Los Nuevos Paradigmas de la Educación en la Era de la Transformación Digital y la Industria 4.0

Investigación completa en: https://www.iudigital.edu.co/images/REVISTA/RevistaIDS_09_junio_2020.pdf

https://www.researchgate.net/publication/346984738_Nuevos_Paradigmas_de_la_Educacion_en_la_Era_de_la_Transformacion_Digital_y_la_Industria_40_The_new_paradigms_in_education_in_the_age_of_digital_transformation_and_industry_40

_________________________________________________________________________________

Los Nuevos Paradigmas de la Educación en la Era de la Transformación Digital y la Industria 4.0

Julián Alberto Uribe Gómez

Carlos Osvaldo Velásquez Santos

María Cristina Londoño Atehortúa

Resumen

Las nuevas tecnologías están reinventando muchos sectores de la economía, y el sector de la educación no es ajeno a estos cambios. La industria 4.0 permea estos sectores con nuevas innovaciones que algunos consideran beneficiosas, otros, por el contrario, peligrosas. Sin embargo, existen puntos de encuentro y cambios que serán inevitables en esta nueva era de conocimiento. Objetivo: Presentar un conjunto de métodos, herramientas y procedimientos encontrados en la revisión de la literatura, sobre cómo estas nuevas tecnologías están cambiando y cambiaran definitivamente todos los sectores, especialmente enfocados en el sector de la educación. Se presentan definiciones entorno a los elementos que están moldeando la transformación digital en educación, estos son: Inteligencia artificial, realidad virtual y aumentada y big data. Metodología: Se utiliza la vigilancia tecnológica para la búsqueda de artículos científicos en fuentes primarias y secundarias, así como principalmente bases de datos indexadas. Resultados: Se presentan ejemplos desde las tecnologías 4.0 como apoyo al sector educativo. Conclusiones: Las nuevas tecnologías serán herramientas muy útiles para impartir conocimiento y educación informativa, gracias a sus capacidades técnicas y tecnológicas. A partir de esto, los docentes deben reinventar y adaptar sus métodos y modelos de educación.

Palabras clave: transformación digital; educación; tecnologías de información y comunicación; Industria 4.0. 

Abstract

New technologies are reinventing many sectors of the economy, and the education sector is no stranger to these changes. Industry 4.0 permeates these sectors with new innovations that some consider beneficial, others on the contrary, dangerous. However, there are meeting points and changes that will be inevitable in this new era of knowledge. Objective: to present a set of methods, tools and procedures found in the literature review, on how these new technologies are changing and will definitely change all sectors, especially focused on the education sector. Definitions are presented around the elements that are shaping the digital transformation in education, these are artificial intelligence, virtual and augmented reality and big data. Methodology: Technological surveillance is used to search for scientific articles in primary and secondary sources, as well as mainly indexed databases. Results: Examples from 4.0 technologies are presented to support the educational sector. Conclusions: New technologies will be very useful tools to impart knowledge and informative education, thanks to their technical and technological capabilities. From this, teachers must reinvent and adapt their methods and models of education.

El aprendizaje de máquina y aprendizaje profundo como apoyo a la estrategia empresarial

Obtenido de: https://fondoeditorial.itm.edu.co/gesta.html

_________________________________________________________________________________

EL APRENDIZAJE DE MAQUINA Y APRENDIZAJE PROFUNDO COMO APOYO A LA ESTRATEGIA EMPRESARIAL.

Julián Alberto Uribe Gómez
Docente Facultad De Ciencias Economicas Y Administrativas

El aprendizaje de maquina (ML siglas de Machine Learning) y el aprendizaje profundo (DL siglas de Deep Learning) están actualmente tomando mucha fuerza en todos los campos empresariales, ha trascendido de los circulos académicos a los circulos productivos de modo divergente.

Uno de los ejercicios más recurrentes y comunes para el desarrollo de aplicaciones en ML tiene que ver con su utilización en ventas. Ahora ¿Cómo se utiliza el ML y el DL en procesos de CRM? Primero, se debe crear un conjunto de datos etiquetado de registros de ventas de clientes, que incluya las ventas ascendentes, las cuales son cuando se persuade a un cliente, a comprar más del mismo tipo de producto por ejemplo un telefono celular identico al que inicialmente compro solo que con más memoria. Se pueden incluir las ventas cruzadas, entendidas como persuadir a un cliente para que compre más productos de los que había pensado originalmente, es decir comprar un telefono e intentar que pueda llevar otro por ejemplo a la mitad del precio, tambien se pueden incluir las ventas pospuestas y retiradas de transacciones. Estos datos iniciales deben complementados y correlacionados con otros datos como la edad, el género, la ocupación, la región donde viven y dónde trabajan y otra información relevante para el proceso de negocio.

Ahora, al estudiar cómo el ML puede ayudar a mejorar el crecimiento de las ventas, se puede decir que, este es útil para mejorar:
· La precisión predictiva en ventas y abandono del mercado.
· Las estrategias de propensión de las ventas ascendentes, cruzadas y omnicanal, optimizandolas.
· El tiempo del ciclo de ventas que se logra a través de una correcta implementación del ML.
· Cuando se detecta un error de cálculo, la corrección del algoritmo de ML y el análisis de los datos se rehacen en segundos.
· La puntuación de satisfacción del cliente se mejora.
· Aumenta la precisión del pronóstico de la demanda.
· Se generan datos sintéticos a través de la extrapolación y la proyección de los datos existentes.

El ML requiere de plataformas robustas de analisis y almacenamiento, por lo tanto, los servicios basados en la nube deben hacer parte de la estrategia del negocio. Estos servicios se pueden comprar a pedido en cualquier sitio especializado de manera asequible, tambien las arquitecturas y plataformas de ML se apoyan en estos mismos sistemas. Por lo tanto, poder tener almacenamiento en línea y capacidades de computación basados en la nube, que incluyan Software, Plataforma e Infraestructura como Servicios, realmente pueden ayudar en la estrategia empresarial.

