Landin JL

Propuesta de implementación de un modelo de
inteligencia de negocios para el área comercial

de una empresa del rubro farmacéutico
Item Type info:eu-repo/semantics/masterThesis
Authors Landin Salas, José Luis; Rodríguez Ruíz , Wilmer; Herrera

Vargas, José
Publisher Universidad Peruana de Ciencias Aplicadas (UPC)
Rights info:eu-repo/semantics/openAccess
Download date 02/07/2023 01:13:32
Item License https://creativecommons.org/licenses/by/4.0/
Link to Item http://hdl.handle.net/10757/621354

i
UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS
PROGRAMA DE MAESTRÍA EN DIRECCIÓN DE SISTEMAS Y
TECNOLOGÍAS DE LA INFORMACIÓN
PROPUESTA DE IMPLEMENTACIÓN DE UN MODELO DE
INTELIGENCIA DE NEGOCIOS PARA EL ÁREA COMERCIAL
DE UNA EMPRESA DEL RUBRO FARMACÉUTICO
Autores:
José Luis Landin
José Herrera Vargas
Wilmer Rodríguez
TRABAJO DE INVESTIGACIÓN
PRESENTADA PARA OBTENER EL GRADO DE
MAESTRO EN DIRECCIÓN DE SISTEMAS Y TECNOLOGÍAS DE LA
INFORMACIÓN
Lima, Noviembre del 2016

ii
DEDICATORIA
Dedicamos el presente trabajo de tesis a nuestras familias, padres, esposas e hijos por
su apoyo constante y comprensión.
A la memoria de mi padre Marcial Herrera por su dedicación al trabajo y
perseverancia para salir adelante.

iii
AGRADECIMIENTOS
En primer lugar damos gracias a Dios y a nuestras familias, padres, esposas e hijos que
nos han brindado todo su apoyo y comprensión en esta etapa de nuestras vidas.
A los profesores de la maestría, porque hemos aprendido algo nuevo de cada uno de ellos.
Un especial agradecimiento a nuestro asesor de tesis, Sr. Andrés Melgar, quien ha tenido
la dedicación para ayudarnos a sacar adelante el presente trabajo, demostrando
predisposición para compartir sus conocimientos.

iv
RESUMEN
En la actualidad las empresas del sector farmacéutico establecen diferentes políticas para
controlar la comercialización de los productos. Dentro de estas, es común observar políticas
relacionadas a la devolución de productos próximos a vencer.
La devolución de productos en este sector impacta en los márgenes de venta de las
organizaciones.
Para desarrollar el presente trabajo de tesis se ha seleccionado a una empresa del sector
farmacéutico, tomando como referencia los datos de las ventas y devoluciones de los últimos
tres años (2013, 2014 y 2015).
En este contexto la tesis titulada “Propuesta de implementación de un modelo de
inteligencia de negocios para el área comercial de una empresa del rubro farmacéutico” tiene
por objetivo determinar el comportamiento de compra de los clientes, para predecir las
cantidades de devolución de los productos y de esta manera contribuir a brindar un soporte
para la toma de decisiones.
En el capítulo 1, permitirá conocer de manera general a la empresa farmacéutica y las
políticas comerciales. Luego se realizará un análisis de los resultados de las ventas y
devoluciones de los productos para identificar el problema planteado. Con esta información se
plantearán los objetivos del proyecto, los resultados esperados y se mencionarán los métodos
y procedimientos que se utilizarán para el desarrollo de la propuesta. Por último se
mencionarán los beneficios directos e indirectos del proyecto así como un estudio de
sensibilidad para determinar si el presente proyecto es viable financieramente.

v
En el capítulo 2, marco conceptual se describirá el entorno relacionado al sector
farmacéutico haciendo énfasis en las características comunes y estrategias del sector. También
se hace una revisión de los conceptos de Bussines Analytics y Data Science, y como estos se
relacionan.
En el capítulo 3, se hace una revisión del “Estado del arte”, en el cual se muestran los
trabajos e investigaciones relacionadas a la problemática descrita en el capítulo1 y como esta
ha sido abordada por diferentes estudios.
En el capítulo 4, se desarrolla la propuesta de estudio tomando como referencia la
metodología “CRISP-DM”, la cual a través de sus diferentes fases permitirá comprender los
objetivos del negocio planteados e identificar, explorar y preparar los datos necesarios que
nos servirán para construir los modelos analíticos predictivo. Asimismo, se muestra una
evaluación e interpretación de los resultados alcanzados luego de desarrollar la metodología
para la construcción de los modelos analíticos.
Finalmente, en el capítulo 5 se mencionan las conclusiones enfocándose en los resultados
obtenidos en el anterior capítulo y como estos han contribuido a cumplir con los objetivos del
presente trabajo.
vi
Índice
CAPÍTULO 1. DEFINICIÓN DEL PROBLEMA .............................................................. 13
1.1 Descripción de la empresa ......................................................................................... 13
1.1.2 Acerca de la empresa ........................................................................................... 13
1.1.2 Misión, visión y valores ...................................................................................... 13
1.1.3 Políticas comerciales ........................................................................................... 13
1.1.4 Descripción del flujo de ventas ........................................................................... 16
1.2 Descripción del problema .......................................................................................... 18
1.2.1 Análisis de los clientes indirectos........................................................................ 19
1.2.2 Análisis de los productos ..................................................................................... 20
1.2.3 Impacto sobre el margen de venta ....................................................................... 22
1.3 Objetivo general ......................................................................................................... 25
1.4 Objetivos específicos ................................................................................................. 25
1.5 Resultados esperados ................................................................................................. 25
1.6 Métodos y procedimientos ......................................................................................... 26
1.6.1 Framework de capacidades analíticas ................................................................. 26
1.6.2 Analítica predictiva ............................................................................................. 27
1.6.3 Procedimientos .................................................................................................... 27
1.6.4 Fases del desarrollo ............................................................................................. 28
1.7 Justificación................................................................................................................ 30
1.7.1 Beneficiarios directos .......................................................................................... 30
1.7.2 Beneficiarios indirectos ....................................................................................... 31

vii
1.7.3 Análisis de Sensibilidad ...................................................................................... 31
1.7.4 Impacto social /ambiental .................................................................................... 33
1.8 Alcance ....................................................................................................................... 33
CAPÍTULO 2: DESCRIPCIÓN DEL CONTEXTO ........................................................... 35
2.1 Introducción ............................................................................................................... 35
2.2 Sector farmacéutico .................................................................................................... 35
2.2.1 Características comunes del sector ...................................................................... 35
2.2.2 Estrategias empresariales del sector .................................................................... 38
2.3 Devolución de mercadería en el sector farmacéutico ................................................ 39
2.3.1 Involucrados en el proceso .................................................................................. 39
2.3.2 Descripción del proceso ..................................................................................... 39
2.3.3 Comparación del proceso local versus regional .................................................. 41
2.4 Business Analytics (BA) ............................................................................................ 41
2.4.1 Definición de Business Analytics ........................................................................ 41
2.4.2 Definición de Data Science ................................................................................. 42
2.4.3 Visión estratégica de Business Analytics y Data Science ................................... 43
2.4.4 La importancia de una estrategia de Business Analytics..................................... 45
2.5 Conclusión.................................................................................................................. 47
CAPÍTULO 3. ESTADO DEL ARTE ................................................................................. 48
3.1 Introducción ............................................................................................................... 48
3.2 Objetivo de la revisión ............................................................................................... 48
3.3 Metodología de revisión............................................................................................. 48
3.4 Resultados de la revisión........................................................................................... 51

viii
3.4.1 Del Objetivo 1: identificar los métodos y procedimientos relacionados al proceso
de devoluciones en el sector farmacéutico ........................................................................ 51
3.4.2 Del Objetivo 2: conocer las diferentes aplicaciones de minería de datos en el
sector farmacéutico ........................................................................................................... 54
3.4.3 Del Objetivo 3: conocer los métodos y procedimientos relacionado a describir la
gestión del conocimiento en el sector farmacéutico.......................................................... 58
CAPÍTULO 4. DESARROLLO DE LA PROPUESTA DE LA ELABORACIÓN DEL
MODELO ................................................................................................................................. 60
4.1 Entendimiento de la situación actual del negocio ...................................................... 61
4.1.1 Determinación del Objetivo del Negocio ............................................................ 61
4.1.2 Criterios de éxito ................................................................................................. 62
4.2 Entendimiento de los datos involucrados ................................................................... 62
4.2.1 Lista de Atributos ................................................................................................ 63
4.2.2 Atributos específicos ........................................................................................... 63
4.2.3 Exploración de los datos ...................................................................................... 65
4.3 Propuesta del modelo analítico predictivo ................................................................. 73
4.3.1 Modelado del Comportamiento de compra de los clientes Indirectos ................ 73
4.3.2 Modelado del Comportamiento de compra para los clientes Indirectos y
determinados productos..................................................................................................... 78
4.4 Resultados alcanzados ................................................................................................ 82
4.5 Discusión de los resultados ........................................................................................ 82
CAPÍTULO 5. CONCLUSIONES, OBSERVACIONES Y TRABAJOS FUTUROS ....... 84
5.1 Conclusiones .............................................................................................................. 84

ix
5.2 Observaciones ............................................................................................................ 85
5.3 Trabajos futuros ......................................................................................................... 86
GLOSARIO ......................................................................................................................... 87
BIBLIOGRAFÍA ................................................................................................................. 88
ANEXOS ............................................................................................................................. 91
x
Lista de figuras
Figura 1. Tipo de cliente y usuario final ................................................................................... 14
Figura 2. Ciclo del proceso de devolución ............................................................................... 16
Figura 3. Flujo de ventas de Novartis Pharmaceutical. ............................................................ 17
Figura 4. Compras y devoluciones Top 10 clientes indirectos (ejercicio 2015) ...................... 19
Figura 5. Compras y devoluciones Top 10 productos (ejercicio 2015) ................................... 21
Figura 6. Evolución de la venta total y neta para los años 2013,2014 y 2015 ......................... 23
Figura 7. Evolución de la devolución para los años 2013,2014 y 2015 ................................... 23
Figura 8. Marco de trabajo de capacidades analíticas .............................................................. 26
Figura 9. Grado de utilización de las metodologías ................................................................. 27
Figura 10. Fases del proceso de modelado de la metodología CRISP-DM ............................. 28
Figura 11. Técnicas del análisis predictivo .............................................................................. 29
Figura 12. Proceso de devolución ........................................................................................... 40
Figura 13. Disciplinas de la Ciencia de Datos .......................................................................... 43
Figura 14. Visión estratégica de Business Analytics................................................................ 44
Figura 15. Ciencia de Datos y Arquitectura de Valor .............................................................. 45
Figura 16. Inversión según CEOs en los próximos 5 años ....................................................... 46
Figura 17. Estructura de archivo de trabajo con los atributos específicos ............................... 64
Figura 18. Devolución Vs Compra en Cantidades por Clientes Directos año 2013 al 2015.... 65
Figura 19. Promedio de devoluciones mensual de Clientes Indirectos (año 2015) .................. 66
Figura 20. Promedio del Importe de devoluciones por Clientes Indirectos (año 2015) ........... 67
Figura 21. Frecuencia mensual de la devolución en el año 2015 ............................................. 67
Figura 22. Recencia de devolución trimestral del año 2015..................................................... 68
Figura 23. Promedio de Cantidad de devoluciones mensual de Productos del año 2015 ....... 69
Figura 24. Promedio del Importe de devoluciones por Productos mensual año 2015 ........... 70
xi
Figura 25. Frecuencia mensual de la devolución por franquicia de productos en el año 2015 71
Figura 26. Recencia de devolución trimestral del año 2015..................................................... 72
Figura 17. Resultados del algoritmo de regresión para los clientes indirectos......................... 74
Figura 18. Resultados del algoritmo SimpleKmeans para los clientes indirectos .................... 75
Figura 19. Resultado gráfico de la clusterización de clientes indirectos .................................. 76
Figura 20. Resultados del algoritmo SimpleKmeans para los productos ................................. 79
Figura 21. Resultado gráfico de la clusterización de Productos ............................................... 79

xii
Lista de tablas
Tabla 1. Detalle de compras y devoluciones de los Top 10 clientes indirectos. (Ejercicio
2015) ......................................................................................................................................... 20
Tabla 2. Detalle de Compras y devoluciones Top 10 productos (ejercicio 2015) ................... 22
Tabla 3. Flujo de caja libre moderado esperado ..................................................................... 31
Tabla 4. Resultados financieros por escenario ........................................................................ 32
Tabla 5. Comparativo del proceso de devolución .................................................................... 41
Tabla 6. Recursos informativos, para el objetivo de métodos y procedimiento del proceso
relacionados al proceso de devoluciones en el sector farmacéutico ....................................... 49
Tabla 7. Recursos informativos, relacionados a aplicaciones y beneficios de la minería de
datos en el sector farmacéutico ................................................................................................ 49
Tabla 8. Recursos informativos, relacionados a la gestión de conocimiento de clientes en el
sector farmacéutico .................................................................................................................. 50
Tabla 9. Patrones de la industria farmacéutica y las técnicas de minería de datos usadas .... 54
Tabla 10. Conceptos de CRM desde varias perspectivas ......................................................... 58
Tabla 9. Clústeres de Clientes Indirectos ................................................................................. 76
Tabla 10. Modelo analíticos predictivos de regresión para Clientes Indirectos ..................... 77
Tabla 11. Clústeres de productos ............................................................................................. 80
Tabla 12. Modelos analíticos de regresión para el cliente indirecto (INK-2712) y productos
del Cluster 0 ............................................................................................................................. 80

13
CAPÍTULO 1. DEFINICIÓN DEL PROBLEMA
1.1 Descripción de la empresa
1.1.2 Acerca de la empresa
La empresa utilizada como objeto de estudio en el presente trabajo de tesis, es una
compañía multinacional que se dedica al negocio farmacéutico y de biotecnología. Su sede
principal se localiza en Europa y posee una filial en Perú. La empresa desarrolla sus
actividades en tres divisiones:
• Productos farmacéuticos.
• Cuidado de los ojos.
• Medicamentos genéricos.
Para lograr los objetivos organizacionales, la empresa asume un constante compromiso con
los pacientes, los cuales son la inspiración para revolucionar la investigación, el desarrollo y
la producción de medicamentos innovadores de alta calidad.
1.1.2 Misión, visión y valores
• Misión: “Descubrir nuevas maneras de mejorar y extender la vida de las personas”.
• Visión: “Ser un líder de confianza en la cambiante práctica de la medicina”.
• Valores: Los valores y comportamientos reflejan Coraje, Integridad, Innovación, Calidad,
Colaboración y Desempeño.
1.1.3 Políticas comerciales
Dado que el presente proyecto de tesis tiene como objetivo realizar un estudio del
comportamiento de compra de los clientes en el área comercial, es necesario conocer las

