ANALÍTICA DE DATOS, HERRAMIENTA
CENTRAL PARA LA DECISIÓN EN EL
DESARROLLO COMPUTACIONAL
DATA ANALYTICS AS A CENTRAL DECISION-MAKING
TOOL IN COMPUTATIONAL DEVELOPMENT
Jesús Abraham Castorena Peña
Universidad Autonoma de Coahuila, México
Alma Jovita Domínguez Lugo
Universidad Autonoma de Coahuila, México
Dalia Margarita Alba Cisneros
Universidad Autonoma de Coahuila, México
Jahir Alejandro García Montoya
Universidad Autonoma de Coahuila, México
pág. 628
DOI: https://doi.org/10.37811/cl_rcm.v9i6.20880
Analítica de Datos, Herramienta Central para la Decisión en el Desarrollo
Computacional
Jesús Abraham Castorena Peña
jesuscastorenapena@uadec.edu.mx
https://orcid.org/0000-0002-8833-1159
Universidad Autonoma de Coahuila
México
Alma Jovita Domínguez Lugo1
almadominguez@uadec.edu.mx
https://orcid.org/0000-0003-4988-4911
Universidad Autonoma de Coahuila
México
Dalia Margarita Alba Cisneros
daliaalba@uadec.edu.mx
https://orcid.org/0009-0009-1033-8244
Centro de Estudios e Investigaciones
Interdisciplinarios
Universidad Autónoma de Coahuila, Saltillo
Coahuila, México
Jahir Alejandro García Montoya
jahir_garcia@uadec.edu.mx
Universidad Autonoma de Coahuila
México
RESUMEN
Durante y despues de la pandemia , gran parte de las empresas permiten que sus trabajadores
desarrollen software desde casa por diferentes circunstancias que benefician prinicipalmente a las
compañias en reduccion de costos, para enfrentar retos de medicion de productividad y mantenerse
dentro del ambito competitivo. En base a esto empresas desarrolladoras de software se ven en la
necesidad de buscar la manera de monitorear el desempeño diario de sus empleados que trabajan en
home office, aunque algunos otros se miden según su avance mensual. Existen diversas plataformas de
medicion y monitoreo de productividad que a pesar de las ventajas, requieren capacitación previa o
están fuera del alcance debido a su alto costo o complejidad técnica. El desarrollo de una plataforma en
Ruby on Rails, permitirá cargar archivos (CSV, JSON) y visualizar los datos a través de gráficos
dinámicos con Chart.js, y estará específicamente enfocado en capturar y analizar las interacciones del
usuario, como los movimientos del mouse y las pulsaciones del teclado, durante el desarrollo de sus
actividades.. El desarrollo se basó en la metodología de programación extrema, priorizando la
adaptación constante a los requisitos y la colaboración ágil.
Palabras clave: analitica de datos, automatizacion, ruby on rails, visualización
1 Autor principal
Correspondencia: almadominguez@uadec.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i6.20880
Analítica de Datos, Herramienta Central para la Decisión en el Desarrollo
Computacional
Jesús Abraham Castorena Peña
jesuscastorenapena@uadec.edu.mx
https://orcid.org/0000-0002-8833-1159
Universidad Autonoma de Coahuila
México
Alma Jovita Domínguez Lugo1
almadominguez@uadec.edu.mx
https://orcid.org/0000-0003-4988-4911
Universidad Autonoma de Coahuila
México
Dalia Margarita Alba Cisneros
daliaalba@uadec.edu.mx
https://orcid.org/0009-0009-1033-8244
Centro de Estudios e Investigaciones
Interdisciplinarios
Universidad Autónoma de Coahuila, Saltillo
Coahuila, México
Jahir Alejandro García Montoya
jahir_garcia@uadec.edu.mx
Universidad Autonoma de Coahuila
México
RESUMEN
Durante y despues de la pandemia , gran parte de las empresas permiten que sus trabajadores
desarrollen software desde casa por diferentes circunstancias que benefician prinicipalmente a las
compañias en reduccion de costos, para enfrentar retos de medicion de productividad y mantenerse
dentro del ambito competitivo. En base a esto empresas desarrolladoras de software se ven en la
necesidad de buscar la manera de monitorear el desempeño diario de sus empleados que trabajan en
home office, aunque algunos otros se miden según su avance mensual. Existen diversas plataformas de
medicion y monitoreo de productividad que a pesar de las ventajas, requieren capacitación previa o
están fuera del alcance debido a su alto costo o complejidad técnica. El desarrollo de una plataforma en
Ruby on Rails, permitirá cargar archivos (CSV, JSON) y visualizar los datos a través de gráficos
dinámicos con Chart.js, y estará específicamente enfocado en capturar y analizar las interacciones del
usuario, como los movimientos del mouse y las pulsaciones del teclado, durante el desarrollo de sus
actividades.. El desarrollo se basó en la metodología de programación extrema, priorizando la
adaptación constante a los requisitos y la colaboración ágil.