Debido a la cantidad masiva de datos generada en la empresa, se hace necesario contar con un motor de datos que recopile esta información, la almacene y extraiga los principales parámetros clave, junto con la información estadística, y úsarlo junto con un motor de ML y DL para capacitar al sistema, de modo que se pueda encontrar exactamente información relevante y util, para luego predecir y pronosticar, utilizando este conocimiento para configurar una nueva estrategia empresarial.
Para utilizar el ML como estrategia de negocio se debe cumplir una serie de pasos procedimentales listados a continuación:

1. En la primera etapa, conocida como etapa de “preparación”, se debe estudiar la cartera de la empresa y las características, que incluyen la cartera de ventas regional y nacional, la cartera de ventas internacionales, los objetivos comerciales, los productos o servicios y su dominio, y la estrategia relacionada a cada uno. Luego, se debe estudiar las características del cliente. Toda esta información inicial de orientación puede ser analizada a traves de la matriz DOFA construida para la empresa, que incluye las fortalezas, oportunidades, debilidades y amenazas.

2. En la segunda etapa, se procede con el modelo de estrategia empresarial, que debe tener en cuenta:

2.1. Construir un modelo de aprendizaje automático: Donde se deben seleccionar cuidadosamente las variables de interés o parámetros clave X e Y. Tambien recopilar los datos relacionados con estos parámetros y utiliza finalmente el ML para averiguar la relación entre ellos.
2.2. Verificar el modelo de ML y los resultados iniciales: Vuelve a revisar el modelo de aprendizaje automático con expertos en la herramienta y con los dueños del negocio.
2.3. Comparar los resultados del análisis de datos de ML con los datos existentes de la compañía, para volver a confirmar la validez de los resultados del aprendizaje.
2.4. Verificar nuevamente si los datos recopilados relacionados con los parámetros de interés fueron suficientes para el análisis estadístico. Es decir, verificar el nivel de precisión, confiabilidad y estabilidad.
2.5. Verificar los resultados del análisis de datos con otros expertos. Ahora, se debe incluir la verificación con otros expertos, ya que, la inclusión de variables y la complejidad del sistema requiere diferentes puntos de vista y análisis. Si no lo hace de la manera correcta, los datos pueden estar sesgados de manera tal que, los resultados presentaran sesgos. Por lo tanto, siempre se debe verificar el conjunto de datos, los parámetros que se estan utilizando, y también el algoritmo de ML. Posteriormente verifícarlo con otros expertos. Luego cuando salen los resultados, verificar los resultados con datos anteriores.

3. En la tercera etapa se construye la estrategia de negocio. Donde se identifica donde existe el valor en la empresa. Se debe Identificar qué es único y difícil de copiar para otras empresas. Tambien se debe buscar nuevas formas de agregar valor a la empresa. Luego, se debe verificar un nuevo modelo de negocio a medida que se implementa y activa en la empresa. Posterior a eso, así como en el ajedrez, una vez que la empresa haga su nuevo movimiento, otras empresas realizarán movimientos de contraataque, lo que resultará en factores que no se consideraron en el análisis de datos original de ML. Entonces, se deben iterar nuevamente los análisis antes hechos, en otras palabras, se deberan verificar constantemente los cambios del mercado y las empresas competidoras. Finalmente, realizar modificaciones en las variables de interes X y Y o incluir otros parámetros en los conjuntos de datos correspondientes. Es un proceso de iterar el proceso una y otra vez para volver a confirmar si la estrategia es correcta, entrando en un bucle continuo de mejoramiento y buenas prácticas para la empresa en apoyo de las nuevas tecnologías.

Referencias bibliográficas

Ambati, S. (2015). Deep learning: a brief guide for practical problem solvers.
Ayoub, K., & Payne, K. (2015). Strategy in the age of artificial intelligence. Journal of Strategic Studies, 39(5–6), 793–819. https://doi.org/https://doi.org/10.1080/01402390.2015.1088838
Najafabadi, M. M., Villanustre, F., Khoshgoftaar, T. M., Seliya, N., Wald, R., & Muharemagic, E. (2015). Deep learning applications and challenges in big data analytics.
Power, B. (2015). Artificial Intelligence is almost ready for business.
Tkáč, M., & Verner, R. (2016). Artificial neural networks in business: Two decades of research. Applied Soft Computing Journal, 38, 788–804. https://doi.org/10.1016/j.asoc.2015.09.040

Data mining como herramienta de predicción y toma de decisiones en entornos clínicos y hospitalarios

Obtenido de: https://fondoeditorial.itm.edu.co/gesta.html

DATA MINING COMO HERRAMIENTA DE PREDICCIÓN Y TOMA DE DECISIONES EN ENTORNOS CLINICOS Y HOSPITALARIOS

Stefany Paola Tirado De Stefano

Estudiante De Ingeniería Industrial UPB

Leonardo Andrés Palacios Córdoba 

Estudiante De Ingeniería Industrial UPB

Julián Alberto Uribe Gómez

Docente Facultad De Ciencias Económicas Y Administrativas ITM

Colombia a lo largo de los últimos años ha venido presentando un preocupante aumento en el déficit de recursos hospitalarios. Esta crisis pudo haberse generado debido a una ineficiente estructura administrativa en la salud, ocasionando que miles de colombianos no tengan la posibilidad de recibir la atención adecuada producto de una sobrecapacidad del sistema. Según estándares internacionales se recomienda tener 2.6 camas hospitalarias por cada mil habitantes, sin embargo, en Colombia se incumple con el estándar, ya que solo cuenta con 1.7 camas hospitalarias por cada mil habitantes (Vivas, 2018). La saturación del sistema ocasiona usuarios insatisfechos, congestión en las instalaciones, sobrecarga laboral sobre el personal asistencia y pérdidas de vidas humanas. Originado por factores internos y externos al servicio; siendo los factores externos los más difíciles de controlar por la organización, de esta manera los factores internos se convierten en el foco principal de control por parte de los administradores del sistema. Teniendo en cuenta esta problemática, las técnicas analíticas de inteligencia artificial, en especial la minería de datos se convierten en una herramienta útil para proporcionar estrategias favorables en el sector de la salud, debido a que puede contribuir a través de la predicción de los recursos necesarios para atender la demanda de los usuarios. (Restrepo, Jaén, Piedrahita, & Zapata, 2018). 

