Plataforma-para-la-gestiAn-del-conocimiento-y-anAílisis-de-informaciAn-para-la-definiciAn-de-nuevos-proyectos-

Vista previa del material en texto

pág. 1 
 
Instituto Tecnológico y de Estudios Superiores de Monterrey 
 
 
Campus Monterrey 
 
Escuela de Ingeniería y Ciencias 
 
 
Plataforma para la gestión del conocimiento y análisis de información para la 
definición de nuevos proyectos 
 
Reporte presentado por 
 
Abileth Muñoz Murillo 
 
 
 
MAESTRÍA EN GESTIÓN DE INGENIERÍA 
 
 
 
 
 
Monterrey Nuevo León, 30 marzo de 2022. 
 
 pág. 2 
 
Instituto Tecnológico y de Estudios Superiores de Monterrey 
Escuela de Ingeniería y Ciencias 
 
Los miembros del comité aquí citados certificamos que hemos leído el reporte 
presentado por Abileth Muñoz Murillo y consideramos que es adecuado en alcance y 
calidad como un requisito parcial para obtener el grado de Maestro en Ingeniería en 
Gestión de la Ingeniería, 
_______________________ 
Dr. Alberto Abelardo Hernández Luna 
Tecnológico de Monterrey 
Escuela de Ingeniería y Ciencias 
Asesor principal 
 
 
_______________________ 
MC. Paula Luciana Pascual 
Tecnológico de Monterrey 
Sinodal 
 
_______________________ 
MC. Eduardo García Cantú 
Universidad Autónoma de Nuevo León 
Co Asesor-Patrocinador PIE 
 
_______________________ 
Dra. Nancy Aceves Campos 
Director de la Maestría en Administración de la Ingeniería 
Escuela de Ingeniería y Ciencias 
 
Monterrey Nuevo León, 30 de marzo de 2022. 
 
 pág. 3 
 
Agradecimientos 
 
A mi esposa Natalia que siempre me apoyó desde el inicio de esta aventura, quien 
tuvo la paciencia y motivación, a mi hijo Emilio que llegó y se convirtió en el motor 
principal para culminar esta etapa y más, a mi madre que es la mujer que más admiro, 
a mi padre a quien recuerdo con su orgullo de verme crecer día a día, y a mis queridos 
hermanos. 
Al doctor Alberto Hernández Luna por su apoyo y guía y a Eduardo García, por tener 
siempre una enseñanza, por sus consejos y honesto apoyo en el desarrollo de este 
proyecto. 
 
 
 
 
 pág. 4 
 
ABSTRACTO 
 
Tradicionalmente, la gestión de proyectos en el área de la siderurgia ha sido eje 
central en el desarrollo de proyectos exitosos a nivel global, que han permitido 
abastecer el crecimiento consumo per cápita de acero. 
La gestión del conocimiento en grandes proyectos de inversión ha jugado un papel 
fundamental en la administración del conocimiento generado al interior de los 
proyectos y en el aprovechamiento y re-uso de la información. 
 En los últimos años, los avances en análisis de datos, inteligencia artificial y de 
negocio, han permitido generar alternativas, metodologías y desarrollos en el área de 
la gestión de proyectos y de conocimiento para generar mayor valor al mercado. 
Este Proyecto está enfocado al uso de las tecnologías de análisis de datos en la 
gestión del conocimiento con el objetivo de apoyar en la definición de nuevos 
proyectos, generar herramientas digitales de captura, almacenamiento y análisis de 
datos de proyectos. 
 
 pág. 5 
 
 
CONTENIDO 
 
 
CAPÍTULO I: Introducción Planteamiento General .................................................. 10 
1.1 Información General de la compañía .......................................................... 10 
1.2 Problemática y su historia ........................................................................... 10 
1.3 Mapa Conceptual ........................................................................................ 12 
1.3.1 Definición de Metas .............................................................................. 12 
1.3.2 Obstáculos ............................................................................................ 13 
1.3.3 Descripción y delimitación del Problema .............................................. 13 
1.3.4 Área de Oportunidad ............................................................................ 14 
1.3.5 Contribuciones esperadas .................................................................... 14 
1.3.6 Visión Macro-Futura (Big Picture) ......................................................... 14 
1.3.7 Visión corto plazo-Foco ........................................................................ 15 
1.4 Objetivo General y específico ..................................................................... 15 
1.4.1 General ................................................................................................. 15 
1.4.2 Específicos ........................................................................................... 15 
1.5 Metodología ................................................................................................ 16 
1.5.1 Caso estudio: ........................................................................................ 16 
1.5.2 Investigación ......................................................................................... 16 
1.5.3 Desarrollo ............................................................................................. 16 
1.6 Cronograma ................................................................................................ 17 
1.7 Caso de estudio Proyecto: Horno de curado línea Pintado Pesquería ....... 17 
1.7.1 Hornos de Curado y Sistema de Ductos............................................... 19 
1.7.2 Diseño de Ducteria y juntas expansión................................................. 20 
1.7.3 Falla del Sistema .................................................................................. 21 
1.7.4 Análisis de Causas Principales ............................................................. 21 
1.7.5 Principales causas: ............................................................................... 22 
1.7.6 Impacto Económico .............................................................................. 25 
1.7.7 Solución Etapa 1 .................................................................................. 25 
1.7.8 Solución Etapa 2 .................................................................................. 26 
1.8 ¿Como pudo prevenir esta situación “La gestión del conocimiento”? ......... 28 
1.8.1 Conocimientos específicos ................................................................... 28 
1.9 Conclusiones: .............................................................................................. 29 
CAPITULO II: ESTADO DEL ARTE ......................................................................... 30 
 pág. 6 
 
2.1 Gestión del Conocimiento ........................................................................... 30 
2.2 Big data y knowledge management ............................................................ 31 
2.3 Plataformas tecnológicas Tradicionales ...................................................... 32 
2.3.1 Siemens Knowledge Sharing system ................................................... 32 
2.4 Inteligencia artificial y Gestión del Conocimiento ........................................ 36 
2.5 Plataformas soportadas en AI: Watson, Lucy, Egnyte, KnowledgeHound .. 38 
2.5.1 Lucy@: ................................................................................................. 39 
2.5.2 KnowledgeHound ................................................................................. 40 
2.6 Conclusiones y lecciones ............................................................................ 41 
CAPÍTULO III: Desarrollo Plataforma ....................................................................... 42 
3.1 Definición de Herramientas Tecnológicas ................................................... 42 
3.1.1 Plataforma Appsheet ............................................................................ 44 
3.1.2 Power BI ............................................................................................... 44 
3.2 Identificación de información generada: ...................................................... 44 
3.2.1 información general de Proyecto .......................................................... 44 
3.2.2información de ejecución ...................................................................... 45 
3.2.3 Registro de Gestión de Cambios .......................................................... 45 
3.2.4 Base de datos de proyectos ................................................................. 45 
3.3 Criterios y Características de la información ............................................... 46 
3.3.1 Valor agregado: .................................................................................... 46 
3.3.2 Cuantificable/Seguible/medible/gestionable: ........................................ 46 
3.4 Proceso de diseño ...................................................................................... 47 
3.4.1 Desarrollo de aplicación en AppSheet .................................................. 47 
3.4.2 Avance de Obra en AppSheet .............................................................. 52 
3.4.3 Gestión de Cambios ............................................................................. 53 
3.4.4 Base de datos de Proyectos ................................................................. 54 
3.5 Depuración y fase de pruebas de la aplicación. .......................................... 56 
3.6 Bussines Intelligence: Power BI .................................................................. 56 
3.6.1 Avanzados IA: ...................................................................................... 61 
3.7 Pruebas ....................................................................................................... 62 
3.8 Conclusiones Capitulo 3 ............................................................................. 62 
CAPITULO IV: Aplicación y Análisis de resultados. ................................................. 64 
4.1 Estimación Presupuestal Proyectos Industriales......................................... 64 
4.1.1 Caso uso de aplicación para proyecto Ternium .................................... 64 
4.2 Proyecto de Referencia ............................................................................... 66 
 pág. 7 
 
4.2.1 Otros Datos del Proyecto: ..................................................................... 67 
4.2.2 Estimación de Horas Hombres ............................................................. 69 
4.2.3 Rendimiento ......................................................................................... 69 
4.2.4 Métricas de Volumetría ......................................................................... 71 
4.3 Presupuestación Final para Proyecto ......................................................... 72 
4.4 Gestión de cambios .................................................................................... 74 
CAPITULO 5: Conclusiones ..................................................................................... 77 
5.1 Plataformas Tecnológicas ........................................................................... 77 
5.1.1 AppSheet .............................................................................................. 77 
5.1.2 Power BI ............................................................................................... 78 
5.1.3 Gestión del Conocimiento ..................................................................... 78 
5.1.4 Datos obtenidos .................................................................................... 79 
5.1.5 Línea de Investigación .......................................................................... 79 
Bibliografía ............................................................................................................... 80 
 
 
 
 
LISTADO DE FIGURAS 
 
Figura 1. Programa de Trabajo ............................................................................ 17 
Figura 2. Instalación Típica Horno de Curado ..................................................... 20 
Figura 3. Partes Principales de sección Horno .................................................... 20 
Figura 4. Diagrama de Pareto Causas Retrasos en Proyectos (Rudeli, Viles, 
Gonzalez, & Santilli, 2018) ....................................................................................... 22 
Figura 5. Arreglo general de Soportería .............................................................. 23 
Figura 6. Soportes originales Ductos ................................................................... 23 
Figura 7. Detalles diseño juntas de expansión originales .................................... 24 
Figura 8. Hallazgos de mala alineación de Juntas............................................... 24 
Figura 9. Diseño nuevas juntas de expansión tipo fuelle metálico ...................... 26 
Figura 10. Modelo 3D del nuevo Sistema Ductos .................................................. 27 
Figura 11. Arquitectura sistema Siemnes Sharing system .................................... 33 
Figura 12. Relación beneficio/costo de ShareNet (Voelpel, Dous, & Davenport, 
2005, pág. 18) .......................................................................................................... 35 
Figura 13. Los Humanos y los sistemas cognitivos son complementarios (IBM, 2017)
 37 
 pág. 8 
 
