SciELO - Scientific Electronic Library Online

 
vol.24 número3WIFROWAN: Wrapped Imbalanced Fuzzy-Rough Ordered Weighted Average Nearest Neighbor Classification índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Computación y Sistemas

versión On-line ISSN 2007-9737versión impresa ISSN 1405-5546

Comp. y Sist. vol.24 no.3 Ciudad de México jul./sep. 2020  Epub 09-Jun-2021

https://doi.org/10.13053/cys-24-3-3040 

Articles

Metodología multitareas automatizada para estudiar indicadores organizativos usando ciencia de datos

Automated-Multitasking Methodology to Study Business Indicators using Data Science

Jorge Pérez Rave1  2  * 

Gloria Jaramillo Álvarez3 

Favián González Echavarría4 

11 Grupo de investigación IDINNOV, IDINNOV S.A.S, Medellín, Colombia, investigacion@idinnov.com

22 Universidad Nacional de Colombia, Programa de Formación Doctoral en Ingeniería de Sistemas, Facultad de Minas, Medellín, Colombia

33 Universidad Nacional de Colombia, Departamento de Ciencias de la Computación y de la Decisión, Facultad de Minas, Medellín, Colombia, gpjarami@unal.edu.co

44 Universidad de Antioquia, Departamento de Ingeniería Industrial, Facultad de Ingeniería, Medellín, Colombia, favian.gonzalez@udea.edu.co


Resumen:

El objetivo es proveer una metodología multitareas para estudiar indicadores organizativos de forma automática, usando Ciencia de Datos. Consta de 7 etapas: preparación de datos, análisis univariado, análisis bivariado, patrones de agrupación, reducción de dimensiones, entrenamiento de modelos y validación. Se usa R, RStudio (procesar) y Rmarkdown (visualizar). Se aplica en cuatro casos (dos de manufactura y dos de servicios) y aporta información de utilidad a nivel organizativo y de enseñanza-aprendizaje. La metodología distingue entre indicadores de medios y de respuesta, integra más de 10 métodos de análisis, abarca los tres alcances estadísticos (univariado, bivariado y multivariado) y responde seis preguntas de interés para los analistas.

Palabras clave: Ciencia de datos; indicadores de negocios; programación en R; analítica; análisis de datos; metodología de análisis

Abstract:

The objective is to provide a multitasking methodology to study business indicators automatically using Data Science. This consists of 7 stages: data preparation, univariate analysis, bivariate analysis, grouping patterns, reduction of dimensions, supervised model training and validation. R, R-Studio (processing) and Rmarkdown (visualization) are used. The methodology is applied on four study cases (two from manufacturing sector and two from services) and provide useful information for firms and teaching-learning processes. The methodology distinguishes between media and response indicators, comprises more than 10 analysis methods, includes the three statistical scopes (univariate, bivariate and multivariate) and automatically answers six questions of interest for analysts.

Keywords: Data science; business indicators; R-programming; analytics; data analysis; analysis methodology

1. Introducción

La Ciencia de Datos es un área multidisciplinaria enfocada en el estudio de patrones subyacentes en los datos (no necesariamente masivos, aunque allí viene teniendo mayor auge), combinando métodos estadísticos, matemáticos, computacionales y de los negocios [1-3]. En el ámbito organizativo esta disciplina tiene mucho por aportar, ya que prevalecen premisas como lo que no se mide no se controla y lo que no se controla no se puede mejorar. Según [4-5] el conocimiento generado a partir de la Ciencia de Datos puede apoyar la toma de decisiones en la organización y favorecer su desempeño. De hecho, se argumenta que los estrategas son cada vez más dependientes de información derivada del análisis de datos [6].

A pesar de la importancia de esta disciplina y de su utilidad para las organizaciones, su uso en este contexto es declarado en infancia. Por ejemplo, [4, 6] advierten que son pocas las organizaciones que han incursionado en la Ciencia de Datos y que, además, las pocas que lo han hecho presentan un alcance limitado, por motivos como: ausencia de personal entrenado y poca calidad de las fuentes de información. En experiencias de consultoría de empresas, esto se refleja, por ejemplo, en alcances limitados al mero uso desarticulado de técnicas o paquetes computacionales sin un propósito global, o sin explotación de tareas previas, como la captura y la preparación de datos (limpieza, estructuración, creación de nuevas variables, etc.). Asimismo, el analista tiende a depender de instrucciones manuales cada vez que se enfrenta a un nuevo conjunto de datos, debido al uso de software basado en botones o de instrucciones de código básicas o no generalizables. Esto abre oportunidades para la automatización de las tareas, a través de algoritmos integrales que reduzcan tiempo y recursos, y estimulen la oportunidad en la publicación de información y la toma de decisiones.

Adicionalmente, [7] expresa que los algoritmos creados para automatizar tareas (ej.: análisis – visualización) suelen minar patrones en los datos sin considerar el interés y las necesidades del analista. Al respecto, es común delimitar el estudio de indicadores a uno o dos de los siguientes alcances: descriptivo, comparativo, correlacional, de agrupación, o de predicción.

Sin embargo, desde una perspectiva pragmática, el analista requiere de todos ellos, articulados de forma lógica y automática, donde los resultados de una etapa sean, a su vez, insumos de la siguiente. La razón de esta necesidad es simple, el analista de datos busca ayudar a comprender a los estrategas el estado actual del sistema, los patrones de agrupación, las relaciones entre los procesos, los efectos de las acciones tomadas y los predictores del desempeño. Y, para ello, es fundamental desde la mera descripción univariada hasta la inducción de patrones y estudios de. Dicha postura cobra aún más importancia, en la medida en que algunos indicadores empresariales son redundantes o no representan razonablemente los objetivos a los que se deben [8]. De ahí la necesidad de descubrir y abordar indicadores latentes (inducidos desde conjuntos de indicadores observables), que faciliten enfocarse en objetivos globales y no solo en métricas individuales, las cuales pueden llevar a direcciones contradictorias, malentendidos y esfuerzos ineficaces [9]. Sumado a esto, [5] precisa que las metodologías existentes no suelen detallar las actividades en cada paso, lo cual dificulta la comprensión, el uso y la reproducibilidad por parte del analista.

El objetivo, entonces, es proponer una metodología multitareas automatizada para estudiar indicadores organizativos usando Ciencia de Datos, que abarque los alcances univariado, bivariado y multivariado, y brinde respuestas a seis interrogantes pragmáticos: ¿Cómo preparar la base de datos?, ¿cuál es el status de cada uno de los indicadores?, ¿cuál es el grado de asociación entre pares de indicadores?, ¿qué patrones de agrupación subyacen en los indicadores y cuáles son sus características?, ¿qué estructuras subyacen en los grupos de indicadores y qué nuevas medidas las resumen?

Y ¿qué factores latentes y relación funcional permiten predecir el desempeño del sistema? La principal contribución de este trabajo se resume en que la metodología propuesta contempla los tres alcances estadísticos (univariado, bivariado y multivariado) y articula más de 10 métodos de análisis en una misma sistemática automatizada (estadísticos descriptivos; correlaciones Pearson, Kendall, tablas de contingencia con estadísticos Chi-2, Phi/V-de-Cramer; Análisis Clúster con enlaces simple, promedio y completo; Análisis de Componentes Principales, Regresión Logística, Árboles de Clasificación y estadísticos de la matriz de confusión) para brindar respuestas a seis preguntas de interés para el analista de datos.

Dichos métodos son reconocidos en el campo estadístico y están debidamente documentados en libros de texto, pero al interpretarlos desde la teoría de recursos y capacidades [10] se sabe que el mero uso de estos no garantiza ventajas competitivas.

No obstante, la forma de utilizarlos, relacionarlos, combinarlos, automatizarlos, etc., (procesos de orquestación de los recursos: [11]) representa todo un desafío y puede derivar en nuevas capacidades dinámicas–analíticas que distingan la organización de sus competidores, renueven las operaciones y generen valor [12].

Esta posición es consistente con [13, p.30], al referirse a tecnologías como la minería de datos “En el mercado, existe hasta cierto punto la expectativa de que la minería de datos es una tecnología consistente en pulsar un botón. Sin embargo, esto no es cierto…”, “…depende [su éxito] de la combinación adecuada de buenas herramientas y analistas expertos.

Además, requiere una metodología sólida y una gestión efectiva del proyecto”. El artículo está organizado así: la sección 2 describe la metodología propuesta. La sección 3 resume los resultados y análisis de aplicación en cuatro casos de estudio. La sección 4 plasma las conclusiones y los trabajos futuros.