La administración del servicio es la responsable de gestionar, administrar y controlar los recursos necesarios, garantizando la satisfacción del cliente. Sin embargo, todos los sistemas se enfrentan continuamente a procesos de incertidumbre, por lo que es complejo para la dirección predecir el número de pacientes que solicitaran el servicio. De esta manera, es de vital importancia contar con un adecuado aprovisionamiento de la cadena, que va desde la atención al cliente hasta la disposición de insumos. Para la unidad hospitalaria analizada, el número de camas requeridas es un factor determinante para la dirección, dado que de ello depende la atención del sistema. De modo que, la unidad hospitalaria busca aprovechar los registros previos de su operación para la optimización de su servicio, haciendo uso de las variables que influyen mayormente en el servicio como: porcentaje de ocupación de la cama, veces que se ocupa una cama por pacientes, egresos, tiempo de estancia del paciente y número de camas. 

Para intervenir dicha problemática se utilizó la minería de datos (Data mining) sirviendo así al servicio en la toma de decisiones estrategias, proporcionando información oportuna y confiable para mejorar el servicio. Con base en esto, se busca explorar esta técnica estadística de aprendizaje de máquina sobre la operación de una unidad hospitalaria.

Como antecedentes se puede decir que esta técnica se ha venido implementando para obtener información especializada de los pacientes como la asociación de síntomas, clasificación de patologías; estudios de factores de riesgos y segmentación de pacientes con la finalidad de brindar una atención más inteligente (Aznielles , Wong, & Rosete , 2008). Sin embargo, muy poco sea investigado entorno a la predicción de recursos hospitalarios. Una predicción de dicho valor permitiría a la administración estimar costos, evitar la inactividad del recurso, mejorar la satisfacción del cliente y reconocer picos de demanda. En la actualidad la intuición y la experticia del administrador son la única herramienta para llegar a una estimación, sin embargo, este no es capaz de organizar, recolectar y procesar datos durante mucho tiempo, por lo que no puede proporcionar información precisa sobre eventos futuros. Por consiguiente, la minería de datos a través de un análisis predictivo permitirá conocer un pronóstico más acertado del número de camillas, debido a que fue posible detectar patrones de comportamiento y estimar a través de ellos una respuesta. Con el fin de otorgar orden al análisis se utilizará la metodología CRISP-DM, cuyo objetivo se dividen en 6 fases el procesamiento de los datos de la siguiente manera: 

1. Comprensión del negocio: Intereses del negocio de la unidad hospitalaria, alcances y objetivos.

2. Comprensión de los datos: Tipología de los datos, relaciones, en este caso se encontró que los egresos y el número de camas tienen una fuerte relación. En este caso se cuentan con 5 variables de recolección mensual desde 2008 hasta 2018.

3. Preparación de los datos: Transformación y limpieza. Chequeo de faltantes o repetidos.

4. Modelado: Análisis del comportamiento, se utilizan dos técnicas:

• Regresión lineal (RL): Evalúa la relación entre una variable dependiente con respecto a otras variables independientes (cómo se comporta la variable de interés tras el cambio de las demás).

• K- nearest neighbor: El método de los k vecinos más cercanos consiste en comparar cada nuevo dato con respecto a los vecinos ya creados, según el parecido que tenga con respecto a alguno de ellos, será asignado un número de camas determinado. Para este caso se determinaron 6 vecinos a utilizar. 

En la figura 1, se presenta la estructura visual y el plan trazado de la data mining para el negocio, donde se presentan 3 momentos: Predicción con RL, vecino más cercano y análisis descriptivo.

Figura 1. Procesamiento de los datos. Elaboración: autores.

5. Evaluación: En este paso se evalúan los resultados con respecto a las técnicas utilizadas; se compara el modelo obtenido de predicción con los objetivos de negocio, es decir, se compara el valor real del número de camas para un mes en específico con respecto a la predicción realizada por el modelo. 

Al comparar ambos modelos de predicción (Ver figura 2) podemos identificar que la regresión lineal obtuvo una predicción más cercana al valor real del número de camas requeridas, por lo que se considera es el mejor modelo. Sin embargo, el método de los k vecinos al depender mucho del parecido entre el dato vecino y el nuevo dato deja de tener en cuenta mucha información porque se asigna la clase más probable a sus similares, siendo muy dependiente del ajuste. 

Figura 2. a) Predicción con RL.  b) Predicción con K- nearest neighbor. Elaboración: autores.

Conclusiones

Tras la investigación anterior se puede concluir que la data mining como herramienta para la toma de decisiones en diferentes disciplinas toma cada vez mayor fuerza, llegando a ser de gran utilidad para la administración de cualquier tipo de empresa, negocio o industria, ya que facilita la evaluación de la relación costo-beneficio, ayuda a procesar y analizar grandes volúmenes de datos, además permite detectar relaciones entre los datos recogidos durante la operación y sirve a la toma de decisiones más objetivas en la empresa. A partir del modelamiento anterior se logró comprender cuál de los dos modelos empleados en el estudio describía mejor los datos y cual es de mayor utilidad. Adicional a esto, esta técnica de aprendizaje supervisado se puede complementar con aplicaciones de simulación, para generar escenarios aleatorios de demanda real para pronosticar periodos más extensos de tiempo, apoyando así labores presupuestales o prospectivas. Por lo tanto, la minería de datos o data mining son modelos entrenables y ajustables a las necesidades que conllevan siempre a procesos de recombinación y de mejora continua. 

REFERENCIAS

Aznielles , Y., Wong, D., & Rosete , A. (2008). Minería de Datos aplicada a la Gestión Hospitalaria . CUJAE.

ehCOS. (s.f.). ESALUD BLOG. Obtenido de ¿Qué esperan médicos y personal de enfermería del big data y la analítica predictiva UCI? : https://www.ehcos.com/esperan-medicos-personal-enfermeria-del-big-data-la-analitica-predictiva-las-uci/

Restrepo, J., Jaén, J., Piedrahita, J., & Zapata, P. (2018). Saturación en los servicios de urgencias: Análisis de cuatro hospitales de Medellín y simulación de estrategias. Revista Gerencia y Políticas de Salud.

