1

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE INGENIERÍA

CARRERA DE INGENIERÍA INDUSTRIAL

Tema: Uso de tecnologías como Analytics y/o in memory en SCM

Tarea Académica 3

Curso: Logística Integrada y Cadena de Abastecimientos

Sección: IS72

Profesor: Roger Félix Arrieta Gallardo

Integrantes:

Rodrigo Guillén Gutiérrez U201922979

Carlo Andree Riquelme Gutierrez U201920483

Thalía Cristina Ramos Benites U201924197

Milagros Karoline Solis Manosalva U201920573

Sebastian Adum Valencia U201922846

Lima, 2022-02
 2

ÍNDICE DE CONTENIDO

1. Historia y Conceptos de a Analitycs y/o In – Memory.............................................. 4

2. Ventajas y desventajas de Analitycs y/o In – Memory ............................................. 5

2.1. Ventajas................................................................................................................. 6

2.1.1. Análisis Predictivo y Cumplimiento de Proveedores ..................................... 6

2.1.2. Visibilidad ........................................................................................................ 6

2.1.3. Optimización de la SCM ................................................................................. 6

2.1.4. Aumento de la competitividad e ingreso a nuevos mercados ....................... 7

2.2. Desventajas ........................................................................................................... 8

2.2.1. Gestión de altos volúmenes de datos ............................................................ 8

2.2.2. Necesidad de softwares especializados y Hardware sofisticados ................ 8

2.2.3. Ciberseguridad ............................................................................................... 8

3. Desarrollo de la implementación de Analitycs y/o In – Memory en una empresa.. 9

4. Papers o casos de éxito ......................................................................................... 11

4.1. Paper 1: Personalized next-best action recommendation with multi-party

interaction learning for automated decision-making ................................................................. 11

4.2. Paper 2: A Managerial Analysis of Urban Parcel Delivery: A Lean Business

Approach 13

4.3. Paper 3: A Review on Data Analytics for Supply Chain Management: A Case
study 14

4.4. Paper 4: Inteligencia de negocios basada en Bases de Datos In-Memory ....... 15

4.5. Paper 5: Protecting the Public Through Advanced Supply Chain Analytics. “... 16

4.6. Paper 6: An overview of big data analytics application in supply chain

management” ............................................................................................................................ 18

5. Bibliografía: ............................................................................................................. 20
 3

ÍNDICE DE FIGURAS

Figura 1 Evolución de la cadena de suministro en los últimos 50 años. ........................... 5

Figura 2 Metodología de implementación de Analytics en la SCM ................................. 10

 4

1. Historia y Conceptos de a Analitycs y/o In – Memory

Actualmente las organizaciones para potenciar la competitividad, los márgenes de

contribución, productividad y disminuir la incertidumbre y los riesgos en la cadena de

suministros (SCM) hacen uso de Analytics en la SCM o Big data.

Para comprender el significado de Analytics es necesario previamente conocer la

evolución de la SCM para conocer la necesidad de la implementación de dicha herramienta.

Eccles (1954) define la evolución de la cadena de suministros como una unidad que ha

cambiado de enfoque, ya que estaba basado en una estrategia de reducción de costos y

mejora de la producción, esto hasta fines de la década de 1960, posteriormente, en nuestra

época actual está orientada hacia una estrategia de mejorar la distribución física y el empleo de

Businees intelligence en la SCM. El desarrollo de la planificación de recursos organizacionales,

la planificación de insumos y materiales, la respuesta eficiente del consumidor, la gestión de

relaciones con el cliente, de inventario de proveedores, los sistemas de gestión de almacenes y

transporte, el control total de la calidad, la previsión y el reabastecimiento. Todo esto contribuyó

a la evolución continua de la SCM. También, la gestión humanitaria y gestión de riesgos en la

cadena de suministros con el fin de minimizar los riesgos presentes. En la siguiente figura se

detalla de mejor forma la evolución de la SCM.

 5

Figura 1

Evolución de la cadena de suministro en los últimos 50 años.

Nota: Tomado de Escuela de Ingeniería Civil Industrial, Universidad del Bío-Bío, Chile

Las estrategias mencionadas anteriormente se gestionan mediante el uso de Analytics

en la SCM, cuyo significado se define como el conjunto de herramientas y técnicas que se

encargan de utilizar los datos en grandes volúmenes de información de tipo interna y externa

para producir conocimientos innovadores que contribuyen a las cadenas de suministro a reducir

costos y riesgos mientras mejoran la agilidad operativa y la calidad del servicio, a través de

herramientas de tecnologías de información de avanzada (Deloitte & MHI 2014).