Palabras clave: analitica de datos, automatizacion, ruby on rails, visualización
1 Autor principal
Correspondencia: almadominguez@uadec.edu.mx
pág. 629
Data Analytics as a Central Decision-Making Tool in Computational
Development
ABSTRACT
During and after the pandemic, many companies are allowing their employees to develop software from
home for various reasons. This primarily benefits companies in terms of cost reduction, addressing
productivity measurement challenges, and staying competitive. Based on this, software development
companies are forced to find ways to monitor the daily performance of their employees working from
home, although some are measured based on their monthly progress. There are various productivity
measurement and monitoring platforms that, despite their advantages, require prior training or are out
of reach due to their high cost or technical complexity. The development of a platform in Ruby on Rails
will allow users to upload files (CSV, JSON) and visualize the data through dynamic charts with
Chart.js. It will be specifically focused on capturing and analyzing user interactions, such as mouse
movements and keyboard strokes, during the development of their activities. The development was
based on the extreme programming methodology, prioritizing constant adaptation to requirements and
agile collaboration.
Keywords: data analytics, automation, ruby on rails, visualization
Artículo recibido 10 septiembre 2025
Aceptado para publicación: 15 octubre 2025
Data Analytics as a Central Decision-Making Tool in Computational
Development
ABSTRACT
During and after the pandemic, many companies are allowing their employees to develop software from
home for various reasons. This primarily benefits companies in terms of cost reduction, addressing
productivity measurement challenges, and staying competitive. Based on this, software development
companies are forced to find ways to monitor the daily performance of their employees working from
home, although some are measured based on their monthly progress. There are various productivity
measurement and monitoring platforms that, despite their advantages, require prior training or are out
of reach due to their high cost or technical complexity. The development of a platform in Ruby on Rails
will allow users to upload files (CSV, JSON) and visualize the data through dynamic charts with
Chart.js. It will be specifically focused on capturing and analyzing user interactions, such as mouse
movements and keyboard strokes, during the development of their activities. The development was
based on the extreme programming methodology, prioritizing constant adaptation to requirements and
agile collaboration.
Keywords: data analytics, automation, ruby on rails, visualization
Artículo recibido 10 septiembre 2025
Aceptado para publicación: 15 octubre 2025
pág. 630
INTRODUCCIÓN
Derivado de la emergencia sanitaria de 2020 a la fecha, el home office se ha consolidado como la
modalidad laboral con mayor aceptación en las empresas de todos los sectores, asi como para los
empleados. En el desarrollo de software esta modalidad de trabajo aporta solución a grandes problemas
como la movilidad , altos costos de administración y transportación(Lara-Pulido & Martínez-Cruz,
2023). Además, el home office ha sido una estrategia clave para el desarrollo empresarial e innovación,
facilitando la flexibilidad y autonomía de sus empleados(Valdez-Juárez et al., 2022).
Se sugiere que quienes trabajan desde casa están agobiados por la "teoría del intercambio social":
trabajan más duro, durante más tiempo y trabajan horas no remuneradas para justificar su libertad de
trabajar desde un lugar preferido (Felstead & Henseke, 2017). De este modo, los trabajadores
(sobre)compensan la percepción de que podrían trabajar menos cuando no son observados (Nipp HH,
Geurts SA, & Kompier, 2012). Además, las investigaciones muestran que las personas que trabajan
desde casa les resulta difícil desconectar del trabajo, lo que altera su equilibrio entre la vida laboral y
personal (Parker & Wang B., 2021)
Por otra parte, tambien existen grandes desafios en la relación empleado y empleador, siendo
complicado supervisar la productividad y el rendimiento de los trabajadores. De donde surge la
necesidad de implementar herramientas tecnológicas de monitoreo para documentar el desempeño,
avance y comportamiento laboral del empleado desde donde se encuentre (Wieser & Abraham, 2024).
Estas herramientas funcionan a travez de la generación de registros por cada uno de los movimientos
que realice el usuario o registrando la inactividad, en donde una vez que se obtiene la información, se
lleva a cabo el análisis; pero cuando son grandes volumenes de datos, se ve limitado por tiempos de
procesamiento excesivos, generando retrasos críticos en la toma de decisiones estrategicas. Al depender
de procesos manuales para realizar cálculos, ordenamiento de datos dispersos y generacion de reportes
detallados, no solo se consume tiempo de equipo si no que tambien se eleva el riesgo de cometer errores
durante la interpretación y el procesamiento de información.
