3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
65
MINERÍA DE INTENCIONES A PARTIR DE UNA BASE
DEL CONOCIMIENTO Y APRENDIZAJE AUTOMÁTICO
SUPERVISADO
INTENTION MINING FROM KNOWLEDGE BASE AND
SUPERVISED MACHINE LEARNING
Oswaldo E. Díaz-Rodríguez
Departamento de Informática y Ciencias de la Computación, Escuela Politécnica Nacional, Quito, (Ecuador).
Departamento de Ciencias de la Computación, Universidad de las Fuerzas Armadas ESPE, Quito, (Ecuador).
E-mail: oswaldo.diaz@epn.edu.ec ORCID: https://orcid.org/0000-0003-4001-1858
María Gabriela Pérez Hernández
Departamento de Informática y Ciencias de la Computación, Escuela Politécnica Nacional, Quito, (Ecuador).
E-mail: maria.perez@epn.edu.ec ORCID: https://orcid.org/0000-0001-9628-2767
Recepción:
22/03/2021
Aceptación:
30/06/2021
Publicación:
29/09/2021
Citación sugerida:
Díaz-Rodríguez, O. E., y Pérez, M. G. (2021). Minería de intenciones a partir de una base del conocimiento y
aprendizaje automático supervisado. 3C TIC. Cuadernos de desarrollo aplicados a las TIC, 10(3), 65-101. https://doi.
org/10.17993/3ctic.2021.103.65-101
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
66
https://doi.org/10.17993/3ctic.2021.103.65-101
RESUMEN
La falta de exibilidad en los sistemas de información, ha llevado a los usuarios a utilizar sus propias
estrategias, para realizar sus actividades diarias alineadas con los objetivos del negocio. De esta forma,
los usuarios cumplen con sus funciones, mejoran su desempeño y ahorran recursos; especialmente
tiempo. Se propone un método de minería de intenciones, que se basa en el aprendizaje automático
supervisado, respaldado por una base del conocimiento y las reglas heurísticas de supervisión. Una base
del conocimiento se estructura a partir de documentos comerciales multidisciplinares para cualquier
negocio en general. De la aplicación del método propuesto a un negocio en particular (ventas), se
obtienen las estrategias del usuario y a partir de éstas, se ineren sus intenciones en el desarrollo de
sus actividades en el negocio de ventas, a través de un sistema de información. Este trabajo sugiere el
desarrollo de sistemas de información exibles y brinda a los gerentes de negocios una herramienta para
identicar e implementar nuevas estrategias de negocio, basadas en las estrategias del usuario.
PALABRAS CLAVE
Sistema de información, Actividad del negocio, Estrategia de usuario, Base del conocimiento, Aprendizaje
automático supervisado.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
67
https://doi.org/10.17993/3ctic.2021.103.65-101
ABSTRACT
The lack of exibility in information systems has led users to use their own strategies to carry out their daily activities in
line with business objectives. In this way, users fulll their functions, improve their performance and save resources; especially
time. An intent mining method is proposed, which is based on supervised machine learning, supported by a knowledge base
and heuristic business rules. A knowledge base is structured from multidisciplinary business documents for any business in
general. From the application of the proposed method to a particular business (sales), the user’s strategies are obtained and
from these, their intentions in the development of their activities in the sales business are inferred, througt a information
system. This work suggests the development of exible information systems and provides business managers with a tool to
identify and implement new business strategies, based on user strategies
KEYWORDS
Information system, Business activity, User strategy, Knowledgebase, Supervised machine learning.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
68
https://doi.org/10.17993/3ctic.2021.103.65-101
1. INTRODUCCIÓN
Con el propósito de formalizar las intenciones de los usuarios de los sistemas de información empresarial,
en el desarrollo de las actividades diarias de acuerdo con sus funciones y con el objetivo de mejorar
su desempeño (Khodabandelou, Hug, y Salinesi, 2014), se propone un método para descubrir las
estrategias que los usuarios utilizan para lograr sus objetivos personales, alineados con los objetivos
del negocio. Este método (Figura 1) se basa en un algoritmo de aprendizaje automático supervisado
(Khodabandelou, 2013), que se desarrolla en base a las actividades de los negocios en general y las reglas
de un negocio especíco. El algoritmo se entrena y aprende de una base del conocimiento (Flores et al.,
2010; Niu et al., 2012; Pavón, 2016; De Sa et al., 2017) o de un log de eventos de un negocio en general.
Las reglas heurísticas de supervisión, se estructuran con base en las actividades prescritas y reglas del
negocio. Para probar el algoritmo, se utiliza un conjunto de actividades prescritas del negocio especíco
(ventas). Finalmente, utilizando las palabras clave de un experto del negocio especíco, se formalizan las
intenciones del usuario.
La base del conocimiento contiene información empresarial, extraída de artículos de noticias y foros
web. Se utiliza el conjunto de datos NewsIR'16 de Signal Media; Este conjunto de datos contiene un
millón de artículos, sin embargo, para el presente trabajo, se selecciona una muestra de 200 artículos
(sucientes para probar el método en un tiempo de procesamiento pertinente). La estructura de esta base
del conocimiento consta de las siguientes tablas: artículos, oraciones, menciones_estrategias, estrategias_
candidatos, características_estrategias, estrategias_usuario, estrategias_regla, estrategias_regla-0, pesos_
estrategias, intenciones_usuario y log_actividades. Esta última tabla, se genera a partir de un log de
eventos para un negocio en general y se obtuvo a través de un documento de la librería Kaggel.
A partir de los artículos se extraen las oraciones (frases separadas por un punto); se etiquetan sustantivos,
adjetivos, verbos y adverbios (de acuerdo con el procesamiento del lenguaje natural NLP). Se extraen las
menciones de los tokens (palabras etiquetadas) y se estructuran las oraciones según patrones de oración
sujeto-verbo-objeto (en inglés) (Fromkin et al., 2003). Estas oraciones estructuradas son las actividades del
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
69
https://doi.org/10.17993/3ctic.2021.103.65-101
negocio (estrategias del negocio). Finalmente se extraen las características semánticas de las estrategias
del negocio en general; Con lo que se completa la estructura y contenidos de la base del conocimiento,
por una parte; por otra parte y como fuente alternativa del conocimiento se cuenta con el log de eventos
para un negocio en general.
Para el entrenamiento del algoritmo, se dene el negocio especíco (ventas), de acuerdo con el modelo
de actividades que se presenta en la Figura 2, que sirve de base y de acuerdo con la experticia en el
negocio de ventas, se establecen las reglas heurísticas de supervisión; en base de las cuales se generan
las estrategias del usuario, categorizadas (estrategias_usuario: todas las estrategias extraídas, estrategias_
regla: aquellas cuya probabilidad de supervisión es mayor a cero y estrategias_regla-0: aquellas que no
se ajustan a las reglas heurísticas).
Se prueba el algoritmo con las estrategias del usuario (estrategias_regla) válidas para un negocio de
ventas y con las actividades prescritas del negocio de ventas; en base de lo cual y de acuerdo con las
palabras clave (venta, cliente, pedido, cotización, stock, precio, factura), se formalizan las intenciones del
usuario de un negocio de ventas.
1.1. CONCEPTOS RELEVANTES
Evento. - Es un incidente que ocurre en el entorno empresarial, que está asociado a una determinada
actividad y corresponde a una instancia de proceso (Khodabandelou et al. 2015).
