Análisis de la
competitividad empresarial
aplicando árboles de
decisión
Analysis of Business Competitiveness Applying Decision
Trees
Jéssica Ponce
https://orcid.org/0000-0001-7042-1482
jponceo@uteq.edu.ec
Universidad Técnica Estatal de Quevedo
Edison Vicente
https://orcid.org/0000-0002-1317-7652
edison.vicente2015@uteq.edu.ec
Universidad Técnica Estatal de Quevedo
Randy Rodríguez
https://orcid.org/0000-0002-2965-7263
randy.rodriguez2015@uteq.edu.ec
Universidad Técnica Estatal de Quevedo
Sandra Muñoz
https://orcid.org/0000-0001-5597-1232
smuñoz@uteq.edu.ec
Universidad Técnica Estatal de Quevedo
Resumen
Tomando en cuenta que las las empresas
buscan incesantemente alcanzar una mejor
posición competitiva que conlleve a un
desempeño superior al de otras, se puede
recurrir a técnicas de minería de datos para
predecir los niveles de competitividad. Esto ha
motivado a realizar un estudio utilizando una de
esas técnicas, los árboles de decisión. Esta
técnica ha sido aplicada al conjunto de datos
previamente preparado para analizar cinco
Esta obra est bajo una Creative Commons
Atribución/Reconocimiento-NoComercial-
CompartirIgual 4.0 Licencia Pública Internacional
— CC BY-NC-SA 4.0
https://creativecommons.org/licenses/by-nc-
sa/4.0/legalcode.es
Ingenio
Enero - Diciembre Vol. 3 Núm. 1 (2020)
https://revistas.uteq.edu.ec/index.php/ingenio
eISSN: 2697-3642
ingenio@uteq.edu.ec
Recepción: 14 de julio 2019
Aprobación: 3 agosto 2019
Pág. 66-80
67
indicadores de competitividad empresarial:
productividad, recursos financieros,
mercadotecnia, recursos humanos y tecnología.
La técnica de árboles de decisiones, en su tipo
de árbol de regresión, fue aplicada
satisfactoriamente al conjunto de datos para
analizar la competitividad empresarial; es decir,
permite conocer la manera en que han
incrementado o decrecido los indicadores de
competitividad en el tiempo, para así conocer la
competitividad de la empresa. Estos resultados
permites inferir que la técnica seleccionada
puede ser una herramienta útil para tomar
decisiones probabilísticas orientadas a optar por
las opciones más convenientes para la empresa.
Palabras clave: competitividad empresarial;
árboles de decisión; minería de datos.
Abstract
Taking into account that companies constantly seek to reach a better competitive position that
leads to a higher performance than others, data mining techniques can be used to predict levels
of competitiveness. This fact has motivated us to perform a study using one of those
techniques, the decision trees. This technique has been applied to a data set previously
prepared to analyze five indicators of business competitiveness: productivity, financial
resources, marketing, human resources and technology. The decision trees technique, in its
type of regression tree, was successfully applied to the data set to analyze business
competitiveness; that is, it allows knowing the way in which the competitiveness indicators have
increased or decreased over time, in order to know the competitiveness of the company. These
results allow inferring that the technique could be a useful tool to make probabilistic decisions
oriented to the most convenient options for the company.
Key words: business competitiveness; decision trees; data mining.
INTRODUCCIÓN
Un factor fundamental que las empresas buscan incrementar constantemente es su capacidad
para alcanzar una mejor posición competitiva que derive en un desempeño superior al de otras
empresas (Rubio & Aragón, 2006). La competitividad puede definirse como “la capacidad de
incrementar el nivel de vida de los habitantes, de generar incrementos sostenidos en
68
productividad, de insertarse exitosamente en los mercados internacionales, entre otros”
(Padilla, 2006). Esta competitividad empresarial tiene como propósito captar mayor
participación del mercado, de tal manera que impulse su crecimiento económico. Por lo tanto,
es vital que una empresa elija y aplique estrategias que le permitan mejorar su competitividad.
El desarrollo de tales estrategias implica comprender la ventaja competitiva que permita
distinguir a una organización respecto de otras en cuanto a las características o atributos que
posea un producto o servicio (Robbins & Coulter, 2014). El desarrollo de estrategias
competitivas requiere de la determinación de los niveles de competitividad de la empresa. Así,
la competitividad viene a constituirse en un indicador para medir la capacidad de una empresa
de competir frente al mercado y a sus rivales comerciales (Martínez, López, & Méndez, 2011).