Vivas, J. (30 de Julio de 2018). Colombia, con apenas 1,7 camas hospitalarias por cada mil habitantes. EL TIEMPO.

La cadena de valor de la innovación: Una herramienta para diagnosticar la cultura de la innovación en las organizaciones

Obtenido de: https://fondoeditorial.itm.edu.co/gesta.html

_______________________________________________________________________________

THE INNOVATION VALUE CHAIN: A TOOL FOR DIAGNOSING THE INNOVATION CULTURE IN ORGANIZATIONS

Julián Alberto Uribe Gómez

The understanding and management action on the distinctive capabilities and competencies of the organization is a dynamic and complex process of double scope: the capitalization and strength of the weak sectors and the advancement and complement of the sectors of recognized strength. The value management is permanent in search of the combined strengthening of these two areas of managerial competence.

The culture of innovation within a company is essential for the sustainability of its competitive advantages.

This innovative culture must be comprehensive and encompass people, processes, products, markets, internal and external relations, applications for the use of services and / or goods that make up the value offer. It is required first of all for its continuity, of understanding by senior management of the changing conditions of the company's environment around its value network, that is: customers, competitors, suppliers and others.

According to this, a question arises: How to order and evaluate the scope of the processes that evaluated the core of innovation in the company?

Hansen and Birkinshaw (2007) through a research developed over 10 years in 5 innovation projects for 30 companies, build a specific methodology Value Chain of Innovation (CVI).

This methodology is a model that consists of three stages and six steps for the management and evaluation of innovation processes in companies, the method consists of the following:

1. Generation of idea: It is a fact that innovation begins with good ideas, the question is, where do they come from? These can be found inside the business units, through the cross-collaboration of business units or external collaboration. .

2. Materialization of the idea: ideas do not prosper without financing mechanisms, therefore, in this regard, the selection and allocation of funds and the development of ideas must be taken into account in order to find a specific result.

3. Dissemination of the idea: Developed through effective information and communication processes to the company.

The simplest way to apply CVI is to apply a questionnaire developed by Hansen and Birkinshaw (2007), which aims to assess the state of the company's innovation capabilities. The questionnaire should be flexible and adaptable to the specific conditions of the company and the sector and should allow the measurement of management indicators to contribute to the operational and economic results.

The objective of the application of the tool is to know precisely the frontier of the culture of innovation in which the company is located, mainly the question to answer would be in which stage of the innovative capacity is the company strategically and operationally? All this takes place in the three moments presented in the proposed template of table 2:

According to the numerical results of each of the totals per phase, the following concepts are presented:

Generation Evaluation:

a) If the score obtained is 6, your company has a culture of innovation for generating ideas.

b) If the score obtained is between 7 and 12, your company is close to the culture of innovation for the generation of ideas.

c) If the score obtained is between 13 and 18, your company is precarious for the culture of innovation for the generation of ideas.

Materialization Evaluation:

a) If the score obtained is 4, your company materializes your ideas.

b) If the score obtained is between 5 and 8, your company tries to materialize your ideas.

c) If the score obtained is between 9 and 12, your company is poor in the materialization of ideas.

Diffusion Evaluation:

a) If the score obtained is 3, your company appropriately disseminates your ideas.

b) If the score obtained is between 4 and 6, your company disseminates its ideas mediocrely.

c) If the score obtained is between 7 and 9, your company is poor in disseminating your ideas.

The integrated result of the evaluation of the generation, materialization and dissemination phases allows characterizing the level of culture of the innovation of the company, on which a strategic and operational framework in the culture of innovation can be defined.

Under the criteria of this tool, a pilot was developed in 2 service companies of the metropolitan area in Medellín, obtaining the following results, presented in table 3, according to the application of the CVI:

For the first company, a greater implementation in innovation culture strategies is recommended, as well as improving their organizational efforts to materialize ideas, the call is to move from thought to action. Finally, this company should pay greater attention to the dissemination of its ideas throughout its organizational structure.

In the case of the second analysis company, there is little contribution of new ideas and collaboration in the business, so it is important to find methods and strategies to foster the culture of ideas and innovation. There is also that, although not so many ideas arise, those that manage to emerge as new must materialize in a more agile way. Finally, it is important to remember that each area of ​​the organization is an active part of the innovation value chain and can contribute ideas, so sharing and disseminating new experiences and projects will be beneficial.

____________________________________________________________________________________

La comprensión y la acción gerenciales sobre las capacidades y competencias distintivas de la organización es un proceso dinámico y complejo de doble alcance: la capitalización y fortalecimiento de los sectores débiles y el avance y complemento de los sectores de fortaleza reconocida. La gestión de valor es permanente en busca del robustecimiento combinado de esas dos zonas de competencia gerencial.

La cultura de la innovación dentro de una empresa, es fundamental para la sostenibilidad de las ventajas competitivas de la misma. Esa cultura innovadora debe ser integral y abarcar personas, procesos, productos, mercados, relacionamientos interno y externo, aplicaciones de uso de los servicios y/o bienes que componen la oferta de valor. Se requiere ante todo para su continuidad, de entendimiento por parte de la alta gerencia de las condiciones cambiantes del entorno de la empresa alrededor de su red de valor, es decir: clientes, competidores, provee-dores y demás.

De acuerdo con esto surge una pregunta: ¿Cómo ordenar y evaluar el alcance de los procesos que constituyen la médula de la innovación en la empresa?

Hansen y Birkinshaw (2007) mediante una investigación desarrollada durante 10 años en 5 proyectos de innovación para 30 empresas, les permitió construir una metodología denomi- nada Cadena de valor de la innovación (CVI).

Esta metodología es un modelo que consta de tres etapas y seis pasos para la gestión y evaluación de los procesos de innovación en empresas, el método consiste en lo siguiente:

1. Generación de idea: Es un hecho que la innovación comienza con buenas ideas, la pregunta es ¿De dónde provienen?, estas se pueden hallar al interior de las unidades de negocio, mediante la colaboración cruzada de unidades de negocio o por colaboración externa.