Debido al volumen de informacion que se genera en esta era digitalizada, los datos no son unicamente
un resultado del proceso, si no que ahora tienen un valor que permitirá el analisis para la toma de las
decisiones, con ello se verá la evolución en cómo se interpretan, modelan y aplican los datos (Kumar,
INTRODUCCIÓN
Derivado de la emergencia sanitaria de 2020 a la fecha, el home office se ha consolidado como la
modalidad laboral con mayor aceptación en las empresas de todos los sectores, asi como para los
empleados. En el desarrollo de software esta modalidad de trabajo aporta solución a grandes problemas
como la movilidad , altos costos de administración y transportación(Lara-Pulido & Martínez-Cruz,
2023). Además, el home office ha sido una estrategia clave para el desarrollo empresarial e innovación,
facilitando la flexibilidad y autonomía de sus empleados(Valdez-Juárez et al., 2022).
Se sugiere que quienes trabajan desde casa están agobiados por la "teoría del intercambio social":
trabajan más duro, durante más tiempo y trabajan horas no remuneradas para justificar su libertad de
trabajar desde un lugar preferido (Felstead & Henseke, 2017). De este modo, los trabajadores
(sobre)compensan la percepción de que podrían trabajar menos cuando no son observados (Nipp HH,
Geurts SA, & Kompier, 2012). Además, las investigaciones muestran que las personas que trabajan
desde casa les resulta difícil desconectar del trabajo, lo que altera su equilibrio entre la vida laboral y
personal (Parker & Wang B., 2021)
Por otra parte, tambien existen grandes desafios en la relación empleado y empleador, siendo
complicado supervisar la productividad y el rendimiento de los trabajadores. De donde surge la
necesidad de implementar herramientas tecnológicas de monitoreo para documentar el desempeño,
avance y comportamiento laboral del empleado desde donde se encuentre (Wieser & Abraham, 2024).
Estas herramientas funcionan a travez de la generación de registros por cada uno de los movimientos
que realice el usuario o registrando la inactividad, en donde una vez que se obtiene la información, se
lleva a cabo el análisis; pero cuando son grandes volumenes de datos, se ve limitado por tiempos de
procesamiento excesivos, generando retrasos críticos en la toma de decisiones estrategicas. Al depender
de procesos manuales para realizar cálculos, ordenamiento de datos dispersos y generacion de reportes
detallados, no solo se consume tiempo de equipo si no que tambien se eleva el riesgo de cometer errores
durante la interpretación y el procesamiento de información.
Debido al volumen de informacion que se genera en esta era digitalizada, los datos no son unicamente
un resultado del proceso, si no que ahora tienen un valor que permitirá el analisis para la toma de las
decisiones, con ello se verá la evolución en cómo se interpretan, modelan y aplican los datos (Kumar,
pág. 631
Reddy Machireddy, Sankaran, & Kumar, 2025), pero cuando los datos provienen de diversas fuentes,
el análisis para toma de decisiones en pro de mantener la competencia en el mercado se ve interferida.
Sin embargo, cuando se utilizan técnicas para analizar datos, se optimizan las decisiones estratégicas
y con ello se aprovechan al máximo su potencial (Umadevi, 2024).
La Analítica de Datos es una ciencia que permite analizar datos y convertirlos en conocimiento, con el
fin de mejorar el entorno donde se producen esos datos (Hastie, Tibshirani, & Friedman, 2009). La
misma ha sido usada en múltiples ámbitos, por sus capacidades para descubrir conocimiento útil, el
cual, además, es usado en los procesos de toma de decisión. Se han desarrollado mecanismos,
estrategias, metodologías para facilitar el uso de la analítica de datos.
Debido a la cantidad de datos en la red de datos, la analítica de datos puede ser de mucha utilidad.
Algunos trabajos previos han estudiado problemas específicos en Internet desde el análisis de sus datos,
pero sin considerarlos de manera integral. (Aguilar, Buendía, & Cordero, 2017)
Con inversion por parte de las empresas para la creación de plataformas y sistemas avanzados para la
gestión de datos, se deja de lado las tecnologías tradicionales, que por sí solas no generan una ventaja
competitiva, se necesita crear ciertas capacidades especiales que sean difíciles de igualar por parte de
sus rivales (León García, 2023).
