Revista XXXIII No. 1 de 2023

Explotación de datos del sector gastronómico: caso aplicado en el Restaurante La Caucanita en el municipio de Jamundí

Explotación de datos del sector gastronómico: caso aplicado en el Restaurante La Caucanita en el municipio de Jamundí

Explotación de datos del sector gastronómico: caso aplicado en el Restaurante La Caucanita en el municipio de Jamundí 

 

John Alexander Sánchez Rengifo 

Ingeniero de Sistemas, Fundación Universitaria Católica Lumen Gentium 

Ingeniero de Datos y Analítica, Celsia E.S.P. 

Colombia 

 

Resumen  

Este artículo presenta una orientación metodológica para la explotación de datos en el sector gastronómico en Colombia, tomando como referencia un caso aplicado en el Restaurante “La Caucanita” en el municipio de Jamundí. El estudio se centra en el análisis, diseño y prototipado de una solución de base tecnológica que incluye el desarrollo de software de gestión para la sistematización y el uso de componentes de analítica avanzada para la explotación de la información. Mediante la investigación descriptiva y utilizando métodos cuantitativos y cualitativos, se identificaron las necesidades clave en el modelo de negocio. Los resultados muestran qué bajo un proceso metodológico guiado es posible mejorar la captura, almacenamiento y explotación de los datos en negocios tradicionales del sector gastronómico. 

Introducción  

El presente artículo se refiere al uso y explotación de datos del sector gastronómico en el municipio de Jamundí, Valle de Cauca, tomando como referencia el caso de uso aplicado en el Restaurante “La Caucanita”, el cual cuenta con una trayectoria de más de 35 años en el sector. A partir de la pandemia generada a raíz del virus SARS-CoV-2, ningún sector comercial, empresarial y/o de servicios estuvo exento de los efectos negativos en términos económicos y sociales (Organización Mundial de la Salud, 2019), obligando a cambiar la forma de pensar y rehacer de manera diferente las actividades cotidianas. En este tipo de negocios, cuya operación se puede clasificar como tradicional y conservadora, se identificaron diferentes necesidades en relación con el valor e importancia que tienen los datos y la información. El ineficiente uso de los datos, no disponer de estos en el menor tiempo posible y no explotarlos de una forma adecuada representó un riesgo para la continuidad del negocio en un mercado cada vez más cambiante. 

Para analizar esta problemática es necesario mencionar sus posibles causas. Una de ellas es la falta de estrategias y acompañamiento en la transición digital y tecnológica que tienen este tipo de negocios, desconocimiento que ocasiona resistencia al cambio, así como también, la falta de objetivos concretos definidos en el modelo de negocio. Otros aspectos, no menos importantes, son la carencia de sistematización que los incapacita para realizar la captura y el almacenamiento adecuado de los datos como insumo principal para desarrollar análisis de la información y/o poder predecir la demanda de clientes, derivando en la prestación de un servicio deficiente a sus visitantes. Así mismo, la reducción de la rentabilidad por la inexistencia de procesos de estandarización para la producción y preparación de alimentos y el aumento de costos por el deficiente control de gastos e inventario en su operación diaria, son otros aspectos importantes que contribuyen a la problemática planteada. Por lo anterior, se determinó diseñar una solución de base tecnológica compuesta por un sistema de software para facilitar la captura y almacenamiento de datos estructurados, también se incluyeron componentes de analítica avanzada para la explotación de la información. 

Es importante explorar algunos conceptos clave, con los cuales se abordó la problemática desde un punto de vista tecnológico: 

Analítica de datos

La analítica de datos corresponde a la sistematización del análisis de los datos o la estadística. Incluye la aplicación de técnicas matemáticas y estadísticas avanzadas y el uso de herramientas para descubrir patrones y relaciones ocultas en los datos (Amazon, 2022). La analítica de datos se divide en cuatro categorías: descriptiva, diagnóstica, predictiva y prescriptiva. El tipo de analítica descriptiva y diagnóstica hace referencia a los eventos ya ocurridos, la analítica predictiva se enfoca en lo que sucederá y la analítica prescriptiva en recomendar las acciones que se deberán llevar a cabo (Alarcón, 2019). 

