2.2.1 ¿Por qué es importante la analítica?

Desde el primer proyecto conocido de recopilación de datos de la población realizado por el gobierno sueco en 1749, hasta la grabación y análisis de Florence Nightingale de datos de mortalidad en la década de 1850, hasta el estudio de la relación entre tabaco y el cáncer pulmonar del académico británico Richard Doll en la década de 1950, la analítica de datos ha alimentado el descubrimiento de conocimientos por cientos de años. En nuestros dias la tecnología nos brinda posibilidades inimaginables. Pensemos en la automatización de la captura de datos que las ciudades inteligenste, la Smard Grid y la Industria 4.0 nos están abiendo y tendremos sólo una primera aproximación sobre lo que veremos en los próximos años.

Cada uno de los escenarios anteriores requería una respuesta a una pregunta hasta ahora sin respuesta. En la década de 1700, los suecos deseaban conocer la distribución geográfica de su población para aprender la mejor forma de sostener una fuerza militar apropiada. Nightingale deseaba conocer el rol que la higiene y los cuidados de enfermería desempañaba en los índices de mortalidad. Doll deseaba saber si las personas que fumaban eran más propensas a sufrir cáncer de pulmón.

Cada uno de estos pioneros sabía que el instinto no era suficiente. La analítica de datos puede descubrir correlaciones y patrones. Hay menos necesidad de recurrir a suposiciones o a la intuición. Y puede ayudar a responder los siguientes tipos de preguntas:

• ¿Qué sucedió?
• ¿Cómo o por qué sucedió?
• ¿Qué sucede ahora?
• ¿Qué es probable que suceda después?

Con computadoras más rápidas y poderosas, hay muchas oportunidades de utilizar la analítica y el big data. Ya sea para determinar riesgo de crédito, desarrollar nuevos medicamentos, hallar formas más eficientes de entregar productos y servicios, prevenir fraude, descubrir ciberamenazas o retener a los clientes más valiosos, la analítica le puede ayudar a entender a su organización – y al mundo que la rodea.

Estado del arte en herramientas de Analítica de Datos
Con el advenimiento de la tecnología móvil es hoy más necesario que nunca que las aplicaciones que se desarrollen sean “responsivas”. Es decir que aún cuando no se ejecuten en un equipo sean capaces de adaptarse a pantallas de todo tipo y color. En ese sentido hay dos lenguajes que se han impuesto fuertemente en el ámbito académico. Estos son R-CRAN y Python.

2.2.2 Métodos analíticos populares

Existen tres tipos predominantes de analítica que se usan hoy día.

• Estadística descriptiva. La estadística descriptiva ha estado entre nosotros la mayor cantidad de tiempo. ¿Recuerda a los suecos en 1749? La tabulación de la población fue una incursión temprana en el análisis descriptivo – el resumen de puntos de datos recopilados. Éstos son los modelos que le ayudarán a entender lo que sucedía y por qué. Se siguen utilizando muchas formas de analítica descriptiva hoy en día – todo, desde cuántos clics recibe una página hasta cuántas unidades se producen versus cuántas se venden.

• Analítica predictiva. La analítica predictiva ha tenido un gran aumento de popularidad. El deseo de predecir el comportamiento del cliente ha sido un motor importante. El incremento en el poder de cómputo con la posibilidad de ejecutar cientos o miles de modelos con rapidez – y la adopción generalizada de técnicas predictivas como las máquinas de vectores de soporte, las redes neurales y los bosques aleatorios – impulsan el análisis predictivo al primer plano de operación de muchas organizaciones. Estos modelos usan datos pasados y algoritmos predictivos que le ayudan a determinar la probabilidad de lo que ocurrirá después.

• Analítica prescriptiva. La analítica prescriptiva es el más nuevo chico de la cuadra. Saber lo que sucederá y saber qué hacer son dos cosas diferentes. La analítica prescriptiva responde la pregunta de qué hacer proporcionando información sobre decisiones óptimas basadas en los escenarios futuros anticipados. La clave para la analítica prescriptiva es poder utilizar el big data, datos contextuales y mucho poder de cómputo para producir respuestas en tiempo real.

