Aplicación de un modelo de clusterización para clasificar las audiencias que asisten a conciertos y espectáculos en Colombia

Gil González, Lizette Ximena

Aplicación de un modelo de clusterización para clasificar las audiencias que asisten a conciertos y espectáculos en Colombia

dc.contributor.advisor	Herrera Cuartas, Jorge Aurelio
dc.creator	Gil González, Lizette Ximena
dc.date.accessioned	2025-01-16T19:29:34Z
dc.date.available	2025-01-16T19:29:34Z
dc.date.created	2024-05-01
dc.description.abstract	Este artículo representa la aplicación de un modelo de clusterización para clasificar los asistentes a conciertos, recitales y/o presentaciones musicales con base en la encuesta cultural realizada por el DANE en todas las cabeceras urbanas de Colombia en el año 2019. Como resultado de esta investigación, se encontró que los clústeres 0 y 1 tienen características similares mientras que el clúster 2 tiene diferencias muy particulares. Se muestra la concentración de las respuestas principalmente en los clústeres 0 y 1, especialmente en el clúster 1, haciendo este su mayor aparición en los grupos de audiencias clasificados tanto por ingresos agrupados por edades como por el gasto en boletos para conciertos y presentaciones musicales. Por su parte el clúster 2 se encontró compuesto por una pequeña audiencia en su mayoría mujeres que asisten, pero gastan en menor proporción en tiques para conciertos en las edades entre 15 y 50 años. Se concluye que el objetivo de llenar un vacío en el conocimiento de investigaciones relacionadas con el entretenimiento en el área de Machine Learning se ha cumplido a cabalidad, sentando esta, la base para futuros trabajos de exploración en estos ámbitos.	spa
dc.description.abstractenglish	This article represents the application of a clustering model to classify attendees to concerts, recitals and/or musical presentations based on the cultural survey conducted by DANE in all urban centers of Colombia in 2019. As a result of this research, it was found that clusters 0 and 1 have similar characteristics while cluster 2 has very particular differences. It shows the concentration of responses mainly in clusters 0 and 1, especially in cluster 1, making its greatest appearance in the groups of audiences classified both by income grouped by age and by spending on tickets for concerts and musical presentations. Cluster 2, on the other hand, was found to be composed of a small audience of mostly women who attend, but spend a smaller proportion on concert tickets between the ages of 15 and 50. It is concluded that the objective of filling a gap in the knowledge of research related to entertainment in the area of Machine Learning has been fully met, laying the foundation for future exploration work in these areas.	spa
dc.format.extent	20 páginas	spa
dc.format.mimetype	application/pdf	spa
dc.identifier.uri	https://hdl.handle.net/20.500.12010/36161
dc.language.iso	spa	spa
dc.relation.references	[1] M. Čertický, M. Čertický, P. Sinčák, G. Magyar, J. Vaščák, and F. Cavallo, “Psychophysiological indicators for modeling user experience in interactive digital entertainment,” Sensors (Switzerland), vol. 19, no. 5, Mar. 2019, doi: 10.3390/s19050989. [2] R. Agarwal, M. P. L V N P, and S. Yunus Sait, “Video Classification into Academic and Entertainment using Subtitles,” 2021. [3] A. J. C. Trappey, C. V Trappey, A.-C. Chang, F.-L. Lee, H.-C. Hsieh, and M.-H. Chao, “PROMOTING AND POSITIONING ENTERTAINMENT ARTISTS USING CLUSTERING AND CLASSIFICATION APPROACHES,” 2012. [4] X. Yang and Q. Ge, “A Concert-planning Tool for Independent Musicians by Machine Learning Models,” Aug. 2019, [Online]. Available: http://arxiv.org/abs/1908.11200 [5] “Universidad Jorge Tadeo Lozano Facultad de Ciencias Naturales e Ingeniería.” 14 [6] M. Kim, S. Lim, C. Jang, and J. Song, “A study on entertainment TV show ratings and the number of episodes prediction,” The Korean Journal of Applied Statistics, no. 6, pp. 809–825, 2017, doi: 10.5351/KJAS.2017.30.6.809. [7] F. Terroso-Saenz, J. Soto, and A. Muñoz, “Evolution of global music trends: An exploratory and predictive approach based on Spotify data,” Entertain Comput, vol. 44, p. 100536, 2023, doi: https://doi.org/10.1016/j.entcom.2022.100536. [8] A. Bhave, H. Kulkarni, V. Biramane, and P. Kosamkar, “Role of different factors in predicting movie success,” in 2015 International Conference on Pervasive Computing: Advance Communication Technology and Application for Society, ICPC 2015, Institute of Electrical and Electronics Engineers Inc., Apr. 2015. doi: 10.1109/PERVASIVE.2015.7087152. [9] R. Sharda