Artículo

26 de octubre de 2026

Desarrollo de panel de reclutamiento y selección para mejorar el seguimiento de los procesos selectivos

Ana Carolina Pereira De Araujo; Stefano Francisco Pereira Duarte

DOI: 10.22167/2675-6528-202600521

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El estudio abordó los desafíos en el seguimiento de los procesos de selección, derivados de la fragmentación de datos, la ausencia de estandarización y la elaboración manual de informes, que comprometían la visibilidad y la toma de decisiones. El objetivo fue estructurar una solución analítica capaz de organizar, integrar y disponibilizar información de forma automatizada, clara y accesible. La metodología adoptó el ciclo PDCA, con el Diagrama de Ishikawa para la identificación de las causas y el plan 5W2H para la planificación de las acciones. Las bases operativas fueron tratadas y estandarizadas vía Power Query, permitiendo la construcción de un modelo de datos estructurado en Power BI y el desarrollo de visualizaciones alineadas a las necesidades del proceso. Como resultado principal, se observó la consolidación de datos dispersos, el aumento de la confiabilidad de la información, la reducción de retrabajos y la ampliación de la transparencia y autonomía de los usuarios en el monitoreo de indicadores. El tiempo para generar informes disminuyó de 1h30-2h a 10 minutos diarios, y la frecuencia de actualización pasó de semanal a diaria, con acceso directo al panel. Se concluyó que el panel desarrollado atendió al propósito del estudio, configurándose como una solución práctica, sostenible y aplicable a la gestión de Reclutamiento y Selección, fortaleciendo la toma de decisiones basada en datos.

Palabras clave: Seguimiento de procesos; Business Intelligence; Gestión de datos; PDCA; Toma de decisiones.

1. Introducción

En el contexto corporativo contemporáneo, caracterizado por la intensa transformación digital y la creciente demanda de decisiones fundamentadas en datos, el área de Reclutamiento y Selección (R&S) asume un papel cada vez más estratégico en las organizaciones. La competitividad del mercado laboral, la presión por una mayor eficiencia operativa y la necesidad de previsibilidad en los procesos selectivos hacen del seguimiento estructurado de las etapas un requisito esencial para el alineamiento entre los Recursos Humanos y las demás áreas solicitantes (Breviário et al., 2025; Peeters; Paauwe; Van De Voorde, 2020; Rasmussen; Ulrich; Ulrich, 2024). En este escenario, las herramientas de Business Intelligence (BI) se han destacado por su capacidad intrínseca de organizar, integrar y visualizar datos de manera clara, dinámica y estratégica, ofreciendo un soporte robusto a la gestión (Microsoft, 2024; PMI, 2021).

A pesar de la evolución tecnológica, muchos departamentos de I+D todavía enfrentan desafíos significativos relacionados con la fragmentación de la información, la ausencia de estandarización en las bases de datos y la dificultad para consolidar métricas esenciales para la toma de decisiones. En el caso específico estudiado, la falta de una visión unificada del embudo de reclutamiento generaba un retrabajo considerable para el equipo de Reclutamiento y Selección. La elaboración manual de informes semanales, necesaria para atender a gerentes y clientes internos, consumía tiempo, aumentaba la probabilidad de errores operativos y retrasaba el envío de información crucial para el negocio, como el estado de las vacantes, los plazos y el tiempo promedio en cada fase del proceso.

Adicionalmente, la visualización limitada de los datos dificultaba la identificación de cuellos de botella en el flujo de trabajo, haciendo el seguimiento poco intuitivo y restringiendo el potencial estratégico del sector de Recursos Humanos. Análisis más completos dependían de sucesivos retrabajos de consolidación de datos. Esta brecha operativa, evidenciada tanto por la literatura especializada como por la práctica diaria del equipo, demuestra la necesidad urgente de estructuras analíticas más robustas, capaces de transformar datos brutos en información accesible, confiable y actualizada para fundamentar las decisiones (Milani et al., 2020; Ghatak, 2022).