2. Materialización de la idea: las ideas no prosperan sin mecanismos de financiamiento, por lo tanto, en este aspecto se deben de tener en cuenta la selección y asignación de fondos y desarrollo de ideas para buscar un resultado concreto.

3. Difusión de la idea: Desarrollada mediante procesos de información y comunicación efectiva a la empresa.

La forma más simple de administrar la CVI consiste en aplicar un cuestionario desarrollado por Hansen y Birkinshaw (2007), donde se apunta a evaluar el estado de las capacidades de innovación de la empresa. El cuestionario debe ser flexible y adaptable a las condiciones específicas de la empresa y el sector y debe permitir la medición de indicadores de gestión para contribuir al resultado operativo y económico.

El objetivo de la aplicación de la herramienta es conocer con precisión la frontera de cultura de la innovación en la cual se encuentra ubicada la empresa, principalmente la pregunta a responder sería ¿En cuál estadio de la capacidad innovadora se encuentra estratégicamente y operativamente la empresa?

Ver contenido completo en https://fondoeditorial.itm.edu.co/libros-electronicos/otras-publicaciones/gesta/Boletin-gesta-edicion21.pdf#page=1

Aplicaciones y técnicas de la estadística: Usos en la administración y gestión

Obtenido de: https://fondoeditorial.itm.edu.co/gesta.html

________________________________________________________________________________

APLICACIONES Y TÉCNICAS DE LA ESTADÍSTICA: USOS EN LA ADMINISTRACIÓN Y LA GESTIÓN.

Milton Leandro García Nuñez
Estudiante De Administración Tecnológica

Julián Alberto Uribe Gómez
Docente De La Facultad De Ciencias Económicas Y Administrativas

Indudablemente la empresa y la administración han estado fuertemente ligadas a la estadística, ya que esta ha proporcionado un apoyo sustancial al análisis y la interpretación de resultados, utilizados como punto de partida en la mejora de procedimientos, actividades y procesos en la organización empresarial.
En la siguiente reflexión se pretende definir y destacar los métodos más comúnmente aplicados para el desarrollo y control de procesos empresariales y administrativos, utilizados como punto de partida para la toma de decisiones.
Contextualizando, La estadística es una rama de las matemáticas que se fundamenta en reunir, organizar y analizar datos, permitiendo a los tomadores de decisiones pertenecientes a las organizaciones realizar estimaciones e inferencias sobre las variables, así como proyecciones sobre comportamientos de algún suceso, basadose en condiciones pasadas o bajo incertidumbre. La potencia de la estadística y sus resultados radica en el estudio y selección adecuada de la muestra de la población.
Como complemento, se puede decir que es el recuento, la clasificación y la ordenación de datos, los cuales son requeridos para un estudio sobre un tema en especifico, estos datos se obtiene de observaciones, estudios previos y de otras formas distintas, ademas la estadística tiene la utilidad de hacer comparaciones y sacar conclusiones con respecto a un tema y poder tomar decisiones. Los estudios estadísticos son útiles para investigar un tema deseado, pero tiene unos pasos necesarios sobre los datos: recoger, organizar y representar, analizar y concluir.
A partir de esto, la estadística hace uso de practicas técnicas en los negocios, las cuales son aplicadas para el análisis de datos, la gran mayoría de estas técnicas se hallan definidas para el control y seguimiento. Como aplicación de dichas técnicas de análisis, considérese los datos de facturación obtenidos de una empresa perteneciente al cluster de salud, a la cual se les aplico las herramientas presentadas a continuación, con el fin de visualizar su representación y posible aplicación futura a este proceso.

1. Control estadístico de procesos: La filosofía detrás de este método estadístico se sitúa cuando ocurre algún problema con la calidad del producto o servicio entregado al proceso, donde se investigan las múltiples causas para identificar las dificultades derivadas. Algunas técnicas sugeridas se pueden observar en la figura 1.

Figura 1. Técnicas de análisis en el control estadístico

1.1. Histogramas de frecuencia: Son diagramas representados en barras que muestran las variaciones sobre un conjunto de datos, es decir, como incrementa o decrementa la información que se esta estudiando (ver figura 2).
 
Figura 2. Histograma de frecuencias.

1.2. Gráficas de dispersión: Son una representación gráfica o relación de dos variables dentro de un conjunto de datos, sabiendo que ambas se afectan entre sí o que tan interdependientes. Las variables se representan como puntos en el plano cartesiano para poder decir que clase de correlación poseen, entendiéndose correlación como es la forma de relación entre las variables, esto se puede ver en la figura 3.

Figura 3. Gráfica de dispersión.

1.3. Cartas de control: Gráficos que indican si un proceso esta en presencia de alteraciones que pueden afectar la normalidad de su flujo de datos. El control sirve para conocer los límites normales de la fluctuación del proceso. Esto es puede ver en la grafica 4.

Figura 4. Carta de control sobre la facturación empresarial

2. Diseño experimental: Un experimento es una prueba o serie de pruebas, en las que se hacen cambios deliberados en las variables de entrada de un proceso o sistema, con el objetivo de observar e identificar las razones de los cambios surgidos en la variable salida de respuesta. Así lo que se busca es desarrollar un proceso que sea afectado en forma mínima por fuentes de variabilidad externa. Algunas técnicas de análisis se pueden observar en la figura 5.

Figura 5. Técnicas de análisis en el diseño experimental.

3. Pronósticos y series de tiempo: Toda institución desde una familia, pasando por la empresa hasta llegar al gobierno, deben hacer uso de la planeación para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones necesitan conocer el comportamiento futuro de ciertos fenómenos o variables, con el fin de planificar o prever eventos futuros.
Así pues, para poder realizar esta tarea, surgen técnicas fundamentales de la inferencia estadística que se basan en las ocurrencias pasadas para poder realizar predicciones para el futuro, esta se denomina series de tiempo.
Son muchas las aplicaciones que las series de tiempo como tal, han alcanzado en distintas áreas de la industria; las más conocidas con sus diferentes ejemplos se resumen en la tabla 1.