Figura 14. Crecimiento en la generación de información en últimos años (Gliozzo, 
y otros, 2017, pág. 42) ............................................................................................. 38 
Figura 15. Inteligencia Artificial simple y avanzada (Lahman & Stierli) .................. 39 
Figura 16. Pilares fundamentales de @Lucy ......................................................... 40 
Figura 17. Ubicación de Almacenamiento de datos en Google Drive .................... 48 
Figura 18. Hoja de Trabajo base para aplicación “ Avance de Obra y tipo de 
variables. 49 
Figura 19. Hoja de Trabajo base para aplicación “ Gestion de Cambio” y tipo de 
variables. 50 
Figura 20. Panel herramientas de Appsheet ......................................................... 51 
Figura 21. Portada de Aplicación Proyecto Ternium Appsheet. ............................ 52 
Figura 22. Ejemplo de Registro de Actividad en “Avance de Obra”. .................... 53 
Figura 23. Ejemplo de Registro de Actividad en “Avance de Obra”. .................... 54 
Figura 24. Seccion de Base de datos de proyectos en Appsheet ......................... 55 
Figura 25. Dashboard Base de datos en Power BI ................................................ 56 
Figura 26. Transformacion de Datos en Power BI ................................................. 57 
Figura 27. Dashboard de gestión y análisis para los datos de Avance de Obra. ... 58 
Figura 28. Dashboard Base de datos Proyectos ................................................... 59 
Figura 29. Gestión de Cambios ............................................................................. 59 
Figura 30. Dashboard Influenciadores Clave por Proyecto que maximizan o 
minimizan la variable de obra “Rendimiento” .......................................................... 60 
Figura 31. Árbol descomposición de variables ...................................................... 60 
Figura 32. Respuestas automáticas en Power BI .................................................. 62 
Figura 33. Condición actual Ductos Horno Fuchs ................................................. 65 
Figura 34. Resultado aparición criterios búsqueda base de datos ........................ 66 
Figura 35. KPIS de Base de datos Proyectos ........................................................ 67 
Figura 36. HH Total del proyecto Explicado Factores Principales ......................... 68 
Figura 37. Análisis de HORAS HOMBRE TOTALES ............................................. 69 
Figura 38. Resultados en Dashboard con indicación de rendimiento en diferentes 
alternativas de seleccion .......................................................................................... 70 
Figura 39. Dashboard de Volumetría para Proyectos............................................ 71 
Figura 40. Cantidades de obra de montaje ............................................................ 72 
Figura 41. Flujo de Inversion ................................................................................. 73 
Figura 42. Escaneo 3D de la configuración actual de ductos para realizar análisis 
de flexibilidad 74 
Figura 43. Project Charter final presentado a Dirección para aprobación ............. 75 
 pág. 9 
 
 
LISTADO DE TABLAS 
 
Tabla 1. Impacto económico (MMUSD) ................................................................. 11 
Tabla 2. Mapa conceptual...................................................................................... 13 
Tabla 3. Listado de Obstáculos .......................................................................... 13 
Tabla 4. Capacidad y presupuesto ........................................................................ 18 
Tabla 5. Presupuesto Línea de Pintado ................................................................. 18 
Tabla 6. Parámetros de Diseño ............................................................................. 19 
Tabla 7. Impacto económico (kusd) por afectación en Ductos .............................. 25 
Tabla 8. Parámetros de diseño de nuevas juntas .................................................. 27 
Tabla 9. Esquema de presupuestación proyectos ................................................. 64 
Tabla 10. Resultado de rendimiento para estructura y montaje mecánico en 
proyecto Nuevos Ductos CCL .................................................................................. 70 
Tabla 11. Presupuesto final emitido ..................................................................... 73 
Tabla 12. Métricas Finales Proyecto .................................................................... 73 
Tabla 13. Tiempo estimado estandar en Ternium para definir proyectos ............. 76 
Tabla 14. Nuevo tiempo estimado en estimacion ................................................. 76 
 
 pág. 10 
 
CAPÍTULO I: Introducción Planteamiento General 
 
1.1 Información General de la compañía 
Ternium es una empresa líder en la industria del acero en México y América Latina 
que tiene procesos productivos altamente integrados y modernos que fortalecen la 
cadena de valor. Sus actividades abarcan desde la extracción de mineral de hierro, 
en minas propias, siguiendo con la fabricación de acero y la elaboración de productos 
de alto valor agregado para los mercados más exigentes, concluyendo con la 
distribución. El enfoque principal de Ternium es producir el más alto estándar en 
productos siderúrgicos a través de instalaciones modernas integradas en un complejo 
productivo que cumple con todas las regulaciones ambientales, crear una cadena de 
valor con los clientes, proveedores y las comunidades donde opera; estos son los 
valores que identifican a Ternium. 
1.2 Problemática y su historia 
El presente estudio se aborda en el contexto de un área de proyectos de inversión de 
una empresa líder en Latinoamérica en la producción de Acero en Latinoamérica 
Esta empresa se ha caracterizado por un alto nivel de inversiones que abarcan desde 
la modernización de sus plantas (reducción gap tecnológico), inversiones por temas 
de regulación Medio Ambiental y Seguridad. Por otro lado, hay otro tipo de proyectos 
que se denominan Green Field y hace parte de la estrategia de la compañía de crear 
un nuevo centro industrial integrado con la más alta tecnología y certificaciones a nivel 
medioambiental y seguridad, estos proyectos se caracterizan por ser de alto 
presupuesto (>250 mmUSD) y alta complejidad, con tiempos de ejecución desafiantes 
que requieren estrategias agresivas de definición, adquisición, implementación y 
puesta en marcha. 
Básicamente los proyectos de se dividen en: 
1. Proyectos informáticos gestionados por IT 
2. Proyectos de mejora continua con un presupuesto inferior a 30kUS, 
gestionados por Mantenimiento y el área Operativa. 
3. Proyectos CAPEX gestionados por el Departamento de Ingeniería y Medio 
Ambiente (DIMA) 
En la última categoría es donde se centra el presente proyecto. Los proyectos de 
DIMA están divididos en 2 categorías: GreenField y Brownfield (GF/BF). Según 
(Verdu, 2018) se denomina Greenfield a aquellos proyectos que se realizan sobre un 
área en la que no existen construcciones, de tal forma que no es necesario demoler, 
remodelar, mantener o adaptar estructuras para el desarrollo del nuevo proyecto. Por 
el contrario, y deductivamente, proyectos Brownfield son aquellos en donde se deben 
realizar adaptaciones, modificaciones, actualizaciones, mejoras a las condiciones 
existentes. 
 pág. 11 
 
El área de proyectos de la compañía se caracteriza por contar con un equipo de 
trabajo multicultural (6 países) que suman más de 40 años de experiencia en la 
ejecución de proyectos siderúrgicos para empresas del grupo Techint, combinando la 
vasta experiencia del personal sénior con el ímpetu de las nuevas generaciones, se 
han realizado macroproyectos símbolo no solo del grupo sino a nivel país e 
impactando positivamente a la sociedad. 
 Pese a esta gran experiencia acumulada, se han presentado casos de proyectos con 
desvíos negativos en los presupuestos, retrasos en las fechas de entrega, y 
problemas de índole técnica que ralentizan la puesta en marcha de los equipos, 
generando impactos en la curva de arranque y los niveles de producción 
comprometidos. 
Sin embargo, siempre hay oportunidad de mejora, y sin duda una característica que 
se ha repetido continuamente en los diversos proyectos (BF/GF) ha sido el sobrecosto 
en el presupuesto general de los proyectos, retrasos en la ejecución y una curva de 
arranque más lentas de lo esperado que han llevado no generar los niveles de 
producción en los tiempos comprometidos, generando inconformidades con los 
clientes internos y a nivel organizacional. 
Para contextualizar la problemática descrita a continuación se muestra un análisis de 
impacto técnico económico de un evento del último proyecto de la compañía: 
Proyecto: Greenfield Pesquería 
Budget 120 
Fecha comprometida de arranque Jun-19 
Fecha Puesta en marcha real Sep-19 
 
Impacto económico 0.79 
reparaciones etapa 1 0.07 
reparaciones etapa 2 0.01 
reparaciones etapa 3 0.01 
Cambio total 0.4 
Costo oportunidad Línea parada 0.3 
Tabla 1. Impacto económico (MMUSD) 
 
Como se observa en la tabla 1, el impacto económico en tan solo 1 evento representó 
casi el 1% del presupuesto total asignado; adicional al costo de oportunidad de tener 
la línea sin trabajar para continuar con la curva de arranque, se generó una afectación 
a la reputación de la compañía para con sus clientes, al incumplir en obligaciones 
comerciales. 
Luego ahondaremos en los detalles de este caso de estudio, pero en resumen es la 
conclusión de una serie de errores cometidos en varias etapas del proyecto, que sin 
duda se pudieron haber evitado con una gestión del conocimiento desde la parte de 
diseño, en la validación de equipos similares ya operativos en otras líneas de 
producción similares, en realizar validaciones cruzadas con otras áreas manager, en 
Tabla .Impacto Económico 
 pág. 12 
 
la sensibilidad del criticismo del tipo de equipo y la experiencia que se requería para 
su gestión ( conocimiento tácito). 
Este es tan solo uno (el de mayor impacto económico) de muchos eventos que 
pudieron ser, sino evitados, mitigados, al contar con información histórica, knowledge 
sharing, transferencia de conocimiento, que permitieran haber realizado un análisis 
más completo antes de aprobar el diseño/fabricación. 
 
