Modelo de analítica de datos para la optimización de flujos de trabajo en consultoría ambiental para INGISOT SAS

Abstract

La presente tesis propone un modelo de analítica de datos orientado a la optimización de los flujos de trabajo en la consultoría ambiental desarrollada por INGISOT SAS. El estudio se fundamenta en el mapeo de procesos internos de las principales líneas de servicio consultoría ambiental, catastro, recursos hídricos, ordenamiento territorial y sistemas de información geográfica con el fin de identificar redundancias, cuellos de botella y oportunidades de mejora. El modelo integra metodologías de ciencia de datos como CRISP-DM, SEMMA, TDSP y OSEMN, junto con enfoques ágiles de gestión (Scrum y Kanban), estructurando un ciclo iterativo de mejora continua que articula tres niveles analíticos: descriptivo, predictivo y prescriptivo. Asimismo, plantea el uso potencial de herramientas de código abierto (Python, R, Power BI, PostgreSQL/PostGIS, MLflow y Docker) como soporte para la toma de decisiones y la automatización de procesos. El resultado es una propuesta integral que fortalece la trazabilidad de la información, la interoperabilidad entre áreas y la capacidad institucional para gestionar datos de manera estructurada. Se formulan tres fases de implementación preparación, integración-validación y optimización-escalamiento que orientan la adopción tecnológica y la sostenibilidad del modelo en la organización.

This thesis proposes a data analytics model aimed at optimizing workflow processes within the environmental consulting activities carried out by INGISOT SAS. The study is based on the mapping of internal processes across the main lines of service —environmental consulting, cadastre, water resources, territorial planning, geology, and geographic information systems— in order to identify redundancies, bottlenecks, and opportunities for improvement. The model integrates well-established data science methodologies such as CRISP-DM, SEMMA, TDSP, and OSEMN, together with agile management approaches (Scrum and Kanban), structuring an iterative cycle of continuous improvement that encompasses three analytical levels: descriptive, predictive, and prescriptive. It also proposes the potential use of open-source tools (Python, R, Power BI, PostgreSQL/PostGIS, MLflow, and Docker) to support decision-making and the progressive automation of processes. The result is a comprehensive proposal that strengthens information traceability, enhances interoperability between organizational areas, and consolidates institutional capacity for structured data management. Three implementation phases —preparation, integration and validation, and optimization and scaling— are outlined to guide technological adoption and ensure the model’s sustainability within the organization.