Inteligencia de negocio

La Inteligencia empresarial o de negocios (Business Intelligence, BI por sus siglas en inglés) es un conjunto de herramientas y prácticas que se utilizan para recopilar, analizar y presentar información empresarial de forma oportuna y comprensible para el negocio (Microsoft, 2022). La inteligencia de negocio se encuentra dentro de la categoría de la analítica diagnóstica y descriptiva, se enfoca en la descripción y el análisis del pasado y el presente para extraer información valiosa para la toma de decisiones. 

Analítica de negocio

La Inteligencia analítica de negocios (Business Analytics, BA por sus siglas en inglés) se refiere al proceso de recopilación, análisis y uso de los datos para informar la toma de decisiones empresariales. El BA utiliza técnicas estadísticas avanzadas para el análisis de datos de mediano y gran volumen, para identificar patrones y tendencias que orienten las decisiones futuras en el negocio (Gartner, 2021). La inteligencia analítica se encuentra principalmente en el tipo de analítica predictiva y prescriptiva que permite evaluar el desempeño del negocio en función de objetivos y métricas específicas.  

Inteligencia artificial

La inteligencia artificial (IA) es una rama de la informática que se enfoca en el desarrollo de algoritmos y sistemas que imitan la inteligencia humana para realizar tareas que requieren inteligencia, como la percepción, el razonamiento, el aprendizaje y la toma de decisiones (Russell y Norvig, 2021).  

 

Aprendizaje automático

El aprendizaje de máquina o aprendizaje automático (Machine Learning, ML por sus siglas en inglés) es una rama de la inteligencia artificial que se centra en el desarrollo de algoritmos y modelos que permiten a las computadoras aprender a partir de datos, sin ser explícitamente programadas para hacerlo (Goodfellow et al., 2016). El aprendizaje de máquina se trata de entrenar a una computadora para que pueda reconocer patrones en los datos y tomar decisiones basadas en esos patrones. 

 

Sistematización

La sistematización en desarrollo de software es el proceso de diseñar e implementar un sistema computacional desde el análisis de procesos, procedimientos y actividades con el objetivo de comprender su funcionamiento y estructura (Gómez y Ocampo, 2018). Este proceso involucra la identificación de los componentes del sistema, su interacción y la documentación de los procesos involucrados.  

 

Clarificados los conceptos anteriores, es pertinente mencionar que acelerar la explotación de datos es un factor de vital importancia en todos los sectores comerciales para apoyar la toma de decisiones, principalmente, si se centra en países en vía de desarrollo, donde el sector gastronómico y de servicios ha representado un crecimiento significativo en los últimos años. 

Crecimiento del sector gastronómico en Colombia 

Según el informe de creación de empresas 2021, publicado por la Confederación Colombiana de Cámaras de Comercio Confecámaras, existen un total de 124.378 empresas de servicios, de las cuales 45.660 (36.7 %) son negocios del sector gastronómico relacionados con la actividad de expendio de bebidas para consumo dentro de establecimientos, servicios de comida preparada a la mesa y catering para eventos, siendo este uno de los sectores con mayor crecimiento (37.5 %) en el año 2021 (Confecámaras, 2021). A pesar de ser uno de los frentes económicos más crecientes en Colombia, este tipo de negocios en el sector gastronómico continúan siendo en su mayoría tradicionales, empleando el uso de la tecnología y la información en menor medida (Quiceno, J., 2022). 

Cifras del sector gastronómico en el Valle del Cauca 

Según la Cámara de Comercio de Cali, para el primer semestre del 2022 el número de empresas registradas ascendió a 88.868, representando un crecimiento del 11.3 % frente al mismo periodo del año 2021, lo anterior según el informe de Ritmo Empresarial, publicado por esta entidad. El sector de alojamiento y comida tuvo un crecimiento del 19 %, con un total de 7223 empresas en este subsector (Cámara de Comercio de Cali, 2022). 

 

El municipio de Jamundí es la segunda región después de Dagua con mayor variación de crecimiento en el año 2022, respecto al año anterior (10.8 %), con un total de 3835 empresas registradas (Cámara de Comercio de Cali, 2022); se estima que en Jamundí el 10 % de las empresas (388) pertenecen al sector gastronómico, incluyendo bares, gastrobares y restaurantes. 