1.3 Mapa Conceptual 
1.3.1 Definición de Metas 
Desde el área de proyectos se deben generar esfuerzos que permitan apalancar la 
misión global de la compañía. Desde el presente proyecto la misión y estrategias que 
se alineancon el plan de crecimiento de la compañía son: 
MISS
ION 
FINANCES (KFI) 
Componentes KFI Base Entitlement 
Go
al 
Stretch 
Goal 
Generar proyectos que ayuden a 
posicionarse y Ratificarse como 
líder en Latinoamérica en la 
producción de aceros planos, 
ampliando su market share 
%market 
share 
65% 75% 72.00% 
Capitalizar las oportunidades del 
nuevo contexto mundial y la 
aplicabilidad de nuevas tecnologías 
que nos permitan realizar proyectos 
en tiempo, en presupuesto, calidad 
esperada 
% EBITDA 15.00% 19.00% 
20
% 
19% 
CUSTOMER (CTQ) 
Components CTQ 
Baselin
e 
Entitlement 
Go
al 
Stretch 
Goal 
Extender su plataforma tecnológica 
al alcance de sus clientes internos 
para potenciar su crecimiento y 
mejorar su eficiencia 
Cantidad 
clientes 
involucrados 
50% 75 
 10
0 
100 
STR
ATE
GY 
 INTERNAL BUSINESS PROCESSES (KPI) 
Components KPI Base Entitlement 
Go
al 
Stretch 
Goal 
Integrar su base tecnológica en una 
plataforma unificada que permitía 
lograr la gestión del área en tiempo 
real 
Revisiones 
anuales de 
Estrategia 
TD 
1 2 3 
 pág. 13 
 
Base de información y 
conocimiento de proyectos para la 
predicción de futuros proyectos 
SMART 
feasibility 
50% 50% 
100
% 
100% 
LEARNING & GROWTH (L&G) 
 L&G 
Baselin
e 
Entitlement 
Go
al 
Stretch 
Goal 
Extender modelo a Áreas manager 
proyectos. 
%cobertura 
proyectos. 
0% 0% 
30
% 
20% 
Tabla 2. Mapa conceptual 
 
1.3.2 Obstáculos 
 Como todo proceso de cambio siempre generara resistencia a su implementación, 
se determinan cuáles podrían ser los futuros obstáculos al proyecto y su 
implementación, y se deberán crear estrategias para su resolución: 
LEARNING & GROWTH (L&G) 
 
IMPLEMENTACIÓN MODELO DE GESTION DE 
INFORMACION Y CONOCIMIENTO 
P1 
Resistencia cambio organización específico de la Directiva 
Proyectos 
P2 
Incertidumbre en continuidad de proyectos por panorama 
económico Mundial 
P3 
No hay cultura Knowledge management de los proyectos/ es 
reactivo por proyecto. No hay análisis de data histórica para 
predicciones futuras 
P4 Difícil integración plataforma con AMI/AMN/AMS 
Tabla 3. Listado de Obstáculos 
 
1.3.3 Descripción y delimitación del Problema 
Albert Einstein solía decirles a sus alumnos que si él tuviera una hora para resolver el 
problema del mundo utilizaría 55 minutos en analizar el problema para llegar a un 
diagnóstico certero, y una vez conociendo las causas, tardaría 5 minutos en encontrar 
una solución (Mena, 2016); de aquí la importancia en la etapa de definición de la 
problemática, para encontrar la causa raíz de la problemática principal que mayor 
impacto tiene en el performance de la operación. 
 pág. 14 
 
En la descripción de la problemática utilizando la metodología de Kepner and Tregoe, 
y utilizando un enfoque de Propuesta de valor, se definió el siguiente reto: 
“Sobrecosto y retrasos en proyectos por retrabajos en las diferentes fases y procesos 
de los proyectos (análisis de factibilidad de futuros proyectos, ingeniería, planeación, 
construcción, puesta en marcha y curva arranque), llevando a excederse la línea base 
de los máximos permisibles en las siguientes métricas”: 
1. Tiempo desvío promedio 3 meses en proyectos duración> 18 meses (16.7%) 
y el deber ser, máximo permisible = 10% . 
2. Presupuesto = 10% over Budget siendo el máximo permisible 5%. 
 
1.3.4 Área de Oportunidad 
Se prevé un panorama de crecimiento y reactivación económica, en el marco 
siderúrgico, pese de los acontecimientos actuales enmarcados por una 
desaceleración económica mundial que predominó el 2020; los eventos vividos en 
2020 y 2021 marcaron la hoja de ruta para muchas empresas en las cuales la 
digitalización de sus procesos y el uso de nuevas tecnologías en los campos de 
ciencia de datos e inteligencia artificial, serán factor clave para la consolidación como 
lideres globales. 
Sin duda será clave la implementación de modelos de gestión de respuesta ágil, 
rápida y flexible que se adapten a las circunstancias cambiantes. Es bajo este entorno 
donde se presentan grandes oportunidades para innovar en el área de la gestión de 
proyectos donde será vital tener herramientas que nos permitan visualizar el futuro y 
prever acontecimientos que puedan afectar los proyectos de inversión, y es aquí 
donde es vital contar con un sistema con bases de conocimiento históricas de 
proyectos que permitan modelar con el menor error posible las futuras inversiones. 
1.3.5 Contribuciones esperadas 
Se espera poder generar contribuciones en la gestión de proyectos a través de la 
implementación de herramientas digitales y tecnologías disruptivas, que ayuden a la 
definición y madurez de los proyectos, reducir los tiempos de ejecución y costos, a 
través de la documentación y análisis de los datos históricos de los proyectos. 
El desarrollo de este proyecto tendrá un impacto en el corto plazo manera de modelo 
experimental, pero se espera poder replicar esta metodología a mayor escala y que 
sea la base de un área de estudios de factibilidad de proyectos: 
1.3.6 Visión Macro-Futura (Big Picture) 
Una visión futura a gran escala posterior a este proyecto es poder generar un modelo 
de Inteligencia Artificial que realice análisis de factibilidad técnica y financiera de un 
proyecto basado en los datos históricos de los proyectos de una compañía, generar 
estimaciones con un nivel de certidumbre lo suficiente como para minimizar 
 pág. 15 
 
sobrecostos, analizar el comportamiento del proyecto y predecir probabilidades de 
falla o de retrasos y realizar los ajustes necesarios; todo esto utilizando los datos 
históricos generados por los proyectos, los cuales hoy se quedan en correos, papel, 
discos locales (explicito) y en el cerebro de los ejecutores de los proyectos ( tácito) 
Pero como todo sistema estadístico o de ciencia de datos, la calidad de los outputs 
(Y, predicciones) depende de la calidad de los inputs (X), y es aquí en donde se deben 
empezar a sentar las bases de la calidad y el modelo de gestión del conocimiento e 
información histórica de los proyectos ejecutados. 
 
1.3.7 Visión corto plazo-Foco 
En el corto plazo, se espera poder implementar un proyecto piloto donde se pueda 
empezar a usar la metodología acá descrita y lo más importante empezar a crear los 
hábitos de la importancia de contar con las bases de conocimiento e historia de los 
proyectos (conocimientos, experiencias) y como usando tecnologías de manejo de 
datos se puede hacer trabajar esta información para la gestión de los proyectos y no 
al contrario, invertir el tiempo empezando cada proyecto, cada tarea, cada definición 
como si fuera la primera. 
Se espera que la forma y calidad de la información que se pueda obtener pueda servir 
para modelar, predecir y evaluar la factibilidad de futuros proyectos con un alto nivel 
de certidumbre, y disminuir las problemáticas actuales descritas en este documento. 
Se espera poder sentar las bases para crear un futuro grupo de evaluación de 
factibilidades de proyectos que sea responsable de integrar toda la información 
histórica existente del conocimiento de la compañía, y con las nuevas tecnologías 
para formular proyectos exitosos en el menor tiempo posible. 
 
1.4 Objetivo General y específico 
1.4.1 General 
Reducir sobrecostos, retrasos y retrabajos en proyectos de inversión, donde el 
sobrecosto final estimado (Kusd -% costo final) sea máximo 5% del presupuesto final 
(actual 10%) y un Retraso en cronograma máximo de 1 mes en proyectos de más de 
18 meses de duración (actual 3 meses), obteniendo un beneficio anual de 200kUSD. 
1.4.2 Específicos 
Crear una herramienta digital que permita capturar, almacenar y analizar datos de 
gestión de proyectos, lecciones aprendidas, y demás información de proyectos, 
integrando software y técnicas de análisis de datos e inteligencia artificial, tales como 
de Power BI, Appsheet; enfocadas en el pilarde Reutilizar el conocimiento (Reusable 
Knowledge) en pro de la gestión del conocimiento de la organización. 
 pág. 16 
 
1.5 Metodología 
1.5.1 Caso estudio: 
En este caso de estudio se pretende documentar una serie de problemas surgidos 
durante la ejecución de un importante proyecto estratégico para la compañía, muchos 
de los cuales pudieron ser evitados en su mayoría, mediante una correcta gestión del 
conocimiento generado por los proyectos históricos. 
1.5.2 Investigación 
● Investigación estado del arte de nuevos sistemas de gestión del conocimiento 
en industrias de la construcción y/o similares y como las nuevas tecnologías 
han impactado. 
● Estado del arte de tecnologías de inteligencia artificial aplicadas en gestión de 
conocimiento en el mundo 
1.5.3 Desarrollo 
● Desarrollo de aplicativo digital para registro y captura de datos de proyecto 
● Desarrollo de Dashboard de análisis de datos 
● Lanzamiento de aplicación 
● Pruebas de captura y análisis 
● Análisis de Resultados 
● Conclusiones 
 
 
 
 
 
 
 
 pág. 17 
 
1.6 Cronograma 
 
Figura 1. Programa de Trabajo 
 
Hasta este punto se planteó la identificación de la problemática actual en la compañía 
que se estudia y las oportunidades y potencial que existen en el uso e implementación 
de tecnologías como Análisis de datos en tiempo real, Bussines intelligence, 
Inteligencia artificial en la gestión del Conocimiento. 
En el próximo paso, se abordará un caso de estudio real, donde se describen una 
serie de situaciones ocurridas en un importante proyecto, su impacto económico y 
una serie de reflexiones de cómo pudo ser evitado/minimizado. 
 
