https://repository.unad.edu.co/handle/10596/62732 Fri, 12 Jun 2026 23:36:08 GMT 2026-06-12T23:36:08Z https://repository.unad.edu.co/handle/10596/82263 Diseño e integración de un entorno web orientado a la gestión energética y análisis predictivo de consumo eléctrico en plantas cerveceras. El presente proyecto tiene como objetivo diseñar e implementar una solución para el manejo eficiente de los datos de energía en la Cervecería Barranquilla, con posibilidad de ser escalada a otras plantas o industrias con infraestructura similar. La electricidad constituye uno de los recursos de mayor costo en la producción de bienes y servicios, lo que hace indispensable contar con herramientas confiables para gestionar el consumo energético de procesos y equipos. Aunque la mayoría de las plantas dispone de medidores de energía, no es común contar con software especializado que recopile automáticamente dichos consumos. Los programas ofrecidos por los fabricantes suelen requerir licencias costosas para realizar acciones básicas o integrar nuevos equipos, lo que incrementa la inversión y los gastos de mantenimiento. Además, presentan limitaciones en el manejo de datos masivos, entornos variables e infraestructuras virtualizadas, lo que genera la necesidad de personal adicional para resolver fallas. Este desarrollo propone una interfaz adaptable y sencilla, capaz de gestionar datos energéticos en tiempo real y de predecir consumos con base a valores de producción. Con ello se busca ofrecer una alternativa más flexible y eficiente frente a las soluciones tradicionales, contribuyendo a la optimización de recursos y a la sostenibilidad industrial. Apéndice A. Acuerdo de confidencialidad - Empresa Estudiante Acuerdo firmado entre el estudiante y la empresa para ejecución del proyecto Apéndice B. Autorización Empresa Autorización final firmada por personal autorizado para aprobar la ejecución del proyecto. Apéndice C. Diagrama de funcionamiento del Proyecto. Mapa del funcionamiento, los enlaces e intercambios de datos del proyecto. Apéndice D. Repositorio de Código del proyecto. Archivos almacenados en GitHub para visualizar y copiar el funcionamiento del proyecto. Sat, 09 May 2026 00:00:00 GMT https://repository.unad.edu.co/handle/10596/82263 2026-05-09T00:00:00Z https://repository.unad.edu.co/handle/10596/82248 Optimización de adquisiciones bibliográficas mediante Big Data y analítica predictiva en bibliotecas Este trabajo se centra en cómo las bibliotecas pueden aprovechar herramientas de Big Data y analítica predictiva para mejorar sus procesos de adquisición de material bibliográfico. El punto de partida es un problema frecuente: a pesar de que las bibliotecas generan y almacenan enormes cantidades de datos, desde préstamos y adquisiciones hasta hábitos de los usuarios y gran parte de esa información no se utiliza para tomar decisiones estratégicas. Esto provoca compras poco efectivas, acumulación de libros que casi no se consultan y un uso inútil del presupuesto. Se reconoce la necesidad de organizar y gestionar las fuentes bibliográficas. Se emplearon herramientas como Mendeley para ordenar la información encontrada en bases de datos académicas y motores de búsqueda especializados. De este proceso se seleccionaron referentes recientes que muestran cómo la ciencia de datos, la bibliominería y la inteligencia artificial están transformando la gestión de las bibliotecas. Por ejemplo, se destaca la capacidad del Big Data para anticipar tendencias de lectura, optimizar colecciones y reducir el desperdicio de recursos. Asimismo, se identificaron retos como la brecha digital, que limita el acceso equitativo a estas tecnologías. Se plantea la propuesta titulada Optimización de Adquisiciones Bibliográficas mediante Big Data y Analítica Predictiva en Bibliotecas. Aquí se expone el problema: las decisiones de compra que suelen basarse criterios poco claros, lo que deriva en colecciones poco relevantes. El objetivo general es diseñar una solución apoyada en datos reales que permita a las bibliotecas anticiparse a la demanda y planear adquisiciones de forma más eficiente. Entre los objetivos específicos se incluyen analizar datos históricos de préstamos, evaluar herramientas tecnológicas disponibles, diseñar modelos predictivos y crear dashboards interactivos que faciliten la toma de decisiones. 