Muchas de estas plataformas exigen aprender técnicas bastante complejas, lo cual requiere tiempo y
recursos para entrenar al personal adecuadamente. Este tiempo de aprendizaje no solo retrasa la
adopcion efectiva, sino que genera resistencia al cambio y encarece los costos operativos.
Al combinar técnicas y métodos de procesamiento, la tecnología de análisis de datos se ha convertido
en una herramienta eficaz para que las empresas obtengan resultados relevantes para la gestión e
implementación estratégica . En la actualidad, el mundo digital utiliza ampliamente técnicas avanzadas
de análisis de datos para extraer conocimiento o información útil de diversos tipos de datos, como datos
del Internet de las Cosas (IoT), datos de salud, datos empresariales, datos de seguridad y muchos más,
que pueden apoyar en las decisiones inteligente en diversos ámbitos de aplicación ( Kumar Nashine,
Jain, Choubey, & Sharma, 2022).
El análisis de datos es una combinación de procesos y herramientas, incluyendo aquellos basados en
análisis predictivo (Nashine, Choubey, & Sharma, 2022).
Reddy Machireddy, Sankaran, & Kumar, 2025), pero cuando los datos provienen de diversas fuentes,
el análisis para toma de decisiones en pro de mantener la competencia en el mercado se ve interferida.
Sin embargo, cuando se utilizan técnicas para analizar datos, se optimizan las decisiones estratégicas
y con ello se aprovechan al máximo su potencial (Umadevi, 2024).
La Analítica de Datos es una ciencia que permite analizar datos y convertirlos en conocimiento, con el
fin de mejorar el entorno donde se producen esos datos (Hastie, Tibshirani, & Friedman, 2009). La
misma ha sido usada en múltiples ámbitos, por sus capacidades para descubrir conocimiento útil, el
cual, además, es usado en los procesos de toma de decisión. Se han desarrollado mecanismos,
estrategias, metodologías para facilitar el uso de la analítica de datos.
Debido a la cantidad de datos en la red de datos, la analítica de datos puede ser de mucha utilidad.
Algunos trabajos previos han estudiado problemas específicos en Internet desde el análisis de sus datos,
pero sin considerarlos de manera integral. (Aguilar, Buendía, & Cordero, 2017)
Con inversion por parte de las empresas para la creación de plataformas y sistemas avanzados para la
gestión de datos, se deja de lado las tecnologías tradicionales, que por sí solas no generan una ventaja
competitiva, se necesita crear ciertas capacidades especiales que sean difíciles de igualar por parte de
sus rivales (León García, 2023).
Muchas de estas plataformas exigen aprender técnicas bastante complejas, lo cual requiere tiempo y
recursos para entrenar al personal adecuadamente. Este tiempo de aprendizaje no solo retrasa la
adopcion efectiva, sino que genera resistencia al cambio y encarece los costos operativos.
Al combinar técnicas y métodos de procesamiento, la tecnología de análisis de datos se ha convertido
en una herramienta eficaz para que las empresas obtengan resultados relevantes para la gestión e
implementación estratégica . En la actualidad, el mundo digital utiliza ampliamente técnicas avanzadas
de análisis de datos para extraer conocimiento o información útil de diversos tipos de datos, como datos
del Internet de las Cosas (IoT), datos de salud, datos empresariales, datos de seguridad y muchos más,
que pueden apoyar en las decisiones inteligente en diversos ámbitos de aplicación ( Kumar Nashine,
Jain, Choubey, & Sharma, 2022).
El análisis de datos es una combinación de procesos y herramientas, incluyendo aquellos basados en
análisis predictivo (Nashine, Choubey, & Sharma, 2022).
pág. 632
La investigación está centrada en la eficacia de la información y el valor competitivo que logra alcanzar
la empresa con la automatización y desarrollo del proceso de análisis a través de la plataforma
propuesta, con ello se verán minimizados errores logrando resultados más precisos de las actividades
de usuarios en un menor tiempo, para así mejorar la toma de decisiones en comparación con los métodos
manuales (Guachamin, 2025).
METODOLOGÍA
El desarrollo de software se basa en la metodología de programación extrema la cual está caracterizada
por la colaboración, iteración y adaptación constante en un proyecto; observando ciclos de desarrollo
más cortos (sprints) y entregas frecuentes con el cliente en donde son factibles los cambios inmediatos,
logrando satisfacción de requerimientos del cliente mediante se vaya avanzando en el desarrollo de la
aplicación (Nurcahyani, 2024) (Figura 1).
