ISSN: 2665-0398
Volumen: I, Número: 01, Año: 2020
140
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
1(141)
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e Indexada
Aula Virtual, es de acceso abierto y en formato
electrónico; la misma está orientada a la
divulgación de las producciones científicas creadas
por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras áreas
afines. Su publicación es CONTINUA, indexada y
arbitrada por especialistas en el área, bajo la
modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y cuantitativas,
Avances Investigativos, Ensayos, Reseñas
Bibliográficas, Ponencias o publicaciones
derivada de eventos, y cualquier otro tipo de
investigación orientada al tratamiento y
profundización de la información de los campos de
estudios de las diferentes ciencias. La Revista Aula
Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
6
13
2025
Continua-2025
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
NUEVA METODOLOGÍA CSKT PARA MEJORAR LOS PROYECTOS DE
IMPLEMENTACIÓN DE MACHINE LEARNING EN INGENIERÍA INDUSTRIAL EN UNA
UNIVERSIDAD PÚBLICA
NEW CSKT METHODOLOGY TO IMPROVE MACHINE LEARNING IMPLEMENTATION
PROJECTS IN INDUSTRIAL ENGINEERING AT A PUBLIC UNIVERSITY
Tipo de Publicación: Articulo Científico
Recibido: 15/02/2025
Aceptado: 16/03/2025
Publicado: 28/03/2025
Código Único AV: e461
Páginas: 1 (140-151)
DOI: https://doi.org/10.5281/zenodo.15102636
Autores:
José Antonio Ogosi Auqui
Ingeniero de Sistemas y Cómputo
Maestría en Ingeniería, mención Gestión de Tecnologías
de Información
Maestría en Ingeniería mención Inteligencia Artificial
Doctor en Ingeniería de Sistemas
https://orcid.org/0000-0002-4708-610X
E-mail: jogosi@unfv.edu.pe
Afiliación: Universidad Nacional Federico Villarreal
País: Lima – Perú
Jorge Lira Camargo
Ingeniero de Sistemas
Maestría en Ingeniería mención Ingeniería Industrial y
Gestión Empresarial
Doctor en Ingeniería de Sistemas
https://orcid.org/0000-0003-2364-5226
E-mail: jlira@unfv.edu.pe
Afiliación: Universidad Nacional Federico Villarreal
País: Lima - Perú
Francisca Sonia Vera Tito
Ingeniero de Sistemas
Maestría en Administración
https://orcid.org/0000-0002-7258-2391
E-mail: fvera@unfv.edu.pe
Afiliación: Universidad Nacional Federico Villarreal
País: Lima – Perú
César Gerardo León-Velarde
Licenciado en Educación mención Filosofía y Ciencias
Sociales
Maestría en Educación mención Evaluación de la
Calidad Educativa
Maestría en Educación mención Gestión de la Educación
Doctor en Educación
https://orcid.org/0000-0002-8273-1995
E-mail: cleon@unfv.edu.pe
Afiliación: Universidad Nacional Federico Villarreal
País: Lima – Perú
Resumen
La investigación propone una metodología tomando las mejores partes
de los enfoques de CRISP-DM, SEMMA, KDD y TDSP, para ello
primero se realizó una revisión sistemática, se orientó a un enfoque
empresarial, tomando en consideración la pautas de la minería de datos,
en el proceso de la validación piloto se realizó en una universidad
pública para evaluar que la satisfacción de la propuesta del modelo,
obteniendo un 67%, lo cual implica que el modelo tiene muchas
oportunidades de mejorar y madurar para lograr un modelo de
referencia. A pesar de haber implementado dentro de la carrera de
Ingeniería Industrial, se logró determinar que dicho modelo puede
lograr los mismos resultados o mejores en una empresa sea pública o
privada. El modelo permite mostrar las actividades a seguir con un
enfoque empresarial y se logre ser referente para las implementaciones
de Machine Learning.
Palabras Clave
Modelo de referencia, Machine Learning,
Implementación, Metodología CSKT, Empresas.
