MétaCan
Menu
Retour à la cohorte
Enregistrement W4404648637 · doi:10.60100/rcmg.v5i2.355

Mejora continua en empresas de agua potable a través del modelado de procesos: caso de estudio EP-EMAPAR

2024· article· es· W4404648637 sur OpenAlexaff
Julia Anabela Cedeño Carrera, Juan Francisco Dillon, Bolívar Alexis Ricaurte Coto, Daicy Paola Arias Salazar

Notice bibliographique

RevueRevista Científica Multidisciplinar G-nerando · 2024
Typearticle
Languees
DomaineBusiness, Management and Accounting
ThématiqueBusiness Strategies and Innovation
Établissements canadiensDillon Consulting
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPotable waterPolitical scienceEnvironmental scienceGeologyPhilosophyEnvironmental engineering

Résumé

récupéré en direct d'OpenAlex

La investigación que se presenta está basada en la implementación del modelado de procesos institucionales con un enfoque en la mejora continua en empresas públicas de servicios de agua potable y alcantarillado, una empresa pública enfocada en la gestión de servicios relacionados con el suministro de agua potable y el tratamiento de aguas residuales. a través de un análisis detallado, se examina cómo empresas públicas de servicios de agua potable y alcantarillado adoptó un enfoque sistemático en la investigación cualitativa para mapear y modelar sus procesos institucionales, con el objetivo de identificar y corregir ineficiencias, así como de capitalizar oportunidades de optimización. este proceso de transformación operativa no fue solo una iniciativa puntual, sino parte de un compromiso con la mejora continua, una estrategia que la empresa integró en su cultura organizacional. El artículo explora cómo, mediante la aplicación de herramientas para un control estadístico de los procesos administrativos de las empresas públicas de servicios de agua potable y alcantarillado encaminada a la metodología de la gestión de procesos de operaciones internas. este enfoque en la mejora continua permitiría a las empresas implementar cambios graduales pero sostenibles, que resulten en una mayor satisfacción del cliente y en una operativa más ágil y adaptable, preparándola para enfrentar desafíos futuros con mayor proactividad y flexibilidad.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,692
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,000
Communication savante0,0050,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,016
Tête enseignante GPT0,273
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevista Científica Multidisciplinar G-nerandoMême sujetBusiness Strategies and InnovationTravaux en français237 207