Log de eventos. - Archivo plano que contiene los registros de eventos (actividades de proceso),
registrados por sistemas de información, como producto del desarrollo de las actividades diarias del
negocio (Khodabandelou 2013, Cheng y Kumar 2015; Khodabandelou et al., 2014a; Khodabandelou
et al., 2013b).
Log de eventos genérico. - Registro de eventos que genera por defecto el sistema de información en
cualquier negocio.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
70
https://doi.org/10.17993/3ctic.2021.103.65-101
Log de eventos de calidad. - Se corrige y depura el log de eventos genérico, para un propósito especíco
y para mejorar la calidad de la minería de intenciones (Van Hee et al., 2011; Suriadi et al., 2017b; Van
der Aalst, 2011).
Minería de intenciones. - Es el descubrimiento de estrategias de usuario (intenciones de usuario) a
través de técnicas y herramientas de minería de procesos, aplicadas al log de eventos de calidad (Epure
et al., 2014; Khodabandelou et al., 2015; Khodabandelou et al., 2013a).
Intenciones del usuario. - Sin perder de vista las reglas del negocio y de acuerdo con la madurez y
experiencia adquirida, el usuario realiza sus actividades diarias con la intención de alcanzar sus metas de
acuerdo con los objetivos del negocio, tratando de ahorrar recursos y mejorar la calidad de los resultados.
En la ejecución de una determinada instancia de proceso, el usuario desarrolla sus actividades, pero
además, utiliza sus propias estrategias (intenciones), que le permiten cumplir con sus metas de manera
más eciente. La intención de cada usuario se puede cumplir con varias estrategias y cada estrategia se
puede utilizar para cumplir con varias intenciones.
Procesos prescritos. - Estos son los procesos promulgados en el negocio para el cumplimiento de sus
objetivos (Khodabandelou et al., 2013b).
Procesos reales. - Estos son los procesos que realmente se ejecutan en el negocio (combinación de
procesos prescritos y estrategias del usuario) (Khodabandelou et al., 2013a).
Sistema de información. - Conjunto de procesos que se ejecutan de forma manual o computarizada
en el desarrollo de las actividades empresariales diarias (Khodabandelou et al., 2013a).
1.2. TRABAJOS PREVIOS
Técnicas y herramientas de minería de procesos. - Se utilizan como puente entre la minería de
datos y el aprendizaje automático; en general, se utilizan para descubrir modelos de proceso orientados
a las actividades del usuario, también para identicar estrategias de los usuarios. Además se utilizan
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
71
https://doi.org/10.17993/3ctic.2021.103.65-101
los modelos ocultos de Markov (HMM) en el descubrimiento de modelos de procesos intencionales
(Khodabandelou et al., 2014a).
Aprendizaje automático. - Este algoritmo se utiliza para clasicar secuencias de actividades
en función de características similares. Sin embargo, también se podría utilizar un algoritmo de
aprendizaje automático profundo para extraer las intenciones subyacentes en las huellas de los procesos
(Khodabandelou et al., 2014a).
Map Miner Method. - Este es el mejor producto desarrollado hasta el momento en este nuevo campo
denominado minería de intención (Khodabandelou et al., 2014a), permite construir modelos de procesos
intencionales que podrían ser la base para futuras investigaciones en este campo; además, éste método
permite denir y concretar estrategias y actividades de los usuarios en diferentes niveles de abstracción.
MAP. - Este es un lenguaje de modelado que se utiliza para obtener meta modelos de procesos
intencionales que ayudan a formalizar modelos de procesos (Khodabandelou et al., 2013b). No obstante,
se podría usar lenguajes de modelado UML para hacer lo mismo, ya que es ampliamente conocido en
el modelado de ingeniería de software.
Petri-Nets. - Esta herramienta se utiliza para representar modelos de procesos, en particular, modelos
de procesos cíclicos (Khodabandelou et al., 2013b). Para objetivo del presente trabajo, este recurso podría
utilizarse para representar los modelos de estrategia de usuario.
Baum Welch. - Se utiliza este algoritmo para descubrir parámetros desconocidos en la aplicación de
HMM (Khodabandelou et al., 2013b). En el presente trabajo se podría utilizar para determinar los
parámetros de mapeo de las estrategias e intenciones del usuario.
KAOS. - Esta herramienta permite modelar requisitos como instancias de un meta modelo conceptual
que apoyan las intenciones de los usuarios, pero no se utiliza debido a su rígida denición de las tareas
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
72
https://doi.org/10.17993/3ctic.2021.103.65-101
(Khodabandelou et al., 2013b). Sin embargo, esta herramienta ayudaría a denir niveles de abstracción
en relación con las divisiones jerárquicas de las actividades y estrategias de los usuarios.
HMM. - Se utiliza para descubrir intenciones a partir de las trazas de procesos y para descubrir
elementos como procesos, estrategias y modelos que están relacionados con la minería de intenciones y
están presentes en el log de eventos.
ProM. - Esta es una herramienta de software libre, que se usa para hacer minería de procesos
intencionales.
Khodabandelou (2013; 2014), propuso un método llamado minería de intención; este método está
orientado a descubrir el modelo de proceso. Ella confía en el aspecto intencional de los procesos, que se
basa en el mapa de meta modelo del proceso.
Epure (2014), desarrolló el Método Map Miner (MMM), este método genera modelos de procesos
intencionales y en base a ellos, se emiten recomendaciones para desarrolladores de sistemas de
información exibles y conscientes de procesos.
Huang et al. (2018), en su trabajo, proponen la extracción de palabras y oraciones para formalizar
las intenciones de los desarrolladores de software en línea (método similar al presente trabajo). No
obstante, Huang desarrolla una técnica de minería intencional para emitir recomendaciones para los
desarrolladores de software.
Cohan-Sujay y Madhulika (2012) proponen un método basado en la información que circula en las
redes sociales, este método extrae oraciones simples y mediante machine learning, inere la intención
comercial (compra y venta) de los usuarios.
El presente trabajo se completa de la siguiente manera: la sección 2 enumera los materiales utilizados en
el presente trabajo, la sección 3 describe el método basado en el aprendizaje automático supervisado, la
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
73
https://doi.org/10.17993/3ctic.2021.103.65-101
sección 4 presenta un análisis de los resultados, la sección 5 cubre la discusión y la sección 6 presenta la
conclusión.
INICIO
Documentos
Artículos
Oraciones
Información del
mundo de los
negocios
Implementación Base del Conocimiento
1. Estructura Base del Conocimiento
1.1. Tablas
1.2. Diccionario
2. Preparación y Carga de Datos
2.1. Extracción de Artículos
2.2. Extracción de Oraciones
2.3. Asignación de etiquetas PLN
2.4. Extracción de Menciones de Estrategias
2.5. Generación de Estrategias Candidatas
2.6. Extracción de Carcaterísticas de las Estrategias
Menciones de
Estrategias
Estrategias
Candidatas
Características
de Estrategias
Base del Conocimiento de
Actividades del negocio
(cualquier negocio)
Definición y Entrenamiento del Algoritmo de Aprendizaje
Automático Supervisado
1. Reglas del negocio
2. Actividades del Negocio
3. Definición del modelo de las actividades del Negocio
4. Estrategias del Usuario
5. Relación entre las Actividades Prescritas del Negocio
y las Estrategias del Usuario
6. Reglas Heurísticas para Supervisión
Estrategias de
Usuario
Estrategias
Reguladas
Estrategias
Reguladas-0
Log de Eventos
de Calidad
(cualquier negocio)
Estrategias de
Usuario
Intenciones del
Usuario
Actividades Prescritas
del Negocio de Ventas
(negocio específico)
Conjunto de Palabras
Clave del Negocio de
Ventas
(negocio específico)
Prueba del Algoritmo de
Aprendizaje Automático
Supervisado
Formalización de las
Intenciones del Usuario
FIN
Figura 1. Flujograma del Método.