3.1.1 La Sociadad Amricana de Inventarios

Algunos años posteriores a la finalización de la segunda guerra mundial, Estados Unidos se convierte en el país cuyo signo monetario se establece como patrón común o divisa para el comercio internacional. Este rol que en economía lo posiciona como el “prestador de ultima instancia” lo obliga a tener estabilidad en su economía y la mayor parte de los economistas (ortodoxos y disidentes) coincidieron en que el enorme crecimiento de su industria no le permitía al gobierno conocer cuál era el verdadero estado de las cuentas nacionales. Al momento de cerrar los números de la macroeconomía se podía saber si había saldo positivo o negativo, pero una duda que no podía ser resuelta es si , por caso, un crecimiento del PBI se había conseguido gracias a sacrificar inventario del año anterior o se había conseguido con mayor productividad (lo que implicaba más producción sin disminución de inventario).

En tal sentido y para tener una medida del estado de inventarios de todos los sectores de la economía se creo la “Clasificación Industrial Internacional Uniforme de Todas las Actividades Económicas (CIIU)” y se establecieron tasas impositivas para que los ítems que fuesen mantenidos más de un año en inventario fuesen castigados con un impuesto extra.

Clasificación CIIU

Se les obligó a las empresas a realizar un cierre de ejercicio en Julio y remitir a las oficinas de estadística los resultados de sus cuentas de perdidas y ganancias y sobre todo el estado de inventario de productos terminados, semi elaborados y materias primas.

A efectos de evitar el costo del impuesto se implementarios dos períodos en los que las empresas y comercios organizaban rebajas para retirar de su inventario estos ítems y esto es lo que se conoce como “Gran Barata”, una de ellas que se realiza desúés de Navidad y la otra al promediar el verano boreal.

A efectos de determinar cuál era el nivel de inventario más conveniente a sostener a lo largo del año se creó un órgano de debate denominado “Sociedad Americana de Producción e Inventarios”. En la reunión de 1953 y luego de una revisión se revivió un modelo matemática crea en 1920 por Willson para la industria del acero (Paradigma de Taylor). Su clásica formulación es bien conocida por nosotros.

\[ EOQ^* = \sqrt{(\frac {2D * Ce} {Ca}})\] Expresión que se ha mantenido vigente por más de 100 años y no ha podido dar respuesta a las interrogantes de partida que pretendía debatir.

3.1.2 La creación de la APICS

Dada las dificultades que aparecen hacia finales de los 70 y sobre todo el enorme impacto que en occidente tienen las doctrinas que culpan al Estado de ineficiencia que sólo puede reducirse con la tercerización y nombrar gerentes en lugar de funcionarios públicos, apelando a conceptos mal aplicados proveniente del management Japonés (stock cero); se decide avanzar en los concepto y se crea la “American Production and Inventory Control Society”. Cuyas sigals son APICS.

A pesar de su interés en seguir dando respuestas a estos interrogantes que ya cumplían los 50 años sin respuesta.

Lo que no era APICS

Hacia finales de los 90 (1998) un grupo de empresas que habían emprendido el camino de la globalización, liderados fundamentalmente por Europa y Japón, sobre todo con industrias del sector automotriz establecen un diálogo que busca las causas primarias del fracaso del modelo de APICS.

Entre las causas raíz del diagrama de Ishikawa que realizan se puede citar

• Días de Cobertura
• Uso de costos no contables
• Al menos 6 variable no contabilizadas en el modelo
• La crítica de Cooper y Lambert
• Analfabetismo digital (IBM)

3.1.3 El Nacimiento del Supply Chain Council

Entre los motivos señalados el tal vez el concepto de Gestión de la Cadena de Suministros, acuñado por Coopuer y Lambert el que dio respuesta a los nuevos interrogantes que los mercados mundiales estaban esperando.

Paper Cooper & Lambert

Este concepto de Supply Chain, con la habilidad de tener un ojo para mirar mi empresa y otro para ver todos los problemas y consecuencias de las consecuencias de la cadena entera han sido los factores de éxito de este paradigma.

