Anda di halaman 1dari 239

Elaborado por Mah Gonzlez Arias Roberto A.

Fras Jimnez Leonardo Cutara Snchez Yakeln Corzo Snchez ngela Gonzlez Laucirica

UMCC
Universidad de Matanzas Camilo Cienfuegos

CETUM
Centro de Estudios de Turismo

HASPNET. Texto bsico.


Pg 3 6 6 14 17 21 21 33 43 46 50 50 71 73 74 77 78 87 87 89 91 95 96 97 97 98 99 110 111 123 123 141 142 148 155 155 160 163 189 190 190 193 199 236 237 238

ndice de materias Introduccin CAPTULO I: Aspectos generales sobre el proceso decisorio. 1.1. El proceso de toma de decisiones. 1.2. Los diferentes enfoques en el proceso de toma de decisiones 1.3. Aplicacin de los diferentes enfoques CAPTULO II: Procedimientos para generar informacin de las personas y su tratamiento 2.1. La Tormenta de Ideas (Braintorming) 2.2. El Mtodo de los Expertos 2.3. El Coeficiente de Concordancia de Kendall.... 2.4. Ejercicios propuestos CAPTULO III: Mtodos de Comparaciones por Parejas 3.1. El Mtodo Proceso Analtico Jerrquico (PAJ) 3.2. El Mtodo del Tringulo de Fuller......................................................... 3.3. Ponderacin Objetiva. El Mtodo de la Entropa 3.4. La Tcnica de Preferencia Ordenada o Mtodo TOPSIS............................ 3.5. El Mtodo Axiomtico......................................................................... 3.6. Ejercicios propuestos......................................................................... CAPTULO IV: Otras herramientas de apoyo............................................... 4.1. El Mtodo Taxonmico 4.2. El Mtodo Directo de Ponderacin 4.3. El Mtodo del SCORING...................................................................... 4.4. La Determinancia Normalizada. Procedimiento de clculo........................ 4.5. El Coeficiente de Consenso................................................................. 4.6. Mtodos relacionados con la operacionalizacin del concepto del Valor Percibido 4.6.1. El Procedimiento VALPER................................................................. 4.6.2. El Mtodo Relacional....................................................................... 4.6.3. Matriz de Toma de Decisiones W-X................................................... 4.6.4. Modelacin de un caso de estudio donde se integran algunas de los Mtodos estudiados 4.7. Ejercicios propuestos......................................................................... CAPTULO V: Mtodos de Sobrecalificacin. 5.1. Mtodo Electra.................................................................................. 5.1.1. Evidencia emprica de la aplicacin del mtodo 5.2. Mtodo Promethee............................................................................ 5.2.1. Evidencia emprica de la aplicacin del mtodo CAPTULO VI: Modelo EVALPROC para la Medicin de la Calidad del Servicio. Caso Hotelero...................................................... 6.1. Sobre el Mtodo EVALPROC................................................................ 6.2. Procedimiento para la obtencin de los valores de los ndices 6.3. Evidencia emprica Anexo CAPTULO VII: Evaluacin 360 grados 7.1. Qu es la Evaluacin 3600? 7.2. Aplicacin de los preceptos de la evaluacin 360 grados a un caso real 7.3 Evidencia emprica.............................................................................. Anexo 1............................................................................................. Anexo 2 Anexo 3

HASPNET. Texto bsico.

NTRODUCCIN

Los

temas que se tratan en el presente material constituyen el resultado del trabajo de un colectivo de profesores y estudiantes del 4to. Ao de la carrera de Licenciatura en Turismo, perteneciente al Centro de Estudios de Turismo de la Universidad de Matanzas. Responde a una necesidad concreta, consistente en dotar a lo profesionales del turismo, tanto a los que se preparan en nuestras universidades para entrar en l, o los que ya estn, de un conjunto de herramientas de apoyo al proceso de toma de decisiones.

Para nadie es un secreto, que diariamente en las empresas que operan en el sector del turismo, como en cualquier otro negocio, surgen diariamente los complejos problemas as llamados no estructurados, por no seguir una lgica frrea en su surgimiento y desarrollo y mucho menos por no atenerse al principio de la repeticin. Estudiarlos, hurgar en sus causas, disear e implementar estrategias eficaces y eficientes de solucin de los mismos, requiere de instrumentos, mtodos cientficos, procedimientos vlidos y confiables, (nosotros los hemos llamado herramientas), que apoyen el proceso de toma de decisiones en la solucin de tales problemas, en su priorizacin, en la asignacin de recursos que son cada vez ms escasos, en el diseo e implementacin de estrategias para sobrevivir y desarrollarse en un entorno tan complejo como en el que no dejan de aparecer sistemtica y constantemente las ms diversas amenazas al desarrollo del turismo. Sobre esta temtica existe ya, con dos aos de prueba, un texto en soporte electrnico (CD-room), en ambiente web, utilizado como nico texto por los estudiantes de la carrera de Licenciatura en Turismo y de la Maestra en Gestin Turstica. Se ha utilizado tambin en dos cursos de postgrados que fueron impartidos durante el curso 2006-2007, a los directivos del Hotel Meli Las Amricas, Brezees Bella Costa y otros especialistas del Polo de Varadero. La buena acogida que el mismo ha tenido entre profesores y estudiantes del pre-grado y el postgrado nos ha motivado ha redactar esta versin impresa. El concepto principal de este material consiste en integrar diferentes mtodos que caen en el campo de la toma de decisiones y que tienen como base la Estadstica, la Modelacin matemtica, y otras herramientas que el estudiante recibe durante la carrera, o en cursos posteriores, pero que no sabe cmo se pueden integrar a la hora de resolver un problema concreto. El material recoge un amplio conjunto de mtodos y procedimientos, algunos existentes ya, pero recreados en su diseo, exposicin y aplicacin. Otros han sido fruto de la creacin de los autores, como el VALPER, el EVALPROC, el Taxonmico, el Indicador y procedimiento de clculo de la Determinancia Normalizada, la Matriz de Toma de Decisiones W-X, su uso como instrumento para la realizacin del posicionamiento de productos, servicios, entidades, etc., el Mtodo Relacional, que permite operacionalizar el concepto de Bencmarking en lo que a la evaluacin comparativa se refiere, entre otros. En el texto se incluyen ejemplos o estudios de casos y al final de cada captulo, con la excepcin del que tiene que ver con los mtodos de sobrecalificacin, un conjunto de ejercicios, todo ello aplicado a la solucin de problemas propios del sector del turismo en Cuba. En la exposicin se ha seguido una estructura por captulos con el contenido siguiente. El captulo primero es un bosquejo acerca de algunos conceptos bsicos relacionados con el proceso de la toma de decisiones. Es una entrada al

HASPNET. Texto bsico.

texto y tiene como finalidad crear condiciones adecuadas desde el punto de vista cognitivo y de preparacin para enfrentar los retos de los captulos subsiguientes. Se tratan en l los enfoques de decisin ms importantes, as como sus reglas de decisin correspondientes. El captulo segundo ha sido dedicado a la exposicin de algunos mtodos de obtencin de la informacin de las personas. Aqu se destaca el uso de la tcnica de la tormenta de ideas, pero articulndole el mtodo de los Expertos y algunas herramientas estadsticas como es el caso del coeficiente de concordancia de Kendall, las distribuciones de frecuencia, el principio de los pocos vitales y los muchos triviales. En el caso del mtodo de los Expertos hemos introducido dos modificaciones. La primera, un factor de ponderacin a la hora de calcular el coeficiente de conocimiento, y la segunda, la hiptesis acerca de la existencia de una relacin funcional entre este coeficiente y el coeficiente de argumentacin. Todo ello en la etapa de seleccin. Pensamos, incluso, que en esta etapa se debe avanzar hacia mtodos ms potente para medir el coeficiente de experticidad y una buena opcin sera el uso de la evaluacin 180 o 360 grados, acerca de la cual mostramos una experiencia en el presente texto, pero no aplicada al proceso de seleccin de los expertos. En el captulo tercero, exponemos los mtodos de comparaciones pareadas, tales como el mtodo Proceso Analtico Jerrquico, el Mtodo Tringulo de Fuller (tradicional y modificado). Como consideramos que estos dos mtodos, permiten obtener la dimensin subjetiva de la ponderacin, hemos introducido el mtodo de la Entropa con el fin de obtener la dimensin objetiva y el mtodo Combinatorio para articular ambas dimensiones. Nos parece que esto le da robustez a los resultados. Se han incluido tambin los mtodos TOPSIS (The Technique for order preference by similitiny to ideal solution), y el Axiomtico de Arroud y Raymond. Aqu tambin hemos realizado algunas contribuciones. Por ejemplo, cuando se aplican estos mtodos, casi siempre se presupone, al menos en los ejemplos que se muestran, que se est trabajando con un solo decidor. En la vida real eso no es necesariamente as. Se puede trabajar con n decidores y eso complica la obtencin de los vectores nicos de ponderacin o de ordenamientos. Nosotros pensamos que esta situacin se puede resolver, acudiendo a herramientas estadsticas adecuadas. Para el caso del tringulo de Fuller, como en su versin tradicional lo que se utiliza en el proceso decisorio son marcas, hemos introducido una variante que codifica los resultados no en forma de tringulo, sino matricialmente y ello no solo facilita el proceso de cuantificacin y establecimiento de ratios, sino de realizar anlisis estadsticos complejos, buscando mayor confiabilidad en el resultado. Ya en el captulo cuarto, denominado otras herramientas de apoyo, incluimos una serie de mtodos desarrollados por nosotros, nos referimos al Mtodo Taxonmico, el Mtodo directo de ponderacin, el Mtodo del Scoring, el Mtodo de la Determinancia Normalizada, que nos es ms que un complemento que permite corregir los sesgos de otros mtodos de ponderacin cuando estos se utilizan como vectores nicos, el Coeficiente de Consenso, complementado y mejorado al articularle herramientas de base estadstica y matemtica, el Procedimiento VALPER, el Mtodo Relacional, la Matriz de Toma de Decisiones W-X, aplicada tambin al posicionamiento y donde hemos incluido todo el procedimiento para su diseo utilizando Microsoft Excel debido a que ello es un proceso sumamente complejo y se necesitan determinados conocimientos y habilidades en el dominio del software para poderla construir. Se incluye en este captulo la exposicin de un caso de estudio real llevado a cabo en un hotel del Polo Turstico de Varadero y donde se integran prcticamente todos los mtodos hasta ahora expuestos. En el captulo quinto, se exponen dos de los as llamados mtodos de sobrecalificacin. Nos hemos apoyado en los trabajos de Romero, Carlos (1993). Teora de la Decisin Multicriterio: Conceptos, Tcnicas y Aplicaciones, Alianza Universidad Textos, Alianza Editorial, S.A., Madrid. Captulo 8, epgrafe 3: Fundamentos bsicos de los Mtodos de Sobreclasificacin, pg.133, y epgrafe 4: Desarrollo Operativo del Mtodo Electre, pg.135. Hemos modificado los ejemplos

HASPNET. Texto bsico.

adaptndolos a las caractersticas del sector turstico, as como mejorado el mtodo de su exposicin para que sean entendible por los lectores y que descubran en ellos reservas ilimitadas de aplicacin. En el sexto captulo se ha incluido el Mtodo EVALPROC, que como su nombre lo indica se refiere a un procedimiento diseado por los autores para la evaluacin de procesos y de sus diferentes etapas. Este captulo incluye la evidencia emprica de la validacin, mediante un estudio de caso en procesos hoteleros, del procedimiento propuesto. Finalmente, en el captulo sptimo, se expone la teora y la evidencia emprica del Mtodo 180 y 360 grados. Lo ms importante que queremos significar aqu, es que este es un mtodo potente y muy factible de aplicar en la Evaluacin del Desempeo, en definitiva para eso es que se ha construido. Por ltimo, debemos subrayar, que el valor mayor, atribuido tanto por estudiantes como profesionales del sector, que han tenido la oportunidad de acceder al material electrnico, al texto consiste en que ofrece herramientas imprescindibles a ser dominadas para su aplicadacin en trabajos de investigacin y proyectos. La solucin de ejercicios est asociada al uso de paquetes informticos profesionales y su contenido expresa situaciones reales del sector turstico. No estamos ante la obra definitiva y como pensamos que la crtica es salud, esperamos las observaciones atinadas de todos los que accedan al texto, para devolver una obra mejor.

Los autores

HASPNET. Texto bsico.

decisin. 1.1. El proceso de toma de decisiones ( 1)

aptulo I: Algunos aspectos conceptuales sobre el problema de la

La complejidad, las dimensiones y el dinamismo de las tareas sociales y cientfico-

tcnicas alcanzadas en la segunda mitad del siglo XX, plantean elevadas exigencias a la fundamentacin de las decisiones adoptadas en cualquier eslabn de la actividad humana, y por consiguiente, han aparecido diversas publicaciones cientficas de diversas orientaciones, consagradas a estos problemas, que examinan el proceso de toma de decisiones en sus ms variados aspectos. El concepto de decisin como proceso es recogido claramente por Simn (1982), para quien el trmino decisin hace referencia al proceso por el cual las numerosas alternativas existentes son reducidas a una que es la finalmente elegida. Una vez que aceptamos una concepcin de la toma de decisiones como proceso, habremos de reconocer un conjunto de actividades que integran el mismo y que conducen a la eleccin final. Estas actividades, agrupadas homogneamente, pueden denominarse fases del proceso de decisin. Autores Etapas del proceso de decisin Surgimiento de una situacin problemtica Planteamiento del fin Obtencin de la informacin necesaria y anlisis de la misma (elaboracin) Confeccin del modelo del fenmeno sobre la base de la informacin obtenida Eleccin del criterio valorativo de accin Eleccin de la variante ptima Correccin de la decisin durante su realizacin Unidad decisora Alternativa Ambiente Sistema de relaciones Espacio de resultado o de objetivo Formulacin del criterio final Implantacin Validacin Acumulacin de informacin y realizacin de previsiones Definicin de objetivos y propsitos Fijacin de las posibles alternativas existentes Realizacin de prueba, test y controles a las alternativas especificadas Adopcin de la mejor alternativa Ejecucin de la decisin Seguimiento posterior de la ejecucin para determinar las desviaciones

Gnedenko (1982)

Ros (1989)

Figuerola Palomo (1995)

Diversos autores se han dedicado a estudiar el proceso de toma de decisiones los cuales han definido sus diferentes fases, entre los ms destacados se debe

La toma de decisiones es un proceso de seleccin entre cursos alternatives de accin, basado en un conjunto de criterios, para alcanzar uno o ms objetivos, Herbert Simon, The New Science of Management, Harper and Row, New York, 1960.