Fuente: elaboración propia.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
74
https://doi.org/10.17993/3ctic.2021.103.65-101
2. MATERIALES
Se utilizan varias herramientas de software, patrones y plantillas, datos y repositorios, y otros recursos,
en la implementación del presente trabajo.
Sistema Operativo. - Ubuntu 16.04, especialmente porque es gratuito, seguro y exige pocos requisitos
de sistema; además de su facilidad de uso.
Gestor de Base de Datos. - PostgreSQL 9.6, junto con pgAdmin III para almacenar los datos y
administrar la base del conocimiento.
Lenguaje de Programación. - Python 3.6 para la codicación de los procedimientos y funciones de los
algoritmos; además de la librería (plantilla) DeepDive y su requisito Docker para visualización.
Repositorios de Datos. - Foro web de noticias de Signal Media NewsIR'16 (documentos para alimentar
la base del conocimiento) y kaggel dataset (log de eventos).
IEEE CIS. - Contexto BPM (Business Process Models) de descubrimiento de procesos y modelos de
procesos para log de eventos.
Palabras Clave del Experto en Ventas. - Documentos de foros web (Wordstream, 2012; Sales &
Marketing Keyword, 2020).
Programación del Lenguaje Natural (NLP: Natural Language Processing). - CoreNLP de la
biblioteca digital de la Universidad de Stanford, con las siguientes funciones:
• Parsing, que en este trabajo se utiliza para denir las oraciones (frases separadas por un punto)
contenidas en los artículos.
• Tokenizador, herramienta de software que extrae palabras o conjunto de palabras de un texto y
las individualiza
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
75
https://doi.org/10.17993/3ctic.2021.103.65-101
• Lematizador, que unica todas las formas de los verbos (modos y tiempos) a su forma en innitivo.
• Etiquetador: Tokens, POS: Part Of Speech, NER: Named Entity Recognition.
• Conjunto de etiquetas de Penn TreeBank (Marcus et al., 1993), utilizadas en la etiquetación de los
tokens: sustantivos, adjetivos, verbos y adverbios, presentes en una oración.
3. MÉTODO
A continuación, se describe y explica punto por punto el método propuesto y que a manera de resumen
se presenta en la Figura 1.
3.1. IMPLEMENTACIÓN DE LA BASE DEL CONOCIMIENTO
Una base del conocimiento, donde se almacena la información del negocio (Flores et al., 2010), Sin
importar el tipo de negocio y su dominio, que permite conocer, comprender y conceptualizar las
actividades de un negocio, se crea la base del conocimiento, de acuerdo con las políticas y reglas del
negocio (Ghasemi y Amyot, 2020); se especican a continuación los pasos para crear una base de
conocimientos para cualquier negocio en general.
3.1.1. ESTRUCTURA DE LA BASE DEL CONOCIMIENTO
Se estructura la base del conocimiento, de acuerdo con el método de diseño relacional de bases de datos
(Díaz-Rodríguez, 2015). El escenario, es el mundo de los negocios multidisciplinares. El recurso, las
noticias que se publican en la web (Signal Media NewsIR'16). Las tablas y diccionario que se presentan
a continuación, son el producto nal de procesamiento y carga de datos que se realiza en los siguientes
puntos del método propuesto en este trabajo y que se resume en el ujograma de la Figura 1.
• Tablas
articulos(doc_id, doc_text)
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
76
https://doi.org/10.17993/3ctic.2021.103.65-101
oraciones(doc_id, oracion_id, oracion_text, tokens, lemmas, pos_tags, ner_tags)
menciones_estrategias(doc_id, oracion_id, mencion_id, mencion_text, inicio_indice, n_indice)
estrategias_candidatas(estrategia1_id, estrategia1_nombre, estrategia2_id, estrategia2_nombre)
caracteristicas_estrategias(estrategia1_id, estrategia2_id, caracteristica)
log_estrategias(estrategia1_nombre, estrategia2_nombre)
estrategias_usuario(estrategia1_id, estrategia2_id, usuario_id, etiqueta)
estrategias_regla(estrategia1_id, estrategia2_id, etiqueta, regla_id)
estrategias_regla-0(estrategia1_id, estrategia2_id, etiqueta, regla_id)
pesos_estrategias(estrategia1_nombre, estrategia2_nombre, peso)
intentiones_usuario(estrategia1_nombre, estrategia2_nombre, peso)
• Diccionario
articulos. - Tabla.
característica. - Una característica de la estrategia.
características_estrategias. – Tabla de las características de las estrategias.
doc_id. - Identicador del documento contenido en el artículo.
doc_text. - Contenido textual del documento.
estrategia1_id, estrategia2_id. - Identicador de una estrategia.
estrategias_candidatas. - Tabla de las posibles estrategias.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
77
https://doi.org/10.17993/3ctic.2021.103.65-101
estrategias_regla. - Tabla de todas las estrategias con valor de probabilidad mayor a cero.
estrategias_regla-0. - Tabla de las estrategias excepto las que tienen valor de probabilidad igual a cero.
estrategias_usuario. - Tabla que contiene las estrategias del usuario.
n_indice. - Posición donde termina la estrategia mencionada en la oración.
inicio_indice. - Posición donde comienza la mención de la estrategia en la oración.
lema. - Forma de una palabra que aparece como entrada en un diccionario y se utiliza para representar
todas las demás formas posibles. Por ejemplo, el lema "jugar" representa "juegas", "juego", "jugó", etc.
log_estrategias. - Tabla, contiene las estrategias de usuario de un negocio especíco.
men_id. - Identicador de la mención de una estrategia contenida en una oración.
mencion_texto. - Texto de la mención de una estrategia.
menciones_estrategias. - Tabla de actividades del negocio y estrategias de usuario extraídas de las
oraciones.
ner_tags. - Lista de etiquetas de los nombres de entidades reconocidas.
nombre_estrategia1, nombre_estrategia2. - Nombre de una estrategia.
oracion_id. - Identicador de una oración.
oraciones. – Tabla de oraciones.
oraciones_texto. - Texto de una oración.
peso. - El peso asignado por la probabilidad de que una estrategia sea válida.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
78
https://doi.org/10.17993/3ctic.2021.103.65-101
pesos_estrategias. - Tabla de las estrategias con su peso (valor de probabilidad).
pos_tags. - Lista de etiquetas de partes de texto.
regla_id. - Identicador de la regla heurística del negocio.
token. - Cada palabra o conjunto de palabras que compone un texto.