Tabla 1. Ejemplos de series y de pronósticos

Serie de tiempo Ejemplos
Series económicas Precios de un artículos
Tasas de desempleo
Tasas de inflación
Indice de precios
Series de marketing Demanda
Gastos
Oferta
Series de telecomunicaciones Análisis de señales
Series de transporte Análisis de trafico vehicular


Figura 6. Serie de tiempo para el proceso de facturación

A partir de la visualización generada del procesamiento de datos de un área de facturación, aplicando la técnica adecuada, se pueden presentar políticas y estrategias más objetivas y menos subjetivas para la toma de decisiones, apoyando procesos más complejos en la organización.

Como reflexión final,se puede decir que en nuestros días, la estadística se ha convertido en una herramienta efectiva para describir con exactitud los valores de diferentes tipos de datos llámese: económicos, empresariales, políticos, sociales, psicológicos, biológicos o físicos, sirviendo como apuesta de valor para relacionar y analizar dichos datos.

Para un buen analista y profesional en administración y gestión es indispensable tener un buen uso y manejo de todas las herramientas antes descritas, porque no con solo reunir y tabular los datos es suficiente, ya que el paso definitivo es el de interpretar y tomar decisiones sobre esa información, ya que los resultados son la base de un buen funcionamiento de las herramientas.

_________________________________________________________________________________


APPLICATIONS AND TECHNIQUES OF STATISTICS: USES IN ADMINISTRATION AND MANAGEMENT.

Julián Alberto Uribe Gómez

Undoubtedly, the company and the administration have been strongly linked to statistics, since it has provided substantial support for the analysis and interpretation of results, used as a starting point in the improvement of procedures, activities and processes in the business organization.

The following reflection aims to define and highlight the most commonly applied methods for the development and control of business and administrative processes, used as a starting point for decision making.

Contextualizing, Statistics is a branch of mathematics that is based on collecting, organizing and analyzing data, allowing decision makers belonging to organizations to make estimates and inferences about the variables, as well as projections on behaviors of some event, based on Past conditions or under uncertainty. The power of statistics and their results lies in the study and proper selection of the population sample.

As a complement, it can be said that it is the count, classification and ordering of data, which are required for a study on a specific topic, these data are obtained from observations, previous studies and in other different ways, in addition to statistics It has the utility of making comparisons and drawing conclusions regarding a topic and being able to make decisions. Statistical studies are useful for investigating a desired topic, but it has some necessary steps on the data: collecting, organizing and representing, analyzing and concluding.

From this, statistics make use of technical practices in business, which are applied for data analysis, the vast majority of these techniques are defined for control and monitoring. As an application of these analysis techniques, consider the billing data obtained from a company belonging to the health cluster, to which the tools presented below were applied, in order to visualize their representation and possible future application to this process.

1. Statistical process control: The philosophy behind this statistical method is when there is a problem with the quality of the product or service delivered to the process, where multiple causes are investigated to identify the resulting difficulties. Some suggested techniques can be seen in Figure 1.

1.1. Frequency histograms: They are diagrams represented in bars that show the variations on a set of data, that is, how the information being studied increases or decreases (see figure 2).

1.2. Scatter plots: They are a graphical representation or relationship of two variables within a set of data, knowing that both affect each other or how interdependent. The variables are represented as points in the Cartesian plane to be able to say what kind of correlation they possess, understanding correlation as is the form of relationship between the variables, this can be seen in Figure 3.

1.3. Control charts: Graphs that indicate if a process is in the presence of alterations that can affect the normality of its data flow. The control serves to know the normal limits of the fluctuation of the process. This is can be seen in graph 4.

2. Experimental design: An experiment is a test or series of tests, in which deliberate changes are made in the input variables of a process or system, with the objective of observing and identifying the reasons for the changes arising in the output variable of response. Thus, what is sought is to develop a process that is minimally affected by sources of external variability. Some analysis techniques can be seen in Figure 5.

3. Forecasts and time series: Every institution from a family, through the company to the government, should make use of planning for the future if it is to survive and progress. Today various institutions need to know the future behavior of certain phenomena or variables, in order to plan or anticipate future events.

Thus, in order to perform this task, fundamental techniques of statistical inference arise that are based on past occurrences in order to make predictions for the future, this is called time series.

There are many applications that time series as such have reached in different areas of the industry; the best known with their different examples are summarized in table 1.

From the generated visualization of the data processing of a billing area, applying the appropriate technique, more objective and less subjective policies and strategies can be presented for decision making, supporting more complex processes in the organization.

As a final reflection, it can be said that in our days, statistics have become an effective tool to accurately describe the values ​​of different types of data called: economic, business, political, social, psychological, biological or physical, serving as value bet to relate and analyze such data.

For a good analyst and professional in administration and management it is essential to have a good use and management of all the tools described above, because not only by collecting and tabulating the data is sufficient, since the final step is to interpret and make decisions about that information, since the results are the base of a good operation of the tools.

Dimensionamiento del capital intelectual para el mejoramiento de la gestión administrativa

Obtenido de: https://fondoeditorial.itm.edu.co/gesta.html

______________________________________________________________________________

INTELLECTUAL CAPITAL DIMENSIONING FOR THE IMPROVEMENT OF ADMINISTRATIVE MANAGEMENT

Julián Alberto Uribe Gómez

Manuela Quintero González

Andrés Felipe Tobón Atehortua

Based on the text “The entity: Intellectual and financial capital” (Ramirez, 2010)

Intellectual capital is defined as the set of intangible assets (Flores, 2002) of the company that are based on knowledge, which can be classified in two ways:

Intellectual property, such as patents, licenses, inventions agreements and registrations. These are incorporated into the financial and accounting information systems and account for the most tangible level of this type of company assets. On average they can represent between 15 and 21% of the explicit value of the intangible rights of a company (Ramirez, 2010).

