador y lavador de parabrisas, Proyección: 3966 – 79 %.General:Taza, Proyección.Lugar - Parte – Avería:Bajada de Buque, Capot, Rayado – Rozado: 27 – 1 %.Bajada de Buque, Zócalo interno puerta delantera izquierda, Rayado – Rozado: 30 – 1 %.Bajada de Buque, Barras de techo, Abollado: 147 – 3 %.Bajada de Buque, Tapa acceso gancho remolque, Abollado: 520 – 10 %.Ingreso a Puerto, Manijas externas de puertas delanteras, Proyección: 3082 – 62 %.Transferencia ubicación y línea de carga, Faro de stop luneta, Rayado – Rozado: 1169- 23%.General:Transferencia ubicación y línea de carga, Taza, Proyección.Página 213 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLugar - Parte - Avería – Gravedad:Transferencia ubicación y línea de carga, Llanta trasera izquierda, Rayado – Rozado,Observada: 72 – 1 %.Ingreso a Puerto, Tapizado interno puerta delantera izquierda, Proyección, Observada: 239 –5 %.Transferencia ubicación y línea de carga, Tapa tanque combustible, Rayado – Rozado,Observada: 233 – 5 %.Ingreso a Puerto, Escape, Rayado – Rozado, Observada: 51 – 1 %.Transferencia ubicación y línea de carga, Zócalo derecho, Rayado – Rozado, Observada:100 – 2 %.Subida Buque Puerto de Origen, Puerta delantera izquierda, Abollado, Observada: 62 – 1 %.Subida Buque Puerto de Origen, Limpiador y lavador de parabrisas, Abollado, Observada:266 – 5 %.Transferencia ubicación y línea de carga, Limpiador y lavador de parabrisas, Proyección:3966 – 79 %.General:Transferencia ubicación y línea de carga, Taza, Proyección.Modelo - Área – Avería:Modelo 7, Cable de carga, Rayado – Rozado: 356 – 7 %.Modelo 6, Tapizado interno puerta delantera izquierda, Rayado – Rozado: 782 – 16 %Modelo 7, Guardabarro trasero derecho, Pintura saltada: 704 – 14 %.Modelo 14, Luz de neblina trasera, Abollado: 112 – 2 %.Modelo 20, Limpiador y lavador de parabrisas, Proyección: 2716 – 54 %.Modelo 13, Faro de stop luneta, Faltante: 27 – 1 %.Modelo 13, Guardabarro trasero derecho, Abollado: 144 – 3 %.Modelo 13, Techo (inclusive convertible), Abollado: 144 – 3 %.General:Modelo 14, Taza, Proyección.Modelo - Área - Avería – Gravedad:Modelo 20, Llanta trasera izquierda, Rayado – Rozado, Observada: 65 – 1 %.Modelo 20, Alfombra baúl / caja de carga, Rayado – Rozado, Observada: 165 - 3 %.Modelo 8, Alfombra suplementarias, Proyección, Observada: 450 – 9 %.Modelo 16, Llanta delantera derecha, Faltante, Observada: 354 – 7 %.Modelo 7, Llanta delantera derecha, Faltante: 1598 – 32 %.Modelo 20, Transponder, Proyección: 2346 – 47 %.General:Modelo 14, Taza, Proyección.PredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: Cubierta delantera derechaAvería: ProyecciónPágina 214 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGravedad: -Con variación de Gravedad los valores predictivos resultan:Parte: Cubierta delantera derechaAvería: ProyecciónGravedad: -Avería:Con variación de Parte los valores predictivos resultan:Avería: FaltanteParte: Cubierta delantera derechaGravedad: -Con variación de Gravedad los valores predictivos resultan:Avería: FaltanteParte: Cubierta delantera derechaGravedad: -Lugar:Con variación de Parte los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Cubierta delantera derechaAvería: ProyecciónGravedad: -Con variación de Avería los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Cubierta delantera derechaAvería: ProyecciónGravedad: -Con variación de Gravedad los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Cubierta delantera derechaAvería: ProyecciónGravedad: -Modelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 12Parte: Cubierta delantera derechaAvería: ProyecciónGravedad: -Con variación de Avería los valores predictivos resultan:Modelo: Modelo 13Parte: Cubierta delantera derechaAvería: ProyecciónGravedad: -Con variación de Gravedad los valores predictivos resultan:Modelo: Modelo 13Parte: Cubierta delantera derechaAvería: ProyecciónGravedad: -Página 215 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS8.5.1.10. Período 10: Año 2008 semestre 1.ClasificaciónAverías:41 % de averías “Rayado – Rozado”.32 % de averías “Faltante”.14 % de averías “Abollado”.6 % de averías “Pintura saltada”Lugares:56 % de averías en “Transferencia ubicación y línea de carga”. Imputación planta deproducción.17 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.11 % de averías en “Subida a Buque”. Imputación puerto.8 % de averías en “Subida a Buque Puerto de origen”. Imputación transporte terrestre.6 % de averías en “Bajada de Buque”. Imputación transporte marítimo.Modelos:48 % de averías en Modelo 20.34 % de averías en Modelo 7.8 % de averías en Modelo 5.3 % de averías en Modelo 13.3 % de averías en Modelo 9.Nota: datos especificados anteriormente representan más del 90 % del total de registros explotados.ClusteringÁrea - Avería – Gravedad:Paragolpe delantero / Protector delantero, Rayado – Rozado, Observada: 75 – 2 %.Paragolpe trasero / Spoiler trasero, Proyección, Observada: 145 – 3 %.Moldura protctora lateral izquierda, Rayado – Rozado, Observada: 828 - 17 %.Retrovisor externo derecho, Faltante: 3932 - 79 %.General:Zócalo derecho, Faltante.Lugar - Parte – Avería:Transferencia ubicación y línea de carga, Paragolpe delantero / Protector delantero, Rayado– Rozado: 176 – 4 %.Transferencia ubicación y línea de carga, Tapa posterior de techo, Rayado – Rozado: 717 –14 %.Bajada de Buque, Panel lateral derecho, Faltante: 834 – 17 %.Transferencia ubicación y línea de carga, Manijas externas de puertas traseras, Reventado –Estallado: 204 – 4 %.Transferencia ubicación y línea de carga, Giro Delantero (derecho / izquierdo), Faltante:3031 – 61 %.Transferencia ubicación y línea de carga, Llanta trasera izquierda, Rayado – Rozado: 38 – 1%.Página 216 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASGeneral:Transferencia ubicación y línea de carga, Zócalo derecho, Faltante.Lugar - Parte - Avería – Gravedad:Ingreso a Puerto, Giro Delantero (derecho / izquierdo), Pintura saltada, Observada: 44 – 1%.Ingreso a Puerto, Paragolpe trasero / Spoiler trasero, Rayado – Rozado, Observada: 255 – 5%.Bajada de Buque, Moldura protectora lateral derecha, Abollado, Observada: 116 – 2 %.Transferencia ubicación y línea de carga, Llanta delantera izquierda, Rayado – Rozado,Observada: 402 – 8 %.Ingreso a Puerto, Encendedor, Manchado, Observada: 235 – 5 %.Transferencia ubicación y línea de carga, Retrovisor externo derecho, Faltante: 3932 – 79 %.General:Transferencia ubicación y línea de carga, Zócalo derecho, Faltante.Modelo - Área – Avería:Modelo 20, Paragolpe delantero / Protector delantero, Rayado – Rozado: 181 - 4 %.Modelo 20, Manijas externas de puertas delanteras, Proyección: 290 - 6 %.Modelo 13, Techo corredizo Pintura saltada, 186 - 4 %.Modelo 8, Capot, Faltante: 35 - 1 %.Modelo 10, Cristales de parante delantero, Reventado – Estallado: 60 - 1 %.Modelo 19, Puerta trasera derecha, Faltante: 2040 - 41 %.Modelo 7, Panel lateral derecho, Proyección: 2199 - 44 %.General:Modelo 13, Zócalo derecho, Faltante.Modelo - Área - Avería – Gravedad:Modelo 20, Guardabarro delantero izquierdo, Rayado – Rozado, Observada: 102 - 2 %.Modelo 7, Conjunto carrocería, Manchado, Observada: 163 - 3 %.Modelo 7, Giro Delantero (derecho / izquierdo), Rayado – Rozado, Observada: 560 - 11 %.Modelo 16, Limpiador y lavador de parabrisas, Faltante, Observada: 202 - 4 %.Modelo 14, Retrovisor externo derecho, Faltante: 3932 - 79 %.General:Modelo 13, Zócalo derecho, Faltante.PredicciónParte:Con variación de Avería los valores predictivos resultan:Parte: ManualAvería: ProyecciónGravedad: -Con variación de Gravedad los valores predictivos resultan:Parte: TazaAvería: ProyecciónGravedad: -Página 217 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASAvería:Con variación de Parte los valores predictivos resultan:Avería: FaltanteParte: Puerta delantera derechaGravedad: -Con variación de Gravedad los valores predictivos resultan:Avería: FaltanteParte: Puerta delantera derechaGravedad: -Lugar:Con variación de Parte los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Puerta delantera derechaAvería: ProyecciónGravedad: -Con variación de Avería los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Puerta delantera derechaAvería: ProyecciónGravedad: -Con variación de Gravedad los valores predictivos resultan:Lugar: Transferencia ubicación y línea de cargaParte: Puerta delantera derechaAvería: ProyecciónGravedad: -Modelos:Con variación de Parte los valores predictivos resultan:Modelo: Modelo 10Parte: Puerta delantera derechaAvería: ProyecciónGravedad: -Con variación de Avería los valores predictivos resultan:Modelo: Modelo 10Parte: Puerta delantera derechaAvería: ProyecciónGravedad: -Con variación de Gravedad los valores predictivos resultan:Modelo: Modelo 10Parte: Puerta delantera derechaAvería: ProyecciónGravedad: -8.5.2. Evaluación de los resultados en términos de objetivos de negocio.En este ítems se van a describir los resultados obtenidos de la explotación de datos en función de losobjetivos de negocio propuesto para el presente estudio.Cada período analizado contiene como resultado información detallada sobre daños, tipo de daños,lugares, transportes y modelos de autos, los cuales se encuentran relacionados entre si y permitenver un comportamiento que se va a tratar de describir claramente.Página 218 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASExisten objetivos de negocios específicamente vinculados con resultados estadísticos comocantidades, cantidades totales, porcentajes, máximos, mínimos, etc. los cuales fueron explicitadosen los puntos desarrollados por el proyecto en la parte de exploración de datos, evaluación deresultados y resumen de los resultados obtenidos. Ahora se va a tratar de describir loscomportamientos y conductas de los datos explotados para de esta forma concluir con la evaluaciónfinal de la minería de datos desarrollada.8.5.2.1. Tipos de averías.Los Tipos de Averías predominantes a lo largo de los períodos analizados son abollados, rayados orozados, pinturas saltadas y faltantes. Entre estos 4 Tipos de Averías se encuentra más del 90 % delos siniestros en cada período.El período 1 y 2 se caracteriza en primer lugar por el Tipo de Avería abollado con 59 y 50 %respectivamente, luego el rayado o rozado con 22 y 29 % respectivamente y luego el pinturasaltada con el 10 % y 14 % respectivamente. En el segundo período aparece la avería faltante con el3 % de ocurrencia. Y finalmente en el período 2 aparece por única vez a un nivel aceptable deocurrencia para ser mencionado el Tipo de Avería manchado con un 3 %.Luego analizando el período 3 se puede ver que los niveles de ocurrencia de las averías cambiateniendo en primer lugar los abollados con 44 %, luego el 34 % para rayados o rozados, en tercerlugar el 15 % de averías son pintura saltada y finalmente el 5 % de tipo de averías son faltantes.El cuarto y quinto período contienen exactamente los mismos tipos de averías con un leve cambioen la distribución de los porcentajes de ocurrencia. Esto es, en primer lugar el Tipo de Averíarayado o rozado con 45 y 48 % para cada período respectivamente, luego aparecen los abolladoscon 28 y 29 % respectivamente, en tercer lugar se encuentra el Tipo de Avería pintura saltada con el15 y 13 % respectivamente, y para terminar, en ambos períodos aparece la ocurrencia de losfaltantes con el 7 y el 6 % respectivamente.El período 6 presenta en la ocurrencia de los Tipos de Averías la misma distribución en cuanto aporcentajes del período 3. O sea que en primer lugar se ve un 45 % de averías abollado, luego un 40% de Tipos de Averías rayado o rozado, en tercer lugar pintura saltada con un 7 % y finalmente otro7 % para los faltantes.Los períodos 7, 8 y 9 presentan la ocurrencia exactamente de los mismos tipos de averías. Losporcentajes se distribuyen de la siguiente forma: en primer lugar rayado o rozado con el 47, 43 y 66% respectivamente, luego en segundo lugar los abollados con el 30, 25 y 14 % respectivamente, entercer lugar aparecen los faltantes con el 14, 20 y 9 % respectivamente, y finalmente se observan lostipos de averías de pintura saltada con el 5 % para el período 7 y el 8 % para los períodos 8 y 9.Para concluir con el análisis de los resultados de los Tipos de Averías ocurridos de éste punto sepuede ver que en el período 10 con un particular cambio en la posición de los porcentajes deocurrencia en el segundo lugar aparecen los faltantes con un 32 %. En primer lugar tenemos elrayado – rozado con el 41 %. Y en el tercer y cuarto lugar se encuentran los abollados y pinturasaltada con el 14 y 6 % respectivamente.Página 219 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS8.5.2.2. Lugares.Para los 6 primeros períodos del presente estudio los lugares predominantes donde ocurrieron lasaverías son a la Subida de Buque en Puerto de Origen con el 74, 83, 76, 47, 32 y 42respectivamente. Los motivos por los cuales se produjo el cambio son fundamentalmente por ladecisión política de la empresa vinculada a la implementación de mayores controles debido al altoporcentaje de siniestralidad. Ese motivo no es incumbencia del presente estudio por lo cual solo esmencionado sin realizar el estudio y/o análisis del cambio ejecutado por la compañía.Los tres primeros períodos se caracterizan en segundo lugar por la ocurrencia de las averías en lasoperaciones de Bajada de Buque con el 10, el 6 y el 9 % respectivamente. Los siguientes tresperíodos el segundo lugar de ocurrencia es Retiro Fábrica de Origen 15, 23 y 17 % respectivamente.Para el tercer lugar en la ocurrencia de averías se haya el mismo comportamiento que para elsegundo lugar para los 6 primeros períodos. Esto es, los tres primeros períodos tienen como tercerlugar de ocurrencia de averías el Ingreso a Puerto con el 5, el 6 y el 9 % respectivamente. Luego enlos siguientes tres períodos cambia por Bajada de Buque con 15, 20 y 15 % respectivamente.Para concluir con el análisis de los 6 primeros períodos se ve que en el cuarto lugar para el período1, 2 y 3 se encuentran los lugares de Transferencia Ubicación y Línea de Carga (5 %), Retiro dePuerto (2 %) y Subida a Buque (4 %). Luego para los períodos 4, 5 y 6 se encuentra en cuarto lugarla ocurrencia de averías en Ingreso a Puerto con el 13, 14 y 13 % de ocurrencia respectivamente.Para los períodos 7, 8, 9 y 10 se produce un cambio en los porcentajes de ocurrencia de mayor amenor nivel de averías. En el período 7 el mayor nivel de ocurrencia se ve en el Ingreso a Puertocon el 40 %. Luego se reduce a un 21 % en la Bajada de Buque. En tercer lugar en el período 7 seencuentra la Transferencia Ubicación y Línea de Carga y finalmente con un porcentaje mínimo del10 % y 6 % se encuentran la Subida a Buque y Subida a Buque Puerto de Origen respectivamente.Básicamente estos dos últimos lugares son similares operativamente pero se diferencianespecíficamente por el lugar físico. Esta similitud será evaluada en los puntos siguientes donde seanaliza la imputabilidad de las averías en función de los tipos de transportes.El período 8 y 9 coinciden en cuatro lugares con el mismo nivel de ocurrencia en porcentajes. Enprimer término el lugar Transferencia Ubicación y Línea de Carga con el 48 y el 63 %respectivamente. Luego en el segundo puesto el lugar Ingreso a Puerto con el 19 y 16 %respectivamente. En tercer lugar las ocurrencias se producen en la Bajada de Buque con el 7 % enambos períodos. Para concluir el análisis de estos dos períodos se ve que en el período hay unpequeño porcentaje (5 %) correspondiente al lugar Retiro de Puerto.Para terminar con el análisis de los lugares donde se producen las averías se ve que en el período 10el 56 % de ocurrencia de averías se produce en el lugar Transferencia Ubicación y Línea de Carga,luego el segundo lugar donde se producen las averías con mayor frecuencia en es Ingreso a Puertocon el 17 %. En tercer lugar se observa que la Subida a Buque tiene el 11 % de ocurrencia deaverías. Finalmente los lugares Subida a Buque Puerto de Origen y Bajada de Buque son los demenor ocurrencia con el 8 y el 6 % respectivamente.8.5.2.3. Modelos.Como particular comportamiento se puede ver que en 9 de los 10 períodos analizados un 50 % ± 6% de los datos explotados giran en torno a un solo modelo.Página 220 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEl primer período tiene al Modelo 9 (46 %) como de mayor ocurrencia de averías, seguido por elModelo 17 con el 29 %. En tercer lugar se encuentra el Modelo 5 y 20 con el 6 %, y finalmente conel 5 % se ve la ocurrencia de averías sobre el Modelo 18 y 13.Los períodos 2 y 3 tienen en primera instancia con mayor nivel de ocurrencia de averías al Modelo17 (47 y 56 % respectivamente) y luego al Modelo 9 (32 y 15 % respectivamente). Luego en elperíodo 2 sigue el Modelo 13 con el 10 %, en cuarto lugar el Modelo 20 con el 6 % y finalmente elModelo 18 con el 4 %. Para el período 3 se ve que en el tercer lugar se encuentra el Modelo 20 conel 12 %, luego el Modelo 13 con el 9 % y finalmente el Modelo 5 con el 5 % de ocurrencia deaverías.En los períodos 4, 5 y 6 el Modelo con mayor cantidad de ocurrencia de averías es el 17 (51, 47 y40 % respectivamente). Luego en el período 4 se ve el Modelo 20 con el 15 %, en tercer lugar elModelo 8 con el 12 % y en cuarto y quinto lugar los Modelos 9 y 5 con el 11 y el 5 %respectivamente. El período 5 tiene en segundo lugar de ocurrencia de averías al Modelo 8 con el 16%, luego el Modelo 9 con el 12 %, y finalmente el Modelo 5 y 20 con el 10 y el 5 %respectivamente. El período 6 tiene en segundo lugar al Modelo 9 con el 21 %, luego en tercer lugarel Modelo 5 con el 14 %, en cuarto lugar el Modelo 20 con el 12 % y finalmente el Modelo 8 con el8 %.Los períodos 7 y 8 se caracterizan por la mayor ocurrencia de averías en los Modelos 20 (50 y 47 %respectivamente) y 5 (22 y 24 % respectivamente) en primer y segundo lugar respectivamente. Enel período 7 se ve en tercer lugar al Modelo 10 con el 10 % de ocurrencia de averías y luego losModelos 9 y 13 con el 7 y 4 % respectivamente. En el período 8 se encuentra en el tercer lugar deocurrencia de averías el Modelo 13 con el 9 % y luego los Modelos 9 y 17 con el 7 y el 4 %respectivamente.Finalmente analizados los datos del período 9 y 10 considerando la ocurrencia de averías en losModelos se puede ver que tienen la misma ubicación en porcentajes de ocurrencia. El Modelo 20 esel de mayor ocurrencia con el 54 % para el período 9 y el 48 % para el período 10. En segundolugar en ambos períodos se encuentra el Modelo 7 con el 24 y el 34 % respectivamente para cadaperíodo. Luego en tercer lugar se encuentra el Modelo número 5 con el 12 y el 8 % respectivamentepara cada período. El Modelo 13 ocupa el cuarto lugar de ocurrencia de averías con el 5 y 3 %respectivamente. Para terminar se menciona con el menor porcentaje de ocurrencia el Modelo 9 conel 2 y el 3 % de nivel de ocurrencia para los períodos 9 y 10 respectivamente.8.5.2.4. Partes, Averías y Gravedad.La estructura de las averías estudiadas en el presente proyecto es Parte + Avería + Gravedad. Eneste punto se evalúan los resultados de la explotación de datos combinando los tres parámetros encada uno de los períodos.Para el primer período se puede ver que la media general es:Tapa acceso gancho remolque, Faltante, Mediano.Es un tipo de daño válido y está relacionada con el