Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País Jimmy Martínez Venezuela

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval."

Transcripción

1 Título Estudio Estadístico de Base de Datos Comercial de una Empresa Distribuidora de Energía Eléctrica. Nº de Registro 231 Empresa o Entidad C.A Electricidad de Valencia Autores del Trabajo Nombre País Jimmy Martínez Venezuela Jhonny Rivas Venezuela Luis Pereyra Venezuela Luis Molina Venezuela Mary Medina Venezuela Patricia Chirivella Venezuela Palabras Clave Pérdidas no técnicas, detección de fraude, estudio estadístico, identificación de patrones. El objetivo principal del estudio es optimizar el proceso de detección de fraudes eléctricos existentes en una empresa de Distribución de Energía Eléctrica a través de análisis estadísticos a fin de disminuir las pérdidas de energía eléctrica. Para el desarrollo del estudio es necesario utilizar metodologías y herramientas especializadas, destacándose la construcción de modelos de pronóstico y clasificación mediante técnicas estadísticas Unidimensionales y Multivariantes. Estas técnicas permiten extraer de la base de datos comercial, tendencias y factores definitorios de irregularidades comerciales mediante la consideración de variables determinantes de patrones de consumo entre otros. Para llevar a cabo este análisis se utilizará el software estadístico R, el cual es de obtención gratuita, y fue elegido por su versatilidad en la visualización de gráficos, elaboración de análisis estadísticos entre otros aspectos, el cual ayudará a conseguir un mayor entendimiento de la matriz de datos y las relaciones existentes entre las variables analizadas. CIDEL 2010

2 Introducción La energía eléctrica contribuye a la mejora de la calidad de vida y al desarrollo sostenible de los países. Sin embargo, los factores naturales, fraude de energía eléctrica, entre otros, han influido en el déficit energético que atraviesa nuestro país al igual que otros a nivel mundial. La Organización de Naciones Unidas (ONU) señala que 1/3 de la población mundial no tiene acceso al servicio de electricidad. El fraude de energía eléctrica impacta directamente en el incremento de las pérdidas no técnicas y se debe principalmente a consumos no registrados producidos por la manipulación a los equipos de medición de energía eléctrica y/o conexiones a la red no autorizadas, por las empresas de servicio eléctrico. Actualmente, dichas empresas aplican distintas acciones de reducción de pérdidas no técnicas para garantizar la sustentabilidad financiera y contribuir a la disminución del déficit energético. La detención de fraudes en las redes de distribución eléctrica es uno de los principales retos para las empresas eléctricas en Venezuela. En el año 1997 C.A Electricidad de Valencia (ELEVAL) ubicada en la Ciudad de Valencia, Estado Carabobo, poseía un nivel de pérdida global de 38,15%. En tal sentido, se inició un proyecto para la disminución de pérdidas no técnicas donde se aplicaron diferentes estrategias y procedimientos eficaces, obteniendo una efectividad cercana al 35% en las inspecciones ejecutadas; es decir, de cada 100 inspecciones se detectaban 35 suministros con fraude. Al cierre del año 2009, ELEVAL, en proceso de fusión con la Corporación Eléctrica Nacional, tuvo un valor de pérdida global de 14,14% (pérdidas técnicas cerca de 8,40% y pérdidas no técnicas 5,74%) y una efectividad cercana al 13%, lo que representó una disminución de 22 puntos en la efectividad detección de fraudes y aumento de los costos en casi 2,7 veces en relación al año Para que el proyecto de reducción de pérdidas no técnicas sea rentable es necesario mejorar la efectividad en la detección de fraude y los procesos de análisis e inspección de los suministros. En tal sentido, la Unidad de Protección de Ventas inició un estudio asociado a la detección de patrones de comportamiento de los suministros con fraude, basándose en herramientas estadísticas de clasificación, entre ellas el Análisis Unidimensional, Multivariado y de Conglomerados, que manejan mayor volumen de datos y obtienen resultados con mejor precisión en menor tiempo. En el siguiente trabajo se muestra el desarrollo, implementación y resultados de las herramientas utilizadas. 1. El Problema. Detección de fraudes eléctricos. En el año 1997 ELEVAL poseía un nivel de pérdida global de 38,15% lo que originó una alerta e incentivó la implementación de un proyecto para la disminución de las pérdidas totales, aplicando diferentes estrategias en los grupos de clientes de mayor consumo (Clientes Industriales y Comerciales) durante el período se logró reducir a 22,31% (cerca de 16 puntos porcentuales, ver figura N 1). Entre las estrategias estaba el análisis del balance energético por circuito y las inspecciones masivas por rutas de lecturas, sin discriminar las desviaciones y/o variaciones de consumo de los suministros. En el año 2003 la empresa creó la Unidad de Protección de Ventas, con el fin de planificar, programar, analizar, controlar el proceso de detección y normalización de los suministros con presuntos fraudes; la misma cuenta con un personal especializado, procedimientos, metodologías y un sistema de gestión comercial (OPEN SGC). Esto contribuyó a la reducción de los costos operativos asociados al proyecto de reducción de pérdidas no técnicas. Para el año 2004 se inició la implementación del proyecto de control de pérdidas no técnicas con la instalación de medidores denominados Totalizadores, en las salidas de los bancos de transformación, principalmente con carga tipo residencial. Estos medidores permiten realizar el balance energético entre la energía despachada y la energía facturada total de los suministros asociados al transformador, los mismos contribuyeron a reducir a 15,08% las pérdidas globales al cierre del año 2006 (cerca de 9 puntos porcentuales en relación al año 2004). Ver figura N 1. 1