El objetivo del empleo de data Analytics en la cadena de abastecimiento es crear valor

por medio de los datos, descubriendo patrones de comportamiento que conduzcan a modelos

predictivos para adquirir el conjunto de ventajas que se detallarán a continuación.

2. Ventajas y desventajas de Analitycs y/o In – Memory

Como bien se mencionó en el capítulo anterior la principal virtud de Analytics en SCM

es extraer datos potencialmente viables acerca de la cadena de abastecimiento de la empresa

en aplicación y mediante el uso de aplicativos de análisis se obtienen las siguientes ventajas.

 6

2.1. Ventajas

2.1.1.Análisis Predictivo y Cumplimiento de Proveedores

La relación entre proveedores y la empresa es fundamental para el correcto

abastecimiento de insumos por parte de la organización, por ello el uso de Analytics permite

garantizar el cumplimiento de los órdenes de compra hacia los proveedores.

Krupnik (2013) menciona que los principales beneficios del uso de analitycs sobre la

relación proveedore-cliente se describen de la siguiente forma:

• Mejorar la visibilidad para futuros pedidos

• Capacidad de monitorear y predecir los artículos correctos (lote económico)

• Reducir significativamente el impacto de envíos retrasados

• Pronosticar inventario

2.1.2. Visibilidad

Ittmann, H. W. (2015) afirma que la visibilidad es una necesidad esencial para realizar

un seguimiento o monitoreo de los productos durante el ciclo de la cadena de suministro.

Además, menciona que gracias a la visibilidad obtenida por el uso de Analytics se podrá

modelar datos de la cadena de suministro con mayor precisión con el objetivo de agilizar y

optimizar la toma de decisiones en la empresa, y resolver predecir problemas logísticos a

futuro.

2.1.3. Optimización de la SCM

IBM (2014), International Business Machines Corporation, decreta que el uso de

Analytics sobre las organizaciones es fundamental para optimizar de forma adecuada sus

cadenas de suministro, en adición que aumenta la competitividad de estas, debido a las

siguientes razones:
 7

• Proporcionar un sistema de alerta temprana de calidad, en otras palabras, detecta

problemas de calidad previo a un control estadístico de los procesos tradicionales.

Estos se deben gracias al uso y empleo de grandes volúmenes de información de la

SCM en los softwares adecuados se redujo el reproceso y aumentó la productividad.

• Implementa una herramienta de análisis de comprar, es decir garantiza una mejor

gestión del canal de distribución, y permite visualizar la oferta y demanda de sus

artículos.

• Account receivable – next best action: Es una herramienta que mediante el análisis

prescriptiva se optimizan los recursos necesarios para generar el mayor margen de

contribución para la organización.

2.1.4.Aumento de la Competitividad e Ingreso a Nuevos Mercados

Ittmann, H. W. (2015) describe a DHL como una de las principales empresas mundiales

de servicios de mensajería y paquetería, la cual opera en un entorno dinámico y altamente

cambiante. Donde, el uso de Technologies and Analytics avanzadas permitió a DHL adaptarse

a su entorno, además innovar sus procesos, también cabe resaltar las ventajas del empleo de

dichas herramientas Analytics sobre su SCM, las cuales se describirán a continuación.

• Empleo de nuevos indicadores: El empleo de indicadores como “Last-mile

optimisation” es vital para reconocer la cantidad de mercancías entregada a tiempo

y todas ellas sin ningún daño. Expresado de otro modo, este indicador revela la ruta

óptima en tiempo real.

• Planificación predictiva de red y capacidad con el fin de evitar el exceso o escasez

de capacidad.

• Gestión de valor cliente, donde mediante el uso de datos de redes sociales se

delimita y comprende la preferencia de estos para pronosticar una demanda

acertada.
 8

• Gestión de riesgos de la SCM, debido a incertidumbre y variabilidad sobre la

demanda se debe controlar y crear mecanismos contra los mencionados por medio

del uso de los Analytics.

