LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1299.

DOI: https://doi.org/10.56712/latam.v5i6.3083

Predicción de la productividad de empleados en la industria
de la confección mediante random forest

Garment employee productivity prediction using random forest

Darwin Celin Padilla Gutierrez
dcpadillag@unac.edu.pe

https://orcid.org/0000-0003-2160-9248
Investigador independiente

Lima – Perú

Jose Alberto Aldave Valderrama
jaaldavev@unac.edu.pe

https://orcid.org/0000-0002-5815-4948
Investigador independiente

Lima – Perú

Artículo recibido: 18 de noviembre de 2024. Aceptado para publicación: 02 de diciembre de 2024.
Conflictos de Interés: Ninguno que declarar.

Resumen

En el ámbito de la manufactura eficiente textil, se destaca la importancia de la interacción entre la
elaboración y el empleo del potencial humano. Esta sinergia es esencial para lograr un proceso de
producción óptimo predictivo del empleo de las técnicas del cálculo algorítmico comparativo en
proporcionar un eficiente tratamiento industrial en producir prendas de vestir. La implementación de
datos analíticos es fundamental en esta dinámica, ya que brinda el soporte necesario para una
producción eficiente y, al mismo tiempo, genera un incremento en los márgenes de utilidad, La
colaboración entre los elementos de creación y fabricación, junto con el uso de datos analíticos, se
convierte en los factores de secuencias concatenadas producción. Esta interoperatividad no solo
mejora la eficiencia operativa, sino que también aumenta las ganancias. A través de la conexión entre
recursos y la aplicación inteligente de datos, se logra una visión única que guía hacia eventos
consecutivos esperados de resultados más rentables. Este estudio investiga los vínculos entre la
elaboración, la materia prima y el factor humano en la producción. Se examina cómo los datos
analíticos respaldan una fabricación más efectiva y se analizan los desafíos que implica esta
integración. Además, se explora su impacto en distintos sectores, incluyendo almacenes, corte,
confección, limpieza y expedición. Este enfoque novedoso ofrece una visión holística y efectiva para
aumentar la rentabilidad en la cadena de suministro y producción.

Palabras clave: interoperatividad, datos analíticos, factor humano productivo

Abstract
Within the realm of efficient textile manufacturing, the significance of the interplay between production
and human capital utilization is paramount. This synergy is indispensable for achieving an optimal
production process, facilitated by the predictive application of comparative algorithmic calculations to
deliver efficient industrial treatments in garment production. The implementation of analytical data is
fundamental to this dynamic, as it provides the necessary support for efficient production while
simultaneously increasing profit margins. The collaboration between design and manufacturing
elements, coupled with the use of analytical data, becomes the driving force behind a sequential

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1300.

production process. This interoperability not only enhances operational efficiency but also boosts
earnings. By connecting resources and intelligently applying data, a unique perspective is achieved
that guides towards expected sequential outcomes of increased profitability. This study delves into
the linkages between design, raw materials, and the human factor in production. It examines how
analytical data supports more effective manufacturing and analyzes the challenges inherent in this
integration. Additionally, its impact on various sectors, including warehousing, cutting, sewing,
finishing, and shipping, is explored. This novel approach offers a holistic and effective perspective to
augment profitability in the supply and production chain.

Keywords: interoperability, analytical data, productive human factor

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia Creative Commons.

Cómo citar: Padilla Gutierrez, D. C., & Aldave Valderrama, J. A. (2024). Predicción de la productividad
de empleados en la industria de la confección mediante random forest. LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades 5 (6), 1299 – 1316.
https://doi.org/10.56712/latam.v5i6.3083

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1301.

INTRODUCCIÓN

El artículo original trabaja en un modelo de predicción sobre el problema común que enfrenta la
industria de la confección y cómo se pueden aplicar los diversos parámetros para la extracción de
datos para su utilización. Al utilizar el conjunto de datos, en este estudio, analizaremos modelaciones
basadas en decisiones árbol, KNN, SVM, Los modelos pueden aprender a construir de ejemplos y luego
predecir cosas al detectar patrones en una gran cantidad de información (Kelleher et al., 2015.) Las
empresas que aportan su disponibilidad en recursos en prevención de grados ínfimos de riesgos, como
desarrollar estrategias y abordar la eficiencia de sus operaciones, viabilizan su posicionamiento a
superar estos desafíos y mantener su negocio funcionando de manera fluida (Türkeș et al., 2024) El
manifiesto comienza con una breve descripción sobre la importancia de la ropa y la industria del tejido
de telas seguida de una descripción del problema de productividad y su potencial para incrementar
proyectar ventas superiores al estimado y predecir con niveles ínfimos de pérdidas (Asohi, 2020).
Luego, se presenta una solución utilizando técnicas La optimización de los controladores de redes
neuronales se logra a través de la técnica progresión neuronal (Nadizar et al., 2023). La optimización
permitirá establecer una amplia red unificada que ofrecerá las capacidades de un proceso de
aprendizaje altamente preciso, aplicado a una red compuesta por la capacidad de predicción de la
inteligencia artificial. Para vislumbrar en este mar de datos, empleando brújulas tanto antiguas como
innovadoras con precisiones estadísticas tradicionales, como ARIMA, nos guiarán por corrientes
conocidas (Madzík et al., 2024a). Pero también como mediador la inteligencia artificial, nos acudirá en
la comunicación con algoritmos profundos que nos permitirán explorar herramientas a nuestra
disposición, así trazaremos un mapa cada vez más preciso en las estimaciones proyectivas.