1.7 Caso de estudio Proyecto: Horno de curado línea Pintado 
Pesquería 
 
Resumen Ejecutivo: 
En este capítulo se hace una revisión de una problemática de un proyecto de inversión 
real, donde se destacan las causas principales que generaron sobrecostos, retrasos 
en la entrega del proyecto, y se prevé que el uso de una plataforma de KM pudiera 
haber contribuido a un buen diseño desde el inicio. 
 
Palabras claves: Ingeniería Mecánica, estructuras, procesos, pintado, ductos. 
 
Durante los años 2017 a 2019 se desarrolló un proyecto en un centro Industrial de la 
compañía; este proyecto consistió en instalar una nueva línea de pintado continuo de 
bobinas de acero cuyo principal mercado es la industria línea blanca y construcción; 
se trata de aceros de alta especificación dirigidos a un mercado bastante exigente en 
temas de calidad por ser materiales de superficies expuestas. 
 pág. 18 
 
El proyecto consistía en un Greenfield, parte de un agresivo plan de inversión que 
consideraba otras líneas de producción como líneas de galvanizado, laminador en 
caliente, entre otras futuras. 
 
Capacidad (ton/year) 200000 
Presupuesto (Millón USD) 100 
 
Tabla 4. Capacidad y presupuesto 
 
Desglose general de presupuesto 
 
CONCEPTO Monto (MM USD) 
1-000 - Ingeniería 5.4 
2-000 - Provisiones LOCALES 30.8 
3-000 - Provisiones del EXTERIOR 32 
4-000 - Nacionalización, Impuestos y Fletes 2.1 
5-000 - Montajes y Servicios de Terceros 16.2 
6-000 - Asistencia y Puesta en Marcha 3.3 
7-000 - Alquileres, Viáticos, Permisos y Otros 0.8 
8-000 - Imprevistos 9.1 
9-000- Repuestos primera dotación 0.3 
TOTAL 100 
 
Tabla 5. Presupuesto Línea de Pintado 
 
El suministro de los equipos principales los realizó una importante compañía 
(llamaremos compañía “D”) con alto reconocimiento internacional en este tipo de 
líneas de producción y proceso. 
Una particularidad de este proyecto es que se contaba con equipos existente “nuevos” 
del año 2006 (parte de un proyecto de la época de la compañía IMSA, que nunca 
paso a la fase de instalación); estos equipos eran: 
 
● Horno de Curado y sistema de Ducteria 
● Incinerador 
● Pintadoras 
 pág. 19 
 
 
El proveedor “D” sería el encargado de integrar los equipos existentes, los cuales 
deberían ser sometidos a upgrade para llevarlo a condiciones de 2019, con sus 
nuevos suministros, para así garantizar una línea de la más alta tecnología y con alto 
nivel de automatización. 
 
1.7.1 Hornos de Curado y Sistema de Ductos 
 
Unos de los equipos principales de la línea de pintado son los Hornos de curado; 
consisten en 2 hornos de calentamiento indirecto de 50 m longitud cada uno que usan 
principalmente aire limpio precalentando en una fuente externa a 650°C para curar la 
pintura de la lámina; este aire por su requerimiento de limpieza es transportado a 
través de una ducteria de diámetro variable de material inoxidable; los ductos no 
pueden tener ningún tipo de recubrimiento de refractario o aislamiento al interior por 
el nivel de limpieza que se requiere para garantizar la calidad de la lámina pintada ( 
no material particulado): 
 
Tipo de Material Galvanized Steel 
Galvalume Steel 
Galvanneal Steel 
Cold Rolled Steel 
Ancho de material 610 a 1575 mm 
Espesor de material 0.2 a 1.52 mm 
Material base diseño 0.53 mm x 1220 mm x 122 m/min x 260°C 
PMT 
Carga de solvente diseño 200 l/hr Prime Oven max 
500 l/hr Finish Oven max 
700 l/hr Total max 
Tabla 6. Parámetros de Diseño 
 
 pág. 20 
 
 
Figura 2. Instalación Típica Horno de Curado 
 
Figura 3. Partes Principales de sección Horno 
 
1.7.2 Diseño de Ducteria y juntas expansión 
 
El método para conducir el aire de curado hacia la lámina es a través de conductos 
circulares y rectangulares que conducen aire a una temperatura máxima de 650°C; la 
ingeniería básica y detalle fue realizada por la compañía D basado en una ingeniería 
básica del fabricante del horno: 
Información de proceso: 
• Fluido: aire 
• Temperatura: 650 °C 
• Flujo de aire: 75000 Nm3/h 
 pág. 21 
 
• Presión estática: 1 psi 
 
Aunque nunca se recibieron los cálculos de flexibilidad del sistema; analizando los 
resultados obtenidos se pudo determinar que no fue realizado un análisis correcto del 
sistema descrito, puesto que no se consideraron los esfuerzos correctos ejercidos por 
la expansión de la ducteria. 
 
1.7.3 Falla del Sistema 
 
El 19 de septiembre del 2019 se realizó la primera prueba de pintado de la línea la 
cual requería probar el horno con temperaturas de proceso. Después de realizada la 
prueba se realizó recorrido de inspección de equipos y se evidenciaron los siguientes 
daños: 
● Juntas textiles de la línea de aire caliente quemadas por exposición directa de 
Aire Caliente a >500 ° C durante un tiempo de aproximadamente 2 horas. 
● Desalienación en ductos y soportería por dilatación térmica 
● Daño en Aislamiento de Ductería 
 
 
1.7.4 Análisis de Causas Principales 
 
Son muchos los factores que pueden generar impacto en los 3 criterios de éxito de 
todos los proyectos: Tiempo, costo, calidad. 
(Al Momani, 2000) menciona 7 causas principales de retrasos: (1) aspectos 
económicos, (2) aumento en el alcance de la obra, (3) cambios de proyecto durante 
la construcción, (4) condiciones generales del sitio, (5) diseño pobre, (6) errores 
constructivos y (7) tiempo y clima. 
Sin embargo, otros autores han profundizado y han involucrado otros factores: 
 
(Rudeli, Viles, Gonzalez, & Santilli, 2018) realizan un análisis cualitativo de los 
principales factores que generan retraso en los proyectos: 
 pág. 22 
 
 
Figura 4. Diagrama de Pareto Causas Retrasos en Proyectos (Rudeli, Viles, 
Gonzalez, & Santilli, 2018) 
Ninguna de las causas principales, al menos, hacen referencia explícita a la carencia 
de un sistema de gestión del conocimiento generado por cada proyecto, su historia, 
como causa principal de retrasos en proyectos. 
Para la empresa en particular sujeto de este estudio se realizó un relevamiento de los 
principales eventos que contribuyeron a generar un retraso en el tiempo de ejecución 
del proyecto, que generaron un sobrecosto, o que tuvieron una aceptación en la 
calidad de los entregables o bien que afectaron la producciónde la compañía: 
 
1.7.5 Principales causas: 
El conjunto ductería, soportería y juntas de expansión no fue correctamente diseñado 
ya que no se calculó correctamente la dilatación del sistema, dejando expuestos 
elementos más débiles que en este caso fueron las juntas de expansión. 
La soportería en su conjunto fue mal calculada, ya que no tenía definida los puntos 
fijos y deslizantes, claves para una correcta absorción de las dilataciones; el tipo de 
soportería fue estructura porticada, las cuales cedieron ante las cargas axiales 
generadas por la dilatación de la ducteria. 
 En la figura 5 se puede observar el arreglo general de la soportería, en la figura 6 se 
observa el tipo de soporte instalado y cómo se movieron ante la carga ejercida por la 
ductería. 
 pág. 23 
 
 
Figura 5. Arreglo general de Soportería 
Figura 6. Soportes originales Ductos 
 
1.7.5.1 Juntas de expansión de tipo textil 
Las juntas de expansión son, sin duda, un elemento clave en el sistema de ducteria, 
ya que permiten absorber las dilataciones causadas por los cambios de temperatura. 
Las juntas consideradas originalmente eran del tipo de fuelle textil, con una resistencia 
de 250° C, puesto que no estaba considerado en este tipo de diseño que el fuelle textil 
reciba directo el fluido de proceso; este tipo de junta es muy susceptible ante cualquier 
error en la alineación durante el montaje, o ante un incremento en la dilatación, 
pueden dejar el textil expuesto, tal como se sucedió en el evento. Este tipo de junta 
no se tenía ninguna referencia/experiencia previa de uso de este tipo de junta: 
 pág. 24 
 
 
 
 
 
 
 
 
 
 
Figura 7. Detalles diseño juntas de expansión originales 
1.7.5.2 Mala instalación de juntas de expansión 
Mala alineación, se instalaron algunas con cierto nivel de precarga; en la imagen 2.3 
en la izquierda se observa cómo después de quemarse la junta, se evidencia que los 
deflectores internos estaban mal instalados dejando expuesto el material textil a alta 
temperatura. 
 