HASPNET. Texto bsico.

mencionar a Zeleny (1982), Simon (1982), Lpez Cachero (1983), Kaufman y Gil Aluja (1986, p:. 13-22), Ros (1989), Bueno, Cruz Roche y Durn Herrera (1991, p:. 108-113), Kountz (1991, p:. 115-116), Daz (1993, p:. 69-98), Milano /1993, p 146), Gallangher y Watson (1995, p:. 253-260), Figuerola Palomo (1995, p:. 99122), Hernndez y Rodrquez (1995, p:. 250-255). La importancia del examen integral, multilateral de un problema tan complicado como es el proceso de toma de decisiones, se reflej en el surgimiento de la teora de la toma de decisiones. Segn la nueva concepcin, se convirtieron en objeto de investigacin aquellas leyes objetivas que se encuentran en el fundamento de la toma de decisiones por el hombre, independientemente del campo en que trabaje, lo que permite contemplar cada una de las decisiones posibles a fin de realizar una eleccin definitiva 2. En este caso, la toma de decisiones se considera como el acto creador de la eleccin, a partir de un conjunto de decisiones posibles, en el cual los factores cuantitativos se combinan con las capacidades heursticas de los hombres que toman las decisiones 3. En la base de la concepcin sobre la toma de decisiones se encuentra el principio que postula que, en la mayora de los casos, en el camino hacia la solucin de cualquier problema se deben seguir las mismas etapas y en un mismo orden 3 . Los precursores de la escuela cuantitativa realizaban abstracciones conceptuales de los problemas de toma de decisiones que son representados mediante modelos matemticos, a partir de cuyos resultados se obtenan conclusiones sobre la realidad. A pesar de los indudables avances y xitos, que ha trado consigo, esta escuela no esta exenta de crticas, como el reducir la realidad a datos cuantitativos, tienden a subvalorar el papel y el valor de la informacin no cuantificable y la polarizacin de las tcnicas e instrumentos, sin tener en cuenta, el alcance en el conjunto de la organizacin 4, lo cual a motivado que esta escuela se haya dedicado a optimizar problemas parciales, sin considerar que la existencia de objetivos contradictorios en la empresa puede provocar que la optimizacin de uno de ellos se consiga en perjuicio de otros, y de esta forma no se garantiza el funcionamiento ptimo del conjunto empresarial. En los modelos propuestos para la evaluacin del servicio turstico, el autor ha logrado superar, entre otros factores adversos ya sealados, la tendencia a minimizar el efecto de los factores psicolgicos y la experiencia emprica, adems de propiciar la participacin y comprensin de los directivos en el proceso de evaluacin y anlisis de los resultados econmicos. Este enfoque cuantitativo se basa en la total cuantificacin de los problemas administrativos 5, donde las tcnicas matemticas ofrecen buenas posibilidades de resolucin de problemas. En este sentido, los modelos matemticos son herramientas que han sido ampliamente aceptadas por los directivos por varias razones: son menos caros y crean menos problemas organizativos que la experimentacin con los sistemas del mundo real, permiten a los directivos de empresas responder a preguntas del tipo qu pasara si, estn construidos para problemas de gestin empresarial y dan valor al input de la gestin, obligan a un enfoque consistente y sistemtico en el anlisis de problemas empresariales, exige a los directivos a ser concretos acerca de las restricciones y objetivos de un
2

Ral D., Pirumov S., (1967): Fundamentos metodolgicos de la toma de decisiones por el hombre. En la toma de decisiones por el hombre. Tbilisi, p: .19. 3 Lerner, V. S, Trujaiev, R. I (1974): Modelos dinmicos de los procesos de toma de decisiones. Kishiniev, p:. 6. 3 Iang, S. (1972): La direccin sistmica de las organizaciones. Mosc, p: .61. 4 Domnguez M., J. A. (1995): Aspectos estratgicos en la produccin y los servicios, McGraw Hill Interamericana, Espaa, p: 8-9 5 Redondo L., C. (1996): Administracin de Empresas, Ediciones Pirmide S.A., Madrid, p: . 8-9

HASPNET. Texto bsico.

problema y finalmente pueden ayudar a reducir el tiempo necesario para la toma de decisiones. Segn el pensamiento econmico de Ernesto Guevara estudiado por Tablada (1987, p. 72), en la conformacin del Sistema Presupuestario de Financiamiento hace nfasis en la necesidad de la incorporacin de las tcnicas de computacin y los mtodos matemticos a la economa a la gestin empresarial. En el documento Bases generales del Perfeccionamiento Empresarial en el sector del Turismo del Comit Ejecutivo del Consejo de Ministros, se sealan como aspectos relevantes relacionados con del proceso de toma de decisiones empresariales lo siguiente: combinar adecuada y oportunamente las decisiones que deben ser tomadas centralmente por el gobierno, con aquellas que deben descentralizarse a la empresa, el proceso de la toma de decisiones [...] debe constituirse en elemento sustancial de direccin y organizacin empresarial, Los conceptos subrayados tienen la intencin de mostrar, a nuestro juicio, las caractersticas ms significativas del proceso de toma de decisiones en la empresa turstica. No es difcil apreciar entonces que se pueden distinguir dos niveles perfectamente diferenciales: un primer nivel donde se enmarca la relacin gobiernoempresa, que es el decisivo, y que constituye la restriccin fundamental del modelo condicionando todo el proceso, sus resultados y definiendo su racionalidad. Vale aclarar que el decisor gobierno constituye una parte integrante (quizs la ms importante), dentro del sistema de la empresa. Aqu no se trata de una eleccin entre dos o ms lneas de accin diferentes: la del gobierno y la de la empresa 6. un segundo nivel, que se define hacia el interior de la empresa como sistema autnomo y que relaciona, de manera genrica al decisor direccin decisor colectivo de trabajadores decisor trabajador individual, que como se seal anteriormente est totalmente condicionado por el primero. Tanto un nivel como otro se combinan alrededor de lo que constituye el ncleo de la decisin misma: La existencia de varias alternativas que pueden ser seguidas, tanto por el decisor gobierno como por el decisor Empresa, pero no de modo aislado, sino que debe tener lugar la seleccin de una de ellas, la que va a constituir el curso de accin emprendido por ambos decisores. Aqu el criterio de seleccin se basa en el principio de que los intereses de la nacin, expresados en las leyes y en las decisiones de los rganos superiores del Partido y el Gobierno, tendrn que estar siempre por encima de cualquier inters empresarial, sectorial o territorial 7. Es este rasgo el que diferencia esencialmente al proceso de toma de decisiones en el modelo de la empresa cubana de cualquier otro modelo y el que define, a nuestro juicio, el problema de la decisin en este contexto especfico, el que podra ser formulado, de acuerdo con lo que se ha sealado, del siguiente modo:

Riggs J., L (1973): Modelos de Decisin Econmica para Ingenieros y Gerentes de Empresas. Editorial Alianza, Madrid, p. 5; seala que una decisin es simplemente una seleccin entre dos o ms lneas de accin diferentes. 7 Resolucin Econmica: ob. cit., p. 34

HASPNET. Texto bsico.

Refleja la esencia del proceso 8, que como tal articula en una unidad al decisor gobierno y al decisor empresa, condicionando y predeterminando la articulacin entre el decisor direccin de la empresa decisor colectivo de trabajadores decisor trabajador individual, as como la racionalidad 9 del proceso de definicin y seleccin de las alternativas como resultado. En la formulacin del problema, se designa a la unidad decisora con un carcter dual, tanto al interior como al exterior de la empresa. De igual modo, es necesario destacar el enfoque que se realiza de la decisin como un proceso y no como un acto aislado, pues adems de lo comentado en la referencia, es necesario reconocer un conjunto de actividades que integran el mismo y que conducen en definitiva a la eleccin final. Si se agrupan estas actividades, bajo algn criterio, de modo homogneo, podran ser denominadas fases del proceso de decisin. Con relacin al problema de toma de decisiones en el entorno empresarial, los elementos que son consustanciales con este problema al delimitar los rasgos identificatorios de ste, nos permitir profundizar y comprender mejor las caractersticas de los conceptos ya referidos en prrafos anteriores y se expone a continuacin los aspectos generales que identifican a criterio del autor un problema de decisin desde el punto de vista de su formulacin lgico-matemtica 10, y que permitir comprender las diferentes fases del proceso de decisin que se proponen para el problema de evaluacin de empresa turstica: un decisor o unidad decisora formado por un conjunto de individuos interesados en el problema, las alternativas o decisiones posibles x X previamente identificados, un ambiente o contexto de la situacin de decisin susceptible de estados, un estado del ambiente o de la naturaleza es un conjunto de caractersticas que definen perfectamente la situacin de decisin en lo que se refiere al mundo exterior. un sistema de relaciones que permite asignar a cada alternativa y a cada estado un resultado o consecuencia bien definido. Cada uno de estos resultados z Z se definen por unas ciertas medidas (atributos) Zi (i= 1,2,...,n) que se relacionan con los objetivos del decisor. Cada una de estas medidas se definen por una aplicacin Z: X Zi R* o escala que indica el grado con que el correspondiente objetivo es alcanzado, el conjunto Z de elementos z se llama espacio de resultado o de objetivo. Se observa tambin que el espacio de resultado puede venir dado explcitamente o bien definido implcitamente por un sistema de relaciones y

Se entiende el concepto proceso en dos acepciones interrelacionadas entre s. Una primera, de carcter metodolgico filosfico genrico, que define al proceso como una relacin. Si es una relacin articula en una unidad, al menos, a dos elementos con identidades propias. Si tienen identidades propias, es de presuponer que existan entre ellos diferencias, sobre todo de intereses, las que en un momento determinado de su desarrollo pueden desembocar en contradicciones. Si existen contradicciones debern ser resueltas. Una segunda, de carcter ms operativo e instrumental, que define al proceso como un conjunto de actividades interrelacionadas entre s y que transforman elementos de entrada (input) en elementos de salida (output). 9 Cuando se comenta lo de racionalidad como un concepto que expresa las relaciones que quedan establecidas entre medios, fines y resultados. En este caso, es un proceso donde el gobierno, decisor fundamental, establece los fines y objetivos, asigna y controla los medios fundamentales para lograrlos y por tanto, las decisiones de la empresa adquieren carcter racional si y se subordinan a las decisiones que centralmente el gobierno propone. 1 0 Cutara S., L. (1998): Evaluacin del servicio de transporte turstico: Un enfoque multicriterio. Tesis de Maestra, Departamento de Matemtica, ISPJAE, p: . 6-7

HASPNET. Texto bsico.

10

restricciones que aparecen en el planteamiento del modelo matemtico del sistema, Destacar en este momento dos aspectos matemtica del problema de decisin: importantes en la modelizacin

el sistema de relaciones que nos permite asignar a cada estado del ambiente y a cada alternativa elegible por el decisor un resultado, el modelo matemtico de la seleccin del mejor resultado en el espacio de objetivos por el decisor que es lo que resulta realmente nuevo y difcil por sus caractersticas de tener en cuenta el factor subjetivo del decisor, tanto en lo que se refiere a criterios mltiples como a la incertidumbre, se considera ingrediente esencial para la existencia de un problema de decisin que la unidad decisora tenga al menos dos alternativas e inters en obtener la mejor solucin posible en relacin con sus objetivos, la formulacin precisa del criterio final del problema, que puede ser, buscar la decisin que optimice un criterio global, o bien seleccionar un conjunto de decisiones aceptables o bien no dominadas por ninguna otra, etc., debe conducir finalmente a: o una regla de decisin, o a establecer condiciones o teoremas de existencias de soluciones. o a algoritmos asociados para resolver los aspectos matemticos y de clculo de la situacin, la implantacin de la solucin implicar un conjunto de habilidades prcticas para comparar sus consecuencias con la situacin anterior y otras soluciones posibles, se observa que cada metodologa tiene un requerimiento de datos y de informaciones que han de obtenerse del ambiente o del decisor, y esto implica una metodologa de asignacin apropiada, una fase importante es la validacin del modelo que se refiere al establecimiento de una serie de pruebas o comprobaciones experimentales y de coherencia que permitan llegar al convencimiento de que el modelo que vamos a utilizar responde a nuestros propsitos al establecerlo. El proceso decisorio se define segn Le Moigne (1976) y Greenwood, (1978), como la toma de decisiones equivale esencialmente a la identificacin y resolucin de problemas, se presenta en base al proceso general de resolucin de problemas, consiste finalmente, en descomponer el proceso de decisin en las fases que lo componen. Evidentemente esto no es ms que un artificio para comprender mejor la realidad. Entre las fases o etapas del proceso decisorio se pueden identificar las siguientes: FASE I: Identificacin y diagnstico del problema: Investigar el ambiente para encontrar las condiciones que exigen una decisin, o sea, situaciones que requieren nuevas acciones, lo que implica la exploracin del entorno y de la actividad interna. FASE II: Bsqueda de soluciones y generacin de posibles alternativas: Elaborar las distintas acciones alternativas para resolver el problema planteado en la fase anterior. FASE III: Evaluacin de las alternativas: se debe identificar el modelo de evaluacin que ser aplicado por parte del decisor. FASE IV: Eleccin de una alternativa o accin a emprender: entre todas alas alternativas posibles, se elige la que contribuye mejor a la obtencin del objetivo perseguido. La eleccin se realiza en base a criterios que se aplican en funcin del nivel de informacin disponible acerca del problema de decisin.

HASPNET. Texto bsico.

11

FASE V: Ejecucin de la accin: se vigila la ejecucin de la decisin cuidando que la estructura de la unidad objeto de anlisis sea la adecuada para este tipo de anlisis. FASE VI: Evaluacin y control de la accin implementada: se procede al control realizando las correcciones oportunas y plantendose un nuevo problema, si es necesario, al haber identificado una nueva situacin que requiere una nueva decisin. Una vez definido los aspectos generales que identifican un problema de decisin, corresponde explicar el tratamiento terico de la incorporacin del paradigma decisional con criterios mltiples a la problemtica de evaluacin del servicio turstico, el cual se encuentra asociado a los diferentes objetivos econmicos, de eficiencia, financieros, de calidad y tcnicos asociados al quehacer empresarial. Obviamente, esta riqueza de objetivos condiciona, la propia metodologa a utilizar en los procesos de adopcin de decisiones empresariales en la medida en que dichas decisiones tiene como punto de referencia, no un nico objetivo, sino una multiplicidad de ellos. La empresa de nuestros das se caracteriza por los siguientes factores [...], los objetivos empresariales son mltiples y frecuentemente en conflictos 11; desde el punto de vista de la empresa, las posibilidades de utilizacin de estos esquemas son numerosas, y van desde las previsiones a largo plazo [...] hasta las decisiones multicriterios 12; por ltimo, nadie duda en la actualidad que cualquier organizacin persigue metas de naturaleza distinta y que pueden ser contradictorias entre s, la presencia de multiplicidad de objetivos 13. Como puede deducirse fcilmente, las situaciones de decisin con mltiples objetivos son relativamente ms complejas en el mbito empresarial que aquellas en las que slo se tiene en cuenta un criterio. En la actualidad existen numerosos instrumentos matemticos adecuados para servir de ayuda a la toma de decisiones con criterios mltiples. El objeto de estudio se ha definido en torno a la problemtica de la toma de decisiones en la evaluacin de la empresa turstica y por supuesto, que el autor ha aceptado la existencia de criterios mltiples en la mayor parte de los procesos de este tipo, por lo que parece conveniente detenerse en el estudio y anlisis de la toma de decisiones con criterios mltiples. El problema definido presupone una filosofa y una metodologa propias en el campo de la toma de decisiones que se tratan de resolver. A pesar de lo reciente de su historia, la toma de decisiones con criterios mltiples ha desarrollado una personalidad propia que se refleja, entre otros aspectos, en la utilizacin de una terminologa especfica que incluye conceptos nuevos y otros que, no sindolo, adquieren un significado propio. Los sujetos ms relevantes que participan en el proceso de decisin son el decisor y el analista. No siempre estos trminos son claramente diferenciados en la literatura tradicional sobre la toma de decisiones. La definicin de decisor puede ser ms compleja de lo que parece. Sin embargo, y para los aspectos que nos proponemos destacar, puede ser suficiente la propuesta por Chankong y Haimes (1983). Para estos autores, el decisor - en nuestro problema decisor-empresa - es un individuo o grupo de individuos que directa o indirectamente proporciona el juicio de valor final que puede ser usado para jerarquizar las alternativas
1 1 1 1 2

Domnguez Manchuca (1995): ob. cit., p:. 11-12 Kaufman y Gil Aluja (1986): ob. cit., p 21 3 Diez de Castro (1996): Administracin de empresas. Ediciones Pirmide, S.A., Madrid, p:.

157-159

HASPNET. Texto bsico.