3 % Pérdidas 45,00 40,00 35,00 30,00 25,00 20,00 15,00 10,00 5,00 0, ,15% Proyecto 80/20 Usuarios Industriales y Comerciales Pérdidas Totales Promedio Móvil ,31% Implementación del Sistema Open SGC 2002 Creación Unidad de Protección de Ventas Año Implementación de Totalizadores 2005 Levantamiento de Procedimientos de PNT 2006 Figura Nº 1. Pérdidas Totales ,08% ,14% Las estrategias de reducción de pérdidas se mantuvieron en los años siguientes, cerrando en 14,14% las pérdidas globales para el año 2009 (ver figura N 1). Ese año los costos asociados a la detección de un fraude presentaron un incremento de 136% (en relación al inicio del proyecto), debido principalmente a la baja efectividad en la detección de fraudes (13%), ver figura N 2. Situación que lleva a investigar nuevas tecnologías y metodologías para mejorar dicha efectividad. COSTO $ % Costos ($) por Detectar un Fraude Vs. Efectividad de Detección 10% PROYECTO AL CIERRE (2009) 15% 20% 25% 30% % Efectividad Detección de Fraude INICIO DEL PROYECTO (1997) Figura Nº 2. Relación Costos vs. Efectividad de detección de Fraude. Se considera que la disminución en la efectividad de detección de fraudes se debe a: Bajo nivel de pérdidas de energía y menor cantidad de suministros con fraude. Evolución tecnológica de los usuarios al cometer algún tipo de fraude. Vulnerabilidad y errores en la base de datos de algunos clientes en el Sistema de Gestión OPEN SGC. Disminución de la calidad en el análisis de detección de fraude debido a sobrecarga 35% 40% 45% 2010 de actividades asignadas por analista, debilidad en la aplicación de la metodología de análisis y desmotivación. En la figura Nº 3 se muestra la Efectividad de Detección de Fraude vs. Pérdida Totales. % Pérdida 25,0% 20,0% 15,0% 10,0% 5,0% 0,0% 22,5% Efectividad de Detección de Fraude vs Pérdidas Promedio Móvil 19,83% Año % Efectividad de Inspecciones Pérdidas Promedio Móvil 13% 14,14% Figura Nº 3. Efectividad de Detección de Fraude vs. Pérdida Promedio Móvil. Ante este abanico de posibilidades se persigue optimizar y mejorar el proceso de detección de fraudes de suministros a través de estudios estadísticos, como las técnicas de clasificación (Análisis Unidimensional, Multivariado y de Conglomerados), que identifican patrones de comportamientos de suministros. 2. Metodología de Análisis de Base de Datos para la Detección de Fraude La base de datos de los clientes de ELEVAL está conformada aproximadamente por suministros, los mismos son analizados por diferentes áreas de la Unidad de Protección de Ventas. A continuación se muestra la distribución de las bases de datos: Suministros Anómalos: Cerca de suministros (33% del total) que en un periodo de 12 meses presentan tres (3) desviaciones de facturación entre un -50% y -80% respecto a su consumo promedio. Suministros con Probable Reincidencia: Cerca de suministros (22% del total) que fueron normalizados por presentar algún tipo de fraude. Suministros asociados a Medidores Totalizadores: Cerca de suministros (93% del total). Suministros clientes industriales y comerciales. Cerca de suministros (16% del total). Los suministros pueden ser monitoreados simultáneamente por las distintas áreas. 2

4 El análisis de la base de datos de un suministro contempla: Conocimiento del cliente: Datos que representan información histórica del cliente, tarifa, actividad económica, consumo histórico, ubicación geográfica, entre otros. Datos de interés: Corresponde a las reclamaciones realizadas por el cliente, inspecciones ejecutadas anteriormente, fraudes o anomalías detectadas, entre otros. Solvencia de pago: Corresponde a la facturación, efectividad de la cobranza, cortes de energía ejecutados. A continuación se muestra en la figura Nº 4 la metodología de análisis de detección de fraude: si Fin Inicio Ingresar en Sistema Open SGC Datos del Contrato Datos del Inmueble El suministro está deshabitado? no Fin El análisis estadístico permite crear un sistema inteligente capaz de aprender de consumos históricos, ubicación geográfica, tarifa, actividad económica, entre otras variables; para extraer patrones, describir tendencias, predecir comportamientos, que al ser implementado en un computador facilita manejar grandes cantidades de datos, relacionar variables de distinta naturaleza, no Histórico del medidor Consumos facturados Inspecciones Técnicas Suministro con posible fraude? si Emitir Orden de Servicio Figura Nº 4. Metodología del Análisis. 3. Herramientas Estadísticas. El estudio estadístico aplicado a la base de datos conlleva a la construcción de modelos matemáticos, por lo que es necesario determinar el conjunto de entrenamiento, validación y prueba con variables significativas que logren alcanzar un resultado confiable, no perceptibles a simple vista con el uso de las metodologías actuales de detección de fraude. comprender y modelar la base de datos de suministros de una manera eficiente para la toma de decisiones, optimizando el proceso de detección de fraude. La clasificación y jerarquización de las variables se deben tener en cuenta al momento del estudio estadístico. Se estableció como metodología, la caracterización, tipificación e identificación de patrones, la cual se estructura en las siguientes etapas: a) Descripción de la población a estudiar. b) Procesamiento de la información (elaboración de la base de datos, clasificación y descripción de variables). c) Análisis exploratorio de los datos. d) Revisión y selección de variables. e) Aplicación de técnicas estadísticas Multivariantes. f) Determinación de Conglomerados (caracterización de los tipos de agrupamientos). g) Validación. h) Interpretación de resultados. 3.1 Análisis Univariados y Multivariantes. El análisis descriptivo unidimensional o univariado es el análisis primario que se realiza para medir una a una cada variable. Este análisis permitió evaluar la naturaleza de las variables, cuantificar algunos aspectos gráficos de los datos para evidenciar tendencias y preferencias de los clientes. El análisis descriptivo multivariado se utiliza para describir el comportamiento de un conjunto de datos con más de una variable y sus objetivos son: Resumir de los datos mediante un pequeño conjunto de nuevas variables, construidas a través de transformaciones de las originales, con la mínima pérdida de información. Determinar de grupos en los datos. Clasificar nuevas observaciones en grupos definidos. Relacionar dos (2) o más conjuntos de variables. En los métodos multivariados, se presume que las variables están correlacionadas, pero las observaciones sobre los individuos son 3