Figura 1. Etapas de desarrollo programación extrema (XP)
RESULTADOS Y DISCUSIÓN
El tema de como evaluar de manera eficiente en cuestión de cantidad y avance, por parte de los
empleados desarrolladores de software, se basa en las interacciones reales, y permitiría a los equipos
detectar cuándo los empleados con un rol determinado se aíslan, (Avelino G, 2021). Se podrán evaluar
en tiempo real la eficiencia con la interacción de los equipos, como Scrum (Schwaber K, 2020).
La investigación está centrada en la eficacia de la información y el valor competitivo que logra alcanzar
la empresa con la automatización y desarrollo del proceso de análisis a través de la plataforma
propuesta, con ello se verán minimizados errores logrando resultados más precisos de las actividades
de usuarios en un menor tiempo, para así mejorar la toma de decisiones en comparación con los métodos
manuales (Guachamin, 2025).
METODOLOGÍA
El desarrollo de software se basa en la metodología de programación extrema la cual está caracterizada
por la colaboración, iteración y adaptación constante en un proyecto; observando ciclos de desarrollo
más cortos (sprints) y entregas frecuentes con el cliente en donde son factibles los cambios inmediatos,
logrando satisfacción de requerimientos del cliente mediante se vaya avanzando en el desarrollo de la
aplicación (Nurcahyani, 2024) (Figura 1).
Figura 1. Etapas de desarrollo programación extrema (XP)
RESULTADOS Y DISCUSIÓN
El tema de como evaluar de manera eficiente en cuestión de cantidad y avance, por parte de los
empleados desarrolladores de software, se basa en las interacciones reales, y permitiría a los equipos
detectar cuándo los empleados con un rol determinado se aíslan, (Avelino G, 2021). Se podrán evaluar
en tiempo real la eficiencia con la interacción de los equipos, como Scrum (Schwaber K, 2020).
pág. 633
El desarrollo incluye una página principal en donde se incluyen las funciones que beneficiarán al
usuario, y permite por medio de un contenedor central la carga de archivos, con soporte para formatos
JSON y CSV.
Pensando en el usuario la interfaz cuenta con instrucciones claras que guía al usuario durante el proceso
de carga de documentos. Además, ofrece opciones para arrastrar y liberar archivos o seleccionarlos
manualmente.
Figura 2. Página inicial de la Aplicación
Un gráfico inicial representa una primera aproximación a los datos, permitiendo seleccionar las
variables, en donde el usuario puede a través de menús desplegables, controlar la representación. Por
otra parte, en el “Eje X”, seleccionará las variables categóricas o numéricas disponibles. Y para el “Eje
Y”, permitiría la selección de múltiples variables numéricas simultáneamente. De esta manera
comparara diversas variables en un mismo gráfico, enriqueciendo así el análisis. (Fig. 3)
Figura 3. Configuración de variables por Eje
El desarrollo incluye una página principal en donde se incluyen las funciones que beneficiarán al
usuario, y permite por medio de un contenedor central la carga de archivos, con soporte para formatos
JSON y CSV.
Pensando en el usuario la interfaz cuenta con instrucciones claras que guía al usuario durante el proceso
de carga de documentos. Además, ofrece opciones para arrastrar y liberar archivos o seleccionarlos
manualmente.
Figura 2. Página inicial de la Aplicación
Un gráfico inicial representa una primera aproximación a los datos, permitiendo seleccionar las
variables, en donde el usuario puede a través de menús desplegables, controlar la representación. Por
otra parte, en el “Eje X”, seleccionará las variables categóricas o numéricas disponibles. Y para el “Eje
Y”, permitiría la selección de múltiples variables numéricas simultáneamente. De esta manera
comparara diversas variables en un mismo gráfico, enriqueciendo así el análisis. (Fig. 3)
Figura 3. Configuración de variables por Eje
pág. 634
Los valores del “Eje Y” se muestra en la parte superior de la tabla permitiendo seleccionar de manera
subrayada y eliminándose del gráfico, para filtrar los datos que se quiere mostrar. La gráfica (Figura 4
y Figura 5) se mostrará sobre una cuadrícula con los valores del “Eje X” y “Eje Y”. Al momento de
cambiar de gráfico se mantienen las mismas variables seleccionadas anteriormente.
Figura 4. Canvas con gráfica para exportar
Figura 5. Selección de variables en el Eje Y
Finalmente, la aplicación genera un panel estadístico automatizado, en donde calcula y presenta en
tiempo real un conjunto de métricas descriptivas clave para cada una de las variables seleccionadas en
el “Eje Y”. Además, genera un resumen individualizado y completo para cada variable (como se
muestra en la figura 6), permitiendo una comparación side-by-side rápida y eficiente. Esta
funcionalidad transforma el contenedor en un dashboard de análisis numérico que enriquece
sustancialmente la interpretación de los datos visualizados en el gráfico.