12

disponibles para que pueda ser identificada la mejor eleccin. El papel del analista en la toma de decisiones es, sobre todo, objetivo, ya que proporciona informacin al decisor sobre la estructura del problema sobre el que se trata de decidir. Del mismo modo traslada la informacin subjetiva -prioridades, preferencia, juicios- aportada por el decisor al modelo, formal izando la misma para su utilizacin concreta. En la toma de decisiones con criterios mltiples el trmino atributo hace referencia a las caractersticas que describen cada una de las alternativas disponibles en una situacin de decisin, Este concepto se refiere a valores del centro decisor relacionados con una realidad objetiva. Con respecto al trmino objetivo va ntimamente asociado con los deseos y preferencias del decisor. As, para Ignizio (1982), un objetivo es una afirmacin relativamente general (en trminos narrativos o cuantitativos) que refleja los deseos del decisor-empresa. Similar contenido se concede al concepto por parte de Chankong y Haimes (1983), un objetivo es una afirmacin acerca del estado deseado del sistema bajo consideracin por el cual el decisor se afana. El trmino meta se utiliza aqu como el correspondiente al vocablo ingls goal para diferenciarlo del trmino objetivo (objective). Una primera aproximacin al concepto nos la dan Hwang y Masud (1979), para quienes las metas son cosas deseadas por el decisor expresadas en trminos de un estado especfico en el espacio y en el tiempo. As, mientras los objetivos dan la direccin deseada, las metas dan un nivel deseado a alcanzar. Finalmente, el trmino criterio se utiliza como un trmino general que engloba los tres conceptos precedentes. En otras palabras, los criterios constituyen los atributos, objetivos o metas que se consideran relevantes para un cierto problema decisional. Desde un punto de vista general, Zeleny (1982) define los criterios como medidas, reglas y estndares que guan la decisin. Por consiguiente la teora de la decisin multicriterio constituye un marco general o paradigma decisional en el que subyacen diferentes atributos, objetivos o metas. Diversos autores se han ocupado de describir, de modo generalizado, un proceso de decisin con criterios mltiples, destacando las distintas partes y fases del mismo. Entre dichos autores podemos mencionar a Zeleny (1982), Chankong y Haimes (1983) y Goicochea, Hansen y Duckstein (1982, pp. 1-39), los cuales han constituido fuente de referencia obligada en la elaboracin del algoritmo de las fases del proceso de decisin con criterios mltiples a describir en el prximo captulo. Entre el conjunto de criterios para la clasificacin de las tcnicas multiobjetivo, se hace necesario sugerir al menos una que sirva de gua, desde el punto de vista metodolgico, a la exposicin de las distintas tcnicas y a la utilizacin que se va a hacer de las mismas. Segn Caballet (1997, p:. 115-117) en su trabajo titulado "Toma de decisiones, mltiples objetivos y la Teora de subconjuntos borrosos", hace referencia a los criterios para la clasificacin de los distintos enfoques y tcnicas multiobjetivo en la obra de Guerra Martn (1989), el cual recoge y analiza los diferentes criterios que se consideran relevantes para agrupar tcnicas o separarlas. La diferenciacin conceptual entre atributos, objetivos, y metas, realizada con anterioridad nos permite efectuar una primera aproximacin metodolgica a los diferentes enfoques multicriterio que se describen en la siguiente tabla.

HASPNET. Texto bsico.


Tipos de preferencia

13


Tcnicas multiobjetivo Funcin de utilidad multiatributo Mtodo de objetivo acotado

Tipo de informacin Con informacin cardinal

Con informacin a priori

Mtodo lexicogrfico Con informacin cardinal y Programacin de compromiso ordinal Programacin por Objetivos Programacin por Objetivos interactiva Mtodo de objetivos satisfacientes Mtodo de Zionts-Wallenius Mtodo STEM Mtodo GPSTEM Mtodo de Steur Mtodo Mtodo Mtodo Mtodo paramtrico de las restricciones MOLP de bsqueda adaptiva

Con articulaciones progresivas de preferencias

Con tasa de intercambio explcito Con tasa de

intercambio implcito Con articulaciones a posteriori de preferencias

Con tasa de intercambio

Los mtodos multicriterio discreto se identifican con problemas donde el nmero de alternativa a considerar por parte del centro decisor es finito y normalmente no muy elevado. El inters prctico de los problemas multicriterio discreto resulta evidente. En efecto, existen multitud de contextos decisionales en los que un nmero reducido de alternativas o elecciones posibles deben evaluarse basndose en varios atributos o criterios. Las principales tcnicas multicriterio discreta recopiladas de la bibliografa consultada se resumen en la siguiente tabla:
Tipos de decisin Sin informacin Nivel estndar Ordinal Con informacin sobre atributos Factores de Informacin Dominancia Maximin Mximas Mtodo satisfaciente conjuntivo Mtodo disjuntivo Mtodo lexicogrfico Mtodo de permutacin Mtodo de asignacin lineal Mtodo de ponderacin aditivo simple Mtodo de ponderacin aditivo jerrquico Mtodo ELECTRE Mtodo TOPSIS Mtodo trade off jerrquico LINMAP Mtodo interactivo de ponderacin aditivo simple Escala multidimensional con punto ideal Mtodos

Cardinal

Razn marginal de sustitucin Preferencia comparada Orden de proximilitud

Informacin sobre alternativas

Fuente: Hwang, C. L.; Yoon, K.: Multiple Attribute Decision Making. Methods and Applications. New York: Springer Verlag, 175, 1980. p: 9.

HASPNET. Texto bsico.

14

1.2. Los diferentes enfoques en el proceso de toma de decisiones. El problema de los enfoques en el proceso de toma de decisiones es diverso. Ya se vieron en el epgrafe anterior, algunas de las caractersticas vinculadas al as llamado enfoque cuantitativo. A continuacin se exponen los enfoques que ms consenso han tenido en la literatura revisada.

Como ya expresamos, nos detendremos a caracterizar el as llamado Enfoque Racional. Es, precisamente, Simon (1979), uno de los autores que mejor define el concepto de la decisin, necesario para poder entender la esencia de los enfoques, cuando seala que la decisin racional parte del hecho de que la decisin o eleccin es el proceso mediante el cual una de estas alternativas de comportamiento para cada momento es elegida para ser realizada. El autor subraya, adems, que la serie de tales decisiones puede llamarse estrategia. Para finalmente sugerir que la decisin racional consiste en elegir aquella estrategia que vendr seguida por la serie preferida de consecuencias. Sobre la base de esta definicin dada por Simon, se estructuran las fases del proceso decisorio racional:

El proceso decisorio y sus diferentes fases, se fundamentan en la estructura que adquiere en problema de decisin bajo este enfoque. Cualquier problema de decisin se puede representar de forma abstracta y generalizada, en cinco elementos: Estrategias: Conjunto de decisiones alternativas, cursos de accin o planes condicionales, compuestas por variables controlables. Generalmente se denotan por Ai, i=1,m. Estados de Naturaleza: Sucesos no Generalmente se denotan por Sj, j=1,n. controlables que pueden ocurrir.

Resultados (en trminos econmicos): Desenlaces u observaciones de los resultados que se generan empleando una estrategia especfica, dado un estado concreto de Naturaleza. Su obtencin puede realizarse mediante estimaciones y predicciones, la observacin y con experimentos o conocimientos de las relaciones que han existido previamente. Generalmente se denotan por V(Xij), i=1,m; j=1,n; Xij= (Ai, Sj).

HASPNET. Texto bsico.

15

Predicciones de la Probabilidad de que se produzca cada uno de los estados de la naturaleza (subjetivos y objetivos). Generalmente se denotan por P(Sj), j=1,n. Criterios de decisin: muestran el modo de utilizar la informacin anterior para seleccionar el plan a seguir, en condiciones de certeza, incertidumbre y riesgo. Generalmente se denotan por Ck, k=1,m. Lo expuesto anteriormente se puede formalizar matricialmente: Matriz de Decisin. Estructura Sucesos Investigados 1 2 j Estados de Naturaleza S1 S2 Sj Probabilidades P1 P2 Pj Estrategias A1 X11 X12 X1j A2 X21 X22 X2j . . . . . . . . . . . . Ai Xi1 Xi2 Xij . . . . . . . . . . . . Am Xm1 Xm2 Xmj

n Sn Pn X1n X2n . . . Xin . . . Xmn

Esta forma matricial se aplica en dependencia de los ambientes de decisin existentes, los cuales pueden ser: Ambiente de decisin bajo certidumbre. Ambiente de decisin bajo riesgo. Ambiente de decisin bajo incertidumbre. A cada uno de estos ambientes les son inherentes determinados criterios de decisin, los cuales detallaremos a continuacin. Criterios de decisin bajo certidumbre: En este tipo de decisin, o situaciones de previsin perfecta, el nico problema es el nmero de variables que a nivel tctico presentan los planes de las empresas. Es el planteamiento tpico de la bsqueda entre muchas alternativas de los modelos cuantitativos de administracin. Conocido el estado de naturaleza que se va a presentar, el problema se reduce a valorar en trminos econmicos los diferentes resultados y elegir aquella estrategia ms favorable (mximo o mnimo). Criterios de decisin bajo riesgo: Cuando el decidor conoce la verosimilitud relativa de cada estado de naturaleza (probabilidad) asociado a cada alternativa y el resultado correspondiente a esta combinacin alternativa, el decidor se enfrenta a condiciones de riesgo. Se aplica el criterio del valor monetario esperado. Regla de decisin: Valor Esperado (Ve) de la alternativa de decisin Am:

HASPNET. Texto bsico.

16

Criterios de decisin bajo incertidumbre: Existe situacin de incertidumbre cuando el horizonte econmico incierto no es probabilizable o somos incapaces de estimar la probabilidad de que se produzca cada uno de los estados de naturaleza y entonces habremos de acudir a criterios cualitativos, en vez de cuantitativos. Para estados de este tipo, las reglas de decisin son las siguientes: Criterio Criterio Criterio Criterio Criterio Maximin (Pesimista o de Wald) Mximax (Optimista) Equiprobable (Laplace) Pesimismo-Optimismo (Hurwicz) Deploracin Minimax (Savage)

Criterio Maximin (Pesimista o de Wald): El decidor piensa que una vez seleccionada una estrategia se va a presentar el estado de naturaleza ms desfavorable. De acuerdo con este criterio, el decidor seleccionar la estrategia que proporcione una retribucin ms alta en el peor de los casos, es decir, buscar la alternativa que proporcione el mximo de las consecuencias mnimas.

Criterio Maximax (Optimista): Supone elegir aquella alternativa que ofrezca un resultado ms favorable en el mejor de los casos.

Criterio Equiprobable: Consiste en que frente a la ignorancia de la probabilidad de ocurrencia de cada estado de la naturaleza, se asigne a cada uno de ellos la misma probabilidad, eligiendo aquella alternativa que ofrece un valor esperado ms alto.

Criterio Pesimismo-Optimismo: Combina optimismo y pesimismo (Hurwicz). Se define un coeficiente de optimismo () de que ocurra el resultado entre los lmites 0 y 1, el coeficiente de pesimismo ser 1-, que intenta describir el estado del sujeto decidor frente al horizonte econmico. Este decidor, para cada estrategia, slo se interesa de los valores extremos de los resultados que componen aquella, por lo que el resultado mximo de ese intervalo se pondera con el coeficiente de optimismo y el resultado mnimo con el pesimismo. El valor de la estrategia ser la suma de esos productos, eligindose aquella alternativa con mayor valor.

Criterio Deploracin Minimax (Savage): En este caso, se disea para sustituir el de Wald, ya que de plantearse en todas las estrategias, prdidas o ganancias nulas para algunos de los estados, ellas seran los resultados mnimos, lo que implica elegir un mximo a sabiendas de que se va a perder o a no ganar. El sujeto decidor, en este caso, tomara la postura de no hacer nada. Para evitar esta

HASPNET. Texto bsico.

17

anulacin del criterio, Savage construye una nueva matriz de resultados, pero en la que los datos iniciales se sustituyen, en trminos de Costo de Oportunidad, por las diferencias o perjuicios relativos habidos de no elegir convenientemente la mejor estrategia, cuando se conoce cierto estado, es decir, no prdidas relativas o costes de oportunidad de no haber elegido correctamente.

1.3. Aplicacin de los diferentes enfoques. Realizaremos esta aplicacin mediante la exposicin de un caso vinculado al sector del turismo en el Polo Turstico de Varadero. La Empresa de Servicios Computacionales para el Turismo (GET), est valorando el arrendamiento de un Sistema Computarizado para el desarrollo de software en las instalaciones tursticas del Polo de Varadero. Sobre la base de sus estudios exploratorios se ha construido la siguiente Matriz de Decisin. Estados de Naturaleza Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3) Aceptacin Alta (S1) $200 000 $150 000 $100 000 Aceptacin Baja (S2) -$20 000 $ 20 000 $ 60 000

1.3.1. Aplicando Criterio de decisin bajo riesgo tenemos: Estados de Naturaleza Aceptacin Alta (S1) Probabilidades Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3) $200 000 $150 000 $100 000 -$20 000 $ 20 000 $ 60 000 0,3 Aceptacin Baja (S2) 0,7

Aplicando la Regla de decisin correspondiente:

Obtenemos el siguiente resultado: A1= 0,3 ($200 000)+0,7 ($-20 000)=$ 46 000 A2= 0,3 ($150 000)+0,7 ($20 000)=$ 59 000 A3= 0,3 ($100 000)+0,7 (60 000)= $72 000

HASPNET. Texto bsico.

18

Conclusin: La eleccin sera arrendar el Sistema Pequeo (A3), pues es el que proporciona mayor rendimiento para el GET (Mximo Valor Esperado). 1.3.2. Criterios de decisin bajo incertidumbre: 1.3.2.1. Aplicando el Criterio Maximin (Pesimista o de Wald), tenemos:

Estados de Naturaleza Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3) Conclusin: El GET seleccionar y decidir arrendar el Sistema Pequeo (A3), ya que proporciona la retribucin ms alta en el peor de los casos. Aqu el GET se comporta como un decisor pesimista. 1.3.2.2. Aplicando el criterio Maximax (Optimista), tenemos: Aceptacin Alta (S1) $200 000 $150 000 $100 000 Aceptacin Baja (S2) -$20 000 $ 20 000 $ 60 000 Maximin

-$20 000 $ 20 000 $ 60 000

Estados de Naturaleza Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3) Conclusin: El GET seleccionar y decidir arrendar el Sistema Grande (A1), ya que proporciona la retribucin ms alta en el peor de los casos. Aqu el GET se comporta como un decisor optimista. Aceptacin Alta (S1) $200 000 $150 000 $100 000 Aceptacin Baja (S2) -$20 000 $ 20 000 $ 60 000 Maximax

$200 000 $ 150 000 $ 100 000

HASPNET. Texto bsico.

19

1.3.2.3. Aplicando el criterio Equiprobable (Laplace), tenemos: Estados de Naturaleza Aceptacin Alta (S1) Probabilidades Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3) $200 000 $150 000 $100 000 -$20 000 $ 20 000 $ 60 000 0,5 Aceptacin Baja (S2) 0,5

Aplicando la Regla de decisin correspondiente:

Se obtiene: A1= 0,5 ($200 000)+0,5 ($-20 000)=$ 90 000 A2= 0,5 ($150 000)+0,5 ($20 000)=$ 85 000 A3= 0,5 ($100 000)+0,5 (60 000)= $80 000 Conclusin: La eleccin sera arrendar el Sistema Grande (A1), pues es el que proporciona mayor rendimiento para el GET. 1.3.2.4. Aplicando el criterio Pesimismo-Optimismo (Hurwicz), tenemos:

Coeficiente de optimismo =0,7, Coeficiente de pesimismo 1- = (10,7)=0,3 Estados de Naturaleza Aceptacin Alta (S1) Probabilidades Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3) Se obtiene: A1= 0,7($200 000)+ (1-0,7) (-20 000)= $140 000- $ 6000=$ 134 000 A2= 0,7 ($150 000)+ (1-0,7) ($20 000)=$ 105 000+$20 000=$ 125 000 A3= 0,7 ($100 000)+ (1-0,7) (60 000)= $70 000+18 000=$ 88 000 0,7 $200 000 $150 000 $100 000 Aceptacin Baja (S2) 0,3 -$20 000 $ 20 000 $ 60 000

HASPNET. Texto bsico. Conclusin:

20

La eleccin sera arrendar el Sistema Grande (A1), pues el que proporciona mayor rendimiento para el GET. 1.3.2.5. Aplicando el criterio Deploracin Minimax (Savage), tenemos:

a) Mejores resultados por estados de naturaleza: V*(Xij): Estados de Naturaleza Aceptacin Aceptacin Baja (S2) Alta (S1) $200 000 $ 60 000

Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3)

b) Construccin de la nueva Matriz de Resultados:

Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3)

Estados de Naturaleza Aceptacin Alta (S1) Aceptacin Baja (S2) $200 000-200 000 $ 60 000-(-$20 000) $200 000-150 000 $ 60 000-$20 000 $200 000-100 000 $ 60 000-$60 000 Estados de Naturaleza Aceptacin Alta (S1) Aceptacin Baja (S2) 0 $ 80 000 $50 000 $ 40 000 $100 000 0

Alternativas de decisin Arrendar sistema grande (A1) Arrendar sistema mediano (A2) Arrendar sistema pequeo (A3)

a) Arrendar Sistema Grande (A1).$80 000 b) Arrendar Sistema Mediano (A2)..$50 000 c) Arrendar Sistema Pequeo (A3)..$100 000 Conclusin: La eleccin sera arrendar el Sistema Mediano (A2) que es el que proporciona el menor costo de oportunidad para el GET. En este apartado los autores se han propuesto, aportar el conocimiento bsico acerca del enfoque cuantitativo y el proceso de toma de decisiones en la empresa turstica y la propuesta de los principales mtodos para abordar la cuantificacin de los objetivos empresariales en la actividad turstica con el paradigma multicriterio.

