Conclusiones

En primer lugar, se va a hacer una conclusión sobre los resultados obtenidos en el capítulo 5.

Como se puede ver en las gráficas, los resultados del método de Montecarlo son satisfactorios.

Por una parte, se ha desarrollado un método robusto que funciona correctamente para todos los grupos y situaciones. Se ha conseguido además que el cambio de grupo en el demandante sea la acción más frecuente, lo cual significa que la mayoría de los demandantes pueden conseguir mejorar su situación de empleo en la mejor manera posible.

Además, como refleja la gráfica de la varianza, la probabilidad de cada horizonte temporal aumenta más que en el sistema anterior, de manera que, aunque el demandante no aumente de grupo, este mejore su probabilidad de encontrar trabajo en el mismo horizonte temporal.

Además, se puede observar que se han conseguido los objetivos que se habían propuesto desde un primer momento en la sección de objetivos.

1. El sistema recomienda más de una acción por itinerario como se ha visto en las gráficas. Por otro lado, este sistema incluye temporalidad de servicios, haciendo posible los itinerarios flexibles a una temporalidad determinada de X meses. 2. Se ha conseguido explorar una cantidad de opciones mayor a la que se

alcanzaba con el sistema anterior, esto significa que hay una mayor variedad de itinerarios, que permitirá una mayor flexibilidad al orientador de cara a recomendar a los demandantes que salidas tiene.

40 A parte de todo lo dicho, se han implementado nuevas características como el umbral de temporalidad en los itinerarios que permitirá ajustar los itinerarios a una temporalidad más reducida.

Finalizando, el nuevo sistema de empleabilidad ha conseguido lograr los objetivos propuestos y se ha podido aprender sobre nuevas tecnologías y métodos de análisis nuevos en el proceso de desarrollo de este.

6.2 Trabajo futuro

Hay muchas posibles mejoras para el futuro.

En primer lugar, se podría adaptar el número de iteraciones y simulaciones en función de cada demandante, de manera que, si un demandante no encuentra un itinerario que mejore su situación en un tanto por ciento, este siga buscando una solución, o en caso contrario, si un demandante encuentra una solución lo suficientemente satisfactoria, este deje de iterar para continuar computando otros demandantes.

Otra idea podría ser el desarrollo de un sistema que permita buscar servicios vigentes que permitan a los demandantes realizar las acciones que han sido recomendadas.

También se podría recomendar más de un itinerario de manera que al orientar el desempleado este tenga diferentes opciones a elegir, para encontrar una solución que se adapte a él.

Por último, sería buena idea desarrollar algún método predictivo que sea capaz de obtener el valor del umbral de temporalidad para optimizar que el demandante encuentre trabajo lo antes posible sin perder la eficacia del itinerario.

Referencias

[1] Introducción a los métodos de Monte-Carlo con Python, autor: Raúl E. López Briega, URL: https://relopezbriega.github.io/blog/2017/01/10/introduccion-a-los-metodos-de- monte-carlo-con-python/, 28/04/2019.

[2] Monte Carlo Tree Search – beginners guide, autor: anónimo, URL: https://int8.io/monte-carlo-tree-search-beginners-

guide/#Monte_Carlo_Tree_Search_8211_basic_concepts, 14/04/2019.

[3] ¿QUÉ SON LOS MÉTODOS DE MONTECARLO?, autor: Universidad de Alcalá, URL: https://www.master-finanzas-cuantitativas.com/metodos-de-montecarlo/, 14/04/2019

[4] NP – Completos Algoritmos Heurísticos, autores: David Redondo y José del Castillo Izquierdo, Fecha de edición: 2 de abril.

[5] How to return dictionary keys as a list in Python, autor: Jim Fasarakis Hilliard, URL: https://stackoverflow.com/questions/16819222/how-to-return-dictionary-keys-as-a-list- in-python, 06/05/2019

[6] Python | Sort Python Dictionaries by Key or Value, autor: Tanmay_Jain, URL: https://www.geeksforgeeks.org/python-sort-python-dictionaries-by-key-or-value/, 03/05/2019

[7] How do I sort a dictionary by value?, autor: Devin Jeanpierre, URL:

https://stackoverflow.com/questions/613183/how-do-i-sort-a-dictionary-by-value, 03/05/2019

[8] Itertools – Functions creating iterators for efficient looping, autor: anónimo, URL: https://docs.python.org/3/library/itertools.html#itertools.groupby, 15/04/2019 [9] Csv – CSV File Reading and Writing, autor: anónimo, URL:

42 [10] Pandas, autor: pydata, URL: https://pandas.pydata.org/, 12/04/2019

[11] When processing CSV data, how do I ignore the first line of data, autor: Martineau, URL: https://stackoverflow.com/questions/11349333/when-processing-csv-data-how- do-i-ignore-the-first-line-of-data, 14/04/2019

[12] Diagrama Cajas y Bigotes, autor: anónimo, URL:

https://datavizcatalogue.com/ES/metodos/diagrama_cajas_y_bigotes.html, 04/06/2019 [13] Python rango for float numbers with Examples, Python, autor: Vishal, URL:

https://pynative.com/python-range-for-float-numbers/, 15/05/2019 [14] Los Tipos Abstractos de Datos, autor: anónimo, URL:

http://webdiis.unizar.es/~elvira/eda/material0304/TADespec/TAD.pdf, 04/05/2019 [15] Scipy.stats.norm, autor: anónimo, URL: https://docs.scipy.org/doc/scipy-

0.16.1/reference/generated/scipy.stats.norm.html, 20/05/2019

[16] Random – Generate pseudo-random numbers, autor: anónimo, URL: https://docs.python.org/3/library/random.html, 12/05/2019