14
políticas comerciales de la empresa, de tal forma que el problema pueda ser contextualizado a
través de la relación con los clientes y las políticas que se generan entorno a ellas.
Estas políticas comerciales son:
Relacionadas al cliente: La organización comercializa los productos farmacéuticos a dos tipos
de clientes:
a) Clientes directos: Es el cliente mayorista, encargado de la venta y distribución de los
productos a los clientes indirectos.
b) Clientes indirectos: Es el cliente minorista que compra productos a los clientes
directos y lo vende a los usuarios finales. Actualmente dentro de este grupo de clientes
existen dos sub categorías, clientes del sector privado y clientes del sector público.
b.1. Clientes indirectos del sector privado: son las farmacias conformadas por: cadenas
de farmacias, farmacias independientes y clínicas privadas.
b.2. Clientes indirectos del sector público: son entidades del Estado.
En la Figura 1, se observa la interacción entre el cliente directo, cliente indirecto y el
usuario final (paciente). Las políticas comerciales que se mencionan no incluyen al
usuario final.
Figura 1. Tipo de cliente y usuario final

Fuente: elaboración propia
15
• Relacionada a las devoluciones en general: la organización asume los costos por
devolución de productos de sus clientes por los siguientes conceptos:
- Devoluciones técnicas: originadas por el daño en la caja durante el transporte de la
mercadería al almacén del cliente directo.
- Devoluciones comerciales: para aquellos productos próximos a vencer en los
siguientes 90 días, también es importante mencionar que no se acepta la devolución de
productos vencidos. Para minimizar estas devoluciones se promueven procesos para
la gestión de inventarios como la norma de primero en caducar primero en salir
(FEFO por sus siglas en inglés,”First Expires First Out”), la inspección de inventarios
y campañas para manejar el agotamiento de existencias.
- Devoluciones para clientes directos: la devolución debe ser formalizada por una carta
de compromiso de canje emitida por la organización a los clientes directos al momento
de la facturación. Antes de emitir la carta de compromiso se deberá revisar el stock del
cliente directo con el fin de garantizar una adecuada rotación de los productos.
- Devoluciones para clientes indirectos: La devolución será canalizada a través de los
clientes directos.
En la Figura 2, se muestra el ciclo del proceso de devolución, desde la identificación
de los productos devueltos hasta la reposición de los productos nuevos, así mismo; se
pueden observar las interacciones entre los clientes directos, clientes indirectos y la
empresa farmacéutica.
16
Figura 2. Ciclo del proceso de devolución

• Relacionada a las existencias: el stock de las existencias en los clientes directos serán
establecidas mediante contrato comercial, basándose en el promedio de rotación de los
tres últimos meses. Dicho promedio permitirá determinar la existencia mínima que cada
cliente directo debe mantener y será reportada a la empresa farmacéutica para efectos de
control y seguimiento.
1.1.4 Descripción del flujo de ventas
Los participantes involucrados en el flujo de ventas son: la empresa farmacéutica, el
médico, los clientes directos, los clientes indirectos conformados por entidades privadas y
públicas, y el usuario final. Las interacciones entre estos participantes se muestran en la
Figura 3.
17
Cliente
Indirecto
Cliente
Directo
Figura 3. Flujo de ventas de Novartis Pharmaceutical.

De la Figura 3, se observan los diferentes niveles de interacción entre los participantes
involucrados, los cuales se describen a continuación:
• Empresa farmacéutica - cliente directo (ver Figura 3-A)
La interacción se basa principalmente en la compra mayorista de los clientes
directos donde se establecen los contratos de distribución, descuentos especiales de
los clientes, se ejecutan las devoluciones y los canjes de estas.
• Cliente directo – indirecto (ver Figura 3-B)
Las devoluciones a los clientes indirectos sólo se realizan mediante los clientes
directos (distribuidores).
Los clientes directos realizan sus ventas al sector público mediante licitaciones
con el Estado, la empresa farmacéutica en ese sentido apoya con toda la
información y asesoramiento legal necesario.

18
• Cliente indirecto – paciente (ver Figura 3-C)
En el sector privado la venta, se realiza mediante el despacho de medicamentos
en las farmacias y/o boticas.
En el sector público la venta, se realiza mediante el despacho a los pacientes en
las farmacias de las instituciones públicas.
• Empresa farmacéutica – médico (ver Figura 3-D):
Se realiza mediante un representante médico que busca impulsar las ventas con
campañas promocionales dirigidas. También, existe una política de incentivos para
los representantes médicos, la cual permite a la empresa farmacéutica asignar
algunas bonificaciones de acuerdo a su rendimiento.
• Médico – paciente (ver Figura 3-E):
Lo que se busca es promocionar los productos, para tal caso existen muestras
médicas gratuitas, folletos y/o accesorios.
1.2 Descripción del problema
Para entender la problemática actual, se ha analizado la compra y devolución de productos
correspondiente al periodo 2015. Este análisis se realizó bajo las perspectivas de clientes y
productos, como se describe a continuación.
Por temas de confidencialidad en la organización, para este trabajo se han enmascarado
los datos los clientes y productos (por códigos); tales como nombres de producto, razón social
de los clientes y se ha multiplicado por un factor el importe de venta y devolución de los
clientes para conservar confidencialidad en los importes de venta.

19
1.2.1 Análisis de los clientes indirectos
Corresponde a los diez principales clientes indirectos, que representaron el 65% de la venta
total del periodo. En la Figura 4, se observa un gráfico de burbujas para analizar tres
dimensiones importantes como la compra, las cantidades y el porcentaje de las devoluciones.
La compra se representa de manera horizontal, las devoluciones de manera vertical y el
tamaño de cada burbuja representa el porcentaje de devolución.
Así mismo, se puede observar que los clientes indirectos “MIF-3028” e “INK-2712” con
niveles de compra similares, tienen una gran diferencia respecto al importe devuelto, “INK-
2712” devolvió S/. 1’718,160 y “MIF-3028” reportó S/. 870,671 con una diferencia
significativa de S/ 847,489, aproximadamente el 50% menos en devoluciones.
Figura 4. Compras y devoluciones Top 10 clientes indirectos (ejercicio 2015)

En la Tabla 1, se muestra el detalle de las dimensiones de compra, devolución y el
porcentaje de devolución en relación al total por cada uno de los diez principales clientes. La
línea final de “Otros” representa la venta total del resto de clientes que tiene la empresa.
20
Tabla 1. Detalle de compras y devoluciones de los Top 10 clientes indirectos. (Ejercicio
2015)
DEVOLUCIÓN
CLIENTE INDIRECTO COMPRA % DE LA COMPRA
SOLES
ESS-1957 16,103,835 -514,224 3.2%
MIF-3028 13,924,230 -870,671 6.3%
INK-2712 13,801,031 -1,718,160 13.0%
BOT-1391 5,755,888 -238,729 0.0%
CL.-1642 3,654,430 -242,039 7.0%
CL.-1615 3,649,424 -61,185 1.8%
ONC-3134 2,840,356 -34,025 4.2%
ONC-3132 2,060,715 -12,304 1.4%
HOS-2668 1,879,870 -587,582 31.3%
ALB-0030 1,671,522 -166,057 22.9%
OTROS 28,202,570 -1,154,026 4.1%
Total 93,543,870 -5,599,003
De acuerdo a lo que se parecía en la Figura 4 y Tabla 1, surgen las siguientes
interrogantes:
• ¿El importe de las devoluciones se relaciona con el volumen de compra de los clientes
indirectos?
• ¿El tipo de cliente indirecto, público o privado influye sobre el importe de las
devoluciones?
En una primera revisión, se evidencia que no existe una relación directa entre el volumen
de compra e importe de las devoluciones. Lo que se requiere es poder conocer el
comportamiento de compra de los clientes.
1.2.2 Análisis de los productos
Corresponde a los diez principales productos más vendidos. En la Figura 5, se observa un
gráfico de burbujas para analizar la compra, las cantidades y el porcentaje de devoluciones.
La compra se representa de manera horizontal, las devoluciones de manera vertical y el
tamaño de cada burbuja representa el porcentaje de las devoluciones.

21
Además, se puede observar que los productos “LUC-0031” y “EXF-0015” ambos con
ventas similares, tienen una marcada diferencia en el importe devuelto entre ambos
productos; teniendo “EXF-0015” S/. 594,972, el cual representa más del triple de
devoluciones que “LUC-0031” con S/. 186,271.
También, se tienen casos de venta promedio con índices muy bajos de devolución, como
por ejemplo; el producto “CER-0007” con ventas de S/. 5’444,985, donde se evidencia que
la devolución no excede el 1% del total de devoluciones, siendo este producto el más bajo de
los diez principales productos.
Figura 5. Compras y devoluciones Top 10 productos (ejercicio 2015)

En la Tabla 2, se muestra el detalle de las dimensiones de compra, devolución y el
porcentaje de devolución en relación al total para cada uno de los diez principales productos
y respectivas franquicias, las cuales representan a diferentes grupos patológicos. La línea
final de “Otros” representa la venta total del resto de productos que tiene la empresa.
22
Tabla 2. Detalle de Compras y devoluciones Top 10 productos (ejercicio 2015)
DEVOLUCION % DE LA % DEL TOTAL DE

PRODUCTO VENTA (SOLES)
(SOLES) VENTA DEVOULCIONES
GAL-0021 8,502,305 (493,872) 5.8% 8.8%
LUC-0031 7,054,188 (186,271) 2.6% 3.3%
EXF-0015 6,661,023 (594,972) 8.9% 10.6%
DIO-0315 5,578,555 (506,092) 9.1% 9.0%
CER-0007 5,444,985 (69,462) 1.3% 1.2%
EFH-0015 5,172,865 (249,097) 4.8% 4.4%
VOL-0059 4,642,062 (282,339) 6.1% 5.0%
GLI-0024 4,446,255 (132,783) 3.0% 2.4%
LAM-0028 4,423,597 (91,231) 2.1% 1.6%
EXE-0014 4,157,297 (464,797) 11.2% 8.3%
OTROS 37,460,737 (2,528,086) 6.7% 45.2%
Total: 93,543,870 (5,599,003) 61.6% 100.0%
De lo observado en la Figura 5 y Tabla 2, surgen las siguientes interrogantes:
• ¿El importe de las devoluciones se relaciona con el volumen de compra de los productos?
• ¿El tipo de franquicia del producto influye sobre el importe de las devoluciones?
Como se muestra, tampoco existe una relación entre la cantidad vendida del producto y el
importe de la devolución. Esto demuestra que se deben evaluar otras variables para
determinar el patrón de comportamiento de compra de los clientes.
1.2.3 Impacto sobre el margen de venta
Luego de haber realizado un análisis preliminar de las ventas y devoluciones bajo las
perspectivas de cliente y producto, se muestra el impacto en el margen de venta debido al
desconocimiento de este comportamiento de compra de los clientes.
El margen de venta es el resultado que se obtiene de la diferencia entre la facturación total
y todos los posibles descuentos obtenidos al cierre de un periodo.
En la Figura 6, se muestra el comportamiento de la venta total y venta neta de los tres
últimos periodos 2013, 2014 y 2015. La línea azul representa la venta total, la línea roja
23
representa la evolución de la venta neta (margen de venta). Se puede observar que la
diferencia entre estas dos líneas representa los descuentos por devoluciones
92.00 94.75
90.00 93.54
88.00
86.00 Descuento por
84.00 88.66 Devolución de
86.39 85.32
82.00 mercadería
80.00
78.00 81.85
76.00
74.00
72.00
70.00
2013 2014 2015
Venta total (en millones de soles) Venta Neta (en millones de soles)
Figura 6. Evolución de la venta total y neta para los años 2013,2014 y 2015
Además, se observa de forma resumida en la Figura 7; que los importes por devolución se
han incrementado en los últimos años.
9.00 8.13
8.00 7.96
7.00 6.48
6.00
5.00
4.00
3.00
2.00
1.00
-
2013 2014 2015
Total Devoluciones (en millones de soles)
Figura 7. Evolución de la devolución para los años 2013,2014 y 2015

Así como se ha podido mostrar un impacto sobre el margen de ventas en la compañía,
también se pueden mencionar otros efectos originados por el desconocimiento de los patrones
de compra de los clientes:

24
• Las devoluciones generan un sobrecosto logístico, porque se necesita devolver el
producto para su respectiva destrucción.
• El almacenamiento de los productos, genera altos niveles de inventarios los cuáles
incurren en costos de alquiler de espacio, seguridad, seguros contra pérdidas y/o daño de
productos entre otros.
De acuerdo a lo revisado se plantean las siguientes interrogantes:
• ¿Qué sucedería si a través de un modelo de comportamiento de compra de los
clientes directos e indirectos se pudiera disminuir el stock de productos próximos
a vencer?
• ¿Qué sucedería si a través de un modelo de comportamiento de los clientes
directos e indirectos se pudiera reducir el sobrecosto de la logística?
• ¿Qué sucedería si a través de un modelo de comportamiento de los clientes
directos e indirectos se pudiera reducir las devoluciones de los productos?
clientes directos e indirectos asociados a los productos se podría direccionar
mejor los esfuerzos de nuestra fuerza de venta?
clientes directos e indirectos se podría mejorar la toma de decisiones que
optimice la rentabilidad de las ventas?
Finalmente, se considera que un modelo predictivo; permitirá tener un mejor
conocimiento de los patrones de compra de los clientes y de esta manera contribuir a brindar
una alternativa de solución con respecto al soporte de la información que se requiere para
tomar decisiones.
25
Un modelo predictivo además podrá sugerir la cantidad de productos que los clientes
directos e indirectos deben comprar. Esto apoyará la toma de decisiones e incluso a partir de
los resultados proponer nuevas políticas comerciales para clientes y productos con altos
niveles de devolución.
1.3 Objetivo general
Proponer un modelo predictivo que permita determinar el comportamiento de compra de
los clientes.
1.4 Objetivos específicos
El modelo predictivo de esta propuesta deberá permitir:
• Determinar las cantidades a devolver en base al comportamiento de compra de los
clientes indirectos.
• Determinar las cantidades a devolver en base al comportamiento de compra de los
clientes indirectos y los productos adquiridos.
1.5 Resultados esperados
De acuerdo a los objetivos específicos, los resultados que se esperan obtener en el
desarrollo del presente trabajo, son los siguientes:
a. Elaborar un modelo predictivo para determinar las cantidades de productos a
devolver de acuerdo al comportamiento de compra de los clientes indirectos.
b. Elaborar un modelo predictivo para determinar las cantidades de productos a
devolver de acuerdo al comportamiento de compra de los clientes indirectos y
productos adquiridos.
26
1.6 Métodos y procedimientos
Para la correcta ejecución de las actividades relacionadas a los resultados esperados a y b,
se revisaron las siguientes herramientas:
1.6.1 Framework de capacidades analíticas
Para entender en qué contexto de Analytics se desarrolla el presente trabajo, Gartner
(2015) propone un “Marco de trabajo de capacidades de Analytics” y cómo este brinda
soporte a la tomas de decisiones para llevar a una acción, como se muestra en la Figura 8.
Figura 8. Marco de trabajo de capacidades analíticas

Fuente: adaptado y traducido de Gartner (2013)
En la Figura 8, se aprecian las respuestas a las diferentes preguntas (¿qué?, ¿por qué?,
¿qué sucederá?, ¿qué debo hacer?) y el uso herramientas y técnicas que requieren diferentes
niveles de intervención humana para llegar a una decisión, y por último a una acción.
Una de estas capacidades, es la analítica predictiva; la cual se toma como marco de trabajo
para el desarrollo del presente trabajo.