HASPNET. Texto bsico.

21

aptulo II: Procedimientos para generar informacin de las personas y su tratamiento.

Objetivos: En el presente captulo nos proponemos: 1. Explicar las caractersticas del mtodo de la Tormenta de Ideas, las posibilidades de su aplicacin al proceso de identificacin y solucin de problemas, as como las tcnicas que pueden ser asociadas al mismo para hacerlo ms eficaz y eficiente. 2. Explicar las caractersticas del mtodo de los Expertos, las posibilidades de su aplicacin al proceso de identificacin y solucin de problemas, as como las tcnicas que pueden ser asociadas al mismo para hacerlo ms eficaz y eficiente, en particular al mtodo del Braintorming. 3. Exponer el procedimiento de clculo del Coeficiente de Concordancia de Kendall, las posibilidades de su aplicacin y de relacin con el Mtodo de los Expertos y el Braintorming. Aspectos a tratar en el captulo: El mtodo de la tormenta de ideas o Brainstorming y tcnicas asociadas al mismo. Ejemplos. Pasos a seguir en la aplicacin del Brainstorming. Algunas tcnicas que ayudan a enfocarse hacia la causa de los problemas identificados mediante el mtodo del Brainstorming. El Mtodo de los Expertos. Algunas modificaciones importantes en cuanto al proceso de seleccin. Ejemplos. El Coeficiente de Concordancia de Kendall. Su aplicacin combinado con el Mtodo de los Expertos. Ejemplos de aplicacin.

2.1. La Tormenta de Ideas (Braintorming)

El Braintorming es una herramienta de trabajo grupal que facilita el surgimiento

de nuevas ideas sobre un tema o problema determinado. Es un mtodo que se utiliza cuando la fuente de informacin son las personas ( 4) y puede aplicarse de manera presencial, semipresencial o no presencial. El Brainstorming es un mtodo de creacin de ideas en grupo muy utilizado para identificar problemas, ofrecer soluciones alternativas a problemas o facilitar oportunidades de mejora. Este mtodo lo cre Alex F. Osborne en 1941 cuando, de su bsqueda de ideas creativas, naci un proceso de grupo no estructurado de lluvia de ideas a partir del cual surgieron ms y mejores ideas que si los sujetos hubieran trabajo por separado. El trmino Brainstorming (tormenta de ideas) es ahora muy comn en la lengua inglesa como trmino genrico para expresar el pensamiento creativo. Este pensamiento surge de manera natural y no requiere planificacin alguna. Cuantas ms alternativas haya, ms posibilidades habrn de dar con la mejor solucin. El Brainstorming se puede aplicar en cualquier tipo de empresa y puede servir de ayuda en alguna de las siguientes situaciones:

Cuando estas personas son expertos, se puede utilizar todo lo referente al Mtodo correspondiente y que aparece explicado en el presente texto.

HASPNET. Texto bsico.

22

Cuando sea necesario definir el proyecto o el problema sobre el que la empresa deba trabajar. Cuando la empresa tenga que diagnosticar problemas. Cuando sea necesario reconducir un proyecto presentando las posibles soluciones. Cuando la empresa tenga que identificar la resistencia potencial a las soluciones propuestas. Esta herramienta nos permite: a) Plantear los problemas existentes (P)(5) b) Plantear posibles causas (C)(6) c) Plantear soluciones alternativas (S)(7) Para visualizar el resultado de la aplicacin de esta tcnica podemos utilizar los modos de expresin siguientes: Fig. No.1: Modo Tabular de presentar la relacin problema-causa-solucin Problemas Causas Soluciones P1 C1 S1 P2 C2 S2 Pk Pi
. . . . . .

Ck Ci
. . .

. . .

Sk Si
. . .

. . .

Pudiera tambin utilizarse un sistema matricial para articular la trada problemascausas- soluciones, gradando, mediante al utilizacin de Expertos por ejemplo, la intensidad con que las causas se enlazan a los problemas, apoyndose en una escala, que a juicio de los decidores nos diga si tal o tales causas manifiestan una relacin Muy Intensa (I), Intensa (I), Dbil (D), Muy Dbil (MD), Ninguna (N) con los problemas a los cuales estn asociadas. Esos juicios tambin pudieran ser cuantificados si traducidos cada uno de los grados de la escala cualitativa en expresiones numricas que permitan cuantificar la intensidad, o sea: Muy Intensa (I) = 5; Intensa (I) = 4; Dbil (D) = 3; Muy Dbil (MD) = 2; Ninguna (N) = 1. Se pueden utilizar tambin smbolos para representar el grado de intensidad de la relacin:
5 6

Se puede aplicar el conocido mtodo de identificacin de problemas. Una vez identificadas las causas de los problemas, stas pueden ser ordenadas utilizando para ello alguna de las tcnicas que se ofrecen en el presente texto, a saber, coeficiente de concordancia de Kendall combinado con el Mtodo de los Expertos para la obtencin de un ordenamiento descendente de las diferentes causas que originan el problema, segn el orden de importancia que le otorgue cada experto. Una vez obtenido tal ordenamiento y teniendo en cuenta la frecuencia de votaciones y/o el clculo del peso especfico de cada causa, se puede aplicar el principio de las pocas causas vitales, muchas triviales o principio del 20x80, para concentrar los esfuerzos en aquellas que son decisivas en la solucin de los problemas. Se pueden tambin discernir, mediante el uso de una distribucin de frecuencia de las causas identificadas, aquellas causas que ms se repiten y aplicar el principio anterior (Pareto) para discriminar las pocas vitales. Siempre que esto se realice es recomendable utilizar un procedimiento de ponderacin de los expuestos en el texto. Esto permitir comprobar si las causas que ms se repiten son al mismo tiempo las ms importantes. El ordenamiento de las causas puede ocurrir mediante la realizacin de su agrupamiento utilizando para ello el diagrama causa-efecto. En esto caso recomendamos que una vez construido el grfico, se realice la ponderacin de las causas, tanto en el mbito de la primera, la segunda y la tercera expansin, as como de manera global. 7 En este caso es recomendable utilizar alguno de los mtodos de toma de decisiones para la solucin de problemas que se explican en el presente texto.

HASPNET. Texto bsico.

23

Muy Intensa (I) = 5 = Intensa (I) = 4 = Dbil (D) = 3 =

Muy Dbil (MD) = 2 =

Ninguna (N) = 1 = Por ejemplo, si se nos presentara el resultado que aparece en la Fig. No.2 tendramos: Fig. No.2. C1 C2 P1 P2 P3 P4

C3

C4

Lo que llevado a las correspondientes expresiones numricas nos permitira construir anlisis soportados en procedimientos estadsticos potentes o mtodos de la investigacin cientfica que haran ms contundente el proceso de la toma de decisiones, ms basada en hechos que en la intuicin de un grupo de personas que apuestan a su olfato como empresarios. Esta transformacin quedara como se muestra en la Fig. No.3. Fig. No.3. C1 P1 5 P2 1 P3 1 P4 3 C2 5 5 2 2 C3 2 2 5 1 C4 1 1 1 5

Se puede apreciar perfectamente que: 1. La Causa No.1 tiene una relacin Muy Intensa con el Problema No.1, Ninguna Relacin con los Problemas No.2 y No.3 y Dbil con el Problema No.4. Evidentemente que de acuerdo con este resultado, la Causa No.1 debe ser tratada de modo preferente o prioritario con respecto al Problema No.1. 2. La Causa No.2 tiene una relacin Muy Intensa con el Problema No.1 y el Problema No.2, y una Relacin Muy Dbil con los Problemas No.3 y No.4. Evidentemente que de acuerdo con este resultado, la Causa No.2 debe ser tratada de modo preferente o prioritario con respecto a los Problemas No.1 y No.2. 3. La Causa No.3 tiene una relacin Muy Intensa con el Problema No.3, una Relacin Dbil con los Problemas No.1 y No.2 y Ninguna Relacin con el Problema No.4. Evidentemente que de acuerdo con este resultado, la Causa No.1 debe ser tratada de modo preferente o prioritario con respecto al Problema No.3. 4. La Causa No.4 tiene una relacin Muy Intensa con el Problema No.5, y Ninguna Relacin con los Problemas No.1, No.2 y No.3. Evidentemente que de acuerdo con este resultado, la Causa No.4 debe ser tratada de modo preferente o prioritario con respecto al Problema No.4. Si solamente nos interesara saber la existencia o no de relaciones entre las causas y los problemas, bastara utilizar entonces escalas dicotmicas: S ____, No ____.

HASPNET. Texto bsico.

24

Aqu se deben realizar dos observaciones: Primera: En el ejemplo se muestran slo los resultados de los juicios emitidos por un decidor. Cuando son varios los juicios emitidos sobre una misma relacin, podemos llegar al valor nico de intensidad apelando a la media aritmtica, geomtrica o armnica, o al valor modal o a la mediana, pero entonces es recomendable utilizar herramientas estadsticas que nos permitan verificar el grado de homogeneidad de las votaciones y establecer lmites de aceptacin o no de los resultados. Esto nos obliga a verificar si el curso que siguen las distribuciones de los valores de votacin cumplen o no con los supuestos estadsticos necesarios. Segunda: Hay que aplicar procedimientos que apoyen de manera consistente la calidad de los juicios emitidos. Esto atenuar los sesgos que se pueden introducir en los resultados, reduciendo con ello el grado de validez y de confiabilidad de los mismos. No debemos olvidar nunca, que los resultados obtenidos sustentarn el proceso decisorio. Veamos el siguiente ejemplo: El especialista del control de la calidad de una reconocida instalacin hotelera ha observado que ms del 20% de uno de los platos que se sirven en el buffet ha sido rechazado por los clientes. El decide realizar un estudio para identificar las causas de este problema y poder actuar sobre ellas. Como resultado de su investigacin y utilizando el mtodo de los Expertos ha obtenido los resultados que se muestran en la Tabla No.1. Tabla No.1. Resultados de Expertos C1 C2 C3 C4 E1 3 5 2 1 E2 1 5 2 1 E3 1 4 3 1 E4 3 4 1 2 1,73 4,47 1,86 1,19 g

Dbil Intensa Dbil Ninguna Primero: Al calcular los valores medio geomtricos ( 8) de cada una de las causas, se puede observar que slo la Causa No.2 tiene una Relacin Intensa con el Problema identificado. El resto no tiene ninguna o la misma es dbil. Segundo: Si estableciramos las correlaciones correspondientes entre las votaciones de los diferentes expertos obtendramos el resultado que aparece en la Tabla No.2: Tabla No.2. Matriz de correlaciones E1 E2 E3 E4 E1 1 0,8506 0,6831 0,8315 E2 1 0,9098 0,6138 E3 1 0,2582 E4 1 Los resultados se han obtenido mediante la aplicacin de la siguiente ecuacin:

Se debe observar, a la hora de aplicar tal o cual estadstico, si este se aviene a la naturaleza de la variable. Por ejemplo, es recomendable utilizar la media geomtrica si la variable es continua. Si es discreta se recomienda utilizar otra medida de tendencia central.

HASPNET. Texto bsico. Donde:

25

-1 x,y 1 y:

La aplicacin de esta ecuacin retorna el coeficiente de correlacin de dos conjuntos de datos. Este coeficiente se utiliza para determinar la relacin entre dos propiedades, puede ser calculado utilizando Microsoft Excel a partir de programar la formula o simplemente utilizando el formulario que este software ofrece. Se puede obtener tambin utilizando otros paquetes de software como el Stat GraphicPlus o el SPSS. En la Tabla No.3 se presentan los diferentes grados que pueden asumir los valores del coeficiente as como su direccin, nula, positiva o negativa. Tabla No.3: Interpretacin de los resultados de la aplicacin del coeficiente A mayor X, menor Y, de -1,00 Correlacin negativa perfecta manera proporcional. - 0,90 Correlacin negativa muy fuerte - 0,75 Correlacin negativa considerable - 0,50 Correlacin negativa media - 0,10 Correlacin negativa dbil 0,0 No existe correlacin +0,10 Correlacin positiva dbil +0,50 Correlacin positiva media +0,75 Correlacin positiva considerable +0,90 Correlacin positiva muy fuerte +1,00 Correlacin positiva perfecta
Fuente: Tomado de Metodologa de la Investigacin de Sampieri, et al. Mcgraw Hill, Cap.10.

De acuerdo con esto, la correlacin entre la votacin de E2 y E3 es la que refleja la mayor intensidad, clasificando como Correlacin Positiva muy Fuerte (el signo indica la direccin de la correlacin, positiva o negativa, y el valor numrico la magnitud o intensidad de la correlacin). Esto puede ser apreciado en los resultados que se ofrecen en la Tabla No.4. Tabla No.4. Matriz de correlaciones E1 E2 E3 E4 E1 1 0,8506 0,6831 0,8315 E2 1 0,9098 0,6138 E3 1 0,2582 E4 1 Si tomramos este criterio como base para la seleccin de la causa, notaramos que se mantiene como opcin primera la No.2. Vase la informacin que se brinda en la Tabla No.5.

HASPNET. Texto bsico.

26

Tabla No.5: Informacin depurada por el procedimiento aplicado. C1 C2 C3 C4 E2 E3 g 1 1 1,00 5 4 4,50 2 3 2,50 1 1 1,00

Muy Dbil a Dbil

Ninguna

Intensa a Muy Ninguna Intensa

Ahora bien, se debe comprobar si el Coeficiente de Correlacin entre la votacin de los Expertos seleccionados es o no significativa. Si la significancia (S) < 0,05, entonces se dice que el coeficiente es significativo al nivel del 0,05 (95% de confianza en que la correlacin sea verdadera y 5% de probabilidad de error). Si (S) < 0,01, entonces se dice que el coeficiente es significativo al nivel del 0,05 (99% de confianza en que la correlacin sea verdadera y 1% de probabilidad de error). Otro anlisis que se recomienda realizar es comprobar si entre las votaciones de los Expertos seleccionados existen o no diferencias significativas. En caso de que existan, eso se interpretar como un resultado, que a pesar de existir una correlacin positivamente fuerte, no existe consenso en la votacin. Si no existen tales diferencias, entonces se aceptar la hiptesis nula y el resultado se interpretar como la existencia de consenso. Este resultado puede ser obtenido aplicando el Test de Kolgomorov-Smirnov utilizando un programa estadstico (software) como el StatGraphic Plus: Kolmogorov-Smirnov Test ----------------------Estimated overall statistic DN = 0, 5 Two-sided large sample K-S statistic = 0,707107 Approximate P value = 0,699374 This option runs a Kolmogorov-Smirnov test to compare the distributions of the two samples. This test is performed by computing the maximum distance between the cumulative distributions of the two samples. In this case, the maximum distance is 0,5, which you can see visually by selecting Quantile Plot from the list of Graphical Options. Of particular interest is the approximate P-value for the test. Since the P-value is greater than or equal to 0,05, there is not a statistically significant difference between the two distributions at the 95,0% confidence level, se acepta, por tanto, la hiptesis nula. La otra cuestin se refiere a las soluciones de los problemas. Cuando sta no es nica para un problema identificado, se debe proceder como se indic en la nota al pie de pgina No.2. No abundamos en este momento sobre este aspecto por cuanto en otra parte del texto nos referiremos a ello de manera ms exhautiva. Modo grfico: El modo grfico puede adoptar diferentes formas, como las que a continuacin se muestran: Forma No.1: Aparece representada en la Fig.4. Relaciona los distintos tipos de causa con la frecuencia de su aparicin as como con el grado de importancia que tienen las mismas.