and D. Delen, “Predicting box-office success of motion pictures with neural networks,” Expert Syst Appl, vol. 30, no. 2, pp. 243–254, Feb. 2006, doi: 10.1016/j.eswa.2005.07.018. [10] K. Grolinger, A. L’Heureux, M. A. M. Capretz, and L. Seewald, “Energy Forecasting for Event Venues: Big Data and Prediction Accuracy,” Energy Build, vol. 112, pp. 222–233, 2016, doi: https://doi.org/10.1016/j.enbuild.2015.12.010. [11] A. Emerson et al., “Early Prediction of Visitor Engagement in Science Museums with Multimodal Learning Analytics,” in Proceedings of the 2020 International Conference on Multimodal Interaction, in ICMI ’20. New York, NY, USA: Association for Computing Machinery, 2020, pp. 107–116. doi: 10.1145/3382507.3418890. [12] S. Jiang, J. Ferreira, and M. C. González, “Clustering daily patterns of human activities in the city,” Data Min Knowl Discov, vol. 25, no. 3, pp. 478–510, 2012, doi: 10.1007/s10618-012-0264-z. [13] A. P. Kirilenko, S. O. Stepchenkova, and J. M. Hernandez, “Comparative clustering of destination attractions for different origin markets with network and spatial analyses of online reviews,” Tour Manag, vol. 72, pp. 400–410, 2019, doi: https://doi.org/10.1016/j.tourman.2019.01.001. [14] A. Drachen, R. Sifa, C. Bauckhage, and C. Thurau, “Guns, swords and data: Clustering of player behavior in computer games in the wild,” in 2012 IEEE Conference on Computational Intelligence and Games (CIG), 2012, pp. 163–170. doi: 10.1109/CIG.2012.6374152. [15] M.-C. Alarcón-del-Amo, C. Lorenzo-Romero, and M.-Á. Gómez-Borja, “Classifying and Profiling Social Networking Site Users: A Latent Segmentation Approach,” Cyberpsychol Behav Soc Netw, vol. 14, no. 9, pp. 547–553, Feb. 2011, doi: 10.1089/cyber.2010.0346. [16] S. Amaro, P. Duarte, and C. Henriques, “Travelers’ use of social media: A clustering approach,” Ann Tour Res, vol. 59, pp. 1–15, 2016, doi: https://doi.org/10.1016/j.annals.2016.03.007. [17] K. Dela Rosa, R. Shah, B. Lin, A. Gershman, and R. Frederking, “Topical Clustering of Tweets,” 2011. [18] T. Althoff, D. Borth, J. Hees, and A. Dengel, “Analysis and forecasting of trending topics in online media streams,” in Proceedings of the 21st ACM International Conference on Multimedia, in MM ’13. New York, NY, USA: Association for Computing Machinery, 2013, pp. 907–916. doi: 10.1145/2502081.2502117. [19] K. Kim and E. D. Tucker, “Assessing and segmenting entertainment quality variables and satisfaction of live event attendees: A cluster analysis examination,” Journal of Convention & Event Tourism, vol. 17, no. 2, pp. 112–128, Apr. 2016, doi: 10.1080/15470148.2015.1101035. [20] C. Jurowski and A. Z. Reich, “An Explanation and Illustration of Cluster Analysis for Identifying Hospitality Market Segments,” Journal of Hospitality & Tourism Research, vol. 24, no. 1, pp. 67–91, 2000, doi: 10.1177/109634800002400105. [21] A. Cardona, “Tuboleta revela datos del negocio del ‘ticketing’ en Colombia: así son los gastos en eventos y entretenimiento,” Jun. 12, 2024. Accessed: Aug. 18, 2024. [Online]. Available: https://www.valoraanalitik.com/tuboleta-datos-ticketing-conciertos-eventos-en-colombia/	spa
dc.subject	Clústeres
dc.subject	Análisis de datos
dc.subject	Aprendizaje no supervisado
dc.subject	Crisp-DM
dc.subject	Aprendizaje de máquina	spa
dc.subject.keyword	Clustering
dc.subject.keyword	Data analysis
dc.subject.keyword	Unsupervised learning
dc.subject.keyword	Crisp-DM
dc.subject.keyword	Machine learning	spa
dc.subject.lemb	Análisis de clústeres - Aplicaciones en estudios culturales
dc.subject.lemb	Audiencias de conciertos - Colombia
dc.subject.lemb	Modelos de aprendizaje automático - Clasificación de audiencias
dc.title	Aplicación de un modelo de clusterización para clasificar las audiencias que asisten a conciertos y espectáculos en Colombia	spa
dc.type.coar	http://purl.org/coar/resource_type/c_18ws	spa

Archivos

Bloque original

Mostrando 1 - 1 de 1

Nombre:: Aplicación de un modelo de clusterización para clasificar las audiencias que asisten a conciertos y espectáculos en Colombia.pdf
Tamaño:: 3.63 MB
Formato:: Adobe Portable Document Format
Descripción:: Tesis

Descargar

Bloque de licencias

Mostrando 1 - 2 de 2

Nombre:: license.txt
Tamaño:: 2.87 KB
Formato:: Item-specific license agreed upon to submission
Descripción:

Descargar

Nombre:: FOR-EFE-GDB-007_AUTORIZACION_DE_PUBLICACION_DE_TESIS_O_TRABAJO_DE_GRADO (1).pdf
Tamaño:: 561.62 KB
Formato:: Adobe Portable Document Format
Descripción:: Carta de autorización

Descargar

Colecciones

Maestría en Ingeniería y Analítica de Datos