5 independientes. Generalmente, también se supone que el conjunto de variables que intervienen en el análisis poseen una distribución normal multivariada. Esta suposición permite que el Análisis Multivariado se desarrolle paralelamente al correspondiente Análisis Univariado basado en una distribución normal. Al aplicar técnicas estadísticas, se encuentran las dirigidas o motivadas por los individuos, las cuales se enfocan en las relaciones entre los mismos. Ejemplos: Análisis Discriminante, Análisis de Conglomerados y Análisis Multivariado de Varianza. 3.2 Análisis de Componentes Principales. Cuando se tiene un conjunto de observaciones multivariantes, donde requiere estudiar un conjunto de relaciones interdependientes y no se hace distinción entre variables dependientes e independientes, se puede realizar un Análisis de Conglomerados. Su objetivo principal es reducir el número de objetos y reunirlos en un número menor de grupos que la totalidad de los objetos y que éstos sean similares internamente y diferentes entre grupos. El Análisis de Conglomerados es la opción estratégica basada en la obtención e identificación de grupos, a objeto de describir la estructura latente de los datos y determinar patrones no observables directamente, como se ilustra en la figura Nº 5. Esta técnica de reducción de dimensionalidad tiene como objetivo transformar el conjunto de variables originales (correladas) en otro conjunto de variables incorreladas, denominadas componentes principales. Cada componente principal se obtiene como una combinación lineal de las variables originales y su importancia relativa se expresa en función del porcentaje de la varianza total. Esta técnica tendrá éxito si un número pequeño de componentes explican un gran porcentaje de la varianza total. La aplicación de este estudio se enfoca en una técnica de análisis exploratorio que permite descubrir interrelaciones entre los datos y de acuerdo con los resultados, proponer los análisis estadísticos más apropiados, además de reducir la dimensionalidad de la matriz de datos para evitar las redundancias y destacar relaciones. En la mayoría de los casos, tomando sólo los primeros componentes, se puede explicar la mayor parte de la variación total contenida en los datos originales, así como, construir variables no observables (componentes) a partir de variables observables. 3.3 Análisis de Conglomerados. Se optimiza la detección de fraudes en un conjunto de suministros mediante una herramienta estadística que permite particionarlos, con el fin de establecer, identificar y priorizar grupos homogéneos, en función de las similitudes que presenten entre la variación de consumo, ubicación geográfica, cantidad de anomalías, entre otros, los cuales pueden ser evidencias de casos con fraude. Figura Nº 5. Análisis de Conglomerados Se desea repartir n datos, de dimensión p, en conglomerados o grupos (clusters) formados por datos que son parecidos entre sí. Los grupos no están definidos a priori. Básicamente, el objetivo del análisis es conseguir que los propios datos sugieran una agrupación adecuada. Las técnicas de análisis de conglomerados se pueden usar, con algunas diferencias, tanto para datos x i = (x i1,x i2,,x ip ) cuantitativos como cualitativos. En estos últimos las variables x 1,x 2,,x p corresponden a códigos (usualmente numéricos) que identifican características cualitativas, como por ejemplo, Suministros con fraude (Con fraude =1, Sin fraude =0), presencia o ausencia de una característica. Para el análisis de conglomerados se deben seguir las siguientes etapas: a) La Formulación del Problema es lo más importante, es la selección de las variables 4

6 en las que se basará la agrupación. El conjunto de variables seleccionado debe describir la similitud entre los objetos en términos relevantes para el problema de investigación. b) La Selección del Método de Clasificación de las Variables empieza con el proceso de agrupación, estos métodos pueden ser jerárquicos o no jerárquicos. En este estudio se usarán aquellos que conducen a la obtención de particiones considerando un centro y agrupando los objetos de cada uno de ellos, en función de las distancias de los mismos, habiendo definido a priori el número de clases finales a considerar, a estos se les denomina no jerárquicos. En este estudio se implementó el método de agrupación no jerárquico, denominado K- medias y su algoritmo es el siguiente: Repartir las n observaciones en K grupos. Esta primera asignación se hace aleatoriamente. En cada uno de los grupos se obtiene el vector de medias (centro del grupo). Asignar secuencialmente cada observación al grupo cuyo centro este más cercano (usualmente, se utiliza la distancia euclídea de las observaciones a los centros de los grupos). En cada etapa se re-calcula el centro del grupo al que se añade una observación y el centro del grupo del que se elimina esa observación. Repetir el paso anterior hasta que no haya re-asignaciones. c) Medición de la Similitud: La similitud mide de acuerdo a la distancia entre los individuos, medidas de correlación o medidas de asociación. Al utilizar la distancia como medida de proximidad, las distancias más pequeñas indican mayor similitud. d) Interpretación y perfiles de los grupos: El objetivo de esta etapa es el estudio de la variación de los clusters para asignar etiquetas que describan de un modo veraz su naturaleza. Con los perfiles y la interpretación de los conglomerados no sólo se consigue la descripción de los mismos, sino que proporcionan un medio para evaluar la correspondencia de los conglomerados obtenidos con aquellos supuestos por la experiencia práctica. Mediante el uso de histogramas (ver figura Nº 6), se mostró gráficamente el comportamiento de las variables del estudio, lo cual suministró información necesaria para la interpretación de los grupos encontrados y conllevó a la realización de la respectiva etiqueta de identificación. Figura Nº 6. Histogramas. 4. Implementación y resultados de las herramientas estadísticas utilizadas Para implementar las herramientas estadísticas Univariadas y Multivariantes, así como el análisis de conglomerados se seleccionó una base de datos de suministros anómalos de clientes. El análisis Univariado y Multivariante determinaron las variables dependientes del estudio, entre ellas: Consumos, cantidad de anomalías, tarifa y punto inspeccionado. El análisis de conglomerados clasificó la base de datos de suministros en cinco (5) grupos a los cuales se le asignaron las etiquetas de identificación de acuerdo a las características del conglomerado al que pertenecía. De los conglomerados se obtuvieron los siguientes grupos: Bajo Control: Suministros cuyos consumos se mantienen dentro de los rangos normales de acuerdo a la tarifa a la que pertenecen, además de presentar hasta dos (2) anomalías. Normales: Suministros cuyos consumos se mantienen dentro de los rangos normales de acuerdo a la tarifa a la que pertenecen, además de presentar de tres (3) anomalías a cinco (5) anomalías. A inspeccionar: Suministros cuyos consumos presentan variaciones negativas leves de acuerdo a la tarifa a la que pertenecen, además de presentar más de cinco (5) anomalías. 5