En este contexto, la medición del desempeño a través de indicadores se convierte en un elemento clave para la profesionalización del Reclutamiento y Selección, permitiendo que el proceso sea conducido por evidencias concretas, y no predominantemente por percepciones subjetivas. Indicadores como el tiempo medio de cierre de vacantes, el volumen de vacantes abiertas y la adherencia a los plazos posibilitan un mayor control del proceso, la identificación de ineficiencias y el apoyo a las decisiones gerenciales. La literatura señala que la adopción de prácticas analíticas en RRHH, frecuentemente denominadas People Analytics, contribuye al aumento de la previsibilidad, de la eficiencia operativa y del alineamiento estratégico del área con los objetivos organizacionales, reforzando el papel de RRHH como socio estratégico del negocio (Milani et al., 2020; Peeters; Paauwe; Van De Voorde, 2020; Rasmussen; Ulrich; Ulrich, 2024).

El desarrollo de soluciones analíticas aplicadas al contexto organizacional converge con enfoques de mejora continua y gestión de la calidad, en los cuales el uso estructurado de los datos desempeña un papel central en el control y la mejora de los procesos. El ciclo PDCA (Planificar, Hacer, Verificar, Actuar), ampliamente utilizado en entornos corporativos, proporciona una base metodológica sólida para identificar problemas, implementar mejoras, monitorear resultados y estandarizar prácticas más eficientes (Werkema, 2012). Así, la construcción de un panel de Business Intelligence orientado al seguimiento del proceso selectivo se configura no solo como una solución tecnológica, sino también como un instrumento de gestión, capaz de apoyar el monitoreo continuo, reducir variabilidades operacionales y ofrecer mayor confiabilidad a la información utilizada por el equipo de Reclutamiento y Selección y por los gestores involucrados.

Ante este escenario, este trabajo propone el desarrollo de un panel de Business Intelligence enfocado al seguimiento de los procesos selectivos, con el objetivo de reducir retrabajos, aumentar la transparencia de la información, optimizar el tiempo de respuesta a los clientes internos y mejorar la toma de decisiones en el área de Reclutamiento y Selección.

2. Material y Métodos

El presente estudio se caracterizó como una investigación aplicada, de naturaleza descriptiva, con un enfoque metodológico cualitativo, centrado en el desarrollo de una solución práctica para un problema organizacional. El objeto empírico fue el proceso de Reclutamiento y Selección (R&S) de una empresa de gran tamaño del sector eléctrico, con actuación nacional y aproximadamente 16 mil colaboradores. La unidad de análisis se concentró en el departamento de R&S, que contaba con unos nueve reclutadores, una supervisora y una gerente, responsables de la conducción y seguimiento de los procesos selectivos.

Para estructurar el desarrollo del proyecto, se adoptó la metodología del ciclo PDCA (Planificar, Hacer, Verificar, Actuar), ampliamente utilizada en procesos de mejora continua y gestión de la calidad (Werkema, 2012). Este enfoque permitió dividir el estudio en etapas interdependientes y secuenciales, garantizando coherencia entre el diagnóstico, la planificación, el desarrollo, la evaluación y los ajustes necesarios para la construcción del panel de Business Intelligence.

En la etapa de Planificación (Plan), se definieron el problema central, los objetivos de la construcción del panel y los criterios de recopilación de la información. Se realizó una reunión con las personas focales del proyecto, en la cual se aplicó el Diagrama de Ishikawa para identificar y organizar los principales factores que dificultaban el seguimiento de los datos de los procesos selectivos (Werkema, 2012). Complementariamente, se utilizó el plan 5W2H para orientar la definición de las acciones previstas en la planificación.

La recolección de datos se basó en la hoja de cálculo operativa utilizada por el equipo de Reclutamiento y Selección, actualizada diariamente por los reclutadores con información sobre el progreso de los procesos de selección. Estos datos fueron sometidos a procedimientos de organización, estandarización y estructuración en Power Query, a fin de garantizar condiciones adecuadas para el modelado analítico, de acuerdo con las buenas prácticas de preparación de datos (Kimball; Ross, 2013).

En la etapa de Ejecución (Do), los datos fueron tratados y organizados en Power Query, incluyendo limpieza, integración, estandarización de fechas y revisión de campos textuales. Se procedió a la integración de la base histórica, contemplando datos de procesos selectivos registrados desde 2023, y se automatizó la consolidación continua entre los datos históricos y los registros actualizados. Se comunicó al equipo sobre las actualizaciones y se le brindaron orientaciones de buenas prácticas.