2. Metodología propuesta

La metodología consta de siete etapas, las cuales se exponen en la Figura 1. Dichas etapas fueron automatizadas por medio de lenguaje R [14] y el entorno RStudio [15]. En la columna central de la Figura 1 se nombran los métodos y los estadísticos usados en cada etapa y, en la columna derecha, los reporte generados de forma automática por medio de Rmarkdown [16].

Fig. 1 Metodología propuesta: etapas, métodos/estadísticos y reportes automáticos 

Para la ejecución de la metodología, basta con que se desplieguen tres momentos, expuestos en la Figura 2. Un breve extracto de diferentes visualizaciones que provee la metodología es presentado en la Figura 3. A continuación, se describe brevemente cada una de las etapas que conforman la metodología.

Fig. 2 Ilustración de los tres momentos requeridos para ejecutar la metodología propuesta, usando Rmarkdown 

Fig. 3 Ilustración de los reportes automáticos en HTML, generados por la ejecución de la metodología, usando Rmarkdown 

2.1. Preparación de datos

El objetivo de esta etapa es facilitar la homogenización y limpieza de datos, y generar nuevos conjuntos de datos, a partir de los indicadores originales. Para lo primero, automáticamente todos los datos tipo “carácter” se unifican en mayúsculas y sin tilde.

Luego, se genera un reporte del estado de la base de datos original, en términos de siete campos: número de observaciones (observ), variables (variab), cantidad de valores faltantes (NAs) en la variable con el máximo número de estos (var.na.max), números mínimo y máximo de niveles de respuesta entre las variables categóricas (var.level.min, var.level.max), cantidad de variables con valores negativos (var.neg), cantidad de valores cero (0) en la variable con el máximo número de estos (var.cero.max) y nombres de las variables que se sugiere revisar, con base en los campos previos (alerta).

Con este reporte el usuario tendrá insumos para revisar su conjunto de datos original, realizar ajustes y continuar visualizando los demás reportes, o bien, ajustar el conjunto de datos y repetir la ejecución de la metodología propuesta.

El diseño del conjunto de datos que se acostumbra para la alimentación y el monitoreo de indicadores organizativos sigue el formato filas (observaciones) y columnas (indicadores). A su vez, de acuerdo con diversos modelos de gestión (Ej: EFQM), una organización debe distinguir entre medios y resultados.

Ello significa que unos pocos indicadores son los que representan los resultados principales en el proceso u organización en general, en tanto que otros corresponden a medios para impactarlos. Los primeros se denominarán indicadores de respuesta y, los segundos, indicadores de medios. Para la ejecución automática de la metodología basta que el analista provea el conjunto de datos y especifique qué indicadores son de respuesta.

Luego, esta misma etapa ejecuta la creación automática de seis bases de datos secundarias, clasificadas según tipologías de indicadores: categóricos, continuos, discretos, dicotómicos, respuesta-continuos y respuesta-dicotómicos. La dicotomización se realiza para indicadores categóricos (politómicos) y cuantitativos (continuos o discretos), tanto de medios como de respuesta. La partición de los indicadores categóricos se realiza con base en la moda (mo), en tanto que, para las demás, adicional a la moda también considera los cuartiles (Q1, Q2 y Q3). Esto significa que una determinada variable cuantitativa “X”, del conjunto de datos original, genera cuatro variables secundarias: X.mo, X.Q1, X.Q2 y X.Q3, dando lugar a una gran cantidad de nuevas variables para estudio.

2.2. Análisis de indicadores individuales (univariado)

El objetivo es posibilitar el reconocimiento individual de cada indicador, tomando en consideración tendencia central, dispersión, localización y forma distribucional. En esa vía, una vez creadas las bases de datos secundarias, también internamente se ejecuta el análisis univariado. Para los indicadores cuantitativos se recurre a nueve estadísticos resumen. Para los indicadores categóricos se automatiza la obtención de frecuencias (absolutas). Para los indicadores dicotomizados previamente, se reportan, entre otros, las frecuencias absolutas y relativas de cada categoría (“1”, “0”).

2.3. Análisis de pares de indicadores (bivariado)

Esta etapa tiene como fin explorar y retratar posibles asociaciones estadísticamente significativas entre pares de indicadores. Internamente, la metodología realiza cuatro análisis. El primero para indicadores continuos (correlaciones Pearson); el segundo para discretos o una mezcla de estos con continuos (correlaciones Kendall), el tercero para indicadores categóricos puros, y el cuatro para los indicadores dicotomizados. En estos dos últimos se usa la prueba de independencia Chi-2 y la V-de Cramer (en dicotómicos equivale al test Phi). Esto ejecuta una gran cantidad de comparaciones, según las dimensiones de los conjuntos de datos. Por lo mismo, el reporte exhibe solo las asociaciones significativas al 0.05 y, además, cuyas medidas de correlación (o asociación), en valor absoluto, supere un umbral determinado |p| (entre 0 y 1). Un resumen de los métodos/estadísticos de esta etapa puede verse en la anterior Figura 1.

2.4. Análisis de grupos de indicadores (multivariado)

Este análisis multivariado automatizado considera inicialmente métodos no supervisados para inducir patrones desde los datos.

Luego, utiliza métodos supervisados, guiados por grupos de indicadores respuesta. A continuación, se describen las sub-etapas de cada uno de ellos.

Patrones de agrupación:

El objetivo es inducir posibles conglomerados a través de Análisis Clúster. Uno para las filas (registros) y otro para las columnas. Para los registros (filas) se ha fijado como parámetro explorar el mínimo número de grupos que pueden distinguir el desempeño del sistema (2 grupos). Esto tiene varias razones: 1) la exclusión de puntos intermedios en las clasificaciones de desempeño facilita discriminación de los registros (filas) en dos extremos (alto y bajo desempeño). 2) Se reduce el consumo computacional y 3) se facilita la interpretación por parte del usuario, en comparación con 3 o más categorías de desempeño.

Esto genera internamente una nueva variable respuesta (dicotómica: 1, 0), alusiva a cada grupo de desempeño. El Análisis Clúster amerita inicialmente el cálculo de la matriz de distancias entre los elementos.

Esta se calcula para los indicadores respuesta en su forma natural (Ej: continuas, que es lo más común) usando la distancia euclidiana. Y también se calcula para dichos indicadores dicotomizados (según sección 2.1, con base en cuartiles), a través del coeficiente de similaridad de Jaccard.

Para los indicadores de medios (columnas) se estudia la conformación de 2 y 3 posibles conglomerados (nuevos indicadores latentes); cada uno de ellos servirá en posteriores etapas para explorar su papel predictor del desempeño. Internamente, la conformación de grupos se ejecuta con base en los enlaces simple (“vecino más cercano”), completo (“vecino más lejano”) y “promedio”, y se elige aquel que arroja la clasificación con mayor diversidad, representado por la menor desviación estándar. Por ejemplo, una clasificación que arroje un grupo de 99 elementos y otro de 1 elemento infiere baja diversidad, pues la mayoría pertenece a una sola categoría (desviación: 69.3). En cambio, una clasificación de 51 (grupo “1”) y 49 elementos (grupo “2”) tiene alta diversidad (desviación: 1.4). Esta etapa arroja dos grupos de indicadores de desempeño y cinco grupos de indicadores de medios. En la Figura 4 se ilustra la conformación de los grupos.

Fig. 4 Inducción de grupos de desempeño y de indicadores de medios 

Reducción de dimensiones:

Se busca generar combinaciones lineales de los grupos de indicadores de medios, arrojados por la etapa anterior, de modo que se cuente con indicadores latentes que los representen. Para ello, de forma automática se ejecuta el Análisis de Componentes Principales (ACP) y los scores de dichas combinaciones se almacenan en nuevas variables (una por componente).

Entrenamiento de modelos supervisados:

Son dos los tipos de modelos, uno paramétrico (regresión logística) y otro no paramétrico (árboles de clasificación). En la Figura 5 se ilustra la generación de estos modelos.

