Se presenta la lista de 10 proyectos de investigación aplicada (TRL 6–8) para la carrera de Administración de Empresas de la UAGRM, siguiendo el mismo formato riguroso que en los casos anteriores.
—
🎯 Enfoque prioritario para Administración de Empresas
· Predicción de demanda y optimización de inventarios con series temporales y machine learning.
· Segmentación de clientes y recomendación de productos (sistemas de recomendación).
· Detección de fraudes financieros y riesgo crediticio con redes neuronales.
· Optimización de rutas de reparto y logística usando algoritmos de optimización.
· Análisis de sentimiento de marcas y productos en redes sociales.
· Predicción de rotación de personal (employee churn) con modelos de clasificación.
· Modelos de fijación de precios dinámicos con aprendizaje por refuerzo.
—
1. DemandForecast – Predicción de demanda diaria de productos en supermercados de Santa Cruz usando N-BEATS y factores externos (clima, feriados)
Problema científico
Las cadenas de supermercados locales (Hipermaxi, Fidalga) tienen excesos de stock (20% del espacio) o roturas frecuentes. Los modelos tradicionales (ARIMA) no capturan efectos no lineales.
Hipótesis principal
Un modelo N-BEATS (red neuronal para series temporales) entrenado con 3 años de ventas diarias de 10.000 SKUs, más variables de clima (lluvia, temperatura) y feriados, reduce el error de predicción (sMAPE) en un 25% respecto a ARIMA y en un 15% respecto a LSTM.
Modelo de Red Neuronal Propuesto
N-BEATS (Neural Basis Expansion Analysis for Time Series) con bloques apilados y conexiones residuales. Entrada: 30 días de historia. Salida: predicción a 7 días.
Base de gestión
La gestión de inventarios óptima reduce costos de almacenamiento y pérdidas por obsolescencia. Predicciones más precisas mejoran el nivel de servicio (Lee et al., 2020, Management Science).
Diseño Metodológico
Recopilación de datos de una cadena local (anonimizados). Entrenamiento con 80% de los SKUs, validación con 20%. Métricas: sMAPE, RMSE. Comparación con benchmark.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor. Infraestructura: GPU, base de datos. Costo: $15.000 (incluye acceso a datos y desarrollo).
Impacto Cuantificable
Reducción del 25% en sMAPE (de 30% a 22.5%). Disminución de roturas de stock en un 30%.
Aplicabilidad Práctica Inmediata
Cadenas de supermercados, distribuidoras mayoristas, comercio electrónico.
Proyección a 5 años
SaaS “DemandForecast” para pymes de retail. Integración con sistemas ERP.
—
2. ChurnPredict – Predicción de rotación de empleados (renuncias voluntarias) en empresas de servicios con XGBoost y datos de RRHH
Problema científico
La rotación de personal cuesta 2-3 veces el salario anual. Las empresas locales no utilizan modelos predictivos para retener talento.
Hipótesis principal
Un modelo XGBoost entrenado con datos históricos de 5.000 empleados (antigüedad, evaluaciones desempeño, ausentismo, satisfacción en encuestas) predice la renuncia en los próximos 6 meses con AUC >0,85, superando a regresión logística (AUC=0,70).
Modelo de Red Neuronal Propuesto
XGBoost con búsqueda de hiperparámetros (bayesiana). Características: 20 variables (edad, salario relativo al puesto, distancia al trabajo, horas extra, etc.).
Base de gestión
La teoría de la equidad (Adams) y el modelo de movilidad de March & Simon predicen que la insatisfacción lleva a búsqueda de alternativas.
Diseño Metodológico
Datos anonimizados de 3 empresas (telecomunicaciones, banca, retail) de Santa Cruz. Entrenamiento con 80% y validación temporal (último año). Métricas: AUC, recall.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor. Costo: $10.000 (limpieza de datos y modelado).