3.1.2. PREPARACIÓN Y CARGA DE DATOS
• Extracción de artículos
El texto fue extraído de 200 documentos que se publican en foros empresariales multidisciplinares. Y esa
información se ha cargado en la tabla artículos.
articulos = extraer (http://goo.gl/forms/5i4KldoWIX)
• Extracción de oraciones
El contenido textual de cada documento es tokenizado (Hammond, 2020), es decir, el texto se divide en
oraciones (parsing) y cada oración se divide en palabras (tokens). Las oraciones tokenizadas se almacenan
en la tabla de oraciones.
oraciones = parsing (texto del documento), cada punto dene a una oración
tokens = tokenizado (oración), cada palabra es un token
• Asignación de etiquetas NLP (Natural Language Processing)
A cada token de cada oración se le asigna una etiqueta como parte de un texto (POS: Part Of Speech),
utilizando el sistema CoreNLP de Stanford (Manning et al., 2015) y el estándar de etiquetas “The Penn
TreeBank Tagset” (Marcus et al., 1993).
token etiquetado = etiqueta POS (token)
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
79
https://doi.org/10.17993/3ctic.2021.103.65-101
Para identicar cada token (como un sustantivo, adjetivo, verbo o adverbio) y estructurar oraciones
mínimas que representen las estrategias del usuario de los sistemas de información del negocio, se
utiliza el sistema CoreNLP de Stanford en la asignación de etiquetas de Reconocimiento de Entidades
Nombradas (NER: Named Entity Recognition) según la Tabla 1. Para esto, se utiliza el siguiente código
Python.
pos[], ner[], k=0,
pos = extract_tokens(oraciones),
for i in pos:
l = 0,
for j in i:
if j=='VB' or j=='VBD' or j=='VBG' or j=='VBN' or j=='VBP' or j=='VBZ':
ner[k][l] = "ACTIVITY"
else if j=='NN' or j=='NNS':
ner[k][l] = "NOUN"
else if j=='JJ':
ner[k][l] = "ADJECTIVE"
else if j=='JJR':
ner[k][l] = "ADJECTIVE COMPARATIVE"
else if j=='JJS':
ner[k][l] = "ADJECTIVE SUPERLATIVE"
else if j=='RB':
ner[k][l] = "ADVERB"
else if j=='RBR':
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
80
https://doi.org/10.17993/3ctic.2021.103.65-101
ner[k][l] ="ADVERB COMPARATIVE"
else if j=='RBS':
ner[k][l] ="ADVERB SUPERLATIVE"
l=l+1,
k=k+1
Tabla 1. Etiquetas de Tokens y Reconocimiento de Entidades Nombradas.
Etiqueta de Token Nombre Entidades Reconocidas Signicado
VB, VBD, VBG, VBN, VBP, VBZ ACTIVITY Verbos en todos sus modos y tiempos
NN, NNS NOUN Sustantivos comunes
NNP, NNPS PERSON / ORGANIZATION Sustantivos
JJ ADJECTIVE Adjetivos
JJR COMPARATIVE ADJECTIVE Adjetivos comparativos
JJS SUPERLATIVE ADJECTIVES Adjetivos superlativos
RB ADVERB adverbios
RBR ADVERB ADJECTIVE Adverbios comparativos
RBS ADVERB ADJECTIVES Adverbios superlativos
Nota. La columna 1 contiene la etiqueta del token, la columna 2 contiene el nombre de la entidad reconocida en el texto y la
columna 3 contiene el signicado gramatical de la entidad.
Fuente: elaboración propia.
• Extracción de Menciones de Estrategias
De la tabla de oraciones, se extrajeron los tokens etiquetados que tienen secuencias correspondientes a
las estructuras genéricas de oraciones que siguen la gramática inglesa (Fromkin et al., 2003); de acuerdo
con las siguientes opciones.
▪ “VERB”
▪ “NOUN” + “VERB”
▪ “NOUN” + “VERB” + “NOUN”
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
81
https://doi.org/10.17993/3ctic.2021.103.65-101
▪ “NOUN” + “VERB” + “ADJECTIVE”
▪ “NOUN” + “VERB” + “ADVERB”
Se genera la tabla menciones_estrategias con el siguiente código python.
num_tokens = len(ner_tags),
indices = (for i in num_tokens if (ner_tags[i] == “ACTIVITY”)
and (i == 0 or ner_tags[i-1] != “ACTIVITY” )),
for inicio_indice in indices:
n_indice = inicio_indice,
if inicio_indice > 0 and (ner_tags[inicio_indice-1] == “NOUN”
or ner_tags[inicio_indice-1] == “PERSON”
or ner_tags[inicio_indice-1] == “ORGANIZATION”):
inicio_indice = inicio_indice – 1
if n_indice < num_tokens
and (ner_tags[inicio_indice+1] == “ADJECTIVE”
or ner_tags[inicio_indice+1] ==”ADVERB”):
n_indice = n_indice + 1
mencion_id = (doc_id, sentence_index, inicio_indice, n_indice),
mencion_texto = join(map(strategy_mention i: tokens[i], xrange(inicio_indice,
n_indice + 1))),
menciones_estrategias = (doc_id, sentence_id, mention_id, mention_text, inicio_indice, f i n _
indice)
Además, se depura la tabla menciones_estrategias eliminando elementos innecesarios para el propósito
de este trabajo, por ejemplo, caracteres no imprimibles, elementos repetidos, sinónimos y otros
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
82
https://doi.org/10.17993/3ctic.2021.103.65-101
• Generación de posibles estrategias
Se genera la tabla estrategias_candidatas en base a las estrategias almacenadas en la tabla menciones_
estrategias. Se toma cada par de estrategias y / o actividades relacionadas que se extrajeron de la misma
oración, cuya distancia no es mayor a dos tokens y no se superponen. Para lo cual se utiliza el siguiente
código python.
num_actividad(doc_id, oracion_indice, COUNT(p))=menciones_estrategias(p, _, doc_id, oracion_
indice, _, _),
strategias_candidatas(p1, p1_nombre, p2, p2_nombre) = num_actividad(doc_id, oracion_id, num_p),
menciones_estrategias(p1, p1_nombre, doc_id, oracion_id, p1_inicio, _),
mentiones_estrategias(p2, p2_nombre, doc_id, oracion_id, p2_inicio, _),
num_p < 3,
p1_nombre != p2_name,
p1_inicio != p2_inicio
• Extracción de Características de las Estrategias
Finalmente, se extraen las características de las posibles estrategias válidas y se almacenan en la tabla
caracteristicas_estrategias; para esto se utiliza el siguiente código python.
signicados = [], tokens= extract_token(oraciones)
for i, t in tokens:
sent.append(palabra=t, lemma=lemmas[i], pos=pos_tags[i], ner=ner_tags[i])),
p1_pnt = (p1_inicio_indice, length=(p1_n_indice-1_inicio_indice+1)),
p2_pnt = (p2_inicio_indice, length=(p2_n_indice-2_inicio_indice+1)),
for caracteristica in (signicados, p1_pnt, p2_pnt):
caracteristicas_estrategias=yield [p1_id, p2_id, caracteristica]
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
83
https://doi.org/10.17993/3ctic.2021.103.65-101
3.2. DEFINICIÓN DEL ALGORITMO DE APRENDIZAJE AUTOMÁTICO SUPERVISADO
La base del conocimiento creada en los pasos previos, contiene los datos y la información de cualquier
negocio. Para el caso especíco, se considera un negocio de ventas; por lo tanto, el algoritmo de
aprendizaje automático supervisado está diseñado con los pasos que se especican a continuación.
3.2.1. REGLAS DEL NEGOCIO
La base deL conocimiento que está estructurada y alimentada con datos de carácter general contiene
las actividades para satisfacer las reglas de cualquier negocio, se pueden ver ejemplos de reglas para
cualquier negocio en (Rowland, 2004). No obstante, para el caso del negocio de ventas, se denen las
siguientes reglas.
• Para ordenar o cotizar, el cliente debe estar registrado
• Un pedido o cotización, se puede completar con stock local o remoto
• Un pedido o cotización no conrmados, compromete el stock por un tiempo determinado, de
acuerdo con las políticas del negocio.
• Un pedido o cotización conrmada que se registra como una venta afecta el stock local y/o
remoto
• Se puede enviar una venta a domicilio
• Cada vendedor (usuario) puede usar sus propias estrategias para mejorar su desempeño, mientras
observa las políticas y reglas comerciales
3.2.2. ACTIVIDADES DEL NEGOCIO
Se especican las actividades prescritas del negocio de ventas (Pérez, Yzquierdo, y Silverio, 2015).
