Este estudio analizó la relación entre colaboraciones de marcas, conocidas como “collabs”, en el sector de cosméticos y la producción de contenido generado por el usuario (UGC) en plataformas digitales. La investigación abordó la relevancia del tema ante el crecimiento del mercado de belleza y la intensificación de las estrategias de “co-branding” como herramienta de diferenciación e innovación. El objetivo principal fue comprender de qué forma estas colaboraciones influyeron en el comportamiento del consumidor digital, con foco en la creación de UGC y en la intención de compra. Para ello, la metodología adoptada fue exploratoria y descriptiva, con la aplicación de un cuestionario en línea a 493 encuestados de la región Sudeste de Brasil. Los datos recopilados fueron analizados por medio de estadística descriptiva. Los resultados indicaron que, aunque las “collabs” generaban engagement entre los consumidores, la producción de UGC activo fue baja, predominando interacciones pasivas como likes, guardados y reacciones rápidas. Adicionalmente, las colaboraciones demostraron influencia limitada en la intención de compra y en la disposición a pagar más por los productos. Se concluyó que, a pesar del potencial estratégico de las “collabs” para el mercado de cosméticos, su efectividad dependió de factores como la relevancia percibida, la identificación con la marca y la presencia de estímulos adicionales para la creación de contenido por el usuario.

Palabras clave: Comportamiento online; Co-branding; Engagement del consumidor; Intención de compra; Interacción digital.

La planificación de ventas y existencias demostró ser relevante para la toma de decisiones empresariales. El trabajo tuvo como objetivo desarrollar un modelo de pronóstico de ventas por producto, cliente y tienda para los 12 meses siguientes, utilizando datos históricos mensuales. La metodología se basó en la aplicación de modelos de la familia ARIMA a 5.669 registros de ventas, abarcando 745 combinaciones únicas de producto, cliente y tienda, de enero de 2021 a diciembre de 2024. Se realizó análisis exploratorio de la serie agregada, descomposición estacional, pruebas de estacionariedad, análisis de autocorrelación e identificación de modelos candidatos. La selección de los modelos fue apoyada por procedimiento stepwise y comparación walk-forward con estimador uniforme (SARIMAX). Los resultados indicaron que el modelo SARIMA(1,1,0)(1,0,0,12) presentó un rendimiento superior al ARIMA(1,1,1), con un MAPE de 13,51% y mejor adherencia al comportamiento estacional. En la aplicación granular, 122 series recibieron SARIMA, 247 recibieron ARIMA y 376 utilizaron media histórica. Se concluyó que la incorporación del componente estacional fortaleció la consistencia metodológica y la utilidad práctica del modelo para la previsión de ventas.

Palabras clave: planificación de existencias; SARIMA; estacionalidad; series temporales.

La disponibilidad de datos ambientales consistentes es fundamental para el avance de las investigaciones en climatología y gestión de recursos hídricos. Se desarrolló e implementó un algoritmo computacional en lenguaje R para la adquisición automatizada, estandarización y organización de series históricas diarias de precipitación, nivel y caudal, provenientes del WebService de la Agencia Nacional de Aguas y Saneamiento Básico (ANA). El método se basó en un pipeline de datos estructurado, operando conforme a las ventanas temporales de 1961–1990, 1991–2020 y 2021–2024. La implementación utilizó procesamiento paralelizado, lo que garantizó una ganancia de rendimiento en relación con métodos secuenciales. Como resultado, el algoritmo calificó el inventario de estaciones y generó datos estructurados en formato Parquet con compresión gzip, asegurando alta performance y economía volumétrica. Se concluyó que la solución automatizada superó las limitaciones operacionales de herramientas manuales y preexistentes, proveyendo datasets curados y de alta granularidad, aptos para aplicaciones avanzadas de modelado hidrológico y algoritmos de Machine Learning.

Palabras clave: Automatización; Ciencia de datos; Hidrología; Lenguaje R; Series temporales.