Impacto Cuantificable
AUC >0,85. Identificación de los 5 predictores más importantes (ej. salario relativo, horas extra). Reducción de rotación en un 20% al intervenir sobre empleados de alto riesgo.
Aplicabilidad Práctica Inmediata
Departamentos de RRHH de grandes empresas, consultoras de talento.
Proyección a 5 años
Módulo “ChurnPredict” en software de gestión de RRHH. Formación de especialistas en analítica de personas.
—
3. SegmentaClientes – Segmentación de clientes de una cadena de farmacias usando autoencoders y clustering (k-means en espacio latente)
Problema científico
Las farmacias tienen grandes volúmenes de transacciones, pero la segmentación tradicional por edad o frecuencia es burda. Los datos de compra (categorías de productos) permiten segmentación por comportamiento.
Hipótesis principal
Un autoencoder (red neuronal) reduce la dimensionalidad de la matriz de compras (100 categorías a 10 dimensiones latentes). Luego, k-means sobre el espacio latente identifica 6 segmentos interpretables (ej. “cliente de crónicos”, “madre con niños pequeños”, etc.) con un coeficiente de silueta >0,5.
Modelo de Red Neuronal Propuesto
Autoencoder con capas densas (entrada 100, oculta 50, 20, latente 10). Entrenamiento con datos de 50.000 clientes. Clustering con k-means.
Base de gestión
La segmentación conductual permite personalizar ofertas y mejorar el CLV (Customer Lifetime Value). El autoencoder captura relaciones no lineales entre categorías.
Diseño Metodológico
Recopilación de 1 año de transacciones de una farmacia local (anonimizadas). Entrenamiento del autoencoder (pérdida MSE). Clustering y caracterización de segmentos con estadísticas descriptivas.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (TensorFlow, scikit-learn). Costo: $8.000.
Impacto Cuantificable
Coeficiente de silueta >0,5. Los segmentos permiten campañas específicas que aumentan la tasa de respuesta en un 30% frente a campañas genéricas.
Aplicabilidad Práctica Inmediata
Cadenas de retail (farmacias, tiendas de conveniencia), bancos (segmentación de transacciones).
Proyección a 5 años
API “SegmentaClientes” integrada en sistemas CRM. Transferencia de tecnología a pymes.
—
4. FraudeFinanciero – Detección de transacciones fraudulentas en billeteras móviles (Tigo Money, Pago Express) con redes neuronales gráficas (GNN) y desbalance de clases
Problema científico
El fraude en billeteras móviles crece en Bolivia. Los modelos tradicionales (Random Forest) ignoran las relaciones entre transacciones (quién le envía a quién).
Hipótesis principal
Una red neuronal gráfica (GraphSAGE) que modela el grafo de transacciones (nodos: cuentas; aristas: transferencias) y usa características nodales (frecuencia, monto promedio) supera a XGBoost en AUC (0,95 vs. 0,90) para detectar transacciones fraudulentas, especialmente en fraudes de red.
Modelo de Red Neuronal Propuesto
GraphSAGE (muestreo y agregación) + clasificación binaria. Se entrena con 1 millón de transacciones (1% fraudulentas, muestreo equilibrado con SMOTE).
Base de gestión
La detección temprana de fraude reduce pérdidas financieras y preserva la confianza de los usuarios. Los grafos capturan comportamientos de mulas y redes de complicidad.
Diseño Metodológico
Datos históricos (anonimizados) de una billetera móvil (convenio con empresa). Construcción del grafo temporal (ventanas de 7 días). Entrenamiento con validación temporal. Métricas: AUC, precisión/recall en el top 1% de alertas.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con PyTorch Geometric. Infraestructura: servidor con GPU. Costo: $25.000 (incluye acceso a datos y validación con equipo de fraude).
Impacto Cuantificable
AUC >0,95. Reducción de falsos positivos en un 50% (menos alertas molestas). Recuperación del 15% de los montos defraudados.