7 Sospechosos: Suministros cuyos consumos presentan variaciones negativas medias de acuerdo a la tarifa a la que pertenecen, además de presentar más de cinco (5) anomalías y han sido inspeccionados. Altamente Sospechosos: Suministros cuyos consumos presentan variaciones negativas graves o consumos iguales a cero (0) de acuerdo a la tarifa a la que pertenecen, además de presentar más de cinco (5) anomalías y no han sido inspeccionados. De dichos conglomerados se seleccionó para inspeccionar los tres (3) últimos grupos, compuestos por suministros, que representan el 12% de la población ( suministros) los cuales presentan alta probabilidad de fraude. De estos suministros fueron inspeccionados el 81% (4.032 clientes) detectando suministros con fraude, obteniendo una efectividad de detección de fraude de 33%. Los que no fueron inspeccionados presentaban alta morosidad, inmuebles deshabitados, cerrados, servicio suspendido y/o ubicados en zonas de alto riesgo, según información del Sistema OPEN SGC. El resultado de este análisis estadístico proporcionó las siguientes ventajas: a) Reducción de la base de datos de suministros anómalos, lo cual facilita y optimiza el análisis. b) Incremento en la detección de fraudes de 20 puntos porcentuales en relación al promedio de efectividad del año 2009 (13%). c) Identificación de patrones de comportamiento (cinco conglomerados). 6. Conclusión y recomendaciones. Es primordial disponer de una base de datos con variables dinámicas, frecuentemente actualizadas para tener éxito en la aplicación de herramientas estadísticas en la detección de fraudes. El estudio estadístico de la base de datos de clientes en empresas eléctricas obtiene patrones de comportamiento y agrupamientos de suministros que permiten mejoras en los procesos de detección de suministros con fraude eléctrico. Dichos estudios estadísticos están basados principalmente en técnicas de clasificación (Análisis Unidimensional, Multivariado y de Conglomerados). El análisis de conglomerados constituye una aproximación alternativa para la ubicación de comportamientos que evidencien fraudes de consumo. Se recomienda desarrollar e implementar un sistema para la detección de fraudes empleando herramientas estadísticas, para contribuir en la reducción del nivel de pérdidas de la empresa, mediante un incremento en la efectividad de detección de fraudes y una optimización de los recursos. Estas herramientas permitirán extraer de la base de datos de clientes tendencias y factores definitorios de fraudes considerando variables determinantes de patrones de consumo. El sistema propuesto podrá analizar la base de datos de la empresa; sin embargo, será vulnerable a aquellos suministros que desde el inicio de su relación con la empresa tienen fraude eléctrico, clientes con demasiadas estimaciones, usuarios no ingresados al sistema, entre otros. Con el fin de focalizar y simplificar la detección de fraude, se recomienda que los próximos estudios estadísticos se realicen por zonas específicas, así mismo utilizar herramientas de inteligencia artificial asociada a máquina de vector de soporte (SVM). 7. Referencias [1] Fernández, Rigoberto. Técnicas estadísticas multivariadas y sus aplicaciones a indicadores e índices económicos financieros de la actividad turística. Julio, [2] Guglia, R. Mario. Métodos Multivariantes para la investigación comercial. Julio, [3] Manual Latinoamericano y del Caribe para el control de Pérdidas Eléctricas. Organización Latinoamericana de Energía (OLADE). [4] Peña, Daniel. Análisis de Datos Multivariantes. McGraw Hill. [5] Santamaría Ruiz, Wilfredy. Técnicas de Minería de Datos para la Detección de Fraude. 6

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más detalles

EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO

EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO I. INTRODUCCIÓN Beatriz Meneses A. de Sesma * En los estudios de mercado intervienen muchas variables que son importantes para el cliente, sin embargo,

Más detalles

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS 1. RESEÑA HISTORICA Las exigencias competitivas del mercado hacen que las organizaciones busquen mecanismos

Más detalles

Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida. Por: Prof. Elena del C. Coba

Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida. Por: Prof. Elena del C. Coba Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida Por: Prof. Elena del C. Coba Encuestas y estudios aplicados al VIH/sida Definir la fuente de los datos: Datos

Más detalles

Gestión de Proyectos A Guide to the Project Management Body of Knowledge (Pmbok Guide) Profesor Guillermo E. Badillo Astudillo

Gestión de Proyectos A Guide to the Project Management Body of Knowledge (Pmbok Guide) Profesor Guillermo E. Badillo Astudillo Gestión de Proyectos A Guide to the Project Management Body of Knowledge (Pmbok Guide) Profesor Guillermo E. Badillo Astudillo Todas las slides siguientes están tomadas de la guía de los fundamentos para

Más detalles

02 Qué debo saber del entorno de mi empresa

02 Qué debo saber del entorno de mi empresa El balance social 1. Qué es el balance social? Se concibe como un instrumento para contribuir a mejorar las condiciones de las organizaciones, tales como la calidad de vida del personal, optimización de

Más detalles

AMI/MDM DR EXPERIENCES. George Reinoso Energy Advisor CDEEE Rep.Dominicana

AMI/MDM DR EXPERIENCES. George Reinoso Energy Advisor CDEEE Rep.Dominicana AMI/MDM DR EXPERIENCES George Reinoso Energy Advisor CDEEE Rep.Dominicana AMI/MDM Experiencias DR La instalación de los sistemas AMR/AMI ha ido en aumento en los últimos años. El costo de estos sistemas

Más detalles

Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD.

Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD. Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD. Recomendaciones de la ITU-T ITU- International Telecommunications Union Las recomendaciones de la ITU-T

Más detalles

Evaluación de Gestión, Resultados e Impactos de Programas Públicos

Evaluación de Gestión, Resultados e Impactos de Programas Públicos Curso internacional PLANIFICACION ESTRATÉGICA Y POLÍTICAS PÚBLICAS La Antigua, Guatemala, mayo 2010 Evaluación de Gestión, Resultados e Impactos de Programas Públicos Eduardo Aldunate Experto ILPES/CEPAL

Más detalles

320514 - APTM - Análisis de Procesos Textiles y de Mercados

320514 - APTM - Análisis de Procesos Textiles y de Mercados Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 320 - EET - Escuela de Ingeniería de Terrassa 714 - ETP - Departamento de Ingeniería Textil y Papelera MÁSTER UNIVERSITARIO

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación

Más detalles

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. DIAGRAMA DE FLECHAS 1.- INTRODUCCIÓN Este documento sirve de guía para el proceso de planificación de proyectos. Describe desde la visualización de la secuencia de acciones a desarrollar en dichos proyectos

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

SMART ENERGY. Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra. indracompany.com

SMART ENERGY. Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra. indracompany.com SMART ENERGY Soluciones integrales para el control y gestión de pérdidas Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra indracompany.com Soluciones integrales para el control