HASPNET. Texto bsico.

27

Fig. No.4. Relacin importancia-causa-frecuencia


Grado de importancia

Frecuencia

No. de causas

Esta forma integra las numerosas causas que influyen sobre un problema, su frecuencia de aparicin, as como la ponderacin o peso asignada a cada una de ellas. Forma No.2: Aparece en el Graf.No.1, o perfil del comportamiento de las causas.

Permite visualizar el comportamiento de las diferentes causas de un problema, segn el grado de intensidad de las mismas y descubrir si existe alguna tendencia. Forma No.3: Se puede apreciar en el Graf. No.2 y es un identigrama de las causas que afectan a un determinado problema.

Al igual que el anterior, permite visualizar el comportamiento de las diferentes causas de un problema, segn el grado de intensidad de las mismas y descubrir si existe alguna tendencia. Cmo se aplica el mtodo del Brainstorming?

HASPNET. Texto bsico.

28

Se define el tema o problema, se emiten ideas libremente (sin extraer conclusiones en esta etapa), se listan las ideas, se analizan, evalan y organizan las mismas. El objetivo principal de la aplicacin de esta tcnica es obtener la mayor cantidad de ideas posible y no su calidad. Esta herramienta debe ser aplicada cuando: a) Se deseen determinar las posibles causas y/o soluciones a los problemas. b) Se planifiquen las etapas de un proyecto. c) Se decida en qu problema (u oportunidad de mejora) trabajar. Los equipos a menudo emplean el brainstorming como una herramienta para crear consenso, y en situaciones donde necesitan generar un nmero elevado de ideas. Pasos claves: Paso No.1: Inicio de la sesin del brainstorming. Establecer un lmite de tiempo para la sesin, generalmente con 30 minutos es suficiente. Designar uno o ms registradores, cuya tarea consiste en anotar todas las ideas que se emitan, donde todo el mundo pueda verlas, a medida que las mismas sean enunciadas. Establecer las reglas: o o o o o No modificar lo que se dice y abstenerse de criticar ideas. Tratar de generar tantas ideas como sea posible. Desarrollar luego un proceso de reduccin y ponderarlas. Alentar ideas exageradas o disparatadas. Edificar sobre las ideas de los dems.

Paso No.2: Determinar el mtodo de brainstorming a utilizar. Tipos de brainstorming: Brainstorming aleatorio: Los integrantes del grupo enuncian todas las ideas a medida que se le van ocurriendo. Las ideas se enumeran mientras son emitidas. Brainstorming secuencial: Cada uno va emitiendo sus ideas por turno. Cualquiera puede pasar cuando llega su turno. Se contina hasta que no se generen ms ideas. Todas las ideas son enumeradas a medida que son emitidas. Luego de finalizar el brainstorming: Priorice las ideas de manera que lo ayuden a decidir por dnde comenzar. Cuando se vea enfrentado a grandes cantidades de informacin, clasifquelas de acuerdo con temas comunes. Tal vez tenga que recopilar datos que apoyen o prueben las ideas.

HASPNET. Texto bsico. Tcnicas de Brainstorming ( 9):

29

Existen algunas tcnicas muy tiles que nos permiten realizar el proceso de Brainstorming de manera ms eficaz y eficiente. Las primeras cuatro son propias del mtodo. Las otras dos, se asocian al mtodo. Estas tcnicas sern descritas a continuacin. Tcnica de la palabra clave: Para empezar la tormenta de ideas con relacin a la palabra clave, se debe escribir el tema en la parte superior de un folio o pizarra. Hay que escribir todas las ideas que vayan surgiendo dejando volar la imaginacin sobre el tema en concreto. Las ideas hay que escribirlas con rapidez, en forma de lista y sin preocuparse por la ortografa, las palabras elegidas, etc. Hay que conseguir expresar en papel el mayor nmero de ideas-conceptos en el menor tiempo posible. Utilizar alguna frase de MKT que sea llamativa: nico, diversin, calidad, mayores ingresos, producto, fidelidad del cliente, sin devolucin, asistencia tcnica, competencia, nuevo tema, orgullo en los productos, magnfica exposicin, de excelente ingeniera, respuesta al pblico, ventas con ventajas, iniciar la conversacin, conduccin, orgullo, seguridad, nuevo juego, pago sin entrada, nuevo concepto, aumentar las subidas, producto establecido, con estudios universitarios, venta del producto sin devolucin.

Mapas mentales: Son muy tiles para hacer presentaciones cuando ya conoces de antes los temas principales o las reas generales. Cada tema general debe ponerse en la parte superior de un folio y despus iniciar la tormenta de ideas con cada uno de ellos a travs de la tcnica de la palabra calve. Los mapas mentales permiten desmenuzar los temas ms grandes en partes ms pequeas y manejables para trabajar sobre ellas.

Notas adhesivas: Para empezar la tormenta de ideas con notas adhesivas, hay que poner el tema en la parte superior de una pizarra y despus iniciar la tormenta de ideas colocando cada idea en una nota. Llenar la pizarra con estas notas.

Yiannis L. Bakouros, Vana M. Demetriadou, University of Thessaly. Herramientas de Gestin de la Innovacin. Disponible en: www.does.org/masterli/q35.htm; www.fmeca.com/ffmethod/elem/effects.htm; www.technicomp.com/planfmea2.htm.

HASPNET. Texto bsico.

30

Galaxia: El mtodo de la galaxia empieza colocando el tema en el centro del universo (de la pgina-pizarra). Escribe tu primera idea brillante, haz un crculo alrededor de ella y nela con el centro mediante una lnea. Escribe tu siguiente idea y haz un crculo. Si se refiere a tu primera idea, nelas mediante una lnea; si no, nela con el centro Cada idea es una estrella, las estrellas pueden tener planetas y los planetas satlites. Pronto tendrs toda una Galaxia de ideas.

Existen, adems, dos tcnicas que nos ayudan bien a enfocarnos hacia los problemas, hacia las causas o hacia las soluciones, nos referimos a la distribucin de frecuencias y a la tcnica de Pareto. Veamos un ejemplo. Uso de la Distribucin de Frecuencia: Nuestro especialista de control de la calidad decide complementar el estudio para identificar las causas de su problema involucrando al personal que trabaja en el rea y para ello les present el siguiente instrumento.

HASPNET. Texto bsico.

31

Estimado compaero, como ya se les inform, ms del 20% del plato X que se sirve en nuestro buffet est siendo rechazado por nuestros clientes, a pesar de que estudios confiables indican que el mismo es ampliamente demandado y su elaboracin exige niveles de costos mnimos. Estamos interesados en identificar las posibles causas de este problema y en este sentido sus opiniones son de extraordinaria importancia. Les estamos convocando a que con sus respuestas sinceras a la pregunta enunciada, contribuyan a la solucin del problema identificado. No existen respuestas buenas y malas, lo que nos interesa es su opinin valiosa. Diga, a su juicio, cules son las causas que estn influyendo en los niveles de rechazo del plato X en nuestro buffet? a) b) c) d) ________________________________________________________. ________________________________________________________. ________________________________________________________.

Como resultado de su investigacin y utilizando la tcnica de la distribucin de frecuencias han obtenido los resultados que se muestran en la Tabla No.6. Tabla No.6. Distribucin de Frecuencia de causas Causas Tarjado F FR FA FRA C1 /// 3 0,0526 3 0,0526 C2 / 1 0,0175 4 0,0702 C3 ///// ///// ///// ///// ///// // 27 0,4737 31 0,5439 C4 / 1 0,0175 32 0,5614 C5 ///// ///// ///// ///// 20 0,3509 52 0,9123 C6 / 1 0,0175 53 0,9298 C7 / 1 0,0175 54 0,9474 C8 / 1 0,0175 55 0,9649 C9 // 2 0,0351 57 1,0000 57 1,0000 Se observa: Primero: Que las causas con ms frecuencia sealadas son la C3 y C5. Segundo: Hay que verificar si existe o no coincidencia entre la frecuencia de aparicin de las causas y su importancia. Tercero: Si el criterio subyacente en los resultados fuera vlido, entonces habra que concentrar los esfuerzos en las mencionadas causas. Uso de la tcnica de Pareto: Con los resultados de la distribucin de frecuencia anterior, construiremos el grfico pareteano. Para ello: Primero: realizar el ordenamiento en forma descendente, de las causas.

HASPNET. Texto bsico.

32

Tabla No.7. Ordenamiento descendente de las causas. Causas F FR FA FRA C3 27 0,4737 27 0,4737 C5 20 0,3509 47 0,8246 C1 3 0,0526 50 0,8772 C9 2 0,0351 52 0,9123 C2 1 0,0175 53 0,9298 C7 1 0,0175 54 0,9474 C4 1 0,0175 55 0,9649 C6 1 0,0175 56 0,9825 C8 1 0,0175 57 1,0000 57 1,0000 Segundo: Construir el grfico de Pareto del modo en que se ilustra en el Graf. No.3: 60 50 40 30 20 10 0 C3 C5 C1 C9 C2 C7 Causas C4 C6 C8 Graf.No.3: Pareto FR 1,00 0,80 0,60 0,40 0,20

Interpretacin: a) El primer eje de ordenadas representa la frecuencia absoluta (F, segunda columna de la tabla de distribucin de frecuencia) de aparicin de las causas. b) El segundo eje de ordenadas representa la frecuencia relativa (FR, tercera columna de la tabla de distribucin de frecuencia) de aparicin de las causas. c) La lnea de puntos representa la frecuencia relativa acumulada, (FRA, cuarta columna de la tabla de distribucin de frecuencia) de aparicin de las causas. d) El eje de axisas representa, mediante barras, la magnitud absoluta de las causas. e) Para identificar la o las causas sobre las que debemos trabajar de manera priorizada, trazamos una lnea recta, paralela al eje de axisas, con origen en el punto 0,80 del segundo eje de ordenadas hasta el punto en que toca a la lnea de puntos que representa a la Frecuencia Relativa de paricin de causas. Tomando esta interseccin como origen, trazamos una segunda lnea paralela al primer eje de ordenadas y en direccin al eje de axisas hasta tocar el punto situado en la barra que representa la magnitud absoluta de la causa correspondiente. Las causas que queden situadas a la izquiera de esta lnea recta sern las que se ajustan al principio pocos vitales, muchos triviales, es decir en esa posicin debe quedar el 20% de las causas que resolver el 80% de los problemas. Es sobre tales causas que debemos trabajar. En nuestro ejemplo se trata de la causa No.3.

HASPNET. Texto bsico. Reglas del Brainstorming ( 10)

33

Se deben descartar todas las crticas No se debe hacer ninguna crtica de las ideas. No importa lo descabelladas, imposibles o tontas que puedan parecer... debe tomarse nota absolutamente de todas. Se debe estimular la risa, pero no la crtica. Por qu no? Porque hay que fomentar la libre expresin de ideas y por tanto, si los participantes de la sesin de lluvia de ideas sienten temor de que sus ideas pueden ser criticadas, no seguirn expresndolas. La audacia es bienvenida Cuanto ms atrevida sea una idea, tanto Mejor Es ms fcil reprimir que inventar ideas. No hay que temer decir lo primero que le viene a uno a la cabeza. Cuanto ms extravagante sea la idea, mejor. Esta libertad absoluta estimula ms y mejores ideas. Aunque la mayora no valdrn para nada, pudieran inspirar otras ideas tiles. Se busca cantidad Cuantas ms ideas se tengan ms posibilidades hay de acertar con la (s) solucin (es). Hay que ofrecer tantas ideas como sea posible. Aliente la generacin de ideas sobre la marcha (las mejores ideas suelen surgir de la interaccin entre ellas). Hay que intentar apoyar las ideas, combinarlas y mejorarlas Adems de contribuir con ideas propias, habra que sugerir cmo mejorar las ideas de los dems, o cmo se pueden unir dos ideas para hacer una an mejor. Algo muy importante es el que una vez que la causa o causas sobre las que se debe trabajar ha sido identificada, se deben establecer las alternativas de solucin que la misma necesita. Este procedimiento exige un enfoque multicriterio a la hora de identificar las diferentes alternativas de solucin y de eleccin de la ms adecuada. A su vez, este proceso exige la utilizacin de las tcnicas o mtodos de toma de decisiones ms convenientes. En el presente texto le dedicaremos varios espacios a la exposicin y tratamiento adecuado de este aspecto. 2.2. El Mtodo de los Expertos.

El conocido mtodo Delphi (Goicoechea, Hansen e Duckstein, 1982, Molina, 1987)

se utiliza cuando el sistema objeto de estudio no est lo suficientemente estructurado. Las decisiones que corresponden a este tipo de sistema son ms complejas, por el grado de dificultad que presentan en su fundamentacin y la ausencia de informacin en ocasiones dificulta el desarrollo de las etapas que deben seguirse. En su solucin, adquiere gran importancia la experiencia, la capacidad del decisor, as como tambin de especialistas calificados y de todo el colectivo que participa en el proceso. Se entiende por experto, tanto al individuo en si como a un grupo de personas u

hlthed.uregina.ca/cni/instres/food/171;http://www.jpd.com/creative/brainstorming.html; www.colostate.edu/Depts/WritingCenter/references/teaching/gentopic/pop4a.htm.
10

HASPNET. Texto bsico.

34

organizaciones capaces de ofrecer valoraciones conclusivas de un problema y hacer recomendaciones respecto a sus momentos fundamentales con un mximo de competencia. El lema de este mtodo es: "dos cabezas piensan mejor que una". La evaluacin ofrecida por los expertos puede ser: a) Individual b) Grupal (o colectiva) c) De forma oral. d) Llenando un modelo o gua elaborado previamente por los investigadores que contiene los aspectos o factores que se desea que sean los indicadores para medir el resultado de la investigacin. e) Tambin respondiendo una encuesta (cuestionario o gua). La evaluacin de expertos depende personalidades de los expertos, a saber: a) b) c) d) considerablemente de las

Calificacin cientfico - tcnica. Experiencia profesional. Preparacin, conocimiento y especializacin en el tema objeto de investigacin. Gustos personales.

De acuerdo con esto, las opiniones de los expertos se analizan como magnitudes aleatorias y se valoran mediante mtodos estadsticos. De esta manera la evaluacin se realiza a travs de un sistema de procedimientos organizados, lgicos y estadstico - matemticos dirigidos a obtener la informacin procedente de los especialistas y su posterior anlisis con el objetivo de tomar decisiones confiables. De ah que se pueda afirmar que "el mejor investigador es precisamente aquel que se apoya simultneamente en su experiencia, en los datos de la ciencia y en los conocimientos de otras personas". Este mtodo se sustenta en la utilizacin sistemtica e iterativa de juicios de opinin de un grupo de expertos hasta llegar a un acuerdo. En este proceso se trata de evitar las influencias de individuos o grupos dominantes y al mismo tiempo en que exista una retroalimentacin de manera que se facilite el acuerdo final. Caractersticas: Existencia de un facilitador, cuya funcin es similar al mtodo Braintorming. Se establece un dilogo annimo entre los expertos individualmente, mediante cuestionarios o encuestas. La confrontacin de opiniones se lleva a cabo mediante varias rondas. Los resultados de cada ronda se procesan estadsticamente. Existe retroalimentacin a los expertos mediante los resultados del cuestionario precedente, permitiendo al experto modificar sus respuestas primarias en funcin de los elementos de juicio aportados por los otros expertos. El nmero de rondas para la aplicacin de la encuesta o cuestionario se determina por la evolucin de las curvas de respuestas, hasta llegar a una convergencia de las opiniones, eliminando los valores ms dispersos.

El mtodo, aunque posee una probada efectividad es, sin embargo complejo y embarazoso. Requiere de tiempo y paciencia, as como el consenso de los expertos para participar en la investigacin. Puede ser costoso en tiempo y dinero y los que lo emplean deben tener conocimiento de las herramientas estadsticas matemticas que acompaan al mismo en el procesamiento de los datos.

HASPNET. Texto bsico.