27
1.6.2 Analítica predictiva
La analítica predictiva, es un método que permite atender la necesidad del negocio para
conocer el comportamiento y evaluar el resultado futuro, por ejemplo, el comportamiento de
compra de los clientes para evaluar la demanda y entrega futura de los productos.
“El análisis predictivo es la aplicación de la lógica y las matemáticas a los datos para
anticipar el comportamiento futuro o estimación desconocida de los resultados”.
(Gartner, 2010)
1.6.3 Procedimientos
Para poder cumplir con los objetivos de analizar los patrones de comportamiento de
compra, se propone la elaboración de modelos predictivos aplicando la metodología “CRIPS-
DM”, la cual es ampliamente utilizada en el entorno empresarial privado y público como se
muestra en la Figura 9.
Figura 9. Grado de utilización de las metodologías

Fuente: (Galán, 2016: 21)
La metodología “CRISP-DM”, estructura el ciclo de vida de un proyecto en seis fases, las
cuales interactúan de forma cíclica durante su desarrollo como se muestra en la Figura 10.
28
Figura 10. Fases del proceso de modelado de la metodología CRISP-DM

Fuente: adaptado y traducido de (Provost & Faecett, 2013: 38)
1.6.4 Fases del desarrollo
El desarrollo de las fases de la metodología “CRISP-DM”, permitirá llevar a cabo
mediante el análisis de los datos históricos; un modelo que evalúe la probabilidad de que un
cliente y/o producto con ciertas características se le asignará un estimado de devolución. Esta
evaluación se hace a través de miles o incluso millones de patrones de datos históricos de
ventas y devoluciones, además de los resultados observados.
A continuación, se describe lo que implica el desarrollo de cada fase:
• Entendimiento del negocio: esta primera fase es la más importante y agrupa las tareas de
comprensión de los objetivos y requisitos del proyecto desde una perspectiva de negocio,
con el fin de convertirlos en objetivos técnicos.

29
• Entendimiento de los datos: esta segunda fase, comprende la recolección inicial de los
datos con el objetivo de establecer un primer contacto con el problema, familiarizarse con
ellos, identificar su calidad y establecer las relaciones más evidentes que permitan
identificar las variables o dimensiones para los modelos.
• Preparación de los datos: comprende las actividades para adaptar los datos a las técnicas
de minería de datos. La preparación de los datos incluye las tareas generales de selección
de datos a los cuales se aplicará una determinada técnica de modelado, limpieza de datos,
generación de variables adicionales, integración de diferentes orígenes de datos y cambios
de formato.
• Modelado: en esta fase, se utilizan las técnicas de minería de datos más apropiadas al tipo
de problema que se quiere resolver. Para esta selección, se debe considerar el objetivo
principal del proyecto y la relación con las herramientas de minería de datos existentes.
Para el caso en estudio se aplican técnicas de análisis predictivo como se muestra en la
Figura 11:
Figura 11. Técnicas del análisis predictivo

Fuente: adaptado y traducido de Gartner (2013)
Las técnicas mostradas en la Figura 11, forman parte de la analítica predictiva, las cuales
se utilizarán de acuerdo a las necesidades y descubrimiento de los datos.

30
a) Las técnicas de clasificación; se utilizan para segmentar los clientes y los productos en
grupos, para un análisis más específico y dirigido.
b) Las técnicas de regresión; se usan para poder determinar un valor específico, por
ejemplo; la cantidad probable de devolución en base a grupos definidos en la técnica
de clasificación.
Estas técnicas, permitirán comparar los modelos y determinar que algoritmos son los
más apropiados para el caso de estudio.
• Evaluación: en esta fase se evalúa el modelo, teniendo en cuenta el cumplimiento de
los criterios de éxito del problema. Debe considerarse además, que la fiabilidad
calculada para el modelo se aplica solamente para los datos sobre los que se realizó el
análisis.
• Implantación: en esta fase, y una vez que el modelo ha sido construido y validado, se
transforma el conocimiento obtenido en acciones dentro del proceso de negocio.
Para el presente trabajo se utiliza esta metodología como un marco de referencia para el
desarrollo de los modelos propuestos. No forma parte de los objetivos, desarrollar cada fase
de la metodología.
1.7 Justificación
Se ha identificado los siguientes elementos, los cuales justifican las razones para el
desarrollo de la propuesta:
1.7.1 Beneficiarios directos
• Usuarios finales, quienes se beneficiarán por la disponibilidad de los productos en los
puntos de ventas de los clientes indirectos.

31
• Clientes indirectos, por la disminución de sus inventarios de productos próximos a
vencer, disminuyendo sus costos.
• Clientes directos, de igual manera; por la disminución de sus inventarios y reducción
del costo logístico para la gestión de la devolución de los productos. Así como el
incremento de la rotación de sus productos y mejor financiamiento para la compra de
los mismos.
• Fuerza de Ventas, que podrán tener un mejor soporte de información para direccionar
sus promociones hacia determinados productos, regiones y clientes.
• Gerencia comercial, gerencia general y accionistas, en la mejora de la rentabilidad por
efecto de la reducción de las devoluciones.
1.7.2 Beneficiarios indirectos
Gerencia Logística, en tanto que disminuirá el proceso logístico que se necesita para la
devolución de los productos.
1.7.3 Análisis de Sensibilidad
• Flujo de Caja Libre. Para poder justificar financieramente el proyecto, se estima que el
flujo de caja libre bajo un escenario moderado, sería como se muestra en la Tabla 3:
Tabla 3. Flujo de caja libre moderado esperado

32
FLUJO DE CAJA LIBRE

Periodo 0 2017 2018 2019
Ingresos (Ahorros) 105,000 115,763 127,628
Licencia Anual -6,000 -6,000 -6,000
Soporte -20,000 -20,000 -20,000
Hosting -15,000 -15,000 -15,000
Utilidad Bruta 64,000 74,763 86,628
Gastos Administración 0 0 0
Comisión de Ventas 0 0 0
EBITDA 64,000 74,763 86,628
Depreciación 0 0 0
EBIT 64,000 74,763 86,628
Impuestos -9,600 -11,214 -12,994

NOPAT 54,400 63,548 73,634
Depreciación 0 0 0
CAPEX -70,000
Inv adicional en CT 0 0 0 0
Valor de rescate AF 10,000
Recuperación del CT
FCF -70,000 54,400 63,548 83,634
Se puede evidenciar que, la inversión (CAPEX) corresponde a la consultoría especializada
para la ejecución del proyecto con una inversión estimada de S/. 70,000. Los gastos son en
licencia de software, soporte y hosting de los modelos analíticos, como se detalla en el
Anexo1.
• Resultados financieros: después de realizar el análisis de sensibilidad, de las ventas y
devoluciones que detalla en el Anexo 2 y 3 , se llegaron a obtener los resultados en los
diferentes escenarios como se muestra en la Tabla 4:
Tabla 4. Resultados financieros por escenario
Pesimista Esperado Optimista
Tasa de Crecimiento de las Ventas 5.0% 8.0% 10.0%
% de Reducción del primer año, con

crecimiento igual a las ventas
1.0% 1.5% 3.0%
VAN S/. 5,899 S/. 93,167 S/. 347,374

PayBack 0.97 0.97 0.16
TIR 19.48% 77.36% 219.36%

33
• Bajo un escenario pesimista, el proyecto es rentable con un VAN de S/. 5,899 (incluye la
recuperación de la inversión).
• Bajo un escenario optimista se obtiene un VAN de S/. 347,374 para el proyecto y una
TIR de 219% muy superior a lo esperado por el inversionista.
En resumen, el proyecto bajo estos escenarios es viable económicamente y genera valor a
la compañía.
1.7.4 Impacto social /ambiental
Al reducir la devolución, también disminuye la tasa de productos desechos por
vencimiento, así como el uso de los materiales (materia prima y empaque) utilizado para la
fabricación de los productos. También, se reducen las emisiones de CO2 utilizado por el
transporte de los productos devueltos al almacén.
1.8 Alcance
Como alcance de la investigación, se han considerado los siguientes puntos:
• Académico, se pueden mencionar las herramientas brindadas en la maestría de “Dirección
de Sistemas y Tecnologías de Información”; como el análisis de sensibilidad revisado en el
curso de “Evaluación de Proyectos”, la estructuración de la problemática la cual fue
desarrollada en el curso de “Tesis I” y “Tesis II”. Finalmente, el curso de “Big & Smart
Data” que contribuyó a contextualizar la problemática y la posible solución al tema de la
presente investigación.
• Organizativo, el presente trabajo tiene como ámbito de acción, brindar un soporte en base
a la información para la toma de decisiones en el área comercial de la empresa
farmacéutica.
34
• Procesos, el análisis de la información de los procesos del área comercial como ventas y
devoluciones.
• Personas, analizar el comportamiento de compra de los clientes directos, indirectos y
zonas geográficas.
• Tecnológico, utilizar un modelo analítico de inteligencia de negocios que permita brindar
un conocimiento del comportamiento de compra de los clientes y de esta manera brindar el
soporte adecuado a la toma de decisiones.

35
CAPÍTULO 2: DESCRIPCIÓN DEL CONTEXTO
2.1 Introducción
Se presenta el marco conceptual, donde se revisa el desarrollo de conceptos que permiten
entender las características y estándares del sector farmacéutico, el proceso de devolución de
mercadería y finalmente se describirá Business Analytics como alternativa de solución a la
problemática de desconocimiento del comportamiento de compra de los clientes de una
empresa del sector farmacéutico.
2.2 Sector farmacéutico
La industria farmacéutica a nivel mundial se encarga de promover la salud y el bienestar de
los pacientes mediante la inversión en investigación y desarrollo de nuevas medicinas. De
acuerdo a lo establecido por Melé (2006), las principales empresas del rubro comparten
criterios comunes en lo que respecta a valores, compromisos, misión, visión, responsabilidad
social y ambiental orientados al beneficio de la sociedad y de los pacientes.
2.2.1 Características comunes del sector
A continuación, se describen las principales características que comparten cada una de
estas organizaciones del rubro farmacéutico a nivel mundial:
a. Misión, compromisos y valores corporativos; se ha identificado que un factor en común,
es la orientación a servir y lograr hacer sentir mejor a los pacientes. Dicho compromiso
con la salud y el bienestar es fundamental para lograr los objetivos de cada una de estas
organizaciones.
Seguidamente, se referencia la misión de tres empresas líderes a nivel mundial en este
sector:
36
• Pfizer (EEUU, promedio de ventas a nivel mundial 25 mil millones de dólares al año),
nuestra misión, “Llegaremos a ser la empresa más valiosa del mundo para pacientes,
clientes, colegas, inversores, socios empresariales, y para las comunidades donde
trabajamos y vivimos” (Pfizer, s.f.).
• Sanofi (Francia, promedio de ventas a nivel mundial 52 mil millones de dólares al año),
su misión es: “Nuestro negocio consiste en descubrir medicinas innovadoras y vacunas
que ofrezcan nuevas soluciones terapéuticas para los pacientes. Nuestra estrategia para
lograrlo ha sido consistente durante treinta años y supone un crecimiento rentable y
sostenido” (Jean- François Dehecp, Presidente y Director Ejecutivo de Sanofi-Aventis,
Memoria anual de 2004 citado en Melé, 2006: 10).
• Novartis (Suiza, promedio en ventas a nivel mundial 28 mil millones de dólares al año),
nuestra misión, “Queremos descubrir, desarrollar y comercializar con éxito nuevos
productos para curar enfermedades, aliviar sufrimientos y mejorar la calidad de vida.
Queremos también proporcionar un retorno a los accionistas que reflejen un excelente
desempeño y una compensación adecuada a los que invierten ideas y trabajo en nuestra
compañía” (Melé, 2006: 10).
De lo visto anteriormente, se puede concluir que el aspecto de rentabilidad para los
accionistas; no está incluido directamente en la misión o visión de estas organizaciones, sin
embargo, se entiende que este punto está considerado indirectamente y es fundamental para
lograr sus propósitos comerciales.
b. Respeto al medio ambiente.
Según lo descrito por Melé:
“El respeto al medio ambiente es también asumido y destacado. La preocupación se

expresa en utilizar de manera adecuada el consumo de recursos naturales, en
desarrollar procesos limpios, y en reducir y reciclar los residuos generados. Para todas
estas organizaciones la aplicación de la norma ISO 14001 sobre medio ambiente es
habitual”. (2006: 3)
37
De acuerdo a lo establecido por (Calle y otros, 2014: 6) se resalta la importancia de un
sistema de gestión ambiental basado en la norma ISO 14001:2004 con el fin de minimizar la
contaminación generada por este tipo de empresas.
De la misma manera, se destaca que en estas organizaciones se promueve el uso de
material reciclable y la conciencia a utilizar eficientemente los recursos naturales.
c. Ética en las relaciones empresariales.
En el aspecto de relaciones y ética empresarial, se ha identificado que las organizaciones
de este rubro declaran su forma de trabajar a través de normas y políticas claras y
transparentes utilizando códigos de conducta que suelen incluir los siguientes aspectos:
• Cómo evitar conflictos.
• Mantener confidencialidad.
• Protección de activos de la compañía.
• Relaciones justas con proveedores.
• Tipo de clientes.
• Autoridades públicas.
• Patentes de productos farmacéuticos.
Según lo establecido por Correa (2004: 4) se resalta la importancia de las patentes sobre el
sector farmacéutico porque de todos los mercados este es uno que presenta la mayor
dependencia de patentes para mantener monopolios comerciales y autonomía temporal en el
mercado médico. Para reforzar este punto, se puede mencionar que dentro de las
organizaciones farmacéuticas; se tienen áreas como Customer Service especializadas en
mantener un canal de comunicación directo con los proveedores para velar que se respecten
los acuerdos, políticas y códigos de conducta establecidos.