Fig. 5 Inducción de grupos de desempeño y de grupos de indicadores de medios 

En total son 12 los modelos que se obtienen, seis de cada tipología (regresión, árbol). El entrenamiento se realiza con el 70% de las observaciones (filas), seleccionadas de forma aleatoria, y el 30% restante se separa para la validación en la siguiente etapa. Dicho entrenamiento se realiza en cuatro fases. La primera toma como predictores los indicadores de cada grupo por separado (componentes). La segunda combina los mejores predictores de dichos modelos y ejecuta nuevamente el entrenamiento, dando lugar a los modelos resultantes basados en indicadores latentes (componentes), los cuales se denominan para regresiones: mod.g.f y mod.g.f.dico, y para árboles: tree.g.f y tree.g.f.dico. La tercera ejecuta la modelación solo con indicadores observables como predictores, dando lugar a mod.indicad, mod.indicad.dico, tree.indicad, tree.indicad.dico. En la cuarta fase se entrenan nuevos modelos usando los predictores de los modelos previos (latentes y observables), llevando a: mod.g.f.ultra y mod.g.f.ultra.dico, y tree.g.f.ultra y tree.g.f.ultra.dico.

Validación de modelos supervisados:

El objetivo de esta etapa es explorar la capacidad predictiva de los modelos entrenados, a través de la ejecución automática de cada uno de ellos en la muestra no-entrenamiento, que corresponde al 30% del total de registros. El desempeño se estima por medio de tres métricas de la matriz de confusión: Tasa de Aciertos (TA), Tasa de Aciertos Positivos (TAP) y Tasa de Aciertos Negativos (TAN).

3. Resultados

El despliegue de la metodología se esboza para cuatro casos. Vale anotar que el analista solo debe ingresar el conjunto de datos y especificar los indicadores de respuesta; todo lo demás se genera de forma automática y se obtienen reportes en HTML por medio de Rmarkdown (previas Figuras 2-3).

3.1. Caso 1: satisfacción e imagen del programa

Esta base de datos se deriva de una encuesta a estudiantes acerca de la satisfacción e imagen con aspectos de una institución de educación superior.

3.1.1. Preparación de datos

En la Tabla 1 se presenta los reportes automáticos de preparación de datos. En la parte izquierda para la base de datos original y en la parte derecha para las bases de datos secundarias.

Tabla 1 Salidas automáticas del proceso de preparación de datos del caso 1 

Métricas Datos originales Datos secundarios
observ 120 Variables Cant
variab 15 Categóricas 4
var.na.max 27 Continuas 1
var.level.min 2 Discretas 7
var.level.max 3 Dicotómicas 28
var.neg 0 Respuesta-continuas 3
var.cero.max 0 Respuesta-dicotómicas 9
alerta prom.acum

Dicho conjunto consta de 120 registros (filas) y 15 (indicadores). Cada registro hace referencia a las respuestas dadas por cada estudiante, ante la consulta sobre diversos aspectos de la institución de educación superior. Estos aspectos corresponden a las columnas, que pueden dividirse en indicadores de medios y de resultados (respuesta). Los de medios comprenden: satisfacción con docente, métodos de enseñanza y pensum; e indicadores de segmentación de quien responde (edad, género, etc.). Los de respuesta corresponden a la imagen del departamento, la escuela y la institución en general. Estos últimos, amparados en que ante una imagen favorable de la institución es más probable desencadenar intenciones conductuales positivas (Ej: recomendación, etc.).

La escala de los indicadores de satisfacción e imagen fue de 1 (peor percepción) a 5 (mejor percepción). Este proceso de preparación también permitió informar sobre la calidad de los datos originales. Por ejemplo, se alertó sobre el indicador “promedio acumulado” del estudiante, pues fue el que más valores faltantes presentó (var.na.max: 27). En el resto no se encontraron razones de alerta.

A partir de los 15 indicadores originales se crearon nuevas métricas dicotomizadas. Se pasó a 37 indicadores (28 de medios y 9 de respuesta, ambos dicotomizados), lo que equivale a un aumento del 146%. La división del dominio de valores se hizo con base en la moda (para categóricos) y los cuartiles.

3.1.2. Análisis univariado

En la tabla 2 se resume cada indicador del caso 1, según tipología (cuantitativos, categóricos, dicotómicos), fruto de las salidas automáticas que arroja el despliegue de la metodología.

Tabla 2 Salidas automáticas de la descripción univariada para el caso 1 

Indicadores de respuesta (continuos o discretos)
Nombres Min Max Me DE Median Q1 Q3 Curtos Asimet n
imag.depto 1 5 4.42 0.9 5 4 5 2.73 -1.72 120
imag.escuela 1 5 4.66 0.8 5 5 5 6.79 -2.57 118
imag.univer 1 5 4.76 0.7 5 5 5 16.11 -3.77 120
Indicadores de medios (continuos o discretos)
Nombres Min Max Me DE Median Q1 Q3 Curtos Asimet n
prom.acum 3 4.7 3.82 0.3 3.83 4 4 -0.23 0 93
edad 16 33 21 3.1 20.5 19 23 1.48 1.09 120
estrati 1 6 2.76 0.9 3 2 3 0.82 0.36 116
n.semes 1 10 4.21 2.5 4 2 6 -0.62 0.44 117
n.cursos.sem 2 9 5.28 1.4 5 4 6 -0.56 0.02 113
sat.metod 1 5 4.17 1 4 4 5 1.49 -1.34 120
sat.docen 1 5 4.26 1.1 5 4 5 2.29 -1.7 120
sat.pensum 1 5 4.17 1.2 5 4 5 -0.01 -1.15 120
Indicadores categóricos
género semes.categ cursos.categ trabaja
f: 64 adaptados: 69 hasta 4: 33 no: 75
m: 55 avanzados: 14 mas de 4: 80 si: 42
NA's: 1 nuevos: 34 NA's: 7 NA's: 3
NA's: 3
Indicadores de medios – Dicotomizados (Extracto)
Nombres Min Max Frec.1 Prop.1 Frec.0 Prop.0 n
1. cursos.categ.mo 0 1 80 0.71 33 0.29 113
2. edad.Q1 0 1 81 0.68 39 0.32 120
3. edad.Q2 0 1 60 0.5 60 0.5 120
28. sat.pensum.Q3 0 0 0 0 120 1 120

El análisis univariado posibilitó obtener una mirada descriptiva de cada indicador, considerando tendencia central, dispersión, localización y forma distribucional. Esto es importante en el medio organizativo, ya que periódicamente el analista debe exhibir ante los decisores el estado actual de los procesos, a partir de los indicadores que los representen. Este reporte ayuda a detectar posibles datos extraños y saber si se está dentro o fuera de las metas establecidas. Ilustrando los indicadores de respuesta (imagen institucional) de este caso, se tiende a una percepción favorable entre los estudiantes, con medias, medianas y cuartiles de mínimo 4 puntos de calificación (Tabla 2). En cuanto a los indicadores categóricos, prevalece: género “femenino” (53%), estudiantes “adaptados” a la institución en cuanto al tiempo de permanencia (57.5%), inscritos en más de 4 cursos en el semestre (66.7%), y que no están laborando (62.5%).

3.1.3. Análisis bivariado

En la Tabla 3 se resumen las salidas automáticas para el análisis de asociación entre pares de indicadores.

Tabla 3 Salidas automáticas de medidas de asociación de pares de indicadores cuantitativos y categóricos del caso 1 (bajo significancia de 0.05 y |p|≥0.3) 

Correlaciones Pearson (Continuas)
Pares de indicadores Correl
imag.depto vs imag.escuela 0.608
imag.escuela vs imag.univer 0.546
imag.depto vs imag.univer 0.374
Cor. Kendall (Discretas, cont) (Extracto)
Pares de indicadores Correl
imag.depto vs imag.escuela 0.579
sat.metod vs sat.docen 0.547
imag.escuela vs imag.univer 0.482
edad vs n.semes 0.443
sat.metod vs imag.depto 0.324
Cor. V-Cramer/Phi (dicotómicas, politóm) (Extracto)
Pares de indicadores Coef.Cram Chi2
edad..n.semes.Q1Q2 0.527 31.15
sat.metod..sat.pensum.Q1Q1 0.453 22.83
sat.metod..sat.docen.Q1Q1 0.448 22.27
sat.docen..imag.depto.Q1Q1 0.41 18.51
edad..trabaja.Q1mo 0.362 14.15

La descripción bivariada permite explorar posibles asociaciones entre pares de indicadores. El sistema reporta solo aquellas estadísticamente significativas (α: 0.05) y con medidas de asociación (en valor absoluto) superiores a 0.3 (p; este parámetro puede modificarse). Desde el punto de vista práctico, resulta útil comprender cómo se relacionan los indicadores. Nótese la asociación significativa entre los indicadores de respuesta (imagen, Tabla 3), con correlaciones Pearson desde 0.374 hasta 0.608, todas significativas, lo cual da una idea de lo consistente que puede ser este constructo subyacente. En esa misma tabla, sección de Cor. Kendall, se observan otros pares con correlaciones significativas, entre ellas: indicadores de satisfacción e imagen (0.324), lo cual es consistente con el fenómeno y lo que dicta la teoría (a mas satisfacción, mejor imagen) [17-18]. También se incluye V-Cramer/Phi para categóricos (incluyendo dicotómicos), con el fin de cubrir toda la región de combinaciones.