Aplicabilidad Práctica Inmediata
Billeteras móviles, bancos, cooperativas de ahorro y crédito.
Proyección a 5 años
Sistema “FraudeFinanciero” como servicio para el sistema financiero boliviano (ASFI).
—
5. RutaÓptima – Optimización de rutas de reparto de última milla para una empresa de logística en Santa Cruz usando aprendizaje por refuerzo (DQN)
Problema científico
La optimización de rutas (VRP) es NP-difícil. Los algoritmos heurísticos (algoritmos genéticos) requieren re-ejecución diaria. El aprendizaje por refuerzo puede aprender políticas de re-optimización en tiempo real.
Hipótesis principal
Un agente DQN (Deep Q-Network) entrenado con datos históricos de pedidos y tráfico (Waze API) reduce la distancia total recorrida por flota en un 15% respecto a la heurística actual (ruta por vecino más cercano), en un entorno simulado.
Modelo de Red Neuronal Propuesto
DQN con memoria de experiencia y red objetivo. Estado: coordenadas de vehículos y pedidos pendientes, hora del día, nivel de tráfico. Acción: asignar próximo pedido a un vehículo. Recompensa: negativo de distancia recorrida.
Base de gestión
La logística de última milla es el 28% del costo total de distribución. Mejoras del 15% generan ahorros significativos.
Diseño Metodológico
Entrenamiento en simulador (OpenStreetMap de Santa Cruz) con datos históricos de 10.000 pedidos. Evaluación con 1.000 pedidos nuevos. Comparación con algoritmo de Clarke-Wright.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en simulador. Infraestructura: GPU, Python (TensorFlow). Costo: $18.000.
Impacto Cuantificable
Reducción del 15% en distancia recorrida (y emisiones). Ahorro anual estimado: $50.000 para una flota de 20 camiones.
Aplicabilidad Práctica Inmediata
Empresas de paquetería (TNT, DHL local), distribuidoras de alimentos y bebidas.
Proyección a 5 años
Sistema “RutaÓptima” integrado con GPS de flota. Expansión a gestión dinámica de pedidos (cambios en tiempo real).
—
6. SentimientoMarca – Monitoreo de sentimiento de marca en tiempo real para empresas cruceñas (análisis de tweets y reseñas de Google Maps con BERT)
Problema científico
Las empresas locales monitorean menciones en redes de forma manual y reactiva. No hay herramientas automatizadas que detecten cambios en el sentimiento hora a hora.
Hipótesis principal
Un pipeline de scraping + BERT fine-tuned para clasificación de sentimiento (positivo/negativo/neutral) y detección de tópicos (BERTopic) procesa 10.000 menciones diarias, generando alertas cuando el sentimiento neto cae más de 2 desviaciones estándar en una hora.
Modelo de Red Neuronal Propuesto
BERT (BETO) fine-tuned con 5.000 reseñas anotadas (dominio: restaurantes, bancos, tiendas). Detección de tópicos con BERTopic.
Base de gestión
La reputación online afecta las ventas. La detección temprana de crisis permite respuesta proactiva (Veloutsou & Moutinho, 2021, Journal of Business Research).
Diseño Metodológico
Scraping de Twitter y Google Maps para 10 marcas cruceñas (ej. Farmacorp, Banco Bisa). Anotación de 5.000 tuits/reseñas por 5 jueces. Fine-tuning de BERT. Implementación de dashboard con alertas.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con scraping ético (cumpliendo términos). Servidor en la nube. Costo: $12.000.
Impacto Cuantificable
Detección de caídas de sentimiento con 2 horas de retraso. Reducción del 50% en el tiempo de respuesta a crisis reputacionales.
Aplicabilidad Práctica Inmediata
Departamentos de marketing y PR de empresas locales, agencias de publicidad.
Proyección a 5 años
SaaS “SentimientoMarca” para pymes bolivianas. Integración con chatbots de atención al cliente.