2.2. Desventajas

2.2.1. Gestión de Altos Volúmenes de Datos

El manejo de información densa sobre el empleador puede generar errores sobre la

herramienta Analitycs durante su uso y en consecuencia de ello emitir reportes y resultados

incorrectos, lo cual provocaría pérdidas económicas en contraste a la operación que se

realizaba.

2.2.2.Necesidad de Softwares Especializados y Hardware Sofisticados

El principal desafío del uso de Analytics en la cadena de suministros es la aplicación de

los softwares adecuados. Además, de unidades de almacenamiento para la información de la

organización. Algunas empresas optan por tener toda esa información en la nube, sin embargo,

eso generalmente no elimina los problemas de infraestructura por completo.

2.2.3.Ciberseguridad

La vulnerabilidad de la información recepcionada por los softwares empleados en

Analytics de SCM es relativamente alto, debido a que muchas empresas deciden almacenar su

información en la nube, porque comprar unidades almacenadoras (tener su propio dominio) es

difícil de mantener por sus altos gastos. Por ello es necesario en la mayoría de los casos

establecer relaciones con operadores logísticos para que almacenen la información de la

organización. Caso contrario, es decir si la empresa persiste en mantener su información en la

nueva puede ser víctima de un ciberataque y ser vulnerado.

 9

3. Desarrollo de la Implementación de Analitycs y/o In – Memory en una Empresa

Ittmann, H. W. (2015) cita a la Institute for Operations Research and Management

Science (2014) define a Analytics como metodología necesaria para implementar en la SCM,

como el proceso científico de transformar datos en nuevos saberes para la mejor toma de

decisiones. Esta institución a su vez plantea un conjunto de 3 categorías y acciones para la

correcta implementación de esta herramienta.

En primer lugar, se comienza con análisis descriptivo (información) es la etapa donde se

prepara y analiza la información histórica; e identifica patrones a partir de la muestra obtenido

por el volumen de información. En segundo lugar, se comienza la etapa Insight la cual se

subdivide en 2, la primera es el análisis inquisitivo, es decir será la visión de lo que se espera

para el uso de la información (objetivos), en consecuencia, surge el análisis predictivo, el cual

consiste en mostrar las probabilidades y tendencias futuras, en relación de la información

maneja, su objetivo es evidenciar lo no observable por el análisis descriptivo. En tercer lugar,

se realiza el análisis prescriptivo el cual se define como la toma decisiones acerca de lo

analizado en los análisis anteriores, estas decisiones son resultados que tienen por meta

evaluar y determinar la forma que se operará, establecer objetivos comerciales, y minimizar

restricciones. En la siguiente figura se detallará gráficamente lo expresado en el párrafo.

 10

Figura 2

Metodología de implementación de Analytics en la SCM

Nota:

Tomado de Wordpress.com

Para ejemplificar dicha metodología de implementación de Data Analytics cabe

mencionar que Amazon en el año 2012 con el objetivo de crear modelos predictivos, capaces

de detectar las futuras necesidades del cliente, empleo data Analytics a lo largo de todo su

cadena de suministro para determinar cuáles productos son lo más demandados por sus

usuarios, y también para determinar cuál es el destino más recurrido para sus usuarios, donde

primero realizaron un análisis descriptivo de los productos ofrecidos, posterior a ello un análisis

inquisitivo, y por último la creación de un modelo predictivo de la demanda, en conjunto del uso

de herramientas de la informática como lo son: StreamLine, Oracle, NetSuite, entre otras, y en

compañía de técnicas predictivas como series de tiempo, análisis estadístico, y pruebas de

mercado. Es así como Amazon mediante el uso de Analytics obtuvo los siguientes resultados.
 11

A. Detectar cual fue el rubro o sector entre sus existencias que generaba mayores

rotaciones de inventario, para este caso fueron los celulares, con la salida del iPhone 4

en aquella época.

B. Reducción de costos por compras de abastecimiento, ya que se redujo las compras en

los productos que generaban sobre existencias en sus centros de distribución, en

aproximadamente 3.67%.

C. Renovar información acerca de la demanda y oferta cambiante en el sector tecnológico

creciente, con el objetivo de incrementar sus compras de reabastecimiento en aquel

sector.

4. Papers o casos de éxito

4.1. Paper 1: Personalized next-best action recommendation with multi-party

interaction learning for automated decision-making

(Cao, L., Zhu, C., enero 2022) en su artículo “Personalized next-best action

recommendation with multi-party interaction learning for automated decision-making" tratan el

tema de la toma de decisiones por parte de una red neuronal que trabaja con grandes bases de

datos.

