Browsing by Author "Racca, Sofía"

Filter results by typing the first few letters
Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Big Data o Small Data: Un desafío para pymes y emprendedores en Argentina
    (Secyt UTN Facultad Regional San Francisco, 2019-10) Carrizo, Claudio; Jramoy, Emiliano; Ribotta, Gabriela; Cardona, Fernando; Racca, Sofía; Barrera, Facundo Hernan
    El mundo actualmente está viviendo una constante evolución de la tecnología en todos sus ámbitos (KPMG International Cooperative, 2018). En el caso de las empresas, es sumamente necesaria la adopción de nuevas tecnologías que permitan agregar valor a sus procesos, productos y activos, para mantenerse actualizadas evitando pérdida de competitividad y el riesgo de caer en la obsolencia (Tecon, 2018). En los últimos años ha nacido el concepto de transformación digital que es la aplicación de capacidades digitales a procesos, productos y activos para mejorar la eficiencia, mejorar el valor para el cliente, gestionar el riesgo y descubrir nuevas oportunidades de generación de ingresos (Powerdata). El proceso de transformación digital de una empresa se encuentra comprendido por las siguientes tecnologías: Machine Learning, Big Data, Inteligencia Artificial, Blockchain, Internet de las Cosas (IoT), entre otras. Este proceso permite conocer mejor a los clientes, conocer nuevas vías de negocio y oportunidades, reducir costos, aumentar la productividad, detectar patrones de conducta de usuarios, etc (Winlead). El objetivo del presente trabajo consiste en primer instancia determinar las principales diferencias que existen entre los términos de big data y small data, para luego realizar una discusión acerca de cuáles de estas nuevas tecnologías pueden traer aparejados más beneficios para ser utilizadas por Pymes y emprendedores en el ámbito de nuestro país.
  • Thumbnail Image
    Item
    Un estado actual sobre ciencia de datos y Big Data
    (Secyt UTN Facultad Regional San Francisco, 2020-10) Carrizo, Claudio; Cardona, Fernando; Navarro Peláez, Raúl; Racca, Sofía; Barrera, Facundo Hernan; Vaca, Pablo
    Actualmente existe un creciente interés en las organizaciones por extraer información y producir conocimiento a partir de la cantidad masiva de datos creados diariamente (Fayyad et al., 2017). La disponibilidad de Big Data permite a las organizaciones de todas las industrias aprovechar el análisis de datos, con el fin de extraer conocimiento procesable que puede utilizarse para la toma de decisiones y predicciones comerciales sólidas (Molina-Solana, M. et al., 2017). Al utilizar Big Data, el análisis empresarial abre el potencial predictivo del análisis de datos para mejorar la gestión estratégica, la eficiencia operativa y el rendimiento financiero (Newman, R. et al., 2017). Pero no es solo la masividad lo que hace que todos estos datos nuevos sean interesantes o plantee desafíos (Van der Aalst, W.M., 2016), son datos en sí, y su comportamiento en tiempo real (Rupp, G.M. et al., 2017), los convierten en componentes básicos en la búsqueda de conocimiento. Uno de los grandes desafíos que afrontan la Ciencia de Datos y el Big Data, es la falta de personas que tengan experiencia y habilidades en el manejo de plataformas de Big Data y el análisis de datos.
  • Thumbnail Image
    Item
    Minería de datos educacional para determinar perfiles de alumnos recursantes en carreras de ingenierías
    (2020) Carrizo, Claudio; Jramoy, Emiliano; Barrera, Facundo Hernan; Cardona, Fernando; Navarro Peláez, Raúl; Racca, Sofía
    Las instituciones universitarias tienen el desafío de asegurar y mantener el nivel de calidad académica con el fin de proveer profesionales altamente capacitados que respondan a las demandas del mercado laboral actual, especialmente en el área de las TICs. Uno de los aspectos en donde las universidades deben poner mayor énfasis es en el rendimiento académico, ya que generalmente un bajo rendimiento académico está asociado con una alta tasa de deserción de alumnos. Para evaluar el rendimiento académico de un alumno es necesario conocer si existen patrones o perfiles comunes a grupos de alumnos, esto es de significativa importancia para definir acciones que permitan mejorar el desempeño de los alumnos. En este trabajo se propone el uso de minería de datos educacional para la construcción de modelos que permitan identificar perfiles de alumnos que recursan materias básicas en el primer año de las carreras de ingenierías. Los resultados de este proyecto serán un aporte para el área de gestión académica, ya que podrán contar con un instrumento objetivo que les permitirá definir acciones a futuro en pos de lograr la mejora en el rendimiento académico de los alumnos en materias básicas del primer año.