Big data y transformaciión digital

Abstract

Este trabajo de fin de grado aplica técnicas de Machine Learning al sector vinícola con un doble objetivo: por un lado, evaluar hasta qué punto las características fisicoquímicas del vino explican su calidad, y por otro, desarrollar un sistema de recomendación personalizado en función de las preferencias del consumidor. Para ello, se han utilizado dos bases de datos distintas. La primera, centrada en variables como el nivel de alcohol, acidez o sulfatos, permitió construir modelos predictivos de calidad, entre los que destacó el algoritmo Random Forest por su precisión y capacidad explicativa. La segunda base de datos incluía características sensoriales (dulzura, acidez, cuerpo y taninos), a partir de las cuales se diseñó un sistema de recomendación basado en el algoritmo KNN, que ofrece al usuario sugerencias personalizadas según sus gustos. Los resultados muestran que, si bien las propiedades químicas tienen un peso importante en la calidad del vino, no son suficientes para explicarla completamente, debido al papel de factores subjetivos como la marca, la variedad o la percepción individual. Asimismo, el sistema de recomendación propuesto demuestra ser una herramienta útil para guiar a consumidores con escaso conocimiento del vino, especialmente en un contexto de mercado joven que demanda mayor personalización. Este estudio refleja el potencial del Business Analytics y la inteligencia artificial para apoyar tanto a productores como a consumidores en la toma de decisiones informadas dentro de un sector tradicional en plena evolución.

This undergraduate thesis applies Machine Learning techniques to the wine industry with a dual objective: on the one hand, to assess the extent to which the physicochemical characteristics of wine explain its quality, and on the other, to develop a personalized recommendation system based on consumer preferences. To this end, two different datasets were used. The first, focused on variables such as alcohol level, acidity, or sulfates, enabled the construction of predictive models of quality, among which the Random Forest algorithm stood out for its accuracy and explanatory power. The second dataset included sensory characteristics (sweetness, acidity, body, and tannins), from which a recommendation system was designed using the KNN algorithm, offering users personalized suggestions based on their tastes. The results show that while chemical properties play a significant role in wine quality, they are not sufficient to fully explain it, due to the influence of subjective factors such as brand, grape variety, or individual perception. Likewise, the proposed recommendation system proves to be a useful tool for guiding consumers with limited knowledge of wine, particularly in a young market context that demands greater personalization. This study highlights the potential of Business Analytics and artificial intelligence to support both producers and consumers in making informed decisions within a traditional sector undergoing significant transformation.