Los valores del “Eje Y” se muestra en la parte superior de la tabla permitiendo seleccionar de manera
subrayada y eliminándose del gráfico, para filtrar los datos que se quiere mostrar. La gráfica (Figura 4
y Figura 5) se mostrará sobre una cuadrícula con los valores del “Eje X” y “Eje Y”. Al momento de
cambiar de gráfico se mantienen las mismas variables seleccionadas anteriormente.
Figura 4. Canvas con gráfica para exportar
Figura 5. Selección de variables en el Eje Y
Finalmente, la aplicación genera un panel estadístico automatizado, en donde calcula y presenta en
tiempo real un conjunto de métricas descriptivas clave para cada una de las variables seleccionadas en
el “Eje Y”. Además, genera un resumen individualizado y completo para cada variable (como se
muestra en la figura 6), permitiendo una comparación side-by-side rápida y eficiente. Esta
funcionalidad transforma el contenedor en un dashboard de análisis numérico que enriquece
sustancialmente la interpretación de los datos visualizados en el gráfico.
pág. 635
Figura 6. Estadísticas generadas, con información de actividades por el usuario
Por otra parte, la aplicación tiene la función de exportar permitiendo conservar y compartir los
resultados de sus análisis visuales. Permite descargar el gráfico generado en formato PNG (Portable
Network Graphics) de alta resolución y calidad con fondo transparente, para que así el usuario logre
sobreponer el gráfico sobre otros materiales.
Figura 7. Exportar png de gráfico
Figura 6. Estadísticas generadas, con información de actividades por el usuario
Por otra parte, la aplicación tiene la función de exportar permitiendo conservar y compartir los
resultados de sus análisis visuales. Permite descargar el gráfico generado en formato PNG (Portable
Network Graphics) de alta resolución y calidad con fondo transparente, para que así el usuario logre
sobreponer el gráfico sobre otros materiales.
Figura 7. Exportar png de gráfico
pág. 636
CONCLUSIONES
Muchos sistemas web, como el comercio minorista en línea, los sistemas de información o los motores
de búsqueda, rastrean las interacciones de los usuarios con ellos. Los datos rastreados pueden incluir
información de alto nivel, como el tiempo de permanencia, los artículos revisados y los elementos en
los que se hace click, pero también información más detallada, como las trayectorias del ratón y las
pulsaciones de teclas (Lengauer, Tytarenko, Klaffenböck, & Klaffenböck, 2024).
Los datos de interacción del usuario consisten en eventos que capturan las acciones al realizar tareas en
un proceso a un nivel de detalle preciso. Cada evento corresponde a una interacción individual entre el
usuario y la interfaz de una aplicación de software, como hacer click en un botón, introducir texto en
un campo o marcar una casilla. (Rebmann & Han Van, 2024)
Este desarrollo demuestra que se puede facilitar el análisis de datos utilizando una plataforma web
interactiva, al permitir la carga de archivos proporcionando acceso sencillo a datos estructurados para
su posterior manipulación. La integración de gráficos dinámicos permite visualizar los datos de manera
clara y comprensible, adaptándose a diferentes tipos de representaciones como barras, líneas o pastel
mediante un selector intuitivo. Además, el sistema ofrece la posibilidad de aplicar filtros y seleccionar
directamente las variables. Con este proyecto se implementó una serie de tecnologías para manejar el
procesamiento y la visualización eficiente de grandes volúmenes de datos. Con las tecnologías
combinadas se asegura un sistema eficiente tanto en el procesamiento como en proporcionar gráficas
que representan de manera visual la información.
Haciendo uso de esta plataforma se mejora la gestión de datos y eficiencia en empresas de desarrollo,
al simplificar la tarea de la visualización con representaciones interactivas que permite identificar
patrones de productividad y distribuir equilibradamente la carga de trabajo entre los trabajadores. La
generación de estadísticas automáticas y herramientas de exportación facilita la toma de decisiones y
recolección de evidencias para una gestión y comunicación más sencilla entre los equipos de desarrollo.
La automatización del proceso de análisis de datos, tal como se ha logrado en este proyecto, tiene un
impacto significativo en la productividad empresarial. La capacidad de aplicar filtros y cambiar tipos
de gráficos dinámicamente permite a los analistas centrarse en extraer información valiosa en lugar de
lidiar con la preparación de datos.