Esta red establecerá conexiones que facilitarán el aprendizaje a partir de conjuntos de datos
interrelacionados. Se analizaron los datos relacionados con la efectividad y exactitud del proceso de
lineamiento proyectivo orientado a predicciones, utilizando una red unificada de datos
interconectados. La red integrada con las funciones de Una consecución de exactitud sistematizada a
una red conformada por la inteligencia de predicción artificial asociada crea vínculos para el
aprendizaje en los datos de conjunto.

En este estudio, se utilizó un conjunto de datos públicos de productividad de trabajadores de la
industria de la confección, obtenidos del sitio web del repositorio UCI. En lo que concierne a la precisión
de los resultados, la velocidad con la que se alcanza la convergencia, la estabilidad del sistema y su
capacidad para mantenerse firme ante variaciones (Xue & Shen, 2020). Se buscó el valor mínimo del
error absoluto medio (MAE) (Balla et al., 2021) , para predecir las etapas de productividad en la industria
de la confección (Jain & Kumar, 2020). Antes de aplicar los algoritmos, se realizó un preprocesamiento
de los datos, que incluyó la técnica de normalización, la técnica de reemplazo de valores faltantes y la
técnica de selección de atributos.

El documento comienza con una introducción que establece el contexto y el problema que se aborda.
Luego, se describe la metodología utilizada para recopilar y analizar los datos, incluyendo método de
extracción de información sistematizada, los modelos de aprendizaje automático (Vinodh Kumar et al.,
2023). Se presentan en forma de tablas y gráficos, lo que facilita la comprensión de los hallazgos.
Además, se proporciona una discusión detallada de los resultados y se comparan con precisión
medible (Zhou et al., 2020), los diferentes modelos utilizados. En general, el análisis se presenta de
manera clara y fácil de entender, lo que permite al lector comprender los hallazgos y las implicaciones
en el estudio de costos e incremento de eficacia (Tareque et al., 2020)

Los hallazgos derivados del análisis empleando el modelo de Random forest tuvo el mejor rendimiento
en la predicción del trabajador digitalizado industrialmente (Bas et al., 2022) , la confección con un
valor de correlación de 0.98 y un MAE de 0.026. La regresión lineal también tuvo un buen rendimiento,
con un valor de correlación de 0.97 y un MAE de 0.031. La red neuronal tuvo el peor rendimiento, con

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1302.

un valor de correlación de 0.94 y un MAE de 0.045. Se concluyó que el modelo de Random forest es el
más adecuado para predecir la productividad de los trabajadores de la industria (Nelsia et al., 2020).
utilizando el conjunto de datos requeridos aplicados a este modelo siendo el más adecuado para
predecir la operatividad pronosticada. la eficiencia de optimizar un máximo rendimiento (Yan et al.,
2022). En la industria de la confección se emplean los datos disponibles en el segmento de sucesiones
de la elaboración de prendas de indumentaria (Al-Jawazneh, 2011). Esto sugiere que la utilización del
empleo de la toma de datos tanto como los modelos de autoaprendizaje puede ser una solución
efectiva que acrecentará la implementación automática en la confección masiva (Sharma et al., 2022).

Figura 1

Esquema de trabajo en planta textil

El objetivo del artículo es construir un modelo de clasificación con alto valor de AUC, para estimaciones
para anticipar un posible resultado que se ajuste a los elementos de procesamiento para alcanzar una
función trazada a un objetivo en particular (Chelladurai et al., 2020). Es predecir el nivel productividad
del procedimiento de secuencias en series dará un valor de elaboración en cadena de una respuesta
esperada (Niu et al., 2023). la base de una base de datos real de una compañía de Bangladesh recolecta
por 3 meses en el año 2015. La base de datos seleccionada contiene 13 atributos y 1197 registros
recolectados.

En el estudio original, se basó en el uso de recursos de acceso abierto para la recopilación de datos de
productividad de trabajadores de la industria de la confección, que fue obtenido del sitio web del
repositorio UCI. El conjunto de datos contenía 15 atributos, incluyendo fecha, día, trimestre,
departamento, número de equipo, número de trabajadores, productividad objetivo, SMV, trabajo en
proceso, horas extras, incentivos, tiempo inactivo, hombres inactivos, productividad real y clases
continuas de productividad real. Antes de aplicar los algoritmos de aprendizaje elaborados (M. Z. Ali et
al., 2018). Se realizó un preprocesamiento de los datos, que incluyó la técnica de normalización, la
técnica de reemplazo de valores faltantes y la técnica de selección de atributos. Luego, se aplicaron
tres modelos de aprendizaje automático: el modelo de Random forest, la regresión lineal y la red
neuronal (Arora & Majumdar, 2022)

El cambio respecto al artículo original radica en dos partes, la primera en el proceso fue mejorar la
limpieza de datos, al no eliminar data sino encontrar las desviaciones e identificar aquellas que fueron
errores involuntarios y colocando los datos en las filas y columnas que corresponden, a diferencia del

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1303.

trabajo base que eliminó aquellos datos extraños que salían de la media. Como información
importante, identificamos en los artículos técnicos de referencia el uso de técnicas como "Lean", una
metodología cuyo objetivo era mejorar los procesos con el propósito de incrementar la rentabilidad y
productividad de estos, y la herramienta de análisis estadístico ANOVA para validación de hipótesis
sobre relación de datos o conjunto de datos con una confiabilidad aceptable (mejor que 0.95). La
segunda en que se trabajó en un modelo enfocado en minería de datos para construir un modelo que
aprendiera del conjunto de datos de entrenamiento existente y analizamos los modelos basados en
decisión tree, KNN y SVM.