3.1.4. Análisis multivariado

Patrones de agrupación:

La tabla 4 presenta los reportes del Análisis Clúster para grupos de desempeño (ejecutado sobre registros: filas) y para grupos de indicadores de medios (columnas).

Tabla 4 Salidas automáticas para los patrones de agrupación bajo Análisis Clúster 

Descripción de grupos de indicadores respuesta continuos
g.desemp Cant imag.depto imag.escuela imag.univer Significado
0 77 4.56 4.73 4.83 Sin distinción
1 2 1.5 5 5
Descripción de grupos de indicadores respuesta dicotomizados
g.desemp.dico Cant imag.depto imag.escuela imag.univer Significado
0 48 5 4.96 4.92 Mejor desempeño
1 31 3.68 4.39 4.71 Peor desempeño
Conformación de grupos de indicadores de medios
Cant. Grupos 1 2 3
2 (g2) 14 14 NA
3 (g3) 5 13 10

Pasando a los patrones de agrupación, la Tabla 4 ofrece resultados para la conformación de posibles grupos de desempeño (Análisis Clúster por filas), tomando como insumos tanto indicadores continuos (g.desemp) como dicotomizados (g.desemp.dico). Para el escenario de g.desemp, la agrupación no arrojó una diversidad razonable, pues la mayoría de filas (respuestas de los estudiantes) se ubicó en el grupo “1” (77 de 79 registros completos: 97.4%). Contrario sucede en los clúster de indicadores ya dicotomizados (g.desemp.dico), en los que la partición binaria es más diversa.

El grupo de etiqueta “0” reúne 48 registros (60.7%), en tanto que el de etiqueta “1” presenta 31 registros (39.3%). Además, al explorar las medias de los grupos, sobresalen dos patrones de estudiantes. Los del grupo “0” tienden a calificar más alto la imagen en los tres indicadores de respuesta (depto: 5, escuela: 4.96 y universidad: 4.92), en comparación con los del grupo “1” (depto: 3.68, escuela: 4.39 y universidad: 4.71). Esto resulta útil para inducir patrones de desempeño y explorar sus predictores.

Adicionalmente, el Análisis Clúster es ejecutado para conformar posibles grupos de indicadores de medios (columnas), probando con 2 y 3 conglomerados. Los grupos obtenidos (Tabla 4) para el presente caso de estudio, se muestran diversos; fijando 2 grupos: 14 indicadores en cada grupo; y fijando 3 grupos: 5, 13 y 10 indicadores.

Respecto a la reducción de dimensiones, en la Tabla 5 se presenta las componentes del grupo g3.1, las cuales ocupan menor extensión y son suficientes para ilustrar el reporte de la metodología.

Tabla 5 Salidas automáticas de estructuras de indicadores latentes bajo ACP 

Variables Comp.1 Comp.2 Comp.5
edad.Q1 -0.55 -0.38 -0.23
estrati.Q1 -0.16 0.55
edad.Q2 -0.50 -0.48 0.16
n.semes.Q2 -0.46 0.43 -0.6
n.semes.Q3 -0.44 0.37 0.75

La reducción de dimensiones bajo ACP permite generar indicadores latentes, los cuales consisten en combinaciones lineales de los indicadores observables en cada grupo de medios. Por ejemplo, al considerar las componentes del grupo g3.1 (3 conglomerados, primer grupo de medios, que está compuesto por 5 indicadores observables; Tablas 4-5), este incorpora edad.Q1, estrati.Q1, edad.Q2 y n.semes.Q3. Los signos de estos indicadores en la primera componente principal son todos los mismos (negativos; Tabla 5). En la medida en que los scores de este indicador latente tomen valores más negativos (más bajos), tiende hacia un estudiante más avanzado en edad, en semestres cursados y en condiciones económicas; contrario a cuando este indicador latente toma valores más positivos. El uso de componentes principales, además de reducir dimensiones para efectos del entrenamiento de modelos supervisados (siguiente etapa), es útil para la práctica organizacional, con el fin de tener una mejor comprensión de complejidades e información presente en conjuntos de indicadores. Esto le facilita al analista proponer nuevas métricas de resultados globales para equipos de trabajo, áreas o procesos.

Entrenamiento de modelos supervisados:

La metodología automatizada arroja 12 alternativas de modelización (6 de regresión logística y 6 de árbol), fruto de varios análisis internos que fueron ilustrados por medio de la Figura 5. A modo de interpretación, la Tabla 6 ofrece los modelos de regresión para g.esemp.dico, en función de las componentes de los grupos de indicadores de medios. El primer modelo es obtenido usando las componentes principales de los indicadores del grupo g2.1 (véase Figura 4 para recordar la conformación de grupos). Luego de ejecutar rutinas internas con base en regresión por pasos (Backward) y los criterios AIC y el valor-p, se obtuvo la componente principal 1 como único predictor significativo (en el grupo g2.2, además de esta, también fue significativa la componente 13). La interpretación del coeficiente de los scores de la componente 1 (-0.89) es: a medida que los scores aumentan (se hacen más positivos) tiende a ser mayor la probabilidad de calificar en el grupo “0” (mejor desempeño). Esta componente comprende indicadores de edad, número de semestres, estrato (con signos negativos) y promedio académico en el semestre (signo positivo).

Tabla 6 Salidas automáticas de regresiones de g.desemp.dico usando grupos de indicadores de medios 

g2.1 g2.2 g3.1 g3.2 g3.3
(Interc) −0.70 −0.81* −0.72* −0.74* −0.64*
(0.31) (0.33) (0.31) (0.34) (0.28)
Comp.1 −0.89* −0.95* 1.49***
(0.36) (0.39) (0.44)
Comp.13 −315.6*
(124.2)
Aldrich-N. R2 0.10 0.14 0.10 0.22
Likelih.Ratio 6.09 8.93 6.37 15.36
p-val 0.01 0.003 0.012 0
Log-likelih. −32.4 −31.0 −32.3 −27.8 −35.5
Deviance 64.8 62.0 64.5 55.5 70.9
AIC 64.8 66.0 68.5 59.5 72.9
N 55 55 55 55 55

*p-val<0.05; **p-val<0.01; ***p-val<0.001; (Err.Est)

En otras palabras, aquellos estudiantes más jóvenes (en edad y semestres cursados) y de condiciones económicas menores, pero con mejores promedios académicos, tienden a ubicarse en el grupo “0” (perciben más favorable la imagen de la institución).

En cambio, los estudiantes más avanzados en edad y semestres cursados y con menores promedios académicos tienden a calificar menor la imagen del servicio (en comparación con los primeros).

Todo esto ofrece información fundamental, subyacente, que puede alimentar la toma de decisiones estratégica y táctica. Así, el usuario puede ir a los reportes de entrenamiento de modelos y de patrones de agrupación que arroja el sistema y proceder con la interpretación y obtención de nueva información de interés.

Otro elemento de utilidad en la sección de entrenamiento de modelos es los árboles de clasificación, los cuales son más simples de interpretar que los resultados de regresión. Por ejemplo, en la Figura 6, árbol de la izquierda, se está modelando g.desemp.dico, en función de solamente indicadores observables.

Fig. 6 Salidas automáticas. Caso 1. Árboles para g.desemp.dico. A la izquierda solo con indicadores observables (tree.indicad) y, a la derecha, el resultante combina observables y latentes (tree.g.f.ultra.dico

De todos los indicadores observables dicotomizados, solo dos resultaron ser predictores importantes: la satisfacción con el docente (dividida con base en cuartil 1) y la edad (también binaria usando cuartil 1).

La interpretación es la siguiente: aquellos estudiantes que están satisfechos con el docente tienden a ubicarse en el grupo “0” (mejor desempeño), así como los que tienen menores puntuaciones en la satisfacción con el docente (inferiores a Q1), pero que a su vez son de edades menores (inferior a Q1).