35

El proceso de seleccin de los expertos: Esta es una de las etapas ms importantes de la aplicacin del mtodo. Al experto, altamente calificado le deben ser inherentes las siguientes cualidades: a) tica profesional. b) Maestra. c) Imparcialidad d) Intuicin e) Amplitud de enfoques f) Independencia de Juicios. Para su seleccin se suelen utilizar los siguientes criterios: a) Competencia b) Creatividad c) Disposicin a participar en la encuesta. e) Conformidad. f) Capacidad de anlisis g) Espritu colectivista y autocrtico. h) Efectividad de su actividad profesional. Cmo determinar la competencia del candidato a experto? La competencia es el nivel de calificacin en una determinada esfera del conocimiento. Se determina sobre la base de: La actividad fructfera del especialista y Del nivel y profundidad de conocimientos de los logros de la ciencia y la tcnica en el mundo. La comprensin del problema. Las perspectivas de su desarrollo. Existe la tendencia de valorar la competencia de un experto de acuerdo con su grado cientfico y el puesto que ste ocupa, sin embargo no siempre estas condiciones determinan la competencia. En la prctica de la evaluacin mediante el criterio de expertos, ha tenido aceptacin la determinacin de la competencia, utilizando la autovaloracin de la misma por el propio experto. La autovaloracin, la que deviene a su vez en un criterio a tener en cuenta, consiste en proponerle a los candidatos a expertos llevar una autoevaluacin de sus conocimientos relacionados con el tema que ser objeto de enjuiciamiento. La experiencia demuestra que las personas con una elevada autoevaluacin se equivocan menos que otras en sus predicciones. Metodologa para determinar el coeficiente de competencia del experto Esta metodologa fue propuesta por el Comit Estatal para la Ciencia y la Tcnica de la antigua URSS. En la misma la competencia de los expertos se determina por el coeficiente K, el cual se calcula de acuerdo con la opinin del candidato sobre su nivel de conocimiento acerca del problema que se est resolviendo y con las fuentes que le permiten argumentar sus criterios. El coeficiente K se calcula por la siguiente expresin: K = 1/2 (Kc + Ka)

HASPNET. Texto bsico. Donde:

36

Kc: Es el coeficiente de conocimiento o informacin que tiene el experto acerca del problema a resolver sobre la base de la valoracin del propio experto en una escala de 0 a 10 y multiplicado por 0.1 (dividido por 10) de modo que: a) Evaluacin 0 indica absoluto desconocimiento de la problemtica que se evala. b) Evaluacin 1 indica pleno conocimiento de la referida problemtica. Entre esta evaluaciones lmites (extremas) hay (9) intermedias. Sobre esta base se elabora el cuestionario de competencia al experto: Primera fase del cuestionario: En esta primera fase se obtiene informacin que permite calcular el coeficiente de conocimientos (Kc) o de informacin que posee el Experto en relacin con el problema que se quiere resolver. El experto deber marcar una cruz en la casilla que estime pertinente, as: 0 1 2 3 4 5 6 7 8 X 9 10

Kc = 8 (0.1) = 8/10 = 0.8 Ahora bien, teniendo en cuenta que el proceso de eleccin para obtener Kc corre el riesgo de que el decidor marque el menos o ms importante de los elementos a elegir, y ello sesgue el resultado, hemos introducido a esta primera metodologa un vector de ponderacin de los criterios seleccionados. As se atena el riesgo de que un alto valor en la tabla de autoevaluacin sea el causante de un alto Kc, aunque sea el que tenga la menor importancia. Esto aparece reflejado en la Tabla No.8. Los tems que aparecen en la primera columna han sido obtenidos de dos fuentes: la literatura consultada acerca de las competencias identificatorias que debe poseer un sujeto para calificarlo como experto en el mbito de un problema concreto, y la opinin de personas con trabajo reconocido. Tabla No.8: Valores para el clculo de Kc Relacin de caractersticas Prioridad Conocimiento 0,181 Competitividad 0,086 Disposicin 0,054 Creatividad 0,100 Profesionalidad 0,113 Capacidad de anlisis 0,122 Experiencia 0,145 Intuicin 0,054 Nivel de actualizacin 0,127 Espritu colectivista 0,018

Votacin

Es decir, la opinin que tienen las personas expertas acerca de las caractersticas que debe poseer un experto en lo que ha conocimiento se refiere y otras. Los autores han incluido una segunda columna donde se consigna la prioridad o peso que posee la caracterstica dada en un experto concreto. Esto suple la tradicional escala utilizada por otros autores donde slo se obtiene un valor escala asignado

HASPNET. Texto bsico.

37

por el propio evaluado. El vector de prioridad o peso de cada uno de los elementos a tener en cuanta en el clculo de este coeficiente puede ser obtenido aplicando diferentes mtodos. Varios de ellos se explican en las secciones correspondientes del presente texto. La tercera columna expresa la votacin que realiza el propio evaluado o la percepcin que tiene un tercero acerca de la presencia o no de la caracterstica en el sujeto objeto de evaluacin. La informacin as obtenida permite calcular el mencionado coeficiente. O sea, el valor de Kc se determina por la siguiente expresin:

Donde: Wjk: grado de prioridad de la caracterstica k para el decidor j. Aijk: autoevaluacin otorgada por el decidor j a la caracterstica k con respecto al problema i. Un ejemplo sencillo nos permitir aclarar. En la Tabla No.9, se muestra el resultado del clculo del valor de Kc, segn nuestra propuesta. El valor obtenido es una aplicacin real en el mbito de una investigacin que se realiz en el Polo turstico de Varadero y corresponde a un experto. Es evidente que este mismo algoritmo es el que se le aplica al resto de los expertos. Hemos dejado en la tabla el valor obtenido por Kc segn la propuesta del Comit Estatal para la Ciencia y la Tcnica de la antigua URSS. Tabla No.9: Resultados de Kc No. 1 2 3 4 5 6 7 8 9 10 Experto No.1 W A Prioridad Auto 0,181 0,8 0,086 0,5 0,054 0,2 0,100 0,4 0,113 0,6 0,122 0,7 0,145 0,9 0,054 0,2 0,127 0,6 0,018 0,5 0,540

Relacin de caractersticas Conocimiento Competitividad Disposicin Creatividad Profesionalidad Capacidad de anlisis Experiencia Intuicin Nivel de actualizacin Espritu colectivista

Kc 0,145 0,043 0,011 0,040 0,068 0,085 0,131 0,011 0,076 0,009 0,618

O sea, Kc = 0,618 Obsrvese la magnitud del coeficiente ponderado y no ponderado. No es slo que la de ste ltimo es ligeramente superior, sino que tambin da la posibilidad de darle tratamiento grfico, como por ejemplo, la construccin de la Matriz de Toma de Decisiones W-X (incluida en la seccin correspondiente del presente texto), la cual puede servir de base para el trazado de estrategias de mejora del nivel de competitividad del experto en cuestin, en lo que a su coeficiente de conocimiento se refiere.

HASPNET. Texto bsico. Segunda fase del cuestionario:

38

En esta fase, bien por autoevaluacin, o por evaluacin de terceros, o por combinacin de ambas, se obtienen los datos que aparecen en la Tabla No.10 y que sirven para calcular el Ka. Tabla No.10: Datos para el clculo de Ka. Grado de influencia de los criterios Alto Medio Bajo Estudios tericos realizados. 0,27 0,21 0,13 Experiencia obtenida. 0,24 0,22 0,12 Conocimientos de trabajos en el pas. 0,14 0,10 0,06 Conocimientos de trabajo en el extranjero. 0,08 0,06 0,04 Consultas bibliogrficas. 0,09 0,07 0,05 Cursos de actualizacin. 0,18 0,14 0,10 Al experto se le presenta esta tabla sin cifras orientndoles que marque con una (x) sobre cual de las fuentes ha influido ms en su conocimiento de acuerdo con los niveles ALTO (A), MEDIO (M) y BAJO (B). Fuentes Posteriormente utilizando los valores que aparecen en la tabla patrn se determina el valor de Ka para cada aspecto. De tal modo que: Si Ka = 1 influencia alta de todas las fuentes Si Ka = 0.8 influencia media de todas las fuentes Si Ka = 0.5 influencia baja de todas las fuentes En esta fase se obtiene la informacin que posibilita calcular el coeficiente de argumentacin (Ka). Esta informacin est estrechamente vinculada con el coeficiente que se calcula en la primera fase. Las fuentes de conocimientos se clasifican segn criterios altos, medios y bajos asignando un valor determinado a cada fuente. La suma de esos resultados da el valor total del coeficiente. Por ejemplo, un investigador del CETUM estudia las caractersticas de la evaluacin en los sistemas de calidad que se aplican en el Destino turstico Varadero con el objetivo de elaborar un nuevo modelo que resuma en l las principales virtudes de cada uno de los existentes y evite sus defectos. Para dar cumplimiento a este empeo, decide recurrir al mtodo de evaluacin a travs del criterio de expertos, para lo cual necesita seleccionarlos, luego de conformar un estado inicial de aquellos que le parecen cumplen con los requisitos, los somete a una autoevaluacin de informacin y argumentacin que poseen sobre el tema. Para ello les pide que marquen con una cruz en una escala creciente de 0 a 10, el valor que corresponde con el grado de presencia de las caractersticas que lo identifican como experto, obtenindose los resultados del Cuadro No.1. Por otra parte le da una tabla para obtener el coeficiente de argumentacin (Ka). Los resultados son los que aparecen en la tabla No.11.

HASPNET. Texto bsico.

39

Tabla No.11: Juicios emitidos para el clculo de Ka. Grado de influencia de los Fuentes criterios Alto Medio Bajo Estudios tericos realizados. x Experiencia obtenida. x Conocimientos de trabajos en el pas. x Conocimientos de trabajo en el extranjero. x Consultas bibliogrficas. x Cursos de actualizacin. x Ka(1)=0,27+0,22+0,10+0,08+0,09+0,14=0,90. Se obtiene el Coeficiente de competencia K del experto, al promediar la puntuacin correspondiente a cada una de las partes del cuestionario, se propone que este coeficiente debe estar entre 0.8 < K < 1, con el objetivo de hacer una seleccin rigurosa de los profesionales dispuestos a participar de la investigacin. De tal modo, el coeficiente de competencia K para el ejemplo estudiado sera: K = (0,618+0,9) = 0,759 Ahora bien, si: 0.8 K 1 K alto, luego el experto tiene competencia alta. 0.5 K 0.8 K media, luego el experto tiene competencia media 0 K 0.5 K bajo luego el experto tiene competencia baja. Para el caso que estamos analizando el experto tiene competencia media. Si la competencia de algn experto fuera, adems, baja, entonces procederamos de la manera siguiente: 1. Se calcula el coeficiente de competencia promedio (K=1/nKi). 2. Si ste fuera alto, podra analizar la posibilidad de utilizar los expertos con coeficientes bajos y/o promedio. El procedimiento para la seleccin de expertos considera tres etapas fundamentales: Determinacin de la cantidad de expertos. Confeccin de la lista de expertos. Obtener el consentimiento del experto en su participacin. Se propone que la cantidad de expertos a seleccionar debe ser menor o igual que * n (Snchez, 1984) donde: - Nmero entre 0.7 e 1, prefijado por el investigador n - Elementos que caracterizan un determinado objeto de estudio (nmero de atributos). Puede utilizarse tambin la siguiente expresin:

HASPNET. Texto bsico. Donde:

40

p: Porcentaje de error que como promedio se tolera. k: Constante asociada al nivel de confianza. i: Nivel de precisin. m: nmero de expertos. A nosotros nos parece que en la direccin de perfeccionar el mtodo se deben realizar algunas modificaciones. No debemos olvidar que el resultado de los juicios emitidos por tales expertos ser la base para que el proceso decisorio transcurra de manera adecuada y se tengan resultados confiables y vlidos. En esta direccin estamos proponiendo realizar algunas pruebas de carcter estadstico que le den ms consistencia a los resultados del coeficiente. Primera: Hasta ahora estamos llegando al coeficiente de competencia K mediante el clculo del promedio aritmtico de los valores de los coeficientes de conocimiento y de argumentacin y de hecho estamos admitiendo que ambos tienen el mismo grado de importancia, lo cual no tiene que ser necesariamente as. Pueden existir situaciones, lugares o simplemente problemas a resolver, amn de la existencia o no de tales expertos en cantidades suficientes, que requieran la presencia acentuada de uno u otro coeficiente y esto nos exigir ponderarlos empleando mtodos adecuados. Segunda: Hay que dar respuesta a las siguientes interrogantes: a) Existe relacin entre el coeficiente de conocimiento y de argumentacin? Si la respuesta fuera positiva, hay que responder a su vez las siguientes, En qu direccin?, Cul es su magnitud?, Es estadsticamente significativa es relacin? b) Si existe relacin entre ambos coeficientes, Es una relacin funcional?, Cul de los coeficientes jugara el papel de variable dependiente y cul el de variable independiente? Si esta situacin se verificara y se concluyera que el coeficiente de conocimiento es una funcin del coeficiente de argumentacin, la hiptesis a demostrar sera la siguiente: A mayor Ka, mayor Kc A continuacin presentamos una prueba realizada por los autores del presente texto en un trabajo de investigacin realizado en el Hotel Ibersotar Tano del Grupo Hotelero Gran Caribe que opera en el Polo turstico de Varadero, con el objetivo de dar respuesta a algunas de las interrogantes anteriormente formuladas. Las preguntas fueron transformadas por nosotros en las proposiciones (P) o hiptesis (H) siguientes: P1: Existe una relacin positiva y estadsticamente significativa entre el Kc y Ka. P2: La relacin que existe entre Kc y Ka es funcional, donde Kc variable dependiente y Ka es variable independiente. P3: A mayor Ka, mayor Kc.

HASPNET. Texto bsico.

41

Los resultados de la prueba aparecen en la Tabla No.12. Tabla No.12: No. Exp. 1 E1 2 E2 3 E3 4 E4 5 E5 6 E6 7 E7 8 E8 9 E9 10 E10 11 E11 12 E12 13 E13 14 E14 15 E15 16 E16 17 E17 Clculo del Coeficiente de Experticidad (K) Kc Ka 1/2(Kc+Ka) 0,8432 0,8456 0,8444 0,8554 0,8545 0,8550 0,7986 0,8194 0,8090 0,8234 0,8323 0,8279 0,8812 0,8431 0,8622 0,8101 0,8000 0,8051 0,9123 0,8992 0,9058 0,8002 0,8321 0,8162 0,8556 0,7854 0,8205 0,8123 0,8234 0,8179 0,8765 0,8632 0,8699 0,8667 0,8543 0,8605 0,8564 0,8721 0,8643 0,8789 0,8856 0,8823 0,9091 0,8999 0,9045 0,9324 0,9234 0,9279 0,7752 0,8598 0,8175

Observar, que nos hemos atenido aqu al modo tradicional de utilizar slo la media aritmtica para el clculo de K. De acuerdo con ello se aprecia que tanto los valores del Coeficiente de Conocimiento (Kc), del Coeficiente de Argumentacin (Ka) y del Coeficiente general (K) para todos los expertos cumplen con la restriccin fijada por el umbral de decisin para la seleccin, estar entre 0.8 < K < 1. Esto significa que todos los expertos son competentes y pueden ser utilizados para cumplimentar los objetivos de la investigacin. Ahora comenzamos a desarrollar las modificaciones que nosotros entendemos son necesarias introducir. No importa que el resultado confirme que lo hecho hasta aqu es vlido y confiable. Lo que interesa es disponer de herramientas que nos permiten realizar siempre la correspondiente comprobacin. Para probar P1 se calcul el coeficiente respectivo y los resultados aparecen en la Tabla No.13. Tabla No.13: Correlations KC KA Pearson Correlation 1 ,705(**) KC Sig. (2-tailed) . ,002 N 17 17 Pearson Correlation ,705(**) 1 KA Sig. (2-tailed) ,002 . N 17 17 ** Correlation is significant at the 0.01 level (2-tailed). ****** Method 1 (space saver) will be used for this analysis ******

HASPNET. Texto bsico. RELIABILITY 1. KC 2. KA Item-total Statistics Scale Mean if Item Deleted KC , 8525 KA , 8522 Reliability Coefficients N of Cases = 17,0 Alpha = ,8178 ANALYSIS -

42


SCALE (A L P H A)

Scale Variance if Item Deleted , 0013 , 0020

Corrected ItemTotal Correlation , 7050 , 7050 N of Items = 2

. .