La gestión del tiempo se configura como un elemento esencial para la mejora de la productividad y la calidad de las entregas, al permitir la organización, priorización y ejecución eficiente de las actividades, contribuyendo directamente al logro de metas y la optimización de los resultados en el contexto profesional y personal. Se objetivó comprender cómo las prácticas, herramientas y técnicas de gestión del tiempo, adoptadas por instructores de formación profesional rural y de promoción social, se asociaron a dos desenlaces centrales: la realización de las actividades diarias planificadas y la percepción del impacto de estas prácticas en el bienestar y la productividad. Los datos fueron recolectados por medio de un cuestionario en línea estructurado, compuesto por 18 preguntas, y los análisis se realizaron en el entorno Python con bibliotecas estadísticas. Los resultados revelaron que la elevada formación académica y madurez profesional no se tradujo en una mayor eficacia en la gestión del tiempo. Se observó un amplio conocimiento sobre herramientas y técnicas, pero su utilización práctica fue limitada y desigual. Las herramientas más simples e intuitivas, como listas de tareas, presentaron mayor adhesión, mientras que técnicas que exigen transformaciones comportamentales, como la Técnica Pomodoro, tuvieron baja aplicación. Hubo predominancia del uso de soluciones digitales, con destaque para el Google Agenda. Se evidenció una percepción casi unánime de que la gestión del tiempo influye directamente en la productividad y el bienestar. Se concluyó que la mejora de la gestión del tiempo no dependió exclusivamente de la adopción de herramientas y técnicas, sino, sobre todo, del desarrollo de habilidades prácticas y comportamentales, aliado a ajustes en las condiciones de trabajo.

Palabras clave: 5W2H; Matriz de Eisenhower; Matriz GUT; Multitarea; Procrastinación.

La necesidad de optimizar recursos y comprender la compleja dinámica criminal motivó la exploración de datos periciales, frecuentemente subutilizados en informes textuales. Se aplicó el Análisis de Correspondencia Múltiple (ACM) en atenciones periciales en la Macrorregión de Bauru, SP. El objetivo fue investigar e identificar patrones de asociación entre el tipo de ocurrencia, el período del día, el día de la semana y la ubicación, con el fin de fundamentar decisiones operacionales. Se utilizaron datos de la Superintendencia de la Policía Técnico-Científica (SPTC), recolectados entre mayo de 2023 y enero de 2026. La metodología abarcó la limpieza, transformación y categorización de las variables, además de la construcción de matrices de contingencia procesadas en Python. El análisis descriptivo inicial reveló que robos y colisiones predominaron en el volumen total de ocurrencias, mientras que crímenes violentos, como homicidios, violaciones y feminicidios, representaron una porción menor, pero demandaron tiempos de respuesta significativamente mayores. El ACM mapeó visualmente las correlaciones estructurales, demostrando asociaciones claras entre crímenes nocturnos y de fines de semana con regiones específicas. Se identificaron dos agrupaciones principales: un perfil nocturno y de fin de semana, asociado a choques, atropellos y suicidios, con destaque para Bauru; y un perfil diurno en días laborables, dominado por robos y daños a la propiedad. Se demostró que el uso de técnicas exploratorias de aprendizaje automático transformó datos periciales brutos en información estratégica vital, proporcionando subsidios para la asignación eficiente de equipos y fundamentando la elaboración de políticas públicas basadas en evidencia.

Palabras clave: Crímenes violentos; Matriz de contingencia; Priorización de servicios; Python; Tiempos de respuesta.

El premio al Jugador Más Valioso (MVP) de la NBA tiene una gran relevancia en el baloncesto profesional, reflejando el reconocimiento de los atletas y los patrones de votación. Un estudio desarrolló y evaluó modelos de aprendizaje automático supervisado para predecir el premio MVP de la NBA, tratando el problema como una tarea de ordenación basada en la estimación del valor de “Share” de la votación. Se entrenaron y evaluaron cinco algoritmos – Random Forest, LightGBM, XGBoost, CatBoost y NGBoost – utilizando datos históricos de la NBA de 1996 a 2025, recopilados del portal “Basketball Reference”. Los modelos se probaron en las temporadas de 2019 a 2025. CatBoost logró el mejor rendimiento en precisión Top-5 (77,14%), identificando consistentemente los cinco principales candidatos. Random Forest, LightGBM y NGBoost empataron en precisión Top-1 (42,86%), prediciendo correctamente al ganador en tres de las siete temporadas evaluadas. El análisis de importancia de las variables indicó que el rendimiento ofensivo individual, especialmente los puntos por partido, y el rendimiento colectivo del equipo, representado por el porcentaje de victorias, fueron los principales determinantes de las predicciones. Los resultados demostraron la viabilidad del enfoque propuesto y su elevado potencial para estudios futuros.

Palabras clave: Machine Learning; Boosting; NBA; Predicción deportiva; Random Forest.