 
 
 
 
 
 
 
 
Figura 8. Hallazgos de mala alineación de Juntas 
 
1.7.5.3 Materiales de las juntas expansión dañadas: 
Bridas y cono deflector: AISI 304 
Textil exterior: MSL 4 (4 capas de materiales textiles) 
 
 pág. 25 
 
1.7.5.4 Empaque para alta temperatura y tipo de brida 
El tipo de empaque para esta aplicación no fue correctamente diseñado y 
seleccionado, así como tampoco favoreció la dimensión de las bridas ya que por su 
pequeño tamaño dificulta la correcta instalación del empaque haciéndolo sensible a 
mala instalación 
Finalmente, tan solo 8 horas después de haber realizado el “First coil”, la línea tuvo 
que parar un mes para realizar las reparaciones requeridas para volver a realizar el 
arranque en caliente de la línea, lo que se conoce en este análisis de caso como 
“Etapa 1”. Posteriormente en el año 2020 se decide poner en marcha el plan de 
rediseño y cambio de todo el sistema de ductos, ya que instalación actual 
representaba un nivel de riesgo inadmisible y una línea muy poco confiable 
Durante la “Etapa 2” se realizó el análisis de la situación, rediseño del sistema, y 
fabricación de nuevos equipos para su instalación. 
1.7.6 Impacto Económico 
El impacto económico trascendió el alcance del proyecto y afectó la producción, así 
como planes y compromisos de la compañía con clientes con quienes tenía 
comprometidos esquemas de entregas de material. 
A continuación, un resumen del impacto económico en cada etapa tanto para el 
proyecto como para la línea de producción. 
 
 
Tabla 7. Impacto económico (kusd) por afectación en Ductos 
• El impacto económico total para el proyecto: 650 kusd 
• Costo de oportunidad (cero producciones): aprox 2580 kusd 
• Afectación en tiempo (retraso en el arranque del proyecto): 1 mes 
• Tiempo afectación a la Línea de producción: 1 mes 
 
1.7.7 Solución Etapa 1 
Durante la etapa 1 se cambiaron en su totalidad las juntas flexibles por el nuevo 
modelo descrito en la figura 9, se reforzó la soportería existente y se adicionaron 
algunas nuevas en puntos estratégicos, también se hicieron algunas reparaciones en 
ductos afectados, así como el reemplazo de algunos empaques que fallaron entre 
uniones de ductería. 
 
Proyecto Ubicación Montaje Materiales Ingenieria
Impacto 
Produccion
Impacto 
Tiempo 
(mes)
CCL Ductos y juntas Etapa 1 $ 45 $ 57 $ 6 $ 2,500 1
CCL Ductos y juntas Etapa 2 $ 69 $ 284 $ 80 $ 1,080 1
 pág. 26 
 
 
 
 
 
 
 
 
 
 
Figura 9. Diseño nuevas juntas de expansión tipo fuelle metálico 
1.7.7.1 Soportería 
reforzamiento de soportería que se movió durante el “First coil” (ver foto). Se 
instalaron soportes colgantes para mejorar la alineación de ductos. Se instalaron 
arriostramiento en soportes existentes y se vincularon soportes individuales cercanos 
unos a otros para darle más estabilidad al sistema 
 
1.7.8 Solución Etapa 2 
Durante un periodo de 1 año se mantuvo en vigilancia las mejoras realizadas en la 
etapa 1, sin embargo, no se obtuvieron buenos resultados ya que la soportería estaba 
muy afectada, y el constante movimiento de la ductería generaba fugas de calor, por 
lo cual se determinó imperativo poner en marcha la etapa 2 que consideró un rediseño 
y reemplazo completo del sistema: 
 
1.7.8.1 Ductería 
Mayor espesor en pared de ducto, ductos sin reforzamiento diametrales para evitar 
inducir fisuras en el cuerpo del ducto. 
 
1.7.8.2 Soportería 
Análisis de flexibilidad de soportería considerando las dilataciones vistas en campo, 
y considerando coeficientes de elasticidad de nuevas juntas de expansión; concepto 
de módulos vinculados. Ver Figura 10. 
 
 
Imagen . Nuevas Juntas de expansión 
 pág. 27 
 
 
Figura 10. Modelo 3D del nuevo Sistema Ductos 
1.7.8.3 Juntas de expansión 
Nuevo diseño de juntas de expansión con los siguientes parámetros de diseño: (el 
tipo de junta fue el mismo de la etapa 1, con algunos cambios en parámetros de 
diseño) 
 
Parámetro Valor 
Dilatación máxima 2-3 pulgadas 
Material fuelle 
Acero inoxidable AISI 
316 
Coeficiente k axial 18 a 23 kg/mm 
Material bridas 
Acero inoxidable AISI 
304 
Temperatura de trabajo 650 °c 
Presión trabajo 1 psi 
Tabla 8. Parámetros de diseño de nuevas juntas 
1.7.8.4 Empaques y bridas 
Finalmente se decidió eliminar el uso de uniones bridadas en las uniones entre ducto 
y ducto para minimizar la cantidad de potenciales puntos de fugas de calor; solo se 
consideró uniones bridadas en las uniones de ductos con juntas, y se incrementó el 
ancho de la brida y se considera instalar Cordón de grafito de sección cuadrada para 
alta temperatura. 
 pág. 28 
 
 
1.7.8.5 Rediseño de apoyos deslizantes 
Nuevos apoyos que consideran la dilatación real del sistema y que consideran un 
margen de seguridad en el desplazamiento del ducto. 
 
1.8 ¿Como pudo prevenir esta situación “La gestión del 
conocimiento”? 
Sin duda, todos estos problemas descritos anteriormente pudieron ser sino evitados, 
al menos minimizados o haber generado algún tipo de “advertencia” en la revisión de 
los parámetros de diseño de ciertos componentes críticos 
Esta compañía líder del acero en Nuevo León cuenta con más de 10 líneas Pintado 
continuo de rollos de lámina, entre sus plantas de México y Argentina; varían en su 
tecnología, productos, mercado destino, modernidad, pero comparten como elemento 
común la experiencia de un grupo de operaciones y mantenimiento que ha estado al 
frente de estas líneas, y juntos suman una fuente de conocimiento tácito que es vital 
capitalizar en pro de los futuros proyectos. 
Además, cuenta con un personal en el área de proyecto e ingeniería que han estado 
involucrados en gran cantidad de proyectos de revamping de líneas de pintado y que 
tienen gran conocimiento tácito de este tipo de proceso.Una metodología que permita recolectar de manera ágil, sistemática y automática el 
conocimiento (tácito y explícito) hubiese permitido generar unas bases más sólidas 
de las definiciones. 
 
1.8.1 Conocimientos específicos 
1.8.1.1 Historial Ductos alta temperatura: 
Si bien no se contaba con experiencia reciente en el diseño de ducteria para alta 
temperatura sin recubrimiento interno; si se cuenta con gran experiencia en el diseño 
de soportería, y análisis de flexibilidad en ducteria de grandes diámetros con niveles 
de dilatación similares en proyectos de otras áreas, ejemplo: 
 
● Ducteria extracción de Humos de acería 
● Ducteria líneas de pintado UNI-JUVENTUD y argentina 
● Ducteria altos hornos 
● Ducteria líneas de Galvanizado 
 
Un sistema confiable de administración de conocimiento hubiese sido consultado para 
ver los principales parámetros de diseño de la soportería, silletas, apoyos deslizantes, 
 pág. 29 
 
lecciones aprendidas de proyectos similares que permitieran diseñar una línea 
robusta con un mínimo MTBF (medio tiempo entre falla /mead time between fails). 
También se tienen referencias sistema más avanzados de knowledge management 
que pueden predecir y sugerir en base a una carga de datos previa. 
 
1.8.1.2 Historial de juntas expansión: “Reusable 
Knowledge”? 
Se descubrió que existía experiencia en el uso de juntas de expansión metálicas en 
líneas de pintado similar a la del caso de estudio, así como conocimiento tácito del 
personal de operaciones y mantenimiento de este tipo de juntas, así como 
experiencias vividas en reparaciones, tiempo de vida útil y demás problemáticas a lo 
largo de los años. Fuente de esta información: personal de mantenimiento. 
 
1.9 Conclusiones: 
La gestión del conocimiento sin duda es un pilar fundamental en una organización y 
debe ser una política empresarial, puesto que de estos depende la continuidad del 
negocio al garantizar la transferencia y el capital intelectual de la compañía. En la 
actualidad el concepto de KM debe migrar de la tradicionalidad que se conoce hacia 
las nuevas tecnologías y nuevas funcionalidades que permiten predecir, sugerir, 
comparar, recolectar experiencias de diferentes sedes, analizar escenarios en base a 
una gran cantidad de datos correctamente indexados, todo esto para ampliar las 
bases de diseño y tener mejores herramientas de planeación e iniciar cada proyecto 
con una base más robusta de información. 
 
 
 
 
 
 
 
 
 
 
 
 
Imagen . Organización de ShareNet CITATION Voe05 \l 
9226 (Voelpel, Dous, & Davenport, 2005) 
 pág. 30 
 
CAPITULO II: ESTADO DEL ARTE 
Resumen Ejecutivo: 
En este capítulo se abarca la convivencia entre el KM y la Inteligencia artificial y como 
están ligados. Primero se realiza una introducción a la gestión del conocimiento, 
después una revisión de cómo se ha venido resolviendo KM en compañías 
multinacionales en los últimos 2 décadas, y después se presentan un panorama de 
las más recientes tecnologías y aplicaciones usando Inteligencia artificial. 
 