Medir cuáles son los niveles de competitividad de la empresa implica el análisis de la
información que se encuentra en las bases de datos de las mismas. Para efectuarlo,
normalmente se hace uso de datos históricos, lo que conlleva a la necesidad de existencia de
una masiva cantidad de información (Lee, Stolfo, & Mok, 2009). No obstante, existen empresas
que no procesan su información para mejorar los niveles de competitividad porque carecen de
herramientas y/o metodologías que les permitan convertir los datos en información útil para la
toma de decisiones (Marcano Aular & Talavera Pereira, 2007).
Ante esta situación, se puede considerar analizar la competitividad empresarial a través de
técnicas de minería de datos para la extracción de información y la determinación de los
niveles de competitividad de las empresas mediante la predicción. Las técnicas de minería de
datos ayudan en la comprensión del contenido de una base datos. El objetivo de su
implementación es la extracción de información de un conjunto de datos para posteriormente
estructurarla de manera comprensible para su uso (Palma, Palma, & Pérez, 2009) (Vieira,
Ortíz, & Ramírez, 2009). Mediante la aplicación de técnicas de minería de datos se puede
descubrir conocimiento que se encuentra inmerso en las bases de datos y de esta forma llegar
a descubrir patrones, perfiles y tendencias empresariales (Marcano Aular & Talavera Pereira,
2007) (Vieira, Ortíz, & Ramírez, 2009).
En este contexto, el objetivo de este trabajo es aplicar árboles de decisión, como técnica de
minería de datos, al estudio de la competitividad empresarial. Para ello, se han seleccionado
varios indicadores a partir de trabajos relacionados para analizar tal competitividad empleando
la técnica seleccionada. Los resultados obtenidos en este primer acercamiento muestran la
utilidad de la técnica seleccionada orientada a la predicción de los niveles de competitividad de
las empresas.
69
MATERIALES Y MÉTODOS
La figura 1 ilustra la metodología utilizada en este trabajo. Se han considerado cuatro etapas,
que están acordes a las utilizadas en otros trabajos de minería de datos tales como (Márquez
Vera, Romero Morales, & Ventura Soto, 2012; Vicuña, Cortez, & Basurto, 2019). La primera
etapa, recolección de datos, consiste en recolectar la información disponible seleccionando el
conjunto de indicadores que pueden ayudar a determinar la competitividad empresarial. Luego,
en la etapa de pre-procesado, se preparan los datos a los que más tarde se les aplicará la
técnica seleccionada. Esta etapa implica tareas como limpieza de datos y transformación de
variables. Como siguiente paso se aplicará el algoritmo correspondiente a la técnica elegida
para predecir los niveles de competitividad de la empresa. Los valores que se obtengan de esta
fase serán interpretados (cuarta etapa) para su posterior presentación. De esta manera se
busca que los resultados alcanzados permitan detectar los niveles de competitividad
empresarial y sirvan de soporte en la toma de decisiones. En las siguientes secciones se
proporcionan más detalles de estas etapas.
Figura 1. Método utilizado para la predicción de niveles de competitividad. Basado en
(Márquez Vera, Romero Morales, & Ventura Soto, 2012).
70
Recopilación de Datos
Esta primera fase estuvo enfocada concretamente en identificar los indicadores de
competitividad empresarial existentes que podrían utilizarse y en disponer de los datos
necesarios. Lo primero que se realizó fue revisar trabajos relacionados (tales como (Rubio &
Aragón, 2006; Solleiro & Castañón, 2005; OCDE, 1997; Vicuña, Cortez, & Basurto, 2019)) en
los que se han analizado indicadores de competitividad empresarial para firmas
latinoamericanas. Particularmente, Saveedra (Saavedra, 2012) propone el uso de cinco
indicadores: productividad, recursos financieros, mercadotecnia, recursos humanos y
tecnología. En general, estos indicadores coinciden con los mencionados en otros trabajos
relacionados. En base a estos indicadores se procedió a diseñar la base de datos para el
estudio.
