Cuando se busca una mayor precisión en el análisis de decisiones complejas, se hace necesario recurrir a diferentes técnicas de la Investigación de Operaciones, particularmente en la Teoría de decisiones. Sin embargo, la mayoría de estas pueden ser inadecuadas para manejar desempates de elecciones o disparidad en decisiones grupales por determinadas razones. En este artículo ampliamos los casos de aplicación del esquema metodológico del Proceso de jerarquía analítica (AHP) para abordar problemas en consensos de expertos. Primero, se verifica que esta sea una técnica que garantice el conjunto de preferencias necesarias en un juicio de expertos, luego, aplicamos un procedimiento de priorización usando la media geométrica, para verificar, alcanzar y mejorar el nivel de consenso de grupo por medio de esta técnica de decisión. Finalmente, se ilustra el esquema desarrollado mediante un caso de aplicación en el sector de la logística industrial, llegando a resultados positivos que señalan su efectividad y aplicabilidad dentro del campo de la Teoría de decisiones.

This paper shows the results of a research of the application of data envelopment analysis (DEA) together with artificial neural networks (ANN) of higher education institutions in Colombia during the years 2011-2013, for the purpose of evaluating the technical efficiency of Colombian higher education institutions and subsequently carry out predictions, based on a group of management indicators. Information provided by the Ministry of National Education was used as data source. The results show that this two-stage approach provides the DEA with the predictive potential that it otherwise lacks, enhancing its evaluative qualities; this is also evident in the various research papers consulted. The results also show that 50% of the models built have correct classification rates of 64.58% and 58.33% for training and validation datasets, respectively.

This research uses a three-phase method to evaluate and forecast the academic efficiency of engineering programs. In the first phase, university profiles are created through cluster analysis. In the second phase, the academic efficiency of these profiles is evaluated through Data Envelopment Analysis. Finally, a machine learning model is trained and validated to forecast the categories of academic efficiency. The study population corresponds to 256 university engineering programs in Colombia and the data correspond to the national examination of the quality of education in Colombia in 2018. In the results, two university profiles were identified with efficiency levels of 92.3% and 97.3%, respectively. The Random Forest model presents an Area under ROC value of 95.8% in the prediction of the efficiency profiles. The proposed structure evaluates and predicts university programs’ academic efficiency, evaluating the efficiency between institutions with similar characteristics, avoiding a negative bias toward those institutions that host students with low educational levels.

En este trabajo de investigación se analiza de manera sistemática los componentes y procesos logísticos que se desarrollan en la administración de la cadena de suministro, de manera que se comprendan sus características e interacciones y los criterios de medición para evaluar su desempeño. Lo anterior desde una perspectiva estratégica y una reflexión de tipo racional analítica con un enfoque holístico y sistémico para el análisis y comprensión de los procesos logísticos y la cadena de suministro. Para esto se revisan múltiples artículos científcos en bases de datos indexadas; como criterio de verdad se utilizó argumentación cualitativa, y se integraron los conceptos de logística, administración de la cadena de suministro, gestión de compras y proveedores, gestión de la producción y distribución, redes logísticas, indicadores logísticos, seguridad de la cadena logística y Modelo de Referencia de las Operaciones de la Cadena de Suministro.Como resultado, en este trabajo se logró estructurar una unidad de conocimiento en la que se describen los diferentes procesos inherentes a la cadena de suministro que permite entender las interrelaciones que se presentan entre ellos. Así mismo se estableció la importancia de la administración de la cadena de suministro y las medidas de rendimiento para valorar la gestión logística y el desarrollo de estrategias de diferenciación con respecto a sus competidores.

Objetivo: Revisar que aprendizaje automático está transformando la forma que las grandes empresas desarrollan las relaciones con sus clientes, diseñan sus productos y gestionan los recursos humanos. Lo anterior como resultado de una transformación digital que consecuentemente generará ventajas competitivas para aquellas empresas que rápidamente puedan adaptar sus estrategias de negocios a los últimos desarrollos tecnológicos. Sin embargo, está demostrado que las PYMES acogen lentamente las innovaciones tecnológicas, asumiendo de esta forma un riesgo de perder las oportunidades que el Aprendizaje Automático les ofrece. Resultados y Conclusiones: Se identificaron y describieron las oportunidades que el Aprendizaje Automático ofrece a las PYMES, relacionando las dimensiones de negocio y tecnología. En primer lugar, se desarrolla una revisión de literatura. Después, se describe en detalle las diferentes perspectivas en las cuales la adopción de un proceso de toma de decisiones mejorado conlleva a un mejoramiento del desempeño organizacional. Finalmente se dan recomendaciones para el desarrollo de procesos de toma decisiones basados en Aprendizaje Automático.

Background: Growing disparities in development, governance, and logistics performance across countries pose challenges for global policymaking and Sustainable Development Goal (SDG) monitoring. This study proposes a classification of 137 countries based on multiple structural dimensions. The dataset for 2023 includes six components of the Logistics Performance Index (LPI), six dimensions of the Worldwide Governance Indicators (WGIs), and four proxies of the Human Development Index (HDI). Methods: The Uniform Manifold Approximation and Projection (UMAP) technique was used to reduce dimensionality and allow for meaningful clustering. Based on the reduced space, the K-means algorithm was employed to group countries with similar development characteristics. Results: The classification process allowed the identification of three distinct groups of countries, supported by a Hopkins statistic of 0.984 and an explained variance ratio of 87.3%. These groups exhibit structural differences in the quality of governance, logistics capacity, and social development conditions. Internal consistency checks and multivariate statistical analyses (ANOVA and MANOVA) confirmed the robustness and statistical significance of the clustering. Conclusions: The resulting classification offers a practical analytical tool for policymakers to design differentiated strategies aligned with national contexts. Furthermore, it provides a data-driven approach for comparative monitoring of the SDGs from an integrated and empirical perspective.