El modelo de actividades de este negocio se puede ver en la Figura 2; donde se pueden validar las
mencionadas actividades prescritas (procesos prescritos) del negocio de ventas en cuestión. Este modelo
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
84
https://doi.org/10.17993/3ctic.2021.103.65-101
de la Figura 2, ha sido elaborado con el listado de actividades que muestra a continuación y utilizando el
algoritmo de minería de procesos “Alpha Miner” disponible en el conjunto de la herramienta ProM 6.9.
• Atención al Cliente
▪ Crear cliente
▪ Activar cliente
▪ Actualizar cliente
• Generar pedido de cliente
▪ Pedido completo de cliente
▪ Cotización de pedido de cliente
• Emitir cotización de cliente
▪ Control local de existencias
▪ Control remoto de stock
▪ Registrar artículos
• Pedido completo de cliente
▪ Cotización de cliente emitida
▪ Pedido del cliente conrmado
▪ Envío de pedido de cliente
• Control local de existencias
▪ Vericar stock
▪ Emitir alerta de stock mínimo local
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
85
https://doi.org/10.17993/3ctic.2021.103.65-101
▪ Stock comprometido
• Control remoto de stock
▪ Vericar stock
▪ Emitir alerta de stock mínimo remoto
▪ Stock comprometido
• Envío de pedido de cliente
▪ Entrega de pedidos con stock local
▪ Entrega de pedidos con stock remoto
▪ Entrega local del pedido del cliente
▪ Emitir orden de entrega remota
▪ Entrega a domicilio del pedido
• Cancelar pedido de cliente
▪ Liberar existencias comprometidas
• Registro de venta
▪ Vericar orden conrmada
▪ Registrar descuentos
▪ Vericar impuestos
▪ Registrar método de pago
▪ Facturación
• Enviar venta a domicilio
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
86
https://doi.org/10.17993/3ctic.2021.103.65-101
▪ Vericar la dirección del cliente
▪ Seguimiento de entrega a domicilio
▪ Conrmar entrega a domicilio
• Récord de ventas
▪ Por producto (descuento por: liquidación, lanzamiento)
▪ Por cliente (descuento para: cliente frecuente)
▪ Por almacén
▪ Por período / temporada
▪ Por método de pago (descuento actual)
▪ Por promoción
▪ Por vendedor
▪ Por método de entrega
▪ Por volumen de ventas (descuento por importe de venta)
▪ Entre otras dimensiones
3.2.3. DEFINICIÓN DEL MODELO DE ACTIVIDADES DEL NEGOCIO
Se genera el modelo de actividad del negocio (Teece, 2010; Foss y Saebi, 2018), de acuerdo con las
actividades prescritas del negocio de ventas, y utilizando el algoritmo Alpha Miner de ProM. Este
modelo se muestra en la Figura 2.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
87
https://doi.org/10.17993/3ctic.2021.103.65-101
3.2.4. ESTRATEGIAS DEL USUARIO
Las actividades que ejecuta el usuario en el desarrollo de sus tareas cotidianas en el negocio, no todas
están de acuerdo con los procesos prescritos del negocio (Teece, 2010). El usuario con el propósito de
mejorar su desempeño, utiliza sus propias actividades a las que se denomina estrategias del usuario. En
el presente trabajo, estas estrategias de usuario son extraídas de la base del conocimiento, estructurada
en los pasos previos del presente método. Las mencionadas estrategias de usuario están almacenadas en
la tabla estrategias_usuario.
INICIO
Atención al
cliente
Generar
pedido de
cliente
Control
local de
existencias
Pedido
completo
del cliente
Control
remoto
de stock
Emitir
cotización
del cliente
Envío de
pedido de
cliente
Registro
de ventas
Cancelar
pedido
de cliente
Record
de ventas
Enviar
venta a
domicilio
FIN
Figura 2. Modelo de actividades del negocio de ventas.
Fuente: elaboración propia.
3.2.5. RELACIÓN ENTRE LAS ACTIVIDADES PRESCRITAS DEL NEGOCIO Y LAS ESTRATEGIAS DEL
USUARIO
Se presenta a continuación, el análisis de las actividades y su mapeo con las estrategias del usuario, según
el modelo de negocio de ventas (Figura 2).
• Una actividad del negocio, por sí sola, puede ser una estrategia de usuario.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
88
https://doi.org/10.17993/3ctic.2021.103.65-101
• Una actividad del negocio puede formar parte de una o varias estrategias de usuario.
• Una estrategia de usuario puede estar compuesta por una o más actividades del negocio.
• Una estrategia de usuario puede estar compuesta por actividades prescritas del negocio y/o no
prescritas, pero del mismo dominio del negocio.
3.2.6. REGLAS HEURÍSTICAS PARA SUPERVISIÓN
De la heurística aplicada en los pasos previos del presente método, en la estructuración de la base
del conocimiento para un negocio cualquiera en general; y, con base en el modelo de las actividades
prescritas del negocio de ventas (Figura 2). Se deducen las siguientes reglas heurísticas para el negocio
especíco de ventas (Makings y Barnard, 2014).
• Las actividades que son candidatas a estrategias, etiquetadas como “ACTIVITY” y que están
demasiado separadas (más de 2 tokens en el medio) en una oración, se marcan como falsas
(negativas).
• Las actividades de las candidatas para estrategias etiquetadas como “ACTIVITY” precedidas
por un sustantivo, etiquetadas como “NOUN” o “PERSON” u “ORGANIZATION” en una
oración, correspondientes al patrón de sujeto + verbo, se marcan como verdaderas (positivas).
• Las actividades que son candidatas para estrategias con el patrón de oración sujeto + verbo, y que
están precedidas por un adjetivo etiquetado como “ADJECTIVE” en una oración, correspondiente
al patrón sujeto + verbo + adjetivo, se marcan como verdaderas (positivas).
• Las actividades que son candidatas para estrategias con el patrón de oración sujeto + verbo, y que
están precedidas por un adverbio etiquetado como “ADVERB” en una oración, correspondiente
al patrón sujeto + verbo + adverbio, se marcan como verdaderas (positivas).
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
89
https://doi.org/10.17993/3ctic.2021.103.65-101
• Las actividades candidatas para estrategias que contienen palabras relacionadas con el dominio
del negocio (dealing: “order”, “quotation”, “stock”, “sale”, “price”, “customer”, “user”) se marcan
como verdaderas.
El código Python que se muestra a continuación, permite calcular el peso de cada par de estrategias con
respecto al cumplimiento de las reglas heurísticas.
