EVALUACIÓN DEL RENDIMIENTO DE ALGORITMOS DE MINERÍA DE DATOS Y SIMULACIONES DE MONTE CARLO PARA EL DESCUBRIMIENTO DE TENDENCIAS EN LA APLICACIÓN HAMBRE DELIVEY
DOI:
https://doi.org/10.47820/recima21.v6i8.6669Palabras clave:
Minería de Datos, Monte Carlo, Servicio de Alimentación, Descubrimiento de Conocimiento, Reglas de Asociación, Tendencias de VentasResumen
El sector del food service experimenta un crecimiento sostenido, impulsado por la valorización de las compras en línea a través de marketplaces, que agilizan las transacciones y mejoran la calidad de productos y servicios. La digitalización de la gestión comercial proporciona el conocimiento necesario para enfrentar crisis sanitarias y económicas, respaldada por la incorporación de aplicaciones especializadas. La adopción de herramientas basadas en Inteligencia Artificial (IA) ha transformado la operación de los negocios, aunque representa un desafío para empresas pequeñas que aún no ofrecen servicios digitales. Motivada por la necesidad de sistematizar el análisis de tendencias de ventas de tiendas asociadas a la aplicación Hambre Delivery, esta investigación propone una solución para evaluar el rendimiento computacional, combinando el método de Monte Carlo con algoritmos de minería de datos. El objetivo es identificar el modelo más adecuado para respaldar la toma de decisiones en la gestión de ventas a través de la aplicación. Mediante simulaciones de Monte Carlo, se analizaron los algoritmos FP-Growth, FP-Max, Apriori y Eclat, considerando la escalabilidad, el tiempo de ejecución y el uso de memoria. Los resultados muestran que Eclat es más adecuado para conjuntos de datos pequeños y simples, mientras que FP-Growth y FP-Max se destacan por su eficiencia y escalabilidad frente a grandes volúmenes de datos. Además, las 27 reglas de asociación generadas revelaron tendencias relevantes, confirmando que el uso de Monte Carlo permite identificar patrones más precisos y confiables.
Descargas
Referencias
AGRAWAL, R.; IMIELIŃSKI, T.; SWAMI, A. Mining association rules between sets of items in large databases. ACM SIGMOD Record, v. 22, n. 2, p. 207–216, 1993. DOI: https://doi.org/10.1145/170036.170072
BHAGAMPRIYAL, M. et al. Recommendation Systems for Supermarket. 3rd International Conference on Innovative Practices in Technology and Management (ICIPTM). Anais [...] Uttar Pradesh, India: IEEE, 2023.
BUJALANCE-LÓPEZ, L. et al. Restaurant revenue management: a systematic literature review and future challenges. British Food Journal, v. 127, n. 6, p. 2169–2196, 1 abr. 2025. DOI: https://doi.org/10.1108/BFJ-08-2024-0816
CAMPOS, W. P.; FARINA, R. M.; FLORIAN, F. Inteligência Artificial: Machine Learning na Gestão Empresarial. RECIMA21 - Revista Científica Multidisciplinar, v. 3, n. 6, p. e361617, 24 jun. 2022. DOI: https://doi.org/10.47820/recima21.v3i6.1617
CHERNICK, M. R. et al. Bootstrap Methods. In: LOVRIC, M. (Ed.). International Encyclopedia of Statistical Science. Berlin: Springer, 2011. p. 169–174. DOI: https://doi.org/10.1007/978-3-642-04898-2_150
FARIAS, F. et al. Cost- and energy-efficient backhaul options for heterogeneous mobile network deployments. Photonic Network Communications, v. 32, n. 3, p. 422–437, 22 nov. 2016. DOI: https://doi.org/10.1007/s11107-016-0676-6
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From Data Mining to Knowledge Discovery in Databases. AI Magazine, v. 17, n. 3, p. 37–37, 15 mar. 1996.
GONÇALVES, K. R. G. Desenvolvimento e Avaliação do Aplicativo Hambre Delivery: Apresentação do Produto e Análise de Desempenho Usando Inteligência Artificial. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Faculdade de Sistemas de Informação – FASI, Cametá, PA, 2024.
