Análisis predictivo y detección de anomalías en el consumo de MIPS del Grupo Éxito : optimización y eficiencia operacional

El consumo de Millones de Instrucciones Por Segundo (MIPS) es un factor crítico en la eficiencia operativa de Grupo Éxito, dado su impacto en la infraestructura tecnológica y los costos asociados. En este trabajo, se relata el desarrollo de un microservicio diseñado para optimizar el análisis del consumo de MIPS mediante la detección de anomalías y la predicción del uso futuro de los recursos. Se implementaron modelos avanzados de análisis de datos en Python, incluyendo técnicas de detección de valores atípicos basadas en el rango intercuartílico y la desviación absoluta mediana, así como modelos de predicción utilizando la librería PROPHET. Para garantizar una integración eficiente con los sistemas de la compañía, se construyó una arquitectura modular que permite la extracción, procesamiento y almacenamiento de datos de una base de datos de origen a una base de datos normalizada. La información procesada se visualiza en un tablero interactivo de Power BI, proporcionando una herramienta estratégica para el monitoreo y la toma de decisiones. Adicionalmente, se implementó un flujo de despliegue automatizado mediante Azure DevOps, Kubernetes y Docker, asegurando la estabilidad y escalabilidad del sistema en entornos productivos. Los resultados obtenidos no solo optimizan el uso de MIPS, sino que también sientan las bases para futuras mejoras en la gestión de infraestructura tecnológica del Grupo Éxito. Este trabajo demuestra el potencial del análisis predictivo y la automatización en la gestión eficiente de recursos computacionales, proponiendo un modelo replicable para otras organizaciones con necesidades similares.

• Autores: González Londoño, Estiben Andrey
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/45833
• Acceso en línea: https://hdl.handle.net/10495/45833
• Palabra clave: MIPS (Computer architecture); MIPS (Arquitectura de computadores); Detección de anomalías (Seguridad informática); Anomaly detection (Computer security); Análisis predictivo; Predictive analytics; Minería de datos; Data mining; Python (Lenguaje de programación de computadores); Python (Computer program language); Tecnología de la información - Administración; Information technology - Management; Scrum (Desarrollo de software; Scrum (Computer software development); Microsoft Azure (Plataforma informática); Microsoft Azure (Computing platform); Automatización; Automation; Análisis de datos; Data analysis; Visualización de datos; Data visualization; Grupo Éxito; Predicción de consumo; Optimización de recursos; Gestión de infraestructura; Docker (Software); Docker (Software); http://id.loc.gov/authorities/subjects/sh99000179; http://id.loc.gov/authorities/subjects/sh2005007675; http://id.loc.gov/authorities/subjects/sh2020007371; http://id.loc.gov/authorities/subjects/sh97002073; http://id.loc.gov/authorities/subjects/sh96008834; http://id.loc.gov/authorities/subjects/sh2008006980; http://id.loc.gov/authorities/subjects/sh2001003039; http://id.loc.gov/authorities/subjects/sh2016001752; http://vocabularies.unesco.org/thesaurus/concept3401; http://vocabularies.unesco.org/thesaurus/concept2214; http://vocabularies.unesco.org/thesaurus/concept17105; ODS 9: Industria, innovación e infraestructura. Construir infraestructuras resilientes, promover la industrialización inclusiva y sostenible y fomentar la innovación
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/