TRADING = frozenset([“sell”, “buy”]),
DEALING = frozenset([“order”, “quotation”, “stock”, “sale”, “price”, “customer”, “user”]),
MAX_DIST = 2,
p1_start_idx = min(p1_begin, p2_begin),
p1_end_idx = min(p1_end, p2_end),
p2_start_idx = max(p1_begin, p2_begin),
p2_end_idx = max(p1_end,p2_end),
p1_lemmas = lemmas[p1_start_idx:p1_end_idx],
intermediate_lemmas = lemmas[p1_end_idx+1:p2_start_idx],
p2_ner_tags = ner_tags[p2_start_idx:p2_end_idx],
estrategias_regla-0(estrategia1, estrategia2,_),
estrategias_regla(estrategia1, estrategia2,_),
if len(intermediate_lemmas) > MAX_DIST:
estrategias_regla-0=yield [estrategia1, estrategia2, ‘negative:far_apart’]
if p1_end_idx > p1_start_idx and ‘NOUN’ in p2_ner_tags:
estrategias_regla=yield [estrategia1, estrategia2, ‘positive:noun-verb-noun’]
if p1_end_idx > p1_start_idx and ‘ADJECTIVE’ in p2_ner_tags:
estrategias_regla=yield [estrategia1, estrategia2, ‘positive:noun-verb-adjective’]
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
90
https://doi.org/10.17993/3ctic.2021.103.65-101
if p1_end_idx > p1_start_idx and ‘ADVERB’ in p2_ner_tags:
estrategias_regla=yield [estrategia1, estrategia2, ‘positive:noun-verb-adverb’]
if len(TRADING.intersection(p1_lemmas)) > 0:
estrategias_regla=yield [estrategia1, estrategia2, ‘positive:sell_buy_activity’]
if len(DEALING.intersection(p1_lemmas)) > 0:
estrategias_regla=yield [estrategia1, estrategia2, ‘positive:dealing_activities’]
Tabla 2. Estrategias de usuario ponderadas.
ESTRATEGIA 1 ESTRATEGIA 2 PESO
customer quotation stock control 0.946
price sale stealthy 0.832
price sale trusted 0.832
price sale seductive 0.811
selloff was stocks pulled 0.777
selloff was cut 0.777
opinion tells stocks are 0.772
stock has moving average 0.736
stock has day moving 0.736
best-selling billon 0.716
best-selling grow 0.716
order makes be 0.715
order makes hearing has 0.715
Be price matched 0.685
by customer had 0.624
by customer sales record 0.624
have prices change 0.575
price does tell 0.571
Cordero said people respond 0.499
Cordero said hopes 0.499
best-selling bonanza 0.444
Bunning has order saying 0.175
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
91
https://doi.org/10.17993/3ctic.2021.103.65-101
judge has ordered court-appointed 0.018
Nota. La columna de ponderación 3 representa la probabilidad de que las estrategias (columna 1 y 2), juntas, puedan inferir la
intención del usuario.
Fuente: elaboración propia.
En la Tabla 2, se presentan los pares de estrategias obtenidas de la tabla estrategias_regla ordenadas por
el peso, de acuerdo con el cumplimiento de las reglas heurísticas.
3.3. DEFINICIÓN DEL CONJUNTO DE DATOS DE ENTRENAMIENTO
Las estrategias del usuario que son en sí, el conjunto de datos de entrenamiento del algoritmo, se obtienen
por una parte; de la tabla estrategias_usuario, generada en el proceso de estructuración de la base del
conocimiento. Por otra parte y alternativamente, las estrategias del usuario se pueden obtener del log de
eventos extraído del repositorio kaggel. Para el caso que se desarrolla en el presente trabajo, se utilizó
las estrategias del usuario contenidas en la base del conocimiento; no obstante, para el caso del log de
eventos, se resume a continuación el proceso que se debe seguir (Andrews et al., 2018).
• Obtener el log de eventos genérico (LEG).
• Generar un log de eventos de calidad (LEC) a partir del LEG.
• Del LEC, extraer las oraciones y aplicar los pasos del subtitulo “3.1.2. PREPARACION Y
CARGA DE DATOS”, para generar las estrategias del usuario.
3.4. DEFINICIÓN DEL CONJUTO DE PALBRAS CLAVE DEL NEGOCIO (DATOS DE
PRUEBA)
El valor de la variable de predicción (estrategia de usuario), se lo dene en función de las actividades
contenidas en el LEC y se lo obtiene como se describe a continuación.
• Una actividad, como el patrón de la oración, “verbo”, en este caso, el sujeto y el objeto son tácitos.
• Un sustantivo y un verbo, como patrón de oración, “sustantivo + verbo”
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
92
https://doi.org/10.17993/3ctic.2021.103.65-101
• Un sustantivo y un verbo, y otro sustantivo, como patrón de oración, “sustantivo + verbo +
sustantivo”
• Un sustantivo, un verbo y un adjetivo, como patrón de oración, “sustantivo + verbo + adjetivo
• Un sustantivo, un verbo y un adverbio, como patrón de oración, “sustantivo + verbo + adverbio”
De acuerdo con los patrones anteriores (Fromkin et al., 2003), cada palabra clave podría ser un sustantivo,
un verbo, un adjetivo o un adverbio. Para este trabajo en el que se abordó el negocio de ventas, las
palabras clave más importantes son: “order”, “quotation”, “stock”, “sale”, “price”, “customer”, “user”.
3.5. FORMALIZACIÓN DE LAS INTENCIONES DEL USUARIO
Finalmente, con base en las estrategias almacenadas en la tabla estrategias_usuario y las estrategias
emparejadas y cuyo peso es mayos que cero (estrategias_regla), como se muestran en la Tabla 2; además
del criterio del experto en el negocio de ventas (MYOB Enterprice Solution, 2020; Vasilev y Kehayova-
Stoycheva, 2017), se ineren las intenciones del usuario como se muestran en la Tabla 3.
Tabla 3. Intenciones del usuario.
ESTRATEGIA 1 USUARIO ESTRATEGIA 2 USUARIO INTENCIÓN DEL USUARIO
customer quotation stock control A quotation based on stock control
price
stealthy
Always is opportune, a good pricetrusted
seductive
opinion tells stocks are The stock control is a factor critic of successful
best-selling
billon
A best-selling, always is healthygrow
bonanza
be price matched The price must be the same to the competition
by customer sales record Know very well to the client
have prices change Maintaining variable prices is not an advantage
Nota. La columna 1 contiene una estrategia de usuario; la columna 2 contiene otra estrategia de usuario y la columna 3 contiene
la intención del usuario inferida por las estrategias de usuario.
Fuente: elaboración propia.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
93
https://doi.org/10.17993/3ctic.2021.103.65-101
4. ANÁLISIS DE RESULTADOS
De los 200 artículos que se procesaron, se obtuvo 5.149 oraciones. De estas oraciones; se extrajeron
16.943 menciones de actividades de negocios en general. Se clasicaron estas menciones de acuerdo
con las reglas de un negocio de ventas y se obtuvieron 8.455 menciones de estrategias candidatas. A
partir de estas menciones de estrategias candidatas para un negocio de ventas se generaron 7.930.978
características de las estrategias. Por otro lado, a partir del repositorio kaggel se generó el log de eventos
de calidad del que se extrajeron 482 estrategias de usuario. A continuación se muestran los resultados del
proceso de aprendizaje y supervisión del algoritmo, aplicado a la base del conocimiento de los negocios
en general y las reglas de un negocio especíco (ventas) en particular (Makings y Barnard, 2014).
4.1. SUPERVISIÓN A TRAVÉS DE REGLAS HEURÍSTICAS
Las estrategias ponderadas de usuario (Tabla 2) que se encuentran almacenadas en la tabla estrategias_
regla; y cuyo peso se calcula, de acuerdo con el grado de emparejamiento, que el algoritmo de aprendizaje
ha logrado establecer, entre cada par de estrategias del usuario; en base al porcentaje de cumplimiento
de las reglas heurísticas, la validación de las estrategias del usuario de un negocio de ventas en particular,
con respecto a las estrategias de usuario contenidas en la base del conocimiento de un negocio en general.
A continuación se muestra un resumen del cumplimiento de las reglas heurísticas.