—
7. PrecioDinámico – Fijación dinámica de precios para productos perecederos (carnes, lácteos) en supermercados usando aprendizaje por refuerzo (DQN) y elasticidades
Problema científico
Los productos perecederos tienen alta pérdida por vencimiento. Las rebajas lineales (ej. 20% en último día) no son óptimas. La demanda es sensible al precio y al inventario restante.
Hipótesis principal
Un agente DQN que aprende la función de demanda (desconocida) y fija precios diarios para cada producto (recompensa = ingreso – costo de desperdicio) aumenta el margen neto en un 15% frente a una política de descuento lineal fijo.
Modelo de Red Neuronal Propuesto
DQN con espacio de acciones discretas (10 niveles de descuento: 0% a 50%). Estado: días restantes hasta vencimiento, inventario actual, historial de ventas de días anteriores, día de semana.
Base de gestión
La gestión de ingresos (revenue management) para productos perecederos es un problema clásico de optimización (Kök & Fisher, 2018, Management Science). El RL es adecuado por la incertidumbre en demanda.
Diseño Metodológico
Simulador calibrado con datos históricos de ventas de una carnicería de supermercado (1 año). Entrenamiento del agente. Validación con datos fuera de muestra (3 meses). Comparación con política de descuento escalonada (20% a 2 días, 40% a 1 día).
Viabilidad Técnica (TRL)
TRL 6 – prototipo en simulador. Infraestructura: servidor. Costo: $14.000.
Impacto Cuantificable
Aumento del 15% en margen neto (reducción de mermas del 25% al 15%). Prueba piloto en 5 supermercados.
Aplicabilidad Práctica Inmediata
Cadenas de supermercados (Hipermaxi, Fidalga, IC Norte), tiendas de conveniencia.
Proyección a 5 años
Sistema integrado en etiquetas electrónicas de precio. Expansión a productos de moda (estacionales).
—
8. CreditScore – Evaluación de riesgo crediticio para microempresas en Santa Cruz usando redes neuronales tabulares (TabNet) y datos alternativos (facturación electrónica, redes sociales)
Problema científico
Las microempresas no tienen historial crediticio formal. Los bancos usan garantías, no modelos de scoring. Datos alternativos (facturación electrónica SIN, presencia en redes) pueden predecir default.
Hipótesis principal
Un modelo TabNet (red neuronal para datos tabulares) entrenado con 10.000 microempresas (datos de buró de crédito, facturación SIN, y analítica de redes sociales) predice el default a 12 meses con AUC >0,80, superando a la regresión logística (AUC=0,65).
Modelo de Red Neuronal Propuesto
TabNet (atención, aprendizaje de características). Características: antigüedad del negocio, facturación promedio, variabilidad de ventas, número de empleados, sentimiento en redes (si tienen presencia), etc.
Base de gestión
La inclusión financiera requiere modelos de riesgo adaptados. Los datos alternativos reducen la asimetría de información (Berg et al., 2020, Review of Financial Studies).
Diseño Metodológico
Base de datos anonimizada de una cooperativa de ahorro (5 años de historial). Entrenamiento con validación temporal. Métricas: AUC, Gini.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor. Acceso a datos vía convenio con cooperativa. Costo: $20.000.
Impacto Cuantificable
AUC >0,80. Aprobación de créditos a microempresas que antes eran rechazadas, manteniendo tasa de default <5%.
Aplicabilidad Práctica Inmediata
Cooperativas, bancos Pyme (Banco FIE, Prodem), fintech locales.
Proyección a 5 años
API “CreditScore” para el sistema financiero regulado. Uso por parte de la ASFI para evaluar a prestamistas.
—
9. CrossSell – Sistema de recomendación de productos complementarios en e-commerce usando redes neuronales de grafos (GNN) y filtrado colaborativo
Problema científico
Las tiendas online locales (ej. TuMercado, Click) tienen recomendaciones genéricas (“los más vendidos”). No personalizan por perfil de compra ni por afinidad de productos.
