Ítem
Acceso Abierto

Implementación de un Modelo Analítico para la Medición y Seguimiento de la Productividad En Comercio Exterior: Caso de Estudio en la Empresa A

Mostrar el registro sencillo de la publicación
dc.contributor.advisorCruz, Daniel Leonardo
dc.creatorTorres Quiroga, Harol Mauricio
dc.creatorMedina Hernandez, Juan Carlos
dc.creator.degreeMagíster en Business Analytics
dc.date.accessioned2026-02-02T15:34:59Z
dc.date.available2026-02-02T15:34:59Z
dc.date.created2026-01-26
dc.descriptionEl presente proyecto de grado aborda la optimización de la gestión operativa en el área de Comercio Exterior (COMEX) de una empresa del sector real, identificando la carencia de un sistema objetivo y cuantitativo para medir la productividad de sus colaboradores. El objetivo principal fue desarrollar una solución de Inteligencia de Negocios capaz de calcular un score de productividad individual, fundamentado en la predicción del cumplimiento de los tiempos de entrega (lead time) de las órdenes de compra. Para garantizar el rigor técnico y la alineación con el negocio, se aplicó la metodología estándar CRISP-DM. El estudio procesó un histórico transaccional de 7,661 órdenes de compra, ejecutando fases de limpieza de datos, ingeniería de características y la construcción de una variable objetivo dinámica ajustada por tipo de material. Se implementó y optimizó un modelo de aprendizaje automático supervisado utilizando el algoritmo LightGBM, el cual demostró una capacidad robusta para clasificar las órdenes según su probabilidad de éxito. Los resultados del análisis revelaron que las variables intrínsecas de la orden (cantidad, valor y días de tránsito) tienen un peso predictivo superior a las características individuales del gestor. Asimismo, el análisis cruzado entre antigüedad y rendimiento desafió paradigmas tradicionales, evidenciando que la experiencia no garantiza menores tiempos de ejecución, sino que a menudo correlaciona con la gestión de casos de mayor complejidad. El entregable final es un modelo funcional y un sistema de puntuación que permite a la gerencia transitar de una evaluación subjetiva a una gestión del talento basada en datos, facilitando la identificación de cuellos de botella y la asignación eficiente de recursos.
dc.description.abstractThis project addresses the optimization of operational management within the Foreign Trade (COMEX) department of a real-sector company, identifying the lack of an objective and quantitative system to measure employee productivity. The main objective was to develop a Business Intelligence solution capable of calculating an individual productivity score, based on predicting the compliance of purchase order lead times. To ensure technical rigor and business alignment, the CRISP-DM methodology was applied. The study processed a transactional history of 7,661 purchase orders, executing data cleaning, feature engineering, and the construction of a dynamic target variable adjusted by material type. A supervised machine learning model was implemented and optimized using the LightGBM algorithm, which demonstrated robust capability in classifying orders according to their probability of success. The analysis results revealed that intrinsic order variables (quantity, value, and transit days) hold superior predictive weight compared to the manager's individual characteristics. Furthermore, a cross-analysis between seniority and performance challenged traditional paradigms, evidencing that experience does not guarantee shorter execution times but often correlates with managing higher-complexity cases. The final deliverable is a functional model and a scoring system that allows management to transition from subjective evaluation to data-driven talent management, facilitating the identification of bottlenecks and efficient resource allocation.
dc.format.extent104 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_47415
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47415
dc.language.isospa
dc.publisherUniversidad del Rosario
dc.publisher.departmentEscuela de Administración
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnología
dc.publisher.programMaestría en Business Analytics
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationBarredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115. https://doi.org/10.1016/j.inffus.2019.12.012
dc.source.bibliographicCitationBreiman, L. (2001). Random Forests—Machine Learning | PDF | Machine Learning | Statistics. Scribd. https://www.scribd.com/document/852153132/Random-Forests-Machine-Learning
dc.source.bibliographicCitationChen, Chiang, & Storey. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 36(4), 1165. https://doi.org/10.2307/41703503
dc.source.bibliographicCitationChen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785
dc.source.bibliographicCitationChristopher, M. (2011). Logistics & supply chain management (4. ed). Financial Times Prentice Hall.