La toma de desiciones es una tarea compleja, mientras más factores se tomen en

cuenta y más profundo se investige, se estará más cerca de tomar la mejor decisión y asegurar

un mayor márgen de contribución. Además del criterio profesional, las empresas buscan aplicar

modelos de toma de decisiones automatizadas que analizen gran cantidad de datos e

identifiquen patrones que un humano no podría, como Next-best-action. Next-best-action es un

sistema secuencial que divide la decisión mayor en otras decisiones. Se busca que las

decisiones que forman la secuencia lleguen a metas locales positivas, mientras que el conjunto

de las decisiones que asegure el resultado óptimo entre las combinaciones. En este artículo se

utiliza CRN (Coupled Recurrent Network), un modelo que representa vectorialmente estados,
 12

respuestas y secuencia de decisiones, a la vez que trabaja y procesa datos de comportamiento

y resultados útiles para las próximas corridas. En este caso se aplicó el modelo para determinar

las mejores acciones a tomar sobre el cobro de deudas por parte de una agencia

gubernamental australiana entre 2012 y 2017.

Resultados: Por un acuerdo de privacidad con la agencia australiana, en el artículo no

se comparten los resultados númericos exactos ni comparativas porcentuales asociadas con

las mejores decisiones determinadas por el modelo con las decisiones reales tomadas en los 5

años de estudio y su impacto. Sin embargo, se menciona que se pudo validar la efectividad del

modelo, sobre todo frente a otras propuestas como las markovianas. Esto debido a la

profundidad de dependencias que analiza el modelo CRN en comparación con otros. Por lo

tanto, en uso de next-best-action ofrece resultados positivos, solo si el modelado es completo y

ofrece varias capas de profundidad sobre interacciones y dependencias entre clientes,

acciones, resultados, respuestas, etc.

Conclusión: Account receivable – next best action, mediante su análisis profundo y

reiterativo de comportamientos, aumenta el margen de contribución asociado a diversas

decisiones. Esto a su vez hace que la cadena de suministro de la organización sea más

competitiva. Asimismo, esta herramienta es aplicable a gran variedad de sectores y labores,

como decisiones comerciales o incluso médicas. Por lo tanto, es importante conocer estas

herramientas y su correcta aplicación, pues ofrecen una ventaja competitiva que añadir a la

gestión de las cadenas de suministro.

 13

4.2. Paper 2: A Managerial Analysis of Urban Parcel Delivery: A Lean Business

Approach

(Brotcorne, L., Perboli, G. Rosano, M., Wei, Q., junio 2019) en su artículo “A Managerial

Analysis of Urban Parcel Delivery: A Lean Business Approach” mencionan la importancia de la

simulación de escenarios en la mejora de procesos, así como el análisis de last-mile y su

optimización.

Durante los últimos años, la industria de envío de paquetes ha experimentado cambios

sustanciales en la forma en que transportan los paquetes. La urbanización y globalización

causaron que, en primera instancia, surgieran empresas de envío para paquetes pequeños,

con meta en aumentar la rápidez de envío y reducir el costo. No obstante, en años recientes

con el creciente interés sobre el impacto ambiental, el modelo de envíos tuvo que cambiar para

adpatarse a modelos amigables con el ecosistema como el uso de bicicletas. Sin embargo,

implementar o no un sistema eco-amigable involucra un choque de intereses entre los diversos

actores que rodean el negocio. En este artículo, se evalúan 10 diferentes escenarios para el

negocio y su impacto de forma cualitativa y cuantitativa (Simulación en Monte CaRLO

buscando la optimización de Last-mile). Para esto se toma como base data histórica para

diferentes aspectos como el consumo de combustible, costos de reparación, etc.

Resultados: Como era de esperarse, los modelos que trabajan con la subcontratación

y negocios de entrega de paquetes por medio de bicicletas reducen las emisiones de CO2

hasta en un 40%. No obstante, la eficiencia medida en número de paquetes entregados por

hora (nD/h) se reduce en los escenarios que trabajan con estas empresas y que le dan mayor

responsabilidad. No obstante, la sostenibilidad económica, tomando en cuenta lso costos por

mantenimiento de vehículos propios, también se reduce en estos escenarios. Por, ello se

entiende que, además de tener claros beneficios medioambientales, los modelos que utilizan la

subcontratación de negocios ofrecen mejoras tangibles. Por lo tanto, se recomienda la

 14

implementación de los modelos que usan la subcontratación verde por su flexibilidad

económica y su reducción en emisiones de gases.