Pero si estos presentan edades mayores, tienden a ubicarse en el grupo “1” (puntuaciones menores en imagen).

— Validación de modelos supervisados en muestras no-entrenamiento:

La validación de los modelos supervisados se realizó con el 30% de los registros no-entrenamiento. La Tabla 7 ofrece los resultados comparativos entre los modelos. Esta tabla refleja dos modelos como los más prometedores: mod.g.f.dico (regresión) y tree.indicad.dico (árbol). Este último presenta mejores tasas de acierto en comparación con el primero, excepto para la TAP.

Tabla 7 Salidas automáticas de validación de modelos para el caso 1 

modelos TA TAN TAP
1. mod.g.f
2. mod.indicad
3. mod.g.f.ultra
4. mod.g.f.dico 0.58 0.5 0.67
5. mod.indicad.dico 0.54 0.5 0.58
6. mod.g.f.ultra.dico 0.54 0.5 0.58
10. tree.g.f.dico 0.58 0.75 0.42
11. tree.indicad.dico 0.63 0.75 0.5
12. tree.g.f.ultra.dico 0.58 0.75 0.42

TA: Tasa de aciertos; TAN: Tasa de Aciertos Negativos; Tasa de Aciertos Positivos

A modo de ejemplo se tomará el modelo basado en árboles de clasificación, dada la parsimonia que presenta y las mayores tasas de acierto en TA y TAN. Dicho árbol fue expuesto en la Figura 6, lado izquierdo, y consta solo de sat.docen.Q1 y edad.Q1. Para nutrir la discusión, se ha realizado un análisis de segmentación usando un gráfico de interacción, el cual se plasma en la Figura 7.

Fig. 7 Gráfico de interacción entre los niveles de edad y satisfacción con docente, caso 1, con respecto a imagen del departamento 

Nótese, en la Figura 7, que los estudiantes que reflejan más satisfacción con respecto al docente, tienden a percibir la imagen de la universidad y la escuela relativamente similar (muy favorable); en cambio, cuando reflejan menor satisfacción docente, estas difieren según si el estudiante es joven o de más edad. Nótese que las menores puntuaciones medias en imagen de universidad y escuela fueron generadas por estudiantes de mayor edad y con menor puntuación en satisfacción docente.

Esto es consistente con lo arrojado por el árbol de clasificación y el modelo de regresión (este último también incluyó: promedio académico y estrato). Con relación a la imagen de la universidad (Figura 7, gráfico derecho), el patrón es similar (bajo test analítico de contraste de medias no hay diferencias significativas en el nivel “0”). Todos estos hallazgos, que son un ejemplo de lo que posibilita ser realizado con la información de los reportes automáticos, evidencia utilidad de la metodología propuesta.

3.2. Caso 2: calidad y eficiencia manufacturera

Este conjunto de datos consta de 711 registros de producción diaria de una empresa manufactura y 9 variables. Los indicadores de respuesta objeto de estudio son: número de defectos (pdef.1000ud) y tiempo de ciclo en horas (tciclo.100ud); ambos por cada 1000 unidades. Los siete indicadores de medios, son: peso del producto (en mg); día de la semana en que se produce (dia.sem: L – D); evento de si se produce al cierre de semana o no (cierre.sem; “si”: viernes a domingo); tamaño de lote en miles de unidades (tam.lote.1000ud) y operación que se realiza (operaci1, …, operaci3; cada una de tipo binario, mutuamente excluyentes; cuando estas toman valor cero, se hace referencia a la operación 4).

En la Figura 8 se aportan extractos del reporte de descripción univariada, obtenido de forma automática. Nótese que, a partir de las nueve variables originales, se han creado 17 variables dicotomizadas de medios y seis de respuesta, fruto de la preparación de datos. A modo de ilustración, véase que, respecto a indicadores categóricos, los reportes de producción son relativamente estables en la muestra para los días en semana (L – V), oscilando entre 110 y 148 registros; para el día sábado (S) la cantidad de registros es menor (64).

Fig. 8 Salidas automáticas de reporte html bajo Rmarkdown para descripción univariada del caso 2 

Con relación a indicadores de respuesta, enfatizando, por ejemplo, sobre la cantidad de defectos por cada mil unidades elaboradas (pdef.1000ud), en el 50% de los casos la calidad es totalmente favorable (Q2=0) y en el 25% de los casos ocurren 2.19 defectos por cada mil unidades (Q3). Si bien a primera vista este último valor se muestra bajo, dista considerablemente del referente pragmático de 3.4 partes defectuosas por millón producidas, que promulga el nivel Seis Sigma; por lo que existen amplias necesidades de mejora para aspirar a una calidad de clase mundial.

Respecto a los indicadores de medios-continuos, vale ilustrar el tamaño de lote, el cual fluctúa entre 0.1 unidades de mil (100ud) y 510 mil, con un coeficiente de variación de 138% (100 x DE/Me). En alusión a indicadores de medios – discretos (en este caso todos binarios), el 16.5% de los registros de producción se debe a la operación 1, el 53.7% a las operaciones 2 o 3, y el restante 29.8% a la operación 4 (ocurre cuando las operaciones 1-3 toman valor cero).

Como se describió en el caso 1, el analista podrá encontrar en el reporte información útil sobre el análisis bivariado. Por efectos de extensión se pasa directamente a las salidas multivariadas. La Figura 9 muestra pantallazos de resultados sobre el proceso de patrones de agrupación.

Fig. 9 Salidas automáticas de reporte html bajo Rmarkdown para descripción multivariada – patrones de agrupación, caso 2 

En la Figura 9 se muestra que, la formación de los dos grupos de desempeño (análisis clúster) empleando las variables de respuesta originales (continuas), previamente estandarizadas, llevó configurar el grupo “0” con 656 registros de producción y el grupo “1” con 55 registros (g.desemp). No obstante, la ejecución para las variables respuesta ya dicotomizadas, proporcionó una configuración más balanceada que la anterior (g.desemp.dico), con 298 registros en el grupo “0” y 413 en el grupo “1”. La cuestión ahora es ¿cuál de los grupos (“0” o “1”) infiere mejor desempeño que el otro?

Al observar las medias de los indicadores de respuesta originales (continuos) según grupos, en la Figura 9 se reflejan dos situaciones en conflicto, dado que, dentro de cada grupo, un menor tiempo de ciclo (tciclo.1000ud) está acompañado por una mayor tasa de defectos (pdef.1000ud) y viceversa.

En otras palabras, estas métricas se muestran antagónicas dentro de cada grupo, lo cual ocurre en situaciones donde los esfuerzos por eficiencia desmedida conducen al detrimento de la calidad. Entonces, este comportamiento contrario, visto tanto para las agrupaciones basadas en g.desemp como en g.desemp.dico, en lugar de retratar alto o bajo desempeño puede interpretarse como el perfil de producción que se adopte; en uno de ellos prima la eficiencia (grupo “0”; g.desemp.dico) y en el otro la calidad (grupo “1”). Sin embargo, la eficiencia a la que se hace alusión es una eficiencia miope, ya que, en este caso, la velocidad de producción (menor tciclo.1000ud) está en asocio con más defectos. Dicho de otro modo, la estimación de un tciclo.1000ud efectivo resulta mayor al monitoreado en la organización, al requerirse horas adicionales para producir unidades conformes.

Al enfatizar sobre patrones de agrupación de los 17 indicadores de medios-dicotomizados, en la Figura 9 también se detalla la conformación de indicadores para dos y tres conglomerados. Por ejemplo, el reporte para dos grupos (grupos.ind2, parte inferior derecha de la Figura 9), arrojó nueve indicadores en el grupo 1 y ocho en el grupo 2.

El analista puede profundizar en las diferentes salidas arrojadas por el despliegue de la metodología, con el fin de facilitar los procesos de exploración de conocimiento. Por ejemplo, considerar resultados de la reducción de dimensiones y de entrenamiento de modelos de regresión/árbol (tareas desplegadas en la sección 2.4 y para las que se mostró aplicación en el primer caso de estudio).

Considérese ahora, en la Figura 10, los resultados de la validación de los modelos supervisados (regresión y árbol) en la muestra no-entrenamiento (30% de los registros).