DESARROLLO

Ha presenciado un notable aumento de dirección auto gestionable hacia el campo de la neuro
evolución acompañada, con un enfoque sostenido tanto en los dominios académicos como en los
sectores industriales (Jalali et al., 2020). Los artículos científicos que emplearon el conjunto de datos.
Se busca predecir la productividad sobre un dataset real con 15 features y 1197 registros. La
importancia del modelo basado en redes neuronales es que funciona con varios tipos de datos. El
empleo de métodos de extracción de información el estimar una calidad de procesos por fases de
exploración (Zou et al., 2020). incorporando así la viabilidad de la automatización en el proceso de
análisis (Kim et al., 2023). Experimentó con Random forest, y la progresión lineal (Balla et al., 2021).
Conjunto con las redes neuronales logrando resultados diferenciados. La muestra se tomó sobre el
sector textil de la India. El estudio se centra en demostrar cómo aumentar el ritmo de fabricación de
las personas en producción genera mejor calidad y menos desperdicios (Nelsia et al., 2020). El data
set fue publicado en el 2020, consideró 15 atributos diferentes y 1197 datos. Tiene como objetivo
predecir la productividad (producción por unidad de insumo) a partir de los recursos de la empresa
como operadores (varones y mujeres), materiales, máquinas, dinero y tiempo, seguidamente busca
demostrar la relación existente entre eficiencia, costo y productividad. En este abstracto estudiado se
vislumbra una nueva función de producción basada en el empoderamiento digital para analizar su
impacto en la operatividad empresarial, abarcando tanto factores tradicionales como digitales. (Meng
& Wang, 2023a). Utilizando, modelos vinculados al factor con el desempeño de las empresas, los
sectores textiles y de procesamiento de recursos, esto origina trayectorias divergentes en su evolución
hacia la transformación digital. La indagación denota la consecuencia de la sostenibilidad verde en
cuanto a la prestación de costo en energías, como las innovaciones y su funcionalidad la reducción de
desechos y la implementación de tecnologías limpias (Madzík et al., 2024b) . En el contexto de la
fabricación eficiente, los empleados de la sección de trabajo desempeñan una función esencial en el
proceso de reducción de los desechos. Esto se debe a que mantienen una interacción directa con los
trabajadores operativos de la compañía en el entorno de la producción ajustada (Raju & Academy,
2014). Un innovador enfoque para realizar deducciones en modelos de lenguaje predictivos en eventos
futuros mediante la inferencia de modelos lingüísticos probabilísticos (Yao et al., 2023). La elaboración
y la fabricación con materia prima y mano de obra integran los procesos de fabricación al entenderse
ello ejecuta los datos de análisis para sustentar la óptima eficiente producción y a la vez acrecienta el
margen de utilidades y la muestra se tomó de la empresa Ready Made Garments (RMG) de Bangladesh
(BD). La investigación proporciona la validación del indicador de evaluación siendo una herramienta
más importante, especialmente en el sector de la confección, que ayuda a aumentar los ingresos,
rendimientos y aprovechamiento de los materiales e insumos (Y. Li et al., 2023.

La investigación aplica el método de regresión en perspectiva (Jayakrishnan et al., 2018). Estudiar la
relación de las ventas - productividad- de los distintos productos que tiene una tienda en Bangladesh y
con ello. La prospectiva en la producción, constante búsqueda de perfeccionamiento y el horizonte de
lograr una gestión aún más eficaz en el futuro (Quddus & Ahsan, 2014).

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1304.

Predecir los ingresos de los productos mejor cotizados y de los menos cotizados. Los resultados
obtenidos de este estudio resultan en el número previsto de ventas de bienes para el año 2020 que
asciende a 169,715 artículos. Entre sus conclusiones tienen que el valor del error cuadrático medio
está en 40.476. La tecnología avanzada es esencial para que los mercados de materias primas para
que progresen en la industria en la economía de proyecciones (Litvinenko, 2020).

Se enfoca en la categorización de prendas mediante técnicas de machine learning para la predicción
de categorías y subcategorías de prendas de vestir a partir de un conjunto de atributos de las prendas,
entre ellas Random Forest. Esta investigación es importante para mejorar la productividad en la
industria textil ya que apoya a la selección automatizada de prendas con un margen mínimo de error
evitando reprocesamientos en la corrección de errores de selección. Las secuencias neuronales son
interpolaciones dinámicas creadas de manera manual, de gran complejidad mediante enlace dirigido
conectados entre sí por arcos dirigidos que cuentan con relativas variables de ordenamiento de
valorativos secuencial (Ali et al., 2021).