Conclusión: El análisis y evaluación de propuestas, evaluaciones o decisiones por medio de

simulaciones (Monte Carlo en este caso) es siempre una herramienta útil si se utilizan

sustentos en data histórica. Además, es importante para el caso de empresas dedicadas a los

envíos tomar en cuenta last-mile, las operaciones en el último segmento de la cadena, su

comportamiento, impacto, relaciones de dependencia entre las acciones y resultados, etc.

4.3. Paper 3: A Review on Data Analytics for Supply Chain Management: A Case study

(Anitha P & Malini M. Patil, septiembre del 2018) en su artículo “A Review on Data

Analytics for Supply Chain Management: A Case study” habla sobre los dominios de la ciencia

de datos en la gestión de la cadena de suministro y los datos utilizados para analizar para la

gestión de inventario, la previsión y la previsión. Esto se hace a través de informes, consultas y

pronósticos. Tecnologías como “Analytics” permiten vincular la gestión de la cadena de

suministro en áreas como transporte, compras, almacenamiento, marketing y logística

inteligente. Sin embargo, a medida que los SCM se vuelven más complejos, también lo son las

demandas de los niveles de servicio y los tipos de datos para administrar y analizar.

Resultados: Los resultados encontraron que las empresas están adoptando soluciones

de macrodatos para problemas como una mejor colaboración entre empresas, clientes,

minoristas y agencias gubernamentales. Las aplicaciones de big data se pueden conectar a la

gestión de la cadena de suministro y la logística inteligente en áreas como compras, transporte,

almacenamiento y marketing. A medida que las redes de la cadena de suministro se vuelven

más grandes y complejas, impulsadas por requisitos de mayor nivel de servicio, los tipos de

datos administrados y analizados también se vuelven más complejos.

 15

Conclusiones: En conclusión, se puede decir que el presente paper se centra en las

actividades de gestión de la cadena de suministro relacionadas con el almacenamiento, el

marketing y el transporte de datos. La transformación comercial y las mejoras en los costos

operativos están contribuyendo al avance del análisis de la cadena de suministro. Un modelo

predictivo desarrollado sobre datos de ventas de muestra usando el método de regresión lineal

está cerca del 80% de los resultados disponibles. Este modelo también proporciona

información sobre estadísticas descriptivas. Esto le permite realizar un análisis descriptivo.

Además, el trabajo se mejora mediante métodos de regresión polinomial y múltiple. Finalmente,

este trabajo proporciona una excelente plataforma para el análisis de big data y la posible

integración de BDA y SC.

4.4. Paper 4: Inteligencia de negocios basada en Bases de Datos In-Memory

(Morales M. & Morales S., enero del 2018) en su artículo” Inteligencia de negocios

basada en Bases de Datos In-Memory” el artículo explica cómo el desarrollo de procesadores

con mayores capacidades de memoria apoyó la necesidad de procesar grandes cantidades de

datos de forma muy rápida y radical, lo que llevó a la implementación de la tecnología in-

memory. Las bases de datos en memoria (IMDB) pueden combinar sistemas OLTP y OLAP,

por lo que utilizan RAM como medio de almacenamiento principal y sus operaciones no

requieren una migración de disco a disco. Las bases de datos almacenan datos en el disco,

que es muy lento en comparación con la memoria RAM, pero IMDB tiene tecnología de

almacenamiento en columnas y análisis en tiempo real que permiten un acceso rápido a los

datos. Además, esta organización hace que los valores sean más fáciles de entender y también

permite escanear y filtrar rápidamente.

Resultados: Después de analizar varias empresas que implementan IMDB, se

determinó que implementar In Memory Data Base (IMDB) permite el acceso a datos con

capacidades de análisis rápidas y en tiempo real. Esto se debe a que organizar los valores en
 16

forma de un vector de atributos facilita la compresión de datos y también permite un escaneo y

filtrado rápidos. Asimismo, brindo ventajas sobre los sistemas de bases de datos a través de la

capacidad de mantener grandes cantidades de datos transaccionales de forma completa y

coherente en la memoria.

