Modelo de Location Business Analytics en Cloud para pymes del sector de comercialización de insumos y herramientas para la construcción del NEA argentino

• Autores: Bennesch, Eduardo Hugo
• Año de publicación: 2023
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Godoy, Diego; Eckert, Karina
• Materia: Aprendizaje de Máquina; NEA; PyME; Inteligencia de Localización; Json; Machine Learning; Location intelligence; NEA; Pyme
• Institución: Universidad Nacional de Misiones

Fil: Bennesch, Eduardo Hugo. Universidad Nacional de Misiones. Facultad de Ciencias Exactas, Químicas y Naturales. Secretaría de Investigación y Postgrado. Maestría en Tecnología de la Información; Argentina.
Lo único constante es el cambio y las organizaciones lo saben. Por eso están presionadas siempre a desarrollarse en la búsqueda de una adaptación continua; como resultado se encuentran tomando decisiones teniendo en cuenta distintos factores. En las Pequeñas y Medianas Empresas (PyMEs) es común que la toma de decisiones se realice con información incompleta y basadas en estimaciones personales. En Argentina, estas empresas representan el 96% de las empresas del país generando el 60% del empleo creado por el sector privado. La industria de la construcción en el Noroeste Argentino (NEA) es una de las principales fuentes de empleo y crecimiento económico en la región. Sin embargo, las pequeñas y medianas empresas (PyMEs) que se dedican a la comercialización de insumos y herramientas para la construcción enfrentan numerosos desafíos como la falta de recursos y la competencia de grandes empresas. Para abordar estos desafíos, se propone un modelo de Location Business Analytics en Cloud para PYMEs del sector de comercialización de insumos y herramientas para la construcción del NEA; este modelo aprovechará la tecnología de almacenamiento de datos geográficos en la nube para brindar a las PYMEs una herramienta poderosa y accesible para analizar y mejorar sus operaciones comerciales y de marketing. Como propuesta de solución a ello se realizó una revisión de los adelantos tanto en materia teórica como practica de las soluciones aplicadas al sector de provisión de materiales, se desarrolló un modelo de explotación de datos geográficos combinados con datos de negocio de una pyme Ficticia cuyo dataset se descargó vía web; estos datos fueron cruzados y analizados para luego volcarlos en dos algoritmos de Redes Neuronales y Árbol de Decisión desarrollados en R (NeuralNetTools y Rpart); la aplicación de estos algoritmos demostraron alto grado de precisión en la devolución de resultados (99,98% para NeuralNetTools y 99,63% para Rpart) estableciendo una variable de rendimiento en términos de distancia, costos y ganancias por ventas que demostró ser de utilidad para analizar operaciones con clientes. Para la elección de la API que fue utilizada en el trabajo se desarrolló un estudio comparativo de 5 plataformas de geolocalización; se concluyó que serían más adecuadas las plataformas de Crowdsourcing o edición colaborativa de los datos en esta región del mundo resultando el mejor motor de geocodificación OpenCageData con una media de error inferior 0,0285kms aplicando Semiverseno y 0,0553kms aplicando Distancia Euclidiana. Finalmente se realizó el diseño, desarrollo e implementación de un tablero de inteligencia de negocios basado en la geo localización utilizando los datos anteriormente analizados que puede proporcionar a las PYMEs del sector de la construcción en el NEA una solución práctica y efectiva para mejorar su desempeño y competitividad en el mercado. La validación del modelo propuesto fue realizada mediante opinión experta con un puntaje general de 4.48 de 5 puntos (aceptable / muy aceptable). Este trabajo concluye que el modelo propuesto es viable económicamente, permite aumentar la competitividad y el análisis profundo de variables de negocios que puede ser implementado en el sector estudiado en el corto y mediano plazo sin dificultades.
The only thing that is constant is change and organizations know this. That is why they are always under pressure to develop in the search for continuous adaptation, as a result of which they find themselves making decisions taking into account different factors. In Small and Medium Enterprises (SMEs) it is common for decision making to be made with incomplete information and based on personal estimates. In Argentina, these companies represent 96% of the companies in the country and generate 60% of the employment created by the private sector. The construction industry in Northwest Argentina (NEA) is one of the main sources of employment and economic growth in the region. However, small and medium-sized enterprises (SMEs) engaged in the commercialization of construction inputs and tools face numerous challenges, such as lack of resources and competition from large companies. To address these challenges, a Location Business Analytics in Cloud model is proposed for SMEs in the NEA construction supplies and tools marketing sector, this model will leverage geographic data storage technology in the cloud to provide SMEs with a powerful and accessible tool to analyze and improve their business and marketing operations. As a proposed solution to this, a review of the advances in both theoretical and practical solutions applied to the materials supply sector was carried out, and a model was developed to exploit geographic data combined with business data from a fictitious SME whose dataset was downloaded via the web, These data were cross-referenced and analyzed in order to later dump them into two Neural Network and Decision Tree algorithms developed in R (NeuralNetTools and Rpart). The application of these algorithms showed a high degree of accuracy in the return of results (99.98% for NeuralNetTools and 99.63% for Rpart), establishing a performance variable in terms of distance, costs and sales profits that proved to be useful for analyzing operations with customers. For the selection of the API used in the work, a comparative study of 5 geolocation platforms was carried out, resulting in the most appropriate Crowdsourcing platforms or collaborative editing of data in this region of the world, with the best geocoding engine being OpenCageData, with an average error of 0.0285kms applying Semiverse and 0.0553kms applying Euclidean Distance. Finally, the design, development and implementation of a geo-location based business intelligence dashboard based on the data analyzed above was carried out, which can provide SMEs in the construction sector in the NEA with a practical and effective solution to improve their performance and competitiveness in the market. The validation of the proposed model and the developed dashboard was validated by expert opinion with an overall rating of 4.48 out of 5 points (acceptable / very acceptable). This work concludes that the proposed model is economically viable, allows increasing competitiveness and deep analysis of business variables that can be implemented in the studied sector in the short and medium term without difficulties.