Más detalles

www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables" no es aplicable.

www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables no es aplicable. GRAFICOS DE CONTROL POR ATRIBUTOS 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas para el control de procesos, los Gráficos

Más detalles

ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL

ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL Hugo Renán Ruíz 1, Luis Rodríguez Ojeda 1 Ingeniero en Estadística Informática

Más detalles

CAPÍTULO III. Metodología. 3.1 Tipo de Investigación. La investigación se define como un estudio sistemático, controlado, empírico,

CAPÍTULO III. Metodología. 3.1 Tipo de Investigación. La investigación se define como un estudio sistemático, controlado, empírico, 49 CAPÍTULO III 3.1 Tipo de Investigación La investigación se define como un estudio sistemático, controlado, empírico, reflexivo y crítico de proposiciones hipotéticas sobre las supuestas relaciones que

Más detalles

Rumboitil www.rumboitil.com e-mail: info@rumboitil.com

Rumboitil www.rumboitil.com e-mail: info@rumboitil.com INDICE... Error! Marcador no definido. Unidad 3 Estrategia del Servicio... 2 3.1 Creación de Valor a través del Servicio.... 2 3.2 Gestión de la demanda.... 4 3.3 Gestión financiera.... 7 3.4 Procesos

Más detalles

TÉCNICO SUPERIOR UNIVERSITARIO EN ADMINISTRACIÓN ÁREA ADMINISTRACIÓN Y EVALUACIÓN DE PROYECTOS EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA

TÉCNICO SUPERIOR UNIVERSITARIO EN ADMINISTRACIÓN ÁREA ADMINISTRACIÓN Y EVALUACIÓN DE PROYECTOS EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA TÉCNICO SUPERIOR UNIVERSITARIO EN ADMINISTRACIÓN ÁREA ADMINISTRACIÓN Y EVALUACIÓN DE PROYECTOS EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ESTADÍSTICA UNIDADES DE APRENDIZAJE 1. Competencias Evaluar la

Más detalles

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo

Más detalles

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA Qué es inteligencia de negocios? (BI) Business Intelligence es la habilidad para transformar los datos en información, y la información en

Más detalles

3. FUNCIONES DE LA MERCADOTECNIA

3. FUNCIONES DE LA MERCADOTECNIA 3. FUNCIONES DE LA MERCADOTECNIA Las funciones básicas de la mercadotecnia es planear, fijar el precio, de promover y distribuir los productos, estas son algunas de las funciones del marketing más importantes

Más detalles

SOFTWARE INTEGRAL DE GESTIÓN DE SERVICIOS

SOFTWARE INTEGRAL DE GESTIÓN DE SERVICIOS SOFTWARE INTEGRAL DE GESTIÓN DE SERVICIOS INTRODUCCIÓN Fruto de profesionales con una significativa experiencia en el sector, Europha representa en el mercado del software específico de aplicación, un

Más detalles

Optimización en la asignación a agencias externas. Director de Producto AIS Aplicaciones de Inteligencia Artificial

Optimización en la asignación a agencias externas. Director de Producto AIS Aplicaciones de Inteligencia Artificial Gestión de Cobranza Optimización en la asignación a agencias externas David Fernández David Fernández Director de Producto AIS Aplicaciones de Inteligencia Artificial Contenido Tecnificación en la gestión

Más detalles

% PRODUCTOS NO CONFORMES 10% 5%

% PRODUCTOS NO CONFORMES 10% 5% Departamento de Ingeniería Mecánica Tecnología Mecánica I 67.15 Unidad 13: Control de Calidad Ing. Sergio Laguzzi 1 TEMARIO - Definición de Calidad. Costos de la no Calidad. Estrategia de detección (Planes

Más detalles

Material Nº 14 COSTEO BASADO EN ACTIVIDADES ABC DE LOS COSTOS

Material Nº 14 COSTEO BASADO EN ACTIVIDADES ABC DE LOS COSTOS Material Nº 14 COSTEO BASADO EN ABC DE LOS COSTOS ANTECEDENTES Activiti Based Costing Costeo Basado en Actividades Nace en el seno de las Economía de Norteamericanas y se traslada también a Europa y Japón,

Más detalles

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como: TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos

Más detalles

www.bvbusiness-school.com

www.bvbusiness-school.com Gráficos de Control de Shewart www.bvbusiness-school.com GRÁFICOS DE CONTROL DE SHEWART Una de las herramientas estadísticas más importantes en el Control Estadístico de Procesos son los Gráficos de Control.

Más detalles

1.1. Introducción y conceptos básicos

1.1. Introducción y conceptos básicos Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................

Más detalles

Métodos de la Minería de Datos

Métodos de la Minería de Datos This is page i Printer: Opaue this Métodos de la Minería de Datos Dr. Oldemar Rodríguez Rojas de noviembre de 2005 ii Contents This is page iii Printer: Opaue this iv This is page v Printer: Opaue this

Más detalles

Tema 3 Selección de mercados internacionales

Tema 3 Selección de mercados internacionales Tema 3 Selección de mercados internacionales El proceso de selección de un mercado objetivo, compatible e idóneo con las aspiraciones y posibilidades de la empresa, donde poder expandirse y alargar su

Más detalles

Análisis multivariable

Análisis multivariable Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través

Más detalles

Retos de la Proliferación de Modelos. 2 de Octubre 2012

Retos de la Proliferación de Modelos. 2 de Octubre 2012 Retos de la Proliferación de Modelos 2 de Octubre 2012 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo

Más detalles

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I [.estrategiafinanciera.es ] CREDIT SCORING: Enfoque y ventajas para las instituciones financieras. Parte I Un sistema de scoring preciso al que se le haga un seguimiento correcto representa un instrumento

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Curso: Estadísticas.

Curso: Estadísticas. Curso: Estadísticas. 1 1 La estadística es una herramienta indispensable para todas las disciplinas del conocimiento universal. La estadística es una colección de información numérica, que se refiere a

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Eficiencia Energética con ISO 50001

Eficiencia Energética con ISO 50001 Eficiencia Energética con ISO 50001 Mejore el desempeño energético de su organización, reduzca sus costos de producción o provisión de servicios y logre mayor competitividad: organizaciones en todo el

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

Más detalles

LOS INDICADORES DE GESTIÓN

LOS INDICADORES DE GESTIÓN LOS INDICADORES DE GESTIÓN Autor: Carlos Mario Pérez Jaramillo Todas las actividades pueden medirse con parámetros que enfocados a la toma de decisiones son señales para monitorear la gestión, así se asegura

Más detalles

Matriz de Riesgo, Evaluación y Gestión de Riesgos

Matriz de Riesgo, Evaluación y Gestión de Riesgos Matriz de Riesgo, Evaluación y Gestión de Riesgos Cualquier actividad que el ser humano realice está expuesta a riesgos de diversa índole los cuales influyen de distinta forma en los resultados esperados.