Un enfoque proyectivo de las empresas manufactureras en la evaluación de los riesgos vinculados a
la transición de factor de predicción para optar en su sector cadena de eficiencias (Shang et al., 2023).
Al crear nuevos productos, servicios o procesos, la innovación puede generar nuevas oportunidades
de mercado y mejorar la productividad de las empresas (Ganzer et al., 2017). La Descripción del
conjunto de datos Negocio de la manufactura Textil en Bangladesh proporciona grandes ingresos a la
economía del país, por ello se hizo mucho énfasis en mejorar la forma de la cadena de producción y
reducir las pérdidas, las que se puede deber por estaciones mal ubicadas, estaciones de trabajo que
formen líneas saturadas, la falta de insumos en forma oportuna, la demora en la revisión de la calidad
de producto, los reprocesos en la fabricación de prendas, entre otros (Conservatoire national des arts
et métiers (France) et al., 2019a)

Número y tipo de características

Binarias: Encontramos datos que podían llevarse a calificar como binarios, tales como “department”
(sweing; finishing) Continuas: Los “idle time” e “idle men” otorgan información sobre interrupciones en
el proceso de fabricación de ropa.

METODOLOGÍA

La estrategia para el manejo de datos faltantes, La exactitud de un modelo predictivo ha adquirido un
rol fundamental en la calidad y confiabilidad de las elecciones y decisiones realizadas (J. Li et al.,
2020). La metodología “lean” o de control de desperdicios, muy empleada en las industrias o empresas
que desean subir su efectividad en la producción, manufactura, empaquetamiento u otro proceso de la
cadena de fabricación (Hamja et al., 2019). Así también brindará una maximización de sus ingresos al
controlar las pérdidas de producción nos permite llenar con la media los valores desconocidos en la
columna “wip”. Persigue la conjunción de criterios e ideas con el propósito de maximizar la rentabilidad,
todo ello bajo una perspectiva de futuro que se alinea con las pautas y patrones establecidos. Este
enfoque implica la expansión de habilidades de entrenamiento cooperativo de funciones y la adopción
de procesos y controles estadísticos. Sin embargo, es importante tener. Esto cruzado con los valores
de incentivos nos permite entender que en el proceso donde se detectará tiempo muerto aumentaba
el tiempo asignado por tarea y con ello afectando la producción o fabricación de telas (Sadatnya et al.,
2023). El análisis comprende varios ámbitos del departamento de producción, concretamente el
almacén, la etapa de corte, la confección, la limpieza y el proceso de expedición. También se examinan
los intentos previamente realizados y los desafíos que la empresa. A ha afrontado al tratar de eliminar
estos tipos de residuos (Chiromo & Nel, 2015). En el proceso de ejecución del conjunto de datos
integrados del no total añadidos debe complementarse más data para la elaboración ejecutada de
manufacturación para predecir la cadena integral en bloque agrupado (Conservatoire national des arts
et métiers (France) et al., n.d.-b). La selección y justificación de la medida de calidad son los factores

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1305.

que afectan los datos, como por ejemplo duplicidad de datos. Se empleará se integrará la búsqueda
de datos inconsistentes. La selección eficaz de miembros es esencial para el funcionamiento dinámico
de la cadena de suministro. Este algoritmo de selección de miembros de la cadena de suministro
basado en redes generativas condicionales adversariales aborda el problema de la gran cantidad de
atributos de decisión y la baja cantidad de datos para el análisis de decisiones (Lin et al., 2022).

Existen una serie de datos que están en el dataset que se consideran “ruido”, es decir son datos que
aparentemente están fuera de los rangos normales y sería erróneos, para determinar verdaderamente
si son erróneos se hace una revisión estadística y visual de los datos, esto no es sencillo para el ojo
humano por lo que se usan algoritmos. Mediante este recurso que ha impulsado las áreas ineficientes
a liberar un mayor potencial de creación de valor mediante la mejora de la productividad, al optimizar
los factores de producción (Meng & Wang, 2023b).

Finalmente, para evaluar la predictibilidad de los datos se usarán modelos, el primer modelo para
probar será Random Forest con métricas micro-average y macro-average F1 Score con apoyo de una
matriz de confusión para visualizar y comprender más fácilmente la clasificación predicha,
posteriormente se usarán los algoritmos KNN, SMV y XGBoost Estrategia de validación a emplear para
el ajuste de hiperparámetros. Se usará GridSearch para realizar un primer ajuste de parámetros de
Random Forrest y se buscará la mejor métrica que nos permite comparar si un modelo es mejor que
otro para este caso multiclass.

Estudio de los datos

Negocio de la manufactura Textil en Bangladesh proporciona grandes ingresos a la economía del país,
por ello se hizo mucho énfasis en mejorar la forma de la cadena de producción y reducir las pérdidas,
las que se puede deber por estaciones mal ubicadas, estaciones de trabajo que formen líneas
saturadas, la falta de insumos en forma oportuna, la demora en la revisión de la calidad de producto,
los reprocesos en la fabricación de prendas, entre otros.