• Resultado positivo de reglas heurísticas
▪ positivo: sale_buy_activity. - 1 Estrategia que se corresponde con las actividades de venta
y compra
▪ positivo: dealing_activities. - 35 Estrategias que se corresponden con las actividades de
negociación.
▪ positivo: noun-verb-noun. - 538 Estrategias que se corresponden con el patrón sustantivo-
verbo-sustantivo de una oración
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
94
https://doi.org/10.17993/3ctic.2021.103.65-101
▪ positivo: noun. - 0 Estrategias
▪ positivo: noun-verb. - 0 Estrategias
▪ positivo: noun-verb-adjective. - 0 Estrategias
▪ positivo: noun-verb-adverb. - 0 Estrategias
• Resultado negativo de reglas heurísticas
▪ negativo: far_apart. - 6706 Estrategias, cuyos tokens en la oración están separadas entre sí,
una distancia superior a 2 tokens
4.2. CLASIFICACIÓN DE LAS ESTRATEGIAS DEL USUARIO
La tabla estrategias_usuario contiene todas las estrategias extraídas de la base de conocimiento, se
validan contra las actividades y estrategias del negocio de ventas y las estrategias validadas se almacenan
en la tabla log_strategias. Cada la en la tabla estrategias_usuario, tiene una etiqueta (verdadero, falso o
sin etiqueta), de acuerdo con el cumplimiento de las reglas heurísticas de supervisión. El “sin etiqueta”,
signica que la estrategia del usuario no tiene correspondencia con el dominio del negocio de ventas.
La etiqueta “falso”, signica que, individualmente, cada estrategia está relacionada con el negocio de
ventas; pero juntas (estrategia1 y estrategia2), no tienen relación con el dominio del negocio de ventas. La
etiqueta “verdadero” signica que, tanto individualmente como en conjunto, las estrategias de usuario
pertenecen al dominio del negocio de ventas. En consecuencia, las estrategias de usuario con etiqueta
“verdadero” se almacena en la tabla estrategias_regla, que contiene las estrategias emparejadas y su
respectivo peso mayor que cero.
4.3. INFERENCIA DE LAS INTENCIONES DEL USAURIO
De acuerdo con la Tabla 3, y desde el punto de vista de un experto en negocios de ventas (MYOB
Enterprice Solution, 2020; Vasilev y Kehayova-Stoycheva, 2017), se analizan las intenciones del usuario,
observando las recomendaciones de (Tan et al., 2015).
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
95
https://doi.org/10.17993/3ctic.2021.103.65-101
• A quotation based on stock control. - En un negocio de ventas, el control de stock siempre será
muy importante. Para una cotización, es vital denir tiempos para comprometer y liberar el stock
(local o remoto).
• Always is opportune, a good price. - En este caso, el conocimiento de las estaciones y sus
características en el sitio geográco del negocio es determinante.
• The stock control is a factor critic of successful. - La implementación de alertas, para stocks
mínimos y máximos, es fundamental en el mantenimiento de este factor crítico de éxito.
• Determinar un producto más vendido siempre es saludable. - Para cualquier negocio de
ventas, el conocimiento de los productos “estrella”, permite una mejor administración de la fuerza
de vetas y el consecuente benecio para el negocio.
• The price must be the same to the competition. - Mantener precios acordes a los competidores
es la estrategia más aconsejable, para no romper el mercado y mantener el equilibrio.
• Know very well to the client. - No hay nada mejor para el negocio de ventas que conocer al
comprador
• Maintaining variable prices is not an advantage. - Denitivamente, no mantener un estándar
de precio, no es saludable para el negocio.
5. DISCUSIÓN
5.1. RECURSOS
Los datos utilizados en este trabajo se adquirieron de foros web gratuitos (Signal Media, BigQuery Google,
kaggle, The Penn Treebank, MYOB, Wordstream, entre otros), el repositorio académico Stanford NPL
Group y datos tabulados del autor Wil van der Aalst. Se estructuró una base del conocimiento a partir
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
96
https://doi.org/10.17993/3ctic.2021.103.65-101
de archivos planos, observando los modelos de bases de datos relacionales y dimensionales. No se han
utilizado datos de Organizaciones ni públicas ni privadas.
5.2. BASE DEL CONOCIMIENTO
La base del conocimiento que se crea en este trabajo está relacionada con el dominio empresarial, es
decir, para cualquier negocio en general. Este conocimiento es generado y aprendido por el algoritmo
de aprendizaje automático supervisado (Vasilev y Kehayova-Stoycheva, 2017). Como se puede apreciar
en el método, a través del cual, se crea la base de conocimiento, los datos que se cargan, provienen de
artículos publicados en noticias del campo de los negocios multidisciplinares.
5.3. SUPERVISED MACHINE LEARNING ALGORITHM
El algoritmo desarrollado, construye su aprendizaje en base a la base de conocimiento (actividades para
un negocio en general). El algoritmo es entrenado para un negocio de ventas en particular; con base en
las reglas del negocio de ventas (negocio especíco) y las reglas heurísticas de supervisión. Para probar
el algoritmo, se utiliza un conjunto de palabras clave (actividades y estrategias) del negocio de ventas.
Como resultado de la prueba del algoritmo se obtienen las estrategias ponderadas del usuario; en base
de las cuales se ineren las intenciones del usuario.
5.4. ESTRATEGIAS DEL USUARIO
Para cualquier negocio en general; a partir de las actividades almacenadas en la base del conocimiento,
se obtienen las estrategias del usuario para un negocio en general. Con base en el modelo de actividades
del negocio de ventas y las reglas heurísticas de supervisión, se generan las estrategias del usuario de
ventas y se ponderan en base al cumplimiento de las condiciones de las reglas heurísticas.
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
97
https://doi.org/10.17993/3ctic.2021.103.65-101
5.5. USER INTENTIONS
Sin perder de vista las reglas del negocio y sin afectar las actividades prescritas (Vasilev y Kehayova-
Stoycheva, 2017), los usuarios realizan sus actividades diarias, tratando de alcanzar un nivel óptimo de
desempeño; pero a menudo, los sistemas de información no tienen la suciente exibilidad para lograr
el objetivo de esas actividades. Entonces, los usuarios utilizan sus propias estrategias, con la intención de
lograr sus objetivos personales, siempre alineados con los objetivos del negocio.
En el presente trabajo, en base a las estrategias del usuario, se ineren las intenciones del usuario. Un
experto en el negocio puede interpretar esas intenciones del usuario y puede ayudar a identicar el
comportamiento del usuario.
6. CONCLUSIONES
En todo proceso de minería, el objetivo es obtener un patrón (la pepita de oro) que represente el universo
del recurso minado (datos, procesos, grácos, mensajes, textos, documentos, etc). En este caso, se han
extraído las intenciones del usuario, respecto al desarrollo de sus actividades en el negocio a través de un
sistema de información. Esto podría usarse para determinar el comportamiento del usuario y mejorar
su desempeño; con la ventaja que el método propuesto, presenta la alternativa de trabajar a partir de
archivos planos o estructurados; el método permite además, estructurar una base del conocimiento que
se podría generalizar para cualquier tipo de negocio.
