Modelos de inteligencia de negocio aplicando aprendizaje supervisado para la optimización de procesos de la gestión administrativa: Una revisión de la literatura

• Autor: Rayme Quispe, Alexander Eli
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/159352
• Enlace del recurso: https://hdl.handle.net/20.500.12692/159352
• Nivel de acceso: acceso abierto
• Materia: Inteligencia de negocio; Aprendizaje supervisado; Optimización de procesos; Gestión administrativa; https://purl.org/pe-repo/ocde/ford#2.02.04

Este estudio, realizado en la dirección de redes integradas de salud lima norte, Perú, ofrece una revisión de la literatura sobre cómo se aplican los modelos de inteligencia de negocios (BI) mediante el uso de aprendizaje supervisado para optimizar procesos en la gestión administrativa entre 2020 y 2024. Se destaca la importancia de la inteligencia de negocios y el aprendizaje automático en la toma de decisiones estratégicas dentro de las organizaciones, enfocándose en su capacidad para mejorar la eficiencia administrativa examinando modelos de inteligencia de negocio que aplican aprendizaje supervisado para optimizar procesos de gestión administrativa. La metodología de revisión de la literatura sigue un enfoque similar al propuesto por Kitchenham, adaptado a las necesidades del estudio. Se establecen criterios de calidad para la selección de artículos, evaluando la claridad de los objetivos, metodología, área temática y presentación de resultados. Se utilizan herramientas como Zotero para extraer información relevante de los artículos seleccionados. Los resultados identifican los algoritmos más empleados en la optimización, como el de optimización, redes neuronales, aprendizaje profundo, machine learning y matemáticos. Las palabras clave más recurrentes incluyen machine learning, Industry 4.0, optimización y big data. Se destaca la falta de coautorías entre los investigadores revisados, lo que sugiere la necesidad de ampliar el alcance de futuras investigaciones. El análisis cuantitativo de los datos recopilados permite identificar patrones y relaciones significativas, contribuyendo a responder a las preguntas de investigación planteadas.