Tabla 1

Descripción de la base de datos

Leyenda Descripción
Date Fecha en formato m/d/yy
Quarter Mes dividido en semanas de 1 al 5
Department Área del proceso o departamento
Day Día de la semana
Team Equipo de trabajo
Targeted_productivity Valor impuesto por la gerencia como objetivo
Smv Promedio de tiempo que toma la actividad
Wip Trabajo en proceso, incluye las pérdidas de tiempo
Over_time Representa en minutos el sobre tiempo de trabajo
Incentive Cantidad de dinero otorgada como incentivo para subir la productividad
Idle_time Cantidad de tiempo perdida en producción por cualquier motivo
Idle_men Número de trabajadores que pierden tiempo durante el proceso
No_of_style_change Número de cambio de estilos
No_of_workers Número de trabajadores en un equipo
Actual_productivity La productividad actual de los trabajadores entre 0 y 1

Dentro de las columnas podemos destacar las siguientes características para trabajar el estudio:

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1306.

Tabla 2

Cantidad de tareas por Departamento

Department Cantidad
finishing 506
sweing 691
Total 1197

RESULTADOS

Análisis Estadístico del Data Set

El preprocesamiento de los datos en el departamento de costura se tiene que la línea naranja es el
objetivo de la empresa y la línea azul es lo logrado por el departamento.

Gráfico 1

La productividad esperada y lograda según los departamentos de costura

En el departamento de acabado se tiene que la línea naranja es el objetivo de la empresa y la línea azul
es lo logrado por el departamento.

Gráfico 2

La productividad esperada y lograda según los departamentos de acabados

Se pueden apreciar ciertas correlaciones entre los datos y por otro lado tendencias hacia donde los
datos se agrupan, esto nos da una previa idea de cómo ciertas variables se pueden ver influenciadas
por otras dentro de la base de datos, es a través del trabajo del análisis de los números que

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1307.

identificamos aquellos que influyen en cual es la que logra la meta de producción y cuales no aportan
significativamente. En el trabajo previo solo se analizó desde la mirada de trabajo de datos, pero no
tanto una revisión estadística mediante gráficos de tendencias de datos o análisis de “boxplot”.

Gráfico 3

Análisis de dispersión del tiempo promedio por actividad de los departamentos

Gráfico 4

Análisis de dispersión del tiempo promedio por actividad según número de trabajadores

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1308.

Gráfico 5

Análisis de dispersión del incentivo económico sobre el overtime

Durante la revisión de la base de datos encontramos una cantidad de datos extraños, conocidos como
“outlayers” que fueron eliminados en el trabajo original e identificamos que no eran errores de lectura
de datos sino errores de asignación en característica, es decir sin tener que eliminarlos sino colocando
sus datos en la columna correcta se obtenían datos adicionales valiosos y correctos que pueden
mejorar el análisis del caso.

Gráfico 6

Outlayers encontrados en la categoría “trabajo en proceso”

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1309.

Gráfico 7

Outlayers encontrados en la categoría “incentivo”

Gráfico 8

Análisis de la relación Sobre tiempo vs Incentivo e identificación de outlayers

Nuevo procesamiento de los datos originales

Se puede representar nuestro proceso como el siguiente:

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1310.

Gráfico 9

Procesado de la predicción de la planta en función del estudio de los datos

Después de las correcciones de los casos encontrados vemos una mejoría en la disposición de los
datos, se puede mostrar en las siguientes gráficos:

Gráfico 10

Datos del trabajo en proceso WIP antes de la depuración de Outlayers en contexto por “Departamentos

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1311.

Gráfico 11

Datos del trabajo en proceso WIP después de la depuración de Outlayers en contexto por
“Departamentos”

DISCUSIÓN

Análisis de resultados

Tabla 3

Resultados de los modelos

Entrenamiento Pruebas
Exacti

tud
F1_Mi

cro
F1_Ma

cro
F1_Weig

hted
Exacti

tud
F1_Mi

cro
F1_Ma

cro
F1_Weig

hted
Random Forest
Classifier Ajustado

0.791
8

0.791
8

0.792
0

0.7920 0.720
8

0.720
8

0.635
4

0.7246

Random Forest
Classifier ReAjustado

0.876
5

0.876
5

0.876
1

0.8761 0.804
1

0.804
1

0.735
7

0.8030

Kneighbors Classifier
Ajustado

0.752
3

0.752
3

0.667
7

0.7435 0.687
5

0.687
5

0.587
8

0.6773

Support Vector
Machine Ajustado

0.784
7

0.784
7

0.700
0

0.7648 0.762
5

0.762
5

0.656
3

0.7421

Logistic Regression
Ajustado

0.719
9

0.719
9

0.604
1

0.6902 0.687
5

0.687
5

0.558
4

0.6537

En consecuente a la data sugiere que este modelo es el más efectivo en la clasificación analítica
utilizada en este estudio. En contraste a la regresión ajustada denota bajas tendencias en todas las
métricas del conjunto analizado. El modelo soslaya que la selección del algoritmo puede tener un
considerable factor a precisiones predictivas.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1312.