38
2.2.2 Estrategias empresariales del sector
Las estrategias en el sector farmacéutico se centran principalmente en dos aspectos:
a) La investigación de nuevas moléculas para la creación de medicina que atienda
enfermedades sin diagnóstico actual o ya existente.
b) La elaboración de productos genéricos a menor costo.
A continuación se detalla lo investigado de cada una de ellas:
• Estrategia de investigación y desarrollo. Que comprende la venta de productos con
márgenes altos, debido a la exclusividad de las patentes por periodos entre cinco a veinte
años. Una vez cumplido el periodo de vigencia de la patente, la fórmula utilizada para la
elaboración de estos productos es publicada para que otros laboratorios la reproduzcan
como medicamentos genéricos.
Según (Luengo, 2012: 5) la investigación y desarrollo de nuevas moléculas es un tema
que demanda altos costos y tiempos para lograr desarrollar un nuevo producto.
Estrategia de productos genéricos. Que comprende la producción masiva de
medicamentos a un bajo costo, obteniendo rentabilidad por el volumen de venta.
Técnicamente esta estrategia emplea una formula equivalente a la utilizada por los productos
cuya patente cumplió su vigencia. Citando un ejemplo de esto, se tiene el caso descrito por
Esteban Pérez López, Análisis comparativo de la uniformidad de contenido en tabletas de
“Sildenafil” (50 mg/t (2014: 75), de un producto genérico y el medicamento original (2014)
en el cual se logró demostrar que los resultados son homogéneos entre ambos productos.
Cabe indicar que en ambas estrategias el precio es regulado por el país en donde se
comercializa el producto.
39
2.3 Devolución de mercadería en el sector farmacéutico
2.3.1 Involucrados en el proceso
Para entender el proceso general de devolución de productos por concepto de vencimiento,
se ha elaborado un mapa de procesos tomando como referencia la información de la empresa
farmacéutica en la región andina (Ecuador, Venezuela Colombia, Perú). En el mapa de
procesos se podrá ver la interacción entre los siguientes involucrados:
• Farmacéutica: empresa importadora de productos farmacéuticos.
• Cliente directo: distribuidores mayoristas de mercadería, encargados de llevar a los
puntos finales de venta los medicamentos.
• Cliente indirecto: punto final de venta (farmacias, hospitales, clínicas, cadenas, entre
otros).
2.3.2 Descripción del proceso
El proceso de solicitud de devolución de mercadería por motivo de vencimiento, empieza a
solicitud del cliente indirecto (punto final de venta), dicha solicitud se realiza mediante
formato de devolución estándar que es enviado al distribuidor respectivo para su revisión y
atención. Luego de validar el pedido, el distribuidor gestiona la solicitud de devolución del
producto con la empresa farmacéutica. La empresa farmacéutica es la responsable de recibir
los productos vencidos y reponer el lote respectivo. Esta nueva mercadería es llevada al
almacén del distribuidor quien a su vez se encargará de trasladar el producto al almacén del
cliente indirecto, completando la solicitud inicial. En la Figura 12 se muestra el proceso
previamente descrito.
40
Figura 12. Proceso de devolución

2.3.3 Comparación del proceso local versus regional
De este proceso, se destacan los puntos en común y divergentes entre la organización
objeto de estudio y otros países de la región, lo cual se describe en la Tabla 5:
Tabla 5. Comparativo del proceso de devolución
Puntos en común Puntos divergentes

Las solicitudes de devolución se realizan Existe una notificación al cliente indirecto
por intermedio del distribuidor. una vez completado el proceso de revisión
sobre la solicitud de devolución
Solo se puede devolver productos y no El distribuidor es quien se encarga de
montos en efectivo. recoger la nueva mercadería en el almacén
de la farmacéutica y luego llevarla al punto
final de venta.
Se realizan dos revisiones para validar los
productos devueltos, una por parte del
distribuidor y otra por parte de la
farmacéutica
2.4 Business Analytics (BA)
Dado que el presenta proyecto de tesis tiene como objetivo determinar el patrón de
compras de los clientes directos e indirectos, es necesario conocer los conceptos básicos
de Businnes Analytics; lo cual permitirá contribuir a resolver la situación problemática
y brindar el soporte de información a los procesos de compra de clientes directos,
indirectos y asignación de zonas geográficas a la fuerza de ventas.
2.4.1 Definición de Business Analytics
De acuerdo con Gartner (2014) Busines Analytics se define como "Soluciones
utilizadas para construir los modelos de análisis y simulaciones para crear escenarios,
entender las realidades y predecir los estados futuros".
pág. 41
42
Esta capacidad de crear, entender y predecir es lo que permite a las empresas generar
valor a partir de la información. Business Analytics también incluye minería de datos,
análisis predictivo, análisis y estadísticas aplicadas.
Otras definiciones de Business Analytics, menciona que:
“Business Analytics es un término amplio utilizado para describir habilidades,

tecnologías y prácticas, para una exploración continua e interactiva del
rendimiento de los negocios, permite obtener nuevos conocimientos basados en
datos y generar valor a la empresa”. (Beller & Barnett, 2009:18)
Business Analytics, “Hace un amplio uso de análisis estadístico, incluyendo modelos
descriptivos, predictivos y prescriptivos para impulsar la toma de decisiones” (Schmueli
& Koppius, 2007).
Estos modelos analíticos, impulsan que la toma de decisiones sea menos subjetiva
(menor intervención del factor humano) y pueda conducir a la toma de decisiones
totalmente automatizadas, como se menciona en la siguiente referencia,
“Business Analytics es un punto importante para la diferenciación competitiva y
aprovechar oportunidades sociales, por el gran manejo de datos y la capacidad
de automatizar decisiones”. (Stubbs, 2013: 69)
2.4.2 Definición de Data Science
De acuerdo con Alex Liu, (2015: 6), Data Science o ciencia de datos en español es
un campo que involucra procesos y sistemas que se encargan de extraer conocimiento
en base a un gran volumen de datos (pueden ser estructurados y no estructurados). La
ciencia de datos, es un nuevo paradigma sobre el cual los investigadores se apoyan de
sistemas y procesos muy diferentes a los utilizados en el pasado, como son: modelos,
ecuaciones, algoritmos, así como evaluación e interpretación de resultados. De acuerdo

43
a lo descrito previamente, se resalta la importancia de la ciencia de datos para lograr
extraer, almacenar, procesar y analizar la información para generar valor a las
organizaciones.
A continuación, en la Figura 13 se muestran las disciplinas asociadas a la ciencia de
datos
Figura 13. Disciplinas de la Ciencia de Datos

2.4.3 Visión estratégica de Business Analytics y Data Science
La toma de decisiones en base a los “Insight” encontrados mediante la ciencia de
datos, es un cambio muy difícil de adoptar en muchas organizaciones y no se garantiza
el éxito de su aplicación (Liebowitz, 2014: 8). Para tal caso, se debe tener una estrategia
para poder gestionar este cambio en las organizaciones como se verá en la Figura 14.
44
Figura 14. Visión estratégica de Business Analytics

Fuente: adaptado del libro impreso (Liebowitz, 2014:9)
La figura 14, muestra cómo la ciencia del análisis de los datos genera un “Insight”,
pero por si sólo el “Insight” no genera una acción. El valor del “Insight” tiene que ser
definido y comunicado. Se debe construir la confianza en base a la entrega de valor y
poder medir lo que realmente se prometió en la definición. Cuando estos cuatro puntos
se cumplan, es que se puede hablar de un cambio y/o mejora. “Este ciclo descrito
alineado a la visión estratégica ayuda a crear una diferenciación competitiva”
(Liebowitz, 2014: 9).
Es por eso que toda iniciativa analítica necesita de estos cuatro puntos que se
describen a continuación:
• Definir el valor, para construir las bases y evitar una falta de interés.
• Comunicar el valor, para construir el entendimiento y evitar la confusión.
• Entregar el Valor, permitiendo ganancias tácticas, así como diferenciación
competitiva a largo plazo.

45
• Medir el Valor, apoyando la transformación continua y el aseguramiento de la
entrega de valor.
En conclusión, es importante que las iniciativas de Business Analytics; consideren
estos cuatro puntos para aprovechar los “Insights” obtenidos con el análisis de la
Ciencia de datos. Esto combinado con una arquitectura de valor, plantea una estrategia
adecuada para el éxito de las aplicaciones de Business Analytics, como se puede
observar en la figura 15:
Figura 15. Ciencia de Datos y Arquitectura de Valor

Fuente: adaptado de (Liebowitz, 2014 :11)
2.4.4 La importancia de una estrategia de Business Analytics
Actualmente existen muchos desafíos que las empresas están afrontando como:
• Estrategias tradicionales de Inteligencia de Negocios, que no son suficientes para
impulsar el uso del análisis dentro de la organización.
• Una diversidad de capacidades analíticas y una casi infinita cantidad de datos que
ofrecen una gran oportunidad para nuevos “Insights”, el cual hace cada vez más
difícil que las organizaciones identifiquen en qué concentrarse.

46
• El incremento de los negocios digitales, que está conduciendo hacia un negocio
algorítmico, con necesidades de modelos analíticos que automatice las ideas,
acciones y decisiones.
Según investigaciones realizadas por la organización “Gartner”, la mayoría de las
empresas carecen de una estrategia formal para estar preparados y afrontar estos
desafíos (Gartner, 2015a).
Como consecuencia de esto, en los últimos años los directores ejecutivos o llamados
CEOs por sus siglas en inglés (“Chief Executive Officer”), están colocando a Business
Analytics, como su principal prioridad, como se muestra en la Figura 16:
Figura 16. Inversión según CEOs en los próximos 5 años

Fuente: (Gartner, 2015a)
Se puede apreciar que Business Analytics representa un 28% del presupuesto de
inversiones en tecnologías de información, seguido de Ciencia de Datos y Big Data con
24%. Esto demuestra el alto potencial y valor que se le da en las organizaciones.

47
Los líderes de las empresas deben mejorar la madurez de Business Analytics en las
organizaciones para ofrecer un mayor valor de negocio y una ventaja competitiva a
partir de análisis (Gartner, 2015b).
Según lo mencionado, el logro de mayores niveles de madurez requiere de una
estrategia integral que incorpore todos los aspectos importantes más allá de la selección
y la implementación de la tecnología.
Es por eso que ahora los directores de información, conocidos como CIOs por sus
singlas en inglés (“Chief information officer”) están orientando sus iniciativas de
Business Analytics, porque el reto ahora no sólo es la tecnología, sino también una
buena estrategia de Business Analytics.
La estrategia de Business Analytics, tiene que verse como un proceso continuo y
dinámico. Este proceso debe describir:
“Cómo llegar, a dónde quieres llegar, identificar y asignar recursos, definir cómo
medir el éxito de forma dinámica, adaptarse a las circunstancias cambiantes y
actuar tanto de manera proactiva y reactiva”. (Gartner, 2015).
2.5 Conclusión
En conclusión, este capítulo ha permitido conocer los principales conceptos
relacionados al sector farmacéutico, también las características comunes y estrategias
del sector, así como la definición general del proceso de devoluciones que realizan las
empresas de este rubro. Asimismo, comprender cómo están interrelacionados los
conceptos de Business Analytic, Data Science y Data Mining, y cómo estos brindan las
herramientas para ayudar a plantear las alternativas de solución al problema identificado
en la organización que es el desconocimiento de comportamiento de compra de los
clientes.
48
CAPÍTULO 3. ESTADO DEL ARTE
3.1 Introducción
El estado del arte del presente trabajo, permitirá conocer los estudios e
investigaciones realizados sobre temas relacionados al problema identificado en el
capítulo 1, el desconocimiento de los patrones de compra de los clientes en una empresa
del sector farmacéutico. A partir de este problema identificado, se plantean los objetivos
de revisión con la finalidad de revisar los trabajos y publicaciones académicas sobre el
problema descrito.
3.2 Objetivo de la revisión
Los objetivos de la revisión planteados son:
• Objetivo 1: identificar los métodos y procedimientos relacionados al proceso de
devoluciones en el sector farmacéutico.
• Objetivo 2: conocer las diferentes aplicaciones de la minería de datos en el sector
farmacéutico asociados a la problemática.
• Objetivo 3: describir la gestión de conocimiento de clientes en el sector
farmacéutico.
3.3 Metodología de revisión
La metodología de revisión se ha realizado en base a estudios e investigaciones
publicadas en bases de datos académicas.