Con la estructura de datos completada, se inició la construcción del panel en Power BI. Se estableció el modelo de datos, definiendo las relaciones entre la tabla principal de Reclutamiento y Selección y tablas auxiliares, como empresas, ciudades, niveles profesionales, tipos de reclutamiento y clasificaciones de SLA. Se desarrollaron medidas en DAX para el cálculo del promedio de SLA de las vacantes, indicadores de desempeño por etapa y métricas de conteo de procesos (Microsoft, 2024; PMI, 2021).

Se configuraron filtros, segmentaciones y parámetros interactivos para proporcionar una navegación clara e intuitiva. Se definieron las visualizaciones mediante la selección de gráficos, tarjetas y paneles que mejor representaran la información relevante, resultando en una interfaz organizada y dinámica. Se implementó el seguimiento del SLA (Service Level Agreement) por etapa del proceso selectivo para medir el tiempo medio de permanencia de las vacantes en cada fase del flujo de R&S.

El cálculo del SLA promedio por etapa se realizó con base en la suma del total de días en que las vacantes permanecieron en determinada etapa, dividida por el número de vacantes que pasaron por esa fase. Para garantizar la confiabilidad del indicador, el tiempo de permanencia de las vacantes en cada etapa se determinó a partir del número de veces en que cada vacante apareció en determinada fase, con base en las copias de seguridad diarias realizadas en la base de Reclutamiento y Selección.

En la etapa de Verificación (Check), se evaluó la adherencia del panel a las necesidades informacionales del área, la estabilidad del flujo de datos y la conformidad de la base de origen a las reglas de estandarización. El análisis del panel fue guiado por criterios previamente definidos, considerando la claridad de las visualizaciones, la adherencia a los indicadores esenciales, la coherencia de la estructura de datos y el alineamiento a las buenas prácticas de gestión y visualización de información (PMI, 2021; Microsoft, 2024).

Finalmente, en la etapa de Acción (Act), se realizaron ajustes puntuales para restablecer la estabilidad del flujo de datos y garantizar la continuidad de la actualización del panel. Se reforzaron las orientaciones al equipo de Reclutamiento y Selección sobre la importancia de no alterar nombres de archivos, pestañas o columnas de la base operativa. Se ejecutaron ajustes de recuperación estructural en Power Query y se revisaron medidas y relaciones en Power BI, incluyendo la reescritura de la medida de SLA con reglas de validación y tratamiento de valores nulos (Werkema, 2012).

3. Resultados y Discusión

La etapa inicial de planificación del proyecto implicó una reunión con las partes interesadas, en la cual se empleó el Diagrama de Ishikawa, también conocido como Diagrama de Causa y Efecto. El objetivo fue identificar y organizar los principales factores que dificultaban la visualización y el seguimiento adecuado de los datos de los procesos selectivos. Esta herramienta permitió un análisis estructurado del problema, agrupando las causas en categorías clásicas como métodos, mano de obra, medición, materiales, máquinas y medio ambiente, según la metodología de Ishikawa (1985).

La aplicación del Diagrama de Ishikawa reveló que la problemática no se restringía a un único punto operativo, sino que se derivaba de fallas estructurales y de gestión que impactaban directamente la eficiencia del proceso de Reclutamiento y Selección. Entre los principales factores identificados se encontraban la falta de capacitación y orientación del equipo, la resistencia al cambio, la ausencia de estandarización de las bases de datos, errores recurrentes en la consolidación de la información y la inexistencia de automatizaciones que garantizaran la actualización consistente de los datos. Estos hallazgos están en consonancia con Werkema (2012), quien enfatiza la importancia de la identificación estructurada de causas raíz en proyectos de mejora continua.

Con base en el diagnóstico multifactorial realizado, se elaboró un plan de acción detallado utilizando la metodología 5W2H, que transformó las causas identificadas en un conjunto de acciones prácticas y organizadas. Este plan orientó la definición de las actividades subsecuentes del proyecto, garantizando un enfoque objetivo y dirigido a la resolución de los problemas. La estructuración de las acciones a través del 5W2H es fundamental para transformar diagnósticos en iniciativas concretas, especialmente en contextos de mejora continua (Werkema, 2012).

La elaboración de un cronograma detallado, alineado al plan 5W2H y al ciclo PDCA, organizó las actividades del proyecto de septiembre de 2025 a marzo de 2026. La fase de planificación se centró en el análisis de la base de datos, la estructuración inicial de la información y la creación de un prototipo. La etapa de ejecución, que se extendió de octubre de 2025 a enero de 2026, incluyó ajustes en el panel de Business Intelligence, aplicación de automatizaciones y seguimiento del Service Level Agreement (SLA).

