Productividad en Empresas de Construcción: Conocimiento

Productividad en Empresas de Construcción:
Conocimiento adquirido de las bases de datos
Productivity in Construction Companies:
Knowledge acquired from the databases
Hernando Camargo Mila, Rogelio Flórez Díaz.
Resumen
l artículo presenta la forma como se pueden
identificar los puntos de control en los
procesos civiles que pueden apoyar la toma
de decisiones en pro de una mayor productividad, a partir de realizar minería de datos a
las bases de datos de una empresa de construcción. Se presenta
la metodología para realizar estos estudios, los conceptos
de descubrimiento de conocimiento y minería de datos
(Knowledge Discovery and Data Mining - KDD), y las estrategias y ventajas para realizar estos estudios de productividad.
E
Abstract
he article presents the way to identify checkpoints in civil works that may support decision
making to get a greater productivity. The
methodology to perform these studies is introduced. Furthermore, concepts on knowledge
discovery and data mining KDD, strategies and advantages for
productivity studies, are introduced also.
T
Keywords: Productivity in building companies, Knowledge
discovery, KDD, Data Mining, CRISP-DM.
Palabras Clave: Productividad en empresas de construcción,
descubrimiento de datos, KDD, minería de datos, CRISP-DM.
Recibido: Febrero 28 de 2013 Aprobado: Mayo 10 de 2014
Tipo de artículo: Investigación cientifica y tecnológica terminada.
Afiliación Institucional de los autores: Universidad El Bosque.
Los autores declaran que no tienen conflicto de interés.
Hernando Camargo Mila, Rogelio Flórez Díaz.
Introducción
E n temas de negocio, siempre ha sido atractivo el estudio
productividad en las diferentes actividades económicas,
el cómo lograr que en los diferentes proyectos las tareas
se hagan de una manera mas rápida, o el cómo se pueden
disminuir el consumo de recursos físicos para reducir
los gastos excesivos. En el presente articulo se pretende
explicar como utilizando conceptos de minería de datos
se puede lograr obtener resultados de productividad en
una actividad económica especifica, la construcción.
Como se habla de minería de datos, se debe hablar
también de un proceso que nos dicte las tareas específicas que se deben seguir para llegar a realizar una buena
investigación de este tipo, como de una metodología que
nos ayude a organizar estas tareas. El proceso que mas se
implementa en proyectos de minería de datos es el KDD
(descubrimiento de conocimiento en bases de datos),
y la metodología que soporta las fases de este procedimiento es CRISP-DM.
Como todos estos procesos se deben soportar a partir de
unos datos almacenados, se hablara a partir de la información suministrada por una empresa Colombiana, que
realiza proyectos de Construcción, con mas de 7 años de
experiencia.
Y se tendrá en cuenta como definición de productividad,
el como realizar más actividades con la misma cantidad
de recursos, o hacer lo mismo con menor capital o
recursos físicos [1].
KDD
El concepto de KDD (descubrimiento de conocimiento
en bases de datos) nace poco después del concepto de
minería de datos, ya que la minería de datos se convierte
en una de las fases fundamentales en todo el proceso de
adquirir conocimiento en los datos almacenado, así estos
conceptos se hallan utilizado como uno solo [2].
Fig 1. Proceso de KDD
KDD
Sistema
de Información
Prepareción
de los datos
Minería
de datos
Las fases que se muestran en la Fig. 1, tienen como finalidad
adquirir patrones valiosos [2], novedosos, potencialmente
útiles y, en última estancia comprensibles a partir de los
datos, por lo tanto, el conocimiento extraído a través de
este proceso debe tener las siguientes propiedades:
• Válido: esto hace referencia a que los patrones deben
seguir siendo precisos para datos nuevos (con cierto
grado de certidumbre).
• Novedoso: Que aporte conocimiento tanto para el
sistema, como para el usuario.
• Potencialmente útil: se deben buscar beneficios para
el usuario.