robo de esa parte.Los centroides que pueden representar un tipo de ocurrencia de avería mínimo son:Luz trasera izquierda, Faltante, Mediano (13 %).Cubierta delantera izquierda, Rayado – Rozado, Mediano (3 %).En ambos casos su ocurrencia es poco probable y los porcentajes arrojados por la explotación dedatos no tienen relación con la realidad.Página 221 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASFinalmente para el primer período se observan los centroides compuesto por:Panel lateral izquierdo, Abollado, Leve (21 %)Panel lateral derecho, Abollado, Mediano (7 %)Se puede concluir para este período que hay un comportamiento particular debido a que la mediaglobal de daño no se corresponde con ninguno de los centroides formados. Posiblemente elresultado se debe al hecho que el número que caracteriza al Tipo de Avería Faltante (7) se encuentraentre los dos Tipos de Avería de mayor ocurrencia en el período (Abollado 6 y Rozado – Rayado9).El período dos está caracterizado por la media global igual al periodo anterior:Tapa acceso gancho remolque, Faltante, Mediano.Al igual que en el periodo anterior se puede ver que la media global no tiene relación con los datosgenerados por los centroides que participan con resultado válido.El centroide compuesto por:Cristales de parante delantero, Faltante, Intolerable (6 %).Tiene poco grado de ocurrencia en la realidad, pero puede llegar a tener aparición entre lossiniestros.En cuanto al centroide real representativo de este periodo se encuentra:Otros, Abollado, Leve (37 %).Este tipo de daños está vinculado directamente a la posibilidad de encontrar abolladuras endiferentes partes de las unidades.Como conclusión de este periodo también se puede decir que el hecho de no haber relación entre lamedia global y los resultados posibles obtenidos se debe a una cuestión específicamentematemática.Siguiendo con los centroides del periodos 3 se puede ver que la media global continúa siendo:Tapa acceso gancho remolque, Faltante, Leve.Pero la característica distintiva de la media para este período es que su gravedad es leve y nomediana como en los dos períodos anteriores.Este periodo se caracteriza por estos dos tipos de daños:Paragolpe trasero / Zona contacto, Rayado – Rozado, Grave (1 %).Tapa acceso gancho remolque, Faltante (89 %).Aquí si se puede ver la relación directa entre la avería con nivel porcentual más alto ocurrido en elperíodo y la media global. Sin embargo no hay correspondencia entre el tipo de avería con mayorcantidad de ocurrencia y el tipo de avería que compone el daño que caracteriza al centroide demayor porcentaje.El periodo cuatro contiene como media global:Guardabarro trasero derecho, Faltante.Al evaluar la ocurrencia de este evento en la base de datos se puede ver que no tiene posibilidad realde combinación. Posiblemente su aparición en la media es solo a los efectos de cálculosmatemáticos.Analizando el centroide:Zócalo izquierdo, Manchado, Observada (1 %).Se puede concluir que el porcentaje de ocurrencia en la realidad es mínimo como está representadopor el porcentaje de la explotación de los datos.En cuanto a los centroides que caracterizan a este periodo:Capot, Rayado – Rozado, Observada (2 %).Panel trasero bajo baúl, Rayado – Rozado, Observada (3%).Llanta delantera izquierda, Abollado, Observada (18 %).Página 222 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSe puede ver que las mismas son solo averías del tipo leve debido a que las mismas solo aparecencomo observaciones.En el quinto periodo el daño con media global es:Guardabarro delantero derecho, Faltante.Este daño coincide con el daño de centroide de mayor ocurrencia de este periodo pero el mismo noaparece en la base de datos estudiada. Al igual que en los casos anteriores posiblemente suaparición solo se debe a cuestiones de cálculo matemático. Y para reforzar la conclusión también sedebe mencionar que la mayor cantidad de tipos de avería para este periodo no es el Faltante sino elAbollado.En cuanto a los centroides que aparecen con posibilidad de ocurrencia baja en la realidad seencuentra:Barras de techo, Rayado – Rozado, Observada (3 %).El 3 % indica cantidad de ocurrencia numerosa en relación a la cantidad verificada sobre la base dedatos.Los centroides que caracterizan este periodo son:Retrovisor externo izquierdo, Pintura saltada, Observada (4 %).Tapa tanque combustible, Rayado – Rozado, Observada (– 1 %).Si bien no representan un porcentaje importante de ocurrencia son los únicos cuyo resultado en laverificación de datos tienen ocurrencia válida.Como en el periodo 5, en el periodo 6 la media global de daño ocurrido no encuentra validezcruzando los datos de la base de datos explotada:Zócalo derecho, Faltante.Este daño no tiene posibilidad de ocurrencia real.En cuanto a los centroides que caracterizan al periodo:Capot, Rayado – Rozado, Observada (1 %).Panel trasero bajo baúl, Rayado – Rozado, Observada (1 %).Estos dos centroides representan un porcentaje mínimo de ocurrencia en función de la cantidad dedatos introducidos en el modelo.En el periodo 7 tampoco se encuentra correspondencia entre la media global y los datos explotados:Guardabarro delantero derecho, Faltante.En cuanto al centroide que caracteriza este periodo se ve:Bolsa de herramientas, Arrancado - Roto – Fisurado, Observada (1 %).El porcentaje de ocurrencia es mínimo.El periodo 8 tiene como media global:Zócalo derecho, Faltante.Y al igual que en el periodo anterior este centroide no represente ocurrencia real en la base datos.En cuanto a los centroides representativo de este periodo:Paragolpe delantero / Protector delantero, Rayado – Rozado, Observada (2 %).Paragolpe trasero / Spoiler trasero, Rayado – Rozado, Observada (2 %).Luz de neblina trasera, Faltante, Observada (14 %).El periodo 9 tiene como media global:Taza, Proyección.El centroide más importante no representa una avería real.El cluster representativo de este periodo es:Guardabarros y parante trasero izquierdo, Rayado – Rozado, Observada (4 %).Página 223 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLlanta trasera izquierda, Rayado – Rozado, Observada (1 %).Este representa un porcentaje mínimo de ocurrencia en la base de datos explotada.La media global que representa este periodo es:Zócalo derecho, Faltante.Tampoco es una combinación de daño válida y además no se corresponde con el tipo de avería másproducido en este periodo.Los centroides que representan este periodo son más representativos y arrojan mayor probabilidadde ocurrencia que en los periodos anteriores:Paragolpe delantero / Protector delantero, Rayado – Rozado, Observada (2 %).Moldura protectora lateral izquierda, Rayado – Rozado, Observada (17 %).Retrovisor externo derecho, Faltante (79 %).Para finalizar con el desarrollo de este punto del Clustering de daños considerando Parte + Tipo deAvería + Gravedad es difícil tomar como valores válidos factibles de dar algún tipo de informaciónen relación al comportamiento de las averías debido específicamente a que la combinación de losparámetros que definen un daño es excluyente. Es decir que hay combinaciones de códigos departes, averías y gravedades que en la realidad no se van a producir e inclusive en la prácticaalgunas veces son poco frecuentes y no justifican su estudio.El desarrollo del Clustering evaluando cada uno de los grupos separando por cada una de sus partessi resulta de validez para el modelo y si arroja resultados factibles de ser estudiados para determinarun comportamiento de los siniestros.En los puntos que continúan en el presente trabajo se seguirá evaluando la información suministradapor el agrupamiento de datos considerando los daños imputables a un modelo o a un determinadolugar, por lo tanto es viable la posibilidad que el agrupamiento de datos arroje resultados quepermitan representar fehacientemente el comportamiento de los daños en las unidades automotrices.8.5.2.5. Lugares, Partes y Tipos de Averías.Analizando el resultado del primer periodo podemos ver que la media global contemplando lagravedad de una avería y sin contemplarla arrojan como daño:Retiro de Puerto, Tapa acceso gancho remolque, Faltante.La gravedad de la media global es: Mediano.En cuanto a los resultados sin contemplar la gravedad de la avería podemos ver:Subida Buque Puerto de Origen, Bolsa de herramientas, Faltante (87 %).Luego se puede visualizar el siguiente resultado:Transferencia ubicación y línea de carga, Luz de neblina trasera, Exceso kilometraje (6%).Transferencia ubicación y línea de carga, Luz de neblina trasera, Abollado (2 %).Si bien tanto el lugar como la parte averiada suman un 8 % de ocurrencia, los porcentajes se dividenentre el 6 % y 2 % para diferentes tipos de averías.Finalmente se puede ver que los daños:Ingreso a Puerto, Cubierta delantera derecha, Abollado (2 %).Ingreso a Puerto, Paragolpe delantero / Superior, Rayado – Rozado (1 %).Ingreso a Puerto, Techo corredizo, Faltante (1 %).Ingreso a Puerto, Luz trasera izquierda, Abollado (1 %).El 5 % del total de averías ocurren en el ingreso a puerto, pero las partes se distribuyen en tresgrupos 3 % de abolladuras, 1 % de rayados o rozados y 1 % de faltantes.Página 224 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSi los datos procesados contemplan la gravedad de una avería los resultados cambian. Los dañosque encabezan el mayor porcentaje de ocurrencias son:Subida Buque Puerto de Origen, Llave, Abollado, Leve (42 %).Retiro de Puerto, Cristales de parante delantero, Abollado, Grave (20 %).Subida Buque Puerto de Origen, Cable de carga, Faltante, Mediano (12 %).Subida Buque Puerto de Origen, Guardabarro delantero izquierdo, Rayado – Rozado,Mediano (2 %).Analizando estos datos se puede ver que las averías ocurren en un 56 % en la subida a buque. Perolos tipos de averías se dividen solo en tres, por un lado el 62 % de abolladuras, el 12 % son faltantesy por otro solo el 2 % corresponde a rayados o rozados. Y en cuanto a las partes no sucede lomismo puesto que se dividen en 4 partes, el 42 % corresponden a llaves, el 20 % a los cristales deparante delantero, el 12 % se refiere a los cables de carga o bien en un 2 % a guardabarros delanteroizquierdo. Finalmente se ve que los las gravedades varían en leves 42 %, graves 20 % y medianosen un 2 %.Luego se ve la siguiente distribución de ocurrencia de averías donde es considerada la gravedad:Bajada de Buque, Tapizado interno puerta delantera izquierda, Rayado – Rozado,Mediano (12 %).Ingreso a Puerto, Moldura protectora lateral derecha, Rayado – Rozado, Leve (10 %).Transferencia ubicación y línea de carga, Insignia, Faltante, Leve (2 %).Solo se puede hacer la observación referida a que solo participa de esta distribución dos tipos deaverías por un lado el 22 % de rayados o rozados leves y por otro el 2 % de faltantes leves.El segundo periodo tiene menor cantidad de centroides. En cuanto a la media global también comoen el periodo anterior con la participación y sin la participación de la severidad de los daños, laavería es la misma y en el mismo lugar:Retiro de Puerto, Tapa acceso gancho remolque, Faltante.Si se especifica la gravedad esta es media.Sin la consideración de los datos de gravedad se observa:Subida Buque Puerto de Origen, Bolsa de herramientas, Faltante (92 %).Además el resultado en evaluación tiene coherencia entre la avería y la parte del auto involucrada.Para concluir con esta parte se pueden ver porcentajes mínimos en:Transferencia ubicación y línea de carga, Otros, Abollado (3 %).Transferencia ubicación y línea de carga, Puerta delantera izquierda, Rayado –Rozado (1 %).Ingreso a Puerto, Techo corredizo, Rayado – Rozado (2 %).Ingreso a Puerto, Puerta trasera derecha, Rayado – Rozado (1 %).Aquí se puede agrupar los lugares de averías en dos, el primero referido a la transferencia en líneade carga (4 %) y el segundo en el ingreso a puerto (3 %). Mientras que los tipos de averías sontambién son dos, rayados o rozados con un 4 % y los abollados con un 3 %. Las partes si estándivididas en cuatro partes en función de los centroides definidos.Pasando a la evaluación de los resultados considerando la gravedad de las averías en los lugares enestudio se ve que produce una dispersión de los porcentajes de mayor ocurrencia:Bajada de Buque, Panel lateral izquierdo, Faltante, Leve (39 %).Bajada de Buque, Llanta delantera derecha, Abollado, Leve (33 %).El 72 % se produce en la bajada de un buque. En cuanto a los tipos de averías se observa faltantescon el 39 % y abollados con el 33 %. Y en relación a las partes involucradas se puede ver queocurren en el panel lateral izquierdo y las llantas delanteras derechas. En los dos casos la gravedades solo leve.Finalmente se ve que los porcentajes mínimos de ocurrencia de avería se producen según lasiguiente distribución:Página 225 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASBajada de Buque, Cristales de parante delantero, Faltante, Intolerable (5 %).Bajada de Buque, Llanta delantera derecha, Faltante, Grave (8 %).Retiro de Puerto, Guardabarro trasero derecho, Faltante, Grave (13 %).Ingreso a Puerto, Tapa posterior de techo, Pintura saltada, Mediano (2 %).Se observa que el 13 % ocurren en la bajada de un buque, un 13 % en el retiro de un puerto y soloun 2 % en ele ingreso a un puerto. En canto a los tipos de averías solo se presentan dos, los faltantescon el 26 % y un 2 % para pinturas saltadas. En referencia a las partes involucradas estás sedistribuyen en cuatro en función de los centroides generados, un 13 % de guardabarros traserosderechas, un 8 % de llantas delanteras derechas, un 5 % de cristales de parantes delanteros y un 2 %de tapas posteriores de techo. Finalmente se observa que las gravedades encontradas se dividen entres grupos, 21 % de graves, 5 % de intolerables y 2 % de medias.El tercer periodo se caracteriza por el daño global:Retiro de Puerto, Tapa acceso gancho remolque, Faltante.Y si se contempla la gravedad, esta es leve.El lugar más importante donde ocurren las averías sin considerar su gravedad es:Transferencia ubicación y línea de carga, Bolsa de herramientas, Faltante (87 %).Luego en porcentajes mínimos se puede ver:Ingreso a Puerto, Paragolpe trasero / Zona contacto, Rayado – Rozado (6 %).Ingreso a Puerto, Luz de neblina trasera, Abollado (3 %).Ingreso a Puerto, Barras de techo, Pintura saltada (1 %).Ingreso a Puerto, Guardabarro trasero derecho, Pintura saltada (1 %).Ingreso a Puerto, Luz de patente trasera, Rayado – Rozado (1 %).Transferencia ubicación y línea de carga, Retrovisor externo izquierdo, Rayado –Rozado (1 %).Se observa que el 12 % de averías se produce en el ingreso a un puerto y solo el 1 % a los lugaresvinculados a la transferencia y línea de carga. En cuanto a las apartes afectadas se puede ver otradistribución entre los porcentajes mínimos, esto es: un 6 % para los paragolpes traseros, un 3 %para las luces de neblina trasera, un 1 % para las barras de techo al igual que los guardabarrostraseros derechos, las luces de patente traseras y los retrovisores externos izquierdos. En cuanto alos tipos de averías se observa que el 8 % son rayados o rozados, el 3 % son abollados y solo un 1% para pintura saltada.Analizado los datos considerando la gravedad de las averías se observa:Subida Buque Puerto de Origen, Otros, Faltante (78 %).Se ve que el mayor porcentaje de incidentes se realiza a la subida a un buque.Los porcentajes mínimos de ocurrencia se observan en:Ingreso a Puerto, Retrovisor externo derecho, Proyección (11 %).Subida Buque Puerto de Origen, Giro Delantero (derecho / izquierdo), Faltante, Grave(9 %).Ingreso a Puerto, Alfombra suplementarias, Proyección, Grave (1 %).Ingreso a Puerto, Luz de neblina trasera, Faltante, Grave (1 %).El 13 % ocurre al ingreso a un puerto mientras que un 9 % ocurre a la subida a un buque. En cuantoa las partes que intervienen se observa que el 11 % se produce en retrovisores externos derechos, un9 % en giros delanteros derechos o izquierdos, un 1 % son sobre las alfombras suplementarias y un1 % sobre las luces de neblina trasera. En relación a los tipos de averías se observa que el 12 % sonde tipo proyección y un 10 % de faltantes. Finalmente se observa que las averías ocurridas songraves.Página 226 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEl cuarto periodo se caracteriza por averías global en retiro de puerto. Las partes que hacen a lamedia global son el guardabarros trasero derecho. En cuanto al tipo de avería de la media son losfaltantes. La severidad de las averías de la media si es considerada es grave.Los porcentajes de averías si la consideración de la gravedad no es tenida en cuenta es la siguiente:Retiro de Puerto, Puerta trasera derecha, Faltante (81) %)El mayor índice de siniestralidad no coincide con la media global solo en la parte dañada pero si enel lugar y el tipo de daño.Luego los porcentajes de siniestralidad bajan agrupándose de la siguiente manera:Ingreso a Puerto, Capot, Rayado – Rozado (2 %).Subida Buque Puerto de Origen, Tapa posterior de techo, Rayado – Rozado (3 %).Retiro de Puerto, Taza, Faltante (6 %).Retiro de Puerto, Llanta delantera izquierda, Faltante (8 %).El 3 % se producen en la subida al buque, el 2 % en el ingreso a puerto y el 14 % en el retiro depuerto. Las averías en los dos primero lugares son rayados y rozados y en retiro de puerto sonfaltantes. Y las partes de los autos involucradas se dividen en un 2 % capot, un 3 % a las tapasposteriores de techos, un 6 % a las tazas y 8 % a las llantas delanteras izquierdas.Si la gravedad es considerada el mayor porcentaje de ocurrencia es en:Bajada de Buque, Zócalo derecho, Faltante (60 %).Luego los porcentajes se agrupan de la siguiente forma:Subida Buque Puerto de Origen, Escape, Faltante, Observada (22 %).Ingreso a Puerto, Cubierta delantera derecha, Faltante (11 %).Ingreso a Puerto, Luz de neblina trasera, Proyección, Observada (4 %).Ingreso a Puerto, Capot, Rayado – Rozado, Observada (2 %).Ingreso a Puerto, Parabrisa, Faltante, Observada (1 %).El 22 % se produce en la subida a buque y el 18 % en el ingreso a puerto. En referencia a las partesse distribuyen en 11 % cubiertas delanteras derechas, 4 % luces de neblina traseras, 2 % en capot yel 1 % en parabrisas. En relación a los tipos de averías se dividen en faltantes con un 34 %, un 4 %proyecciones y un 2 % rayados o rozados. Y finalmente la severidad de las averías se distribuye enun 29 % de solo observaciones y 11 % graves.La media global para el quinto periodo se define en:Retiro de Puerto, Guardabarro delantero derecho, Faltante.La severidad es grave si es considerada.Si no se considera la gravedad de las averías la ocurrencia de los siniestros se desarrolla de lasiguiente manera:Retiro de Puerto, Cristales de parante delantero, Faltante (66 %).Luego el porcentaje baja y se distribuye como sigue:Retiro Fábrica de Origen, Paragolpe trasero / Spoiler trasero, Rayado – Rozado (26%).Bajada de Buque, Antena, Proyección (5 %).Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado - Rozado (2%).Bajada de Buque, Paragolpe delantero / Superior, Rayado – Rozado (1 %).Subida Buque Puerto de Origen, Paragolpe delantero / Protector delantero Rayado –Rozado (1 %).En retiro de fábrica se produce el 26 % de las averías de este periodo, en bajada de buque el 8 % yel 1 % en subida a buque. Luego analizando los resultados de las partes se ve que el paragolpedelantero o protector delantero tiene un 3 %, antenas un 5 % y el 26 % los paragolpes traseros oPágina 227 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASspoilers traseros. En cuanto a las averías estás se caracterizan por rayado o rozado 30 % y el 5 %proyecciones.Considerando la gravedad de las averías se observa que el mayor porcentaje de siniestralidad deeste periodo es:Subida Buque Puerto de Origen, Guardabarro delantero derecho, Faltante (76 %).Luego los menores porcentajes se definen en los siguientes centroides:Ingreso a Puerto, Llanta delantera derecha, Proyección, Observada (6 %).Bajada de Buque, Zócalo derecho, Faltante, Observada (4 %).Ingreso a Puerto, Llanta delantera izquierda, Proyección (3 %).Ingreso a Puerto, Techo (inclusive convertible), Rayado – Rozado (2 %).Ingreso a Puerto, Otros, Abollado (5 %).Ingreso a Puerto, Techo (inclusive convertible), Pintura saltada (4 %).En ingreso a puerto se produce el 20 % y el 4 % en la bajada de buque. En referencia a los tipos deaverías se subdividen en 9 % proyecciones, faltantes 4 %, rayados o rozados 2 %, un 5 % deabollados y el 4 % pinturas saltadas. Observando las partes afectadas éstas se dividen en llantasdelanteras derechas el 6 %, llanta delanteras izquierdas 3 %, zócalos derechos 4 %, techos(inclusive convertibles) 2 % y otros el 5 %. Finalmente se observa que el 10 % son soloobservaciones y el 14 %A continuación se realiza la evaluación de los datos explotados para el periodo seis. Se puede verque la media global está constituida por:Retiro de Puerto, Zócalo derecho, Faltante.Y si la severidad es considerada esta es grave.Analizados los datos del periodo seis sin la consideración de la gravedad de las averías se observacomo ocurrencia predominante:Subida Buque Puerto de Origen, Guardabarro trasero derecho, Faltante (79 %).El lugar especificado y el daño no coincide con la media global salvo en el tipo de avería que esFaltante.En cuanto a los porcentajes de ocurrencia menor esos se distribuyen de la siguiente manera:Ingreso a Puerto, Tapa acceso gancho remolque, Faltante (12 %).Ingreso a Puerto, Zócalo interno puerta delantera izquierda, Rayado – Rozado (3 %).Ingreso a Puerto, Paragolpe delantero / Protector delantero, Rayado – Rozado (2 %).Transferencia ubicación y línea de carga, Spoiler delantero, Rayado – Rozado (1 %).Transferencia ubicación y línea de carga, Paragolpe delantero / Protector delantero,Rayado – Rozado (1 %).Transferencia ubicación y línea de carga, Llave, Abollado (1 %).Se observa que el 15 % de las averías se producen en el ingreso a un puerto. Las partesintervinientes son las tapas de acceso a gancho de remolque con un 12 %, luego los zócalos internosde puerta delantera izquierda con el 3 %, el paragolpe delantero o protector delantero con un 3 %, elspoiler delantero con el 1 % al igual que las llaves con el 1 %. Luego se observa que las averías sedistribuyen en: un 7 % de rayados o rozados, un 12 % de faltantes y solo un 1 % de abollados.Pasando al caso donde las severidades son consideradas se observa lo siguiente:Bajada de Buque, Zócalo derecho, Faltante (88 %).El mayor porcentaje de ocurrencia tampoco coincide con la media global del periodo salvo en eltipo de averías que es Faltante.Luego en porcentajes inferiores se observa:Bajada de Buque, Tapa acceso gancho remolque, Abollado, Observada (7 %).Bajada de Buque, Moldura protectora lateral derecha, Faltante, Observada (3 %).Ingreso a Puerto, Tapa posterior de techo, Rayado – Rozado, Observada (1 %).Página 228 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTransferencia ubicación y línea de carga, Puerta trasera izquierda, Abollado,Observada (1 %).Los daños ocurren en un 10 % a la bajada del buque, en un 1 % en el ingreso al puerto y al igualque en la transferencia de ubicación y línea de carga. En referencia a los tipos de averías se observaque el 8 % son abollados, el 3 % faltantes y el 1 % rayados o rozados. En cuanto a las partesobservadas se ve que el 7 % pertenece a las tapas de acceso a gancho de remolque, el 3 % a molduraprotectora lateral derecha, y el 1 % para tapa posterior de techo al igual que la puerta traseraizquierda. Finalmente se observa que la severidad de la avería es solamente observable en todos loscasos (12 %).La media global del séptimo periodo está caracterizada por los daños:Transferencia ubicación y línea de carga, Guardabarro delantero derecho, Faltante.Si la gravedad es considerada entonces esta es grave.Observando los resultados del procesamiento sin considerar la gravedad de los daños se puede verque hay una distribución homogénea de los centroides. Esto es:Ingreso a Puerto, Parabrisa, Proyección (33 %).Bajada de Buque, Guardabarro delantero izquierdo, Abollado (18 %).Ingreso a Puerto, Faro de stop luneta, Abollado (18 %).Ingreso a Puerto, Llave, Rayado – Rozado (16 %).Bajada de Buque, Manijas externas de puertas traseras, Proyección (12 %).Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado – Rozado (2 %).Las averías son producidas en un 67 % en el ingreso a puerto y el 32 % en la bajada de buque. Enreferencia a las partes afectadas se divide en: un 33 % de parabrisas, 18 % guardabarros delanterosizquierdos al igual que los faros de stop de luneta, el 17 % de llaves, el 12 % de manijas externas depuertas traseras y el 2 % de paragolpes delanteros o protectores delanteros. Finalmente los tipos deaverías son de proyección en un 45 %, un 36 % de abollados y el 18 de rayados o rozados.Luego analizando los resultados del proceso contemplando la severidad de las averías el resultadoes:Transferencia ubicación y línea de carga, Guardabarro delantero derecho, Faltante (86%).En esta parte si el resultado muestra un mayor predominio en un centroide con casi un 90 % deocurrencia. Además se observa que tanto el lugar como la avería coinciden con la media global.Luego los centroides se dividen en menor porcentaje de la siguiente manera:Ingreso a Puerto, Guardabarro delantero derecho, Faltante, Observada (10 %).Bajada de Buque, Parrilla delantera, Abollado, Observada (3 %).Bajada de Buque, Panel trasero bajo baúl, Rayado – Rozado, Observada (1 %).Bajada de Buque, Alfombra suplementarias, Proyección, Observada (1 %).Los lugares de ocurrencia se mantienen como en el ítem anterior. El 10 % suceden en el ingreso alpuerto y el 5 % en la bajada de buque. En cuanto a las partes que intervienen se observa el 10 % songuardabarros delanteros derechos, el 3 % en parrillas delanteras, y el 1 % tanto para los panelestraseros bajo baúl como para alfombras suplementarias. En referencia al tipo de averías estas sesubdividen en 10 % de faltantes, 3 % de abollados, y 1 % de rayados y rozados al igual queproyecciones. Finalmente se ve que la gravedad de las averías son solo observadas (15 %).El octavo periodo es caracterizado por la media global:Transferencia ubicación y línea de carga, Guardabarro delantero derecho, Faltante.Esta es la misma que para el periodo anterior tanto en el lugar de ocurrencia como el tipo de averíay la gravedad de la misma.Página 229 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLuego si se analiza detalladamente la distribución de las averías sin considerar la gravedad delmismo se observa una distribución pareja entre los diferentes centroides generados.Esto es:Bajada de Buque, Moldura protectora lateral derecha, Faltante (30 %).Transferencia ubicación y línea de carga, Manual, Faltante (24 %).Ingreso a Puerto, Puerta trasera izquierda, Proyección (20 %).Transferencia ubicación y línea de carga, Techo (inclusive convertible), Rayado –Rozado (17 %).Transferencia ubicación y línea de carga, Guardabarro trasero derecho, Pinturasaltada (10 %).Los lugares de ocurrencia se distribuyen entre un 30 % en la bajada de buque, el 51 % en latransferencia de ubicación de línea de carga y el 20 en el ingreso a puerto. En referencia a las partesaveriadas se observa el 30 % en moldura protectora lateral derecha, el 24 % de manuales, el 20 depuertas traseras izquierdas, el 17 % techos (inclusive convertibles) y el 10 % de guardabarrostraseros derechos. En relación a los tipos de averías se observa que el 54 % son faltantes, el 20 %son proyecciones, el 17 % de rayados y rozados y el 10 de pinturas saltadas.Analizando los datos considerando la gravedad de las averías se observa que, al igual que en elperiodo anterior, se centralizan en un centroide. Esto es:Transferencia ubicación y línea de carga, Zócalo derecho, Faltante (78 %).Donde la misma coincide con la media global en el lugar, el tipo de avería y la gravedad.Luego se observa que:Subida Buque Puerto de Origen, Panel lateral derecho, Abollado, Observada (12 %).Transferencia ubicación y línea de carga, Tapizado interno puerta delantera izquierda,Rayado – Rozado, Observada (5 %).Ingreso a Puerto, Zócalo izquierdo, Abollado, Observada (2 %).Transferencia ubicación y línea de carga, Puerta trasera izquierda, Rayado – Rozado,Observada (2 %).Los lugares se distribuyen en el 12 % en subida a buque, el 7 % en transferencia ubicación y líneade carga, y el 2 % en el ingreso a puerto. Las partes afectadas se subdividen en 12 % de paneleslaterales derechos, 5 % de tapizados internos de puertas delanteras izquierdas, 2 % en zócalosizquierdos y el 2 % en puertas traseras izquierdas. En referencia a los tipos de averías son el 14 %de abollados y el 7 % de rayados y rozados. Por último la severidad es grave.El penúltimo periodo en estudio se caracteriza por la media de ocurrencia global:Transferencia ubicación y línea de carga, Taza, Proyección.Con gravedad si es tenida en cuenta, grave.Si la gravedad no es considerada el centroide más importante es:Ingreso a Puerto, Manijas externas de puertas delanteras, Proyección (62 %).Luego se dividen de la siguiente forma:Transferencia ubicación y línea de carga, Faro de stop luneta, Rayado – Rozado (23%).Bajada de Buque, Tapa acceso gancho remolque, Abollado (10 %).Bajada de Buque, Barras de techo, Abollado (3 %).Bajada de Buque, Capot, Rayado – Rozado (1 %).Bajada de Buque, Zócalo interno puerta delantera izquierda, Rayado – Rozado (1 %).El 23 % se produce en la transferencia ubicación y línea de carga y el 15 % en la bajada de buque.Las partes afectadas son: un 23 % de faros de stop de lunetas, 10 % tapas de ganchos de remolque,3 % barras de techos, 1 % en capot y zócalo interno de puertas delanteras izquierdas. Mientras queel tipo de avería es 25 % de rayados o rozados y el 13 % de abollados.Si la gravedad del daño es considerada entonces el centroide más importante es:Página 230 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTransferencia ubicación y línea de carga, Limpiador y lavador de parabrisas,Proyección (79 %).No coincide totalmente con la media global.Luego los porcentajes mínimos ocurren de la siguiente forma:Subida Buque Puerto de Origen, Limpiador y lavador de parabrisas, Abollado,Observada (5 %).Transferencia ubicación y línea de carga, Tapa tanque combustible, Rayado – Rozado,Observada (5 %).Ingreso a Puerto, Tapizado interno puerta delantera izquierda, Proyección, Observada(5 %).Transferencia ubicación y línea de carga, Zócalo derecho, Rayado – Rozado,Observada (2 %).Transferencia ubicación y línea de carga, Llanta trasera izquierda, Rayado – Rozado,Observada (1 %).Ingreso a Puerto, Escape, Rayado – Rozado, Observada (1 %).Subida Buque Puerto de Origen, Puerta delantera izquierda, Abollado, Observada (1%).El 6 % se observa en la subida a buque de puerto de origen, luego el 8 % en la transferenciaubicación y línea de carga, el 6 % en el ingreso a puerto. Las partes que intervienen son: el 5 % ellimpiador y lavador de parabrisas, el 5 % de tapas de tanque de combustible, el 5 % de tapizadointerno de la puerta delantera izquierda, el 2 % del zócalo derecho, el 1 % de las llantas traserasizquierdas, el 1 % del escape y el 1 % puertas delanteras izquierdas. Luego el tipo de avería sedivide en un 6 % de abollados, 9 % rayados o rozados y 5 % de proyecciones.El último periodo se caracteriza por la media:Transferencia ubicación y línea de carga, Zócalo derecho, Faltante.Con el tipo de severidad grave si es considerada.Si no se considera la severidad entonces el centroide de mayor peso es:Transferencia ubicación y línea de carga, Giro Delantero (derecho / izquierdo),Faltante (61 %).Luego baja de forma considerable y se distribuye de la siguiente forma:Bajada de Buque, Panel lateral derecho, Faltante (17 %).Transferencia ubicación y línea de carga, Tapa posterior de techo, Rayado – Rozado(14 %).Transferencia ubicación y línea de carga, Paragolpe delantero / Protector delantero,Rayado – Rozado (4 %).Transferencia ubicación y línea de carga, Manijas externas de puertas traseras,Reventado – Estallado (4 %).Transferencia ubicación y línea de carga, Llanta trasera izquierda, Rayado – Rozado(1 %).El 17 % se producen en la bajada del buque y el 23 % en transferencia ubicación y línea de carga.Las partes afectadas son: 17 % de paneles laterales derechos, 14 % de tapa posterior de techo, 4 %de paragolpe delantero y protector delantero, 4 % de manijas externas de puertas traseras y el 1 %de llantas traseras izquierdas. Lo tipos de averías son: 19 % de rayados o rozados y el 4 % deestallados.Si los datos de la gravedad de las averías son considerados entonces la ocurrencia de los daños es lasiguiente. El máximo porcentaje está centralizado enTransferencia ubicación y línea de carga, Retrovisor externo derecho, Faltante: (79%).Como en el punto anterior no coincide con la media global.Página 231 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLuego los porcentajes se reducen y queda conformado de la siguiente manera:Transferencia ubicación y línea de carga, Llanta delantera izquierda, Rayado –Rozado, Observada (8 %).Ingreso a Puerto, Paragolpe trasero / Spoiler trasero, Rayado – Rozado, Observada (5%).Ingreso a Puerto, Encendedor, Manchado, Observada (5 %).Bajada de Buque, Moldura protectora lateral derecha, Abollado, Observada (2 %).Ingreso a Puerto, Giro Delantero (derecho / izquierdo), Pintura saltada, Observada (1%).El 8 % ocurre en la transferencia de ubicación y línea de carga, el 11 % en el ingreso a puerto y el 2% en la bajada de buque. Las partes afectadas se dividen en 8 % llanta delantera izquierda, 5 % deparagolpes traseros o spoilers traseros, 5 % de encendedores, 2 % de molduras protectoras lateralesderechas, y 1 % giro delantero (derecho o izquierdo). Los tipos de averías son rayados o rozados 13%, manchados 5 %, abollados 2 % y pintura saltada un 1 %.8.5.2.6. Modelos, Partes y Tipos de Averías.A continuación se realiza una evaluación de los resultados vinculados con la ocurrencia de averíasen los modelos de autos en estudio. Se contemplan como en el ítem anterior el análisis de daños conconsideración de la severidad y sin la consideración de ella.El primer periodo tiene como media global:Modelo 12, Tapa acceso gancho remolque, Faltante.Y si la gravedad es considerada esta es mediana.Luego se observa la siguiente distribución de los centroides formados:Modelo 10, Manual, Abollado (25 %).Modelo 10, Panel lateral izquierdo, Abollado (22 %).Modelo 18, Cubierta delantera derecha, Rayado – Rozado (18 %).Modelo 17, Cubierta delantera izquierda, Abollado (14 %).Modelo 4, Moldura protectora lateral derecha, Faltante (13 %).Modelo 9, Cerraduras de puertas, Rayado – Rozado (6 %).Modelo 10, Giro Delantero (derecho / izquierdo), Rayado – Rozado (2 %).El modelos 10 tiene el 49 % de participación entre los daños detectados, luego el modelo 18 tiene el18 %, el modelo 17 con un 14 %, el modelo 4 con un 13 % y finalmente el modelo 9 con solo un 6%. En referencia a las partes que intervienen estas se subdividen en: 25 % manual, 22 % panellateral izquierdo, 18 % cubierta delantera derecha, 14 % cubierta delantera izquierda, 13 % enmoldura protectora lateral derecha, 6 % en cerraduras de puertas, y el 6 % en giros delanteros(derechos o izquierdos). Finalmente el tipo de avería se divide en: 61 % de abollados, 26 % rayadosy rozados y el 13 % de faltantes.La producción de averías considerando la gravedad tiene el siguiente el siguiente comportamiento:Modelo 11, Luz de neblina trasera, Faltante, Leve (59 %).Modelo 15, Puerta trasera derecha, Faltante, Grave (16 %).Modelo 5, Giro Delantero (derecho / izquierdo), Faltante, Intolerable (8 %).Modelo 17, Panel lateral derecho, Rayado – Rozado, Mediano (6 %).Modelo 16, Bolsa de herramientas, Abollado, Mediano (5 %).Modelo 9, Manijas externas de puertas traseras, Rayado – Rozado, Mediano (3 %).Modelo 18, Paragolpe trasero / Spoiler trasero, Faltante, Mediano (2 %).Modelo 14, Retrovisor externo derecho, Pintura saltada, Mediano (1 %).El modelo 11 tiene el 59 % de participación, el modelo 15 le sigue con un 16 %, luego se observa elmodelo 5 con el 8 %, el modelo 17 con el 6 %, el modelo 16 con el 5 %, el modelo 9 con el 3 %, elPágina 232 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASmodelo 18 con el 2 % y al final el modelo 14 con un 1 %. Las partes afectadas son: 59 % luces deneblinas traseras, puertas traseras derechas con el 16 %, los giros delanteros (derechos oizquierdos) con el 8 %, el panel lateral derecho con el 6 %, bolsas de herramientas con un 5 %,manijas externas de puertas traseras con el 3 %, el 2 para los paragolpes traseros o spoilers traserosy el 1 % para los retrovisores externos derechos. En cuanto a los tipos de averías estos sesubdividen en: faltantes con el 85 %, 9 % los rayados o rozados, abollados el 5 % y pintura saltadael 1 %. Luego la severidad tiene el siguiente comportamiento: el 59 % con leves, 16 % graves,intolerables 8 %, y finalmente medianos 12 %.El segundo periodo se caracteriza por la combinación:Modelo 14, Tapa acceso gancho remolque, Faltante.Y cuando la severidad es considerada esta es media.Luego los centroides quedan conformados de la siguiente manera:Modelo 10, Guardabarro delantero izquierdo, Abollado (34 %).Modelo 17, Aerosol antipinchazos, Proyección (20 %).Modelo 17, Alfombra baúl / caja de carga, Faltante (14 %).Modelo 17, Puerta delantera derecha, Abollado (12 %).Modelo 17, Cubierta delantera izquierda, Rayado – Rozado (8 %).Modelo 8, Panel lateral izquierdo, Rayado – Rozado (5 %).Modelo 6, Limpiador y lavador de parabrisas, Abollado (4 %).Modelo 7, Zócalo interno puerta delantera izquierda, Rayado – Rozado (3 %).El modelo 10 participa con el 34 %, el modelo 17 tiene el 54 % de las averías, el modelo 8 con el 5%, el modelo 6 con el 4 % y el modelo 7 con el 3 %. Luego las partes involucradas son:guardabarros delanteros izquierdos con el 34 %, aerosol antipinchazos 20 %, alfombra baúl o cajade carga con el 14 %, puerta delantera derecha con el 12 %, cubierta delantera izquierda con el 8 %,panel lateral izquierdo el 5 %, limpiador y lavador de parabrisas con el 4 % y al final zócalo internode puerta delantera izquierda con el 3 %. En cuanto a los tipos de averías se dividen de la siguienteforma: abollados 50 %, proyección el 20 %, faltantes el 14 % y rayados o rozados con el 16 %.Luego con la consideración de las gravedades los daños se distribuyen del siguiente modo:Modelo 13, Puerta delantera izquierda, Faltante, Leve (47 %).Modelo 17, Alerón, Faltante, Mediano (22 %).Modelo 16, Guardabarro trasero derecho, Faltante, Grave (16 %).Modelo 8, Giro Delantero (derecho / izquierdo), Faltante, Mediano (7 %).Modelo 8, Cristales de parante delantero, Faltante, Grave (5 %).Modelo 10, Barras de techo, Proyección, Mediano (2 %).El modelo 13 con el 47 % de ocurrencia, luego el modelo 17 con el 22 %, el modelo 16 el 16 %, elmodelo 8 con el 12 % y finalmente el modelo 10 con el 2 %. Los tipos de averías se subdividen en:faltantes 97 % y proyección con el 2 %. Las partes se subdividen en: 47 % de puertas delanterasizquierdas, 22 % de alerones, con el 16 % guardabarros traseros derechos, el 7 % de girosdelanteros (derecho o izquierdo), el 5 % de cristales de parante delantero y el 2 % de barras detecho. Finalmente la severidad de las averías se distribuye en: 47 % leves, 31 % medios y graves 21%.La media global del tercer periodo es:Modelo 15, Tapa acceso gancho remolque, Faltante.Y la severidad de la avería es leve si es considerada en el procesamiento.Luego los centroides arrojan la siguiente información:Modelo 9, Giro Delantero (derecho / izquierdo), Abollado (28 %).Modelo 17, Cubierta delantera izquierda, Faltante (22 %).Modelo 17, Guardabarro trasero derecho, Abollado (17 %).Página 233 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 18, Limpiador y lavador de parabrisas, Proyección (14 %).Modelo 17, Llave de rueda, Faltante (11 %).Modelo 17, Tapa posterior de techo, Faltante (6 %).Modelo 13, Puerta trasera izquierda, Abollado (2 %).El modelo 9 ocurre en un 28 %, el modelo 17 el 56 %, el modelo 18 ocurre en un 14 % y las averíaen el modelo 13 se producen en un 2 %. Luego se observa que el comportamiento de las parte sedistribuye de la siguiente manera: 28 % en giros delanteros (derechos o izquierdos), 22 % encubierta delantera izquierda, el 17 % en guardabarros traseros derechos, el 14 % en limpiador ylavador de parabrisas, 11 % en llaves de ruedas, el 6 % en tapa posterior de techo y el 2 % enpuertas traseras izquierdas. Finalmente se observa que el 47 % son tipos de averías abollados, el 37% de faltantes y el 14 % de proyecciones.Considerando las severidades de las averías se observa el siguiente comportamiento:Modelo 15, Tapa acceso gancho remolque, Faltante (89 %).En casi un 90 % de ocurrencia el modelo 15 es el más afectado. Y coincide ciento por ciento con lamedia global.Luego los porcentajes mínimos quedan distribuidos de la siguiente forma:Modelo 17, Manual, Faltante, Grave (5 %).Modelo 10, Faro de stop luneta, Abollado, Grave (3 %).Modelo 4, Retrovisor externo derecho, Faltante, Grave (1 %).Modelo 17, Puerta trasera izquierda, Faltante, Grave (1 %).6 % modelo 17, modelo 10 el 3 % y el modelo 4 el 1 %. Luego se observa que las partes afectadasson: manuales el 5 %, faros de stop de luneta el 3 %, 1 % de retrovisor externo derecho y también elmismo porcentaje para las puertas traseras izquierdas. Luego se observa que el 7 % son faltantes yel 3 % abollados. Finalmente el tipo de avería entre los porcentajes mínimos es siempre grave.El cuarto periodo está caracterizado por el centroide.Modelo 15, Guardabarro trasero derecho, Faltante.Con severidad grave si es considerada.Luego sin la consideración de la gravedad de averías los centroides dan la siguiente información:Modelo 18, Panel trasero bajo baúl, Rayado – Rozado (32 %).Modelo 8, Llanta delantera izquierda, Abollado (21 %).Modelo 18, Escape, Proyección (15 %).Modelo 17, Guardabarro delantero izquierdo, Pintura saltada (14 %).Modelo 6, Limpiador de Faros (derecho / izquierdo), Proyección (10 %).Modelo 17, Separador interno de carga, Proyección (6 %).Modelo 17, Llanta delantera derecha, Pintura saltada (2 %).Modelo 9, Parante delantero, Rayado – Rozado (1 %).El 47 % corresponde al modelo 18, el modelo 8 el 21 %, el modelo 17 con el 22 %, el modelo 6 conel 10 % y el modelo 9 con el 1 %. Las partes se subdividen en: 32 % el panel trasero bajo baúl, el 21% las llantas delanteras izquierdas, el 15 % de escapes, el 14 % de guardabarros delanterosizquierdos, el 10 % limpiador de faros, el 6 % separador interno de carga, el 2 % de llanta delanteraderecha y el 1 % en los parantes delanteros. Luego se observa que los tipos de averías se distribuyende la siguiente forma: rayados o rozados 33 %, abollados con el 21 %, proyecciones con el 21 % ypinturas saltadas con el 16 %.Pasando a los resultados obtenidos con la consideración de la gravedad del daño se observa que elmayor índice de ocurrencia es:Modelo 15, Zócalo derecho, Faltante (71 %).Luego los porcentajes bajan de forma importante y quedan distribuidos de la siguiente forma:Modelo 18, Alfombra suplementarias, Faltante, Observada (13 %).Modelo 8, Tapa acceso gancho remolque, Abollado, Observada (10 %).Página 234 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 18, Luz de patente trasera, Proyección, Observada (4 %).Modelo 9, Zócalo derecho, Manchado, Observada (2 %).Modelo 16, Batería, Rayado – Rozado, Observada (1 %).El modelo 18 con el 17 %, luego el modelo 8 con el 10 %, el modelo 9 con el 2 % y al final elmodelo 16 con el 1 %. Las partes que intervienen se dividen en: 13 % alfombras suplementarias, 10% tapas de acceso gancho de remolque, 4 $ de luz de patente trasera, 2 % de zócalos derechos y 1% en baterías. Los tipos de averías observados son: faltantes el 13 %, abollados con el 10 %,proyecciones con el 4 %, manchados con el 2 % y rayados o rozados con el 1 %. En todos los casoslas averías son solo observables.El quinto periodo está caracterizado por la media global:Modelo 13, Guardabarro delantero derecho, Faltante.Donde cuando se considera la severidad esta es grave.Luego pasando a la evaluación de los resultados si la consideración de la gravedad de los daños seobserva:Modelo 17, Tapa de Baúl o Puerta Trasera, Rayado – Rozado (34 %).Modelo 7, Tapa acceso gancho remolque, Abollado (33 %).Modelo 17, Faro de stop luneta, Abollado (17 %).Modelo 18, Guardabarros y parante trasero izquierdo, Rayado – Rozado (7 %).Modelo 6, Paragolpe trasero / Zona contacto, Rayado – Rozado (7 %).Modelo 9, Paragolpe delantero / Superior, Rayado – Rozado (2 %).Modelo 13, Techo (inclusive convertible), Abollado (1 %).El 51 % de ocurrencias en el modelo 17, el 33 % en el modelo 7, luego el modelo 18 con el 7 %, elmodelo 6 con el 7 %, el modelo 9 con el 2 % y el modelo 13 con el 1 %. Las partes se agrupan enlos siguientes porcentajes según lo descrito en la lista previa. Los tipos de averías se subdividen en:rayados o rozados el 50 % y abollados el 51 %.Luego los datos a avaluar considerando la gravedad de los daños ocurre con el mayor porcentaje en:Modelo 13, Guardabarro delantero derecho, Faltante (89 %).Luego los porcentajes se reducen a los siguientes centroides:Modelo 6, Taza, Proyección, Observada (4 %).Modelo 18, Llave, Abollado, Observada (3 %).Modelo 19, Tapizado interno puerta delantera izquierda, Rayado – Rozado, Observada(1 %).Modelo 8, Guardabarro delantero izquierdo, Abollado, Observada (1 %).Donde le modelo 6 aparece en un 4 %, el modelo 18 en el 4 %, el modelo 19 en el 1 % al igual queel modelo 8. Los tipos de averías se dividen en: 4 % proyecciones, 4 % abollados y 1 % en rayadoso rozados. Las partes se distribuyen en: 4 % tazas, 3 % llaves, 3 % tapizados internos de puertadelanteras izquierdas y 1 % en guardabarros delanteros izquierdos. Finalmente se debe mencionarque en todos los casos las averías son solo observaciones.El periodo seis tiene como media global:Modelo 13, Zócalo derecho, Faltante.Si se considera la severidad esta es grave.Los porcentajes de ocurrencia en los centroides se dividen en:Modelo 7, Escape, Faltante (45 %).Modelo 17, Panel trasero bajo baúl, Rayado – Rozado (24 %).Modelo 18, Giro Delantero (derecho / izquierdo), Abollado (15 %).Modelo 16, Guardabarros y parante trasero izquierdo, Abollado (8 %).Modelo 20, Paragolpe delantero / Protector delantero, Rayado – Rozado (3 %).Modelo 17, Otros, Rayado – Rozado (3 %).Página 235 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelo 13, Barras de techo, Abollado (1 %).El modelo 7 con el 45 %, el modelo 17 con el 27 %, el modelo 18 con el 15 %, el modelo 16 con el8 %, el modelo 20 con el 3 % y el modelo 13 con el 1 %. Luego las partes que intervienen sesubdividen de la forma descrita en el listado anterior. En cuanto a loas tipos de averías estas sedistribuyen de la siguiente forma: faltantes el 45 %, rayados o rozados el 27 % y abollados el 24 %.Los resultados del proceso considerando la gravedad de las averías se distribuyen como sigue:Modelo 13, Zócalo derecho, Faltante (88 %).El mayor porcentaje de ocurrencia es el modelo 13.Luego se distribuye en forma mínima entre los siguientes centroides:Modelo 7, Bolsa de herramientas, Faltante, Observada (7 %).Modelo 19, Bolsa de herramientas, Proyección, Observada (2 %).Modelo 16, Parrilla delantera, Pintura saltada, Observada (2 %).Modelo 20, Spoiler delantero, Rayado – Rozado, Observada (1 %).Modelo 19, Paragolpe trasero / Spoiler trasero, Proyección, Observada (1 %).El modelo 7 con el 7 %, el modelo 19 con un 3 %, el modelo 16 con un 2 % y el modelo 20 con el 1%. Luego las partes se distribuyen en: un 9 % bolsas de herramientas, el 2 % en parrilla delantera, el1 % en spoilers delanteros y el 1 % para los paragolpes traseros o spoilers traseros. Los tipos deaverías observados son: el 7 % de faltantes, proyección el 3 %, pinturas saltadas en un 2 % y un 1 %para rayados o rozados. Finalmente se debe mencionar que la severidad de las averías mínimas essolo observación.Los resultados del periodo siete tienen como media global:General:Modelo 15, Guardabarro delantero derecho, Faltante.Y cuando la gravedad es considerada esta es grave.Si no se considera la gravedad de las averías la distribución es la siguiente:Modelo 6, Puerta delantera derecha, Faltante (33 %).Modelo 20, Barras de techo, Proyección (27 %).Modelo 19, Retrovisor externo izquierdo, Abollado (21 %).Modelo 20, Parrilla delantera, Rayado – Rozado (10 %).Modelo 18, Retrovisor externo derecho, Reventado – Estallado (4 %).Modelo 11, Barras de techo, Proyección (3 %).Modelo 13, Llanta delantera derecha, Abollado (1 %).Donde el modelo 6 tiene el 33 % de participación, el modelo 20 el 37 %, el modelo 19 el 21 %, elmodelo 18 con el 4 %, el modelo 11 con el 3 % y modelo 13 con el 1 %. Luego las partes sondistribuidas de la siguiente forma: 33 % de puerta delantera derecha, 30 % de barras de techo, 21 %de retrovisor externo izquierdo, 10 % de parrilla delantera, 4 % de retrovisor externo derecho y 1 %de llanta delantera derecha. Finalmente los tipos de averías se distribuyen de la siguiente manera: 33% de faltantes, 30 % de proyecciones, 22 % de abollados, 10 % de rayados o rozados y el 4 % dereventado o estallado.Sin considerar las severidades el mayor porcentaje de averías es:Modelo 15, Guardabarro delantero derecho, Faltante (86 %).Luego los porcentajes mínimos de ocurrencia son:Modelo 19, Retrovisor externo derecho, Faltante, Observada (9 %).Modelo 7, Zócalo izquierdo, Abollado, Observada (2 %).Modelo 6, Manijas externas de puertas traseras, Proyección, Observada (2 %).Modelo 5, Zócalo izquierdo, Rayado – Rozado, Observada (1 %).Modelo 8, Retrovisor externo derecho, Pintura saltada, Observada (1 %).El modelo 19 con el 9 %, el 7 % con el 2 % al igual que el modelo 6, el modelo 5 y el modelo 8 conel 1 %. Las partes averiadas tienen los siguientes porcentajes: 10 % retrovisor externo derecho, 3 %Página 236 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASzócalo izquierdo y 2 % de manijas externas de puertas traseras. Los tipos de averías que participanson: 9 % faltantes, abollados 2 %, proyecciones 2 %, rayados o rozados 1 % al igual que pinturasaltada. Finalmente el tipo de severidad es observado.El periodo ocho tiene como media global:Modelo 14, Zócalo derecho, Faltante.Con severidad grave.En referencia a los resultados sin considerar la gravedad de la misma se divide de a siguiente forma:Modelo 20, Limpiador y lavador de parabrisas, Proyección (37 %).Modelo 7, Parrilla delantera, Faltante (24 %).Modelo 19, Zócalo izquierdo, Abollado (15 %).Modelo 5, Manijas externas de puertas traseras, Proyección (10 %).Modelo 13, Guardabarro delantero izquierdo, Abollado (7 %).Modelo 5, Capot, Rayado – Rozado (3 %).Modelo 14, Techo corredizo, Faltante (3 %).El 37 % para el modelo 20, el 24 % el modelo 7, el modelo 19 con el 15 %, el modelo 5 el 13 %, elmodelo 13 el 7 % y el modelo 14 con el 3 %. Las partes se subdividen según los porcentajes espacificados en el listado previo. En cuanto a los tipos de avería se puede observar: el 47 % sonproyecciones, el 27 % faltantes, el 22 % de abollados y el 3 % de rayados o rozados.Considerando las severidades se observa la siguiente distribución:Modelo 20, Cubierta delantera izquierda, Rayado – Rozado, Observada (56 %).Modelo 14, Zócalo derecho, Faltante (16 %).Modelo 17, Manijas externas de puertas traseras, Proyección, Observada (12 %).Modelo 20, Tapa de Baúl o Puerta Trasera, Rayado – Rozado, Observada (10 %).Modelo 20, Paragolpe delantero / Protector delantero, Rayado – Rozado, Observada (4%).Modelo 11, Panel lateral derecho, Faltante, Observada (1 %).El 70 % para el modelo 20, el modelo 14 el 16 %, el modelo 17 con el 12 % y el modelo 11 con el 1%.Las partes afectadas se distribuyen según los datos especificados en el listado anterior. En cuantoa los tipos de averías estos son: rayados o rozados con el 70 %, faltantes con el 17 % y el 12 %proyecciones. Finalmente el tipo de severidad se divide en un 16 % de graves y un 83 % de soloobservaciones.El noveno periodo se caracteriza por el siguiente centroide:Modelo 14, Taza, Proyección.Y el tipo de severidad es grave.Luego si la gravedad no es considerada la distribución de los centroides es como sigue acontinuación:Modelo 20, Limpiador y lavador de parabrisas, Proyección (54 %).Modelo 6, Tapizado interno puerta delantera izquierda, Rayado – Rozado (16 %).Modelo 7, Guardabarro trasero derecho, Pintura saltada (14 %).Modelo 7, Cable de carga, Rayado – Rozado (7 %).Modelo 13, Guardabarro trasero derecho, Abollado (3 %).Modelo 13, Techo (inclusive convertible), Abollado (3 %).Modelo 14, Luz de neblina trasera, Abollado (2 %).Modelo 13, Faro de stop luneta, Faltante (1 %).El modelo 20 con el 54 %, el modelo 6 con el 16 %, el modelo 7 con el 21 %, el modelo 13 con el 5% y el modelo 14 con el 2 %. Luego se observa la siguiente distribución entre las partes: 54 %limpiador y lavador de parabrisas, tapizado interno puerta delantera izquierda el 17 %, guardabarrostrasero derecho con el 17 %, cable de carga 7 %, techo (inclusive convertible) 3 %, luz de neblinaPágina 237 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAStrasera el 2 % y el faro de stop de luneta el 1 %. Luego el tipo de avería se subdivide en: pinturasaltada 14 %, rayados o rozados el 7 %, el 8 % de abollados y el 1 % de faltantes.En referencia a la evaluación de los resultados considerando su gravedad es la siguiente:Modelo 20, Llanta trasera izquierda, Rayado – Rozado, Observada (1 %).Modelo 20, Alfombra baúl / caja de carga, Rayado – Rozado, Observada (3 %).Modelo 8, Alfombra suplementarias, Proyección, Observada (9 %).Modelo 16, Llanta delantera derecha, Faltante, Observada (7 %).Modelo 7, Llanta delantera derecha, Faltante (32 %).Modelo 20, Transponder, Proyección (47 %).El modelo 20 con el 51 %, luego los modelos 8 con el 9 %, el modelo 16 con el 7 % y el modelo 7con el 32 % son los resultados obtenidos. En cuanto a las partes averiadas se subdividen en rayadoso rozados con el 4 %, proyección con el 56 % y faltante con con el 39 %. Luego se observa que el20 % son solo observaciones y averías el 80 %.El último periodo en estudio muestra la media global:Modelo 13, Zócalo derecho, Faltante.Con severidad grave.Sin la consideración de la severidad el proceso arroja los siguientes valores:Modelo 7, Panel lateral derecho, Proyección (44 %).Modelo 19, Puerta trasera derecha, Faltante (41 %).Modelo 20, Manijas externas de puertas delanteras, Proyección (6 %).Modelo 20, Paragolpe delantero / Protector delantero, Rayado – Rozado (4 %).Modelo 13, Techo corredizo Pintura saltada (4 %).Modelo 8, Capot, Faltante (1 %).Modelo 10, Cristales de parante delantero, Reventado – Estallado (1 %).El modelo 7 con el 44 %, el modelo 19 con el 41 %, luego el modelo 20 con el 10 %, el modelo 13con el 4 %, el modelo 8 con el 1 % al igual que el modelo 10. Luego las partes afectadas sedistribuyen según se especificó el listado expuesto previamente. Los tipos de averías se distribuyende la siguiente forma: proyección con el 50 %, faltante con el 41 %, rayado o rozado con el 4 %,pintura saltada con el 4 % y reventado o estallado con el 1 %.Con la gravedad considerada el mayor índice de ocurrencia ocurre como sigue:Modelo 14, Retrovisor externo derecho, Faltante (79 %).Luego los porcentajes mínimos se dividen de la siguiente forma:Modelo 7, Giro Delantero (derecho / izquierdo), Rayado – Rozado, Observada (11 %).Modelo 16, Limpiador y lavador de parabrisas, Faltante, Observada (4 %).Modelo 7, Conjunto carrocería, Manchado, Observada (3 %).Modelo 20, Guardabarro delantero izquierdo, Rayado – Rozado, Observada (2 %).El modelo 7 con el 14 %, el modelo 16 con el 4 % y el modelo 20 con el 2 %. Las partes sesubdividen según se ha definido en el listado previo. Los tipos de averías son: rayados o rozadoscon el 13 %, faltante con el 4 % y manchados con el 3 %. Luego la gravedad de las averías es soloobservable en todos los casos (21 %).8.5.2.7. Imputación Tipo de Transporte.En este punto se van a evaluar los resultados obtenidos en cada periodo relacionados con el lugardonde se producen los daños y a partir de estos se especificará el tipo de imputación al quecorresponde.Página 238 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEn el periodo uno se observa que el 79 % de las averías corresponden al transporte terrestre. Luegoel 10 % transportes marítimos y finalmente el 5 % a la salida de planta. El detalle del resultado delproceso es el siguiente:74 % de averías en “Subida a Buque Puerto de Origen”. Imputación transporteterrestre.10 % de averías en “Bajada de Buque”. Imputación transporte marítimo.5 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.5 % de averías en “Transferencia Ubicación y Línea de Carga”. Imputación planta deproducción.En el segundo periodo también el mayor índice de daños es realizado por el transporte terrestre conun 89 % del total de datos explotados. Luego le sigue el transporte marítimo con el 6 % yfinalmente el puerto (averías en la playa de puerto) con solo el 2 %. El detalle porcentual de losdatos explotados es el siguiente:83 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.6 % de averías en “Bajada de Buque”. Imputación transporte marítimo.6 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.2 % de averías en “Retiro de Puerto”. Imputación puerto.Los datos del periodo tres muestran que todavía existe un predominio de las averías producidas porel transporte terrestre con el 85 %. Luego las averías de trasporte marítimo con el 9 % y finalmenteel la playa de puerto con el 4 %. Este periodo coincide con las imputaciones del periodo anteriorpero los porcentuales son distintos. En cuanto a los detalles del periodo es el siguiente:76 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.9 % de averías en “Bajada de Buque”. Imputación transporte marítimo.9 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.4 % de averías en “Subida a Buque”. Imputación puerto.La información del periodo cuatro muestra que el 60 % solo es de trasporte terrestre. Luego el 15 %son daños de salida de planta de producción. Y finalmente el 13 % son producidos en el transportemarítimo. El detalle es el siguiente:47 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.15 % de averías en “Retiro Fábrica de Origen”. Imputación planta de producción.15 % de averías en “Bajada de Buque”. Imputación transporte marítimo.13 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.El comportamiento de los resultados del periodo cinco también muestra en el primer lugar a lasaverías imputables al transporte terrestre con un 46 %. Luego le siguen las averías producidas enplanta con el 23 %. En tercer lugar aparecen las averías producidas por las compañías marítimascon el 20 % y finalmente con un porcentaje mínimo se observan las averías en playa de puerto conel 6 %. El detalle porcentual es el siguiente:32 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.23 % de averías en “Retiro Fábrica de Origen”. Imputación planta de producción.20 % de averías en “Bajada de Buque”. Imputación transporte marítimo.14 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.6 % de averías en “Retiro de Puerto”. Imputación puerto.Página 239 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASEn el periodo seis todavía existe el predominio de las averías imputables al transporte terrestre conel 55 %. Luego, al igual que en el periodo anterior, las averías de planta de producción con el 17 %.En tercer lugar las averías de transporte terrestre con el 13 % y finalmente con solo un 5 % lasaverías imputables a la playa de puerto.42 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.17 % de averías en “Retiro Fábrica de Origen”. Imputación planta de producción.15 % de averías en “Bajada de Buque”. Imputación transporte marítimo.13 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.5 % de averías en “Retiro de Puerto”. Imputación puerto.El resultado de los procesos del periodo siete muestra que el transporte terrestre aparece con un 46% de participación. Luego en el segundo lugar se observan las averías de transporte marítimo con el21 %. En tercer lugar están las averías imputables a planta con el 16 %. Y finalmente se observanlos daños imputables a la playa de puerto con el 10 %. El detalle porcentual es el siguiente:40 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.21% de averías en “Bajada de Buque”. Imputación transporte marítimo.16 % de averías en “Transferencia ubicación y línea de carga”. Imputación planta deproducción.10 % de averías en “Subida a Buque”. Imputación puerto.6 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.En el periodo ocho se observa el cambio del primer lugar de imputabilidad. En este periodo elporcentaje más alto de daños se encuentra en la salida de planta, o sea daños en producción con el48 %. Luego con el 36 % le siguen los daños imputables al transporte terrestre. El transportemarítimo tiene el 7 % de incidencia en los daños y finalmente el 5 % de los daños de este periodofueron producidos por la playa de puerto. El detalle es el siguiente:48 % de averías en “Transferencia ubicación y línea de carga”. Imputación planta deproducción.19 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.17 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.7 % de averías en “Bajada de Buque”. Imputación transporte marítimo.5 % de averías en “Retiro de Puerto”. Imputación puerto.Las averías en el periodo nueve mantienen el primer lugar de imputación del periodo anterior. Losdaños producidos en planta y detectados en la transferencia y línea de carga tienen el 63 % deocurrencia. Luego sigue el trasporte terrestre con el 23 % y finalmente el 4 % son averíasproducidas por el transporte marítimo.63 % de averías en “Transferencia ubicación y línea de carga”. Imputación planta deproducción.16 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.7 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.4 % de averías en “Bajada de Buque”. Imputación transporte marítimo.El último periodo en estudio tiene como mayor porcentaje de incidencia de las averías a la planta deproducción con el 56 %. Luego le siguen los daños de transporte terrestre con el 25 %. En el tercerPágina 240 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASlugar se encuentran las averías de playa de puerto con el 11 %. Y finalmente las averías detransporte marítimo con el 6 %.56 % de averías en “Transferencia ubicación y línea de carga”. Imputación planta deproducción.17 % de averías en “Ingreso a Puerto”. Imputación transporte terrestre.11 % de averías en “Subida a Buque”. Imputación puerto.8 % de averías en “Subida a Buque Puerto de origen”. Imputación transporteterrestre.6 % de averías en “Bajada de Buque”. Imputación transporte marítimo.8.6. DesarrolloEn esta fase se realiza la evaluación de los resultados y la misma concluye con una estrategia para eldesarrollo de los resultados de la minería de datos en el negocio.8.6.1. Plan de desarrolloResumen de resultados.El Árbol de Clasificación arroja el siguiente resultado que es ilustrado resumidamente en el Gráfico39. Se puede ver claramente los resultados obtenido sobre las cantidades de tipos de averíasproducidos a lo largo de cada periodo. En el gráfico se han introducido solo los cuatro principalestipos de averías: Faltante, Pintura Saltada, Rayado o Rozado y Abollado. Estos cuatro tipos deaverías constituyen el 96,04 por ciento en promedio del total de datos explotados.Tipos de Averías60005000400030002000100002003 Semestre 1-04 Semestre 2-04 Semestre 1-05 Semestre 2-05 Semestre 1-06 Semestre 2-06 Semestre 1-07 Semestre 2-07 Semestre 1-08Faltante 494 184 274 264 240 247 339 605 641 1771Pintura saltada 935 790 812 598 490 271 136 237 609 334Rayado - Rozado 2023 1628 1794 1792 1887 1499 1207 1278 4689 2223Abollado 5338 2855 2375 1099 1126 1681 780 761 1016 751PeriodoGráfico 39: Barras detallado cantidades por tipo de averíaCon el Árbol de Clasificación también se proceso la información relacionada con los lugares dondese producen las averías. En el Gráfico 40 se muestra el detalle de los resultados obtenidos. En estecaso a diferencia del resultado anterior, la información que se puede visualizar es el 100 % de losresultados.Página 241 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASUn detalle a tener presente en el resultado que muestra a lugar “Subida a Buque en Puerto deOrigen” como el de mayor producción de daños es que la información procesada en la prácticapertenece a dos cambios de responsabilidad. Esto es, las averías detectadas en la subida a un buqueson imputables tanto al transporte terrestre como a playa de puerto. Además, especialmente en losperiodos iniciales del presente proyecto también hubo cambios a nivel empresas que por motivospolíticos o internos. Es difícil estimar un porcentaje el cual sea representativo de lo que sucedió enla realidad en el punto de control en cuestión pero esto nos lleva a deducir que como línea futura deinvestigación se puede trabajar con los datos agrupados en función de los lugares de control y nopor periodos de tiempo como es estudio actual.Lugares8000700060005000400030002000100002003 Semestre 1-04 Semestre 2-04 Semestre 1-05 Semestre 2-05 Semestre 1-06 Semestre 2-06 Semestre 1-07 Semestre 2-07 Semestre 1-08Subida a Buque 104 82 228 201 104 138 265 95 523 633Retiro de Puerto 352 89 71 137 248 187 119 156 60 124Ingreso a Puerto 443 343 491 510 550 497 1069 575 1167 958Salida de Planta 511 69 53 642 1003 767 454 1457 4521 3020Bajada de Buque 942 343 505 570 758 580 547 219 282 318Subida Buque Puerto de Origen 6925 4741 4008 1849 1208 1585 144 517 635 454PeriodoBarras detallado cantidades por lugares de ocurrencia de averíasGráfico 40:El resultado de la explotación de datos con Árbol de Clasificación también fue realizado sobre losmodelos de autos que participan proyecto de minería de datos. El Gráfico 41 muestra el resumen delos resultados obtenidos.En este caso como en el de los tipos de averías también se ha reducido la cuestión a los modelos queparticipan en un 96,65 % de los registros explotados.Como en el caso de los lugares de producción de averías aquí también hay una observación válidaque se puede realizar. Existen modelos que debido a que no están incluidos en determinadosperiodos no porque no hayan tenido averías sino porque todavía no participaban del proceso oporque no se fabricaban o porque no entraban en la cadena logística. Esto también lleva adeterminar la necesidad de realizar estudios futuros de minería de datos sobre la producción deaverías de determinados modelos. Posiblemente un agrupamiento interesante puede ser por modelo.De esto se hablará en ítems posteriores cuando se especifiquen planes alternativos de explotación dedatos o líneas futuras de investigación.Página 242 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASModelos450040003500300025002000150 010 0 050002003 Semestre 1-04 Semestre 2-04 Semestre 1-05 Semestre 2-05 Semestre 1-06 Semestre 2-06 Semestre 1-07 Semestre 2-07 Semestre 1-08Modelo 9 4143 1785 833 433 469 789 170 209 156 142Modelo 17 2662 2616 3041 2002 1795 1482 260 125 30 38Modelo 5 595 244 252 200 398 533 565 712 839 433Modelo 20 546 319 632 574 266 441 1268 1403 3819 2571Modelo 18 467 28 40 86 39 10 29 37 36 21Modelo 13 436 562 457 35 70 125 106 270 358 190Modelo 7 0 0 0 0 0 0 2 94 1747 1883Modelo 8 0 0 0 465 608 285 28 88 75 26PeriodoGráfico 41: Barras detallado cantidades por modelos averiadosPara cada uno resultados obtenidos de la explotación de datos aplicando los modelos declasificación se han obtenido los conjuntos de reglas necesarios para establecer la ocurrencia de losresultados linealmente. Por razones prácticas no se exponen en el proyecto el detalle de las reglaspero las mismas pueden formar parte de futuras líneas de desarrollo de minería de datos para laidentificación de las reglas que llevan a la ocurrencia de las averías.Resumiendo el resultado de los agrupamientos generados a partir del algoritmo de Clustering seobservan los siguientes patrones de comportamiento. Estos resultados pueden ser diferenciados paralos tipos de averías de mayor ocurrencia en todo el conjunto de datos estudiado. Por cuestiones depracticidad los patrones expuestos a continuación representan el más alto porcentaje de probabilidadde ocurrencia en relación a los datos analizados.Debido a que la herramienta de clustering utilizada en el proyecto se basa específicamente en elvalor de los atributos y no en las relaciones entre los mismos sería necesario para afinar losresultados introducirlos o analizarlos a través de algoritmos de inducción. La aplicación dealgoritmos de inducción sobre los resultados del agrupamiento por cada periodo o cada explotaciónde datos en esta industria puede formar parte de líneas futuras de investigación muy interesantes adesarrollar.Como resultado del agrupamiento de averías se pueden especificar los siguientes patrones:• Capot, Abollado, Observada.• Abollado, Leve.• Abollado, Observada.• Ingreso a Puerto, Abollado.• Transferencia ubicación y línea de carga, Abollado.• Abollado.• Subida Buque Puerto de Origen, Luneta trasera / Cristal puerta trasera,Arrancado - Roto – Fisurado, Grave.Página 243 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Transferencia ubicación y línea de carga, Paragolpe delantero / Protectordelantero, Arrancado - Roto – Fisurado, Observada.• Paragolpe delantero / Protector delantero, Arrancado - Roto – Fisurado,Observada.• Arrancado - Roto – Fisurado, Observada.• Modelo 17, Arrancado - Roto – Fisurado.• Manijas externas de puertas delanteras, Faltante, Observada.• Subida a Buque, Tapa acceso gancho remolque, Faltante.• Faltante, Grave.• Faltante, Leve.• Modelo 8, Faltante.• Faltante.• Modelo 13, Faltante.• Conjunto carrocería, Manchado, Observada.• Modelo 5, Otros, Manchado, Observada.• Paragolpe delantero / Protector delantero, Manchado, Observada.• Spoiler delantero, Manchado, Observada.• Manchado, Observada.• Guardabarro trasero derecho, Pintura saltada.• Modelo 17, Llanta delantera derecha, Pintura saltada.• Llanta trasera derecha, Pintura saltada, Observada.• Paragolpe delantero / Protector delantero, Pintura saltada, Observada.• Modelo 9, Pintura saltada, Mediano.• Pintura saltada, Observada.• Cable de carga, Proyección.• Retiro de Puerto, Proyección, Mediano.• Proyección, Observada.• Proyección.• Retiro de Puerto, Capot, Rayado – Rozado.• Llanta trasera izquierda, Rayado – Rozado, Observada.• Modelo 20, Llanta trasera izquierda, Rayado – Rozado, Observada.• Transferencia ubicación y línea de carga, Manijas externas de puertas delanteras,Rayado - Rozado• Manijas externas de puertas traseras, Rayado – Rozado, Mediano.• Modelo 17, Otros, Rayado – Rozado.• Panel trasero bajo baúl, Rayado – Rozado, Observada.• Bajada de Buque, Paragolpe delantero / Protector delantero, Rayado – Rozado,Observada.• Retiro de Puerto, Paragolpe delantero / Protector delantero, Rayado – Rozado,Observada.• Transferencia ubicación y línea de carga, Paragolpe delantero / Protectordelantero, Rayado – Rozado, Observada.• Modelo 20, Paragolpe delantero / Protector delantero, Rayado – Rozado,Observada.• Paragolpe delantero / Protector delantero, Rayado – Rozado, Observada.• Subida Buque Puerto de Origen, Paragolpe delantero / Protector delantero,Rayado – Rozado.Página 244 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Transferencia ubicación y línea de carga, Paragolpe delantero / Protectordelantero, Rayado – Rozado.• Paragolpe delantero / Superior, Rayado – Rozado, Mediano.• Modelo 20, Paragolpe delantero / Superior, Rayado – Rozado, Observada.• Subida Buque Puerto de Origen, Paragolpe delantero / Superior, Rayado – Rozado.• Paragolpe delantero / Superior, Rayado – Rozado.• Modelo 13, Puerta delantera derecha, Rayado – Rozado.• Retiro de Puerto, Rayado – Rozado.• Modelo 13, Retrovisor externo izquierdo, Rayado – Rozado.• Subida a Buque, Spoiler delantero, Rayado – Rozado, Mediano.• Bajada de Buque, Spoiler delantero, Rayado – Rozado, Observada.• Ingreso a Puerto, Spoiler delantero, Rayado – Rozado, Observada.• Transferencia ubicación y línea de carga, Spoiler delantero, Rayado – Rozado,Observada.• Spoiler delantero, Rayado – Rozado, Observada.• Bajada de Buque, Spoiler delantero, Rayado – Rozado.• Transferencia ubicación y línea de carga, Spoiler delantero, Rayado – Rozado.• Tapa posterior de techo, Rayado – Rozado, Observada.• Tapizado interno puerta delantera izquierda, Rayado – Rozado.• Subida a Buque, Zócalo interno puerta delantera izquierda, Rayado – Rozado,Observada.• Rayado – Rozado, Grave.• Rayado – Rozado, Leve.• Rayado – Rozado, Mediano.• Modelo 20, Rayado – Rozado, Observada.• Subida a Buque, Rayado – Rozado, Observada.• Rayado – Rozado, Observada.• Modelo 20, Rayado – Rozado, Observada.• Rayado – Rozado, Observada.• Modelo 20, Rayado – Rozado, Observada.• Rayado – Rozado, Observada.• Bajada de Buque, Rayado – Rozado.• Ingreso a Puerto, Rayado – Rozado.• Paragolpe trasero / Spoiler trasero, Rayado – Rozado.• Transferencia ubicación y línea de carga, Rayado - Rozado.• Modelo 10, Rayado - Rozado.• Rayado – Rozado.• Modelo 5, Rayado – Rozado.• Modelo 13, Rayado – Rozado.• Moldura protectora lateral derecha, Rayado – Rozado.• Modelo 20, Rayado – Rozado.• Cubierta trasera derecha, Reventado – Estallado, Observada.• Reventado - Estallado.• Alerón.• Barras de techo.• Capot, Observada.• Conjunto carrocería, Observada.Página 245 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Cubierta delantera izquierda.• Faro delantero izquierdo / derecho, Mediano.• Subida Buque Puerto de Origen, Guardabarro trasero derecho.• Llanta trasera izquierda, Observada.• Manijas externas de puertas traseras, Observada.• Manijas externas de puertas traseras.• Panel lateral derecho, Observada.• Parante delantero, Observada.• Modelo 9, Parrilla delantera, Observada.• Parrilla delantera.• Retrovisor externo derecho, Grave.• Retrovisor externo derecho, Observada.• Separador interno de carga.• Tapa acceso gancho remolque, Observada.• Tapa posterior de techo, Mediano.• Tapa posterior de techo, Observada.• Tapa posterior de techo.• Techo (inclusive convertible) .• Techo corredizo, Observada.• Zócalo derecho, Grave.• Zócalo derecho, Observada.• Zócalo derecho, Grave.• Modelo 13, Grave.• Transferencia ubicación y línea de carga, Leve.• Modelo 16, Mediano.• Subida Buque Puerto de Origen, Observada.• Transferencia ubicación y línea de carga, Observada.• Modelo 13, Observada.• Modelo 7, Observada.• Modelo 13, Observada.• Modelo 20, Observada.• Modelo 16, Observada.• Subida a Buque.• Transferencia ubicación y línea de carga.• Modelo 17.• Modelo 9.• Modelo 13.• Ingreso a Puerto, Capot, Rayado – Rozado.• Ingreso a Puerto, Paragolpe trasero / Spoiler trasero, Rayado – Rozado.• Ingreso a Puerto, Paragolpe trasesro / Zona contacto, Rayado – Rozado.• Subida a Buque, Rayado – Rozado, Grave.El resumen expuesto anteriormente incluye todos los resultados coherentes en función de la relaciónentre sus atributos.La lista anterior muestra todos los resultados de la explotación de datos de clustering; esto es partes,averías y gravedades; daños por lugar y daños por modelos.Página 246 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPara resumir los resultados del Modelo de Predicción se puede decir que se hicieron los siguientesprocesos y los mismos agruparon la ocurrencia de partes averiadas, tipos de averías, lugares dondese producen las averías y modelos con averías como se especifica a continuación.Al igual que en el caso de los agrupamientos en los modelos de predicción empleados sería viable ynecesaria el estudio y aplicación de algoritmos de inducción debido a que los resultados generadospor sus atributos se basan en el valor numérico y no en la relación entre ellos.Las partes predictivas resultantes a lo largo de los 10 periodos son:• Manual• Cubierta delantera derecha• Escape• Guardabarro delantero derecho• Guardabarro trasero derecho• Llanta delantera derecha• Llave• Manijas externas de puertas traseras• Panel trasero bajo baúl• Puerta delantera derecha• Puerta trasera derecha• Tapa acceso gancho remolque• Taza• Alerón• Aerosol antipinchazosEstos resultados fueron obtenidos realizando la variación del tipo de avería y la gravedad de losmismos por cada periodo. Estas partes resultantes de los procesamientos de datos representan el 15% de la cantidad de partes posibles de participación en un siniestro.En cuanto a los tipos de averías se puede ver un comportamiento mucho más acotado en cantidad:• Faltante• Abollado• ProyecciónA pesar que la cantidad resultante resumida es menor que en el análisis de partes, en este caso lostipos de averías representan el 27 % del total de tipos de averías entre las cuales se puede encontrarun siniestro.En referencia a los lugares donde se producen las averías el resultado arrojó el siguiente valor:• Bajada de Buque• Ingreso a Puerto• Retiro de Puerto• Salida de PlantaEn este caso se puede ver que la posibilidad que se encuentre una avería en la subida a un buque estan baja como para que el modelo de predicción no la considere como resultado posible. Lo mismoPágina 247 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAScomo se mencionó en la etapa de Preparación de Datos el número total de registro de dañosexplotados en el proyecto es de 50246.Planes alternativosUn plan alternativo de desarrollo de minería de datos puede ser el que se detalla a continuación.