dc.source.bibliographicCitationcmadrid. (2021, octubre 7). El Comercio Exterior en la economía es fundamental. Cursos Formación Cámara Madrid. https://cursos-formacion.camaramadrid.es/blog/importancia-del-comercio-exterior-en-la-economia/
dc.source.bibliographicCitationComercio exterior: Fundamentos para el desarrollo económico - Zona Franca. (2023, septiembre 27). https://zonafrancapc.co/comercio-exterior-una-introduccion-al-intercambio-de-bienes-y-servicios-a-nivel-global/
dc.source.bibliographicCitationFawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874. https://doi.org/10.1016/j.patrec.2005.10.010
dc.source.bibliographicCitationGuidotti, R., Monreale, A., Ruggieri, S., Turini, F., Giannotti, F., & Pedreschi, D. (2019). A Survey of Methods for Explaining Black Box Models. ACM Computing Surveys, 51(5), 1-42. https://doi.org/10.1145/3236009
dc.source.bibliographicCitationJauhar, S. K., Harinath, S., Krishnaswamy, V., & Paul, S. K. (2025). Explainable artificial intelligence to improve the resilience of perishable product supply chains by leveraging customer characteristics. Annals of Operations Research, 354(1), 103-142. https://doi.org/10.1007/s10479-024-06348-z
dc.source.bibliographicCitationKaplan, R. S., & Norton, D. P. (1992). The Balanced Scorecard – Measures that Drive Performance.
dc.source.bibliographicCitationKe, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30. https://proceedings.neurips.cc/paper_files/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html
dc.source.bibliographicCitationKosasih, E. E., Papadakis, E., Baryannis, G., & Brintrup, A. (2024). A review of explainable artificial intelligence in supply chain management using neurosymbolic approaches. International Journal of Production Research, 62(4), 1510-1540. https://doi.org/10.1080/00207543.2023.2281663
dc.source.bibliographicCitationLinardatos, P., Papastefanopoulos, V., & Kotsiantis, S. (2021). Explainable AI: A Review of Machine Learning Interpretability Methods. Entropy, 23(1), 18. https://doi.org/10.3390/e23010018
dc.source.bibliographicCitationLundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30. https://proceedings.neurips.cc/paper_files/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html
dc.source.bibliographicCitationPlotnikova, V., Dumas, M., & Milani, F. (2021). Adapting the CRISP-DM Data Mining Process: A Case Study in the Financial Services Domain. En S. Cherfi, A. Perini, & S. Nurcan (Eds.), Research Challenges in Information Science (Vol. 415, pp. 55-71). Springer International Publishing. https://doi.org/10.1007/978-3-030-75018-3_4
dc.source.bibliographicCitationRojas, V. (2023, octubre 31). Exportar desde Colombia: Desafíos y oportunidades en el comercio exterior - Business Mail Digital. https://amchamcolombia.co/business-mail/edicion-190-comercio-exterior-2023/exportar-desde-colombia-desafios-y-oportunidades-en-el-comercio-exterior/
dc.source.bibliographicCitationSaleheen, F., Habib, M., & Hanafi, Z. (2018). Supply Chain Performance Measurement Model: A Literature Review. 7(3).
dc.source.bibliographicCitationSharda, R., Delen, D., & Turban, E. (2018). Business intelligence, analytics, and data science: A managerial perspective (Fourth edition). Pearson.
dc.source.bibliographicCitationTibshirani, R., Hastie, T., & Friedman, J. (2009). Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer.
dc.source.bibliographicCitationZhu, Z. (2024). People Analytics Are the Effective Future Practices of Organizational Behaviour. Pakistan Journal of Life and Social Sciences (PJLSS), 22(2). https://doi.org/10.57239/PJLSS-2024-22.2.001591
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectInteligencia de Negocios
dc.subjectCRISP-DM
dc.subjectComercio Exterior
dc.subjectProductividad
dc.subjectMinería de Datos
dc.subjectLead Time
dc.subject.keywordBusiness Intelligence
dc.subject.keywordCRISP-DM
dc.subject.keywordForeign Trade
dc.subject.keywordLightGBM
dc.subject.keywordProductivity
dc.subject.keywordLead Time
dc.subject.keywordData Mining
dc.titleImplementación de un Modelo Analítico para la Medición y Seguimiento de la Productividad En Comercio Exterior: Caso de Estudio en la Empresa A
dc.title.TranslatedTitleImplementation of an Analytical Model for Measuring and Monitoring Productivity in Foreign Trade: Case Study at Company A
dc.title.alternativeImplementación de un Modelo Analítico para la Medición y Seguimiento de la Productividad En Comercio Exterior
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestría
local.department.reportEscuela de Administración
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Implementación_de_un_Modelo_Analítico_Torres_Quiroga_Harol_Mauricio.pdf
Tamaño:
1.97 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Business Analytics