Abstract
The research proposes a methodology taking the best parts of the
CRISP-DM, SEMMA, KDD and TDSP approaches, for this first a
systematic review was conducted, it was oriented to a business
approach, taking into consideration the guidelines of data mining, in the
process of pilot validation was conducted in a public university to assess
the satisfaction of the proposed model, obtaining 67%, which implies
that the model has many opportunities to improve and mature to achieve
a reference model. Despite having been implemented within the
Industrial Engineering career, it was determined that the model can
achieve the same or better results in a public or private company. The
model allows to show the activities to follow with a business approach
and to become a reference for Machine Learning implementations.
Keywords
Reference model, Machine Learning, Implementation,
CSKT Methodology, Enterprises.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
1(143)
Introducción
A través de los años, el uso de la tecnología
nos ha permitido poder recolectar grandes
cantidades de datos, procesar la información y
visualizar en tiempo real, actualmente con el uso de
la inteligencia artificial se busca encontrar patrones
o información oculta, que no es posible obtener
mediante métodos estadísticos convencionales (Al-
Anqoudi, et al., 2021).
Las metodologías se actualizan o se crean a
necesidad de las diferentes disciplinas, para
Bhardwaj et al., (2020), señala que la metodología
hace referencia al conjunto de procedimientos
basados en principios lógicos, utilizados para
alcanzar una gama de objetivos que rigen una
investigación científica. Esta definición aplicada a la
explotación de la información permitirá visualizar
información para la toma de decisiones.
El aprendizaje en máquina o también conocido
como Machine Learning, es un concepto que permite
aplicar miles de procesos de las metodologías, para
este artículo vamos a mencionar cuatro
metodologías (CRISP-DM, SEMMA, KDD y
TDSP) que apoyarán la creación de la nueva
metodología CSKT la cual, se encontrará orientada
a la carrera de la Ingeniería Industrial, pero puede ser
utilizada en otros ámbitos. El objetivo es diseñar una
nueva metodología basada en CRISP-DM,
SEMMA, KDD y TDSP para hacer posible la
implementación de proyectos de Machine Learning
en Ingeniería Industrial o en otras disciplinas,
además de que este artículo sea de consulta para los
estudiantes que inician proyectos de aprendizaje
profunda o máquina en relación con el
almacenamiento, análisis, procesamiento y
visualización de la información.
Para Cabello (2021), se llevó a cabo una
encuesta para conocer el uso de la Inteligencia
Artificial (IA) en las empresas, y los resultados
mostraron que un 62% tiene planes de
implementarla, mientras que el 38% ya la está
utilizando. Las empresas que ya la aplican han
experimentado mejoras en el rendimiento de sus
procesos y una mayor innovación, gracias a la
eficiencia en la gestión al reducir tareas repetitivas.
Asimismo, la transformación digital en las
organizaciones e instituciones permite acelerar el
uso de la IA, aquello admitirá lograr un impacto en
la manera de generar productos o servicios
(Camargo, 2022), así como en las metodologías.
Para Dennis & Aizenberg (2022) se destaca
que la Inteligencia Artificial está facilitando el
proceso de filtrado de los currículums (CV) y la
verificación de antecedentes, dos tareas que suelen
ser rutinarias en el área de Recursos Humanos
(RR.HH.). Otras aplicaciones de la IA es el
reconocimiento facial, en la investigación de Lira
(2016) se puede visualizar el paso a paso para llevar
a cabo la identificación de las personas utilizando
Python como herramienta (Camargo et al., 2022).
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
En base a los datos recabados, dentro de las
investigaciones identificadas dentro del presente
trabajo, se considera la importancia de emplear la
tecnología de Inteligencia Artificial y sus ramas
alternas como la minería de datos y Machine
Learning para el tema de desarrollo de proyectos de
ingeniería en donde esta ha demostrado ser una
solución ante los múltiples problemas relacionados a
la toma de decisiones y la adecuada selección de
opciones que puedan beneficiar a la entidad y a
quienes influencian dentro de estos proyectos.