Hipótesis principal
Un modelo de recomendación basado en redes neuronales de grafos (LightGCN) que construye un grafo bipartito usuario-producto y aprende embeddings, supera en precisión@10 a la factorización matricial (SVD) en un 20% (de 0,15 a 0,18).
Modelo de Red Neuronal Propuesto
LightGCN (Graph Convolutional Network simplificada) que propaga embeddings a través de las interacciones. Entrenamiento con pérdida BPR (Bayesian Personalized Ranking).
Base de gestión
Las recomendaciones cruzadas aumentan el ticket promedio y la retención de clientes (Linden et al., 2003, Amazon.com recommendations).
Diseño Metodológico
Datos de 1 año de transacciones de una tienda e-commerce local (anonimizados). Entrenamiento con 80% de usuarios, evaluación con 20% (leave-one-out). Métrica: precisión@10, recall@10, NDCG.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con RecBole (biblioteca de recomendaciones). Costo: $8.000.
Impacto Cuantificable
Aumento del 15% en tasa de conversión de productos recomendados. Incremento del 10% en ticket promedio.
Aplicabilidad Práctica Inmediata
E-commerce (Click, TuMercado), plataformas de streaming locales, aplicaciones de delivery.
Proyección a 5 años
SaaS “CrossSell” para pequeñas tiendas online. Integración con Shopify y WooCommerce.
—
10. OptimizaInventario – Optimización multi-almacén de inventarios de repuestos automotrices con modelos de demanda probabilística y simulación (Monte Carlo + redes neuronales)
Problema científico
Las empresas de repuestos tienen múltiples almacenes (centro, sucursales). La demanda es intermitente (muchos ceros) y los tiempos de reabastecimiento varían. Los modelos de stock de seguridad clásicos (EOQ, (R,Q)) fallan.
Hipótesis principal
Un modelo híbrido que usa una red neuronal (DeepAR) para predecir la distribución de demanda de cada SKU, y luego un algoritmo de optimización (simulated annealing) para determinar niveles de stock en cada almacén, reduce el costo total (almacenaje + roturas) en un 25% frente al modelo actual (inventario centralizado).
Modelo de Red Neuronal Propuesto
DeepAR (modelo de series temporales probabilístico basado en LSTM) para predecir cuantiles (10%, 50%, 90%) de la demanda semanal. Luego, optimización con simulated annealing (no red neuronal).
Base de gestión
La gestión de inventarios en redes de distribución es un problema de optimización estocástica. Las predicciones probabilísticas mejoran la determinación de stock de seguridad (Salinas et al., 2020, IJF).
Diseño Metodológico
Datos de 5.000 SKUs de una empresa de repuestos en Santa Cruz (2 años). Entrenamiento de DeepAR para los 200 SKUs más importantes. Simulación de 1 año para comparar políticas.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor con GPU. Costo: $18.000.
Impacto Cuantificable
Reducción del 25% en costo total de inventario (almacenaje: -15%, roturas: -40%). Mejora del nivel de servicio del 85% al 95%.
Aplicabilidad Práctica Inmediata
Distribuidoras de repuestos, ferreterías industriales, empresas de electrónica.
Proyección a 5 años
Software “OptimizaInventario” para pymes de distribución. Integración con sistemas de gestión de almacenes (SGA).
—
📌 Nota final
Estos 10 proyectos para Administración de Empresas cubren:
· Pronósticos y optimización de inventarios (1, 10)
· Gestión de clientes y recomendaciones (3, 6, 9)
· Riesgo financiero y fraude (4, 8)
· Logística y precios (5, 7)
· Gestión del talento (2)
Costos entre $8.000 y $25.000, TRL 6–7. Viables en la UAGRM con articulación DEIS (extensión a empresas locales) y DICIT (infraestructura de datos y modelos). Se recomienda establecer convenios con empresas para acceso a datos anonimizados.