- Extracción de datos en formato SQL desde las bases de datos.- Normalización y transformación de datos si es necesario.- Generación de registros con el formato: parte, avería, gravedad, modelo, y lugar.- Distribución de las tablas para introducir los datos en función de periodos porcolumna.- El modelo de Clustering se forma por las columnas:• Periodo 1• Periodo 2• Periodo 3• Periodo 4• Periodo 5• Periodo 6• Periodo 7• Periodo 8• Periodo 9• Periodo 10- Luego para cada periodo / columna introducir los registros extraídos de la base dedatos. O sea que se puede invertir la introducción de los datos a ser explotados paraprocesar por separado partes, luego averías, luego lugares, etc.Otro plan alternativo que puede resultar interesante para la industria es el de separar la informaciónpor lugar y luego procesar cada lugar independientemente. Esto quedaría conformado de lasiguiente forma:• Punto de control salida de línea de producción.• Punto de control ingreso a puerto.• Punto de control despachos de puerto.• Punto de control subidas a buque.• Punto de control bajada de buque.Luego para cada lugar donde se produce la información se ingresa en cada modelo según elprocesamiento actual los datos vinculados a las averías en formato parte más avería y más gravedad.Dentro de cada uno de los puntos de control se pueden encontrar más de una compañía responsablepor el movimiento de la unidad automotriz por lo que también puede ser una línea de análisis validapara llevar a la práctica la realización de una subdivisión por cada lugar en función de la compañíaque interviene.Continuando con ese análisis la minería de datos también puede ser llevada a cabo distribuyendo losgrupos de datos por imputabilidad. Esto sería:Página 249 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Averías provocadas por líneas marítimas.• Averías producidas por transportes terrestres.• Averías de calidad.• Averías de puerto o playa.Y cada grupo contendría en la explotación de datos los códigos de averías en formato parte másavería más gravedad.En resumen y concluyendo con la mención de los planes alternativos que se podrían llevar a lapráctica en un proyecto de minería de datos se puede decir que al contar con la informaciónnormalizada desde la producción de la misma (inspecciones según los estándares) pasando por lacaptura de datos y llegando a su almacenamiento en bases de datos centralizadas las estrategias paraun futuro procesamiento de datos aplicando técnicas de minería de datos solo depende de losrequerimientos de las partes interesadas en la industria y la creatividad de los responsables de llevara cabo el proyecto.El descubrimiento de la información obtenida a partir del presente proyecto directamente podría serusado para consolidar prácticas empíricas realizadas en la industria. Se puede dar un marco teóricopor ejemplo al hecho de trabajar siempre sobre la base que el comportamiento de los tipos deaverías siempre esta vinculado directamente a 4 tipos del total que impone el estándar de inspecciónde este estudio. Esto está justificado debido a que la ocurrencia de averías se produce con cuatrotipos de averías que participan en un porcentaje medio del 96 % del total en explotación.8.6.2. Supervisión y mantenimiento del planLa supervisión y el mantenimiento de la implementación del presente proyecto es importantedebido a que los datos que se procesan diariamente pueden ser modificados por el personaloperativo de la compañía. Los datos son modificados por diferentes motivos como puede ser haberrealizado una codificación incorrecta, haber asignado una imputabilidad incorrecta, etc. El volumende datos en movimiento diario es grande y dinámico motivo por el cual la extracción de lasmuestras debe ser realizada cuidadosamente y realizando backups de los datos explotados por cadaproceso.La minería de datos debería ser realizada por periodos de 6 meses. En función del presente proyectose puede establecer el semestre como una unidad de medida representativa importante para laobtención de resultados prácticos.Como plan de supervisión y mantenimiento se podría establecer:- Extracción y almacenamiento semestral de datos guardando en formato de hoja decálculo toda la información.- Verificación de los modelos de autos y lugares de inspección que intervienen. Siaparecen nuevos puntos de control o nuevos modelos se debe proceder a sucodificación.- Distribución de los datos en función de los modelos de software de minería de datosa trabajar.- Los archivos de la explotación de datos semestrales deben ser guardado en soportemagnético en la compañía. Lo conveniente es almacenar en carpetas y por procesossemestralmente.Página 250 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS- Los resultados obtenidos por cada explotación de datos debe ser llevado a formato dehoja de cálculos con generación de gráficos de barras y tortas para una mejor visióne interpretación de los resultados obtenidos por cada periodo.- Al final de cada proceso de minería de datos la evaluación de los resultados debe serrealizado por un equipo compuesto por la parte operación encargada de la captura dela información y el área de tecnología de la compañía.8.6.3. Producción de Informe definitivoLa utilización de la metodología CRISP-DM para este proyecto ha permitido encontrar uncomportamiento predictivo de los daños y/o en función del estándar utilizado para la realización dela inspección de unidades.Se ha podido encontrar un plan de extracción, normalización, y codificación de datos para larealización de procesos de minería de datos semestrales. Como se ha mencionado en puntosanteriores además estos procesos de minería de datos pueden tener como objetivos otros aspectoscomo pueden ser: realizar procesos de minería sobre las averías producidas en determinados puntosde control, por determinadas compañías o por tipos de imputación.Entre los objetivos logrados por la aplicación de la metodología se puede mencionar:• Se han determinado los daños y/o averías para cada periodo.• Se han determinado responsabilidades en la siniestralidad en función del tipo de avería ytipo de transporte por cada periodo.• El estudio de las averías ha permitido encontrar un referente de imputación estableciendopatrones de comportamiento.• Se han podido encontrar los tipos de averías y sus porcentajes de ocurrencia por cadaperiodo.• Las partes averiadas han sido identificadas como así también las cantidades y porcentajes deocurrencia en cada periodo.• El comportamiento de los daños ha sido establecido especificando la gravedad de losmismos.• Se han establecido cuales son los modelos de autos más afectados por los daños como asítambién las partes que normalmente aparecen averiadas en las unidades.• Los lugares donde se producen las averías han podido ser identificados como así también laspartes y tipos de averías.• Se han especificado las cantidades de averías por tipos de transportes, partes averías, tiposde averías, lugares donde se producen las averías y los modelos afectados.• En referencia a información “oculta” descubierta en el proyecto lo más importante fue lorelacionado con la cantidad de tipos de avería normalmente producidos, las partesnormalmente afectadas y los modelos mayoritariamente averiados.La presentación final del proyecto se encuentra en el anexo 5. En este se encuentra un subconjuntode resultados obtenidos como así también la explicación global de la metodología utilizada y lospasos a seguir en la implementación práctica.Página 251 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS8.6.4. Revisión del proyectoEntre las cosas acertadas para el desarrollo del proyecto actual se puede decir que la determinaciónde la división en periodos de tipo ha sido determinante para poder encontrar un estándar de cantidadde tiempo para realizar la explotación de los datos.Posiblemente uno de los errores en el proyecto fue el hecho de no invertir las columnas de datos aser explotados dentro de cada modelo.Lo acertado dentro de la explotación de datos de proyecto se puede mencionar laEvaluar que fue lo correcto y que fue lo errado, cual fue el éxito obtenido, y que necesidades seránmejoradas.Posiblemente para futuros proyectos haya que analizar la posibilidad de evitar el procesamiento o laobtención de resultados inconsistentes debido a la combinación de partes con tipos de averías queen la realidad no aparecen. Este proyecto puede ser de utilidad para especificar en el software decaptura o de almacenamiento en la base de datos todas las restricciones para el ingreso de averíascon estructura inconsistente.Otro resultado interesante que se ha podido corroborar dentro de un contexto metodológico debido ala explotación de datos desde el 2003 a mediados del 2008 con la base de datos en cuestión es queel cambio de compañía de inspección en el punto de control “Subida a Buque en Puerto de Origen”ha generado un cambio significativo en la detección de daños y/o averías. Los motivos queprovocaron ese comportamiento distintivo en los datos no son discutidos en el presente proyecto,pero si se puede decir que para evitar este inconveniente en futuros proyectos de minería de datosuno de los caminos factibles para explotar los datos puede ser el de agrupar la información porpuntos de control o por tipo de imputación.Página 252 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS9. ConclusionesA partir del análisis de los diferentes métodos para el desarrollo de esta minería de datos se puedeconcluir que la metodología CRISP-DM es apropiada para la explotación de datos en esta industria.Posiblemente en futuros proyectos podrían utilizarse otras herramientas de software pero entérminos generales es apropiado considerar al presente proyecto con todos los pasos y lasherramientas de software para la minería de datos en la detección de patrones de daños y/o averías.Otro de los motivos por los cuales resulta apropiado trabajar con la metodología mencionadaanteriormente es que es totalmente independiente de las herramientas de software. Esto último,característica particular de CRISP-DM, es una de las grandes ventajas sobre otras metodologías.Además, siguiendo los pasos según lo detalla la metodología se ha probado que es completa yflexible por lo cual es aconsejable recomendarla como base metodológica para futuros proyectos enla industria de automóviles.Como se ha mencionado a lo largo del presente trabajo en la industria automotriz a nivel globalexisten diferentes estándares de inspección, codificación y sistemas de captura de datos por lo tantola generalidad que presenta la metodología CRISP-DM le permite hacerse recomendable parafuturas implementaciones. Cambiar de un estándar a otro no representa inconvenientes importantespara la explotación de información.En referencia a la minería de datos realizada también se puede concluir que la misma puede tomarformas diferentes de explotación de datos tanto a nivel de formato de registros como a los periodosde tiempos en los cuales se puede distribuir la información. El sistema de datos está normalizadocasi en su totalidad.En relación a las cantidades consideradas estadísticamente para la ocurrencia de los diferentessiniestros se observa de forma clara como es su distribución. Inclusive los resultados obtenidosdesde el punto de vista práctico permiten establecer como patrones de comportamiento los tipos deaverías y los modelos afectados en este nicho de mercado específico (considerando el estándar deinspección para la toma de datos y los modelos de autos que intervienen en este proyectoparticularmente).Si bien los resultados del trabajo muestran patrones de comportamiento satisfactorios es interesantever que se pueden realizar más combinaciones para la explotación de datos en lo que se refiere a loslugares, modelos de autos o tipo de formato de registros introducidos en cada modelo de software.Inclusive puede también considerarse como parámetro de separación las empresas responsables encada punto de control.Teniendo en cuenta lo expuesto en los puntos iniciales de esta tesis se puede decir que cualquierasea el problema a resolver y con cualquier estándar de inspección no existe una única técnica parasolucionarlo, sino que puede ser resuelto con distintas herramientas. Los aspectos estadísticos de laminería de datos aquí pueden dar resultados globales que permitan guiar el proyecto en estaindustria hacia los aspectos inteligentes de explotación de datos. Esto es, posiblemente seaconveniente comenzar los proyectos de data mining en esta industria con técnicas estadísticas yluego en la medida que se va profundizando en el análisis y conocimiento de los resultados se puedeir hacia la aplicación de sistemas inteligentes.La aplicación del Árbol de Clasificación es totalmente óptima para este proyecto y en futurosproyectos de minería de datos de esta industria. Inclusive independientemente de la distribución o elPágina 253 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASagrupamiento de la información. Resulta de alta importancia siempre utilizarlo al inicio de cadaexplotación de datos para tener una referencia clara de la situación global de las cantidades dedatos. El modelo gráfico de los resultados obtenidos detallando cantidades y porcentajes en toda ladistribución en forma de tortas permite ver, seguir y analizar en todos los momentos del proyecto lainformación y coherencia con que se va trabajando.Cada Árbol de Clasificación del software utilizado genera las reglas de producción de cada nodo.Esas reglas pueden ser aplicables directamente al desarrollo de cualquier software para laadministración de datos en el proceso de almacenamiento de información. Constituirían lasdenominadas reglas de negocio para la validación de datos de partes con tipos de averías ygravedades. En este trabajo las reglas no han sido incluidas debido a su gran cantidad y a que cadauna tiene que ser sometida a un estudio previo para filtrarlas.En cuanto al Clustering quizás sea necesario estudiar la posibilidad de trabajar con matrices demenor tamaño puesto que este estudio ha demostrado que se necesita mucho tiempo decomputación para el procesamiento de matrices de 10 x 10 y posiblemente no se justifique debido ala similitud obtenida en los resultados con otras matrices de menor tamaño. Otro factor a serestudiado es la aplicación o no de la gravedad de las averías puesto que pueden no ser necesarias,pero no se debe dejar de lado que quizás el estándar lo precise. También se puede realizar laexplotación de datos con está técnica considerando solamente datos relacionados con las partes porun lado por periodos, o bien por tipos de averías en determinados periodos, o por lugares o modelosen diferentes periodos. Es decir que la combinación de posibilidades en función de la gran cantidadde información disponible es muy alta y es posible considerar que lo más importante es que con esteproyecto de tesis se ha podido demostrar la viabilidad de líneas de investigación futuras con laaplicación del agrupamiento como técnica de explotación de datos.Es interesante ver también que la combinación de posibilidades para la producción de los centroideses grande debido al sistema de codificación con el que se trabaja en el registro de averías en laindustria y al sistema de datos normalizado desde donde se extraen los datos. O sea que es posibleobtener resultados finales válidos y erróneos a partir de la explotación. Los errores son descubiertosa partir de la inconsistencia entre las combinaciones posibles de: partes más averías másgravedades.Si bien los resultados obtenidos son satisfactorios es importante destacar que es necesario trabajar,en etapas posteriores o en una futura implementación de esta metodología en la industria, conalgoritmos de inducción para tratar de mejorar la explotación de datos en lo que respecta a larelación entre ellos. Como se ha mencionado a lo largo de este proyecto de tesis la tendencia de lastécnicas empleadas hacia el valor de los atributos y no entre sus relaciones muestra que algunos delos datos resultantes son inconsistentes con la realidad. Algunas de las herramientas posibles deutilizar pueden ser árboles de decisión o de clasificación.En relación al Modelo de Predicción es importante su aplicación y determinante a la hora deencontrar los patrones de ocurrencia en las averías, lugares, partes averiadas y modelos de autosaveriados. Al igual que con las otras dos herramientas utilizadas se han dejado fuera de este trabajoalgunos de los resultados obtenidos. Esto es, para el caso de las variaciones posibles de realizarentre determinado rango de tipos de averías o partes la ocurrencia de los resultados predictivospuede variar.Las pendientes obtenidas sobre las tendencias pueden ser positivas o negativas, y también puedentener como ocurrencia de resultados posibles un determinado rango de valores. Estos últimos sonPágina 254 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASaspectos matemáticos que estudiados profundamente pueden dar información útil sobre elcomportamiento o la predictibilidad de las averías.Además, también como en el caso del Clustering es posible realizar la búsqueda de otro tipo depredicciones como por ejemplo determinados tipos de averías en determinados meses del año. Obien, se puede realizar la predicción sobre partes solamente en determinados periodos, o lugares omodelos de autos.Este software de predicción empleado también se basa fuertemente en el valor de sus atributos másque en la relación entre ellos en los resultados finales por lo que sería conveniente también como elcaso del Clustering trabajar con algoritmos de inducción para mejorar los resultados.Concluyendo con el resultado de la utilización del software empleado la información de estaindustria en su formato tradicional y con el sistema de seguimiento almacenado en una base dedatos central puede ser explotada en un proyecto de minería de datos con la aplicación de técnicascomo el clustering, la clasificación o la predicción.Los periodos de tiempo para el desarrollo de una minería de datos en la industria podría ser elsemestre. La muestra semestral de datos es considerada suficiente como para lograr los objetivossegún se plantearon en el presente proyecto de tesis, y teniendo en cuenta el movimiento de losvehículos de mercado argentino. Los tipos de transportes también pueden determinar los límites yalcances de un proyecto de minería de datos para detectar patrones de comportamiento.También es importante mencionar como conclusión de este proyecto que la estructura de las basesde datos desde donde se extrajo el mayor porcentaje de información contiene todas las relaciones yel formato necesarios para el desarrollo de cualquier tipo de herramienta de software para la gestiónde la información. O sea que es recomendable para el desarrollo de aplicaciones de software decaptura o almacenamiento de información para cada punto de control de una cadena logística,realizar un análisis detallado de las combinaciones posibles de averías o tipos de averías en funciónde esta base de datos.El mecanismo para la obtención de las reglas de negocios para aplicaciones informáticas en elseguimiento y control de siniestros de este estudio no esta desarrollada en este mercado, motivo porel cual este proyecto puede servir de antecedente para mostrar lo lineamientos generales a tener encuenta para el desarrollo de la tecnología en la industria automotriz.El descubrimiento de patrones de comportamiento de las averías o los resultados estadísticos en laexplotación de datos realizada en este trabajo permite definir el camino que se debe seguir para larealización de presupuestos y la definición de políticas de distribución de los operadores logísticosencargados de los movimientos de los automóviles 0 KM. Teniendo en consideración que el costode producción de las unidades es menor al costo de su posterior distribución desde que sale de líneade producción hasta que llega a su destino final, hace de la minería de datos con técnicasestadísticas e inteligentes una alternativa más que importante para ser desarrollada por las empresasinteresadas en el descubrimiento de patrones de comportamiento como así también en el control yasignación de responsabilidad por siniestralidad.Página 255 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 256 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS10. Líneas futuras de investigaciónLas líneas futuras de investigación pueden ser las siguientes:• Implementación de la metodología para el estudio de comportamiento de averías agrupandola información por empresas responsables de siniestros.