Los resultados se obtuvieron mediante la utilizacin del paquete informtico SPSS en su versin 11.2 para Windows. Interpretacin de los resultados: Primero: El coeficiente de correlacin alcanza un valor de 0,705, con direccin positiva y magnitud o intensidad de la correlacin entre positiva media y positiva considerable, confirmando la hiptesis de que A mayor Ka, mayor Kc. Segundo: Esa correlacin es estadsticamente significativa al nivel de 0,01, o sea, 99% de confianza en que la correlacin es verdadera y 1% de probabilidad de error. Tercero: El valor del coeficiente de correlacin tem-Total en todos los casos es superior a 0,7 y el Alfa de Cronbach superior a 0,8, demostrando con ello la existencia de una buena consistencia interna entre los valores de las variables analizadas. De acuerdo con Carmines y Zeller (1979, pp. 44-45) existen dos procedimientos para calcular el Coeficiente Alfa () Sobre la base de la varianza de los tems aplicando la siguiente frmula:

Donde:

S2 (Yi): sumatoria de las varianzas de los tems


S2x: varianza de toda la escala 2. Sobre la base de la matriz de correlacin de los tems. a) Se aplica la escala. b) Se obtienen los resultados. c) Se calculan los coeficientes de correlacin r de Pearson entre todos los tems (todos contra todos de par en par). d) Se elabora la matriz de correlacin con los coeficientes obtenidos. e) Se calcula p (promedio de las correlaciones entre tems).

N: nmero de tems de la escala

HASPNET. Texto bsico.

43

Donde: p: sumatoria de las correlaciones entre tems. NP: el nmero de correlaciones no repetidas o no excluidas. f) Se aplica la siguiente frmula:

Donde:

: promedio de las correlaciones entre tems Si se programan estas frmulas el coeficiente puede ser obtenido fcilmente utilizando Microsoft Excel. Concluyendo entonces con nuestro ejemplo podemos afirmar que el proceso de seleccin de nuestros expertos es vlido y adems confiable. Una vez que los expertos fueron seleccionados y los juicios emitidos se debe determinar el grado de concordancia entre ellos con respecto a las evaluaciones que hicieron, para eso se sigue el procedimiento de clculo del coeficiente de concordancia de Kendall.
2.3. El Coeficiente de Concordancia de Kendall. ste coeficiente se utiliza para comprobar si existe o no concordancia entre los juicios emitidos por un grupo de decisores (expertos) a partir de la presentacin de un problema y la posibilidad de que cada uno de ellos emita un determinado criterio. Los pasos a seguir son los siguientes: Paso No.1: Construir el instrumento a partir del cual los decisores emitirn su juicio sobre el ordenamiento que daran al conjunto de entes segn el grado de importancia que cada uno de ellos le atribuye. Paso No.2: Presentar el instrumento a cada uno de los decisores por separado e invitarlos a realizar la operacin de ordenamiento. El facilitador del proceso puede efectuar todas las iteraciones por diferentes vas: a) Personal cara a cara; b) Por va electrnica; c) Por correo convencional, u otras. Paso No.3: Una vez recibidas las respuestas de los decisores se construye la Matriz de Rango tal y como aparece en la Fig. No.5. Fig.No.5: Matriz de Rango. Criterios de decisin Expertos C2 Cj Cn C1 E1 R11 R12 R1j R1n E2 R21 R22 R2j R2n ... ... ... ... ... ... ... Ei Ri1 Ri2 Rij ... Rin ... ... ... ... ... ... Em Rm1 Rm2 ... Rmj ... Rmn

N: nmero de tems

HASPNET. Texto bsico. Donde:

44

m: Cantidad de expertos (i=1,m). n: Cantidad de criterios o atributos a evaluar (j=1,n) Rmn: Es la evaluacin en puntos de la escala establecida para el criterio o atributo j realizada por el experto i de acuerdo al rango prefijado. A partir de aqu se calcula el valor del coeficiente utilizando para ello la frmula siguiente: Coeficiente de Concordancia de Kendall o Coeficiente de Correlacin de Rango (W)

Suma de los rangos

El coeficiente adopta valores [0,1]. Si W0,5 se acepta el nivel de concordancia. Se debe verificar, adems si la concordancia obtenida es o no casual. El valor del coeficiente se puede obtener utilizando algn software que permita su clculo (DECISOFT, por ejemplo o el SPSS) o sencillamente, utilizando la frmula antes descrita y programar su clculo mediante Microsoft Excel. Presentamos, a modo de ejemplo, los resultados de una investigacin realizada en un hotel que opera en el Polo Turstico de Varadero. El objetivo de la misma consista en: Primero: Conocer si los entrevistados estaban dispuestos a recomendar el servicio recibido a otros. Segundo: Identificar las causas del porqu lo recomendaran. Para dar respuesta a esta ltima cuestin el equipo de investigacin, utilizando los procedimientos descritos anteriormente (Braintorming, distribucin de frecuencia de causas, grfico de Pareto, etc.), identific las causas de tal actitud y para ordenarlas segn su grado de importancia utiliz el mtodo de los Expertos. Los resultados de la aplicacin aparecen en la Tabla No.14.

HASPNET. Texto bsico.

45

Tabla No.14: Ordenamiento de causas aplicando el Mtodo de los Expertos Proceso: Servicio Gastronmico Lugar: Hotel "Iberostar Tano" Fecha de trabajo de campo: Ene-Jul./07 Variable: Intenciones de recomendar el servicio a otros. Causas. Expertos Indicadores A 1 2 3 4 5 6 7 Rj mRj Rj-mRj (Rj-mRj)2 Peso 1 2 1 1 2 1 3 2 12 28 -16 256 0,7845 2 3 2 2 1 2 2 1 13 28 -15 225 0,8106 3 1 3 5 3 4 1 3 20 28 -8 64 0,9461 4 4 5 4 5 5 5 5 33 28 5 25 0,9790 5 6 6 6 7 6 6 7 44 28 16 256 0,7845 6 7 7 7 6 7 7 6 47 28 19 361 0,6961 7 5 4 3 4 3 4 4 27 28 -1 1 0,9992 196 1188 m=7 n=7 m2=49 n3=343 m2*n3-=16758 W=0,8507

Lugar 5to 4to 3ro 2do 5to 6to 1ro

El criterio de decisin indica concluir que existe concordancia entre los juicios de los expertos si se cumple la regla de decisin siguiente: Si W>0,5, entonces existe concordancia. Para determinar si es casual o no la concordancia se utiliza la prueba de hiptesis Ji-Cuadrado. Ho: Coincidencia casual (no hay comunidad de preferencia) H: Coincidencia no casual (si hay comunidad de preferencia) Para conocer el valor de la prueba Xc, se utiliza la expresin: Xc= / [1/12*M* (+1)] Si se prueba que Xc> Xt (0,95; n-1) se rechaza Ho y la concordancia no es casual. Para el caso de nuestro ejemplo tenemos lo siguiente:

2= 1188

[1/12*M* (+1)] = 3528 Xc= 94,117647 Xc> X (0.95; 6) 94,117647 > 7,2604

Dado que se cumple la regla de decisin de que el valor calculado es mayor que el valor tabulado, la concordancia no es casual, existe comunidad de preferencia entre los expertos dada su conocimiento y buen juicio. A partir de estos resultados procedemos a seleccionar las causas que por orden de prioridad deben recibir la mayor atencin. El criterio de decisin es el valor medio (28) y la regla de decisin ser: Ci < 28. La representacin en el Graf. No.4 del resultado nos permitir visualizar mejor cul o cules causas sern objeto de atencin priorizada.

HASPNET. Texto bsico.

46

Graf. No.4: Seleccin de causas claves

50 40 30 20 10 0 1 2 3 4 5 7 6

Causas

Segn la regla de decisin conveniada las causas No.1, No.2, No.3 deben ser las que reciban la atencin prioritaria en la solucin del problema identificado. La causa No.6, aunque se aprecia ligeramente por debajo, est prcticamente en el umbral de decisin. Resumen del captulo: En este captulo hemos analizado el mtodo de la tormenta de ideas o Braintorming y tcnicas asociadas al mismo ejemplificando sus aplicaciones. Hemos expuesto el procedimiento a seguir en la aplicacin del Braintorming as como sus tipos. Conjuntamente con esto se han expuesto las caractersticas del Mtodo de los Expertos y las modificaciones que se le han introducido en el proceso de seleccin. Tales modificaciones permiten asegurar la fiabilidad y la validez de los resultados. 2.4. Ejercicios propuestos: 1. En una entidad hotelera se ha utilizado el Mtodo de la Tormenta de Ideas para realizar un diagnstico acerca de los problemas que estn afectando el buen desempeo del mismo y los resultados que se obtienen son los siguientes: Listado de Problemas: P-01: Relacionado con las condiciones de trabajo en el puesto (a partir de aqu Calidad del Servicio Interno1 o simplemente CSi1). P-02: Relacionado con mtodos, estilos y liderazgo de la direccin (a partir de aqu Direccin o simplemente D). P-03: Relacionado con nexos entre proveedor interno-cliente interno (a partir de ahora Calidad del Servicio Interno2 o simplemente CSi2). P-04: Relacionado con la transportacin del personal hacia y desde el hotel (a partir de aqu, Transporte Obrero o simplemente TO). P-05: Relacionado con la percepcin que tienen las personas acerca de la carga de trabajo y la cantidad de trabajadores existentes (a partir de aqu Personal o simplemente P). P-06: Relacionado con el cambio del hotel de la modalidad convencional a la modalidad todo incluido (a partir de aqu Cambio de Modalidad o simplemente Cm). P-07: Relacionado con la estimulacin (a partir de aqu Estimulacin o simplemente E).

HASPNET. Texto bsico.

47

P-08: Relacionado con la formacin y utilizacin del presupuesto (a partir de aqu Presupuesto o simplemente Pp). P-09: Relacionado con aspectos organizativos (a partir de aqu Organizativos o simplemente O). P-10: Relacionado con la percepcin que tienen los trabajadores de los nexos entre costo-calidad-precio del servicio (a partir de aqu Relacin Costo-Calidad-Precio o simplemente Rcp). Con el objetivo de ayudar a la Direccin del Hotel a trazar una estrategia correcta de solucin de los problemas, un equipo de asesores, aplicando la tcnica del tarjado, les present la tabla que a continuacin se muestra: Tabla No.1: Tarjado de Problemas
No. 1 2 3 4 5 6 7 8 9 10 Problemas P-01 P-02 P-03 P-04 P-05 P-06 P-07 P-08 P-09 P-10 Notacin CSi1 D CSi2 TO P Cm E Pp O Rcp Tarjado
///// ///// ///// ///// ///// ///// ///// ///// ///// ///// ///// ///// //// ///// ///// ///// ///// ///// ///// ///// ///// ///// ///// ///// /// ///// ///// ///// ///// ///// ///// //// ///// ///// ///// ///// ///// ///// /// ///// ///// ///// ///// // ///// ///// ///// ///// // ///// ///// ///// / /////////////// ///// ///// // ///// /////

a) Aplique el principio "Pocos Vitales, muchos triviales". b) Recomiende los problemas que debern ser priorizados por parte de la direccin en su estrategia de solucin. Una vez realizado este paso, el director del hotel manifest tener dudas por el hecho de que no necesariamente, el problema ms frecuente, podra ser el ms vital de todos. Ante esta situacin el equipo asesor propuso realizar un ordenamiento de los problemas segn el grado de importancia que le otorgaran los miembros del Consejo de Direccin y los resultados que se obtuvieron fueron los siguientes:

a) Calcule el orden en que han quedado los problemas. b) Determine si existe o no concordancia entre los directivos acerca del orden dado a los problemas. c) Demuestre si la concordancia es o no casual. d) Compare el resultado con los obtenidos en el ejercicio anterior. Si difieren, aplique Pareto de nuevo. e) Aplique el procedimiento a una entidad, rea o proceso dentro del sector turstico donde usted realiza o haya realizado su Prctica Laboral Concentrada.

HASPNET. Texto bsico.

48

2) El la Revista Scientia et Technica Ao X, No.24, mayo 2004. UIP. ISSN 01221701, disponible en el sitio www.ilustrados.com, aparece el artculo titulado "Procedimiento para la Evaluacin de Proveedores mediante Tcnicas Multicriterio", de los autores: Willian Ariel Sarache, Universidad Nacional de Colombia, Carolina Hoyos Montoya, Universidad Nacional de Colombia, y Juan Carlos Burbano J., Universidad Tecnolgica de Pereira. El objetivo de este trabajo consiste en "exponer una metodologa que permite descubrir proveedores crticos", para lo cual en una etapa de aplicacin del procedimiento se ha utilizado el Mtodo de los Expertos. Los autores refieren: Seleccin de los Expertos: El nmero de expertos se calcul a partir de la aplicacin de la expresin (1). Para el caso de estudios se consideran expertos a los directivos de la empresa. El clculo, para el nivel de precisin y confianza deseado, arroj la necesidad de trabajar con 7 expertos. (1) Donde: p: Porcentaje de error que como promedio se tolera. k: Constante asociada al nivel de confianza. i: Nivel de precisin. m: nmero de expertos. Seleccin de los criterios de decisin: Despus de tres rondas de discusin, aplicando la tcnica de grupos nominales, el grupo de expertos defini los siguientes criterios de decisin: Criterio 1 (C1): Nivel de calidad de los productos seleccionados. Criterio 2 (C2): Fiabilidad en la entrega. Criterio 3 (C3): Cercana geogrfica del proveedor. Criterio 4 (C4): Grado de adaptabilidad a los cambios. Criterio 5 (C5): Porcentaje de participacin en las ventas del producto al cual suministran la materia prima. 3) En el sitio www.ilustrados.com aparece el artculo "LA EVALUACIN DEL SERVICIO LOGSTICO: UNA ALTERNATIVA PARA LA MEJORA DE LA EFICIENCIA Y LA SATISFACCIN DEL CLIENTE", de los autores: Oscar Parada Gutirrez de Universidad de Oriente, Cuba, y Roberto Aguilar Snchez director de la Sucursal de Tiendas Universo de Granma, Cuba. En una etapa de aplicacin del procedimiento se ha utilizado el Mtodo de los Expertos. Los autores refieren: Seleccin de los Expertos: Se seleccionaron 6 expertos de la Sucursal. La seleccin se realiz sobre la base del nivel de conocimientos y experiencias que poseen en la actividad de tiendas y la logstica, aos de trabajo, estudios cursados y el grado de implicacin y motivacin en funcin de los resultados y aplicacin de esta investigacin. Identificacin de los Requerimientos de los Clientes y su prioridad o importancia. Para identificar los requerimientos se aplic un cuestionario a los expertos seleccionados. El procesamiento de los cuestionarios arroj los siguientes resultados:

HASPNET. Texto bsico.

49

a) Por consenso los expertos consideraron incluir un requerimiento no contemplado en el cuestionario: Completamiento del Pedido, es decir, faltantes en la entrega. b) Los expertos emitieron distintas prioridades los requerimientos. 4) En el sitio www.ilustrados.com aparece el trabajo titulado "LA UTILIZACIN DEL MTODO DE EVALUACIN DE EXPERTOS EN LA VALORACIN DE LOS RESULTADOS DE LAS INVESTIGACIONES EDUCATIVAS", del autor Jos Luis Lissabet Rivero, UNIVERSIDAD PEDAGGICA "BLAS ROCA CALDERO", GRANMA, CUBA. Tareas: No.1: Comparar primera propuesta con lo planteado en clases y en el material de este texto. No.2: Comparar segunda propuesta con lo planteado en clases y en el material de este texto. No.3: Comparar primera propuesta con la segunda. No.4: Estudiar detenidamente la tercera propuesta y comparar con el resto, incluida la tratada en clases. No.5: Realizar una valoracin crtica de las diferentes propuestas. 5) Se ha realizado una investigacin utilizando el Mtodo de los Expertos. Los resultados de las evaluaciones de los mismos en el ordenamiento de los aspectos a evaluar aparecen en la tabla siguiente: Criterios a Evaluar C2 C3 C4 C5 C6 C7 C8 9 8 8 6 9 7 8 9 8 7 5 9 8 7 9 8 7 6 8 9 7 8 7 6 5 9 7 8 9 8 7 6 8 8 9 8 9 6 5 8 8 8 5 8 6 4 8 9 9 5 9 6 6 8 9 8 5 8 5 6 8 8 9 9 7 6 5 9 7 8 8 7 6 5 8 9 7 8 9 6 5 9 8 7 7 8 9 6 8 7 9 9 8 7 5 9 8 8 8 9 7 5 8 8 9

Ej 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Tareas:

C1 7 6 5 9 6 7 6 4 7 8 9 7 5 4 6

C9 5 4 4 6 5 6 7 7 6 6 5 6 8 9 7

No.1: Calcular el coeficiente de concordancia de Kendall. No.2: Determinar si la concordancia es o no casual. Fundamente. No.3: verifique si existen o no ligaduras y demuestre cmo ha resuelto esa situacin. No.4: Qu criterio se ha seguido aqu para determinar la cantidad de expertos? Fundamente. No.5: Aplique las frmulas estudiadas en clase para calcular la cantidad de expertos, recalcule el coeficiente, determine si la concordancia es o no casual y compare el resultado con el obtenido en la propuesta.