Las fases de verificación y resultados ocurrieron entre enero y marzo de 2026, permitiendo el análisis de los puntos de mejora y la identificación de los efectos de la implementación de la solución. Esta organización temporal aseguró que el proyecto evolucionara de forma estructurada y progresiva, con validación de entregas intermedias, lo cual es crucial para el control y éxito de iniciativas complejas, según lo señalado por el Project Management Institute (PMI, 2021). La aplicación disciplinada del ciclo PDCA, aliada a una planificación bien definida, aumenta la efectividad de las acciones de mejora continua y reduce retrabajos (Werkema, 2012).

La etapa de tratamiento de datos en Power Query fue fundamental para asegurar la integridad y la consistencia de la información. La herramienta se configuró para copiar automáticamente la base operativa utilizada por los reclutadores y aplicar transformaciones sistemáticas, como ajustes de formato, estandarización de fechas, revisión de campos textuales y consolidación de registros duplicados. Estas prácticas son esenciales para la fiabilidad de las soluciones de Business Intelligence, según las recomendaciones de Kimball y Ross (2013).

Además, la base histórica de procesos selectivos, registrada desde 2023, fue igualmente tratada y estandarizada en Power Query. Esta integración permitió la consolidación continua entre los datos históricos y los registros actualizados, ampliando el volumen de información y la profundidad analítica del seguimiento. La integración de datos históricos y operacionales es un aspecto crucial para análisis consistentes y para el apoyo a la toma de decisiones gerenciales (PMI, 2021; Milani et al., 2020).

Con la estructura de datos consolidada, se inició la construcción del panel en Power BI. En primer lugar, se estableció el modelo de datos, definiendo las relaciones entre la tabla principal de Reclutamiento y Selección y tablas auxiliares, como empresas, ciudades, niveles profesionales, tipos de reclutamiento y clasificaciones de SLA. Este modelo garantizó la integridad referencial y la consistencia de los análisis, siendo un paso crucial en la construcción de un sistema de BI robusto.

Tras el modelado, se desarrollaron medidas en DAX para calcular la media de SLA de las vacantes, indicadores de desempeño por etapa del proceso de selección y métricas de recuento de procesos, lo que permitió el seguimiento estructurado del embudo de reclutamiento. A continuación, se configuraron filtros, segmentaciones y parámetros interactivos, proporcionando una navegación clara e intuitiva a los usuarios, lo que resultó en una interfaz organizada y dinámica, alineada con las necesidades del sector.

Durante la etapa de ejecución, se implementó el seguimiento del SLA (Service Level Agreement) por etapa del proceso selectivo, con el objetivo de medir el tiempo medio de permanencia de las vacantes en cada fase del flujo de Reclutamiento y Selección. Para viabilizar este indicador, se adoptó el registro histórico de las movimentaciones de las vacantes mediante copias de seguridad diarias de la base operacional, asegurando la trazabilidad de los cambios de estado a lo largo del tiempo.

La consolidación de estos datos en Power Query permitió determinar, de forma precisa, el tiempo medio de permanencia de las vacantes en cada etapa, ofreciendo una visión detallada del comportamiento del embudo y facilitando la identificación de cuellos de botella operativos. La implementación de este control amplió significativamente la robustez del panel analítico, al reducir distorsiones y permitir análisis temporales consistentes de los indicadores de desempeño, lo cual es fundamental para la toma de decisiones estratégicas (Kimball y Ross, 2013; Rasmussen et al., 2024).

En la etapa de Verificación del ciclo PDCA, se identificaron debilidades operativas relacionadas con la gobernanza de los datos. Se observaron interrupciones en Power Query y Power BI derivadas del cambio del nombre del archivo de origen, lo que comprometió referencias e impidió temporalmente la actualización automática. Tales hallazgos refuerzan la sensibilidad de las soluciones de Business Intelligence a cambios no controlados en la estructura de los datos de origen, como lo destacaron Kimball y Ross (2013).