 
2.1 Gestión del Conocimiento 
 
Albert Einsten una vez dijo, “Información no es conocimiento” y “la única fuente de 
conocimiento es la experiencia”. 
Y es que la simple recolección de datos e información en una base de datos no es 
conocimiento. Conocimiento viene de la captación de la experiencia del trabajo con 
datos e información, de la colaboración con colegas para resolver problemas 
complejos y aprender de la experiencia (Smith & Farquhar, 2000). 
 
Durante los últimos 15 años, la gestión del conocimiento ha cambiado de una 
generación a la siguiente a través de constantes mejoras y nuevas perspectivas. una 
infinidad de investigadores han presentado metodologías, estados del arte, 
tecnologías y han discutido varias teorías y casos prácticos. Sin embargo, KM aún 
necesita ser extensivamente desarrollado. 
 
Existen en general 2 formas de conocimiento, explícito y Tácito (implícito): 
 
El conocimiento explícito es definido como el conocimiento que puede ser expresado 
formalmente, y por lo tanto, fácilmente comunicado y difundido a través de una 
organización (Nonaka & Takeuchi, 1995). 
 
En un proyecto de capital, por ejemplo, un ejemplo de gestión del conocimiento 
explícito podría ser la gestión del repositorio de planos (ingeniería básica y detalle) 
asociada al proyecto, manuales de equipos, fichas técnicas y demás documentos 
técnicos que se emitan. Esta base de datos puedes estar guardada en la nube o 
localmente por el (los) responsables de la documentación. 
 
 
(Choo, 1998) manifiesta que el conocimiento implícito (tácito) es aquel que no está 
codificado y es difícil de difundir, además que el conocimiento tácito es aprendido a 
través de la experiencia de realizar tareas, durante las cuales el individuo desarrolla 
 pág. 31 
 
un sentido y capacidad de hacer juicios intuitivos acerca de la ejecución satisfactoria 
de una actividad. 
(Choo, 1998) sugiere que el conocimiento tácito es vital en las organizaciones ya que 
estas solo pueden aprender e innovar aprovechando de alguna manera el 
conocimiento implícito de sus miembros. 
 
Pero el éxito de una organización radica en cómo la compañía en todas sus diferentes 
áreas gestiona que la información correcta llegue a las personas correctas, en el 
tiempo justo usando las herramientas que necesiten usar para hacerlo (Smith & 
Farquhar, 2000). 
 
 
2.2 Big data y knowledge management 
 
Según IBM, el 80% de la información de una organización es No - estructurada (Khan 
& Vorley, 2017), por lo tanto, hay una significativa oportunidad de apalancar el análisis 
de datos sin estructura. 
 
Según (Khan & Vorley, 2017) Big Data se define como una gran cantidad de datos 
estructurados y no estructurados que comprenden miles de millones de puntos de 
datos u observaciones, los cuales pueden ser accesados en tiempo real y es 
caracterizado por su volumen, velocidad y variedad. 
 
Compañías como Amazon, eBay y Walmart están usando análisis de datos masivos 
para administrar efectivamente vastas cantidades de conocimiento, comunicarse con 
sus clientes y mejorar sus operaciones (Davenport & Patil, 2012). 
 
Big Data ha sido caracterizado en términos de volumen, variedad y velocidad, 
mientras que conocimiento ha sido definido en términos de tácito, explícito, implícito, 
complejo y simple, así como tácito codificado y encapsulado (Khan & Vorley, 2017). 
 
KM maneja el procesamiento y prácticas que permiten la creación, adquisición, 
captura e intercambio de conocimiento (Scarbrough & Swan, 2001). Los sistemas de 
KM han sido sugeridos como la clave de la mejora en la eficiencia del proceso del 
negocio y una clave determinante de la ventaja competitiva (Khan & Vorley, 2017) 
 
 
 pág. 32 
 
2.3 Plataformas tecnológicas Tradicionales 
 
Desde finales de la década de los 90, compañías transnacionales como la gigante de 
la electrónica Siemens, y la petrolera Schlumberger, se enfrentaron a las dificultades 
que representaba la administración del conocimiento en todas sus filiales y la 
ineficiencia que representaba estar reinventando la rueda en cada proyecto, y a la 
pérdida de información por la falta de transferencia y documentación de aprendizajes 
y experiencias adquiridos en diferentes proyectos. 
 
A continuación, se detallan algunos casos exitosos, cada uno con enfoques y 
tecnologías diferentes y en épocas diferentes, pero con características valiosas: 
 
 
2.3.1 Siemens Knowledge Sharing system 
Siemens a finales de los 90´s desarrolló uno de los pocos casos exitosos 
documentados de una plataforma de gestión de conocimiento, se trató de ShareNet, 
una plataforma de Knowledge sharing a nivel global, que hizo parte del inicio de una 
era de profundo cambios en la filosofía de negocio de Siemens, de donde pasaron 
de ser un “simple” vendedor de productos, a una organización que proveía “solucionescompletas” y servicios complejos basados en las necesidades particulares de sus 
clientes a nivel global (Voelpel, Dous, & Davenport, 2005). 
 
2.3.1.1 Definición del concepto: 
 
Siemens designó a una de sus unidades de negocio más grande y con más 
experiencia en el sector de Telecomunicaciones para desarrollar este proyecto, el 
piloto se llevó a cabo en el departamento de Ventas y Marketing de dicha unidad de 
negocio; la idea era llevar a cabo una prueba piloto entre una oficina local y una en 
otra latitud, y ver como se beneficiarán de la experiencia mutua durante el desarrollo 
de una licitación para un proyecto. Así el equipo receptor de la información podría 
mejorar en tiempo y calidad la presentación de la oferta. 
 
La mayoría de KMS de la época sólo consideraban la codificación o el conocimiento 
explícito, lo que los volvió simplemente repositorios de documentos. 
 
El nuevo sistema consideró no sólo el conocimiento explícito, sino que también 
facilitaba la externalización del conocimiento tácito de los individuos. Las nuevas 
características principales (además de la clásica función de repositorio) fueron: 
 
● Creación de Reusable assets: cada nuevo proyecto debe ser tratado como un 
“paquete de información o activo” que debe contener ciertas características 
 pág. 33 
 
estándar que permita ser reusado en el futuro. Se creó la estructura de 
información que debía contener cada “paquete” (proyecto, o licitación). 
● Foro para “requerimientos urgentes” 
● Identificación de referentes/expertos a nivel global (saber quién sabe que) 
● Grupos de debate por tópicos 
● Chatrooms en vivo 
 
 
2.3.1.2 Lanzamiento global 
 
Uno de los retos del nuevo sistema de Siemens, después de lanzar su primera versión 
en más de 39 países, era como administrar el carácter global de Sharenet. 
La administración de los flujos de información entre diferentes culturas fue clave para 
el apalancamiento global del conocimiento (Bresman, Birkinshaw, & Nobel, 1999). 
De acuerdo con (Davenport & Prusak, 1988) una cultura corporativa motivadora 
ayudará a controlar las limitaciones y frustraciones de la transferencia de 
conocimiento entre culturas. 
 
La estrategia consistía en mantener una estrecha comunicación entre el cuartel 
general localizado en Múnich con cada una de las administraciones locales en cada 
región, para esto se realizaron workshops en cada región para explicar los beneficios 
del nuevo desarrollo, así como involucrar a los gerentes locales quienes jugaba un rol 
crucial en el éxito del programa. 
 
 
 
 
 
 
 
 
 
 
 
 
 
Figura 11. Arquitectura sistema Siemnes Sharing system 
 
Imagen . Organización de Sharenet CITATION Voe05 \l 
9226 (Voelpel, Dous, & Davenport, 2005) 
 pág. 34 
 
● Contribuidores: usuario fuente de la información (conocimientos, experiencias, 
dudas, contribuciones). 
 
● ShareNet Managers: gerentes locales de cada región que eran responsables 
por fomentar el uso de la plataforma, motivar a su personal a cargo para 
enriquecer el sistema y usar la plataforma para mejorar sus indicadores de 
procesos. 
 
● Global Editors/IT Support: encargados del soporte tecnológico y de garantizar 
la síntesis del contenido final. 
 
● ShareNet Committee: Comité directivo en cuartel general. 
 
2.3.1.3 Agregando “Momentum” al sistema 
 
Siemens desarrolló un complejo sistema de recompensas e incentivos que motivaran 
a sus empleados a usar la plataforma virtual; este sistema medía la cantidad y la 
calidad de aportaciones; el principal reto era: 
 
● Motivar a las personas a documentar 
● Mantener las expectativas de los usuarios 
● Evitar frustraciones durante las primeras interacciones con el sistema 
● Cambiar la imagen negativa de “reusar” conocimiento 
 
Todo esto bajo un cambio progresivo en la cultura organizacional de la compañía 
respecto a la gestión del conocimiento. 
 
2.3.1.4 Expansión, Consolidación, sostenimiento y futuro 
 
El éxito de ShareNet en el departamento de Marketing y ventas fue tal, que otros 
departamentos como Investigaciones y Desarrollo (I+D) decidieron implementar este 
sistema. La estructura de la librería permaneció casi invariante, sin embargo, tuvo que 
ser adaptada para reflejar las particularidades y especificidades del conocimiento en 
I+D, esta adaptación reconoce el hecho que el conocimiento en I+D es más específico 
y complejo que en otras unidades de negocio, de ahí su problemática para transferirse 
(Voelpel, Dous, & Davenport, 2005, pág. 16) 
 
El éxito de la plataforma en la unidad de I+D no fue el esperado, para finales de mayo 
de 2002, tan solo 50 contribuciones se habían registrado, esto atribuido 
principalmente a la reducción de recursos en temas de marketing para fomentar el 
uso de la plataforma y posiblemente a un efecto de “proteccionismo” de la información 
 pág. 35 
 
que pudo llegar a ser ocultada entre diferentes unidades de I+D (Voelpel, Dous, & 
Davenport, 2005, pág. 16). 
 