• Comprensible: una información incomprensible para
Patrones
Evaluación/
Interpretación/
Visualización
Conocimiento
Con lo anterior se puede observar que el proceso de
KDD, pretende obtener la información que ayude a los
usuarios a generar mejores resultados, ya sea por medio
de una o varias iteraciones, la información obtenida
siempre será evaluada y posible de interpretar.
CRISP-DM
Como se aclaró anteriormente, la metodología que
soporta estas fases de desarrollo de KDD es CRISP – DM,
esta metodología se basa en un modelo de jerarquías,
que se trabaja en diferentes niveles, estos niveles son:
fases, tareas genéricas, tareas especializadas e instancias
de proceso.
el usuario no es la mas útil, por esto todas las fases
deben apuntar a generar conocimiento comprensible.
74 ¦ Revista de Tecnología ¦ Journal of Technology ¦ Volumen 13 ¦ Número 1 ¦ Págs. 73-77
Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos
Fig. 2 ciclo de vida Metodología CRISP-DM
previas para cerciorarse que se hayan tenido en cuenta
detalles importantes en la resolución de los problemas.
• Despliegue: el despliegue del modelo no significa
Comprensión
del negocio
Comprensión
de los datos
Preparación
de los datos
Despliegue
Modelo
Datos
Evaluación
la culminación del proyecto ya que se debe proporcionar la información suficiente al cliente para que
pueda tomar acciones. Aunque esto depende de
los requerimientos realizados ya que el despliegue
puede ser un simple reporte o un proceso repetible
de minería de datos a través de la empresa, por esto
es muy común que el cliente y no el analista de datos
sea el que realice esta fase.
De esta manera se asegura que ninguna de las partes
fundamentales de un proyecto de minería de datos se
quede por fuera de análisis [3].
Minería de datos
Las diferentes fases del ciclo de vida de la metodología
CRISP - DM (Fig. 2) [3] que deben ser analizadas son:
• Entendimiento del negocio: en esta fase se busca
generar un completo entendimiento del negocio
para convertirlo en un problema de minería de datos
creando un plan para alcanzar los objetivos.
• Entendimiento de datos: en esta fase se obtienen la
información relacionada con el problema descrito y
se procede a familiarizarse con esta en información
para identificar posibles problemas como calidad de
los datos, para detectar diferentes conjuntos que
permitan generar ideas sobre el curso del proyecto y
encontrar información desconocida.
• Preparación de los datos: se preparan los datos para
ser la fuente de información del modelo de datos,
se puede dividir en varias tareas como tabulaciones,
documentación, selección de atributos, transformación y limpieza.
• Modelado: esta fase se relaciona directamente con la fase
de preparación de datos, ya que es de ahí donde se aplican
diferentes técnicas para generar modelos de información.
• Evaluación: es una de las fases más importantes en
esta metodología ya que es acá donde se verifica que
los objetivos del negocio estén cubiertos dentro del
modelo analizado luego de las tareas de minería, en
diferentes ocasiones es necesario retornar a las fases
Con los procesos de minería de datos, se demuestra que
utilizar los datos que se guarda en las diferentes bases de
datos, es útil para obtener información que no se conocía,
este conocimiento se encuentra de diferentes maneras,
en forma de patrones, de relaciones, reglas de inferencias
de datos, o en forma de una descripción mas concisa.
Estos modelos pueden presentarse de dos tipos:
• Predictivos: estos modelos pretenden encontrar
valores futuros o desconocidos de variables de
interés, que se denominan variables objetivo o
dependientes, por medio de otras variables de la
base de datos que se denominan, variables independientes o predictivas. Un modelo predictivo puede
ser el que se adopta para estimar el comportamiento
de un producto en base a las ventas de otro producto
que se pueda asemejar a este.
• Descriptivo: este modelo se identifica por obtener
patrones que explican o resumen los datos, es decir,
sirve para explotar las propiedades de los datos
examinados, no para predecir nuevos datos. Por
ejemplo, los supermercados buscan obtener información sobre los gustos de las personas, para dar
diferentes ofertas y organizar de manera diferente
sus estanterías, dando de esta manera una experiencia diferente a la hora de mercar de sus clientes.