Conclusiones: La tecnología In-Memory elimina los procesos lógicos tradicionales

como la tecnología ETL, la creación de cubos de datos y la creación de modelos

dimensionales, que se conocen y utilizan desde hace décadas. Además, In-Memory BI parece

ser adecuado para responder con flexibilidad a los cambios constantes y la volatilidad del

entorno empresarial como un método informático que se puede utilizar sobre la marcha. Por

eso, es compatible con métodos ágiles de procesos de software, que se enfocan en responder

y crear cambios de manera rápida y flexible.

4.5. Paper 5: Protecting the Public Through Advanced Supply Chain Analytics . “

(Julie A. Carrera. Junio del 2018) en su artículo “Protecting the Public Through

Advanced Supply Chain Analytics” menciona la importancia de la analítica en las cadenas de

suministro y no solo en el ámbito corporativo, sino también en el ámbito de la gestión pública.

La cadena de suministro es la estructura principal y de gran valor de cualquier empresa o

incluso entidad pública, las buenas relaciones con los proveedores y clientes, logran volver una

organización más productiva y eficiente. El autor menciona que existen diversas herramientas y

tecnologías para la gestión y manejo de la información en las cadenas de suministro, tales

como la simulación discreta y la optimización de redes. En este caso específicamente, en el

contexto de la seguridad nacional, las soluciones para la cadena de suministro llegan a abordar

una logística de despliegue militar. De esta manera, un modelo de analytics que es utilizado

activamente es la plataforma de análisis de movilidad por sus siglas en inglés (AMP), este

modelo es desarrollado por el Argonne National Laboratory y apoya la gestión de decenas de

miles de unidades de información a través de los 7 continentes. En este sentido, la correcta

 17

aplicación de estas tecnologías en la gestión pública, especialmente en los Estados Unidos, es

de suma importancia ya que garantiza que las cadenas de suministro suministren recursos

críticos para la salud y de seguridad ante brotes de enfermedades o interrupciones.

Resultados: En el artículo se menciona que la data manejada junto a diferentes

conocimientos como la ingeniería, la política y el comportamiento social, pueden generar

soluciones que fortalezcan la resistencia y la eficiencia de las cadenas de suministro

necesarias para proteger al público más allá del entorno militar. Asimismo, se menciona que

esta satisface la necesidad que poseen los gestores de la cadena de suministro de hoy en día,

ya que estos necesitan un conjunto diverso de herramientas de análisis de datos, modelización,

simulación y visualización para desarrollar soluciones que aseguren o rechacen cadenas de

suministro complejas.

Conclusión: Por consiguiente, es sumamente necesaria la aplicación de enfoques

multidireccionales y holísticos ante los retos de la cadena de suministro. El análisis avanzado

del laboratorio Argonne está trabajando con expertos y partes interesadas para avanzar en las

soluciones para equilibrar el riesgo y la eficiencia de la cadena de suministro, respondiendo a

las tendencias y tecnologías disruptivas, optimizando la resiliencia rentable, evaluando las

consecuencias y desarrollando estrategias para mitigar las interrupciones.

 18

4.6. Paper 6: An overview of big data analytics application in supply chain

management”

(Ghalehkhondabi, I., Ahmadi, E., Maihami, R., noviembre 2019) mencionan en su

artículo “An overview of big data analytics application in supply chain management” la

importancia de Analytics y el manejo efectivo de la información en las medianas y grandes

empresas para la optimización de sus cadenas de suministro. Según los autores, la aplicación

de analytics en la cadena de suministro se refiere a los procesos y gestión de toda la

información generada a lo largo del sistema productivo y de distribución de los bienes.

Asimismo, comentan que la big data se refiere a grandes conjuntos de datos que no

pueden ser analizados por herramientas comunes y tradicionales de análisis de datos; sino

más bien, que se necesitan métodos de manejo de la información más eficientes y con mayor

capacidad. La aplicación de estos elementos genera que las empresas puedan utilizar un gran

volumen de información y estén más interconectadas. Para la aplicación de data analytics los

autores definen el modelo de las 3V (volumen, velocidad y variedad), donde el volumen se

refiere a la cantidad de datos disponibles, la velocidad se refiere a la puntualidad de los datos, y

la variedad a la diversidad de datos.