CONCLUSIONES
Muchos sistemas web, como el comercio minorista en línea, los sistemas de información o los motores
de búsqueda, rastrean las interacciones de los usuarios con ellos. Los datos rastreados pueden incluir
información de alto nivel, como el tiempo de permanencia, los artículos revisados y los elementos en
los que se hace click, pero también información más detallada, como las trayectorias del ratón y las
pulsaciones de teclas (Lengauer, Tytarenko, Klaffenböck, & Klaffenböck, 2024).
Los datos de interacción del usuario consisten en eventos que capturan las acciones al realizar tareas en
un proceso a un nivel de detalle preciso. Cada evento corresponde a una interacción individual entre el
usuario y la interfaz de una aplicación de software, como hacer click en un botón, introducir texto en
un campo o marcar una casilla. (Rebmann & Han Van, 2024)
Este desarrollo demuestra que se puede facilitar el análisis de datos utilizando una plataforma web
interactiva, al permitir la carga de archivos proporcionando acceso sencillo a datos estructurados para
su posterior manipulación. La integración de gráficos dinámicos permite visualizar los datos de manera
clara y comprensible, adaptándose a diferentes tipos de representaciones como barras, líneas o pastel
mediante un selector intuitivo. Además, el sistema ofrece la posibilidad de aplicar filtros y seleccionar
directamente las variables. Con este proyecto se implementó una serie de tecnologías para manejar el
procesamiento y la visualización eficiente de grandes volúmenes de datos. Con las tecnologías
combinadas se asegura un sistema eficiente tanto en el procesamiento como en proporcionar gráficas
que representan de manera visual la información.
Haciendo uso de esta plataforma se mejora la gestión de datos y eficiencia en empresas de desarrollo,
al simplificar la tarea de la visualización con representaciones interactivas que permite identificar
patrones de productividad y distribuir equilibradamente la carga de trabajo entre los trabajadores. La
generación de estadísticas automáticas y herramientas de exportación facilita la toma de decisiones y
recolección de evidencias para una gestión y comunicación más sencilla entre los equipos de desarrollo.
La automatización del proceso de análisis de datos, tal como se ha logrado en este proyecto, tiene un
impacto significativo en la productividad empresarial. La capacidad de aplicar filtros y cambiar tipos
de gráficos dinámicamente permite a los analistas centrarse en extraer información valiosa en lugar de
lidiar con la preparación de datos.
pág. 637
REFERENCIAS BIBLIOGRÁFICAS
Aguilar, J., Buendía, O., & Cordero, J. (2017). Specification of the autonomic cycles of learning analytic
tasks for a smar classromm. Journal of educational computing Rresarch.
Avelino G, P. L. (2021). A novel approach for estimating truck factors. IEEE 24th International
Conference on Program Comprehension (ICPC). , 77-86.
Felstead, A., & Henseke, G. (2017). Assessing the growth of remote working and its consequences for
effort, well-being and work-life balance. New Technology, Work and Emplyment , 195-212.
Guachamin Guevara, A. X. (2025). Este fenómeno, comúnmente conocido como Industria 4.0, se basa.
Polo del Conocimiento, 1725-1735.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining,
inference and prediction. Burlin:Springer.
Kumar Nashine, H., Jain, R., Choubey, N., & Sharma, M. (2022). Special issue: International
Conference on. Model Assisted Statistics and Applications, 1-2.
Kumar, S., Reddy Machireddy, J., Sankaran, T., & Kumar, P. (2025). Integration of Machine Learning
and Data Science for Optimized Decision-Making in Computer Applications and Engineering.
Journal of Information Systems Engineering and Management, 748-759.
Lara Pulido, J. A., & Martinez Cruz, A. L. (2023). States benefits of teleworking in Mexico City: a
discrete choice experiment on office wotkers. Transportation, 1743-1807.
Lengauer, S., Tytarenko, M., Klaffenböck, M., & Klaffenböck, T. (2024). Interaction Visualization for
Analysing and Improving User Models. . Adjunct Proceedings of the 32nd ACM Conference on
User Modeling, Adaptation and Personalization.
León García, O. A. (2023). Impacto de las capacidades de análisis de big data en la innovación
empresarial. Ingeniería y Competitividad, 1-23.
Nashine , H., Choubey, R., & Sharma, N. (2022). Special issue: International Conference on Data
Analytics and Computational Techniques. Model Assisted Statistics and Applications. Model
Assisted Statistics and Applications.