Limitaciones del estudio

Se exponen las presentes restricciones causales a ser consideradas al momento de la abstracción de
datos en consecuencia a los réditos en estas instancias, es posible que haya sesgos en la selección
de la muestra. Si los participantes no representan adecuadamente a la población objetivo, esto podría
haber influido en la generalización de los hallazgos. Además, las limitaciones en la medición de las
variables pueden afectar la validez de los resultados. Por ejemplo, si los instrumentos utilizados para
medir las variables no son suficientemente precisos o confiables, esto podría dar lugar a datos
distorsionados. Por último, es importante señalar que los efectos de factores externos no controlados
podrían haber influido en los resultados, limitando la capacidad del estudio para establecer relaciones
causales.

Futuras líneas de investigación

Basándose en los hallazgos de este estudio, se proponen varias direcciones para futuras
investigaciones. En primer lugar, sería beneficioso realizar estudios longitudinales que permitan
observar las tendencias a lo largo del tiempo y la evolución de las variables en diferentes contextos.
Además, se sugiere investigar la efectividad de diferentes intervenciones basadas en los resultados
encontrados, así como explorar las interacciones entre las variables que no se abordaron en este
estudio. También sería interesante ampliar la muestra a diferentes poblaciones para mejorar la validez
externa de los hallazgos y responder a las preguntas que quedan sin resolver.

CONCLUSIÓN

Mediante un arduo estudio de la revisión de los datos se han identificado relaciones significativas entre
diversas variables, como quantil, día de la semana, incentivos, productividad y tiempos muertos, en
relación con los intervalos entre actividades. Factores que destacan el rendimiento superior del modelo
"Random Forest Classifier Reajustado" con un 80.41%, seguido por el "Super Vector Machine ajustado"
con un 76.25%, y el "Random Forest Classifier ajustado" en tercer lugar con un 72.08%. Estos hallazgos
se basan en la optimización de la productividad mediante el nuevo preprocesamiento de datos y
subrayan la influencia positiva de los incentivos en la consecución de objetivos en el área de costura.
Es relevante señalar que este estudio, al considerar múltiples enfoques de aprendizaje automático,
como las Redes Neuronales, no descarta posibles estrategias adicionales para resolver desafíos
laborales.

Dentro de este contexto, se ha introducido un modelo de evolución prospectiva lineal que abarca la
inclusión de datos faltantes en las proyecciones. Al llevar a cabo una comparación entre esta
metodología y el modelo de precisión, se establecen proporciones esenciales que posibilitan una
evaluación precisa. Estas adiciones metodológicas amplían la riqueza del estudio al brindar una
comprensión más abarcadora y contextualizada de los resultados obtenidos. Además, los
descubrimientos derivados de esta investigación no solo impulsan la mejora de la capacidad laboral,
sino que también aportan evidencia sólida que respalda la optimización de la producción en el ámbito
del producir telas y ropas de prendas. En última instancia, este estudio no se limita únicamente a la
meticulosa exploración de los datos, sino que también presenta un enfoque analítico enriquecido y
funcional que tiene el potencial de orientar decisiones y prácticas en el ámbito industrial, esta
investigación proporciona un marco sólido para abordará la eficiencia óptima y ofrece direcciones
valiosas para futuras investigaciones sin cerrar puertas a otras oportunidades de desarrollo y análisis.
Es esencial que las organizaciones creen un entorno laboral que respalde el crecimiento técnico
específico de operatividad de los empleados, Esto implica brindar oportunidades significativas para el
aprendizaje y el desarrollo, junto con un ambiente de trabajo que fomente la creatividad y la innovación
(Shahzad et al., 2022).

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1313.

REFERENCIAS

Ali, S. I., Ali, A., AlKilabi, M., & Christie, M. (2021). Optimal supply chain design with product family: A
cloud-based framework with real-time data consideration. Computers & Operations Research, 126,
105112. https://doi.org/10.1016/j.cor.2020.105112

Ali, M. Z., Awad, N. H., Reynolds, R. G., & Suganthan, P. N. (2018). A balanced fuzzy Cultural Algorithm
with a modified Levy flight search for real parameter optimization. Information Sciences, 447, 12–35.
https://doi.org/10.1016/j.ins.2018.03.008

Al-Jawazneh. (2011). Terms and conditions Privacy policy The internal lean manufacturing practices at
the apparel manufacturing companies in Jordan. In Finance and Administrative Sciences (Issue 43).
https://www.scopus.com/inward/record.uri?eid=2-s2.0-
84255205321&partnerID=40&md5=7eaa6f59b825da0f195e6df4b022c5c2

Arora, S., & Majumdar, A. (2022). Machine learning and soft computing applications in textile and
clothing supply chain: Bibliometric and network analyses to delineate future research agenda. In Expert
Systems with Applications (Vol. 200). Elsevier Ltd. https://doi.org/10.1016/j.eswa.2022.117000

Asohi, Y. (2020). IMPELEMENTASI ALGORITMA REGRESI LINIER BERGANDA UNTUK PREDIKSI
PENJUALAN. In Jurnal Nasional Ilmu Komputer (Vol. 1, Issue 3).