3 Se justifica la propuesta resaltando su pertinencia para bibliotecas universitarias, aunque sus principios pueden aplicarse a distintos tipos de instituciones. Se señala que la clave no está en gastar más presupuesto, sino en usar de manera más inteligente la información que ya existe. La propuesta no solo busca optimizar los recursos, sino también mejorar la experiencia de estudiantes, docentes e investigadores, logrando colecciones más útiles y alineadas con sus verdaderas necesidades. Además, el plan de trabajo contempla fases prácticas como recolección y limpieza de datos, análisis exploratorio, desarrollo del modelo predictivo y construcción de visualizaciones dinámicas. Este proyecto apunta a que la integración de Big Data y analítica predictiva en bibliotecas representa un cambio cultural y no solo técnico. Pasar de decisiones basadas en intuición a decisiones fundamentadas en datos supone un avance hacia bibliotecas más modernas, estratégicas y centradas en las personas. además, se resalta la importancia de capacitar al personal bibliotecario, manteniendo actualizados los modelos de análisis, integrando sistemas de información fomentando la colaboración. Así, la tecnología se convierte en un puente entre la gestión eficiente y el valor humano y pedagógico. En resumen, este trabajo plantea una ruta para que las bibliotecas evolucionen y dejen de ser solo depósitos de información y se conviertan en espacios dinámicos que aprovechen la ciencia de datos para responder de manera más efectiva a las necesidades de sus comunidades. Tue, 22 Apr 2025 00:00:00 GMT https://repository.unad.edu.co/handle/10596/82248 2025-04-22T00:00:00Z https://repository.unad.edu.co/handle/10596/82246 Análisis de la integración de sistemas de inteligencia artificial En los procesos de búsqueda de candidatos Esta monografía analiza de forma crítica cómo la Inteligencia Artificial (IA) se integra en la fase de búsqueda y preselección de candidatos (sourcing y screening) dentro de la gestión del talento. Se revisan las capacidades de tecnologías como el Aprendizaje Automático y el Procesamiento de Lenguaje Natural para automatizar el procesamiento de hojas de vida, el matching semántico y la priorización de perfiles, y se discuten sus implicaciones operativas (reducción de tiempos y costos) y éticas (sesgo algorítmico, transparencia y privacidad). El documento propone lineamientos de gobernanza y buenas prácticas auditoría, explicabilidad y supervisión humana para una adopción responsable. Finalmente, se presentan casos de uso, riesgos y recomendaciones orientadas a organizaciones que desean implementar IA en reclutamiento con criterios de equidad, trazabilidad y valor para el negocio. Wed, 11 Mar 2026 00:00:00 GMT https://repository.unad.edu.co/handle/10596/82246 2026-03-11T00:00:00Z https://repository.unad.edu.co/handle/10596/82159 Modelos de predicción de la demanda eléctrica y detección de picos de consumo mediante series de tiempo y Machine Learning La proyección de la demanda eléctrica es un desafío global que requiere herramientas avanzadas para reducir la incertidumbre generada por la variabilidad climática y otras condiciones socioeconómicas de cada región. Colombia se enfrenta a retos específicos asociados al crecimiento de la población y la alta dependencia de generación hidroeléctrica, lo cual hace indispensable el desarrollo e implementación de metodologías robustas de estimación de la demanda. En consecuencia, se implementó un proceso de evaluación de dos modelos de series de tiempo y Machine Learning para estimar la demanda de energía eléctrica en Colombia en resoluciones diaria y mensual a partir de datos entre enero de 2015 y diciembre de 2025 y generar pronósticos para el horizonte 2026-2029 con base en la metodología CRISP-DM. Se realizó un análisis exploratorio de datos para comprender la dinámica temporal y la asociación estadística de la demanda eléctrica y los aportes hidrológicos, el volumen de los embalses, el Producto Interno Bruto (PIB) y el crecimiento de la población. A pesar de la fuerte relación entre la población y la demanda eléctrica, se realizó el modelado sin esta ni el PIB debido a su resolución temporal (anual y trimestral, respectivamente). En el modelado se realizó la comparación del enfoque univariado (solo demanda) y un enfoque multivariado (demanda, aportes hidrológicos, volumen de embalses). Fueron implementadas dos arquitecturas: 1) modelo híbrido con series de tiempo y Machine Learning y 2) modelo aditivo generalizado basado en series de tiempo, Prophet. Las métricas para evaluar el desempeño predictivo fueron la raíz del error cuadrático medio (RMSE), el promedio del error absoluto porcentual (MAPE) y el promedio del error escalado absoluto (MASE). La información fue recopilada de XM, el DANE y la UPME. Tras la búsqueda de los hiperparámetros óptimos para cada configuración, el modelo campeón fue el híbrido univariado mensual. El Pipeline para garantizar la reproducibilidad de los resultados de la investigación fue consignado en 4 scripts de Python. En términos generales se evidenció que el enfoque univariado tuvo mejores resultados en todos los procesos de modelado. Las estimaciones del modelo campeón fueron comparadas con proyecciones oficiales de la UPME y el MAPE fue de 2.4%. Sat, 06 Jun 2026 00:00:00 GMT https://repository.unad.edu.co/handle/10596/82159 2026-06-06T00:00:00Z