The assets generated by the knowledge of the people in the company and that generate value to the extent that their factors are incorporated into the company's offer, where that value is perceived and paid by the end users of the target market. In this classification you can find process innovation, administrative and operational strategies, the quality of human talent management, organizational capacities and competencies, internal and external relations, among others. These assets make up the additional value that leads to intellectual capital assets in organizations representing between 60 and 70% of the total value of the assets (Ramirez, 2010).

For the quantification of intellectual capital, the accounting relationship (equation 1) is based on the simplistic view of the assumption that the company has no liabilities or reserves or benefits generated, then the financial variables are related, as presented in equation 2:

Assets = Equity + Liabilities (Ec.1)

Liabilities → ∅

ACO + ACF + ANCFI + AI = CTO + CTF + CTP + CI (Ec.2)

ACO = Operating current assets

ACF = Financial current assets

ANCFI = Physical non-current assets

AI = Intellectual or intangible assets

CTO = Operating Working Capital

CTF = Financial working capital

CTP = Working capital owners

CI = Intellectual Capital

Intangible assets can be represented by the following relationship (Ramirez, 2010), presented in equation 3:

AI = PI + ACYR (Ec.3)

PI = Intellectual Property

ACR = Knowledge and Relational Assets

By clearing the intellectual capital of equation 2 and replacing equation 3 in equation 2, intellectual capital is expressed as indicated in equation 4:

CI = (ACO-CTO) + (ACF-CTF) + (ANCFI-CTP) + (PI + ACYR) (Ec.4)

In general terms, the result obtained from the value of intellectual capital is a function of the management carried out on the net operating assets, the net financial assets, the physical net assets and specifically, the value and capacity of the intellectual assets.

From the approach through the analysis of the income statement, the contribution of intellectual capital can be established as presented in table 1:

Through the analysis of the income statement, it can be noted that, the greater the participation of the added value of intellectual capital, the greater the contribution and the value generated by it.

It should be noted that the not operational notation of income from intellectual capital does not detract from the activity generated by the net income of the operation, since most of the time this intellectual capital is the result of the operation itself pointing to new and new goals Global or particular growth strategies of a company.

In a complementary way to the relationships presented, these models for the management of the intellectual capital of a company, is based on the basic management of strategic assets to develop and maintain differentiating competitive advantages, all this must start from a proposed framework ( Ramirez, 2010):

• Identification of the business environment: including external, market, competition, legislation, community and similar factors.

• Clarity of the organizational purpose: the vision, mission and values ​​of action, including social responsibility.

• Alignment of the organizational strategy and operational emphasis with intellectual capital and its components.

• Identification of resources and differentiating capacities of the entity.

• To evaluate the potential and value-generating reality in an institutional capacity or resource, several authors recommend applying the following types of tests (Quezada, 2015):

o Inimitability test: Where it is verified if the capacity or resource is difficult to copy from competitors.

o Durability test: The speed with which the resource is depreciated is tested.

o Proof of appropriateness: It is estimated the subject that captures the value that resources or capabilities create.

o Substitution test: It is inquired if a resource or capacity can be substitutable.

o Proof of superiority: It is verified if the capacity or resource is really superior to that of the competition.

• Definition of the leading team, which should be the driving force behind the intellectual capital management process.

• Definition and update of the tools and models of evaluation, information, feedback and communication of the actual and expected periodic results.

All the aforementioned as tools or methods contribute to feed the basis of organizational management indicators in the administrative and managerial area of ​​the company, which is essential to preserve and improve competitive capabilities. These approaches, although simplistic, are expected to help draw attention and form the basis for building more robust concepts and broader frameworks on issues related to knowledge management, intangible capitals and innovation.

____________________________________________________________________________________

El capital intelectual está definido como el conjunto de activos intangibles (Flo- res, 2002) de la empresa que están basados en el conocimiento, los cuales, se pueden clasificar de dos maneras:

Propiedad intelectual, como patentes, licencias, acuer- do, invenciones y registros. Estos son incorporados en los sistemas de información financiera y contable y dan cuenta del nivel más tangible de este tipo de activos de la empresa. En promedio pueden representar entre el 15 y 21% del valor explícito de los derechos intangibles de una empresa (Ramirez, 2010).

Los activos generados por el conocimiento de las personas en la empresa y que dan valor en la medida en la cual sus factores se incorporan a la oferta de la em- presa, donde ese valor es percibido y pagado por losusuarios finales del mercado objetivo. En esta clasificación se pueden encontrar la innovación de procesos, las estrategias administrativas y operativas, la calidad de la gestión sobre el talento humano, las capacidades y competencias organizacionales, la relaciones internas y externas, entre otras. Estos activos conforman el valor adicional que lleva a que los activos del capital intelectual en las organiza- ciones representen entre el 60 y 70% del valor total de los activos (Ramirez, 2010).

Para la cuantificación del capital intelectual se par- te de la relación contable (ecuación 1) bajo la visión simplista del supuesto que la empresa no tiene pasivos ni reservas ni beneficios generados, entonces se relacionan las variables financieras, tal como se presenta en la ecuación 2:

Activos=Patrimonio+Pasivos (Ec.1) 

Pasivos→∅

ACO+ACF+ANCFI+AI=C- TO+CTF+CTP+CI (Ec.2)

ACO=Activos corrientes operacionales

ACF=Activos corrientes financieros

ANCFI=Activos no corrientes físicos

AI=Activos intelectuales o intangibles

CTO=Capital de trabajo operativo

CTF=Capital de trabajo financiero

CTP=Capital de trabajo propietarios

CI=Capital Intelectual

Los activos intangibles pue- den ser representados mediante la siguiente relación (Ramirez, 2010), presenta- da en la ecuación 3:

AI=PI+ACYR (Ec.3)

PI=Propiedad Intelectual ACR=Activos de Conocimiento y Relacionales

Despejando el capital intelectual de la ecuación 2 y reemplazando la ecuación 3 en la ecuación 2, el capital intelectual queda expresado tal y como se indica en la ecuación 4:

CI=(ACO-CTO)+(ACF-CT- F)+(ANCFI-CTP)+(PI+A- CYR) (Ec.4)

En términos generales, el resultado obtenido del valor del capital intelectual es función de la gestión realizada sobre los activos netos ope- racionales, los activos netos financieros, los activos netos físicos y específicamente, del valor y la capacidad de los activos intelectuales.