Para cumplir los objetivos de la minería de datos, existen
diferentes tareas que se pueden realizar, en el caso de las
Revista de Tecnología ¦ Journal of Technology ¦ Volumen 13 ¦ Número 1 ¦ Págs. 73-77 ¦ 75
Hernando Camargo Mila, Rogelio Flórez Díaz.
tareas predictivas son la clasificación y la regresión, y en
el caso de las tareas descriptivas son el agrupamiento, las
reglas de asociación y el análisis correlacional.
En el caso del presente escrito, el tipo de minería de datos
que se muestra en el proceso es, descriptiva, por medio
de la tarea de clustering o agrupamiento. Esta tarea se
utiliza gracias al algoritmo de K-Means que según las
variables de entrada, busca encontrar grupos comunes
que describen comportamientos característicos [2].
Productividad
Haciendo referencia a la introducción, la productividad
se puede definir cómo realizar más actividades con
la misma cantidad de recursos, o hacer lo mismo con
menor capital o recursos físicos.
De esta manera se muestra, que existen dos factores
fundamentales cuando se habla de productividad, el
tiempo como factor de medición, y los recursos físicos
dentro, de lo cuales alocamos la mano de obra. Factores
que analizados de una manera correcta nos lleva a descifrar las claves de la productividad.
Algunas de las estrategias para mejorar la productividad, son:
• Asesoramiento práctico (ayudar en el “cómo hacer”
en lugar de imponer el “usted debe”).
• Identificar y aplicar soluciones de bajo costo.
• Desarrollar soluciones orientadas a mejorar simultáneamente las condiciones de trabajo, la calidad de la
construcción y la productividad del trabajo.
• Concebir mejoras adaptadas a las situaciones reales totales.
• Poner énfasis en la obtención de resultados concretos.
• Vincular las condiciones de trabajo con los demás
objetivos gerenciales.
• Usar como técnica el aprendizaje a través de la práctica.
• Alentar el intercambio de experiencias.
• Promover la participación de los trabajadores.
• Diseñar correctamente los puestos de trabajo.
• Usar eficientemente la maquinaria.
• Tener servicios de bienestar en el lugar de trabajo.
• Mejorar las condiciones y el medio ambiente de trabajo.
Las ventajas que se obtienen a partir de una mayor
productividad pueden ser:
• Mayor competitividad.
• Satisfacción del cliente.
• Confianza de clientes y proveedores.
• Permanencia en el mercado a mediano y largo plazo.
• Disminución y cumplimiento de los plazos de entrega.
• Disminución de costos.
• Uso eficiente de los recursos naturales y de la fuerza
laboral, logrando con esto la reducción de desperdicios de materias primas.
• Eliminación de desplazamientos innecesarios de
materiales y de trabajadores.
• Evita atrasos en las fechas de terminación de cada
elemento en la obra.
• La reducción de los tiempos muertos de máquinas.
• Ahorro de energía.
• Se incorporan medidas serias para controlar los efectos
negativos para el entorno de accidentes imprevistos.
• Recuperación de espacios de trabajo inutilizados.
• Disminución de la rotación del personal. Mejoramiento continuo del capital humano y de un entorno
que fomente la Creatividad y la innovación, así como
las relaciones laborales entre trabajadores [1].
Gracias a estos conceptos, se puede enfocar de mejor manera
la investigación y lograr los resultados que se esperan.
Desarrollo
Teniendo claros lo conceptos anteriormente descritos
se puede comenzar al desarrollo del análisis, donde
siguiendo los puntos de la metodología se debe:
• Entender el negocio: en el entendimiento se sacan
conclusiones sobre que factores que se deben tener
en cuenta en el análisis. Para este caso los factores son
los trabajadores, las tareas que realizan, El tiempo de
desarrollo, las horas extras, y la propuesta presentada.
• Entendimiento de los datos: se verifica que la informa-
ción de los factores que se deben analizar estén completa.