La idea de cambiar el concepto de Nivel de Inventario a Días de Cobertura es mucho más realista y permeable a la realidad que se vivía.

Este concepto de Cadena de Suministros que supera al de Porter (Cadena de Valor) deja espacio para otros campos que aparecieron como:

• Sostenibilidad
• Sustentabilidad
• Logística Verde
• Logística Inversa
• Responsabilidad Social Empresaria

Hacia finales de 2002 se calcula que casi el 70% de las empresas PyME y los profesionales certificados en logística del APICS habían cancelado sus membresías y ahora eran parte de SCC.

En América Latina y Caribe el impacto sobre las cadenas de las comodities y manufactura seriada por lotes o las del tipo Engineering to Order tuvieron un impacto de incremento en la productividad del orden del 4% al 9%.

Finalmente en 2009 APICS compra Supply Chain Council

Hoy APICS es SCC

  Actividad complementaria Realizar búsqueda y contabilización de bibliografía sobre estos paradigmas

4.1.1 Análisis Exploratorio

Una de las cosas interesantes de uso del la Simulación de Sistemas de Manu- factura es la posibilidad de hacer Inteligencia de Negocios (BI por sus siglas en ingles – Business Intelligence) por la enorme cantidad de datos que nos genera. Este campo de la BI, requiere un dominio de técnicas como Machine Learning, Identificación de Patrones, operación de BigData o Minerı́a de Datos que en general dominan los expertos en informática, pero que cada dı́a son más acce- sibles a otros profesionales. Si bien serı́a posible poder hacer esto en excel, las limitaciones que tiene la hoja de cálculo nos imedirı́an trabajar con el volumen de datos que la simulación aportarı́a. Se quiere hacer notar que si bien no es imposible hacer el trabajo con hoja de cáculo, serı́a mejor utilizarla para apren- der y resignarse a trabajar con pocos datos. En esta serie de ejercicios, además de familiarizarnos con el lenguaje R-Cran que SI puede operar en entornos de BIGDATA, trataremos de ver como podemos valernos de las bondades del en- torno de trabajo y aprender de un sólo paso con las herramientas que se utilizan en la vida real. Hasta ahora tenemos claro temas referidos a los conceptos de Simulación, Modelo, Inferencia , y hemos insinuado algo sobre las estructuras y métodos de ajustes del modelo o del concepto de ingenierı́a inversa. Utilizaremos unas bases de datos ficticias (cualquier semejanza con la reali- dad es pura coincidencia). En ella se ha realizado un estudio sobre varias empresas que son contratistas o proveedores de servicios de alto valor agregado de grandes compañı́as manu- factureras. Se ha indagado el desempeño de unos 150 contratistas según cuadro dimensiones o indicadores. Comenzaremos estos ejercicios cargando los datos externos, que incluso po- drı́an venir de una hoja de cálculo.

Carga de datos desde archivos externos Si bien serı́a posible cargar datos a mano en R-CRAN, no serı́a práctico hacer lo ası́. Todos los datos que se utilizan en este entorno de trabajo se manejan

internamente como matrices. Estas matrices de datos (semejantes a bases de datos) se llaman data-frames. Un data frame podrı́a ser una matriz de una fila por una columna ası́ por ejemplo

Tanto X,Y y Z aparecen como variables, pero R-CRAN los trata como ma- trices de 1x1. Intente carga dos dataframes a y b con valores numéricos y realizamos la suma de ambos como se muestra en el código. Esto nos permitirı́a usar R-CRAN como si se tratase de una calculadora.

¿Desde dónde podemos cargar datos? Uno de los requisitos para poder cargar datos es que sepamos en que carpeta estamos trabajando. En este ejercicio veremos como hacer para saber donde estamos parados.

[1] "/media/rpalma/OS/AAA_Datos/2021/Posgrado/Catolica Bolivia/Materia_Curso"

Se puede cambiar la carpeta de trabajo con

  setwd("C:/Apuntes")

Puedes cambiar tu carpeta (directorio) de trabajo con el comando setwd() Debes poner entre comillas lo que va dentro del paréntesis Prepare un archivo en excel y guardelo con formato csv ”comma separated values” para capturarlo desde R-CRAN. Asegúrate de usar punto ”.” para indicar fracciones y coma para separar los campos o columnas de la tabla.