Ver más contenido en: https://fondoeditorial.itm.edu.co/libros-electronicos/otras-publicaciones/gesta/Boletin-gesta-edicion21.pdf#page=1

Consideraciones en los negocios en la era del aprendizaje automático

Obtenido de https://fondoeditorial.itm.edu.co/gesta.html

________________________________________________________________________________

CONSIDERACIONES EN LOS NEGOCIOS EN LA ERA DEL APRENDIZAJE AUTOMATICO

Julián Alberto Uribe Gómez

La inteligencia artificial (IA), el aprendizaje profundo (DL) y el aprendizaje de maquina (ML) se consideran actualmente una tendencia en el cambio de paradigma en los negocios, muchos de los cuales están confiando sus decisiones en este conjunto de algoritmos. De acuerdo a 200 encuestas realizadas a empresas estadounidenses, estas consideran invertir hasta 32% de sus presupuestos relacionados con la operación de su negocio, en primer lugar, en analítica de datos y tecnología relacionada con IA.

Por otro lado, en otra encuesta realizada a 510 gerentes y planificadores de negocios en empresas del Reino Unido y en Estados Unidos, el 43% están actualmente utilizando software para administración de datos, 22% ML y 21% IA.

Algunos de los hallazgos más significativos reportados por dichas empresas fueron: un mayor crecimiento y mejora en las ventas, mientras que se reduce la tasa de cancelación de clientes, todo gracias a la inteligencia artificial.

Sin embargo, al momento de implementar algoritmos de IA y ML se recomienda tener en cuenta las siguientes consideraciones:

1. La protección de datos es crítica. La razón es que la precisión de la IA se basa en el conjunto de datos utilizado en el entrenamiento del algoritmo de IA y DL. Además, los datos son tan importantes como el algoritmo en sí. Así que la protección y el uso de los datos es muy importante. La personalización de las características de la empresa, los datos de negocio y el contexto resultan ser también críticos. Son varios los riesgos al hacer un mal uso de la forma en que entrena a la IA general y al sistema de ML, algunos de estos, podría resultar en algunos tipos de discriminación racial y otro tipo de problemas sociales. En otras palabras, el resultado de los datos y del análisis podría estar sesgado en cierta dirección. Y debido a que el ML, el motor de IA, es algo así como una caja negra para muchas personas, es posible que ni siquiera se sepa que existe ese tipo de sesgo programado dentro del sistema.

2. Transferir labores administrativas rutinarias a sistemas de IA. Los servicios de IA y robótica (como chatbots, asistentes virtuales o RPA) están siempre disponibles. Esto es algo que se debe tener en cuenta y aprovechar en la empresa. Por lo tanto, se recomienda entrenar a la IA en el trabajo administrativo rutinario. Ahora, al analizar la carga de trabajo de la administración, se encuentra que la mayor parte del tiempo se destina a coordinación y control administrativo, seguido por la resolución de problemas y colaboración, posterior en estrategia e innovación, y en menor proporción en el desarrollo de personas y compromisos y reuniones con clientes. Ahora, si se pudiera reemplazar alrededor del 30% de esta coordinación y control administrativo con un motor de DL y de ML, se tendría un cambio significativo, en el cual, la solución de problemas y la estructura de colaboración, crecería, siendo el papel más dominante e importante en un gerente de negocio. En segundo lugar, estaría la estrategia e innovación, en tercer lugar, la función de coordinación y control administrativo y finalmente estaría el desarrollo de personas y la participación de los interesados.

Ahora bien ¿no es esto mucho más atractivo para un administrador este cambio en la estructura de sus funciones? Lo antes mencionado es solo un área, donde el ML y el DL pueden agregar valor a la empresa para mejorarla. Y para lograr esto se deben configurar y estandarizar formatos de informes para que los algoritmos de AI escriban informes a partir de los resultados de los datos analizados. Y ¿es esto posible? ¿Hay algún ejemplo de redacción de informes de AI que exista?, actualmente, The Associated Press ha aplicado robots de software AI para ayudar en la redacción de informes. Las ganancias de AP aumentaron debido a un aumento en los informes de aproximadamente 300 historias a 4400 por trimestre. Esto implica que los periodistas de AP pueden enfocarse más en los informes de investigación y como resultado, hubo una mejora general en la calidad y la cantidad. Es como una situación de ganar-ganar utilizando la tecnología de ML.

3. Enfocarse en las habilidades orientadas al juicio que requieren pensamiento creativo sería la parte que se necesita para aumentar sus habilidades. Además de la IA y el ML, la experimentación, el análisis de datos, la interpretación y el desarrollo de estrategias es otro grupo de conjuntos de habilidades que son dignos de desarrollar en los negocios. Además, aprender a confiar en los consejos de análisis de datos de AI sería muy útil para agregar ideas colaborativas e integrales en el mejoramiento de las ya existentes y los resultados del análisis de datos. Por otro lado, el juicio y la toma de decisiones basadas en el conocimiento y la experiencia humana añadida a los resultados del análisis de datos de AI y ML es una labor altamente complementaria.

4. Conviértete en un líder en la enseñanza y el asesoramiento sobre cómo utilizar eficazmente la IA y el ML. Indudablemente AI, ML y DL son tendencias emergentes en la industria y en los negocios que están llegando para quedarse y esto cambiará los perfiles de muchos trabajos actuales. Por lo tanto, prepararse para aceptar lo que va a suceder y utilizarlo como una ventaja en el desarrollo de habilidades de liderazgo. Considerar aprender y enseña a usar AI y ML para la toma de decisiones marcará una pauta en el futuro, al igual que usar la IA en el pensamiento creativo y el diseño innovador. Esto facilitará la forma de desarrollar actividades más eficientes que contribuyen a mejorar la colaboración y el trabajo en equipo, desarrollar nuevos indicadores clave de rendimiento (KPI), impulsando la adopción de una IA más efectiva en la estructura de la empresa.