49
• Para el Objetivo 1, identificar los métodos y procedimientos relacionados al
proceso de devoluciones en el sector farmacéutico, los recursos informativos, bases
de datos y estudios consultados fueron los que se muestran en la Tabla 6:
Tabla 6. Recursos informativos, para el objetivo de métodos y procedimiento del
proceso relacionados al proceso de devoluciones en el sector farmacéutico
Base de Datos Papers

Documento interno de la Política comercial
empresa objeto de estudio
Google Scholar Diseño de un modelo de inventarios para la operación
logística de una compañía farmacéutica. HSA Mayorga,
CF Téllez (2010)
Google Scholar Propuesta de un manual de procedimientos estándares de

operaciones a partir de la guía de inspección de buenas
prácticas de almacenamiento para droguerías.
(Chamagua,2012)
Google Scholar Implementación de un modelo para la administración de
la demanda de una empresa farmacéutica a fin de
optimizar el inventario en el mercado
Google Scholar Integración vertical hacia delante a través de una
franquicia de farmacias bajo el paraguas de una
distribuidora de productos farmacéuticos
• Para el objetivo 2: conocer las diversas aplicaciones y/o trabajaos realizados en el
sector farmacéutico aplicando herramientas de minería de datos, los recursos
informativos, bases de datos y estudios consultados se muestran en la Tabla 7.
Tabla 7. Recursos informativos, relacionados a aplicaciones y beneficios de la
minería de datos en el sector farmacéutico

50

EBSCO Host. Data mining in pharma sector benefits.
International Journal of Health Care,Quality Assurance
Vol. 22 No. 1, 2009 , pp. 82-92
ProQuest Applications of Data Mining in Pharmaceutical Industry.
Wang, J., Zhou, B., Hsu, J., & Xing, R. (2011).
Paper presented at the , 4(1) 120-128. Retrieved from
http://search.proquest.com/docview/900786495?accountid=43860
.ResearchGate Sales prediction for a pharmaceutical distribution company: A data
mining based approach.
Neda Khalil Zadeh, Mohammad Mehdi Sepehri, Hamid Farvaresh
Hindawi Publishing Corporation
Mathematical Problems in Engineering
Volume 2014, Article ID 420310, 15 pages
EBSCO Host. Using data mining to segment healthcare markets from patients’
preference perspectives.
Liu, S. S., & Chen, J. (2009).
Journal Of Health Care Quality Assurance, 22(2), 117-134.
Scopus Optimization of the promotion mix in the healthcare
industry’,International Journal of Pharmaceutical and Healthcare
Marketing
Haughton, D., Hua, G., Jin, D., Lin, J., Wei, Q. and Zhang, C. (2015)
‘, 9(4), pp. 289–305. doi: 10.1108/ijphm-03-2013-0008.
ProQuest Customer value assessment of pharmaceutical marketing in Taiwan.

Yi-Fei Chuang, Shui-Hui Chia, & Jehn, Y. W. (2013). Industrial
Management & Data Systems,113(9), 1315-1333.
doi:http://dx.doi.org/10.1108/IMDS-01-2013-0045
• Para el objetivo 3: describir la gestión del conocimiento de clientes en el sector
farmacéutico, los recursos informativos, bases de datos y estudios revisados
Tabla 8. Recursos informativos, relacionados a la gestión de conocimiento de
clientes en el sector farmacéutico

EBSCO Host. Roche, GlaxoSmithKline
and Eli Lilly case studies. © Datamonitor
(Published 08/2004).
EBSCO Host. Strategic and organizational determinants
of sophistication in deployed sales force automation
51
systems within three industry sectors in the UK.

Bill Donaldson, Robert Gordon University, UK;
Jong-Ho Lee, Korea University Business School,
Korea; George Wright, Warwick University, UK
(2012).
EBSCO Host. Benchmarking Web Based CRM Strategies of
Pharmaceutical Companies:
A Competitive Analysis Using Analytic Hierarchy
Process.
Maheshkumar P. Joshi, Thani Jambulingam y Ravi
Kathuria.
Google Scholar Factores de éxito de CRM: un estudio exploratorio
en el sector bancario español. Jesús Cambra-Fierro1
Universidad Pablo de Olavide, Sevilla. Edgar
Centeno Tecnológico de Monterrey, México DF.
Ana Olavarría Universidad Pablo de Olavide,
Sevilla. Rosario Vázquez-Carrasco Universidad
Pablo de Olavide, Sevilla. (2014)
3.4 Resultados de la revisión
3.4.1 Del Objetivo 1: identificar los métodos y procedimientos
relacionados al proceso de devoluciones en el sector farmacéutico
La revisión de recursos informativos se enfocó en las soluciones actuales que existen
en el entorno farmacéutico para atender la necesidad de reducir los índices de
devoluciones de productos por motivo de vencimiento. Asimismo, se ha revisado
documentación actual que permitan ver las tendencias asociadas a las buenas prácticas
comerciales, gestión de inventarios, sistemas de apoyo de logística, y políticas y
procedimientos del sector.
Como primer punto, se tiene lo establecido en la política comercial de la
organización objeto de estudio para el manejo de existencias y devoluciones, en dicha
política comercial se establece lo siguiente:
• Para el stock de los distribuidores. Los niveles de existencia mínimos de los
distribuidores deben estar alineados en base al promedio de venta de los tres últimos
52
meses y dicho factor es calculado por el área de planeamiento de la empresa
farmacéutica. Este control tiene por fin, evitar generar un sobrestock para los
distribuidores, al atender pedidos que no estén alineados con su historial de venta. El
principal problema de este control, es que se evalúa el total de stock contra el promedio
de venta de los tres últimos meses, no existe un detalle a nivel de producto para validar
la existencia
• Para la rotación de productos. Los clientes de la farmacéutica aplicarán el
sistema FEFO, norma de primero en caducar primero en salir. Este control brinda
prioridad para la rotación de productos con fecha de pronta expiración.
• Para el control de inventarios. La empresa farmacéutica realizará inspecciones
de inventario periódicas a los almacenes de los clientes. Las inspecciones se realizan de
forma semestral con el fin de evaluar que exista un bajo índice de productos con corta
expiración en los almacenes de los distribuidores, esto brinda una alerta a la
farmacéutica y permite tomar acciones para promover la rotación de los productos con
riesgo de pronta expiración. El objetivo de este primer punto es apoyar el control de los
productos luego de la comercialización, se considera como una acción preventiva para
atacar el problema de las devoluciones.
Como segundo punto, se tiene lo establecido por Hugo Santiago Aguirre Mayorga,
Carolina Franco Téllez en “Diseño de un modelo de inventarios para la operación
logística de una compañía farmacéutica”, donde se analiza la problemática encontrada
en el proceso de planeación de demanda e inventarios de una compañía multinacional
perteneciente al sector farmacéutico en Bogotá, Colombia. Este análisis brinda un
modelo de inventarios, el cual es adaptado según la realidad y políticas de la empresa
que finalmente es soportado por un sistema de información. De este análisis, se rescata

53
el enfoque que se brinda al proceso de planeación, que siendo un paso previo al proceso
de comercialización evaluado, también es de suma importancia; pues en base a esta
planeación de demanda de inventarios, se realizan los pedidos de importación de
productos para abastecer el stock local de la farmacéutica, siendo este punto el inicial
para mantener un stock adecuado y así atender la demanda de los clientes.
Para reforzar el punto anterior, se tiene lo establecido por Mónica Estefanía Abad
Jara, en la “Implementación de un modelo para la administración de la demanda de una
empresa farmacéutica a fin de optimizar el inventario en el mercado”, donde también se
establece un estudio de la demanda de productos farmacéuticos, con el objetivo de
conocer mejor su comportamiento, aplicando métodos conocidos de pronósticos y
promedios móviles, análisis exponencial, descomposición aditiva y regresión lineal en
donde finalmente se establece un esquema de control de inventarios. Este estudio brinda
una aproximación a la realidad de demanda de los clientes en base a un método que
elimina la subjetividad y disminuye la variabilidad y errores en pronósticos. Permite
determinar errores en proyecciones para un determinado periodo y apoya en realizar una
adecuada planificación de ventas.
El último punto revisado fue la “Propuesta de un manual de procedimientos
estándares de operaciones a partir de la guía de inspección de buenas prácticas de
almacenamiento para droguerías”: Este artículo se enfoca en la importancia de la
documentación y cumplimiento de políticas de almacenamiento para control de stocks.
Esta investigación refuerza la importancia sobre el uso de procedimientos y políticas
que la empresa objeto de estudio realiza en la actualidad para tener trazabilidad y apoyar
al proceso de devolución de mercadería.

54
Finalmente, para lograr obtener trazabilidad en el proceso de ventas y minimizar la
devolución de mercadería por concepto de vencimiento, las empresas del rubro
farmacéutico están obligadas a establecer y cumplir controles y políticas sobre todo el
proceso comercial. Es de suma importancia mantener un proceso eficiente, ya que las
devoluciones de mercadería para el sector farmacéutico involucran un impacto negativo
sobre el margen de ventas. Debido a que los controles del proceso de devolución son tan
estrictos, es importante utilizar soluciones informáticas que permitan garantizar dicho
nivel de exactitud. Esto con el fin de garantizar una trazabilidad en el proceso y apoyar
a mejorar los tiempos de respuesta en las diferentes actividades.
3.4.2 Del Objetivo 2: conocer las diferentes aplicaciones de minería de
datos en el sector farmacéutico
Beneficios y Aplicaciones
Como resultado de la revisión de múltiples investigaciones relacionadas a minería de
datos en el sector farmacéutico, se menciona lo siguiente:
“La cantidad de datos generados en cualquier sector en la actualidad es enorme.

El flujo de información en la industria farmacéutica es enorme, las empresas
farmacéuticas están avanzando cada vez más en productos y servicios
habilitados con la tecnología. La minería de datos, que es el descubrimiento de
conocimiento a partir de grandes conjuntos de datos, ayuda a las empresas
farmacéuticas a descubrir patrones en la mejora de la calidad de descubrimiento
de fármacos y métodos de entrega”. (Jayanthi, 2007)
En este contexto se menciona que las técnicas de minería de datos pueden dar
buenos resultados en el sector farmacéutico y mejorar la toma de decisiones a partir de
los datos, algunas de las técnicas y aplicaciones se puede observar en la Tabla 9.
Tabla 9. Patrones de la industria farmacéutica y las técnicas de minería de datos
usadas
55
Fuente: (Jayanthi, 2007)
Como se puede observar en la Tabla 9, las técnicas de clasificación y predicción
pueden ser utilizadas para resolver el problema planteado en el presente trabajo. Por
otro lado, los beneficios que se pueden obtener pueden ser diversos y aplicados a
diferentes tipos de industrias y sectores, por ejemplo:
a. El análisis de datos clínicos, para evaluar el riesgo del desarrollo y lanzamiento
de un producto.
b. Análisis de marketing y ventas, para examinar el comportamiento de los
consumidores en términos de la prescripción, compras de productos y renovación.
c. Análisis de los clientes, analizar las tendencias históricas de salud en
combinación con los datos demográficos.
d. Combinar la información de ventas de productos con grupos de clientes y canal
de atención al cliente, para analizar qué conduce a los médicos a recetar ciertos
medicamentos en una mayor proporción.

56
e. Análisis operacional y financiero, para examinar la actividad de la prescripción
en una región geográfica o área y realizar ajustes de la fuerza de ventas de acuerdo al
mercado, tamaño o penetración.
f. Análisis de principales distribuidores, para crear de forma proactiva los puntos
de precio que benefician tanto al comprador como a la organización.
g. Análisis de la cadena de suministro, mejorar los programas de producción a
través del análisis de productos farmacéuticos con bajos niveles de rotación.
h. Administrar los inventarios, para la falta de existencias en las tiendas minoristas
y de farmacia.
Algunos de estos beneficios, permitirán tener un mayor análisis para poder abordar y
determinar los patrones de comportamiento de los clientes y los productos que compran.
Resultados de una Aplicación de minería de datos para el Manejo de inventarios en
el sector farmacéutico
Un estudio realizado por Neda Khalil Zadeh y Mohammad Mehdi Sepehri,
menciona que:
“Uno de los problemas de las empresas de distribución farmacéutica (PDC) es la

forma de controlar los niveles de inventario con el fin de evitar que los costes de
inventario sean excesivos y para evitar la pérdida de clientes debido a la escasez
de medicamentos”. (Khalil & Mehdi, 2014)
También, se afirma que una predicción precisa de la venta es una forma esencial y de
bajo costo que las empresas pueden utilizar para aumentar sus ganancias, disminuir sus
costos y lograr una mayor flexibilidad a los cambios. En otras palabras, la previsión de
ventas exacta se utiliza para mantener el equilibrio entre la satisfacción de la demanda
del cliente y los costos de inventario (Gupta, Maranas & Mcdonald, 2000).
Especialmente, para la industria farmacéutica, los sistemas de predicción de ventas

57
puede ser muy beneficiosos, debido a la corta vida útil de muchos productos
farmacéuticos y la importancia de la calidad del producto que está estrechamente
relacionada con la salud humana (Doganis y otros, 2006).
Este estudio fue realizado en uno de los distribuidores líderes del sector farmacéutico
en IRAN (Pakhsh Hejrat Co), utilizando una combinación de herramientas de minería
de datos como el análisis de red y previsión de series temporales.
Los resultados de la investigación tuvieron los siguientes aportes:
• Se llegó a trabajar la investigación con datos reales y con los altos directivos de
las cuatro principales empresas del sector farmacéutico que representaban el 70% de las
ventas a farmacias.
• Se introdujo un nuevo método de agrupación de productos para hacer uso de los
datos de ventas anteriores y aumentar la precisión de la predicción, el sistema utilizado
superó a dos anteriormente conocidos.
• Se encontró útil considerar los atributos terapéuticos de los productos, con la
finalidad de encontrar grupos de medicamentos similares.
De lo revisado, se concluye que utilizando las técnicas de minería de datos se pueden
determinar los patrones de comportamiento en base al análisis de la información
histórica de las ventas y devoluciones así como de los atributos de los productos y
clientes, con la finalidad de poder predecir una estimación de una compra más eficiente
que impacte en la disminución de las devoluciones.