Adicionalmente, se identificó la ausencia del registro del número de candidatos entrevistados, lo que imposibilitó el cálculo de la tasa de conversión entre entrevistados y contratados. En el monitoreo del SLA por etapa, se verificó que parte del equipo no realizaba la actualización diaria del estado de las vacantes, generando distorsiones en la apuración del tiempo por etapa, incluyendo casos de SLA negativo debido a fechas inválidas. Estos resultados refuerzan la dependencia entre la calidad de la entrada de datos y la confiabilidad de los indicadores (Milani et al., 2020; Rasmussen et al., 2024).

Con base en las inconsistencias identificadas, se realizaron ajustes puntuales para restablecer la estabilidad del flujo de datos y garantizar la continuidad de la actualización del panel. Se reforzaron las orientaciones al equipo de Reclutamiento y Selección sobre la importancia de no alterar nombres de archivos, pestañas o columnas de la base operativa, previniendo fallas operacionales como la ruptura de conexiones y la pérdida temporal de información en el modelo analítico. Estas acciones preventivas son cruciales para el mantenimiento de un ambiente analítico estable.

En el ámbito técnico, se realizaron ajustes de recuperación estructural en Power Query, restableciendo columnas eliminadas y revalidando pasos de transformación comprometidos. En Power BI, la medida de SLA se reescribió para incorporar reglas de validación, tratamiento de valores nulos y salvaguardas contra resultados ilógicos, como SLAs negativos. Estas acciones permitieron recuperar la funcionalidad completa de la solución y reforzaron prácticas de mantenimiento preventivo, preparando el entorno analítico para mejoras continuas, en consonancia con los principios de mejora continua (Werkema, 2012).

Discusión General de los Resultados

La implementación del panel de Business Intelligence permitió la consolidación de datos que anteriormente estaban dispersos, resultando en una base estructurada, integrada y actualizada automáticamente. La aplicación de las herramientas de diagnóstico y planificación, como el Diagrama de Ishikawa y el plan 5W2H, posibilitó actuar de forma dirigida sobre los factores que limitaban la eficiencia del proceso selectivo. La estandarización de la base de datos, aliada al uso del Power Query y a la construcción del modelo analítico en Power BI, contribuyó a la disponibilización de información más confiable, clara y accesible para el equipo de Reclutamiento y Selección.

Cualitativamente, los resultados evidenciaron mejoras en la identificación de cuellos de botella, en la visibilidad del embudo de reclutamiento, en la precisión de la determinación del SLA por etapa y en la posibilidad de análisis comparativos por área, tipo de vacante o fase del proceso. La solución desarrollada establece una base sólida para futuras evoluciones, como la expansión de indicadores estratégicos y el perfeccionamiento de automatizaciones, contribuyendo al aumento de la madurez analítica del área de Reclutamiento y Selección.

Los resultados cuantitativos refuerzan el impacto de la solución implementada, evidenciando una reducción expresiva en el tiempo necesario para la generación del informe gerencial. Anteriormente, la elaboración del informe semanal demandaba entre 1h30 y 2h, involucrando la consolidación manual de la hoja de cálculo operativa y el envío de la información por correo electrónico. Con la implementación del panel en Power BI, el tiempo total de actualización pasó a ser de aproximadamente 10 minutos por día, ya considerando la verificación básica de la integridad de los datos. Esta reducción representa una ganancia operativa significativa, liberando tiempo del equipo para actividades analíticas y estratégicas (Milani et al., 2020).

Otro aspecto relevante es la frecuencia de actualización de la información, que evolucionó de un modelo semanal a un seguimiento diario. Este cambio amplió significativamente la visibilidad del embudo de reclutamiento y posibilitó un monitoreo continuo del progreso de las vacantes. El acceso frecuente a indicadores actualizados fortalece la previsibilidad de los procesos de Recursos Humanos y contribuye a decisiones más alineadas a las necesidades organizacionales (Peeters; Paauwe; Van De Voorde, 2020).

También se destaca el aumento de la autonomía de los Business Partners en el acceso a la información, que dejó de depender del envío manual de informes por correo electrónico y pasó a ocurrir a través del acceso directo al panel. Este cambio contribuyó a una mayor transparencia del proceso y democratización de la información, ampliando el papel estratégico de RR. HH. al permitir que diferentes stakeholders sigan indicadores en tiempo real (Rasmussen et al., 2024). La confiabilidad de la información también avanzó significativamente, pasando de ser vulnerable a errores manuales a ser alta, debido a la estandarización de la base de datos y automatización del flujo.