De acuerdo a los indicadores seleccionados se construyó una base de datos en PostgreSQL
(Figura 2), incluyendo la generación de los datos para cada indicador, permitiendo obtener el
conjunto de datos al que se aplicará la técnica de minería de datos seleccionada.
Figura 2. Estructura de la base de datos utilizada en base a los indicadores de productividad
seleccionados.
En este estudio se ha trabajado con el diseño de una base de datos propia de acuerdo a los
indicadores de competitividad determinados. En base a esto, la generación de datos ha sido
considerada de manera que contenga datos pertinentes. De igual manera, se ejecutaron
71
diferentes consultas de verificación sobre los datos disponibles con el fin de obtener el conjunto
de datos para el análisis.
Pre-procesado de Datos
El pre-procesamiento de datos puede ser considerado como uno de los pasos más largos en
un proyecto típico de minería de datos. Tiene que ver generalmente con la transformación de
los datos leídos a una forma más adecuada que permita la aplicación de herramientas de
análisis. Esto puede implicar efectuar una limpieza de datos (a veces también conocida como
oscilación de datos o contención de datos), transformar los datos (por ejemplo, hacer cambios
en la escala de variables) o incluso crear nuevas (Torgo, 2017).
La preparación y selección de los datos usados en este trabajo fue realizada utilizando R
Statistic mediante la ejecución de los comandos que permiten preparar conjuntos de datos.
Después de conectarse a la base de datos creada, se seleccionaron los atributos a ser
empleados en el análisis. Como siguiente paso se seleccionaron los atributos considerados
como “mejores predictores” mediante la aplicación del método de proceso “Best Subset
Selection”. Este método consiste en evaluar todos los posibles modelos que se pueden crear
por medio de la combinación de los predictores disponibles. De esta manera se tendrá
preparado el conjunto de datos que representará el mejor modelo al cual se aplicará la técnica
de minería de datos posteriormente seleccionada.
Selección de la técnica de minería de datos
El siguiente paso en nuestro estudio consiste en determinar la técnica de minería de datos a
utilizarse. Las técnicas de minería de datos pueden ser descriptivas y predictivas (Jiawei Han,
2012), pero este trabajo se enfoca únicamente en las segundas. La figura 3 muestra las
diferentes técnicas que podrían considerarse. Sin embargo, como primer paso, se considerarán
únicamente los árboles de decisión, a diferencia de otras opciones que usan, por ejemplo,
regresión (ver (Vicuña, Cortez, & Basurto, 2019)).
Se resolvió utilizar la técnica de árboles de decisiones tomando en consideración sus ventajas
y campos de aplicación. Los árboles de decisión son una técnica de minería que permite
representar gráficamente los datos analizados. Ayudan en la búsqueda de soluciones a
problemas de clasificación, predicción y segmentación desde un punto de vista probabilístico
(Berry & Linoff, 2011). Los árboles de decisión pueden ser de clasificación y de regresión
según la respuesta sea categórica o continua respectivamente (Ledolter, 2013). Se debe dar
72
preferencia a la continua cuando se quiere predecir un valor, mientras que la categórica se usa
solo cuando se trabaja con clases (por ejemplo, si o no).
Figura 3. Técnicas predictivas de minería de datos
Aplicación
En primer lugar, para la experimentación se dividió el conjunto de datos en dos periodos: 2000-
2008 y 2009-2017. Esto permitió observar los cambios que se produjeron en los indicadores de
competitividad en cuanto al tiempo.
Como ya se seleccionó la técnica a utilizar y se tienen los datos preparados, a continuación se
procedió a utilizar el algoritmo correspondiente. Para ello se utilizó el software R que contiene
paquetes para la construcción de árboles, tales como tree y rpart (Ledolter, 2013), siendo el
segundo el empleado en este caso.
El siguiente paso consistió en crear un conjunto de entrenamiento y otro de prueba. Esto se
llevó a cabo dividiendo el conjunto de datos en 70% para lo primero y 30% para lo segundo.
Las operaciones adicionales— tales como representar una partición recursiva para árboles de
clasificación, regresión, supervivencia y generación del árbol— también fueron ejecutadas en
R.