Una empresa puede manejar diversos tipos de datos, tanta información interna, data de

proveedores y de clientes. Un sistema de data analytics puede dividirse en cuatro fases

consecutivas: Generación de datos, adquisición de datos, almacenamiento de datos y análisis

de datos. A pesar de todos los beneficios de la big data y el análisis de datos en las empresas,

esta solo ha sido aplicada por un porcentaje muy bajo de empresas, muchas veces debido al

alto costo que conlleva emplear estos sistemas.

Resultados: Se identifica que el apoyo de la dirección de la empresa tiene un papel

crucial en el éxito de la implantación de un sistema de análisis de datos o big data. Asimismo,

se pudo identificar que uno de los principales problemas de estas aplicaciones es saber cómo,
 19

dónde y con qué medios recoger los datos útiles. Para ello, cabe mencionar que es de suma

importancia que el equipo y/o personal analista apliquen los métodos más precisos utilizando

una cantidad razonable de tiempo y de costes con el fin de obtener resultados favorables.

Conclusión: Por lo tanto, se concluye que estas tecnologías vienen siendo de gran

trascendencia los últimos años y se encuentran en constante crecimiento. Asimismo, se

reconoce las ventajas que brindan a una empresa al ser aplicadas; la información suele ser el

elemento más valioso de muchas de las más grandes empresas. Por otro lado, se reconoce

que estas tecnologías demandan un presupuesto no tan accesible para cualquier tipo de

empresa, y además de la inversión monetaria, se requiere un equipo profesional que tenga la

capacidad de manejarlas.
 20

5. Bibliografía:

Brotcorne, L., Perboli, G., Rosano, M., & Qu, W. (2019). A managerial analysis of urban parcel

delivery: A lean business approach. Sustainability, 11(12) Recuperado de:

https://doi.org/10.3390/su11123439 [Consulta: 27 de octubre de 2022].

Carrera, J. A., Graziano, D. J. & Lewis, L. P. (2018). Protecting the Public Through Advanced

Supply Chain Analytics. Jstor.org. https://www.jstor.org/stable/26537517

Cao, L., & Zhu, C. (2022). Personalized next-best action recommendation with multi-party

interaction learning for automated decision-making. PLoS One, 17(1) Recuperado de:

https://doi.org/10.1371/journal.pone.0263010 [Consulta: 27 de octubre de 2022].

DHL, 2013b, Big Data in logistics – a DHL perspective on how to move beyond the hype, DHL

Customer Solutions & Innovation, Troisdorf, Germany.Institute for Operations Research

and Management Science, 2014, What is analytics?, viewed 22 October 2014, Retrieved

from https://www.informs.org/About-INFORMS/Whatis-Analytics[Consulta: 27 de octubre

de 2022].

Ghalehkhondabi, I. (2020, 29 mayo). An overview of big data analytics application in supply

chain management published in 2010-2019. Periodikos.

https://www.prod.org.br/article/doi/10.1590/0103-6513.20190140

Ittmann, H. W. (2015). The impact of big data and business analytics on supply chain

management. Journal of Transport and Supply Chain Management, 9(1).

https://doi.org/10.4102/jtscm.v9i1.165 [Consulta: 27 de octubre de 2022].

Krupnik, Y., 2013, ‘7 ways predictive analytics helps retailers manage suppliers’, Predictive

Analytics, Retrieved from: http://www.predictiveanalyticsworld.com/patimes/7-ways-

predictive-analyticshelps-retailers-manage-suppliers/[Consulta: 27 de octubre de 2022].

 21

Maheshwari, S., Gautam, P., & Jaggi, C. K. (2021). Role of Big Data Analytics in supply chain

management: current trends and future perspectives. International Journal of Production

Research, 59(6), 1875–1900. Recuperado de:

https://doi.org/10.1080/00207543.2020.1793011 [Consulta: 27 de octubre de 2022].

Morales Morales, M. R., & Morales Cardoso, S. L. (2017). Inteligencia de negocios basada en

Bases de Datos In Memory. Revista Publicando, 4(11). Recuperado de:

https://revistapublicando.org/revista/index.php/crv/article/view/560/pdf_382 [Consulta: 27

de octubre de 2022].

P, A., & M. Patil, M. (2018). A Review on Data Analytics for Supply Chain Management: A Case

study. International Journal of Information Engineering and Electronic Business, 10(5),

30–39. Recuperado de: https://doi.org/10.5815/ijieeb.2018.05.05 [Consulta: 27 de

octubre de 2022].