 

Teniendo en cuenta el crecimiento del sector gastronómico, contrarrestado por el disminuido uso de la tecnología y la información por parte de los negocios, se propuso en esta investigación la identificación de diferentes tecnologías que pudieran ser adaptadas hacia un modelo de negocio específico de este sector; así mismo, planteando alternativas para su utilización en ambientes rentables y sostenibles en el tiempo. La sistematización y la analítica de datos incluyendo BI (inteligencia de negocios), BA (inteligencia analítica) y ML (aprendizaje de máquina) fueron tomados como pilares fundamentales para lograr el aprovechamiento de los datos y convertirlos en información y conocimiento útil para el reforzamiento competitivo del negocio. 

 

La investigación que se llevó a cabo en este proyecto fue del tipo descriptiva, y se adoptaron métodos de investigación cuantitativos y cualitativos (Hernández-Sampieri et al., 2014). Se realizó una serie de entrevistas y reuniones presenciales con el equipo administrativo del restaurante que permitieron entender las necesidades y requerimientos de cara a la sistematización. También se plantearon diferentes preguntas relacionadas con las necesidades de información para la analítica de datos. Se efectuaron múltiples visitas en campo para analizar y entender el funcionamiento operativo del negocio y se recolectaron datos de tiempos de atención, horarios de aforo, ventas diarias, gastos, inventario, capacidad del restaurante y rotación de personal. Estas actividades se desarrollaron entre los meses de enero y junio del año 2022. 

 

Para la sistematización y desarrollo de software se utilizó una metodología basada en el modelo de desarrollo en cascada (Pressman, 2010). Este modelo se eligió por su capacidad para proporcionar un marco estructurado y por su enfoque en la planificación y el diseño detallado antes de pasar a la implementación y pruebas. 

 

Para desarrollar la analítica de datos se utilizó una metodología basada en el proceso de minería de datos CRISP-DM (Cross Industry Standard Process for Data Mining). Este proceso se eligió debido a su enfoque y capacidad para guiar la exploración y el análisis de los datos de manera efectiva. Se caracteriza por ser estructurada y rigurosa para explorar, analizar y modelar los datos con el objetivo de resolver el problema de negocio (Chapman et al., 2000). 

 

Figura 1. Etapas de la metodología en cascada para desarrollo de software y CRISP-DM para proyectos de analítica 

 

Fuente: elaboración propia. 

 

En consecuencias con el objetivo general de este proyecto, se desarrolló un proceso marco que sirve como guía para realizar la explotación de datos en el sector gastronómico. Se realizó el diseño de la solución tecnológica incluyendo la sistematización y los componentes de analítica de datos para la explotación de la información. 

Figura 2. Diseño arquitectura de alto nivel. Solución de sistematización y analítica de datos para restaurantes en el sector gastronómico 

 

 

Fuente: elaboración propia. 

 

 

Para la sistematización se identificaron los siguientes procesos críticos de negocio que permitieron caracterizar los módulos y funcionalidades del sistema que se desarrollaron como producto mínimo viable en el software. 

 

Tabla 1. Procesos críticos de negocio, módulos y funcionalidades del software 

 

Fuente: elaboración propia. 

 

Figura 3. Módulo Gestión de ventas 

Interfaz de usuario gráfica, Sitio web Descripción generada automáticamente 

Fuente: software restaurante “La Caucanita” v1.0.0 (2023). 

 

En cuanto a las necesidades de información para la analítica de datos a nivel descriptivo y diagnóstico (BI) se desarrollaron las siguientes preguntas clave para el modelo de negocio: 

 

Tabla 2. Necesidades de información para analítica descriptiva y diagnóstica 

 

Fuente: elaboración propia. 

 

 

Figura 4. Tablero de inteligencia de negocio restaurante “La Caucanita” (datos obtenidos entre julio y diciembre del 2022) 

 

Fuente: elaboración propia, basada en las estadísticas tomadas del tablero BI desarrollado para el negocio (2023). 

 

Para la inteligencia analítica de negocio (BA) se planteó el desarrollo de un modelo de analítica avanzada capaz de predecir la cantidad de ventas diarias y estimar la demanda de clientes en un periodo de tiempo determinado. Para este proceso se tomó como base la información de ventas diarias de seis meses, recogidos entre julio y diciembre del año 2022 en el sistema de gestión desarrollado. Se utilizó un algoritmo de aprendizaje supervisado (ML) basado en árboles de decisión llamado XGBoost. Este se caracteriza por requerir un bajo consumo computacional, además, es un algoritmo progresivo que a medida que se reentrena con nuevos datos obtiene resultados cada vez más exactos (Chen y Guestrin, 2016). 