GRAHNE, G.; ZHU, J. Fast algorithms for frequent itemset mining using FP-trees. IEEE Transactions on Knowledge and Data Engineering, v. 17, n. 10, p. 1347–1362, out. 2005. DOI: https://doi.org/10.1109/TKDE.2005.166
GRIJALBA, M. A. et al. Does the use of digital tools improve a firm’s performance? Review of Managerial Science, v. 19, p. 2193–2210, 2 mar. 2024. DOI: https://doi.org/10.1007/s11846-024-00750-4
HAN, J.; KAMBER, M.; PEI, J. Data Mining: Concepts and Techniques. 3. ed. Burlington: Elsevier, 2012.
HASTINGS, W. K. Monte Carlo sampling methods using Markov chains and their applications. Biometrika, v. 57, n. 1, p. 97–109, 1 abr. 1970. DOI: https://doi.org/10.1093/biomet/57.1.97
HEIJUNGS, R. On the number of Monte Carlo runs in comparative probabilistic LCA. The International Journal of Life Cycle Assessment, v. 25, n. 2, p. 394–402, 2020. DOI: https://doi.org/10.1007/s11367-019-01698-4
HU, T. et al. Discovery of maximum length frequent itemsets. Information Sciences, v. 178, n. 1, p. 69–87, Jan. 2008. DOI: https://doi.org/10.1016/j.ins.2007.08.006
JOSEPHINE, H.; RAJAN, D. Enhancing Customer Experience and Sales Performance in a Retail Store Using Association Rule Mining and Market Basket Analysis. 14th International Conference on Computing Communication and Networking Technologies (ICCCNT). Anais [...] Delhi, India: IEEE, 2023.
LIN, W.-Y.; TSENG, M.-C.; SU, J.-H. A Confidence-Lift Support Specification for Interesting Associations Mining. Advances in Knowledge Discovery and Data Mining, v. 2336, p. 148–158, 2002. DOI: https://doi.org/10.1007/3-540-47887-6_14
LIU, W. et al. Mobile platform expansion: How does it affect the incumbent food delivery app and other sales channels? Journal of Retailing, v. 100, n. 3, p. 422–438, 1 jun. 2024. DOI: https://doi.org/10.1016/j.jretai.2024.06.002
MADHYASTHA, P.; BATRA, D. On Model Stability as a Function of Random Seed. Proceedings of the 23rd Conference on Computational Natural Language Learning (CoNLL). Anais [...] Hong Kong: Association for Computational Linguistics, 1 Jan. 2019. DOI: https://doi.org/10.18653/v1/K19-1087
OZEMELA, L. iFood alcança marco histórico de 100 milhões de pedidos em um só mês. [S. l.]: iFood, 2024. Disponível em: https://institucional.ifood.com.br/noticias/ifood-alcanca-marco-historico-de-100-milhoes-de-pedidos-em-um-so-mes/?utm_source=chatgpt.com. Acesso em: 11 abr. 2025
PRADANA, M. R. et al. Market Basket Analysis Using FP-Growth Algorithm on Retail Sales Data. 9th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI). Anais [...] Jakarta, Indonesia: IEEE, 2022. DOI: https://doi.org/10.23919/EECSI56542.2022.9946478
RABHI, F.; BEHESHTI, A.; GILL, A. Editorial: Business transformation through AI-enabled technologies. Frontiers in Artificial Intelligence, v. 8, 11 mar. 2025. DOI: https://doi.org/10.3389/frai.2025.1577540
SISWANTO, B. et al. SDFP-growth Algorithm as a Novelty of Association Rule Mining Optimization. IEEE access, v. 12, p. 21491–21502, 1 Jan. 2024. DOI: https://doi.org/10.1109/ACCESS.2024.3361667
SUMA, D.; SAGAR, L. Data Mining Techniques. Technometrics, v. 48, n. 1, p. 159–160, fev. 2006. DOI: https://doi.org/10.1198/tech.2006.s373
TANAKA, T. et al. Optimality Between Time of Estimation and Reliability of Model Results in the Monte Carlo Method: A Case for a CGE Model. Computational Economics, v. 59, n. 1, p. 151–176, 3 jan. 2021. DOI: https://doi.org/10.1007/s10614-020-10080-8
ZAKI, M. J. et al. New algorithms for fast discovery of association rules. Knowledge Discovery and Data Mining, p. 283–286, 14 ago. 1997. DOI: https://doi.org/10.1007/978-1-4615-5669-5_1
ZAKI, M. J. Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering, v. 12, n. 3, p. 372–390, 2000. DOI: https://doi.org/10.1109/69.846291
Descargas
Publicado
Licencia
Derechos de autor 2025 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