De esta forma, los resultados obtenidos confirman que la implementación del panel de Business Intelligence promovió ganancias consistentes de eficiencia operativa, reducción de retrabajos y mayor transparencia en el seguimiento de los procesos selectivos. La ampliación de la agilidad informacional y del flujo de comunicación entre el equipo de Reclutamiento y Selección y los Business Partners evidencia el avance de la madurez analítica del área, contribuyendo a una toma de decisiones más eficiente y orientada por datos, atendiendo plenamente al objetivo del estudio.

4. Conclusión

El presente estudio buscó estructurar una solución analítica para organizar, integrar y disponibilizar información de forma automatizada, clara y accesible, con el objetivo de mejorar el seguimiento de los procesos selectivos y la toma de decisiones en el área de Reclutamiento y Selección. Se verificó que la implementación del panel de Business Intelligence, construido con el uso de Power Query para el tratamiento y estandarización de los datos y de Power BI para la modelización y visualización, permitió la consolidación de datos que antes estaban dispersos. Se observó un aumento significativo en la confiabilidad de la información, una reducción expresiva de retrabajos y la ampliación de la transparencia y autonomía de los usuarios en el monitoreo de indicadores. Cuantitativamente, el tiempo para generar informes gerenciales disminuyó de una hora y treinta minutos a dos horas a aproximadamente diez minutos diarios, y la frecuencia de actualización pasó de semanal a diaria, con acceso directo al panel por los Business Partners. La solución desarrollada se configura como una contribución práctica y sostenible para la gestión de Reclutamiento y Selección, fortaleciendo la toma de decisiones basada en datos e impulsando la madurez analítica del área.

A pesar de los avances, se identificaron limitaciones operativas relacionadas con la gobernanza de datos, como la sensibilidad del sistema a cambios en los nombres de los archivos de origen y la inconsistencia en la actualización diaria del estado de las vacantes por parte del equipo, lo que generó distorsiones en la determinación del tiempo por etapa. Adicionalmente, la ausencia del registro del número de candidatos entrevistados imposibilitó el cálculo de la tasa de conversión. Para estudios futuros, se sugiere la expansión de indicadores estratégicos, la mejora de las automatizaciones y la incorporación de datos adicionales para análisis más amplios, como la tasa de conversión entre etapas. El panel desarrollado establece una base sólida para el monitoreo continuo y la mejora de los procesos, consolidando el papel estratégico del área de Recursos Humanos a través de una gestión más eficiente y orientada por datos.

Referencias Bibliográficas

Breviário, Á. G. do; Rocha, L. A. C.; Rebello, F. A. S.; Vidal, R. L. da S.; Oliveira Filho, A. de S. 2025. Recrutamento e seleção no século XXI: superando barreiras digitais, critérios tradicionais e potenciais não convencionais. Revista Eletrônica Multidisciplinar de Investigação Científica 4(21): e1181825.

Ghatak, R. 2022. People analytics: data to decisions. Springer, Singapore

Ishikawa, 1985 [Referência completa não encontrada no documento original]

Kimball, R.; Ross, M. 2013. The data warehouse toolkit: the definitive guide to dimensional modeling. 3. ed. Hoboken: Wiley.

Microsoft. 2024. Human resources sample: take a tour – Power BI. Microsoft Learn. Disponível em: <https://learn.microsoft.com/en-us/power-bi/create-reports/sample-human-resources>. Acesso em: 16 jan. 2026

Milani, A. M. P.; Soares, J. A.; Andrade, G. L.; et al. 2020. Visualização de dados. SAGAH, Porto Alegre, RS, Brasil

Peeters, T.; Paauwe, J.; Van De Voorde, K. 2020. People analytics effectiveness: developing a framework. Journal of Organizational Effectiveness: People and Performance 7(2): 203–219.

Project Management Institute [PMI]. 2021. Um guia para o conhecimento em gerenciamento de projetos (Guia PMBOK®). 7. ed. PMI, Pennsylvania, USA

Rasmussen, T. H.; Ulrich, M.; Ulrich, D. 2024. Moving people analytics from insight to impact. Human Resource Development Review 23(1): 11-29.

Werkema, C. 2012. Métodos PDCA e DMAIC e suas ferramentas analíticas. GEN/Atlas, Rio de Janeiro, RJ, Brasil

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Gestión de Proyectos del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.