Más detalles

1.1. Conceptualización y Objetivos

1.1. Conceptualización y Objetivos UNIDAD I Sistemas de Producción y Pronóstico 1.1. Conceptualización y Objetivos El sistema de producción es el proceso físico o instalación que se utiliza para generar el producto o servicio. Incluyen

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source Inteligencia Artificial y Seguridad Informática en plataformas Open Source Jornadas de Software Libre y Seguridad Informática Santa Rosa La Pampa 4 y 5 de Diciembre de 2009 AGENDA Primera Parte Definiciones

Más detalles

EMIOS Casos prácticos de uso para gestores energéticos

EMIOS Casos prácticos de uso para gestores energéticos EMIOS Casos prácticos de uso para gestores energéticos Empresa y grupo Telnet Sobre Energy Minus: EMIOS: EMIOS (Energy Minus Intelligent Operative System) es una plataforma de monitorización y análisis

Más detalles

Informe técnico sobre el RailScanner

Informe técnico sobre el RailScanner Informe técnico sobre el RailScanner 1.Introducción El RailScanner es un sistema electrónico de monitoreo que verifica la condición de la vía férrea bajo una carga operativa real. Lo que hace es medir

Más detalles

4. MÉTODOS DE CLASIFICACIÓN

4. MÉTODOS DE CLASIFICACIÓN 4. MÉTODOS DE CLASIFICACIÓN Una forma de sintetizar la información contenida en una tabla multidimensional (por ejemplo una tabla léxica agregada), es mediante la conformación y caracterización de grupos.

Más detalles

INVESTIGACIÓN DE MERCADO

INVESTIGACIÓN DE MERCADO Módulo: Investigación de Mercado Educación Media Técnico-Profesional Sector Administración y Comercio 1 Especialidad: Administración Módulo INVESTIGACIÓN DE MERCADO Horas sugeridas para desarrollar las

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de

CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.

Más detalles

LA IMPORTANCIA DE LOS TABLEROS DE CONTROL. Conocido también como Cuadro de Mando Integral (CMI) o tablero de comando o balanced scorecard.

LA IMPORTANCIA DE LOS TABLEROS DE CONTROL. Conocido también como Cuadro de Mando Integral (CMI) o tablero de comando o balanced scorecard. LA IMPORTANCIA DE LOS TABLEROS DE CONTROL Jack Fleitman Conocido también como Cuadro de Mando Integral (CMI) o tablero de comando o balanced scorecard. La mayoría de las empresas grandes lo utilizan para

Más detalles

C5-205 PROPUESTA MODELO DE GESTIÓN COMERCIAL PARA CORPOELEC

C5-205 PROPUESTA MODELO DE GESTIÓN COMERCIAL PARA CORPOELEC II CONGRESO VENEZOLANO DE REDES Y ENERGÍA ELÉCTRICA Comité Nacional Venezolano Junio 2009 C5-205 PROPUESTA MODELO DE GESTIÓN COMERCIAL PARA CORPOELEC C. Da Rocha* J. Blondell** T. Romero**** G. Fernandez***

Más detalles

Informática II Ing. Industrial. Data Warehouse. Data Mining

Informática II Ing. Industrial. Data Warehouse. Data Mining Data Warehouse Data Mining Definición de un Data Warehouses (DW) Fueron creados para dar apoyo a los niveles medios y altos de una empresa en la toma de decisiones a nivel estratégico en un corto o mediano

Más detalles

DESCRIPCIÓN DEL PROCESO DE RIESGO OPERACIONAL

DESCRIPCIÓN DEL PROCESO DE RIESGO OPERACIONAL DESCRIPCIÓN DEL PROCESO DE RIESGO Julio 10, de 2012 INDICE Proceso Riesgo Operacional... 1 Objetivo General... 1 Objetivos Específicos... 1 I. Identificación del Riesgo.... 1 II. Medición y Mitigación

Más detalles

Calidad en el Montaje y Proceso

Calidad en el Montaje y Proceso IES Rey Pelayo Programación 2014-15 Calidad en el Montaje y Proceso Instalación y Mantenimiento Electromecánico y Conducción de Líneas Formación Profesional de Grado Medio Índice Índice... 1 Introducción...

Más detalles

DIA 21 Taller: Implantación ISO 27000 en el entorno empresarial PYME

DIA 21 Taller: Implantación ISO 27000 en el entorno empresarial PYME DIA 21 Taller: Implantación ISO 27000 en el entorno empresarial PYME Ponencia: Gestión de incidentes de seguridad y planes de continuidad de negocio. Metodología y aspectos prácticos para implantación

Más detalles

EPB 603 Sistemas del Conocimiento!"#$ %& $ %'

EPB 603 Sistemas del Conocimiento!#$ %& $ %' Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM EPB 603 Sistemas del Conocimiento!"#$ %& $ %' Modelos de proceso para proyectos de Data Mining (DM) Son diversos los modelos de

Más detalles

ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti

ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti ANÁLISIS DE DATOS CONTROL DE CALIDAD Ing. Carlos Brunatti Montevideo, ROU, junio 2015 Control de calidad No resulta sorprendente que el hormigón sea un material variable, pues hay muchos factores involucrados

Más detalles

SMART ENERGY. avanzados. de la medida. Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra. indracompany.

SMART ENERGY. avanzados. de la medida. Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra. indracompany. SMART ENERGY Soluciones y Dispositivos avanzados de gestión de la medida Más de 140 compañías de utilities en todo el mundo disponen de soluciones Indra indracompany.com SMARt ENERGY Soluciones y Dispositivos

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

SEGURIDAD PARA EL ACCESO A LA INFORMACIÓN DE LAS ENTIDADES DEL ESTADO

SEGURIDAD PARA EL ACCESO A LA INFORMACIÓN DE LAS ENTIDADES DEL ESTADO SEGURIDAD PARA EL ACCESO A LA INFORMACIÓN DE LAS ENTIDADES DEL ESTADO Programa de Gobierno en Línea Oficina de Coordinación de Investigación, Política y Evaluación. RESUMEN La seguridad de la información

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería

Más detalles

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3.

