Page 156 - FUNCIÓN Y SENTIDO DE LA INVESTIGACIÓN

En la indagación de Kumari y Godara (2011) se trabaja con técnicas de clasificación
de minería de datos del clasificador RIPPER, árbol de decisiones, redes neuronales ar-
tificiales (ANN) y máquina de vectores de soporte (SVM) para analizar un conjunto de
datos de enfermedades cardiovasculares. El rendimiento de estas técnicas se compara
a través de la sensibilidad, la especificidad, la precisión, la tasa de error, la tasa de verdad
positiva y la tasa de falsos positivos.

En el trabajo de Swan (2013) se hace un análisis de la tendencia contemporánea Y SENTIDO DE LA INVESTIGACIÓN
clave que está surgiendo en la ciencia de big data: el yo cuantificado (QS), es decir, indi-
viduos involucrados en el seguimiento automático de cualquier tipo de información bio-
lógica, física, de °sww”comportamiento o ambiental con individuo o en grupos. El autor
de este estudio muestra que hay oportunidades para que los científicos de big data de-
sarrollen nuevos modelos para admitir la recopilación, integración y análisis de datos de
QS, así como para liderar la definición de recursos de bases de datos de acceso abierto
FUNCIÓN
y estándares de privacidad sobre cómo se utilizan los datos personales.

Por otra parte, en cuanto a la aplicación de la data science en la cadena de suministro se pueden
mencionar los siguientes trabajos:

En la publicación de Addo-Tenkorang y Helo (2016) se profundiza en el big data,
su aplicación y análisis en operaciones o gestión de la cadena de suministro, así como
en las tendencias y perspectivas en dicha área de investigación. Los autores presentan
una revisión literaria en la que detallan los principales temas del big data y su extensión 155
al big data II, es decir, perspectivas de valor agregado al proponer un marco de valor
agregado. Para este trabajo se empleó el software Harzing Publish o Perish, el cual sirvió
para analizar críticamente las tendencias y perspectivas de las aplicaciones de big data
entre 2010 y 2015.

En el trabajo de Hazen, Boone, Ezell y Jones-Farmer (2014) se presenta el proble-
ma de la calidad de los datos en el contexto de la gestión de la cadena de suministro
(SCM), para lo cual los autores proponen métodos que permiten monitorear y controlar
la calidad de los datos. Además de abogar por la importancia de abordar la calidad de
los datos en la investigación y la práctica de la cadena de suministro, también destacan
temas de investigación interdisciplinarios basados en la teoría complementaria.

El trabajo de Stefanovic (2014) ofrece un modelo predictivo de gestión del rendimiento
de la cadena de suministro que combina el modelado de procesos, la medición del ren-
dimiento, los modelos de minería de datos y las tecnologías de portal web en un modelo
único. Se trata de un enfoque de la cadena de suministro basado en un método especia-
lizado del método que permite modificar la configuración de la cadena de suministro en
diferentes niveles de detalles. La investigación también presenta el modelo semántico de
inteligencia empresarial de la cadena de suministro que resume las fuentes de datos, así