REFERENCIAS BIBLIOGRÁFICAS
Andrews, R., Suriadi, S., Ouyang, C., y Poppe, E. (2018). Towards Event Log Querying for
Data Quality: Let’s Start with Detecting Log Imperfections. In Lecture Notes in Computer Science
(including subseries Lecture Notes in Articial Intelligence and Lecture Notes in Bioinformatics). https://doi.
org/10.1007/978-3-030-02610-3_7
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
98
https://doi.org/10.17993/3ctic.2021.103.65-101
Cohan-Sujay, C., y Madhulika, Y. (2012). Intention Analysis for Sales, Marketing and Customer
Service. COLING Demos (December 2012), 33–40. http://acl.eldoc.ub.rug.nl/mirror/C/C12/
C12-3005.pdf
De Sa, C., Ratner, A., Ré, C., Shin, J., Wang, F., Wu, S., y Zhang, C. (2017). Incremental knowle-
dge base construction using DeepDive. VLDB Journal, 26(1), 81–105. https://doi.org/10.1007/
s00778-016-0437-2
Díaz-Rodríguez, O. (2015). Methodology for Designing Relational Databases Based on Scenario
Analysis Their Policies and Business Rules. Tic, 344(9), 77–88. https://doi.org/10.17993/3c-
tic.2015.42.197-209
Epure, E. V., Hug, C., Deneckére, R., y Brinkkemper, S. (2014). What shall I do next? Intention mi-
ning for exible process enactment. Lecture Notes in Computer Science (Including Subseries Lecture Notes in
Articial Intelligence and Lecture Notes in Bioinformatics), 8484, 473–487. https://doi.org/10.1007/978-
3-319-07881-6_32
Flores, I., Núñez, H., Ramos, E., Vitelli, J., y Rodríguez, V. (2010). Construcción de bases de
conocimiento en el dominio de la microbiología mediante técnicas de aprendizaje automático.
Conference: III Congreso Español de Informática. Actas V Simposio de Teoría y Aplicaciones de Minería de Datos,
TAMIDA’2010, Valencia, España. CEDI2010_ Bacilos (September 201), 315-323. https://www.
researchgate.net/publication/267751909
Foss, N. J., y Saebi, T. (2018). Business models and business model innovation: Between wicked and pa-
radigmatic problems. Long Range Planning, 51(1), 9–21. https://doi.org/10.1016/j.lrp.2017.07.006
Fromkin, V., Rodman, R., y Hyams, N. (2003). An Introduction to Language seventh edition. The
Sentence Patterns of Language (pp. 117-165). http://www.wjh.harvard.edu/~pal/pdfs/pdfs/7th.pdf
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
99
https://doi.org/10.17993/3ctic.2021.103.65-101
Ghasemi, M., y Amyot, D. (2020). From event logs to goals: a systematic literature review of goal-orien-
ted process mining. Requirements Engineering, 25(1), 67–93. https://doi.org/10.1007/s00766-018-
00308-3
Hammond, M. (2020). NLTK. Python for Linguists, 291–296. https://doi.org/10.1017/9781108642408.013
Huang, Q., Xia, X., Lo, D., y Murphy, G. C. (2018). Automating Intention Mining. IEEE Transactions
on Software Engineering, PP(c), 1-22. https://doi.org/10.1109/TSE.2018.2876340
Khodabandelou, G. (2013). Contextual recommendations using intention mining on process traces:
Doctoral consortium paper. Proceedings - International Conference on Research Challenges in Information
Science, pp. 115-122. https://doi.org/10.1109/RCIS.2013.6577728
Khodabandelou, G., Hug, C., Deneckere, R., y Salinesi, C. (2013). Supervised intentional process
models discovery using Hidden Markov models. Proceedings - International Conference on Research Cha-
llenges in Information Science, pp. 225-2236. https://doi.org/10.1109/RCIS.2013.6577711
Khodabandelou, G., Hug, C., Deneckère, R., y Salinesi, C. (2014). Unsupervised discovery of in-
tentional process models from event logs. 11th Working Conference on Mining Software Repositories, MSR
2014 - Proceedings, pp. 282–291. https://doi.org/10.1145/2597073.2597101
Khodabandelou, G., Hug, C., y Salinesi, C. (2014). A novel approach to process mining: Intentio-
nal process models discovery. Proceedings - International Conference on Research Challenges in Information
Science, pp. 78-89. https://doi.org/10.1109/RCIS.2014.6861040
Makings, A., y Barnard, B. (2014). The heuristics of entrepreneurs. 1. Introduction. 2. Literature
Review. Research Gate, 1–37. https://doi.org/10.2139/ssrn.3342170
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
100
https://doi.org/10.17993/3ctic.2021.103.65-101
Manning, C., Surdeanu, M., Bauer, J., Finkel, J., Bethard, S., y McClosky, D. (2015). Stanford
CoreNLP bindings for other languages. The Stanford CoreNLP Natural Language Processing Toolkit. ht-
tps://doi.org/10.3115/v1/p14-5010
Marcus, M., Santorini, B., Ann Marcinkiewicz, M., y Large, B. (1993). Building a Large Annotated
Corpus of English: The Penn Treebank Building a Large Annotated Corpus of English. The Penn Treebank
Recommended Citation Recommended Citation. https://repository.upenn.edu/cis_reports/237
MYOB Enterprice Solutions. (2020). MYOB EXO Business White Paper. M470 – Sales Analysis. https://
www.uil.co.nz/help/MYOBEXOBusiness_SalesAnalysisMatrix_whitepaper.pdf
Niu, F., Zhang, C., Ré, C., y Shavlik, J. (2012). Elementary: Large-scale knowledge-base construction
via machine learning and statistical inference. International Journal on Semantic Web and Information
Systems, 8(3), 42–73. https://doi.org/10.4018/jswis.2012070103
Pavón, F. (2016). Generación de Conocimiento basado en Aprendizaje Automático y Aplicación en Diferentes Sectores.
UNED. Universidad Nacional de Educación a Distancia (España). https://dialnet.unirioja.es/
servlet/tesis?codigo=66958
Pérez, D., Yzquierdo, R., y Silverio, R. (2015). Utilización de técnicas de minería de proceso en el
entorno empresarial cubano. Research Gate, (August 2017), 1–15. https://www.researchgate.net/
publication/237843306
Rowland, E. (2004). Principles of the business rule approach. International Journal of Information Manage-
ment, 24(2), 196–197. https://doi.org/10.1016/j.ijinfomgt.2003.12.007
Sales & Marketing Keyword. (2020). Columbia Greene Works. List of Resume Keywords and Competen-
cies for Sales and Marketing Available. https://www.resumeworld.ca/resume_best_practices/resu-
me-keywords/sales-resume-keywords.html
3C TIC. Cuadernos de desarrollo aplicados a las TIC. ISSN: 2254 – 6529 Ed. 38 Vol. 10 N.º 3 Septiembre - Diciembre 2021
101
https://doi.org/10.17993/3ctic.2021.103.65-101
Tan, Y., Shi, Y., Buarque, F., Gelbukh, A., Das, S., y Engelbrecht, A. (2015). Advances in Swarm
and Computational Intelligence. En 6th International Conference, ICSI 2015 held in conjunction with the
Second BRICS Congress, CCI 2015 Beijing, China, June 25-28, 2015 Proceedings, Part III. Lecture Notes in
Computer Science (Including Subseries Lecture Notes in Articial Intelligence and Lecture Notes in Bioinformatics),
9142(July 2016). https://doi.org/10.1007/978-3-319-20469-7
Teece, D. J. (2010). Business models, business strategy and innovation. Long Range Planning, 43(2–3),
172–194. https://doi.org/10.1016/j.lrp.2009.07.003
Vasilev, J., y Kehayova-Stoycheva, M. (2017). Sales analysis by the rectangle method. Leonardo
Electronic Journal of Practices and Technologies, (30), 149–160. http://lejpt.academicdirect.org
Wordstream. (2012). Sales Keyword. https://www.wordstream.com/popular-keywords/sales-keywords
