Business Analytics — Caso Integrador

Ejercicio integrador del Máster en Business Intelligence de la Universitat Oberta de Catalunya (UOC). El proyecto aplica técnicas de clasificación supervisada y segmentación no supervisada sobre datos reales del censo de EE.UU.

Descripción del proyecto

Se trabaja con el dataset Adult (Census Income) del UCI Machine Learning Repository, que contiene ~32 500 registros con 15 atributos sociodemográficos y laborales (edad, tipo de empleo, nivel educativo, estado civil, ocupación, raza, sexo, horas trabajadas por semana, país de origen, entre otros).

El análisis tiene dos objetivos: clasificar el nivel de ganancia de capital (capital_gain) a partir de edad, horas trabajadas y sexo mediante modelos supervisados, y segmentar perfiles de personas mediante clustering no supervisado.

Pipeline de análisis

El script codigo_Anne.R está organizado en funciones modulares que siguen este flujo:

1. Carga y exploración (load_census_data) — Lectura directa desde el repositorio UCI. Los valores faltantes (?) se capturan como NA desde la lectura con na.strings.

2. Limpieza (clean_data) — Eliminación de variables redundantes (fnlwgt, education_num) y de registros incompletos con na.omit().

3. Reducción de categorías (recode_categories) — Agrupación de niveles de baja frecuencia en tipo de empleador, ocupación, país (→ región), educación, estado civil y raza mediante mapas de lookup (named vectors).

4. Transformación de features (transform_features) — Discretización de capital_gain y capital_loss en tres niveles (None / Low / High). Estandarización de age y hr_per_week. Conversión de sex a dummy numérica. Recodificación de income a S/N.

5. Visualización exploratoria (plot_exploratory) — Scatter plots y boxplots con ggplot2 para explorar relaciones entre variables.

6. Modelado supervisado (train_models, evaluate_models) — Tres modelos entrenados con validación cruzada repetida (5 repeticiones) sobre la fórmula capital_gain ~ age + hr_per_week + sex:

Modelo	Método	Librería
K-Nearest Neighbors	knn	caret
Árbol de Decisión	rpart	caret / rpart
Random Forest	rf	caret / randomForest

Comparación mediante resamples() y matrices de confusión sobre el conjunto de prueba (split 70/30).

7. Clustering K-Means (run_clustering) — Segmentación en 5 clusters usando capital_gain, capital_loss, hr_per_week y age (datos sin estandarizar). Descripción de perfiles mediante valores medios por cluster.

Estructura del repositorio

Business_Analytics/
├── codigo_Anne.R              # Script principal (funciones modulares + ejecución)
├── Actividad-Global (1).pdf   # Consigna de la actividad integradora
└── README.md

Requisitos

• R ≥ 3.5
• Paquetes: ggplot2, caret, e1071, rpart, rpart.plot, randomForest

install.packages(c("ggplot2", "caret", "e1071", "rpart", "rpart.plot", "randomForest"))

Cómo ejecutar

1. Clonar el repositorio:

   git clone https://github.com/solrepresa/Business_Analytics.git

2. Abrir codigo_Anne.R en RStudio o cualquier entorno R.
3. Ejecutar el script — los datos se descargan automáticamente desde UCI.

Dataset

Adult / Census Income — Extraído de la base de datos del censo de EE.UU. de 1994 (Ronny Kohavi y Barry Becker). Contiene información demográfica y laboral con la variable objetivo binaria income (≤50K / >50K).

Autora

Sol Represa — GitHub

Licencia

Proyecto académico — UOC, Máster en Business Intelligence.