Fig. 10 Salidas automáticas de validación de modelos para el caso 2 

Véase, en la Figura 10, diferentes alterativas de desempeño de los modelos en prueba. Respecto a regresión logística, los resultados son prometedores y similares desde una mirada general, con leves diferencias en la matriz de confusión. Por ejemplo, al considerar la tasa de acierto global (TA), el mejor resultado lo obtuvo la regresión logística basada netamente en indicadores (sin componentes principales) (mod.indicad; TA: 86.4%), el cual resultó ser el mismo mod.g.f.ultra.

En referencia a modelos basados en árboles, no hubo diferencias en la tasa de aciertos global (TA: 78.5% de los casos); sin embargo, sobresale el modelo tri.g.f.dico (coincidente con tri.g.f.ultra.dico), al presentar valores más estables en las demás métricas (TAN: 70.8% y TAP: 84.0%).

El analista-usuario de la metodología puede profundizar en cada uno de los modelos obtenidos, todos con tasas razonables de acierto, con miras a proceder con tareas de interpretación, discusión y exploración de conocimiento. En esta oportunidad, por cuestiones de parsimonia de los modelos, se discutirá sobre el modelo tri.g.f.dico, cuyo árbol se presenta en la Figura 11.

Fig. 11 Salidas automáticas para el entrenamiento de árbol de clasificación para g.desemp.dico (tree.g.f.dico). Caso 2 

El árbol presentado en la Figura 11 consta de dos predictores. El principal es el score de la segunda componente (Comp.2) del grupo 1 de indicadores de medios-dicotomizados, cuando se fijaron dos grupos en el Análisis Clúster (véase la composición del grupo en Figura 9, parte inferior derecha). El predictor segundario es el score de la primera componente principal (Comp.1) del grupo g3.3. Se destaca que con la primera partición (score de Comp.2.g.2.1>= 0.069), el 56% de la muestra de entrenamiento fue clasificado en la categoría “1” (enfoque hacia la calidad). Allí, el 82% de las observaciones coincide con esta categoría. Respecto al 44% restante, la segunda partición (score de Comp.1.g.3.3<0.82) culmina la segmentación. Para profundizar en el contenido de los scores mencionados, tome en cuenta la Figura 12.

Fig. 12 Extractos de salidas automáticas de reducción de dimensiones 

La componente 2 (Comp.2), señalada en la parte superior de la Figura 12, muestra los indicadores de medios que la conforman (operaciones 1 y 3). En vista de que estas variables son originalmente dicotómicas (0,1) la partición con base en los cuartiles 1 y 2 coincide.

En otras palabras, lo que induce el score de Comp.2 es la presencia de la operación 1 o 3, vs la de las operaciones 2 o 4, lo que puede asociarse con la intensidad de la operación responsable. Este indicador latente (Comp.2) tenderá a aumentar, en la medida en que la producción de unidades pase por las operaciones 1 o 3, y tenderá a disminuir en caso contrario (2 o 4).

Respecto a Comp.1.g.3.3, sus scores están en función del peso-dicotomizado del producto, considerando los cuartiles 1 y 2 (20mg y 50mg, respectivamente; véase estadísticos descriptivos en Figura 8). En la medida en que el peso vaya superando dichos cuartiles de segmentación, el score de Comp.1.g.3.3 aumentará, por lo que este puede entenderse como una métrica latente de la masa del producto. Para una mejor comprensión los scores de interés y de su relación con los enfoques de producción (“0”: eficiencia, “1”: calidad), analícese la Figura 13.

Fig. 13 Regiones delimitadas por la segmentación de los scores de las componentes predictoras, caso 2 

La Figura 13 refleja lo razonable de la clasificación dada por el árbol en la muestra de entrenamiento. Se destaca que cuando el score de la componente 2 (intensidad de la operación responsable) supera 0.069, incluso de manera visual se logra distinguir los enfoques de producción hacia la calidad (región izquierda, Figura 13) y hacia la eficiencia (región derecha). Además, en la región derecha, que en su mayoría reúne registros donde ha primado la eficiencia, el modelo ejecuta una segunda división, según la intensidad de la masa del producto (indicador latente: scores Comp.1.g.3.3<0.82).

Mediante esta subdivisión, se logra distinguir una situación en la que ocurren unos pocos casos (siete) donde prima la calidad en vez de la eficiencia (cuadrante inferior derecho, Figura 13). Estas regiones motivan a analizar el comportamiento de los indicadores de respuesta originales (continuos), según cada partición, lo cual se plasma en la Figura 14.

Fig. 14 Valores medios de indicadores de respuesta originales (estandarizados), según regiones delimitadas por el árbol entrenado 

En cuando a la primera partición (score.g2.1.comp.2>=0.069; gráfico izquierdo, Figura 14), sobresale el antagonismo que se ha venido interpretando para los enfoques de producción, al encontrarse valores estandarizados (media cero, varianza uno) contrarios para los indicadores de respuesta continuos (cuando pdef.1000ud es positivo, tciclo.1000ud es negativo, y viceversa).

Adicionalmente, al detallar en el score de comp.2.g2.1 (intensidad de la operación responsable), cuando este no satisface la condición inducida por el árbol, se nota un enfoque de primacía de calidad (pdef.1000ud_estand.<0) en vez de eficiencia (tciclo.1000ud_estand.>0); en cambio, cuando sí se satisface la condición, se invierte el enfoque que prima (pdef.1000ud_estand. > 0; tciclo.1000ud_estand. < 0). Lo mismo puede verse en la componente 1 del grupo g.3.3 (gráfico derecho, Figura 14).

Véase, ahora, en la Figura 15, los valores medios de los indicadores de respuesta originales (continuos; previa estandarización bajo media cero y varianza 1), pero esta vez según el tipo de operación.

Fig. 15 Valores medios de los indicadores de respuesta originales (estandarizados), según tipo de operación responsable 

La Figura 15 es consistente con lo que se ha inducido sobre los enfoques de producción, pues en ella sobresale también los objetivos en conflicto entre disminuir defectos (énfasis en calidad) o disminuir tiempos de ciclo de forma desmedida (eficiencia – “ciega”). Cabe destacar que ante el escenario de producción bajo las operaciones 1 o 3, tiende a primar el enfoque hacia la eficiencia, en vez de hacia la calidad.

En cambio, en las operaciones 2 o 4 el fenómeno es contrario. Estos hallazgos son solamente unos de tantas posibilidades de interpretación, comprensión del proceso y exploración de conocimiento, a partir de los reportes automáticos que se derivan del despliegue de la metodología propuesta. Sin embargo, reflejan varias oportunidades de mejora del proceso en cuestión, que van desde la necesidad de balancear los tiempos de operaciones; identificar las causas de que a las operaciones 1 o 3 se les atribuya alta tasa de defectos, así como de que las operaciones 2 o 4 presenten altos tiempos de procesamiento; cuantificar el impacto de los dos enfoques de producción inducidos; unificar el tipo de enfoque que debe primar en la organización; profundizar en las implicaciones del peso del producto; entre muchas otras cuestiones que motiva el reporte completo.

3.3. Caso 3: satisfacción con la capacitación

Se trata de indicadores de una encuesta a estudiantes universitarios, que busca evaluar el grado de satisfacción con una capacitación impartida. La base de datos consta de trece indicadores, seis de los cuales son perceptuales, medidos entre 1 (puntuación más desfavorable) y 5 (puntuación más favorable). Los indicadores de respuesta (perceptuales) son: aplicabilidad de los conceptos empleados (aplicab), aporte de los contenidos a la vida personal (aporte) y evaluación global de la sesión (ev.glob). Los indicadores de medios son: número de semestres cursados por el estudiante (n.semes); nivel categorizado (niv.cat; “inicial”: 1 a 6 semestres, “final”: 7 a 10 semestres); edad (en años); estrato (socioeconómico); género; evento de si está laborando o no (labora); años de experiencia laboral (t.exp.lab); puntuaciones promedio de facilitador (facilit); de desarrollo de la sesión (dllo) y de logística de la sesión (logi).

En la Figura 16 se aportan algunos de los descriptivos univariados para los indicadores descritos. Por criterios de extensión, se pasa directamente a los resultados de validación de los modelos, expuestos en la Figura 17.

Fig. 16 Extractos del reporte HTML bajo Rmarkdown para la descripción univariada, caso 

Fig. 17 Salidas automáticas de validación de modelos para el caso 3 

En la Figura 17 se observa que el modelo más prometedor (mod.g.f.dico, 70% tasa de acierto global: TA; 57.1% TAN y 84.2% TAP) no pertenece a la familia de árboles sino a la de regresión logística. De hecho, el modelo que se construye con los predictores significativos en modelos previos (mod.g.f.ultra.dico) no encontró una mejor alternativa, por lo que se limitó a reproducirlo.