La metodología CRISP-DM es considerada un
modelo de referencia estándar en minería de datos,
ya que cubre todas las etapas del ciclo de vida de un
proyecto en esta área. Posee seis fases estructuradas
que permiten obtener soluciones basadas en el
análisis de datos que nos brinden resultados de forma
eficiente de acuerdo con las demandas actuales
(Velásquez & Alejandro, 2019). Con la metodología
SEMMA se logra el entendimiento de negocio que
permite resolver las dudas sobre los procesos que
genera valor, con ello se logra la primera fase, con la
segunda se busca comprender los datos para obtener
una visión general de lo que se puede conseguir y
tener una idea clara de la viabilidad, las siguientes
dos fases son las soluciones técnicas como el
modelado y evaluación de resultados, logrado
obtener los KPI adecuados para la toma de
decisiones, y termina con el despliegue o
implementación (Venusamy et al., 2020).
El crecimiento exponencial de los datos en la
era digital ha impulsado la necesidad de integrar
tecnologías avanzadas como Machine Learning
(ML) en las empresas. Sin embargo, muchas
organizaciones enfrentan dificultades en la
implementación de ML debido a la ausencia de un
modelo de referencia estandarizado. La metodología
CSKT surge como una solución a esta problemática,
integrando las mejores prácticas de enfoques previos
para ofrecer una guía adaptable y eficiente. Este
documento presenta la estructura de la metodología
CSKT y su aplicabilidad en diversos sectores
empresariales.
Metodología
La metodología empleada tiene contemplado 4
partes esenciales las cuáles se explicarán a
continuación.
Modelamiento Empresarial
Este consiste en la comprensión del negocio
sobre el que se va a trabajar. Para ello es necesario
identificar objetivos estratégicos y fuentes de datos
relevantes de la organización. En esta fase se usan
técnicas de modelamiento de procesos para
estructurar la problemática y definir los
requerimientos del proyecto de ML.
Preparación de Datos
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
1(145)
Para esta fase, los datos que fueron recopilados
de la organizaron pasarán filtros de limpieza,
procesos de estructuración y validación. Se realiza
ello, con el objetivo de garantizar su calidad y
utilidad. Se utilizan herramientas como Power BI,
Google Colab y Python para este proceso.
Exploración y Modelado
Luego de haber preparado los datos, se
implementan análisis exploratorios y técnicas de
modelado para extraer conocimiento de los datos
aplicando algoritmos de aprendizaje automático. Los
resultados de esta fase serán útiles para optimizar el
modelo.
Visualización y Validación
Finalmente, se presentan los resultados
mediante dashboards y reportes, facilitando la
interpretación de los hallazgos. Se valida la
efectividad del modelo con pruebas piloto y
feedback de los usuarios finales.
Desarrollo
Fase I: Modelamiento Empresarial
La Fase I es fundamental para el
entendimiento del negocio e identificación de las
fuentes de datos, a continuación, detallaremos dos
etapas:
Exploración del negocio:
A través del modelamiento de procesos o
ingeniería empresarial podemos conocer las
diferentes actividades, tareas, equipos, tecnologías
que maneja la organización, esta comprensión
permitirá priorizar las metas a lograr con relación al
análisis, procesamiento y visualización de la
información para lograr los objetivos de la entidad.
En la tesis Lira (2016), se puede visualizar la manera
llevar a cabo el modelamiento de procesos de una
entidad pública, de la misma forma se puede utilizar
para cualquier organización.
Explotación de los datos:
A través de la identificación de los flujos de
actividades, se puede identificar las fuentes de datos,
aquellos pueden ser datos no estructurados, semi
estructurados o estructurados, esto dará inicio para
explorar las diferentes tecnologías para procesar la
información.
Fase II: Preparación
Luego de haber identificado el tipo de datos se
procede a limpiar la información para ser utilizado,
asimismo, se evalúa la estructura de los datos con el
flujo de procesos, se valida la redundancia de datos
e identificación de campo claves para relacionar con
otras tablas o reportes. Existen herramientas que
ayudan a este proceso como el Power BI de Excel,
Big Query, Google Colab, etc. En ocasiones se
requiere de lenguajes de programación para preparar
los datos como Python, Google Script, Java Script y
otros.
Fase III: Exploración y modelado
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Utiliza la fuente de datos para preparar,
analizar y limpiar, aquello se repite las veces
necesarias hasta lograr describir y predecir la
información para la toma de decisiones, para ello se
evalúa a través de muestras. El modelo trabaja
directamente en combinación entre CRISP-DM,
SEMMA, KDD y TDSP, logrando tomar lo mejor de
cada una para proponer la metodología CSKT como
se ilustra en la siguiente Figura 1.