Balla, I., Rahayu, S., Jaya Purnama, J., & Author, C. (2021). GARMENT EMPLOYEE PRODUCTIVITY
PREDICTION USING RANDOM FOREST. https://doi.org/https://doi.org/10.33480/techno.v18i1.2210

Bas, G., Dönmezer, S., & Durakbasa, M. N. (2022). A Roadmap for Quality of the Digital Human Model in
the Textile and Apparel Industry enabled by Digital Transformation. IFAC-PapersOnLine, 55(39), 319–
324. https://doi.org/10.1016/j.ifacol.2022.12.043

Chelladurai, S. J. S., Murugan, K., Ray, A. P., Upadhyaya, M., Narasimharaj, V., & Gnanasekaran, S. (2020).
Optimization of process parameters using response surface methodology: A review. Materials Today:
Proceedings, 37(Part 2), 1301–1304. https://doi.org/10.1016/j.matpr.2020.06.466

Chiromo, F., & Nel, A. (2015). LEAN MANUFACTURING CHALLENGES IN A SOUTH AFRICAN CLOTHING
COMPANY.

Conservatoire national des arts et métiers (France), IEEE Systems, M., & Institute of Electrical and
Electronics Engineers. (2019a). 2019 6th International Conference on Control, Decision and Information
Technologies (CoDIT’19) : April 23-26, 2019, Le Cnam, Paris, France.

Conservatoire national des arts et métiers (France), IEEE Systems, M., & Institute of Electrical and
Electronics Engineers. (n.d.-b). 2019 6th International Conference on Control, Decision and Information
Technologies (CoDIT’19) : April 23-26, 2019, Le Cnam, Paris, France.

Ganzer, P. P., Chais, C., & Olea, P. M. (2017). Product, process, marketing and organizational innovation
in industries of the flat knitting sector. RAI Revista de Administração e Inovação, 14(4), 321–332.
https://doi.org/10.1016/j.rai.2017.07.002

Hamja, A., Maalouf, M., & Hasle, P. (2019). The effect of lean on occupational health and safety and
productivity in the garment industry–a literature review. Production and Manufacturing Research, 7(1),
316–334. https://doi.org/10.1080/21693277.2019.1620652

Jain, S., & Kumar, V. (2020). Garment categorization using data mining techniques. Symmetry, 12(6).
https://doi.org/10.3390/SYM12060984

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1314.

Jalali, S. M. J., Ahmadian, S., Khosravi, A., Mirjalili, S., Mahmoudi, M. R., & Nahavandi, S. (2020).
Neuroevolution-based autonomous robot navigation: A comparative study. Cognitive Systems
Research, 62, 35–43. https://doi.org/10.1016/j.cogsys.2020.04.001

Jayakrishnan, M., Mohamad, A. K., Azmi, F. R., & Abdullah, A. (2018). Implementation of business
intelligence framework for Malaysian halal food manufacturing industry towards initiate strategic
financial performance management. Management Science Letters, 8(10), 1059–1076.
https://doi.org/10.5267/j.msl.2018.7.007

Kelleher, J. D., Mac Namee, Brian., & D’Arcy, A. (n.d.). Fundamentals of machine learning for predictive
data analytics : algorithms, worked examples, and case studies.

Kim, S., Yoon, H. C., Lim, J.-T., Jeong, D., & Kim, K. H. (2023). Productivity prediction in the Wolfcamp A
and B using weighted voting ensemble machine learning method. Gas Science and Engineering, 111,
204916. https://doi.org/10.1016/j.jgsce.2023.204916

Li, J., Tian, Y., Zhu, Y., Zhou, T., Li, J., Ding, K., & Li, J. (2020). A multicenter random forest model for
effective prognosis prediction in collaborative clinical research network. Artificial Intelligence in
Medicine, 103. https://doi.org/10.1016/j.artmed.2020.101814

Li, Y., Xie, S., Wan, Z., Lv, H., Song, H., & Lv, Z. (2023). Graph-powered learning methods in the Internet
of Things: A survey. Machine Learning with Applications, 11, 100441.
https://doi.org/10.1016/j.mlwa.2022.100441

Lin, H., Lin, J., & Wang, F. (2022). An innovative machine learning model for supply chain management.
Journal of Innovation and Knowledge, 7(4). https://doi.org/10.1016/j.jik.2022.100276

Litvinenko, V. S. (2020). Digital Economy as a Factor in the Technological Development of the Mineral
Sector. Natural Resources Research, 29(3), 1521–1541. https://doi.org/10.1007/s11053-019-09568-4

Madzík, P., Falát, L., Yadav, N., Lizarelli, F. L., & Čarnogurský, K. (2024a). Exploring uncharted territories
of sustainable manufacturing: A cutting-edge AI approach to uncover hidden research avenues in green
innovations. Journal of Innovation and Knowledge, 9(3). https://doi.org/10.1016/j.jik.2024.100498

Madzík, P., Falát, L., Yadav, N., Lizarelli, F. L., & Čarnogurský, K. (2024b). Exploring uncharted territories
of sustainable manufacturing: A cutting-edge AI approach to uncover hidden research avenues in green
innovations. Journal of Innovation and Knowledge, 9(3). https://doi.org/10.1016/j.jik.2024.100498

Meng, F., & Wang, W. (2023a). The impact of digitalization on enterprise value creation: An empirical
analysis of Chinese manufacturing enterprises. Journal of Innovation and Knowledge, 8(3).
https://doi.org/10.1016/j.jik.2023.100385