58
3.4.3 Del Objetivo 3: conocer los métodos y procedimientos relacionado a
describir la gestión del conocimiento en el sector farmacéutico
De acuerdo a la literatura revisada, la gestión del conocimiento de clientes se
enmarca dentro de lo que se conoce como administración de las relaciones con los
clientes o CRM por sus siglas en inglés.
Según Ronald Swift (2002), “CRM es un enfoque empresarial que permite conocer la
conducta de los clientes e influir en esta a través de una comunicación congruente para
aumentar su nivel de captación, retención, lealtad y rentabilidad”.
Para entender el concepto de CRM, en la Tabla 10 se muestra los conceptos de CRM
desde varias perspectivas. Esto con la finalidad de evitar el sesgo que existe al
considerar CRM y tecnología como sinónimos.
Tabla 10. Conceptos de CRM desde varias perspectivas
Perspectivas Descripción
FILOSÓFICA (Fairhurst, 2001; Piccoli et El CRM se centra en construir y mantener
al., 2003) relaciones a largo plazo con los clientes.
Toda la organización debe tener al cliente
como principal referencia.
DE PROCESO (Grönroos, 2000; Reinartz El CRM se centra en el carácter dinámico y

et al., 2003) evolutivo de las relaciones con los clientes.
CAPACIDAD (Peppers et al., 1999) Los recursos y las capacidades de la

organización y su explotación son
imprescindibles para lograr ventajas
competitivas.
TECNOLOGÍA (Shoemaker, 2001; El CRM es un recurso imprescindible ya

Gefen y Ridings, 2002) que permite recoger y almacenar datos para
construir y difundir conocimiento por toda
la organización.
ESTRATEGIA (Kracklauer et al., Considera de forma agregada las otras
2001; Adenbajo, 2003) perspectivas, centrándose además en el
Customer Lifetime Value (CLV)
Fuente: (Cambra y otros, 2014)
59
Según Jesús Cambra-Fierro, Edgar Centeno, Ana Olavarría y Rosario Vázquez-
Carrasco (2014), la orientación al mercado y la gestión del conocimiento son posibles
factores de éxito de una estrategia CRM. La gestión del conocimiento como una
capacidad organizacional para gestionar operativamente la información lo cual permitirá
obtener mejores resultados.
Para llevar esto al sector farmacéutico, primero se debe identificar quiénes son los
clientes. Esto dependerá de la estrategia que lleve a cabo la compañía. Los clientes
pueden ser los pacientes, los médicos o las empresas que participan en la cadena de
suministro como las descritas en el capítulo 1, los llamados clientes directos y clientes
indirectos. La empresa farmacéutica en estudio, desarrolla estrategias de CRM
orientadas principalmente a los clientes indirectos.
A continuación se menciona un par de casos de compañías del sector farmacéutico
que implementaron estrategias y enfoques CRM:
En un estudio realizado por (Maheshkumar & otros, 2011) para comparar las
estrategias CRM llevadas a cabo en la web, determinó que las empresas Merck,
Novartis y Eli Lilly están en ventaja con relación a otras organizaciones. La compañía
Wyeth estuvo más orientada a las relaciones con el paciente mientras que Eli Lilly tuvo
un alto enfoque en la relación con el médico. La investigación utilizó un método
llamado Analytic Hierarchy Process (AHP) y analizó siete compañías farmacéuticas.
AHP es un marco de referencia para estructurar un problema de decisión y evaluar
alternativas de solución.
Otros estudios realizados por (Datamonitor, 2004), determinó la importancia y el
impacto positivo en el negocio en tres empresas farmacéuticas Roche, GlaxoSmithKline
y Eli Lilly al utilizar enfoques y estrategias CRM.

60
CRM en Roche Xenical, ayudó a direccionar los problemas de cumplimiento de la
compañía con la marca, a través del desarrollo de un programa orientado al paciente.
Después de la inscripción del paciente, la compañía supervisaba el progreso del cliente
con frecuencia, enviando correos electrónicos y notificaciones, así mismo brindó acceso
a un centro de atención de llamadas que atendía las consultas y problemas de los
clientes, tomando nota de sus comentarios sobre los productos adquiridos. Por otro lado,
los representantes del servicio al cliente llamaron a cada cliente dentro de los tres días
siguientes a la renovación de sus recetas programadas para preguntarles y animarlos a
renovar la prescripción del producto.
Finalmente los enfoques y estrategias CRM contribuirán a brindar el soporte de
información que requieren los procesos de compra de clientes directos e indirectos que
son las causas identificadas del problema en estudio.
CAPÍTULO 4. DESARROLLO DE LA PROPUESTA DE LA ELABORACIÓN
DEL MODELO
En este capítulo se presentan las etapas para la elaboración del modelo. Se ha tomado
como referencia las fases de la metodología “CRISP-DM”, la cual permitirá poder
realizar un análisis y entendimiento del comportamiento de compra de los clientes de
una empresa del sector farmacéutico.

61
4.1 Entendimiento de la situación actual del negocio
A continuación se desarrollará la primera fase de la metodología “CRISP-DM”, en
donde se identificará los objetivos de negocio que plantea el presente proyecto de tesis
así como entender los datos involucrados.
4.1.1 Determinación del Objetivo del Negocio
La exploración de los datos permitirá determinar un modelo analítico de
predicciones lo más fiable posible a partir del análisis del comportamiento de compra de
los clientes indirectos.
El objetivo del negocio es determinar el comportamiento de compra de los clientes
para poder predecir las cantidades de productos a devolver y de esta manera contribuir a
brindar una alternativa de solución con respecto al soporte de la información que se
requiere para tomar decisiones.
Contexto
La empresa farmacéutica cuenta con un sistema transaccional que registra los
pedidos de compra y ventas que realizan los clientes. Esta información transaccional es
almacenada en el sistema core de la empresa. A pesar de contar con esta información,
actualmente no existe un estudio que permita determinar la devolución de productos que
se podría generar al momento de atender una solicitud de compra soportado en el
análisis de la información histórica que se dispone.

62
Objetivos del modelo propuesto
El objetivo del negocio es entender el comportamiento de compra de los clientes para
realizar una estimación fiable de la devolución de productos. Se podrían elaborar varios
modelos predictivos para resolver las preguntas formuladas en la sección 1.2, en donde
se describe el problema, pero en este proyecto se ha definido los siguientes objetivos
para la propuesta de modelo analítico predictivo.
• Predecir la cantidad de devolución que generaría una solicitud de compra de un
cliente indirecto en base a patrones históricos de compra.
• Predecir la cantidad de devolución que generaría una solicitud de compra de un
cliente indirecto para un producto en específico.
4.1.2 Criterios de éxito
Desde el punto de vista del negocio, se establece como criterio de éxito los siguientes
puntos:
• La posibilidad de realizar predicciones con un elevado porcentaje de fiabilidad de la
devolución de productos sobre solicitudes de compra de los clientes. .
• Identificar para un determinado cliente y producto la predicción de la cantidad
posible de devolución en base al comportamiento de compra.
4.2 Entendimiento de los datos involucrados
Los datos que se utilizan provienen del sistema comercial. La información
seleccionada corresponde a los importes de ventas, cantidades de devolución de
mercadería, información de distribuidores, clínicas, hospitales, farmacias, productos,
entre otros.
63
Estos datos han pasado por un proceso de conversión en la denominación de los
atributos así como la aplicación de un factor de conversión para los importes y
cantidades. Esto para proteger la confidencialidad de la información de la empresa
farmacéutica en estudio.
4.2.1 Lista de Atributos
• Cliente indirecto: cada cliente indirecto está identificado por un identificador (ID).
Los clientes indirectos están asociados a los clientes directos (distribuidores) y con
los productos que compran. Los clientes indirectos están agrupados de la siguiente
forma: canal del cliente indirecto, tipo de cliente indirecto y cliente indirecto.
• Cliente directo (Distribuidores): cada cliente directo está identificado por un ID.
• Productos: cada producto está identificado por un ID. Los productos están agrupados
de la siguiente manera: división línea, franquicia, producto y presentación.
• Ubigeo: cada ubigeo está identificado por un ID. El ubigeo utiliza la siguiente
estructura: departamento, provincia y distrito.
• Fechas: Las fechas son extraídas en formado yyyymmdd, por ejemplo 20161011.
Asimismo se cuenta con datos de mes y año.
• Tipo de documento: cada documento utilizado durante la comercialización (por
ejemplo: facturas, nota de devolución, nota de crédito, nota de débito entre otros)
está identificado por un ID.
4.2.2 Atributos específicos
Los atributos específicos que se utilizarán para la minería de datos en este proyecto
son los siguientes:

• Mes. • Línea, franquicia y producto.
• Año. • Departamento, provincia y
• Cliente directo. distrito.
• Canal. • Tipo de documento (Factura,
• Tipo de cliente. nota de crédito - Devolución).
• Cliente indirecto. • Cantidad.
• División. • Importe.
A continuación en la Figura 17, se muestra la estructura del archivo en Excel con los
atributos mencionados.
Figura 17. Estructura de archivo de trabajo con los atributos específicos

pág. 64
65
4.2.3 Exploración de los datos
Luego de identificado los atributos específicos, se procede a explorar los principales
datos relacionados a los cliente directos, clientes indirectos y productos.
Clientes Directos
En la figura 18, se muestra la cantidad de devolución y compra acumulada en
unidades de los clientes directos desde el año 2013 al 2015. Para el ejemplo; el Cliente
Directo 5, compró 918,259 unidades de productos y devolvió 60,205 (6.5 %) de su
compra.
Figura 18. Devolución Vs Compra en Cantidades por Clientes Directos año 2013 al
2015
Clientes Indirectos
La exploración de los datos de los Clientes Indirectos se realiza determinando el
promedio, la frecuencia y recencia de los datos de devoluciones. Se ha tomado para el

66
análisis, datos del año 2015, el cual brinda una información más reciente del
comportamiento de las devoluciones.
• Exploración de las cantidades devueltas:
En la figura 19, se muestra la distribución del promedio mensual de la cantidad de
devolución en el año 2015 clasificadas en rangos, por ejemplo; existen 126 clientes
indirectos los cuales devuelven en promedio entre 1 a 10 unidades por mes.
140
126
120
100
Número de Clientes
80 75
60
38
40
20
8
0
<0,1> <1-10> <10-100> <100+>
Promedio de Cantidad de Devoluciones
Figura 19. Promedio de devoluciones mensual de Clientes Indirectos (año 2015)

• Exploración de los importes devueltos:
En la figura 20, se muestra la distribución del promedio mensual del importe de

devolución en el año 2015 clasificadas en rangos, por ejemplo; existen 138 clientes, los
67
cuales devuelven en promedio entre 100 a 1000 soles mensuales.

160
138
140
Número de Clientes 120

100
80
60 52
35
40
22
20
0
<0,S/100> <S/100-S/1000> <S/1000-S/10000> <S/10000+>
Promedio de Importe de Devoluciones
Figura 20. Promedio del Importe de devoluciones por Clientes Indirectos (año 2015)
• Exploración de la frecuencia y recencia de las devoluciones:
En la figura 21, se muestra la frecuencia mensual de la devolución, en los cuales los
clientes han tenido devoluciones para el año 2015. Por Ejemplo, existen 47 clientes que
han tenido devoluciones entre 1 a 3 meses en el año 2015 y 169 clientes que por lo
menos han tenido devoluciones en un mes de todo el año.
180 168
160
140
Número de Clientes
120
100
80
60 47
40 27
20 5
0
<0,1> <1-3> <3-9> <9+>
Frecuencia en Meses
Figura 21. Frecuencia mensual de la devolución en el año 2015

68
En la figura 22, se muestra la recencia de la devolución trimestral para el año 2015.
Por Ejemplo, existen 70 clientes que han tenido devoluciones en el cuarto trimestre
2015, así como se puede observar que hay 52 clientes que no han devuelto productos
hace tres trimestres. La recencia de la devolución representa las devoluciones
realizadas más recientemente.
80
70
70 63
62
60
Cantidad de Clientes
52
50
40
30
20
10
0
4° 3° 2° 1°
Trimestre
Figura 22. Recencia de devolución trimestral del año 2015

Productos
La exploración de los datos de los productos, se realiza en función a la franquicia
correspondiente, para lo cual se exploran los datos determinando el promedio, la
frecuencia y recencia de la devolución de los productos. Se ha tomado para el análisis,
datos del año 2015, el cual brinda una información más reciente del comportamiento de
las devoluciones.
• Exploración de las cantidades devueltas:
En la Figura 23, se muestra la distribución del promedio mensual de la cantidad de
devolución por grupo y/o franquicia de productos en el año 2015 clasificado en rangos,
69
por ejemplo, existen siete productos de la franquicia de “MADUROS”, los cuales
devuelven en promedio entre 10 a 100 unidades al mes.
RETINA
OTROS
NEUROCIENCIA
Franquicias de Productos
SANDOZ
RESPIRATORIO
METABOLICO
MADUROS
CARDIOVASCULAR
TUMORS
HEMATOLOGY
INMUNO-DERMA
0 1 2 3 4 5 6 7 8
Número de Productos
<0,1> <1-10> <10-100> <100+>
Figura 23. Promedio de Cantidad de devoluciones mensual de Productos del año 2015
• Exploración de los importes devueltos:
En la figura 24, se muestra la distribución del promedio mensual del importe de
devolución por franquicia de productos en el año 2015, clasificadas en rangos, por
ejemplo existen ocho productos de la franquicia “MADUROS”, con importes
promedios de devolución, entre S/1,000 a S/10,000 soles mensuales, también se puede
observar que hay un producto de la franquicia “HEMATOLOGY”, que tiene un importe
promedio considerable de devolución mensual mayor a S/100,000.

70
RETINA
OTROS
NEUROCIENCIA
SANDOZ
RESPIRATORIO
METABOLICO
MADUROS
CARDIOVASCULAR
TUMORS
HEMATOLOGY
INMUNO-DERMA
0 1 2 3 4 5 6 7 8 9
<0,1000> <1000-10000> <10000-100000> <100000+>
Figura 24. Promedio del Importe de devoluciones por Productos mensual año 2015
• Exploración de la frecuencia y recencia de las devoluciones:
En la figura 25, se muestra la frecuencia mensual de la devolución, en los cuales los
productos han tenido devoluciones para el año 2015. Por Ejemplo, existen cinco
productos de la franquicia de “MADUROS” que han tenido devoluciones entre 6 a 11
meses en el año 2015 y cuatro productos de la franquicia “CARDIOVASCULAR” que
han tenido devoluciones los 12 meses del año.

71
RETINA
OTROS
NEUROCIENCIA
SANDOZ
RESPIRATORIO
METABOLICO
MADUROS
CARDIOVASCULAR
TUMORS
HEMATOLOGY
INMUNO-DERMA
0 1 2 3 4 5 6
<0,1> <1-6> <6-11> <11+>
Figura 25. Frecuencia mensual de la devolución por franquicia de productos en el año

2015
En la figura 26, se muestra la recencia de la devolución trimestral por franquicia de
productos para el año 2015. Por Ejemplo, existen doce productos de la franquicia de
“MADUROS” que han tenido devoluciones en el cuarto trimestre del 2015, así como se
puede observar que la franquicia “RETINA” no ha tenido devoluciones hace tres
trimestres.
72
RETINA
OTROS
NEUROCIENCIA
Franquicias de Productos SANDOZ
RESPIRATORIO
METABOLICO
MADUROS
CARDIOVASCULAR
TUMORS
HEMATOLOGY
INMUNO-DERMA
0 2 4 6 8 10 12 14
4 3 2 1
Figura 26. Recencia de devolución trimestral del año 2015

Luego de haber realizado la exploración de los datos, se puede afirmar que los datos
son completos y cubren la casuística requerida para la obtención de los resultados y
poder cumplir con los objetivos del proyecto.
Los datos fueron generados automáticamente por una herramienta de BI de la
organización, los cuales no contienen errores, por lo que el riesgo de ruido en el proceso
de la construcción de los modelos predictivos es mínimo.