Figura 1. Diagrama de flujo para la implementación de la
metodología CSKT
Se introduce una nueva propuesta
metodológica con el objetivo de hacerla accesible
para cualquier persona, facilitando así su
disponibilidad a nivel global. La implementación de
esta propuesta consistirá en diseñar una nueva
metodología CSKT para adaptar los proyectos de
implementación de Machine Learning en Ingeniería
Industrial. El propósito principal es que los
estudiantes de esta carrera puedan utilizar estas guías
en la implementación de proyectos de Machine
Learning.
Esta nueva metodología se diseñó teniendo en
cuenta las necesidades específicas de los estudiantes,
las cuales se identificaron en conjunto con el
desarrollo de la metodología Design Thinking. Esta
última se emprendió con el fin de tomar las tesis de
Ingeniería Industrial como muestra para generar una
metodología diseñada según sus necesidades y
forma de trabajar. En la siguiente etapa, se lleva a
cabo el marco de trabajo Scrum para gestionar
eficazmente el diseño de la nueva metodología.
En lo que respecta a la metodología CSKT
estará conformada por cuatro fases empezando con
el modelamiento empresarial la cual se tendrá en
cuenta el entendimiento del negocio considerando
los aspectos principales del mismo, seguido de ello
está la segunda fase que es la preparación la cual se
realiza el entendimiento de los datos, es decir, tener
la data que se empleará para el proyecto y que esta
es capacitada para realizar los múltiples procesos, he
de ahí la parte de preparación de los datos, una vez
hecho esta actividad se realiza una reducción de toda
la data total, es decir, tomar una parte significativa
de esa data y proseguir con esta en la siguiente parte
he de ahí la parte de tomar la muestra del conjunto
de datos, luego, se realiza la tercera fase de
exploración en donde una vez se toma esta parte de
la data seleccionada se realiza un análisis completo
de estos datos si estos son válidos para una proseguir
con el proceso de la metodología.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
1(147)
Es decir, la preparación de esta data para luego
realizar un profundo análisis de estos datos si son
relevantes o presentan resultados positivos para la
investigación, después de ello se procede a realizar
filtros descartando y seleccionando la nueva data
para emplearla en la minería de datos, por último se
realiza la cuarta fase de visualización el cual se
presenta este modelo de datos sintetizado al cliente
para luego corroborar si se tiene la aprobación de
este cumpliendo así, el modelo de esta nueva
metodología realizando revisiones constantes de la
data empleada para el proyecto (Ver Figura 2).
Figura 2. Planificación del Proyecto - Metodología CSKT
Con base en la Figura exhibida, se considera
que la metodología comienza con la comprensión del
negocio. En este punto, se toma una decisión en la
cual, si se identifica algo novedoso para la empresa,
se procede a incorporar estos puntos dentro del
proyecto. Posteriormente, se avanza hacia la
comprensión de los datos. En caso contrario, si no se
descubre algo nuevo, se pasa directamente al
entendimiento de los datos. Luego, se preparan los
datos y surge una condición: si hay cambios en el
tipo de preparación de los datos, se integran estos
cambios en el proyecto como registros. Después, se
selecciona una muestra significativa de este conjunto
de datos. Si no hay cambios, se lleva a cabo una
comprensión de la fuente de los datos, realizando
preparación, exploración y limpieza para obtener
una fuente de datos clara y depurada.
A continuación, se procede a la selección de
estos nuevos datos, seguido de la toma de una
muestra significativa de esa data. Posterior a este
proceso, se presenta la versión del modelo. En caso
de que los resultados sean viables, se solicita la
aceptación del cliente, con lo cual se concluye el
proceso de la metodología. En caso contrario, se
vuelve al entendimiento de los datos hasta que se
cumplan los requisitos previos.
Fase IV: Validación y diseño experimental
La validación permitirá evaluar la madurez
para llevar a cabo su implementación, por ello la
metodología CSKT se puso a prueba con estudiantes
de Ingeniería Industrial, quienes evaluaron su
utilidad en diversas aplicaciones. Por ello, se elaboró
un instrumento con 8 categoría para ser sometidas,
de manera de evaluar los indicadores de KPI’s. A
continuación, se muestra en la Tabla 1 las preguntas
de evaluación.