Meng, F., & Wang, W. (2023b). The impact of digitalization on enterprise value creation: An empirical
analysis of Chinese manufacturing enterprises. Journal of Innovation and Knowledge, 8(3).
https://doi.org/10.1016/j.jik.2023.100385

Nadizar, G., Medvet, E., Nichele, S., & Pontes-Filho, S. (2023). An experimental comparison of evolved
neural network models for controlling simulated modular soft robots. Applied Soft Computing, 145.
https://doi.org/10.1016/j.asoc.2023.110610

Nelsia, K., Dharsini, P., & Sashikkumar, M. C. (2020). Probabilistic model development for estimating
construction labor productivity optimization integrating with fuzzy logic approach systems. In Iranian
Journal of Fuzzy Systems (Vol. 17, Issue 6).

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1315.

Niu, H., Wu, W., Xing, Z., Wang, X., & Zhang, T. (2023). A novel multi-tasks chain scheduling algorithm
based on capacity prediction to solve AGV dispatching problem in an intelligent manufacturing system.
Journal of Manufacturing Systems, 68, 130–144. https://doi.org/10.1016/j.jmsy.2023.03.007

Quddus, M. A., & Ahsan, A. M. M. N. (2014). A Shop-floor Kaizen Breakthrough Approach to Improve
Working Environment and Productivity of a Sewing Floor in RMG Industry. In JTATM (Vol. 8, Issue 4).

Raju, P. G., & Academy, U. M. (2014). Impact of longer usage of lean manufacturing system (Toyotism)
on employment outcomes-a study in garment manufacturing industries in India Madhuri Modekurti-
Mahato. In Int. J. Services and Operations Management (Vol. 18, Issue 3).

Sadatnya, A., Sadeghi, N., Sabzekar, S., Khanjani, M., Tak, A. N., & Taghaddos, H. (2023). Machine
learning for construction crew productivity prediction using daily work reports. Automation in
Construction, 152. https://doi.org/10.1016/j.autcon.2023.104891

Shahzad, M., Qu, Y., Rehman, S. U., & Zafar, A. U. (2022). Adoption of green innovation technology to
accelerate sustainable development among manufacturing industry. Journal of Innovation and
Knowledge, 7(4). https://doi.org/10.1016/j.jik.2022.100231

Shang, C., Jiang, J., Zhu, L., & Saeidi, P. (2023). A decision support model for evaluating risks in the
digital economy transformation of the manufacturing industry. Journal of Innovation and Knowledge,
8(3). https://doi.org/10.1016/j.jik.2023.100393

Sharma, P., Shah, J., & Patel, R. (2022). Artificial intelligence framework for MSME sectors with focus
on design and manufacturing industries. Materials Today: Proceedings, 62(P13), 6962–6966.
https://doi.org/10.1016/j.matpr.2021.12.360

Tareque, Mr. M. A., Islam, N., & Roy, S. (2020). Increasing Efficiency: Case Study of Ready Made
Garments in Bangladesh. International Journal of Engineering and Computer Science, 9(06), 25085–
25101. https://doi.org/10.18535/ijecs/v9i06.4503

Türkeș, M. C., Stăncioiu, A. F., & Marinescu, R. C. (2024). Modeling the impact of resilience factors and
relational practice on performance of the supply chain. Journal of Innovation and Knowledge, 9(3).
https://doi.org/10.1016/j.jik.2024.100533

Vinodh Kumar, P., Manikandan, V., Manavaalan, G., & Elango, S. (2023). Developing digital twin design
for enhanced productivity of an automated anodizing industry and process prediction using hybrid deep
neural network. Engineering Applications of Artificial Intelligence, 122.
https://doi.org/10.1016/j.engappai.2023.106086

Xue, J., & Shen, B. (2020). A novel swarm intelligence optimization approach: sparrow search algorithm.
Systems Science and Control Engineering, 8(1), 22–34.
https://doi.org/10.1080/21642583.2019.1708830

Yan, Y., Gupta, S., Licsandru, T. C., & Schoefer, K. (2022). Integrating machine learning, modularity and
supply chain integration for Branding 4.0. Industrial Marketing Management, 104, 136–149.
https://doi.org/10.1016/j.indmarman.2022.04.013

Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T. L., Cao, Y., & Narasimhan, K. (2023). Tree of Thoughts:
Deliberate Problem Solving with Large Language Models. http://arxiv.org/abs/2305.10601

Zhou, G., Moayedi, H., Bahiraei, M., & Lyu, Z. (2020). Employing artificial bee colony and particle swarm
techniques for optimizing a neural network in prediction of heating and cooling loads of residential
buildings. Journal of Cleaner Production, 254. https://doi.org/10.1016/j.jclepro.2020.120082

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, diciembre, 2024, Volumen V, Número 6 p 1316.

Zou, W. Q., Pan, Q. K., Meng, T., Gao, L., & Wang, Y. L. (2020). An effective discrete artificial bee colony
algorithm for multi-AGVs dispatching problem in a matrix manufacturing workshop. Expert Systems
with Applications, 161. https://doi.org/10.1016/j.eswa.2020.113675

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en
este sitio está disponibles bajo Licencia Creative Commons .