xmlui/handle/123456789/415 2026-09-23T07:12:56Z xmlui/handle/123456789/730 Impacto de la analítica en el deporte Sandoval Elizondo, Warner El presente estudio analiza el impacto de la analítica deportiva en los procesos de toma de decisiones estratégicas dentro de organizaciones deportivas. La investigación se desarrolló mediante un enfoque cualitativo, con diseño documental basado en revisión sistemática de literatura científica publicada entre 2021 y 2025. Los resultados evidencian que la analítica deportiva mejora el rendimiento, optimiza la prevención de lesiones y fortalece la toma de decisiones tácticas mediante el uso de métricas objetivas y tecnologías avanzadas. Asimismo, se identifican limitaciones relacionadas con el acceso a herramientas analíticas y la disponibilidad de recursos tecnológicos. Se concluye que la analítica deportiva constituye un factor clave para la competitividad organizacional, cuyo impacto depende del nivel de adopción tecnológica y de las capacidades analíticas de las organizaciones. 2026-03-01T00:00:00Z xmlui/handle/123456789/729 Esquema de integración y análisis de datos basado en metodologías ágiles para el fortalecimiento de la gestión en una empresa de insumos industriales SumIndustrial S.A. Céspedes Torres, Juan Pablo La fragmentación de los datos y la baja madurez analítica limitan la toma de decisiones en las distribuidoras de insumos industriales, que acumulan grandes volúmenes transaccionales sin capacidad de explotarlos estratégicamente. Este estudio tuvo como objetivo diseñar y validar un esquema de integración y análisis de datos para una distribuidora B2B de insumos industriales con cinco sedes en Costa Rica. Se adoptó un enfoque cuantitativo de alcance descriptivo-analítico, bajo un diseño no experimental de corte transversal estructurado como estudio de caso. El procedimiento articuló un diagnóstico de la gestión de datos en cuatro dimensiones, el diseño de una arquitectura por capas con un modelo dimensional en esquema estrella (tres tablas de hechos y seis dimensiones compartidas) y la implementación de cinco análisis sobre datos sintéticos: exploración OLAP, clasificación ABC/XYZ de inventario, segmentación de clientes con K-means, embudo de conversión de cotizaciones y pronóstico de demanda con ARIMA. El almacén integró 32.383 líneas de orden, 72.048 de cotización y 450.000 registros de inventario. La segmentación distinguió dos arquetipos de cliente (silueta = 0,34); el embudo reveló una conversión de cotización a orden del 45 %; la clasificación ABC concentró el 80 % de las ventas en 1.335 SKU; y el modelo ARIMA(0,1,2) generó pronósticos mensuales con un MAPE del 13,8 %. Un asistente conversacional, además, tradujo preguntas en lenguaje natural a consultas ejecutadas sobre el almacén, con respuestas verificadas contra los datos. Se concluye que la separación entre los entornos transaccional y analítico, junto con el modelado dimensional, constituye una condición habilitante para una analítica accionable, y que la accesibilidad de la interfaz determina el valor real de la solución tanto como su sofisticación técnica. 2026-07-01T00:00:00Z xmlui/handle/123456789/728 Desarrollo de una solución en la nube basada en arquitectura Big Data y redes neuronales para la clasificación de tumores cerebrales en imágenes de resonancia magnética (MRI) Garita Matamoros, Harold Haydn La detección y clasificación de tumores cerebrales en imágenes de resonancia magnética (MRI) constituye un reto clínico y operativo para los sistemas de salud pública, debido al aumento sostenido en la demanda, la variabilidad interobservador y las limitaciones para procesar grandes volúmenes de estudios. En Costa Rica, la problemática es especialmente crítica en la Caja Costarricense de Seguro Social (CCSS). El Centro Nacional de Imágenes Médicas realiza cerca de 2.970 resonancias al mes, mientras persisten demoras tanto en la realización del estudio como en su interpretación. Según la Auditoría Interna de la CCSS, los pacientes oncológicos esperan en promedio 115 días para acceder a una resonancia, con casos de hasta 648 días, y a diciembre de 2025 se registraban 11.570 estudios pendientes de lectura, con retrasos de hasta 570 días en estudios de cerebro y cuello (Segura, 2026). Frente a este panorama, se desarrolló y evaluó un sistema de diagnóstico asistido por computadora basado en inteligencia artificial para clasificación multiclase de tumores cerebrales. Se compararon dos arquitecturas representativas, EfficientNet V2 B0 y Vision Transformer (ViT-B16), así como tres estrategias de ensamble basadas en fusión de probabilidades. Los modelos se entrenaron con 4.478 imágenes públicas agrupadas en 44 categorías y se evaluaron sobre un conjunto de prueba independiente (n = 896). EfficientNet V2 B0 alcanzó una exactitud de 92,52% (F1-score ponderado = 0,9250; MCC = 0,9222). Los mejores resultados globales se obtuvieron con el ensamble por promedio ponderado, con 93,30% de exactitud, F1-score ponderado de 0,9327 y MCC de 0,9304. En suma, los resultados aportan evidencia de que la combinación ponderada de arquitecturas complementarias puede mejorar el desempeño y la robustez en un escenario de 44 clases y desbalance interclase. Estos hallazgos respaldan la aplicabilidad potencial de sistemas de apoyo basados en IA en entornos de salud pública como la CCSS, donde podrían contribuir a estandarizar la clasificación y facilitar la priorización de estudios. 2026-04-01T00:00:00Z xmlui/handle/123456789/651 Minería de Datos para la Personalización de Servicios de Marketing en el Sector Financiero Balmaceda Chacón, Natalia Este proyecto elabora un modelo completo de analítica avanzada para una entidad financiera, con la meta de mejorar la personalización de servicios de marketing, optimizar campañas comerciales y entender el comportamiento del cliente a través de un enfoque orientado a datos. Se desarrolló un Data Warehouse (DW) con arquitectura dimensional de tipo constelación, que combina datos sobre productos financieros, transacciones, campañas, interacción digital y situación del cliente. Con fundamento en el DW, se creó un conjunto de modelos de minería de datos y aprendizaje automático enfocados en tres ejes: predicción, segmentación y recomendación. En el entorno predictivo, se analizaron modelos de churn y propensión mediante regresión logística, Random Forest, Gradient Boosting y XGBoost. Entre ellos, Random Forest exhibió el rendimiento más equilibrado en comparación con las otras técnicas. Adicionalmente, se aplicaron métodos no supervisados como K-means para detectar microsegmentos de comportamiento y Apriori para reconocer afinidades entre productos, campañas y patrones del recorrido digital. Estos enfoques demostraron conexiones significativas, como la sólida vinculación entre el uso de la app y los productos de seguros, además de segmentos de bajo riesgo con alta tendencia a reaccionar a campañas particulares. Con los resultados del análisis Apriori, se creó un sistema de recomendación fundamentado en reglas de asociación, que puede proponer productos, campañas y canales ideales para cada cliente. Este motor enfatiza sugerencias basadas en métricas como lift y confidence, brindando trazabilidad y explicabilidad, aspectos esenciales en contextos financieros. En conjunto, este estudio evidencia que una entidad financiera que implemente un DW sólido, métodos analíticos avanzados y una plataforma de personalización fundamentada en datos puede potenciar notablemente sus habilidades de marketing, elevar la satisfacción del cliente y progresar hacia un modelo de decisiones más estratégico, automatizado y centrado en el valor. 2025-11-01T00:00:00Z