Categoría
Evaluación
Observaciones
Automatización y
Planificación
Utilización de
mecanismos
simples para
Alta aceptación
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
planificación de
tareas.
Digitalización y
Análisis de KPI’s
Búsqueda de
información para
digitalización de
KPI’s.
Alta utilidad
Optimización de
Procesos
Ayuda en la
automatización
laboral y
eliminación de
tareas repetitivas.
Beneficio claro
Modelos
Predictivos y
Costos
Identificación de
elementos en
modelos
predictivos y
análisis de costos.
Aplicabilidad
destacada
Auditoría y
Gestión
Empresarial
Ejecución de
instrumentos de
capacitación y
auditoría
empresarial.
Relevante para
organizaciones
Visualización y
Toma de
Decisiones
Análisis de
predicciones de
demanda y
satisfacción del
cliente.
Soporte clave
Predicción de
Precios y
Finanzas
Explicación y
modelado de
predicción de
precios del cobre.
Utilidad
estratégica
Mejora Continua
y Validación
Evaluación de la
precisión del
modelo
predictivo.
Validación
confiable
Tabla 1. Prueba piloto
Figura 3. Análisis estadístico de los datos extraídos de la
prueba piloto
El análisis de los datos obtenidos de los
estudiantes, quienes respondieron a las 8 categorías
mediante la herramienta Minutaba, se realiza con
base en la Figura 4, obteniendo los siguientes
resultados.
Figura 4. Análisis de elementos de Piloto
Tabla 2. Tabla de rangos para los resultados de confiabilidad
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
1(149)
Nota: Según la interpretación basada en
Sampieri et al., (2014), al obtener un valor de alfa de
Cronbach de 0.9683, se concluye que la encuesta es
confiable, lo que permite continuar con esta fase
utilizando las 36 encuestas requeridas (Ver Tabla 2).
Resultados y discusión
Bajo el modelo CANVAS se ha conseguido
varios objetivos del proyecto. A continuación, puede
visualizar el detalle en la Figura 5.
Figura 5. Modelo CANVAS de la metodología propuesta
Luego de la encuesta realizado a los
estudiantes de una carrera profesional, se logró
identificar que el 67% se encuentra totalmente de
acuerdo, y el 22% totalmente en desacuerdo, este
último indicador permitirá seguir mejorando la
metodología para fortalecer su implementación, esta
prueba piloto permite identificar oportunidades de
mejora para llevar a cabo la madurez de la
metodología.
Figura 6. Modelo CANVAS de la metodología propuesta
El modelo CANVAS de la metodología
propuesta permite identificar que dicho modelo
puede ser implementado en otros sectores como las
instituciones privadas, y a través de las
recomendaciones se puede lograr obtener un modelo
de referencia para la implementación de la
metodología CSKT en Machine Learning.
Conclusiones
Después de completar el análisis de
investigación, se destacan como elementos clave las
metodologías CRISP-DM, SEMMA, KDD y TDSP.
Estas pueden ser adoptadas de manera independiente
o, en ciertos casos, se puede elegir una sola para
mejorar un proceso utilizando Machine Learning. A
pesar de su efectividad, existen otros campos, como
la Ingeniería Industrial, que requieren un enfoque
más adaptado.
De esta forma, se propone el desarrollo de una
metodología innovadora llamada CSKT, que buscar
reunir las ventajas de las metodologías mencionadas
anteriormente, destinada a facilitar la
implementación de proyectos de Machine Learning
dentro de la Ingeniería Industrial. Tomando como
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
base los resultados, se tiene como objetivo evaluar
en qué medida la metodología propuesta facilita la
integración de Machine Learning en procesos que
deben ser automatizados, con el feedback de los
alumnos sobre su satisfacción con CSKT, que sigue
en proceso de desarrollo.
También, se aplicó el enfoque Design
Thinking, que sirvió como base para proponer
mejoras en la metodología CSKT, por ejemplo, al
utilizarla repetidamente para ayudar a los estudiantes
de Ingeniería Industrial a generar nuevas propuestas
para sus proyectos de tesis. Al hablar de
metodologías, nos referimos también a su uso en el
desarrollo y enseñanza de proyectos específicos. Las
diferencias entre las metodologías tradicionales de
Machine Learning deben ser aprovechadas para
beneficiar a todos los estudiantes de Ingeniería
Industrial.