Al observar la conformación de grupos de desempeño, la agrupación con base en las variables respuestas dicotomizadas (g.desemp.dico) condujo a grupos prácticamente balanceados (grupo “0”: 64 obs.; grupo “1”: 69 obs.). A su vez, en la Figura 18, parte superior, puede verse que el grupo “1” de observaciones induce un mejor desempeño que el grupo “0”, dado que en el primero se presentan puntuaciones medias más elevadas.

Fig. 18 Grupos de desempeño y modelo de clasificación elegidos 

Al enfatizar en el modelo de clasificación que busca predecir dichos grupos de desempeño, sobresalen cuatro scores regresores. Por ejemplo, Comp.1.g.2.2 es uno de ellos, y denota el score de la primera componente principal, obtenida para el segundo grupo de indicadores de medios (previo análisis de componentes principales; véase aspectos metodológicos en sección 2.4, reducción de dimensiones). La Figura 19 facilita profundizar en el contenido de los predictores de interés.

Fig. 19 Contenido de las componentes principales predictoras de g.desemp.dico 

La Figura 19 muestra los indicadores que definen cada predictor significativo en el modelo de clasificación.

Los scores de las componentes 1 (de g.2.2) y 7 (de g.2.2 y g.3.2) inducen tipos de escenarios de capacitación; mientras que los scores de la componente 2 (g.3.1), pueden interpretarse como perfiles de estudiantes.

Por ejemplo, en la medida en que el score de Comp.1.g.2.2 aumente, denota la presencia de una capacitación favorable en calidad del facilitador (facilit.conti), desarrollo de la sesión (dllo), de las tareas logísticas al respecto (logi) y que está dirigida a estudiantes de semestres iniciales (1 a 6) (niv.cat.mo; moda es “inicial”). Cuando tal indicador latente (score) se hace menor, tiende a representar lo contrario. Con relación a Comp.7.g.2.2 (parte superior, Figura 19), se encuentra otro tipo de escenario de capacitación, cuyo aumento en el score puede asociarse con un docente percibido favorablemente por el estudiante, en cuanto a conocimientos, dominio, entusiasmo,…, pero el despliegue de los contenidos (dllo) tiende a ser desfavorable, por falencias en orden de los temas, participación, logro de los objetivos,…, así como en la logística implicada (logi).

Para este escenario aplican frases como: “se nota que el profesor sabe mucho, pero no se le entiende”, o “buen profesor, pero en este entorno difícilmente se aprende”. Por otro lado, en la medida en que el score de esta componente (Comp.7.g.2.2) disminuya, induce un escenario de capacitación con desarrollo de contenidos y logística favorables, pero con un docente que refleja inseguridad, poco entusiasmo, dominio, etc. Un resumen gráfico-pragmático de las interpretaciones expresas, se plasma en la Figura 20.

Fig. 20 Representación gráfica-pragmática de los scores de las componentes predictoras en asocio con g.desemp.dico. Imágenes obtenidas por medio “imágenes en línea” de Microsoft Office – Word (2016) ®, Bing ®, etiquetadas creative commons 

Respecto a los scores de Comp.7.g.2.2, mientras más positivos sean, se induce un tipo de estudiante hombre (genero.mo; moda: género masculino), de más edad y avance en la carrera (n.semes), que no labora (signo negativo; moda: “si”) o que tiene poca experiencia laboral (signo negativo; t.ex.lab). Mientras más bajo se torne tal indicador latente (scores), representará lo contrario. Pasando a los scores de Comp.7.g.3.2, emerge otro tipo de escenario de capacitación, que contempla aspectos del estudiante (estrato y n.semes), del facilitador (facilit) y de la logística del evento (logi).

3.4. Caso 4: desempeño operativo

Este conjunto de datos consta de 951 registros de producción diaria de una empresa manufactura. Los indicadores de respuesta son: proporción de generación de defectos (p.defec), de no generación de valor (p.anv) y eficiencia (productos/unidad de tiempo).

Para este caso 4 se discute únicamente los reportes de los modelos finales, pues en casos previos se ha ejemplificado los demás procesos. En esa vía, los 21 indicadores originales de medios, luego son transformados automáticamente, dando lugar a 53 indicadores dicotomizados (ver, en el anexo 1, un extracto de los reportes automáticos sobre este caso 4).

Yendo a los reportes finales de la metodología para este caso 4, la Tabla 8 ofrece los resultados comparativos entre los modelos. En ella sobresalen dos modelos como los más prometedores: mod.g.f.ultra.dico (regresión) y tree.indicad.dico (árbol), con resultados idénticos en la matriz de confusión (TA: 72.4%, TAN: 71.6% y TAP: 73.3%).

Tabla 8 Salidas automáticas de validación de modelos para el caso 4 

Modelos TA TAN TAP
1. mod.g.f 0.69 0.68 0.75
2. mod.indicad 0.64 0.62 0.90
3. mod.g.f.ultra 0.69 0.68 0.75
4. mod.g.f.dico 0.66 0.62 0.71
5. mod.indicad.dico 0.68 0.63 0.74
6. mod.g.f.ultra.dico 0.72 0.72 0.73
10. tree.g.f.dico 0.68 0.66 0.71
11. tree.indicad.dico 0.72 0.72 0.73
12. tree.g.f.ultra.dico 0.67 0.63 0.72

TA: Tasa de aciertos; TAN: Tasa de Aciertos Negativos; Tasa de Aciertos Positivos

Considerando el principio de la parsimonia, se elegirá el modelo basado en árbol, que consta solo del indicador de 5S (dicotomizado con base en cuartil 2). Las 5S son una filosofía y herramienta de mejora empleada con frecuencia en entornos de producción, para sembrar el hábito de mantener el lugar de trabajo con lo necesario, ordenado, limpio, estandarizado y seguro, bajo principios de mejora continua. Mucho se habla de las bondades de las 5S, las cuales son relativamente simples de instaurar, pero complejas de conservar en el tiempo. Una de las estrategias es mediante la auditoría de 5S, que en este caso se puntúa en proporción de cumplimiento.

Fig. 21 Algunos resultados del uso de la metodología en el caso 4 

En la empresa en estudio, por ejemplo, el porcentaje de 5S fue de 79% (media), con una mediana de 65% (Q2). En esta oportunidad, los resultados arrojados por la metodología destacan el valor de las 5S como predictor potencial del desempeño. Para profundizar en la relación entre grado de complimiento de las 5S (dicotomizada según Q2) y los indicadores de respuesta: p.anv (proporción de tiempo en que no se agrega valor), p.defec (porcentaje de defectos) y eficiencia (productos/hora), véase la Tabla 9.

Tabla 9 Contraste de medias para niveles del predictor del desempeño.dico (derivado de árbol), caso 4, respecto a indicadores de respuesta 

p.5S.contiQ2 0. Bajo
desempeño
1. Alto
desempeño
Medias:
p.anv 0.15 0.13
p.defec 0.21 0.14
eficiencia 14.75 20.83
Manova:
Pillai 0.12071
Pr(>F) < 2.20E-16***

Cuando el porcentaje de cumplimiento de las 5S fue mayor al cuartil 2 (grupo “1”), también se encontró un mejor desempeño del sistema: p.def y p.anv fueron menores en comparación a cuando tal cumplimiento fue menor de Q2 (grupo “0”). Asimismo, la eficiencia cambió de 14.75 u/h a 20.8 u/h al pasar de bajo (grupo “0”) a alto (grupo “1”) cumplimiento de 5S. Al explorar la veracidad de tales diferencias usando métodos adicionales, como Manova, se halló razones estadísticamente significativas (valor-p casi nulo; Tabla 9). De nuevo, estos hallazgos son una muestra de la utilidad de la metodología.

3.5. Duración del despliegue de la metodología

En la Tabla 10 se presenta la duración media de ejecutar, en cada caso, tres veces la metodología propuesta, usando un computador portátil Intel® Core™ i5-5200 CPU de 2.20Ghz y 8GB.