Para julio de 2002, ShareNet tenía las siguientes cifras: 
 
● Más de 19000 usuarios en 80 países registrados y que habían usado la 
plataforma 
● 53 Share Manager de diferentes países soportaron el funcionamiento 
● Más de 20000 registros de uso de la plataforma para preparación de ofertas 
● Cerca de 2.5 millones de “shares” 
 
Después de 2002, hubo una fuerte crisis económica en el sector telecomunicaciones 
que afectó Siemens, lo cual tuvo repercusiones en la estructura organizativa de 
ShareNet, decreciendo la participación de sus usuarios. Sin embargo, los números 
indicados en la figura a continuación son muestra del potencial económico de este 
tipo de plataformas y cómo pueden potenciar el negocio: 
 
 
 
Figura 12. Relación beneficio/costo de ShareNet (Voelpel, Dous, & 
Davenport, 2005, pág. 18) 
 
 
 
 
 pág. 36 
 
2.4 Inteligencia artificial y Gestión del Conocimiento 
 
Como describe (Gliozzo, y otros, 2017, pág. 5) la inteligencia artificial (IA) tienen como 
objetivo construir sistemas informáticos capaces de realizar tareas que normalmente 
requieren inteligencia humana. Las máquinas basadas en IA están destinadas percibir 
su entorno y tomar acciones que optimicen su nivel de éxito. 
 
 
KM y (IA) en esencia, se trata de conocimiento. IA provee los mecanismos que 
permiten que las máquinas aprendan. La IA permite que las máquinas adquieran, 
procesen y utilicen conocimientos para realizar tareas y desbloquear conocimiento 
que pueda ser usado por las personas para mejorar el proceso de toma de decisiones. 
AI y KM están en la misma cara de la moneda, KM permite que se produzca una 
compresión del conocimiento, mientras que AI provee las capacidades para 
expandirse, usar, y crear conocimiento en formas que aún son inimaginables. Como 
manifiesta (Rhem, 2020), la conexión del KM y IA ha abierto el camino para la 
computación cognitiva. 
 
 
Los humanos son capaces inherentemente de una cantidad de acciones como: 
 
Aplicar sentido común, moralidad, razonar dilemas; los humanos pueden pensar, dar 
nuevas ideas y hacer generalizaciones cuando parte de la información o pistas claves 
de esta, están perdidas. Pero los humanos están restringidos por la cantidad de 
tiempo para aprender, procesar y absorber nueva información, y limitados por los 
prejuicios que todos poseemos que influencian las decisiones que tomamos (Gliozzo, 
y otros, 2017, pág. 5) 
 
La computación cognitiva se encuentra entre las subdisciplinas que dan forma a la IA. 
Se trata de armar un sistema que combina lo mejor de las capacidades humanas y y 
de las maquinas. Considere las capacidades que los humanos tienen naturalmente, 
como la imaginación y emociones, combinadas con capacidades en las que 
sobresalen las computadoras, como el procesamiento de números, identificación de 
patrones y procesamiento de grandes cantidades de información. La computación 
cognitiva utiliza la fuerza de la máquina para "simular"los procesos de pensamiento 
humano en una computadora modelo. (Gliozzo, y otros, 2017) 
 pág. 37 
 
Los sistemas cognitivos utilizan técnicas, como el aprendizaje automático, la minería 
de datos, procesamiento del lenguaje y coincidencia de patrones para imitar cómo 
funciona un cerebro humano. Semejante Los sistemas son ideales para interactuar 
con un mundo cada vez más complejo. 
Figura 13. Los Humanos y los sistemas cognitivos son complementarios 
(IBM, 2017) 
 
En los últimos años, la capacidad de extraer grandes cantidades de datos, 
información y conocimiento para obtener una ventaja competitiva y la importancia de 
la analítica de datos y texto para este esfuerzo está ganando impulso. A medida que 
la proliferación de datos estructurados y no estructurados continúa creciendo, 
seguiremos teniendo la necesidad de descubrir el conocimiento contenido en estos 
recursos de big data. La computación cognitiva será clave para extraer conocimiento 
de big data. La estrategia, los enfoques centrados en el proceso y los aspectos 
interorganizacionales del apoyo a la toma de decisiones para la investigación sobre 
nuevas tecnologías y esfuerzos académicos en este espacio continuarán brindando 
información sobre cómo procesamos los macrodatos para mejorar la toma de 
decisiones. 
 
Imagen . Paralelo entre sistemas humanos y cognitivos 
 pág. 38 
 
 
Figura 14. Crecimiento en la generación de información en últimos años 
(Gliozzo, y otros, 2017, pág. 42) 
Actualmente existen empresas con desarrollos y soluciones enfocadas en usar 
Inteligencia artificial para volver más eficientes los procesos de gestión del 
conocimiento en un nivel tecnológico nunca visto, rompiendo paradigmas en el 
manejo de la información y la generación y traspaso del conocimiento. 
 
2.5 Plataformas soportadas en AI: Watson, Lucy, Egnyte, 
KnowledgeHound 
 
Los sistemas actuales de gestión del conocimiento ayudan a los empleados de la 
organización a compartir, acceder y actualizar la información. La integración de la 
inteligencia artificial (AI) en el KM puede ayudar en la eficiencia de la búsqueda de 
información, hacer uso de información relevante y obtener respuestas inmediatas a 
consultas, así como acelerar los tiempos de respuesta a clientes (CIOREVIEW, 2019). 
 
 
 pág. 39 
 
 
Figura 15. Inteligencia Artificial simple y avanzada (Lahman & Stierli) 
 
 
KM ayuda en potenciar la productividad, minimizar riesgos y crear ventaja competitiva, 
también en la toma de mejores decisiones más rápido y en nuevos negocios; toso 
estos beneficios son excelentes en teoría, pero en la práctica, los tradicionales 
sistemas de KM carecen de posibilidades de entendimiento en lenguaje natural, 
búsqueda inteligente y eficiente, y con frecuencia manejan información anticuada y 
poco relevante. Sin embargo, con la integración de la AI se puede minimizar 
drásticamente la cantidad de supervisión necesaria para utilizar estos sistemas 
(CIOREVIEW, 2019) 
 
Existente actualmente nuevas plataformas tecnológicas soportadas en motores de 
inteligencia artificial que solucionan estos problemas: 
 
2.5.1 Lucy@: 
 
Lucy es un asistente de administración del conocimiento, soportado por Inteligencia 
Artificial, esta plataforma integra tecnologías como Lenguaje de procesamiento 
Natural, que además de cumplir con las funciones de repositorio de documentación 
de la compañía, permite obtener al instante datos, conclusiones, información 
relevante que apoya la toma certera y rápida de decisiones. 
 
Los beneficios de estas tecnologías son: 
 
● Ahorros en tiempo y costo por búsquedas redundantes 
● Eficiencia en detección de “insights” y conocimiento compartido 
● no requiere codificaciones o etiquetados complejas de la información 
 pág. 40 
 
● Reducción en la pérdida de conocimiento por rotación de personal 
 
 
Figura 16. Pilares fundamentales de @Lucy 
 
2.5.2 KnowledgeHound 
 
KH es una plataforma de descubrimiento de información que trabaja con 
organizaciones a nivel global transformando su información en decisiones, a través 
de la ingesta de grandes cantidades de información (datasets) con cierta estructura 
en formatos tradicionales como CSV en una plataforma amigable y fácil de acceder. 
 
KnowledgeHound usa búsquedas en lenguaje natural para hallar respuesta a 
preguntas relevantes de una investigación, lo que facilita la recopilación de la 
información que necesita para tomar decisiones importantes. 
 
Estas plataformas tecnológicas están basadas en: 
 
 
2.5.2.1 Lenguaje de procesamiento Natural (NLP): Las 
bases 
 
NLP investiga el uso de las computadoras para procesar o entender el lenguaje 
humano para propósitos de realizar tareas útiles. NPL es un campo interdisciplinario 
que combina lingüística computacional, ciencia de la computación, ciencia cognitiva 
e inteligencia artificial (Deng & Liu, 2018). Las aplicaciones típicas del NLP incluyen: 
 
● Reconocimiento de voz 
● Sistema de diálogo 
● Traducción automática 
● Respuesta automática de preguntas 
● Análisis de sentimientos 
● Generación de lenguaje natural entre otras 
 pág. 41 
 
2.5.2.2 Aprendizaje Automático (Machine Learning) 
 
El aprendizaje automático (o en inglés Machine learning) es un tipo de IA que brinda 
a las computadoras la capacidad de aprender y actuar sin siendo programado 
explícitamente. Esto significa que el modelo de computadora mejora con el tiempo al 
aprender de sus errores y nuevas experiencias (estar expuesto a nuevos datos), 
aumentando su inteligencia (Gliozzo, y otros, 2017, pág. 6). 
 
 
Así, el objetivo principal del KM es mejorar la eficiencia de la organización y guardar 
el conocimiento en la compañía; con la habilidad de captar y procesar grandes 
cantidades de información a una tasa más alta, AI y ML están acelerando la 
transformación digital en una amplia gama de industrias (Eliyahu, 2020). 
 