Si bien dentro de la investigación se logró
emplear esta nueva metodología y se realizaron
pruebas mediante encuestas para los estudiantes
sobre si hubo una mayor ventaja en emplear esta
metodología frente a otras para proyectos de
Machine Learning, hubo algunas limitaciones en
base al desarrollo y diseño de esta metodología los
cuales implicaron las pruebas iniciales y selección de
pasos los cuales puedan relacionarse con pasos
anteriores haciendo que esta sea más efectiva y
eficiente al momento de realizar proyectos de
implementación siguiendo el diseño estructurado
por lo que, se tuvo que emplear varias pruebas
haciendo un análisis de qué aspectos se puedan
extraer de las otras metodologías y se puedan
incorporar en la metodología CSKT siendo esta una
de las principales limitaciones al momento de
proceder con la investigación.
Otra limitación identificada en esta
investigación fue la selección de los candidatos a
emplear esta nueva metodología puesto que la
mayoría de los estudiantes que estaban dispuestos a
realizar proyectos de implementación de Machine
Learning, empleaban las metodologías tradicionales
en base a la experiencia propia lo cual se les hacía
más fácil desarrollar dichos proyectos sumado al
temor de que al emplear esta nueva metodología,
podrían no llegar a entender en algunos de los pasos
que se realizan dentro de esta por ello, es que para
futuras investigaciones se debe de instruir a la
población seleccionada de la investigación sobre la
solución que se esté realizando y cuáles son las
ventajas que pueda presentar frente a otras
soluciones alternas.
Referencias
Al-Anqoudi, Y., Al-Hamdani, A., Al-Badawi, M., &
Hedjam, R. (2021). Using Machine Learning in
business process re-engineering. Big Data &
Cognitive Computing, 5(4), 61.
Bhardwaj, G., Singh, S. V., & Kumar, V. (2020). An
Empirical Study of Artificial Intelligence and its
Impact on Human Resource Functions. En 2020
International Conference on Computation,
Automation and Knowledge Management
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
1(151)
(ICCAKM) (pp. 47-51). Documento en línea.
Disponible. doi:
10.1109/ICCAKM46823.2020.9051544.
Cabello, J. (2021) ¿Cuánto cuesta realmente una
página web? Descubre su precio justo. Diseñador
Web Experto en Funnels
Camargo, J. L. (2022). Propuesta e implementación
de un modelo para el rediseño organizacional y su
influencia en la transformación digital en el sector
público. Un Camino hacia la transformación
digital; Road to digital transformation (p. 5).
SESU Editorial.
Camargo, J. L., Baca, L. D. H., Valencia, E. T.,
Aquino, R. E. A., Miranda, A. G. R., & Camargo,
L. G. L. (2022). Facial recognition proposal with
the use of Python. In 2022 17th Iberian
Conference on Information Systems and
Technologies (CISTI) (pp. 1-5). IEEE.
Dennis, M. J., & Aizenberg, E. (2022). The Ethics of
AI in Human Resources. Ethics and Information
Technology, 24(3). Documento en línea.
Disponible. https://doi.org/10.1007/s10676-022-
09653-y
Lira Camargo, J. (2016). Rediseño e implementación
de escalafón y su influencia en la calidad de
atención a los usuarios en una entidad del estado,
Periodo 2014-2015.
Sampieri, R. H., Collado, C. F., Lucio, P. B.,
Valencia, S. M., & Torres, C. P. M. (2014).
Metodología de la investigación. McGraw Hill
España.
Velásquez, F., & Alejandro, D. (2019). Técnicas de
Machine Learning aplicado a la predicción de
fuga de clientes en una institución de salud
previsional bajo la metodología KDD.
Universidad Andrés Bello.
Venusamy, K., Krishnan Rajagopal, N., & Yousoof,
M. (2020). A study of Human Resources
Development through Chatbots using Artificial
Intelligence. En 2020 3rd International
Conference on Intelligent Sustainable Systems
(ICISS) (pp. 94-99). Documento en línea.
Disponible. doi:
10.1109/ICISS49785.2020.9315881.