• Preparación de los datos: si en el entendimiento de
los datos se muestra una falta de información, se
complementa en esta sección
• Modelado: en esta sección se toma la decisión de
que tarea de minería de datos se utiliza, como se
76 ¦ Revista de Tecnología ¦ Journal of Technology ¦ Volumen 13 ¦ Número 1 ¦ Págs. 73-77
Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos
nombro anteriormente la tarea es agrupamiento,
que, con la información de entrada que se toman de
la preparación de datos, trabajadores, tareas, tiempo
de desarrollo, y horas extras, se describe el comportamiento de desarrollo de las tareas por cada uno de
los grupos de trabajo.
• Evaluación: en esta fase se evalúa si los clusters
dados por las tareas de minerías si son suficientemente claros para describir los grupos de trabajos.
• Despliegue: al tener claro que la descripción es
correcta se comienzan a tomar, decisiones acerca
de los grupos de trabajo como se trabaja mas rápido
teniendo en cuenta las tareas especificas.
Conclusión
Conocer con anterioridad los recursos necesarios para la
ejecución de las tareas permite realizar una estimación
de costo beneficio, proyectando de manera correcta si es
conveniente realizar la tarea o no, de esta forma se ayuda
a cuidar las utilidades de la empresa.
La fase de la metodología, entendimiento del negocio,
permitió identifica cual era la forma, en que se medía la
productividad en la empresa, de esta manera se introdujeron los nuevos conceptos de productividad para ser
más certeros en la toma de decisiones.
En la fase de la metodología, Preparación de datos, se
permitió crear un modelo de base de datos, en donde se
almaceno de una forma más organizada la información
de las obras civiles de la empresa.
La técnica de Clustering, es muy adecuada para describir
los recursos necesarios para el desarrollo de las tareas de
construcción. Si se realiza esta tarea con más frecuencia
e introduciendo más información al modelo, el conocimiento adquirido va a ser cada vez más valioso.
Los indicadores de productividad adquiridos, por la
descripción de cada uno de los clusters, permiten
evidenciar si se están utilizando demasiados recursos en
el desarrollo de las tareas.
Referencias
[1] R. Alpuche Sánchez, Impacto de la calidad total y
la productividad en las empresas de construcción,
[ONLINE] http://catarina.udlap.mx/u_dl_a/tales/
documentos/lic/alpuche_s_r/capitulo3.pdf
[2] J. Hernández Orallo, M. J. Ramírez Quintana, C.
Ferri Ramírez. Introducción a la Minería de Datos ,
Madrid: Pearson Prentice Hall, 2007.
[3] http://www.crisp-dm.org/download.htm
Los Autores
Hernando Camargo Mila
Docente del programa Ingeniería de Sistemas de la Universidad El Bosque desde 2002 a la fecha,
Distinción de la Universidad El Bosque a la “Excelencia en la Docencia” en el año 2004. Especialista
en informática y Ciencias de la Computación, Fundación Universitaria Konrad Lorenz, Bogotá 2006.
Ingeniero de Sistemas, Universidad Nacional de Colombia, Bogotá 1988, Docente del Programa en la
Ingeniería de Sistemas de la Fundación Universitaria Konrad Lorenz desde 2001 a la fecha y desde el
2003 Coordinador Académico de las Facultades de Ingeniería y Matemáticas. Jefe del Departamento
de Sistemas de Petróleos Colombianos Limited, Bogotá, desde 1990 a 1998. Gerencia de Proyectos
informáticos en Comcel durante 1998. Gerencia de Proyectos de Outsourcing informático en
Gestiontek S.A.,desde 1999 a 2001. [email protected]. Carrera 7B Bis 132-11, Bloque M, Piso 3,
Bogotá D.C. Grupo de Investigación OSIRIS.
Rogelio Florez Diaz
Ingeniero de sistemas de la Universidad El Bosque, Analista de inteligencia de negocios en DirectTV.
Revista de Tecnología ¦ Journal of Technology ¦ Volumen 13 ¦ Número 1 ¦ Págs. 73-77 ¦ 77