 

Una vez superada la fase de entrenamiento del modelo se procedió a realizar la evaluación tomando un conjunto de datos conocidos entre un periodo de tiempo (17 de noviembre al 13 de diciembre del 2022), luego se realizó el proceso de predicción dando como resultado una precisión del 74.4 % en el pronóstico de ventas diarias. 

Figura 5. Resultados evaluación del modelo de predicción de ventas diarias y definición de variables para entrenamiento del modelo 

Gráfico Descripción generada automáticamente con confianza media

Fuente: elaboración propia con base en la evaluación del modelo en Python (2023).

 

Conclusiones

 

La explotación de datos puede tener un impacto significativo en la industria gastronómica, desde la predicción de tendencias de consumo hasta la optimización de los procesos de producción y la mejora de la experiencia del cliente. Se demostró que bajo un proceso metodológico guiado es posible diseñar una solución de base tecnológica que incorpore la sistematización de procesos, la inteligencia de negocio (BI) y la inteligencia analítica (BA). Así mismo, que brinde a los administradores y gerentes de negocios las capacidades para tomar de decisiones oportunas y fundamentadas en los datos y la información.

 

El diseño de la solución involucró grandes retos, uno de los más importantes es que esta fuera rentable y sostenible en el tiempo. Es posible qué se pueda generar un tipo de clúster empresarial en el municipio que permita a los negocios reutilizar los componentes de analítica, así como también el software de gestión. A cambio, se deberán compartir los datos generales de sus operaciones para que se puedan realizar otros tipos de análisis que apoyen la gestión de los mandatarios en el municipio, así como también, contribuir a los análisis de los sectores social, cultural y turístico.

 

A medida que la tecnología y la capacidad de análisis de datos avanzan, es probable que la explotación de datos siga desempeñando un papel cada vez más importante en la industria gastronómica. Los negocios que no adopten estas tecnologías pueden quedarse atrás y perder oportunidades de negocio valiosas.

En cuanto a la inteligencia analítica del negocio (BA), es necesario recolectar más de seis meses de datos reales para, así mismo, evaluar nuevamente la precisión del modelo y, de esta manera, lograr mejorar los resultados en la predicción. Es posible que se puedan incorporar nuevas variables al modelo que ayuden a explicar mejor los resultados de las ventas. Se sugiere que para futuras investigaciones se incorporen otro tipo de variables, como, por ejemplo, las variables meteorológicas de la región.

 

Referencias:

Alarcón, A. (2019). Analítica de datos: descriptiva, predictiva, prescriptiva y diagnóstica. Ediciones Díaz de Santos.

Amazon. (2022). What is Data Analytics? https://aws.amazon.com/what-is/data-analytics/

Cámara de Comercio Cali. (2022). Informes Económicos. Ritmo Empresarial, (48). https://www.ccc.org.co/category/informes-economicos/ritmo-empresaria

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. CRISP-DM Consortium.

 

Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 785-794). ACM.

Confecámaras. (2021). Informe Dinámica de Creación de Empresas en Colombia enero a diciembre 2021, Resumen, 2(2). https://www.confecamaras.org.co/analisis-economico

Gartner. (2021). Business Analytics. https://www.gartner.com/en/information-technology/glossary/business-analytics

Gómez, L., y Ocampo, M. (2018). Sistematización de experiencias en el desarrollo de software: Un enfoque metodológico. Revista de Investigación Académica, 53, 1-11.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

Hernández-Sampieri, R., Fernández-Collado, C., y Baptista-Lucio, P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill Interamericana.

Microsoft. (2022). ¿Qué es la inteligencia empresarial? https://powerbi.microsoft.com/es-es/what-is-business-intelligence/

Organización Mundial de la Salud. (2019). Brote de enfermedad por coronavirus (COVID-19). https://www.who.int/es/emergencies/diseases/novel-coronavirus-2019

Pressman, R. S. (2010). Ingeniería del software: un enfoque práctico (7.a ed.). McGraw-Hill.

Quiceno, J. (2022). En Colombia se crearon más empresas en el sector de servicios, pero son poco modernas. El Colombiano. https://www.elcolombiano.com/negocios/sector-de-servicios-sigue-siendo-poco-tecnologico-KD16401469

Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach. Pearson.

Compartir