[17] Copy - Shallow and deep copy operations, autor: anónimo, URL: https://docs.python.org/2/library/copy.html, 17/05/2019

[18] Codecs – Codec registry and base classes, autor: anónimo, URL: https://docs.python.org/2/library/codecs.html, 29/05/2019

[19] random.py, URL: https://docs.python.org/3/library/random.html, 01/06/2019 [20] NumPy, autor: Scipy.org, URL: https://www.numpy.org/, 16/04/2019

[21] Python Statistics Tutorial | Mean Function Example, autor: Krunal, URL:

https://appdividend.com/2019/01/28/python-statistics-tutorial-mean-function-example/, 27/05/2019

[22] How to name the ticks in a python matplotlib boxplot, autor: anónimo, URL: https://stats.stackexchange.com/questions/3476/how-to-name-the-ticks-in-a-python- matplotlib-boxplot, 28/05/2019

[23] Pylab_examples example code: boxplot_demo.py, autores: John Hunter, Darren Dale, Eric Firing, Michael Droettboom and the Matplotlib development team; 2012 – 2016, URL: https://matplotlib.org/examples/pylab_examples/boxplot_demo.html , 28/05/2019

[24] Time – Time access and conversions, autor: anónimo, URL: https://docs.python.org/3/library/time.html, 30/04/2019

[25] Operator – Standard operators as functions, autor: anónimo, URL: https://docs.python.org/3/library/operator.html, 30/04/2019

[26] Statistics – Mathematical statistics functions, autor: anónimo, URL: https://docs.python.org/3/library/statistics.html, 02/05/2018

[27] Itertools – Functions creating iterators for efficient looping, autor: anónimo, URL: https://docs.python.org/3/library/itertools.html#itertools.islice, 12/05/2018

[28] Gráficos Boxplot con Python, autor: Italo Farfán Vera, URL:

https://italoffvv.wordpress.com/2013/12/19/graficos-boxplot-con-python/, 28/05/2019 [29] How do I draw a rid onto a plot in Python?, autor: Andrey Sobolev, URL:

https://stackoverflow.com/questions/8209568/how-do-i-draw-a-grid-onto-a-plot-in- python, 28/05/2019

[30] Matplotlib Bar Chart, autor: anónimo, URL: https://pythonspot.com/matplotlib-bar- chart/, 28/05/2019

[31] Grafico torta con mathplotlib + Python, autor: anónimo, URL:

https://codigosimportantes.blogspot.com/2012/10/grafico-torta-con-mathplotlib- python.html, 02/06/2019

[32] Matplotlib percent label position in pie chart, autor: anónimo, URL:

https://stackoverflow.com/questions/21572870/matplotlib-percent-label-position-in- pie-chart, 29/05/2019

[33] How to convert list to string, autor: Senthil Kumaran, URL:

44 [34] Statistical functions (scipy.stats), autor: SciPy.org, URL:

https://docs.scipy.org/doc/scipy/reference/stats.html, 02/05/2019 [35] Math – Mathematical functions, autor: anónimo, URL:

Glosario

NBA Next Best Action (Mejor Acción Posible)

TAD Tipo Abstracto de Dato

Open Source Licencia abierta

Input Datos de entrada

I

Anexos

A Método de Montecarlo

Primero se va a poner un poco de contexto sobre qué es el método de Montecarlo y luego se explicará el funcionamiento de este.

En primer lugar, el método de Montecarlo es un método estadístico que se basa en la probabilidad para obtener aproximaciones de problemas difíciles de computar.

El nombre de método de Montecarlo se acuño en referencia al Casino de Montecarlo (Mónaco), ya que en esta ciudad los juegos de azar tienen mucha importancia. El método de Montecarlo consiste en la repetición de cuatro simples pasos:

Selección

El primer paso de una simulación de Montecarlo es la selección.

Este paso consiste en recorrer el árbol de búsqueda para seleccionar un nodo de todos aquellos nodos descubiertos.

La selección del nodo es dependiente de una heurística que debe asegurar que el árbol expanda sus ramas de manera equitativa, pero dando cierta prioridad a los nodos con mejor puntuación.

Por último, hay que mencionar que, si un nodo es seleccionado, este deberá de aumentar el número de visitas de este, esto ocurrirá también al seleccionar un nodo después de haberlo expandido en la siguiente fase.

Expansión

Después de haber seleccionado un nodo, se pasa a expandirlo.

La expansión consiste en introducir los hijos de un nodo en el conjunto de nodos visitables.

Los nodos hijo del nodo elegido tendrán una puntuación a elegir por el diseñador del algoritmo, veremos en detalle cómo se inician dichos nodos en el apartado 3.3. Una vez expandido el nodo, se selecciona uno de ellos al azar para pasar a la siguiente fase.

Simulación

Ya elegido el nodo hay que realizar la simulación de este.

La simulación no es más que el cálculo de la puntuación del nodo. Para esto iteramos n veces el siguiente algoritmo:

Primero se elige una subrama del nodo de manera aleatoria.

Después se calcula la puntuación de la rama y se suma a un acumulador del nodo que está siendo simulando.

Una vez iterado el algoritmo anterior, se realiza la media de dichas simulaciones para obtener la puntuación de la simulación.

La puntuación del nodo será la media entre todas las puntuaciones de las simulaciones realizadas dividido entre el número de visitas del nodo simulado.

Back-propagation

Una vez realizada la simulación del nodo ya solo queda el último paso, hay que hacer que los padres del nodo se enteren.

Para ello, simplemente hay que propagar la información de los hijos hacia los padres, cuando el padre recibe la puntuación de su hijo, este tiene que actualizar su puntuación haciendo la media entre la puntuación acumulada y el número de visitas del nodo padre