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3. GANTT, PERT y CPM Características Conseguir una buena programación es un reto, no obstante es razonable y alcanzable. Ella debe tener el compromiso del equipo al completo, para lo cual se recomienda que

Más detalles

Grado en Administración y Dirección de Empresas Dirección Comercial I. Prácticas Tema 1

Grado en Administración y Dirección de Empresas Dirección Comercial I. Prácticas Tema 1 Grado en Administración y Dirección de Empresas Dirección Comercial I. Prácticas Tema 1 1.- Con qué tipo de investigación responderíamos a la siguiente pregunta: Qué tipo de comprador adquiere nuestros

Más detalles

OptiRamp OptiRamp Sistema de Control de Despacho Avanzado para Ductos

OptiRamp OptiRamp Sistema de Control de Despacho Avanzado para Ductos OptiRamp OptiRamp Sistema de Control de Despacho Avanzado para Ductos Los sistemas de control, SCADAs, y servidores de datos históricos han evolucionado para proveer una extensa cantidad de información

Más detalles

Inspecciones con infrarrojos. Charla especial para Mantenimiento de Equipos Industriales

Inspecciones con infrarrojos. Charla especial para Mantenimiento de Equipos Industriales Inspecciones con infrarrojos Charla especial para Mantenimiento de Equipos Industriales Optimizando los recursos Hay que cuidarse del entusiasmo de escanear todas las máquinas para encontrar problemas

Más detalles

Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value.

Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Luis Aburto Lafourcade Gerente de Desarrollo luaburto@analytics.cl Agenda CRM: Entendiendo

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 4: Introducción al Control Estadístico de Procesos TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción

Más detalles

IMPLANTACIÓN DE LAS NUEVAS TECNOLOGIAS EN LA EXPLOTACIÓN DE ACUEDUCTOS. LA EXPERIENCIA AAA.

IMPLANTACIÓN DE LAS NUEVAS TECNOLOGIAS EN LA EXPLOTACIÓN DE ACUEDUCTOS. LA EXPERIENCIA AAA. IMPLANTACIÓN DE LAS NUEVAS TECNOLOGIAS EN LA EXPLOTACIÓN DE ACUEDUCTOS. LA EXPERIENCIA AAA. Introducción a las nuevas tecnologías La gestión moderna de los abastecimientos de agua urbanos se basa tanto

Más detalles

Solución basada en modelos para la predicción del tráfico en tiempo real

Solución basada en modelos para la predicción del tráfico en tiempo real ES POSIBLE QUE LAS CIUDADES VAYAN UN PASO ADELANTE? Solución basada en modelos para la predicción del tráfico en tiempo real PTV Optima es la herramienta clave para el éxito en la gestión del tráfico.

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Auditoría de procesos con alto grado de automatización*

Auditoría de procesos con alto grado de automatización* Auditoría de procesos con alto grado de automatización* *connectedthinking PwC Agenda Ambiente tecnológico Mapeo de procesos Identificación de riesgos Identificación de controles Pruebas de controles Ambiente

Más detalles

Presentación Corporativa. Página 1

Presentación Corporativa. Página 1 Presentación Corporativa 2015 Página 1 Quiénes somos SERNOVEN: Empresa especializada en OPTIMIZACIÓN ENERGÉTICA INTEGRAL. Buscamos soluciones tecnológicas en el ámbito de la energía y con especial énfasis

Más detalles

Los Sistemas Integrados de Gestión: Gestión de la Calidad Total, Gestión Medio Ambiental y Gestión de la Prevención.

Los Sistemas Integrados de Gestión: Gestión de la Calidad Total, Gestión Medio Ambiental y Gestión de la Prevención. PROCEDIMIENTOS BASADOS EN LAS NORMAS OSHAS 18000 PARA SU IMPLANTACION EN PYMES DEL SUBSECTOR FABRICACIÓN DE PRODUCTOS METÁLICOS. Los Sistemas Integrados de Gestión: Gestión de la Calidad Total, Gestión

Más detalles

Control de calidad del Hormigón

Control de calidad del Hormigón Control de calidad del Hormigón Calidad Hay muchos factores involucrados en la producción del hormigón, desde los materiales, la dosificación de la mezcla, el transporte, la colocación, el curado y los

Más detalles

MÓDULO V EVALUANDO EL RIESGO: ANÁLISIS DE MODO FALLA Y SUS EFECTOS

MÓDULO V EVALUANDO EL RIESGO: ANÁLISIS DE MODO FALLA Y SUS EFECTOS MÓDULO V EVALUANDO EL RIESGO: ANÁLISIS DE MODO FALLA Y SUS EFECTOS ÍNDICE OBJETIVOS 3 DEFINICIÓN FMEA... 3 HISTORIA 4 ROL DEL PROCESO.. 4 PROPÓSITO DEL FMEA DE PROCESOS 4 FMEA: ENTRADAS Y SALIDAS.. 5 ANÁLISIS

Más detalles

Salud de Activos Reflejo de la Estrategia de Mantenimiento

Salud de Activos Reflejo de la Estrategia de Mantenimiento Salud de Activos Reflejo de la Estrategia de Mantenimiento Mucho se ha dicho y escrito acerca de como medir la efectividad de una estrategia de mantenimiento, sin embargo, al momento solo porciones de

Más detalles

Programa de Asignatura : Modelación de Riesgos Financieros

Programa de Asignatura : Modelación de Riesgos Financieros Programa de Asignatura : Modelación de Riesgos Financieros Carrera : INGENIERÍA FINANCIERA Nivel : Semestre VIII Área : Economía y Finanzas Requisito : Administración y Control de Riesgos Horas semanales

Más detalles

Fundamentos del diseño 3ª edición (2002)

Fundamentos del diseño 3ª edición (2002) Unidades temáticas de Ingeniería del Software Fundamentos del diseño 3ª edición (2002) Facultad de Informática necesidad del diseño Las actividades de diseño afectan al éxito de la realización del software