• Desarrollo de la metodología con información extraída de base de datos con otros estándaresde inspección de unidades. Se recuerda que cada compañía puede tener su propio estándarde inspección el cual define el formato en el que los registros pueden ser explotados.• Al igual que la implementación por empresas responsables también se puede procesar lainformación para determinadas marcas o modelos de autos.• Implementación de proyecto con datos agrupados en función de la imputabilidad también esotra futura línea de investigación viable.• Con la aplicación del Modelo de Clasificación se puede extraer todo el conjunto de reglas denegocio generado para ser aplicado en el software tanto de captura de datos como en laaplicación que alimenta la base de datos. Esto es, a partir de las reglas generadas por elmodelo validar todos los datos que ingresan al sistema.• Como se ha mencionado en otros ítems a lo largo de esta tesis también es viable laexplotación de datos de este sistema de información considerando cada uno de los puntos decontrol por separado.• El Modelo de Clstering también puede ser considerado definiendo matrices de menortamaño.En cuanto a la utilización de nuevas herramientas o herramientas complementarias para eltratamiento de la información en esta industria es necesario hacer mención como posibles líneasfuturas de investigación la utilización de algoritmos de inducción. Tanto en el Clustering como en elModelo de Predicción los resultados obtenidos hacen hincapié fundamentalmente en sus valoresnuméricos y no en la relación entre los atributos. O sea que antes de dar los resultados finales de laaplicación de cada modelo sería conveniente una introducción previa de los mismos en algoritmosque permitan una aproximación más cercana a la realidad en lo referente a la relación entre losdatos procesados.Concluyendo con los posibles caminos de investigación se puede hacer referencia a que en estaindustria uno de los sistemas de información estándares en el mundo (seguimiento y control deunidades automotrices) es el que se ha expuesto en el presente proyecto. Con la informaciónnormalizada electrónicamente es posible su estudio y explotación con la aplicación de lametodología CRISP-DM considerando diferentes tipos de agrupación de datos y distintasherramientas de software para obtener resultados exitosos para los interesados.Página 257 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 258 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS11. Bibliografías y DocumentaciónBritos, P., et al, Minería de Datos, Basada en Sistemas Inteligentes (Editorial Nueva Librería,2005).De Ville, B., Microsoft Data Mining: Integrated Business Intelligence for e-Commerce andKnowledge Management (Butterworth-Heinemann, 2001).Diché, J., E-data, Transformando datos en información con Data Warehouse (Editorial PrenticeHall, 2001).Gill, H. y Rao, P., Data Warehousing, la integración de información para la mejor toma dedecisiones (Editorial Prentice Hall 1996).Groth, R., Data Mining: A Hands-On Approach for Business Professionals (Editorial Prentice HallPTR, 1998).Han, J. y Kamber, M., Data Mining: Concepts and Techniques (Editorial Morgan KauffmanPublishers, 2001).Hernández, O., Introducción a la Minería de Datos (Editorial Pearson Educion, 2004).Hornick, F., et al, Java Data Mining: Strategy, Standard, and Practice: A Practical Guide forarchitecture, design, and implementation (The Morgan Kaufmann Series in Data ManagementSystems) (Elsevier Inc., 2007).Inmon, W., Building the Data Warehouse (Editorial John Wiley & Sons, Inc., 2002).Jean-Michel Franco y EDS-Instituc Prometheus, El Data Warehouse, El Data Minning (EdicionesGestión 2000, 1997).Jean-Pasal, A., Inteligencia Artificial (Editorial Paraninfo, 1986).Larose, T., Data Mining Methods and Models (John Wiley & Sons, Inc., 2006).Mccorduck, P., Máquinas que piensan, historia de la Inteligencia Artificial (Editorial Tecnos, 1991).Mundy, J., et al, The Microsoft Data Warehouse Toolkit: With SQL Server 2005 and the MicrosoftBusiness Intelligence Toolset (Wiley Publishing, Inc., 2006).Nilsson Nils, J., Inteligencia Artificial Una Nueva Síntesis (Editorial MCGrow-Hill, 2001).Pajares Martinsanz, G., Inteligencia Artificial e Ingeniería del Conocimiento (Editorial AlfaomegaGrupo Editor, 2006).Peña, D., Análisis de datos Multivariantes (Editorial McGraw Hill/Interamericana de España,2002).Pérez López, C. y Santin Gonzalez, D., Minería de Datos, Técnicas y Herramientas (EditorialParaninfo, 2007).Russel, S y Norvig P., Inteligencia Artificial - Un Enfoque Moderno (Editorial. Pearson Education,2003).Singh, H., Data Warehousing (Editorial Prentice Hall, 1998).Sitio de ADEFA (Asociación de Fábricas de Automotores) http://www.adefa.com.ar (Octubre,2007).Sitio de comunidad de personas interesadas en compartir conocimiento sobre temas relacionadoscon los datos, y como tratarlos para transformarlos en información que a su vez nos permita obtenerconocimiento y saber: http://www.dataprix.com/categorias-de-dataprix.Sitio de Estadística (Metodología para el desarrollo de proyectos de Data Mining)http://www.estadistico.com/arts.html?20040426 (Septiembre, 2007).Sitio de ITBA (Instituto Tecnológico Buenos Aires, Centro de Ingeniería de Software e Ingenieríadel Conocimiento, Escuela de Postgrado) http://www.itba.edu.ar/capis/webcapis/planma-esp.html(Septiembre de 2007).Sitio de Metodología CRISP-DM (Cross Industry Standard Process for Data Mining)http://www.crisp-dm.org (Agosto, 2007).Sitio de Microsoft http://technet.microsoft.com/es-es/library/ms174861.aspx (Octubre, 2007).Sitio de SAMAS (Sociedad Argentina de Mastología) http://www.samas.org.ar (Agosto, 2007).Página 259 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSitio de SECYT (Biblioteca Electrónica de Ciencia y Tecnología)http://www.biblioteca.secyt.gov.ar (Agosto, 2007).Sitio de Universidad de Sevilla http://www.us.edu.es (Septiembre, 2007).Sitio de Universidad Politécnica de Madrid http://www.upm.es (Septiembre, 2007).Sitio de Universidad Politécnica de Valencia http://www.upv.es (Septiembre, 2007).Tang, Z. and MacLennan, J., (Author), Data Mining with SQL Server 2005 (Wiley Publishing, Inc.,2005).Página 260 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS12. AnexosAnexo 1: Terminología de negocio.TérminoAreaAveríaBajada de buqueBarcazaBateaBuqueCadena logísticaCheck pointCódificación de averíaColector de datosCPDealerEstándar de inspecciónGravedadHand heldIngreso a puertoLínea de producciónLínea de transferenciaPatioPeritoPerito navalPlayaProyecciónRetiro de puertoSeveridadSpoilerSubida a buqueSignificadoParte de un vehículo.Tipo de daño.Operación de translado de un auto desde un barco haciael puerto.Buque específicamente usado para transporte de autos.Camión con estructura para transporte de vehículos.Barco especial acondicionada y dimensionada para eltransporte de automóviles, camiones, tractores, etc.Conjunto de lugares por donde va pasando unadeterminada unidad automotriz.Punto de control.Sistema de código establecido para tomar un daños. Porej. Parte + Avería + Gravedad.Equipo electrónico de datos con lector de código debarras.Punto de control.Punto final de distribución de una cadena logística.Conjunto de reglas para establecer un criterio deinspección donde se especifica como inspeccionar ydefine como son las averías en función de un nivel deimportancia.Nivel de un daño.Colector de datos elctrónico con lector de código debarras.Entrada de autos a la playa de un puerto.Fábrica donde se producen los autos.Lugar donde se transfiere una unidad luego de su salidade planta.Lugar donde se almacenan vehículos.Inspector que verifica estado de un vehículo.Persona que realiza inspección de barcos y sus cargas.Lugar donde se almacenan vehículos.Tipo de daño colectivo que provine de una variedad deacciones.Salida de autos de la playa de un puerto.Gravedad de un daño.Alerón u otro elemento de la carrocería de un automóvilque sirve para hacerlo más aerodinámico.Operación de translado de un auto desde la playadepuerto hacia un barco.Página 261 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASSurveySurveyorTransponderTransporte marítimoTransporte terrestreTrincadoOperación de inspección autos.Persona que realiza un inspacción de un auto.Dispositivo a bordo de un auto que recibe señales deradio correspondientes a una banda de frecuenciasdeterminada, las amplifica y desplaza su frecuencia a otradel espectro y la retransmite.Sistema de traslado de autos por mar.Sistema de traslado de autos por tierra.Forma de amarrar un auto al piso de un buque.Anexo 2: Terminología de minería de datos.TérminoAlgoritmos genéticosAnálisis de series detiempo (time-series)Análisis exploratorio dedatosAnálisis prospectivo dedatosAnálisis retrospectivo dedatosÁrbol de decisiónBase de datosmultidimensionalCART Árboles declasificación y regresiónSignificadoTécnicas de optimización que usan procesos tales comocombinación genética, mutación y selección natural en un diseñobasado en los conceptos de evolución natural.Análisis de una secuencia de medidas hechas a intervalosespecíficos. El tiempo es usualmente la dimensión dominanate delos datos.Uso de técnicas estadísticas tanto gráficas como descriptivas paraaprender acerca de la estructura de un conjunto de datos.Análisis de datos que predice futuras tendencias, comportamientoso eventos basado en datos históticos.Análisis de datos que provee una visión de las tendencias,comportamientos o eventos basado en datos históricos.Estructura en forma de árbol que representa un conjunto dedecisiones. Estas decisiones generan reglas para la clasificación deun conjunto de datos.Base de datos diseñada para procesamiento analítico on-line(OLAP). Estructurada como un hipercubo con un eje pordimensión.Una técnica de árbol de decisión usada para la clasificación de unconjunto da datos. Provee un conjunto de reglas que se puedenaplicar a un nuevo (sin clasificar) conjunto de datos para predecircuáles registros darán un cierto resultado. Segmenta un conjuntode datos creando 2 divisiones. Requiere menos preparación dedatos que CHAID .CHAID Detección deinteracción automática deChi cuadradoUna técnica de árbol de decisión usada para la clasificación de unconjunto da datos. Provee un conjunto de reglas que se puedenaplicar a un nuevo (sin clasificar) conjunto de datos para predecircuáles registros darán un cierto resultado. Segmenta un conjuntode datos utilizando tests de chi cuadrado para crear múltiplesdivisiones. Antecede, y requiere más preparación de datos, queCART.Página 262 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASClasificaciónClustering(agrupamiento)Computadoras conmultiprocesadoresData cleansingData MiningData WarehouseDatos anormalesDimensiónModelo analíticoModelo linealModelo no linealModelo predictivoNavegación de datosOLAP Procesamientoanalítico on-line (OnLine Analitic prossesing)Proceso de dividir un conjunto de datos en grupos mutuamenteexcluyentes de tal manera que cada miembro de un grupo esté lo"más cercano" posible a otro, y grupos diferentes estén lo "máslejos" posible uno del otro, donde la distancia está medida conrespecto a variable(s) específica(s) las cuales se están tratando depredecir. Por ejemplo, un problema típico de clasificación es el dedividir una base de datos de compañías en grupos que son lo máshomogéneos posibles con respecto a variables como "posibilidadesde crédito" con valores tales como "Bueno" y "Malo".Proceso de dividir un conjunto de datos en grupos mutuamenteexcluyentes de tal manera que cada miembro de un grupo esté lo"más cercano" posible a otro, y grupos diferentes estén lo "máslejos" posible uno del otro, donde la distancia está medida conrespecto a todas las variables disponibles.Una computadora que incluye múltiples procesadores conectadospor una red.Proceso de asegurar que todos los valores en un conjunto de datossean consistentes y correctamente registrados.La extracción de información predecible escondida en grandesbases de datos.Sistema para el almacenamiento y distribución de cantdadesmasivas de datos.Datos que resultan de errores (por ej. errores en el tipeado durantela carga) o que representan eventos inusuales.En una base de datos relacional o plana, cada campo en un registrorepresenta una dimensión. En una base de datos multidimensional,una dimensión es un conjunto de entidades similares; por ej. unabase de datos multidimensional de ventas podría incluir lasdimensiones Producto, Tiempo y Ciudad.Una estructura y proceso para analizar un conjunto de datos. Porejemplo, un árbol de decisión es un modelo para la clasificación deun conjunto de datos.Un modelo analítico que asume relaciones lineales entre unavariable seleccionada (dependiente) y sus predictores (variablesindependientes).Un modelo analítico que no asume una relación lineal en loscoeficientes de las variables que son estudiadas.Estructura y proceso para predecir valores de variablesespecificadas en un conjunto de datos.Proceso de visualizar diferentes dimensiones, "fetas" y niveles deuna base de datos multidimensional.Se refiere a aplicaciones de bases de datos orientadas a array quepermite a los usuarios ver, navegar, manipular y analizar bases dedatos multidimensionales.Página 263 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASOutlierProcesamiento paraleloRAIDRegresión linealRegresión logísticaSMP Multiprocesadorsimétrico (Symmetricmultiprocessor)Vecino más cercanoUn item de datos cuyo valor cae fuera de los límites que encierrana la mayoría del resto de los valores correspondientes de lamuestra. Puede indicar datos anormales. Deberían ser examinadosdetenidamente; pueden dar importante información.Uso coordinado de múltiples procesadores para realizar tareascomputacionales. El procesamiento paralelo puede ocurrir en unacomputadora con múltiples procesadores o en una red deestaciones de trabajo o PCs.Formación redundante de discos baratos (Redundant Array ofinexpensive disks). Tecnología para el almacenamiento paraleloeficiente de datos en sistemas de computadoras de altorendimiento.Técnica estadística utilizada para encontrar la mejor relación linealque encaja entre una variable seleccionada (dependiente) y suspredicados (variables independientes).Una regresión lineal que predice las proporciones de una variableseleccionada categórica, tal como Tipo de Consumidor, en unapoblación.Tipo de computadora con multiprocesadores en la cual la memoriaes compartida entre los procesadores.Técnica que clasifica cada registro en un conjunto de datos basadoen una combinación de las clases del/de los k registro (s) mássimilar/es a él en un conjunto de datos históricos (donde k = 1).Algunas veces se llama la técnica del vecino k-más cercano.Anexo 3: Consultas estructuradas para base de datos./*cantidad de inspecciones total*/select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20030101' and '20080631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')/*cantidad de inspecciones por periodo*/select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20030101' and '20031231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')Página 264 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASselect distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20040101' and '20040631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20040701' and '20041231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20050101' and '20050631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20050701' and '20051231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20060101' and '20060631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 orPágina 265 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASoperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20060701' and '20061231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20070101' and '20070631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20070701' and '20071231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20080101' and '20080631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis, operativos_chasis.idoperativo from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20080701' and '20081231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')/*cantidad de unidades total*/select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20030101' and '20080631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')Página 266 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS/*cantidad de unidades por periodo*/select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20030101' and '20031231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20040101' and '20040631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20040701' and '20041231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20050101' and '20050631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20050701' and '20051231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoPágina 267 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20060101' and '20060631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20060701' and '20061231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20070101' and '20070631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20070701' and '20071231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20080101' and '20080631'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20080701' and '20081231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')Página 268 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS/*cantidad de modelos*/select distinct operativos_chasis.idchasis from chasisinner join operativos_chasis on operativos_chasis.idchasis=chasis.idchasisinner join operativos on operativos.idoperativo=operativos_chasis.idoperativoand (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)where operativos.fechaoperativo between '20030101' and '20031231'and (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' orleft(chasis.vin,2)='vf' or left(chasis.vin,2)='8a')and chasis.modelo='307'/*cantidad de abollados*/select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=54and idaveria=6select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=51and idaveria=6and chasis.modelo='boxer'select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=3and idaveria=6and (operativos.idcp=30)Página 269 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASselect idaveria, idarea, count(iddanio)from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idaveria=6group by idaveria, idareaorder by idaveria, idarea/*cantidad de rayados*/select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=13and idaveria=9select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=51and idaveria=9and chasis.modelo='307'select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=8Página 270 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASand idaveria=9and (operativos.idcp=10 or operativos.idcp=300)select idaveria, idarea, count(iddanio)from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idaveria=9group by idaveria, idareaorder by idaveria, idarea/*cantidad de pintura*/select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=73and idaveria=5select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasiswhere idarea=35and idaveria=5and chasis.modelo='c4'select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=6Página 271 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASand idaveria=5and (operativos.idcp=360 or operativos.idcp=360)select idaveria, idarea, count(iddanio)from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idaveria=5group by idaveria, idareaorder by idaveria, idarea/*cantidad de faltantes*/select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=41and idaveria=7select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=34and idaveria=7and chasis.modelo='c3'select *from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisPágina 272 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idarea=43and idaveria=7and (operativos.idcp=420 or operativos.idcp=420)select idaveria, idarea, count(iddanio)from daniosinner join operativos on operativos.idoperativo=danios.idoperativoand operativos.fechaoperativo between '20030101' and '20080630'and (operativos.idcp=300 or operativos.idcp=360 or operativos.idcp=420 oroperativos.idcp=10 or operativos.idcp=25 or operativos.idcp=30 or operativos.idcp=60)inner join chasis on chasis.idchasis=danios.idchasisand (left(chasis.vin,2)='93' or left(chasis.vin,2)='8b' or left(chasis.vin,2)='vf' orleft(chasis.vin,2)='8a')where idaveria=7group by idaveria, idareaorder by idaveria, idareaAnexo 4: CodificaciónModelos de autos.Códigos de puntos de controlCódigo Desccripción1 Modelo 12 Modelo 23 Modelo 34 Modelo 45 Modelo 56 Modelo 67 Modelo 78 Modelo 89 Modelo 910 Modelo 1011 Modelo 1112 Modelo 1213 Modelo 1314 Modelo 1415 Modelo 1516 Modelo 1617 Modelo 1718 Modelo 1819 Modelo 1920 Modelo 20Página 273 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCódigos de tipos de transportes.Códigos de partes.Código Descripción30 Bajada de Buque300 Transferencia ubicación y línea de carga420 Subida a Buque60 Retiro de Puerto10 Retiro Fábrica de Origen25 Subida Buque Puerto de Origen360 Ingreso a PuertoCódigo Descripción30 Transporte marítimo300 Transporte terrestre420 Transporte terrestre60 Transporte terrestre10 Transporte terrestre25 Transporte terrestre360 Transporte terrestreCódigo Descripción1 Spoiler delantero2 Paragolpe delantero / Protector delantero3 Capot4 Paragolpe delantero / Superior5 Parante delantero6 Techo (inclusive convertible)7 Techo corredizo8 Barras de techo9 Tapa posterior de techo10 Parabrisa11 Tapa de Baúl o Puerta Trasera12 Paragolpe trasero / Spoiler trasero13 Panel trasero bajo baúl14 Paragolpe trasero / Zona contacto15 Tapizado interno puerta delantera izquierda16 Zócalo interno puerta delantera izquierda17 Manijas externas de puertas delanteras18 Manijas externas de puertas traseras19 Aerosol antipinchazos20 Transponder21 AntenaPágina 274 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS22 Faldillas para barro23 Limpiador de Faros (derecho / izquierdo)24 Limpiador y lavador de parabrisas25 Limpiador y lavador de vidrios traseros26 Alerón27 Taza28 Alfombra suplementarias29 Manual30 Retrovisor externo derecho31 Guardabarro delantero derecho32 Llanta delantera derecha33 Cubierta delantera derecha34 Zócalo derecho35 Guardabarro trasero derecho36 Puerta delantera derecha37 Puerta trasera derecha38 Panel lateral derecho39 Moldura protectora lateral derecha40 Giro Delantero (derecho / izquierdo)41 Cristales de parante delantero42 Escape43 Tapa acceso gancho remolque44 Bolsa de herramientas45 Otros46 Llave47 Parrilla delantera48 Luz de neblina trasera49 Faro de stop luneta50 Retrovisor externo izquierdo51 Guardabarro delantero izquierdo52 Llanta delantera izquierda53 Cubierta delantera izquierda54 Zócalo izquierdo55 Guardabarros y parante trasero izquierdo56 Puerta delantera izquierda57 Puerta trasera izquierda58 Panel lateral izquierdo59 Moldura protectora lateral izquierda60 Tapa tanque combustible61 Insignia62 Alfombra baúl / caja de carga63 Luz de patente trasera64 Cable de carga65 Luz trasera izquierdaPágina 275 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCódigos de tipos de averías.66 Cristales parante trasero / fijos67 Cristales fijos / Móviles paneles68 Plip69 Cerraduras de puertas70 Bajo chasis trasero71 Bajo chasis delantero72 Asientos delanteros / traseros73 Llanta trasera derecha74 Cubierta trasera derecha75 Giro guardabarros delantero derecho / izquierdo76 Faro delantero izquierdo / derecho77 Faro antiniebla / largo alcance78 Rejilla retenedora de carga79 Separador interno de carga80 Luneta trasera / Cristal puerta trasera81 Llave de rueda82 Cristales de puertas delanteras83 Cristales de puertas traseras84 Encendedor85 Sistema de navegación86 Stereo / Radio87 Compactera / Porta CD88 Apoya cabezas delantero / izquierdo / derechoApoya cabezas trasero / izquierdo / centro /89 derecho90 Conjunto carroceria91 Batería92 Críquet93 Llanta trasera izquierda94 Cubierta trasera izquierda95 Rueda de auxilio96 Gancho de remolque97 xxxxxxxxxx98 Botiquín99 -Código Descripción1 Quemado2 Arrancado - Roto - Fisurado3 Desgarrado - Cortado4 Reventado - Estallado5 Pintura saltadaPágina 276 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS6 Abollado7 Faltante8 Proyección9 Rayado - Rozado10 Manchado11 Exceso kilometrajeCódigos de gravedades.Código Descripción1 Intolerable2 Grave3 Mediano4 Leve20 Observada21 -Anexo 5: Presentación final.CarátulaPresentación FinalDetección de Patrones para la Prevención de Daños y/o AveríasIng. Hugo Daniel FloresPágina 1Presentación• Detección de Patrones para la Prevención de Daños y/o Averías enAutomóviles 0 KM.• Metodología de desarrollo de minería de datos.• Metodología CRISP-DM.• Desarrollo de la industria automotriz.• Procesos en la industria automotriz• Información de la industria automotriz• Aplicación de metodología de desarrollo de minería de datos.• Conclusión.Página 2Objetivos1. Identificar daños y/o averías.2. Determinar responsabilidad de siniestralidad en función del tipo de avería y tipo detransporte.Página 277 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS3. Imputar incidentes según el tipo de transporte.4. Determinar tipos de averías y/o daños.5. Determinar partes averiadas y/o dañadas que muestren algún tipo de comportamiento.6. Especificar gravedad de daños y/o averías.7. Definir e identificar modelos con daños especificando partes, tipo de daño y gravedad.8. Especificar lugares donde se producen daños y/o averías tratando de definir patrones decomportamiento.9. Especificar estadísticamente: tipos de transporte que producen daños y/o averías como asítambién, partes, tipos de averías, gravedades, lugares donde se producen.10. Descubrir información “oculta” en función de los modelos generados a partir de los datosdisponibles.Página 3TecnologíaMinería de DatosEs un proceso con el cual se pueden descubrir y cuantificar relaciones predictivas en los datos conla aplicación de un conjunto de técnicas, y del resultado de este proceso es posible obtenerconocimiento útil para el negocio.Técnicas de Mineria de DatosAnálisis estadísticoSe preocupa por el poder de generalización de los resultados obtenidos para poder inferir losresultados a situaciones más generales que la estudiada.Análisis con sistemas inteligentesSe preocupa por ofrecer soluciones algorítmicas con un coste computacional aceptable.Página 4TecnologíaMetodologías de Minería de DatosMetodología SEMMA1. Muestreo2. Exploración3. Manipulación4. Modelado5. ValoraciónMetodología MSPágina 51. Definición del problema2. Preparación de datos3. Exploración de datos4. Generación del modelos5. Validación del modelos6. Implementación y actualización de los modelosPágina 278 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASTecnologíaMetodología CRISP-DM1. Análisis del problema2. Análisis de datos3. Preparación de datos4. Modelado5. Explotación6. EvaluaciónPágina 6Metodología CRISP-DMFue concebido a finales de 1996. Daimler Chrysler (entonces Daimler-Benz) estaba delantede la mayoría de las organizaciones industriales y comerciales en la aplicación de la minería dedatos en sus operaciones de negocios.IntroducciónModelo de referenciaPágina 71. La metodología CRISP-DM2. Pasaje de modelos genéricos a modelos especializados1. Comprensión del negocio2. Comprensión de datos3. Preparación de datos4. Modelado5. Evaluación6. DesarrolloMetodología CRISP-DMGuía de usuarioComprendiendo el negocioComprensión de datosPreparación de los datosModeladoEvaluaciónDesarrolloSalidasComprensión del negocioComprensión de datosPreparación de los datosModeladoEvaluaciónDesarrolloResumen de dependenciasPágina 279 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 8Metodología CRISP-DMApéndiceGlosario/TerminologíaTipos de problemas de minería de datosPágina 9Industria automotriz1. La industria automotriz y la identificación de daños y/o averías.2. Globalización de marcas.3. Diversificación de modelos.4. Especialización en producción de modelos.5. Desarrollo de tecnología de las comunicaciones y medios de transportes.6. Implementación de controles.7. Reducción de costos.8. Incorporación de operadores logísticos.9. Tercerización de sistemas de transporte y lugares de almacenamiento.10. Puntos de control estratégicos.11. Creación de los estándares de inspección:12. Procedimientos de inspección.13. Sistemas codificación de daños y/o averías.14. Circuitos logísticosPágina 10Circuitos logísticosExportaciónIndustriaImportaciónPágina 280 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 11Procesos, Información y DatosPuntos de controlLos check points son los nodos de las cadenas logísticas que conforman lo circuitos querecorren las unidades desde que salen de producción hasta que llegan a su destino final.Estándares de inspecciónEn cada punto de control se realiza la inspección de unidades según un conjunto de reglas oprocedimientos especificados por el estándar de isnepcción.Captura de datosNormalmente en la industria los datos son tomados por lectores de código de barras debido aque toda unidad viene con una hoja detallada donde se indica el código de barras con datosrelacionados al vehículo.Procesamiento de datosLos datos son tomados donde se reliza cada inspección y luego son almacenados en una basede datos. Actualmente hay dos sistemas de almacenamiento uno en batch y otro de línea a través deradiofrecuencia.Base de datosSistema de datos estructurado y normalizado.Página 12Aplicación de la metodología CRISP-DMComprensión del negocioEl objetivo del negocio es determinar comportamientos en la ocurrencia de daños y/oaverías. De esto último también se puede inferir que es de utilidad para la toma de decisiones elpoder determinar o definir los lugares donde se producen los daños y las imputaciones de lasmismas.Comprensión de datosIdentificación de autos, modelos, lugares, tipos de trasportes, empresas, partes, averías,gravedades, observación, fechas.Preparación de datosNúmero de chasis, Modelo, Fecha, Lugar, Parte, Tipo Avería, Gravedad, Observación.Página 13Aplicación de la metodología CRISP-DMModeladoEl conjunto de datos de entrenamiento fue almacenado en archivos con formato de hoja decálculo y se dividió en función de los períodos establecidos previamente para el presente proyecto.Las cantidades de datos de entrenamiento para los respectivos modelos es variable en función delsoftware utilizado, lo cual fue especificado previamente.EvaluaciónLa ejecución de los modelos ha generado los datos esperados en función de los objetivos denegocio establecidos previamente para el proyecto. Si bien en el primer análisis se pudo decir quePágina 281 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASse han cubierto todas las alternativas para lograr los objetivos de negocio y de minería de datos nose descartó la posibilidad de arribar a nuevas preguntas de negocio o nuevas aproximaciones deresultados.Página 14Aplicación de la metodología CRISP-DMDesarrolloÁrbol de ClasificaciónConstrucción de un árbol que en cada nodo establece condiciones sobre atributos, divide elconjunto de casos en subconjuntos que cumplen cada condición. Los subconjuntos se vuelven adividir añadiendo nuevos niveles al árbol hasta detenerse mediante algún criterio.AgrupamientoTécnica que agrupa los datos en función de una distancia sin utilizar ningún tipo deinformación externa para organizar los grupos.Modelo de ClasificaciónLa diferencia con la primera técnica está en que en la predicción el atributo objetivo no es unatributo cualitativo discreto, sino es uno continuo. El objetivo de la predicción esta en encontrar elvalor numérico del atributo objetivo para objetos no vistos.Página 15Aplicación de la metodología CRISP-DMDesarrolloTipos de Averías60005000400030002000100002003 Semestre 1-04 Semestre 2-04 Semestre 1-05 Semestre 2-05 Semestre 1-06 Semestre 2-06 Semestre 1-07 Semestre 2-07 Semestre 1-08Falt ant e 494 184 274 264 240 247 339 605 641 1771Pint ura salt ada 935 790 812 598 490 271 136 237 609 334Rayado - Rozado 2023 1628 1794 1792 1887 1499 1207 1278 4689 2223Abollado 5338 2855 2375 1099 1126 1681 780 761 1016 751PeriodoPágina 16Aplicación de la metodología CRISP-DMPágina 282 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASDesarrolloLugares8000700060005000400030002000100002003 Semestre 1-04 Semestre 2-04 Semestre 1-05 Semestre 2-05 Semestre 1-06 Semestre 2-06 Semestre 1-07 Semestre 2-07 Semestre 1-08Subida a Buque 104 82 228 201 104 138 265 95 523 633Retiro de Puerto 352 89 71 137 248 187 119 156 60 124Ingreso a Puert o 443 343 491 510 550 497 1069 575 1167 958Salida de Planta 511 69 53 642 1003 767 454 1457 4521 3020Bajada de Buque 942 343 505 570 758 580 547 219 282 318Subida Buque Puerto de Origen 6925 4741 4008 1849 1208 1585 144 517 635 454PeriodoPágina 17Aplicación de la metodología CRISP-DMDesarrolloModelos450040003500300025002000150 010 0 050002003 Semestre 1-04 Semestre 2-04 Semestre 1-05 Semestre 2-05 Semestre 1-06 Semestre 2-06 Semestre 1-07 Semestre 2-07 Semestre 1-08Modelo 9 4143 1785 833 433 469 789 170 209 156 142Modelo 17 2662 2616 3041 2002 1795 1482 260 125 30 38Modelo 5 595 244 252 200 398 533 565 712 839 433Modelo 20 546 319 632 574 266 441 1268 1403 3819 2571Modelo 18 467 28 40 86 39 10 29 37 36 21Modelo 13 436 562 457 35 70 125 106 270 358 190Modelo 7 0 0 0 0 0 0 2 94 1747 1883Modelo 8 0 0 0 465 608 285 28 88 75 26PeriodoPágina 18Aplicación de la metodología CRISP-DMDesarrolloAbolladosCapot, Observada.Página 283 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASCapot.Leve.Observada.Transferencia ubicación y línea de carga.Página 19Aplicación de la metodología CRISP-DMDesarrolloRayados o rozadosManijas externas de puertas traseras, Mediano.Panel trasero bajo baúl, Observada.Spoiler delantero, Observada.Tapa posterior de techo, Observada.Paragolpe delantero / Protector delantero, Observada.Paragolpe delantero / Superior, Mediano.Tapizado interno puerta delantera izquierda.Paragolpe delantero / Superior.Manijas externas de puertas traseras.Panel trasero bajo baúl.Paragolpe delantero / Protector delantero.Paragolpe delantero / Superior.Spoiler delantero.Tapa posterior de techo.Tapizado interno puerta delantera izquierda.Página 20Aplicación de la metodología CRISP-DMDesarrolloFaltantesManijas externas de puertas delanteras, Observada.Manijas externas de puertas delanteras.Grave.Leve.Observada.Modelo 8.Subida a Buque, Tapa acceso gancho remolque.Página 21Aplicación de la metodología CRISP-DMDesarrolloPintura saltadaLlanta trasera derecha, Observada.Paragolpe delantero / Protector delantero, Observada.Guardabarro trasero derecho.Página 284 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASLlanta trasera derecha.Paragolpe delantero / Protector delantero.Mediano.Observada.Modelo 17, Llanta delantera derecha.Modelo 9, Mediano.Página 22Aplicación de la metodología CRISP-DMDesarrolloPredicciónAerosol antipinchazosAlerónCubierta delantera derechaEscapeGuardabarro delantero derechoGuardabarro trasero derechoLlanta delantera derechaLlaveManijas externas de puertas traserasManualPanel trasero bajo baúlPuerta delantera derechaPuerta trasera derechaTapa acceso gancho remolqueTazaPágina 23Conclusión1. La metodología CRISP DM es aplicable a la industria.2. La aplicación de las técnicas de Árbol de Clasificación, Clustering y Modelo de Predicciónpermiten obtener resultados satisfactorios.3. Resulta óptimo el desarrollo y ejecución de la metodología en periodos semestrales.4. La explotación de datos puede tomar diferentes formas: por periodos diferentes, modelos oempresas específicas, puntos de control, tipos de averías o partes averiadas.5. Los resultados obtenidos de la minería de datos pueden ser de utilidad para el desarrollo desistemas de información.6. En referencia a los datos y estructura de datos de los sistemas de base de datos desde dondese ha tomado la información se puede observar que los mismos son satisfactorios.Página 24ConclusiónEn cuanto a los objetivos los mismos han sido logrados:• Se han identificado daños y/o averías.• Se han determinado las responsabilidades en función de la avería y tipos detransporte.Página 285 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍAS• Las imputaciones de los incidentes según el tipo de transporte se han establecido.• Se han determinado los tipos de averías y/o daños.• Se han determinado las partes averiadas y se ha podido establecer suscomportamientos.• Se han especificado gravedades de daños y/o averías.• Se han definido e identificado los modelos de autos con daños especificando partes,tipo de daño y gravedad.• Se han especificado lugares donde se producen daños y/o averías y se han definidopatrones de comportamiento.• Se han especificado estadísticamente tipos de transporte que producen daños y/oaverías como así también, partes, tipos de averías, gravedades, lugares donde seproducen.Página 286 de287Ing. Hugo Daniel Flores

DETECCION DE PATRONES DE DAÑOS Y/O AVERÍASPágina 287 de287Ing. Hugo Daniel Flores