  Tarea: Crea una carpeta para tus datasets y descarga la base de proveedores desde https://themys.sid.uncu.edu.ar/r-cran/

Ejemplos

Con los siguientes comando importaremos una planilla generada con una hoja de cálculo que contiene las 150 respuestas de las encuestas que se realizaron

# Si aún no has cargado una biblioteca recuerda ejecutar
# install.packages("readr") o utiliza el menú de R-Studio
library(readr)
BSC_proveedores <- read_csv("~/BSC_proveedores.csv")
BSC_proveedores [c(1:5 ,70:73, 126:129) , ]

La biblioteca readr permite importar datos de excel en r-cran Podemos ver el contenido del dataframe BSC Proveedores que se llama igual que el archivo de texto separado por comas. Para ello ejecutamos el siguiente comando.

4.1.2 Analizando el contenido de un data.frame

Si quisiésemos ver el desempeño respecto a la variable TECNNOLOGIA tendríamos que interponer entre el nombre del dataset el signo pesos y luego el nombre de la columna

4.1.3 Contenido de Columnas

BSC_proveedores$Tecnologia

 [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9 5.4 4.8 4.8 4.3 5.8 5.7 5.4 5.1 5.7
[20] 5.1 5.4 5.1 4.6 5.1 4.8 5.0 5.0 5.2 5.2 4.7 4.8 5.4 5.2 5.5 4.9 5.0 5.5 4.9
[39] 4.4 5.1 5.0 4.5 4.4 5.0 5.1 4.8 5.1 4.6 5.3 5.0 7.0 6.4 6.9 5.5 6.5 5.7 6.3
[58] 4.9 6.6 5.2 5.0 5.9 6.0 6.1 5.6 6.7 5.6 5.8 6.2 5.6 5.9 6.1 6.3 6.1 6.4
 [ reached getOption("max.print") -- omitted 75 entries ]

Repita todo el proceso con el resto de la dimensiones NORMA, CAPITAL, EQUIPO, EMPRESA.

4.1.4 Análisis de Histograma

Veremos como se comportan las muestras (contratistar) utilizando el histograma

hist(BSC_proveedores$Tecnologia)

El gráfico nos muestra que hay dos grupos de contratistas (casi 29 ocurrencias en cada uno) con un desempeño de 6 en la variable TECNOLOGÍA . La escala original era de 1 a 10. Utilizaremos el comando par() que permite dividir el área de ploteo en una matriz especificada por el comando Numero de Columna (nmfrow) Haga las interpretaciones de estos gráficos.

par(mfrow=c(2,2))
hist(BSC_proveedores$Tecnologia)
hist(BSC_proveedores$Normas)
hist(BSC_proveedores$Capital)
hist(BSC_proveedores$Equipo)

4.1.5 Gráficos de Densidad

Algunas personas prefieren utilizar la envolvente del histograma que es el gráfico de densidad

par(mfrow=c(1,1))
plot(density(BSC_proveedores$Equipo))

Gráficos 4x4 de Densidad

par(mfrow=c(2,2))
plot(density(BSC_proveedores$Tecnologia))
plot(density(BSC_proveedores$Normas))
plot(density(BSC_proveedores$Capital))
plot(density(BSC_proveedores$Equipo))

4.1.6 Análisis Mutivariado

Gráficas Ralas

library(car)
BSC_Rawdata <- BSC_proveedores[ ,c(2,3,4,5)]
BSC_Rawdata

scatterplotMatrix(BSC_Rawdata)

Gráficas de matriz de co-varianza

Circulos

library(corrplot)
M <- cor(BSC_Rawdata)
corrplot(M, method="circle")

Cuadrados

library(corrplot)
M <- cor(BSC_Rawdata)
corrplot(M, method="square")

    Tarea: probar los gráficos "circle", "square", "ellipse", "number", "shade", "color", "pie" 

7.2.1 Mpetodos de árboles y bosques (ramdon forest)