Tabla 10 Descripción del consumo computacional 

Casos Obs Variab
origin
Variab
secund
Durac.
(min)
1. Satisfac. e imagen 120 15 52 0.34
2. Eficiencia y calidad 711 9 32 0.38
3. Satisfac. capacitación 166 13 46 0.34
4. Desemp. operativo 951 24 86 2.53

De la Tabla 10 vale mencionar las siguientes estimaciones para la región específica de ensayo: la duración por observación osciló entre 0.03 segundos y 0.17 segundos (Durac/Obs); por variable original estuvo entre 1.36 seg y 6.33 seg (Durac/Variab_origin); y por variable secundaria entre 0.39 seg y 1.77 seg (Durac/Variab_secund). En resumen, en segundos o en pocos minutos, el analista de datos puede obtener automáticamente un reporte en HTML de uso articulado de más de 10 métodos de análisis, con alcances univariado, bivariado y multivariado. Esto favorece la diminución de costos y de tiempo operativo, lo cual representa mayor posibilidad de dedicación a tareas intelectuales de interpretación, discusión y transferencia de hallazgos, así como de toma de decisiones. Igualmente, profesionales sin dominio en la ejecución de los métodos empleados, pero sí en la interpretación del reporte automático generado, también pueden encontrar utilidad en la metodología propuesta.

4. Conclusiones

Se aportó una metodología que de forma automática ayuda a preparar, procesar, analizar y visualizar indicadores organizativos usando Ciencia de Datos. Su principal valor es la sistemática multitareas automática que abarca los tres alcances estadísticos (univariado, bivariado y multivariado), articula más de 10 métodos de análisis, brinda respuestas a seis preguntas de interés para el analista y usa software libre. Es decir, contribuye con procesos de orquestación de recursos (analíticos), lo cual es un desafío pragmático, en la medida en que el uso de métodos (recursos) per se no asegura ventajas competitivas [11-12].

El procedimiento metodológico se automatizó en R (a través de R-Studio), con reportes HTML por medio de RMarkdow. Se probó en cuatro casos, dos de servicios y dos de manufactura, obteniendo resultados útiles para una mejor comprensión de la situación actual del sistema, de sus patrones y de la predicción de posibles grupos de desempeño.

La concepción de desempeño no es restringida en esta metodología, sino que da flexibilidad al analista para que indique lo que ha de considerar como variables respuesta y, a partir de ellas, se configuran los grupos de desempeño. En otras palabras, se toma en cuenta necesidades específicas del analista, lo cual ayuda a superar oportunidades descritas en [7].

Otro elemento que vale nombrar es el tiempo computacional, el cual es reducido en comparación con lo que representaría ejecutar manualmente todas las tareas de la metodología. En pocos minutos o segundos, el analista puede obtener de forma automática un reporte de la ejecución articulada de más de 10 métodos de análisis, cuyos resultados en los casos de prueba, consumieron cerca de 20 páginas por caso.

Con este artículo se espera contribuir a una mayor motivación de las organizaciones para prepararse y aprovechar las potencialidades de la Ciencia de Datos, en la búsqueda incesante del mejoramiento de procesos. Asimismo, estimular el trabajo conjunto empresa – academia para propiciar nuevas soluciones de Ciencia de Datos, guiadas por el dominio de problemas reales en la empresa.

Este estudio también motiva preguntas emergentes para trabajos en pregrado y posgrado: P.1 ¿Cómo favorecer la calidad de los de datos, antes de ingresarlos al sistema? Futuros estudios podrían apoyarse en [6], quienes proponen un método inspirado en TQM y control estadístico de procesos. P.2 ¿Qué efectos se produce al adicionar más de dos niveles de desempeño? Para ello, merecería incluirse también la regresión logística multinomial. P.3 ¿Cómo se desempeña la metodología en otros casos (sectores, mayores tamaños de muestra, etc.)? P.4 ¿Cómo puede la metodología apalancar los procesos de enseñanza-aprendizaje basados en Ciencia de Datos? Es decir, se gira la mirada hacia el proceso formativo de futuros analistas, encargados del tratamiento de indicadores en las organizaciones. P.5 ¿Cuál es el impacto, en calidad de la información para la toma de decisiones, eficiencia, satisfacción y costos, del uso de la metodología por parte de organizaciones, en comparación con sus tareas convencionales de análisis de datos?

Referencias

1.  1. Pop, F., et al. (2014). High performance numerical computing for high energy physics: a new challenge for big data science. Advances in High Energy Physics, pp. 1–13. [ Links ]

2.  2. Davis, J., & Burgoon, L. (2015). Can data science inform environmental justice and community risk screening for type 2 diabetes? Plos one, Vol 10, No. 4, pp. 1–14. DOI:10.1371/journal.pone.0121855. [ Links ]

3.  3. Ames, D., Quinn, N., & Rizzoli, A. (2014). Predicting impact of natural calamities in era of big data and data science. international environmental modelling and software society (iEMSs). 7th Intl. Congress on Env. Modelling and Software.Links ]

4.  4. Schoenherr, T., & Speier-Pero, C. (2015). Data science, predictive analytics, and big data in supply chain management: current state and future potential. Journal of Business Logistics, Vol. 36, No. 1, pp. 120–132. DOI:10.1111/jbl.12082. [ Links ]

5.  5. Pacheco, F., Rangel, C., Aguilar, J., Cerrada, M., & Altamiranda, J. (2014). Methodological framework for data processing based on the Data Science paradigm. In Computing Conference (CLEI), XL Latin American, pp. 1–12. DOI: 10.1109/CLEI.2014.6965184. [ Links ]

6.  6. Hazen, B., Boone, C., Ezell, J., & Jones-Farmer, L. (2014). Data quality for data science, predictive analytics, and big data in supply chain management: An introduction to the problem and suggestions for research and applications. International Journal of Production Economics, Vol. 154, pp. 72–80. DOI:10.1016/j.ijpe.2014.04.018. [ Links ]

7.  7. Leung, C., & Jiang, F. (2014). A data science solution for mining interesting patterns from uncertain big data. Big data and cloud computing (BdCloud), IEEE Fourth International Conference, pp. 235–242. DOI: 10.1109/BDCloud.2014.136. [ Links ]

8.  8. Wu, X., Zhu, X., Wu, G., & Ding, W. (2014). Data mining with big data. Knowledge and Data Engineering, IEEE Transactions on Knowledge and Data Engineering, Vol. 26, No. 1, pp. 97–107. DOI: 10.1109/TKDE.2013.109. [ Links ]

9.  9. Peral, J., Maté, A., & Marco, M. (2017). Application of Data Mining techniques to identify relevant Key Performance Indicators. Computer Standards & Interfaces, Vol. 50, pp. 55–64. DOI:10.1016/j.csi.2016.09.009 [ Links ]

10.  10. Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, Vol. 17, pp. 99–120. DOI: 10.1177/014920639 101700108. [ Links ]

11.  11. Teece, D., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, Vol. 18, No. 7 pp. 509–533. [ Links ]

12.  12. Popovič, A., Hackney, R., Tassabehji, R., & Castelli, M. (2016). The impact of big data analytics on firms’ high value business performance. Information Systems Frontiers, Vol. 20, pp. 1–14. DOI: 10.1007/s10796-016-9720-4. [ Links ]

13.  13. Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining, pp. 29–39. DOI:10.1.1.198.5133. [ Links ]

14.  14. R Project. (2008). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Austria. https://www.R-project.orgLinks ]

15.  15. R Studio Team (2015). RStudio: Integrated Development for R. RStudio. https://www.rstudio.com/. [ Links ]

16.  16. Allaire, J., Cheng, J., Xie, Y., McPherson, J., Chang, W., Allen, J., Wickham, H., Atkins, A., Hyndman, R., & Arslan, R. (2017). rmarkdown: Dynamic Documents for R. R package version 1.6. https://CRAN.R-project.org/package=rmarkdownLinks ]

17.  17. Hu, H., Kandampully, & J., Juwaheer D. (2009). Relationships and impacts of service quality, perceived value, customer satisfaction, and image: An empirical study. Service industries Journal, Vol. 29, No. 2, pp. 111–125. DOI:10.1080/02642060802292932. [ Links ]

18.  18. Chen, C. (2008). Investigating structural relationships between service quality, perceived value, satisfaction, and behavioral intentions for air passengers: evidence from Taiwan. Transportation Research Part A: Policy and Practice, Vol. 42, No. 4, pp. 709–717. DOI:10.1016/j.tra.2008.01.007. [ Links ]

Recibido: 30 de Septiembre de 2018; Aprobado: 16 de Enero de 2020

* Autor para correspondencia: Jorge Pérez Rave, e-mail: investigacion@idinnov.com

Creative Commons License This is an open-access article distributed under the terms of the Creative Commons Attribution License