2.6 Conclusiones y lecciones 
 
La revisión del estado del arte realizada ayuda tener un panorama de las diferencias 
entre la concepción de sistemas inteligentes en las últimas 2 décadas; 
 
en el contexto tecnológico actual, donde los tiempos de respuesta para la toma de 
decisiones de negocio deben ser más cortos, es urgente la necesidad por contar con 
sistemas inteligentes que no solamente cumplan con la función de ser un repositorio 
de información (no estructurada/estructurada), sino que vayan más allá y puedan 
generar cambios disruptivos en cómo se concibe hoy la gestión del conocimiento en 
nuestras compañías. 
 
En el capítulo 2.3.1 se vio el modelo operativo de sistemas como el Sharenet de 
Siemens que permitía una interacción global y facilitaba el intercambio de información 
y el aprovechamiento de las experiencias (tácito) de otras personas, pero que tenía 
limitaciones en las dependencias, 
 
En la sección 2.5 se mencionaron compañías que están generando desarrollos 
basados en inteligencia artificial, varios de ellos con la plataforma tecnológica de IBM 
Watson, que están ayudando a las personas a ser más eficientes y a las empresas a 
usar el KM para generar ventajas competitivas 
 
Por otro lado, los usuarios están sufriendo sobrecarga de información, y no pueden 
encontrar la información que quieren de una manera eficiente (Tang, 2006). Es aquí 
donde tecnologías como el Cognitive Computing y el NLP tienen mucho que aportar. 
 
 pág. 42 
 
La propuesta desarrollada en este trabajo pretende realizar un piloto que utilice estas 
tecnologías para soportar la fase de factibilidad técnica y presupuestación a través 
del KM y reusable knowledge. 
 
En el próximo capitulo se mostrará como se realizó el desarrollo piloto de una 
aplicación para uso en dispositivos móviles o pc para la captura, gestión y 
almacenamiento de datos de proyectos en ejecución y como se condensa y a través 
del uso de software de bussines intelligence podemos importantes hallazgos.CAPÍTULO III: Desarrollo Plataforma 
Resumen Ejecutivo: En el capítulo anterior se revisaron las tecnologías actuales en 
la gestión del conocimiento en grandes compañías a nivel mundial basadas en 
Inteligencia artificial y minería de datos. En este capítulo se muestra como se ha 
desarrollado el sistema de gestión planteado, en términos de diseño, desarrollo 
tecnológico, estrategia de implementación, pruebas y análisis. 
 
Una vez que se ha definido el problema objeto de estudio y fundamentando, se 
procede a realizar una selección y delimitación del alcance de la información que en 
este reporte se centrará: Los datos que se desean recolectar y administrar a través 
de esta plataforma de conocimiento, corresponden concretamente la información 
generada día tras día en el área de trabajo; esta información nos servirá para generar 
los insights y bases de conocimiento para el desarrollo de nuevos proyectos. 
 
3.1 Definición de Herramientas Tecnológicas 
 
Las organizaciones usan una variedad de aplicaciones customizadas para satisfacer 
necesidades específicas con el fin de incrementar la productividad, identificar nuevas 
oportunidades, realizar seguimientos entre otras tareas. El diseño y Desarrollo, sin 
embargo, es un proceso altamente demandante en temas de recursos, lo cual pone 
fuera del alcance de la mayoría de las organizaciones pequeñas o medianas, el 
realizar aplicaciones personalizadas. 
Para crear una aplicación personalizada, se debe contratar ingenieros de software, o 
contratar una compañía externa especializada, ambas alternativas son 
extremadamente costosas y demandantes. Una aplicación típica puede costar cientos 
de miles de dólares y tomar alrededor de 6 meses o más para ser desarrollada. 
 
 pág. 43 
 
Una alternativa a este problema, es el uso de plataformas “No código”, que permiten 
la creación de aplicaciones personalizadas en un tiempo significativamente menor y 
mucho más simple (Chen, 2019); esto a su vez, genera un interés y motivación en el 
personal de las áreas en la creación de aplicaciones personalizadas para sus proceso 
internos, fomentando el desarrollo y digitalización de procesos. 
 
Las plataformas “Sin-código” están enfocadas en “usuarios de negocio” más que en 
desarrolladores; personas con un perfil diferente a ingenieros de software, 
programadores o IT. Un clásico usuario de negocio puede trabajar en una 
organización (pequeña, mediana, o grande), tener un trabajo tiempo completo o 
parcial, y un consumidor regular de tecnología e internet, y con competencias mínimas 
de uso de Microsoft Word, Excel, Power Point, o Google docs. En el mundo hay 
aproximadamente 1.5 Billones de Usuarios de negocio comparado con 
aproximadamente 15-20 Millones de desarrolladores. (Seshadri, 2018). 
 
En el mercado existen varias plataformas de este estilo, sin embargo la selección de 
Appsheet se basó en los siguientes criterios: 
 
• Tipo de usuario: este tipo de plataforma esta enfocada en los Usuarios de 
negocio mencionados anteriormente. 
• Integración de datos: la plataforma seleccionada debe permitir una 
integración y comunicación con el ecosistema de datos y plataformas 
actuales, facilidad en comunicación, y uso de datos existentes. 
• Gratuidad en licenciamiento (a nivel básico): uno de los objetivos de que 
la herramienta sea de uso gratuito es incentivar el uso y desarrollo de 
herramientas de análisis de datos y fomentar el autoaprendizaje en este 
tipo de competencias que son claves en tiempo actuales. 
• Plataformas “No coding”: otra de las premisas era encontrar una 
plataforma para el desarrollo de aplicaciones móviles sencilla, simple y que 
no requiriera experiencia en programación; esto con el propósito de 
fomentarla innovación y el desarrollo de aplicaciones digitales por casi 
cualquier colaborador con un mínimo nivel de conocimiento básicos en 
computación. 
• Facilidad en el uso: funcionalidades y conceptos intuitivos, flexibilidad 
para el usuario. 
 
 
 
 
 
 pág. 44 
 
3.1.1 Plataforma Appsheet 
La plataforma AppSheet se eligió para realizar el desarrollo de la aplicación móvil. 
AppSheet es una compañía fundada en 2014 en Seattle, Washington, por Praveen 
Seshadri, un antiguo desarrollador de Microsoft (SOPER, 2020). 
En 2020 fue adquirida por Google Cloud y pasó a formar parte de dicho ecosistema, 
ampliando su interacción con las plataformas actuales. 
 
 El objetivo de la ampliación es: 
• Centralizar y estandarizar el proceso de captura y reporte de datos 
• Generar base de datos estándar de cada proyecto para realizar consultas 
• Unificar el modelo de reportes y facilitar la gestión diaria 
• Eliminar la gestión de documentos en papel 
 
3.1.2 Power BI 
 
Como describe (Menendez), “Power BI es un conjunto de herramientas que pone el 
conocimiento al alcance de todos y nos brinda acceder a nuestros datos de forma 
segura y rápida, generando grandes beneficios para nosotros y para nuestra 
empresa. Es un sistema predictivo, inteligente y de gran apoyo, capaz de traducir los 
datos (simples o complejos) en gráficas, paneles o informes por sus cualidades como 
la capacidad gráfica de presentación de la información, o la integración de Power 
Query: el motor de extracción, transformación y carga (ETL) incluido en Excel”. 
Actualmente Power BI es una de las plataformas de Inteligencia de datos más popular 
y usado en el mundo, por su integración con el ecosistema Microsoft, su capacidad 
de manipulación de grandes archivos, interfaz intuitiva, y la inclusión de capacidades 
de inteligencia artificial en sus versiones pagas , para análisis avanzado de datos. 
3.2 Identificación de información generada: 
Primero se determinó con un equipo multidisciplinario conformado por personal de 
gestión de proyectos y construcción, cuál era la información que regularmente se 
generaba en el sitio de obra y después se seleccionó la información siguiente: 
3.2.1 información general de Proyecto 
Corresponde a la información general relacionada con los proyectos, 
programas/cronogramas de trabajo, personal, avances en presupuestos, y demás 
información que puedes ser presentada en dashboards y que es comúnmente usada 
por los Project managers. 
 pág. 45 
 
3.2.2 información de ejecución 
Este tipo de datos son unos los que generan más input a la hora de definir los 
proyectos, y lastimosamente son los que más rápido se pierden en el día a día de los 
proyectos, ya que este tipo de información generalmente queda almacenada en físico 
en bitácoras de obras y/u otros medios físicos: 
• kg/hh 
• ton/hh 
• Ton equipos instalados 
• ton tuberías instalados 
• Horas de uso de equipos móviles, etc 
• Medio: escrita en obra, electrónico. 
Estos datos permitirán realizar estimaciones y predicciones con un alto nivel de 
certidumbre en proyectos similares 
3.2.3 Registro de Gestión de Cambios 
Corresponde a la información generada por cambios en las condiciones de ingeniería, 
modificaciones en obra, que generen información valiosa para documentar que 
generan lecciones aprendidas. Los datos generados en una gestión de cambio de un 
proyecto de ingeniería, arroja información valiosa para futuros proyectos, puesto que 
genera impactos en: 
Ingeniería: 
Impacto en cronogramas de entrega de diseños 
Sobrecostos en presupuestos de ingeniería 
Obra: 
 Costos directos por modificaciones de Equipos y/o Infraestructura 
Pero lo más importante es poder documentar históricamente la causa raíz de los 
cambios, impacto económico, solución realizada, y poder analizar esta información 
para prevenir en futuros proyectos. 
 
3.2.4 Base de datos de proyectos 
 
Actualmente el área de ingeniería cuenta con un listado de proyectos históricos en su 
site donde se encuentran almacenados los detalles de los proyectos pasados; la 
información que se puede obtener de este site es: 
 pág. 46 
 
• Caratula de proyecto: Project book 
•