Más detalles

MODELO ESTÁNDAR DE CONTROL INTERNO PARA EL ESTADO COLOMBIANO MECI 1000:2005

MODELO ESTÁNDAR DE CONTROL INTERNO PARA EL ESTADO COLOMBIANO MECI 1000:2005 MODELO ESTÁNDAR DE CONTROL INTERNO PARA EL ESTADO COLOMBIANO MECI 1000:2005 SISTEMA DE CONTROL INTERNO PARA LAS ENTIDADES REGIDAS POR LA LEY 87 DE 1993 1. INTRODUCCIÓN 1.1 GENERALIDADES Al Presidente de

Más detalles

Estudio comparativo de los currículos de probabilidad y estadística español y americano

Estudio comparativo de los currículos de probabilidad y estadística español y americano Estudio comparativo de los currículos de probabilidad y estadística español y americano Jaldo Ruiz, Pilar Universidad de Granada Resumen Adquiere las mismas capacidades en Probabilidad y Estadística un

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

Más detalles

INDICADORES DE GESTION

INDICADORES DE GESTION INDICADORES DE GESTION Un indicador se define como la relación entre las variables cuantitativas o cualitativas, que permite observar la situación y las tendencias de cambio generadas en el objeto o fenómeno

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

Simulación y Modelos Estocásticos

Simulación y Modelos Estocásticos y Modelos Estocásticos Héctor Allende O!"# $# %#&' ( ) *+,-+,,*,/ ) -++,,*,/ ) 0 1 %*++,,*,/ $2,/ 04 %! 2! 5,,#6)5 1 Conceptos básicos: fundamentos de modelos de simulación y del modelado de sistemas complejos,

Más detalles

Control de calidad del. Ciudad de La Rioja Mayo 2013

Control de calidad del. Ciudad de La Rioja Mayo 2013 Control de calidad del Hormigón Ciudad de La Rioja Mayo 2013 Control de calidad Desde que se comenzó con la producción de bienes, se han hecho intentos en controlar el proceso de manera de mejorar la calidad

Más detalles

Por tanto es vital llevar una gestión integrada de todos los factores de riesgo, incorporando tanto los cualitativos como los cuantitativos.

Por tanto es vital llevar una gestión integrada de todos los factores de riesgo, incorporando tanto los cualitativos como los cuantitativos. Conocer, medir y monitorear los riesgos constituye una ventaja competitiva para dar soporte a la toma de decisiones y garantizar el crecimiento sustentable dela institución. Por tanto es vital llevar una

Más detalles

Tema 1.- Introducción a la Visión Artificial

Tema 1.- Introducción a la Visión Artificial Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad

Más detalles

METODOLOGÍA DE EVALUACIÓN DE

METODOLOGÍA DE EVALUACIÓN DE METODOLOGÍA DE EVALUACIÓN DE DESEMPEÑO ENERGÉTICO PARA UN EDIFICIO HABILITADO COMO OFICINA Y/O BANCO Dirección de Economía Sectorial Coordinación General de Crecimiento Verde Instituto Nacional de Ecología

Más detalles

1. Gestionar el ciclo de vida de las solicitudes de servicio que se reciben de los usuarios de los servicios de TIC.

1. Gestionar el ciclo de vida de las solicitudes de servicio que se reciben de los usuarios de los servicios de TIC. 5.9 OPERACIÓN DE SERVICIOS 5.9.1 Operación de la mesa de servicios 5.9.1.1 Objetivos del proceso General: Establecer y operar un punto único de contacto para que los usuarios de los servicios hagan llegar

Más detalles

SISTEMA DE CONTROL INTERNO PARA LAS ENTIDADES REGIDAS POR LA LEY 87 DE 1993

SISTEMA DE CONTROL INTERNO PARA LAS ENTIDADES REGIDAS POR LA LEY 87 DE 1993 1 SISTEMA DE CONTROL INTERNO PARA LAS ENTIDADES REGIDAS POR LA LEY 87 DE 1993 1. INTRODUCCIÓN 1.1 GENERALIDADES Al Presidente de la República, con sujeción a lo dispuesto en las Leyes 87 de 1993 y 489

Más detalles

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. GRÁAFICOS DE CONTROL POR VARIABLES 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas más potentes para el control de procesos,

Más detalles

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

Más detalles

Introducción al Diseño de Experimentos

Introducción al Diseño de Experimentos Introducción al Diseño de Experimentos Introducción Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo objetivo es averiguar si unos determinados factores influyen en una variable

Más detalles

Tema 4 Aseguramiento de la calidad, los procesos y su mejora

Tema 4 Aseguramiento de la calidad, los procesos y su mejora Tema 4 Aseguramiento de la calidad, los procesos y su mejora 4.1.- Surgimiento y consolidación del aseguramiento de la calidad 4.2.- Características básicas y definición del aseguramiento de la calidad

Más detalles

Monitoreo y Control de la Eficiencia Energética para la Reducción de Costes

Monitoreo y Control de la Eficiencia Energética para la Reducción de Costes Monitoreo y Control de la Eficiencia Energética para la Reducción de Costes Introducción.- Las industrias se encuentra cada vez más bajo presión en medir el costo de los servicios que consumen, tales como:

Más detalles

ADMINISTRACIÓN DE ENERGÍA INTELIGENTE. Administre consumo. Analice tarifas. Reduzca costos.

ADMINISTRACIÓN DE ENERGÍA INTELIGENTE. Administre consumo. Analice tarifas. Reduzca costos. ADMINISTRACIÓN DE ENERGÍA INTELIGENTE. Administre consumo. Analice tarifas. Reduzca costos. Los costos de energía en el siglo veintiuno representan un gran gasto para cualquier organización. Ahora más

Más detalles

SMART GRIDS. Herramientas para una Iluminación Eficiente. Ignacio Benítez Sánchez ignacio.benitez@ite.es INSTITUTO TECNOLÓGICO DE LA ENERGÍA

SMART GRIDS. Herramientas para una Iluminación Eficiente. Ignacio Benítez Sánchez ignacio.benitez@ite.es INSTITUTO TECNOLÓGICO DE LA ENERGÍA SMART GRIDS Herramientas para una Iluminación Eficiente Ignacio Benítez Sánchez ignacio.benitez@ite.es Departamento Smart Grids INSTITUTO TECNOLÓGICO DE LA ENERGÍA Valencia, 13 de Mayo de 2014 CONTENIDO

Más detalles