73
4.3 Propuesta del modelo analítico predictivo
Para el desarrollo de la propuesta del modelo, se utilizará el software libre de
minería de datos denominado WEKA por sus siglas en inglés (Waikato Enviroment for
Knowloedge Analysis) desarrollado por la universidad de Waikato en Hamilton Nueva
Zelanda, el cual ofrece diferentes algoritmos para el descubrimiento de los modelos
analíticos.
De acuerdo a lo indicado en la sección 1.6 de métodos y procedimientos las técnicas
de minería de datos que utilizaremos son: clasificación (clusterización) y regresión
lineal.
La técnica de clasificación, permitirá agrupar los datos en clusters para identificar
los conjuntos de clientes y productos con mayores niveles de devolución.
La técnica de regresión, permitirá construir los modelos predictivos para determinar
en base al valor de cantidad de compra de un cliente poder predecir la cantidad de
devolución.
Teniendo en cuenta que previamente se han definido dos objetivos, esta sección se va
a dividir en dos partes, una por cada objetivo, dado que, los parámetros para el modelo,
son diferentes según el objetivo que se desea conseguir.
4.3.1 Modelado del Comportamiento de compra de los clientes Indirectos
• Determinación del patrón de comportamiento genérico de los clientes indirectos
Con base en los datos identificados, se procedió a aplicar la técnica de regresión, a
los datos de venta y devoluciones de los años 2013 al 2015, usando el algoritmo de
regresión lineal, disponible en WEKA, cuyos resultados se muestran en la Figura 27; en
esta, se observa un coeficiente de correlación de 0.0094 inferior al 1%, esto evidencia

74
que no existe un comportamiento genérico de los patrones de compra de los clientes
indirectos.
Figura 27. Resultados del algoritmo de regresión para los clientes indirectos.
Fuente: elaboración propia, tomada de aplicación WEKA
Debido a que no se encontró un comportamiento genérico de la compra y devolución
de los clientes indirectos, se optó por analizar el comportamiento individual de los
clientes indirectos, con el fin de predecir las cantidades a devolver. Para esto, se realizó
una clusterización, tal como se verá a continuación.
• Identificación de los clústers de clientes según el importe de devoluciones

75
Con la información de las ventas y devoluciones de los clientes indirectos, durante
los años 2013 al 2015, se procedió a aplicar una técnica de clasificación; esta vez, el
algoritmo usado en WEKA fue el “SIMPLEKMEANS”, cuyo resultado se muestra en
las figuras 28 y 29.
Figura 28. Resultados del algoritmo SimpleKmeans para los clientes indirectos
76
Figura 29. Resultado gráfico de la clusterización de clientes indirectos

A continuación, en la Tabla 11, se muestran los grupos de clientes indirectos
clusterizados.
Tabla 11. Clústeres de Clientes Indirectos
Importe de Devolución Cliente

Cluster Instancias Cliente Directo
(2013 al 2015) Indirecto
INK-2712 DROGUERIA ALFARO
Cluster 0 2 (S/733,753 a S/3’149,816 )
MIF-3028 QUIMICA SUIZA S.A.
BOT-1391 QUIMICA SUIZA S.A.
ALB-0030 DROGUERIA ALFARO
ESS-1949 QUIMICA SUIZA S.A.
Cluster 1 6 (S/1009 a S/733,753)
FON-2555 QUIMICA SUIZA S.A.
ESS-1957 QUIMICA SUIZA S.A.
CL.-1642 DROGUERIA ALFARO
Cluster 2 3674 (S/.0 a S/1009) OTROS OTROS
• Determinar los modelos predictivos de regresión para los clientes indirectos según
el importe de devoluciones
Con el propósito de determinar el modelo que permita conocer el comportamiento
individual de cada cliente, se priorizaron los clústers con mayor importe de

77
devoluciones (clúster 0 y 1) y luego se procedió a determinar los modelos de regresión
lineal, para cada uno de los clientes indirectos, utilizando el algoritmo de “Regresión
Lineal Simple” en WEKA, cuyos resultados se muestran en la Tabla 12.
Tabla 12. Modelo analíticos predictivos de regresión para Clientes Indirectos
CLIENTE INDIRECTO
CLUSTER 0 CLUSTER 1
INK-2712 MIF-3028 BOT-1391 ALB-0030 ESS-1949 FON-2555 ESS-1957 CL.-1642
Modelo
-0.07 Y + 4005 0.10 Y– 1434 0.06 Y + 86 -0.30 Y + 1256 0.33 Y - 82 0.14 Y -16 0.03 Y -1467 0.61 Y -2067
Devolución =
T1 Coeficiente
98% 89% 84% 99% 99% 99% 82% 86%
Correlación
Modelo
-0.07 Y + 4005 0.10 Y– 2161 0.06 Y + 86 -0.30 Y + 1256 0.33 Y - 82 0.14 Y -16 0.03 Y -1467 0.61 Y -2067
Devolución =
T2 Coeficiente
98% 85% 84% 99% 99% 99% 82% 86%
Correlación
Modelo
-0.07 Y +2988 0.10 Y– 2161 0.06 Y + 86 -0.30 Y + 1256 0.33 Y - 82 0.14 Y -16 0.03 Y -1467 0.61 Y -2067
Devolución =
T3 Coeficiente
94% 85% 84% 99% 99% 99% 82% 86%
Correlación
Modelo
-0.10 Y +3833 0.10 Y– 2161 0.06 Y + 86 -0.30 Y + 1256 0.33 Y - 82 0.14 Y -16 0.03 Y -1467 0.18 Y -613
Devolución =
T4 Coeficiente
98% 85% 84% 99% 99% 99% 82% 85%
Correlación
En la Tabla 12, se observan los modelos y coeficientes de correlación, obtenidos de
la ejecución del algoritmo para los clientes indirectos de los clúster 0 y 1; también, se
incluyeron las variables de estacionalidad T1, T2, T3 y T4, que representan los cuatro
trimestres del año. Para una mejor interpretación de esta tabla, se puede mencionar que,
el Cliente “INK-2712” para el trimestre T1 (T1), dio como resultado un modelo con
98% de correlación.
Modelo  Devolución = -0.07 Y + 4005
Dónde:
Devolución: cantidad predicha de devolución para un cliente indirecto.

Y: cantidad de la compra que solicitaría un cliente indirecto.
78
Los modelos identificados en la Tabla 12, permitirán realizar una predicción de las
devoluciones, de acuerdo a las cantidades de compra solicitadas por los clientes
indirectos.
4.3.2 Modelado del Comportamiento de compra para los clientes Indirectos
y determinados productos.
Una vez identificados los modelos predictivos para la devolución de los clientes, se
adiciona la variable producto, para determinar el comportamiento de los clientes
indirectos con respecto a la compra de un determinado producto; para tal caso, se
desarrollan los siguientes puntos:
• Identificación de los clústers de productos según el importe de devoluciones
Con la información de las ventas y devoluciones de los productos en los años 2013 al
2015, se procedió a aplicar el algoritmo “SIMPLEKMEANS”, con el fin de determinar
los clústers de los productos; tal como se muestran en las figuras 30 y 31.
79
Figura 30. Resultados del algoritmo SimpleKmeans para los productos

Figura 31. Resultado gráfico de la clusterización de Productos

A continuación en la Tabla 13, se muestran los grupos de productos clusterizados

80
Tabla 13. Clústeres de productos
Importe de Devolución
Cluster Instancias Producto Franquicia
(2013 al 2015)
DIO-0011 CARDIOVASCULAR
GAL-0021 METABOLICO
EXF-0015 CARDIOVASCULAR
EXE-0014 NEUROCIENCIA
Cluster 0 8 (S/292,320 a S/1'148,529)
DIO-0010 CARDIOVASCULAR
VOL-0059 MADUROS
TAS-0052 HEMATOLOGY
EXF-0016 CARDIOVASCULAR
MYF-0035 INMUNOLOGIA Y DERMA
LUC-0031 RETINA
TON-0054 MADUROS
EXE-0013 NEUROCIENCIA
GLI-0024 HEMATOLOGY
TEG-0053 MADUROS
Cluster 2 12 (S/39,842 a S/292,320)
SIM-0047 INMUNOLOGIA Y DERMA
CER-0007 INMUNOLOGIA Y DERMA
ACL-0001 MADUROS
STA-0048 NEUROCIENCIA
SAN-0045 SOLID TUMORS
NEO-0037 INMUNOLOGIA Y DERMA
Cluster 1 43 (S/.0 a S/39,842) OTROS OTROS
• Determinación de los modelos predictivos de regresión para los clientes y
productos comprados
En la sección 4.3.1, se identificaron los modelos de predicción para cada cliente
indirecto; en esta sección, se incluye a los modelos la variable de producto, para así
poder tener un modelo predictivo más completo, que permita predecir las devoluciones
de los productos que compre un determinado clientes; en este análisis, se tomó como
ejemplo al cliente “INK-2712”, para el cual, se ejecutó el algoritmo de “Regresión
Lineal Simple” sólo para el clúster 0 de productos, con mayor importe de devolución,
para poder determinar los modelos que se muestran en la Tabla 14.
Tabla 14. Modelos analíticos de regresión para el cliente indirecto (INK-2712) y
productos del Cluster 0

81
CLIENTE INDIRECTO (INK-2712)

PRODUCTOS (CLUSTER 0)
DIO-0011 GAL-0021 EXF-0015 EXE-0014 VOL-0059 DIO-0010 TAS-0052 EXF-0016
Modelo
-0.09 Y + 342 0.04 Y + 1 -0.2 Y + 995 1.28 Y -1013 -0.13 Y + 603 -0.29 Y + 673 NA 0.14 Y - 75
Devolución =
T1
Coeficiente
36% 18% 60% 25% 66% 92% NA 7%
Correlación
Modelo
-0.5 Y + 1553 -0.02 Y + 213 2.55 Y -7110 -0.04 Y + 115 -0.16 Y + 619 0.23 Y - 120 NA 0.56 Y - 620
Devolución =
T2
Coeficiente
99% 2% 99% 16% 66% 63% NA 60%
Correlación
Modelo
0.29 Y - 548 -0.09 Y + 295 -0.13 Y + 740 0.2 Y - 102 0.07 Y - 133 -0.4 Y + 916 NA 0.18 Y - 197
Devolución =
T3
Coeficiente
85% 95% 97% 50% 54% 87% NA 99%
Correlación
Modelo
0.38 Y -734 0.06 Y - 51.66 -0.05 Y + 371 -0.05 Y +117 0.15 Y - 226 -0.18 Y + 287 NA 0.21 Y- 191
Devolución =
T4
Coeficiente
55% 42% 7% 9% 96% 90% NA 89%
Correlación
En la Tabla 14, se observan los modelos y coeficientes de correlación obtenidos de la
ejecución del algoritmo para el cliente indirecto “INK-2712” y los productos del clúster
0; además, se incluyeron las variables de estacionalidad T1, T2, T3 y T4 que
representan los cuatro trimestres del año. En general, se observa que el coeficiente de
correlación es muy variable en las diferentes estacionalidades (trimestres), por ejemplo,
si existiera compra del producto “DIO-0011” en el trimestre T1, el modelo sólo asegura
un 36% de éxito en la predicción de la devolución; caso contrario, si la compra es
realizada en el trimestre T2, donde la probabilidad de éxito es de un 99% sobre la
predicción de una devolución.
De acuerdo a lo revisado, se identificaron diferentes modelos de regresión,
dependiendo de los objetivos planteados, y se pudo comprobar que, el comportamiento
de compra está en función del cliente; esto implica que, depende de la gestión individual
que cada cliente realice sobre sus ventas, más que de los tipos de producto que compra,
debido a que, en general el índice de correlación con los productos es menor y muy
variable, como se pudo apreciar en la Tabla 14.

82
4.4 Resultados alcanzados
Desde el punto de vista del negocio, se estableció dos criterios de éxito para lo cual
se obtuvieron los siguientes resultados:
• Se pudieron determinar los modelos predictivos de las devoluciones sobre
solicitudes de compra de los clientes, con una tasa promedio de confiabilidad del
91% para los datos analizados; esto permitirá poder atender los pedidos de compra,
optimizando la entrega del pedido, en tanto que, se podrá determinar la tasa de
devolución de dicha compra.
• Se pudieron determinar los modelos predictivos de la devoluciones sobre las
solicitudes de un producto para un cliente específico de ejemplo con una tasa
promedio de confiabilidad de 60% según los datos analizados para el cliente “INK-
2712”; esto permitirá poder predecir la devolución futura de los productos que
compra un cliente, y con mayor nivel de probabilidad sobre algunas trimestres del
año específicos.
4.5 Discusión de los resultados
• Al realizar el análisis de los clientes mediante la aplicación del algoritmo de
regresión lineal, se identificó dispersión en los datos lo cual no permitió determinar
un comportamiento de compra general de los clientes indirectos. Sin embargo se
llegó a determinar un patrón individual por cliente indirecto.
• Se incluyó en el análisis la variable producto para poder realizar una predicción por
cada cliente y producto.