Técnicas Predictivas
Regresión
Análisis de la varianza y la
covarianza
Temporales
Clasificación ah hoc
Descriminante
Árboles de decisión
Redes neuronales
73
RESULTADOS
Como punto de partida, los resultados de la variación de los indicadores de competitividad se
muestran en la Tabla 2. Estos valores representan el nivel de crecimiento o decrecimiento
(valores negativos) en los indicadores que tuvo la empresa en ambos periodos. Para el primer
indicador, se observa que en el periodo 2000-2008 hubo una productividad de 2,76 y que se
incrementa a 2.93 en el siguiente periodo, teniendo una variación de 0,17. Otro indicador de
variación significativa es el de tecnología, que en el primer periodo tuvo un valor de 0.83,
llegando a 0,91 en el segundo periodo, marcando una variación de 0,8. Para los indicadores de
recursos financieros, mercadotecnia y recursos humanos la variación fue aún menor, pero
marcando un descrecimiento a diferencia de los otros indicadores.
Tabla 1. Resultados del análisis de los indicadores de competitividad
Indicador
PERIODO 2000-2008
Periodo 2009-2017
Variación
Productividad
2,76
2,93
0,17
Recursos
Financieros
0,59
0,57
-0,02
Mercadotecnia
0,77
0,75
-0,02
Recursos Humanos
22390,22
21174,25
-1215,97
Tecnología
0,83
0,91
0,08
Por otro lado, la Figura 4 muestra el árbol para el indicador de productividad. Se observa que la
variable producción es la más relevante. La Figura 4 muestra que el mayor valor de la
productividad es de 2.76 y que se manifiesta cuando la producción es mayor o igual a $524907,
representando el periodo 2000 y 2008. El valor de productividad en el periodo 2009 y 2017 está
dado en cuanto la mano de obra sea menor que $ 186377 obteniendo un valor de productividad
de 2.93.
74
Figura 4. Representación del árbol del indicador de productividad
Por su parte, la Figura 5 ilustra el resultado obtenido del indicador de recursos financieros. La
variable que predomina es utilidad operativa. El mayor valor de recursos financieros en el
periodo 2000 a 2008 es de 0.59 cuando la utilidad operativa es menor que 0.14, descartando
los otros valores menores por razones de optimización del indicador. En cambio, en el periodo
2009 a 2017, el mayor valor de recursos financieros es de 0.58 cuando la utilidad operativa es
menor que 0.18.
Periodo 2000-2008
Periodo 2009-2017
75
Figura 5. Representación del árbol del indicador de recursos financieros
En cuanto al siguiente indicador, mercadotecnia, la Figura 6 muestra los resultados
correspondientes. En este caso, la variable que prevalece es eficiencia. En el periodo 2000-
2008 el valor más alto es 0.77, cuando la eficiencia de la empresa es mayor o igual a 0.8. En el
periodo 2009 a 2017, el valor mayor es 0.75 cuando la eficiencia es mayor o igual a 0.85.
Periodo 2000-2008
Periodo 2009-2017
76
Figura 6. Representación del árbol del indicador de mercadotecnia
Con respecto al indicador de recursos humanos, éste posee tres variables que predominan en
el periodo 2000 a 2008 como se puede apreciar en la Figura 7. Estas variables son: número de
empleados, salario medio y tipos de trabajos. El valor mayor de recursos humanos es 22390, si
el número de empleados es mayor o igual a 472. En el periodo 2009 a 2017, la variable que
predomina es número de empleados y rotación. Como resultado se tiene el valor de 21174 que
es el más significativo de los valores registrados; esto se da cuando la rotación es mayor o
igual a 0.135.
Periodo 2000-2008
Periodo 2009-2017
77
Figura 7. Representación del árbol del indicador de recursos humanos
Finalmente, la variable que prevalece en el indicador de tecnología es uso de equipos de
información (Figura 8). En el periodo 2000 a 2008 el mayor valor es de 0.83 cuando el uso de
equipos de información es mayor o igual a 0.71, descartando los otros valores por razones de
optimización del indicador. En el periodo 2009 a 2017, el valor mayor es 0.92 cuando el uso de
equipos de información es mayor o igual a 0.83.
Periodo 2000-2008
Periodo 2009-2017
78
Figura 8. Representación del árbol del indicador de tecnología
CONCLUSIONES
Tomando en consideración la gran cantidad de datos que generan las empresas, con este
trabajo se ha buscado analizar la competitividad de una empresa mediante la aplicación de
técnicas de minería de datos. Específicamente, se ha realizado un estudio con el objetivo de
medir la competitividad empresarial utilizando árboles de decisión.