REFERENCIAS BIBLIOGRÁFICAS
Aguilar, J., Buendía, O., & Cordero, J. (2017). Specification of the autonomic cycles of learning analytic
tasks for a smar classromm. Journal of educational computing Rresarch.
Avelino G, P. L. (2021). A novel approach for estimating truck factors. IEEE 24th International
Conference on Program Comprehension (ICPC). , 77-86.
Felstead, A., & Henseke, G. (2017). Assessing the growth of remote working and its consequences for
effort, well-being and work-life balance. New Technology, Work and Emplyment , 195-212.
Guachamin Guevara, A. X. (2025). Este fenómeno, comúnmente conocido como Industria 4.0, se basa.
Polo del Conocimiento, 1725-1735.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining,
inference and prediction. Burlin:Springer.
Kumar Nashine, H., Jain, R., Choubey, N., & Sharma, M. (2022). Special issue: International
Conference on. Model Assisted Statistics and Applications, 1-2.
Kumar, S., Reddy Machireddy, J., Sankaran, T., & Kumar, P. (2025). Integration of Machine Learning
and Data Science for Optimized Decision-Making in Computer Applications and Engineering.
Journal of Information Systems Engineering and Management, 748-759.
Lara Pulido, J. A., & Martinez Cruz, A. L. (2023). States benefits of teleworking in Mexico City: a
discrete choice experiment on office wotkers. Transportation, 1743-1807.
Lengauer, S., Tytarenko, M., Klaffenböck, M., & Klaffenböck, T. (2024). Interaction Visualization for
Analysing and Improving User Models. . Adjunct Proceedings of the 32nd ACM Conference on
User Modeling, Adaptation and Personalization.
León García, O. A. (2023). Impacto de las capacidades de análisis de big data en la innovación
empresarial. Ingeniería y Competitividad, 1-23.
Nashine , H., Choubey, R., & Sharma, N. (2022). Special issue: International Conference on Data
Analytics and Computational Techniques. Model Assisted Statistics and Applications. Model
Assisted Statistics and Applications.
pág. 638
Nipp HH, B., Geurts SA, T., & Kompier, M. (2012). Systematic review on te association between
employee worktime control and work . Scand J Work Environ Health, 299-313.
Nurcahyani, T. W. (2024). REKAYASA SISTEM INFORMASI PENYEWAAN BAJU KEBAYA
MENGGUNAKAN XTREME PROGRAMMING DENGAN UNFIFIED MODELLING
LANGUAGE. Jurnal Informattiña.
Parker, S., & Wang B., L. (2021). Achieving Effective Remote Working During the Covid-19A. App
Psychol, 16-59.
Rebmann, A., & Han Van, D. A. (2024). Recognizing task-level events from user interaction data.
Information Systems, 1-15.
Schwaber K, S. J. (2020). The definitive guide to Scrum: The rules of the game.
Umadevi, G. (2024). Computational. Tamil Nadu, India: Magestic Technology Solutions (P) Ltd.
Valdez Juarez, L. E., & Ramos Escobar, E. A. (2022). Innovate Business Strategies in the FACE of
COVID 19 An Approach to Open Innovation of SME . An Approach to Open Innovation of
SMEs in the Sonora Region of Mexico.
Wieser, L., & Abraham, M. (2024). Employee acceptance of digital monitoring system from home. New
Technology, Work and Employment, 109-142.
Nipp HH, B., Geurts SA, T., & Kompier, M. (2012). Systematic review on te association between
employee worktime control and work . Scand J Work Environ Health, 299-313.
Nurcahyani, T. W. (2024). REKAYASA SISTEM INFORMASI PENYEWAAN BAJU KEBAYA
MENGGUNAKAN XTREME PROGRAMMING DENGAN UNFIFIED MODELLING
LANGUAGE. Jurnal Informattiña.
Parker, S., & Wang B., L. (2021). Achieving Effective Remote Working During the Covid-19A. App
Psychol, 16-59.
Rebmann, A., & Han Van, D. A. (2024). Recognizing task-level events from user interaction data.
Information Systems, 1-15.
Schwaber K, S. J. (2020). The definitive guide to Scrum: The rules of the game.
Umadevi, G. (2024). Computational. Tamil Nadu, India: Magestic Technology Solutions (P) Ltd.
Valdez Juarez, L. E., & Ramos Escobar, E. A. (2022). Innovate Business Strategies in the FACE of
COVID 19 An Approach to Open Innovation of SME . An Approach to Open Innovation of
SMEs in the Sonora Region of Mexico.
Wieser, L., & Abraham, M. (2024). Employee acceptance of digital monitoring system from home. New
Technology, Work and Employment, 109-142.