83
• Los análisis de los clientes indirectos y productos permitió obtener modelos con
buenos resultados y niveles de correlación aceptables que cumplieron con los
objetivos del presente trabajo.
.
84
CAPÍTULO 5. CONCLUSIONES, OBSERVACIONES Y TRABAJOS FUTUROS
5.1 Conclusiones
Luego de elaborar los modelos y analizar los resultados obtenidos llegamos a las
siguientes conclusiones:
• Se lograron obtener los modelos predictivos de regresión para cumplir con el
objetivo de: “Determinar las cantidades de productos a devolver en base al
comportamiento de compra de los clientes indirectos”, se descubrió mediante el
análisis un patrón de comportamiento individual por cada cliente indirecto como
se mostró en la Tabla 12 de la sección 4.3 (Propuesta del modelo analítico
predictivo).
• De igual manera, se lograron obtener los modelos predictivos de regresión
incluyendo la variable producto para cumplir con el objetivo de: “Determinar las
cantidades a devolver en base al comportamiento de compra de los clientes
indirectos y los productos adquiridos” , se descubrió que el grado de correlación
depende del trimestre en el cual se efectúa la compra de un cliente indirecto con
un determinado producto, tal y como se mostró en la Tabla 14 de la sección 4.3
(Propuesta del modelo analítico predictivo).
• Debido a que se lograron obtener los modelos que cumplen con los objetivos
específicos, se puede afirmar que el problema identificado y el objetivo general
planteados al inicio del trabajo se logró resolver y alcanzar respectivamente con
la propuesta realizada
85
5.2 Observaciones
• Por temas de confidencialidad de datos, se reemplazaron los nombres de productos y
razón social de los clientes por códigos. Los montos facturados y devueltos fueron
multiplicados por un factor de conversión.
• La metodología “CRISP-DM” usada como referencia contribuyó a identificar los
pasos necesarios para realizar el análisis basado en los objetivos de negocio y
entender los datos en base a la exploración de estos mismos.
• Se evidenció que no existe un patrón genérico de comportamiento de los clientes
indirectos.
• El comportamiento es correlacional para cada cliente de manera individual.
• Se identificó que los productos tiene una correlación mayor asociada a la temporada
de compra de los productos en los diferentes trimestres del año.
• El modelo predictivo propuesto brindará un soporte a la toma de decisiones de la
organización, sin embargo esta propuesta de solución debería estar complementada
con políticas comerciales.
• La elaboración de modelos predictivos tienen un nivel de complejidad alto cuando
no se establecen los objetivos de negocio de manera concreta y específica (por la
cantidad de variables que se podrían incluir en los modelos).
• Existe el riesgo de realizar una exploración de datos con muchas variables
involucradas que puedan desviarnos de los objetivos planteados.
.
86
5.3 Trabajos futuros
• Para el desarrollo de los modelos predictivos se tomaron como ejemplo un cliente y
grupos específicos de productos, para demostrar el cumplimiento de los objetivos
planteados en esta investigación. Queda pendiente realizar de manera iterativa el
procedimiento de modelado para los demás clientes de acuerdo a los clústeres
identificados.
• Debido a que el objetivo de investigación es proponer los modelos, sólo se trabajó
hasta la fase de modelado de la metodología “CRISP-DM”, quedaría pendiente la
fase de implementación de los modelos en un escenario real de aplicación, como
pueden ser el sistema “core”, sistema comercial y ERP de la compañía farmacéutica.
• Elaborar un modelo que incluya la variable de “región geográfica de la venta”, en
los puntos finales del consumidor, para poder determinar las devoluciones en las
localidades de los clientes indirectos.
• Desde el punto de vista de una solución de Business Analytics, quedaría como
trabajo futuro elaborar la Arquitectura de Valor de los “insights”, tal como se
mencionó en la sección 2.4.3, lo cual implicaría la definición y la comunicación del
valor, así como la puesta en acción, para luego medir y evaluar el valor entregado y
finalmente generar el cambio esperado en la organización.

87
GLOSARIO
FEFO: Primero en caducar y primero en salir.
CRIP-DM: Metodología de Data Minig.
Estado del Arte: estudios relacionado a la problemática.
VVF: Valor de venta a farmacias.
Rebate: Monto deducido para compras futuras por alcanzar un objetivo de venta.
CAPEX: Consultoría especializada para el desarrollo de la solución.
Clusters: Agrupamiento de información por compatibilidad o asociación de
características.
VAN: Valor Actual Neto (valor presente).
Payback: Plazo de recuperación de un capital invertido.
TIR: Tasa interna de retorno.
CRM:.Customer Relationship Management
Recencia: Información con ocurrencia reciente.
ERP: Enterprise Resource Planning

88
BIBLIOGRAFÍA
ABAD, Mónica
2011 Implementación de un modelo para la administración de la demanda de una
empresa farmacéutica a fin de optimizar el inventario en el mercado. (Tesis de grado).
Quito: USFQ
CALLE, Guadalupe y otros

2014 Sistema de gestión ambiental basado en la norma ISO 14001:2004. (Tesis de
Grado para la obtención del Título de Ingeniera Química). Carrera de Ingeniería
Química. Quito: UCE
CAMBRA, Jesús y otros

2014 Factores de éxito de CRM: un estudio exploratorio en el sector bancario español.
Universia Business Review. Pp.144-167
CHAMAGUA, Guillermo
2012 Propuesta de un manual de procedimientos estándares de operación a partir de la
guía de inspección de buenas prácticas de almacenamiento para droguerías. Licenciatura
thesis, Universidad de El Salvador.
CHUANG, Yi-Fei y otros

2013 Customer value assessment of pharmaceutical marketing in Taiwan. Industrial
Management & Data Systems, 113(9), 1315-1333
CORREA, Carlos
Patentes, industria farmacéutica y biotecnología. México: UAM
DOGANIS, Philip y otros

2006 Time series sales forecasting for short shelf-life food products based on artificial
neural networks and evolutionary computing. Journal of Food Engineering. 75. Issue 2.
Pages 196-204
DONALDSON, Bill y otros

2012 Strategic and organizational determinants of sophistication in deployed sales force
automation systems within three industry sectors in the UK. University.
89
MELÉ, Domenec
2006 Las cinco principales compañías farmacéuticas. España: Universidad de Navarra
GALÁN, Víctor
2015 Aplicación de la metodología CRISP-DM a un proyecto de minería de datos en el
entorno universitario. (Proyecto fin de carrera). Madrid. Universidad Carlos III de
Madrid
GARTNER
2015a Use the Gartner Business Analytics Compass to Drive Strategy. [19 November].
https://www.gartner.com/doc/3170223/use-gartner-business-analytics-compass
GARTNER
2015b Survey Analysis: ITScore Assessments Show BI Maturity Remains Low, With
Organizations Ill-Prepared for Challenges Ahead. Cindi Howson. [05 August].
https://www.gartner.com/doc/3106521/survey-analysis-itscore-assessments-bi
GARTNER
2014 IT Glossary. Business Analytics. http://www.gartner.com/it-glossary/business-
analytics.
GARTNER
2010 Clarifying the Many Meanings of "Analytics" [31 de marzo].
https://www.gartner.com/doc/1332127/clarifying-meanings-analytics
HAUGHTON, D y otros
2015 Optimization of the promotion mix in the healthcare industry’,International
Journal of Pharmaceutical and Healthcare Marketing , 9(4), pp. 289–305.
GUPTA, A & MARANAS, K & MCDONALD

2000 Midterm Supply Chain Planning Under Demand Uncertainty: Customer Demand
Satisfaction and Inventory Management, Computers and Chemical Engineering 24,
2613-2621.
JAYANTHI, Ranjan
1988 Data mining in pharma sector: benefits", International Journal of Health Care
Quality Assurance, Vol. 22 Iss: 1, pp.82 – 92.
KHALIL, Neda Zadeh, MEHDI, Mohammad Sepehri,

2014 Sales prediction for a pharmaceutical distribution company: A data mining based
approach. Hindawi Publishing Corporation. Mathematical Problems in Engineering
Volume, Article ID 420310
LIEBOWITZ, Jay
2014 Business Analytics: An introduction. New York: Taylor & Francis Group.
LIU, Alex
2015 Data Science and Data Scientist. IBM Analytics.
http://www.researchmethods.org/DataScienceDataScientists.pdf
90
LUENGO, Juan Ignacio

2012 La Investigación y Desarrollo en la Industria Farmacéutica: Pasado, presente y
futuro. En Eidon: revista de la fundación de ciencias de la salud. P.5
MAHESHKUMAR, P & otros

2010 Benchmarking Web Based CRM Strategies of Pharmaceutical Companies: A
Competitive Analysis Using Analytic Hierarchy Process. Saint Joseph University.
PÉREZ, Esteban
2014 Análisis comparativo de la uniformidad de contenido en tabletas de sildenafil (50
mg/tab), de un producto genérico y el medicamento original. En Revista Pensamiento
Actual - Vol. 14 - No. 23.
PFIZER
s.f. Conozca Pfizer. Perú. http://www.pfizer.com.pe/content/nuestrahistoria
PROVOST, Foster y FAWCETT, Tom

2013 Data science for business. New York. O'Reilly Media, Inc
DATAMONITOR
2004 Roche, GlaxoSmithKline and Eli Lilly case studies. ©
SWIFT, Ronald
2002 Accelerating Customer Relationships:Using CRM and Relationship Technologies.
New York: Accelerating
SHMUELI, G & KOPPIUS, O

2011 Predictive Analytics in Information Systems Research. MIS Quarterly, vol. 35,
Issue 3, pp. 553-572
STUBBS, Evan.
2013 Delivering Business Analytics:Practical GuideLines for Best Practique.
Hoboken,New Jersey :JhonWiley
TÉLLEZ, Carolina & AGUIRRE, Hugo

2010 Diseño de un modelo de inventarios para la operación logística de una compañía
farmacéutica. HSA Mayorga
WANG, J y otros
2011 Data decoding in drug discovery and development”, InternationalJournal of
Decision Sciences 2011, 2(2), 93-107.
91
ANEXOS
Anexo 1 – Detalle del CAPEX de la evaluación financiera
Horas de Trabajo
Integrante del Equipo de Proyecto Mes 1 Mes 2 Mes 3 Total Horas Costo (Soles /Hora Total (Soles)
Experto en Analytics 160 160 320 S/. 90.00 S/. 28,800
Desarrollador 160 160 320 S/. 90.00 S/. 28,800
Project Manager 40 40 44 124 S/. 100.00 S/. 12,400
Total: S/. 70,000
Anexo 2 – Sensibilidad al crecimiento de las Ventas
VAN TIR Payback

-10% S/. 50,793 55.55% 1.20
Tasa de Crecimiento (%)
-5% S/. 60,321 61.02% 1.12

-1% S/. 68,176 65.25% 1.07
0% S/. 70,172 66.28% 1.06
1% S/. 72,181 67.31% 1.05
5% S/. 80,347 71.37% 1.01
10% S/. 90,845 76.30% 0.97
Anexo 3 – Sensibilidad a la tasa incremento de la reducción de la devolución
Con Crecimiento de venta de 5% y 1% de reducción de devolución en el primer año
(Escenario pesimista)
VAN TIR Payback

-10% S/. -13,803 2.98% 3.00
Tasa de reducción
-5% S/. -7,451 8.82% 3.00

de la devolución
-1% S/. -2,215 13.23% 3.00

0% S/. -884 14.30% 3.00
1% S/. 456 15.36% 2.98
5% S/. 5,899 19.48% 2.81
(%)
10% S/. 12,898 24.42% 2.64

Landin JL

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Landin JL

Cargado por

Copyright:

Formatos disponibles

Propuesta de implementación de un modelo de

inteligencia de negocios para el área comercial

Item Type info:eu-repo/semantics/masterThesis

Authors Landin Salas, José Luis; Rodríguez Ruíz , Wilmer; Herrera

Publisher Universidad Peruana de Ciencias Aplicadas (UPC)

Download date 02/07/2023 01:13:32

Item License https://creativecommons.org/licenses/by/4.0/

Link to Item http://hdl.handle.net/10757/621354

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

PROGRAMA DE MAESTRÍA EN DIRECCIÓN DE SISTEMAS Y

PROPUESTA DE IMPLEMENTACIÓN DE UN MODELO DE

INTELIGENCIA DE NEGOCIOS PARA EL ÁREA COMERCIAL

DE UNA EMPRESA DEL RUBRO FARMACÉUTICO

José Luis Landin

José Herrera Vargas

PRESENTADA PARA OBTENER EL GRADO DE

MAESTRO EN DIRECCIÓN DE SISTEMAS Y TECNOLOGÍAS DE LA

Lima, Noviembre del 2016

su apoyo constante y comprensión.

A la memoria de mi padre Marcial Herrera por su dedicación al trabajo y

perseverancia para salir adelante.

la dedicación para ayudarnos a sacar adelante el presente trabajo, demostrando

predisposición para compartir sus conocimientos.

controlar la comercialización de los productos. Dentro de estas, es común observar políticas

relacionadas a la devolución de productos próximos a vencer.

La devolución de productos en este sector impacta en los márgenes de venta de las

tres años (2013, 2014 y 2015).

En este contexto la tesis titulada “Propuesta de implementación de un modelo de

cantidades de devolución de los productos y de esta manera contribuir a brindar un soporte

para la toma de decisiones.

En el capítulo 1, permitirá conocer de manera general a la empresa farmacéutica y las

políticas comerciales. Luego se realizará un análisis de los resultados de las ventas y

y procedimientos que se utilizarán para el desarrollo de la propuesta. Por último se

sensibilidad para determinar si el presente proyecto es viable financieramente.

En el capítulo 2, marco conceptual se describirá el entorno relacionado al sector

trabajos e investigaciones relacionadas a la problemática descrita en el capítulo1 y como esta

ha sido abordada por diferentes estudios.

En el capítulo 4, se desarrolla la propuesta de estudio tomando como referencia la

evaluación e interpretación de los resultados alcanzados luego de desarrollar la metodología

para la construcción de los modelos analíticos.

Finalmente, en el capítulo 5 se mencionan las conclusiones enfocándose en los resultados

CAPÍTULO 1. DEFINICIÓN DEL PROBLEMA .............................................................. 13

1.1 Descripción de la empresa ......................................................................................... 13

1.1.2 Acerca de la empresa ........................................................................................... 13

1.1.2 Misión, visión y valores ...................................................................................... 13

1.1.3 Políticas comerciales ........................................................................................... 13

1.1.4 Descripción del flujo de ventas ........................................................................... 16

1.2 Descripción del problema .......................................................................................... 18

1.2.1 Análisis de los clientes indirectos........................................................................ 19

1.2.2 Análisis de los productos ..................................................................................... 20

1.2.3 Impacto sobre el margen de venta ....................................................................... 22

1.3 Objetivo general ......................................................................................................... 25

1.4 Objetivos específicos ................................................................................................. 25

1.5 Resultados esperados ................................................................................................. 25

1.6 Métodos y procedimientos ......................................................................................... 26

1.6.1 Framework de capacidades analíticas ................................................................. 26

1.6.2 Analítica predictiva ............................................................................................. 27

1.6.3 Procedimientos .................................................................................................... 27

1.6.4 Fases del desarrollo ............................................................................................. 28

1.7.1 Beneficiarios directos .......................................................................................... 30

1.7.2 Beneficiarios indirectos ....................................................................................... 31

1.7.3 Análisis de Sensibilidad ...................................................................................... 31

1.7.4 Impacto social /ambiental .................................................................................... 33