El estudio conllevó a realizar pasos típicos del proceso de extracción de conocimiento. Como
punto de partida se seleccionaron cinco indicadores de competitividad a partir de trabajos
relacionados: productividad, recursos financieros, mercadotecnia, recursos humanos y
tecnología. En la preparación de los datos se utilizó el método best subset para encontrar un
subconjunto de variables que proporcionen el mejor modelo o conjunto compuesto por los
atributos predictores y el atributo dependiente para cada indicador de competitividad. Así, se
obtuvo un conjunto de datos preparado para la aplicación de la técnica de minería de datos
seleccionada.
Periodo 2000-2008
Periodo 2009-2017
79
La técnica de árboles de decisiones, en su tipo de árbol de regresión, fue aplicada
satisfactoriamente al conjunto de datos para analizar la competitividad empresarial. El proceso
realizado permite conocer cómo han ido creciendo o disminuyendo los indicadores de
competitividad en cuanto al tiempo para de esta manera observar cómo se ha estado dando la
competitividad de la empresa en base a los indicadores. Con estos resultados se puede inferir
que esta técnica puede ayudar en la toma de decisiones, desde un punto de vista
probabilístico, con el fin de elegir las opciones más convenientes para la empresa.
REFERENCIAS
Berry, M. J., & Linoff, G. S. (2011). Data mining techniques: for marketing, sales, and customer
relationship management. Estados Unidos: Wiley.
Jiawei Han, M. K. (2012). Data Mining: Concepts and Techniques. Estados Unidos: Elsevier.
Ledolter, J. (2013). Data Mining and Business Analytics with R. United States: Wiley.
Lee, W., Stolfo, S., & Mok, K. (2009). A data mining framework for building intrusion detection
models. Xplore Digital Library.
Marcano Aular , Y. J., & Talavera Pereira, R. (2007). Minería de Datos como soporte a la toma
de decisiones empresariales. 23(52), 104-118. Obtenido de
http://www.scielo.org.ve/scielo.php?pid=S1012-15872007000100008&script=sci_arttext
Márquez Vera, C., Romero Morales, C., & Ventura Soto, S. (2012). Predicción del Fracaso
Escolar mediante Técnicas de Mineria de Datos. IEEE-RITA, 7(3).
Martínez, A. M., López, P. A., & Méndez, C. R. (2011). Administración de Empresas. Bogotá.
OCDE. (1997). Organization for economic co-operation and development. OCDE/GD, (97), 55.
Padilla, R. (2006). Instrumento de medición de la competitividad. México: Cepal.
Palma, C., Palma, W., & Pérez, R. (2009). Data Mining. El arte de anticipar. 10 casos reales.
Santiago de Chile: RIL. Obtenido de
https://books.google.com.ec/books?id=VFZeAf0mYBcC&printsec=frontcover&dq=data+
mining&hl=es&sa=X&ved=0ahUKEwiY6Pu9nOrXAhWGQ98KHYJEAcAQ6AEIODAC#v
=onepage&q=data%20mining&f=false
Robbins, S. P., & Coulter, M. (2014). Administración. México: PEARSON.
Rubio, A., & Aragón, A. (2006). Competitividad y recursos estratégicos en las PYMEs. Revista
de Empresa(17), 32-47.
80
Saavedra, G. M. (2012). Una propuesta para la determinación de la competitividad en la pyme
latinoamericana. Recuperado el 28 de 01 de 2018, de
http://www.redalyc.org/comocitar.oa?id=64624867005
Solleiro, J. L., & Castañón, R. (2005). Competitiveness and innovation systems: the challenges
for Mexico's insertion in the global context. Technovation, 25(9), 1059-1070.
Torgo, L. (2017). Data Mining with R Learning with Case Studies. Oporto: CRC Press.
Vicuña, A., Cortez, B., & Basurto, Y. (2019). Determinación de modelos predictivos para los
indicadores de competitividad empresarial aplicando regresión lineal. Revista Ibérica de
Sistemas e Tecnologias de Informação, E18, 94-107.
Vieira, P., Ortíz, L. I., & Ramírez, S. S. (2009). Introducción a la minería de datos. Rio de
Janeiro: E-Paper.