HASPNET. Texto bsico.

50

aptulo III: Mtodos de Comparaciones por Parejas

Objetivos: Explicar las caractersticas de los mtodos de Comparaciones Pareadas. las caractersticas del mtodo Proceso Analtico Jerrquico (PAJ) y su procedimiento de clculo. las caractersticas del Mtodo Tringulo de Fuller, su variante modificada y procedimiento de clculo. las caractersticas del Mtodo TOPSIS, y su procedimiento de clculo. las caractersticas del Mtodo Axiomtico, su variante modificada y procedimiento de clculo Aspectos a tratar en el captulo: 4. El mtodo PAJ. Procedimiento de clculo. ndice y relacin de consistencia. Algoritmo de clculo. 5. El Mtodo Tringulo de Fuller. Fuller modificado. El Mtodo de la Entropa. El Mtodo Combinatorio. Algoritmos de clculo. 6. Algunas tcnicas que ayudan a enfocarse hacia la causa de los problemas identificados mediante el mtodo del braintorming. 7. La Tcnica de Preferencia Ordenada o Mtodo TOPSIS. El Mtodo Axiomtico. Algoritmos de clculo. 3.1. El Mtodo Proceso Analtico Jerrquico (PAJ)

El

Proceso Analtico de Jerarquas (PAJ) es un Mtodo de toma de decisiones creado por Thomas L. Saaty, 1980. Pertenece a la familia de los as llamados mtodos de comparaciones pareadas. Esta diseado para resolver problemas complejos que tienen criterios mltiples. Para su desarrollo, el PAJ requiere que quien toma las decisiones proporcione evaluaciones subjetivas respecto a la importancia relativa de cada uno de los criterios y que, despus, especifique su preferencia con respecto a cada una de las alternativas de decisin y para cada criterio. El resultado del PAJ es una jerarquizacin con prioridades que muestra la preferencia global para cada una de las alternativas de decisin. El procedimiento general de aplicacin del mtodo es el siguiente:

HASPNET. Texto bsico.

51

Los pasos a seguir en la aplicacin del mtodo son los siguientes: Paso No.1: Elaborar una representacin grfica del Problema en trminos de Meta Global, los criterios y las alternativas de decisin. Paso No.2: Establecimiento de prioridades. 2.1. Comparaciones pareadas entre criterios respecto a la meta global y de las alternativas de decisin con respecto a los criterios. Desarrollar una matriz con las calificaciones de las comparaciones pareadas en base a la escala definida. Matriz de Comparaciones: Es una Matriz cuadrada que contiene comparaciones pareadas de alternativas o criterios. Sea A una matriz nxn, donde na Z+. Sea aij el elemento (i, j) de A, para i= 1, 2,...,n y, j= 1,2,...,n. Decimos que A es una matriz de comparaciones pareadas de n alternativas, si aij es la medida de la preferencia de la alternativa en la fila i cuando se le compara con la alternativa de la columna j. Cuando i=j, el valor de aij ser igual a 1, pues se est comparando la alternativa consigo misma.

Adems se cumple que: aij/aji=1; es decir:

El Proceso Analtico Jerrquico sustenta esto con los siguientes axiomas: Axioma No.1: Referido a la condicin de juicios recprocos: Si A es una matriz de comparaciones pareadas, se cumple que aij=1/aji. Axioma No.2: Referido a la condicin de homogeneidad de los elementos: Los elementos que se comparan son del mismo orden de magnitud, o jerarqua. Axioma No.3: Referido a la condicin de estructura jerrquica o estructura dependiente: Existe dependencia jerrquica en los elementos de dos niveles consecutivos. Axioma No.4: Referido a la condicin de expectativas de orden de rango: Las expectativas deben estar representadas en la estructura en trminos de criterios y alternativas. Paso No.3: Sntesis. Clculo de las prioridades de cada uno de los elementos que se comparan. 3.1. Procedimiento para sintetizar juicios: 3.1.1. Sumar los valores de cada columna de la MCP. 3.1.2. Dividir cada elemento de la MCP entre el total de su columna, a la matriz resultante se le denomina Matriz de Comparaciones Pareadas Normalizada (MCPN).

HASPNET. Texto bsico.

52

3.1.3. Calcular el promedio de los elementos de cada fila de la MCPN. Estos promedios proporcionan una estimacin de las prioridades relativas de los elementos que se comparan. Matriz de Prioridades: Se consideran las prioridades de cada criterio en trmino de Meta Global. Como se ver ms adelante, en el apartado que corresponde a la modelacin de problema, aqu nos estamos refiriendo al desarrollo del primer nivel del esquema que representa la estructura jerrquica construida para resolver el problema de decisin en cuestin. El arreglo matricial de esta proposicin es como sigue.

Donde m es el nmero de criterios y P`i es la prioridad del criterio i con respecto a la meta global, para i= 1,2,...,m. Se denomina matriz de prioridades a la que resume las prioridades para cada alternativa en trminos de cada criterio. Para m criterios y n alternativas tenemos:

Donde Pij es la prioridad de la alternativa i con respecto al criterio j, para i = 1,2,...,n; j= 1,2,...,m. La prioridad global para cada alternativa de decisin se resume en el vector columna que resulta del producto de la matriz de prioridades con el vector de prioridades de los criterios.

Donde Pgi es la prioridad global (respecto a la meta global) de la alternativa i (i=1,2,...,n). Paso No 4: Consistencia. Una consideracin importante en trminos de la calidad de la decisin final se refiere a la consistencia de los juicios que muestra el experto. Este Mtodo proporciona una medida de la consistencia de los juicios en las comparaciones pareadas calculando la relacin de consistencia (RC). Esta relacin o cociente est diseado de manera que los valores que exceden de 0.10 son seal de juicios inconsistentes. Se considera que los valores de la RC de 0.10 o menos son seal de un nivel razonable de consistencia en las comparaciones pareadas.

HASPNET. Texto bsico.

53

De forma matemtica decimos que una matriz A nxn es consistente si: aij/ajk = aik, para i, j, k=1,2,...,n. Esta propiedad requiere que todas las filas y columnas de A sean linealmente dependientes. En particular, las columnas de cualquier matriz de comparacin 2x2 son dependientes y, por tanto, una matriz de 2x2 siempre es consistente. Para determinar si un nivel de consistencia es o no razonable, necesitamos desarrollar una medida cuantificable para la matriz de comparacin A nxn (donde n es el nmero de alternativas a ser comparadas). Se sabe que si la matriz A es perfectamente consistente produce una matriz N nxn normalizada (se dice que una matriz es normal o est normalizada, si conmuta con su transpuesta. Las matrices simtricas, antisimtricas u ortogonales son necesariamente normales. Sea M una matriz, se dice dice que es normal si MMT=MTM) de elementos Wij (para i, j=1, 2,...,n), tal que todas las columnas son idnticas, es decir, W12=W13=...=W1n=W1; W21=W23=...=W2n=W2; Wn1=Wn2=...=Wnn=Wn.

Se concluye entonces que la matriz de comparacin correspondiente A, se puede determinar a partir de N, dividiendo los elementos de la columna i entre Wi, (que es el proceso inverso de determinacin de N a partir de A). Entonces tenemos:

De la definicin de A, tenemos:

De forma ms compacta, decimos que A es consistente si y slo si, AW=nW Donde W es un vector columna de pesos relativos Wj (j= 1, 2, ...,n) se aproxima con el promedio de los n elementos de la fila en la matriz normalizada N. Haciendo el estimado calculado se puede demostrar que:

Donde nmaxn. En este caso, entre ms cercana sea nmax a n, ms consistente ser la matriz de comparacin A. Como resultado, el Proceso Analtico Jerrquico calcula la Razn de Consistencia (RC) como el cociente entre el Indice de Consistencia (IC) de A y el ndice de Consistencia Aleatorio (IA).

HASPNET. Texto bsico.

54

Donde IC es el ndice de consistencia de A y se calcula como sigue:

El valor de nmax se calcula de

observando que la i-sima ecuacin es:

Se debe hacer notar, que la ecuacin anterior presenta la misma estructura que las utilizadas en el anlisis conjunto de datos, as como en las funciones de utilidad que sern introducidas en el diseo de otros procedimientos que se exponen en el presente texto. Dado que:

Esto significa que el valor de nmax se determina al calcular primero el vector columna A y despus sumando sus elementos. IA es el ndice de consistencia aletaoria de A, es el ndice de consistencia de una matriz de comparaciones pareadas generada en forma aleatoria. Se puede demostrar que el IA depende del nmero de elementos que se comparan y asume los siguientes valores.

Algunos autores sugieren la siguiente estimacin para el IA:

Se calcula la relacin de consistencia (RC) (o CR, The Consitency Ratio). Esta razn o cociente est diseado de manera que los valores que exceden de 0,10 es seal de juicios inconsistentes; es probable que en estos casos el tomador de decisiones desee reconsiderar y modificar los valores originales de la matriz de comparaciones pareadas. Se considera que los valores de a relacin de consistencia de 0,10 o menos son seal de un nivel razonable de consistencia en las comparaciones pareadas.

RC 0,10: Consistencia Razonable. RC 0,10: Inconsistencia. 4.1. Estimacin de la relacin de consistencia. 4.1.1. Multiplicar cada valor de la primera columna de la MCP por la prioridad relativa del primer elemento que se considera y as sucesivamente. Sumar los valores sobre las filas para obtener un vector de valores al que se le denomina suma ponderada.

HASPNET. Texto bsico.

55

4.1.2. Dividir los elementos del vector de suma ponderada entre el correspondiente valor de prioridad. 4.1.3. Evaluar el promedio de los valores que se determinaron en el paso anterior. 4.1.4. Calcular el ndice de consistencia. 4.1.5. Determinar la relacin de consistencia. Aplicacin: La Compaa Abucarev se dedica al negocio de transportacin turstica. Para la temporada alta del 2007 ha planeado renovar el parque automotriz para los productos RENTCar y TAXI OK. Despus de un anlisis preliminar de ofertas disponibles, el Departamento Comercial ha reducido su lista de alternativas de decisin a tres marcas de autos: P1 P2 P3 En base a la informacin obtenida en la investigacin de mercados, el Departamento comercial formul diversos criterios que deben ser considerados para tomar su decisin sobre la eleccin del mejor proyecto: C1 C2 C3 C4

Desarrollo de la jerarqua para el problema: Primero: Elaborar la representacin grfica del Problema en trminos de la Meta Global, los Criterios y las Alternativas de Decisin:

Se puede apreciar perfectamente, mediante la observacin de la estructura del esquema, el enfoque Multiatributo o el Paradigma Decisional Milticriterio que subyace en el Mtodo Proceso Analtico Jerrquico, as como los Mtodos generales de la Ciencia del Anlisis y la Sntesis. En relacin con este ltimo aspecto, su utilizacin se ver ms desarrollada en la explicacin de otros mtodos que se expondrn en el presente texto. Segundo: Establecimiento de prioridades: Las prioridades de los cuatro criterios en trminos de la meta global. Las Las Las Las prioridades prioridades prioridades prioridades de de de de las las las las tres tres tres tres marcas marcas marcas marcas en en en en trminos trminos trminos trminos del del del del criterio criterio criterio criterio C1 . C2 . C3 . C3 .

Forma en que se establecen las prioridades:

HASPNET. Texto bsico.

56

Comparaciones Pareadas: Lo esencial consiste en comparar por parejas en cada nivel de prioridades. El decisor muestra su preferencia en base a la escala subyacente de nueve unidades del PAJ. Escala de Comparaciones Pareadas para las Preferencias en el PAJ: Esta escala, a diferencia de las conocidas, como las de tipo LIKERT o Diferencial Semntico, consta de 9 posiciones ( 11). Entre las posiciones que expresan polos conclusivos de gradaciones en la evaluacin o de emisin de los juicios, existen gradaciones intermedias, que le permiten al decidor emitir de manera ms objetiva los diferentes juicios en la comparacin pareada de una alternativa con respecto a la otra. Esta escala ha sido construida considerando las condicionantes psicolgicas y de estructuras mentales que garantizan la confiabilidad de su utilizacin.

Matriz de Comparaciones Pareadas: Estas matrices se construyen siguiendo la lgica que imponen las formalizaciones matemticas que hemos desarrollado ms arriba y siguen la ruta trazada por el desarrollo de la jerarqua para el problema que el caso plantea. Para los cuatro criterios en trminos de la meta global:

Para las prioridades de las tres marcas en trminos del C1:

Estudios psicomtricos han demostrado que la habilidad del ser humano para establecer distinciones cualitativas entre pares de objetos puede ser representada adecuadamente mediante cinco posiciones: igual, dbil, fuerte, muy fuerte y absoluto. Existe un lmite psicolgico de 72 tems cuando se trata de hacer comparaciones simultneas, lo que sugiere que podemos tener hasta 9 puntos de referencia diferentes para describir las preferencias cualitativas.

11

HASPNET. Texto bsico.

57

Para las prioridades de los tres marcas en trminos del C2:

Para las prioridades de las tres marcas en trminos del C3.

Para las prioridades de las tres marcas en trminos del C4.

Tercero: Sntesis de los juicios: Para los cuatro criterios en trminos de la meta global. 1. Sumar los valores en cada columna de la MCP:

2. Elaborar la MCPN (Dividir cada elemento de la MCP entre el total de su columna).

Convertir la MCPN a forma decimal y promediar los elementos de cada fila. Obsrvese que este resultado es idntico al anterior. La justificacin de este paso

HASPNET. Texto bsico.

58

radica en el hecho de que bajo notacin decimal, es ms fcil obtener el vector de ponderacin o peso.

Se observa que se ha identificado el C1 como el de mayor prioridad, o ms importante, en la decisin sobre la seleccin de la marca. Le siguen en importancia el C4 y C3. El criterio C2 es relativamente poco importante en trminos de la meta global al elegir la mejor marca. Esta informacin ser utilizada para elaborar una jerarquizacin global de prioridades para las tres marcas. A partir de aqu comienza el desarrollo en el segundo nivel de la jerarqua. El algoritmo de clculo se debe repetir tantas veces como sea necesario. Es decir, las tres marcas de autos sometidas al proceso de decisin, deben se pareadas en trmino de cada uno de los criterios. Este es un proceso sumamente engorroso y por ello se recomienda auxiliarse por algn software que facilite el trabajo. Puede ser Microsoft Excel, DECISOFT u otro. En cualquier caso siempre se debe tener en cuenta que en el ejemplo explicado estamos considerando a un solo decidor. Cuando el nmero de estos es mayor que uno, la obtencin de los datos y su procesamiento se hace ms compleja por el volumen de los mismos. Para que se tenga una idea. Con el ejemplo que venimos desarrollando y para este paso ser necesario realizar 12 comparaciones construyendo matrices nxn, cada una de las cuales generar a su vez 9 operaciones de clculo las que en el total de comparaciones ascendern a 108. Para las prioridades de las tres marcas en trminos de C1. 1. Sumar los valores en cada columna de la MCP.

Elaborar la MCPN (Dividir cada elemento de la MCP entre el total de su columna).

3. Convertir la MCPN a forma decimal y promediar los elementos de cada fila.

HASPNET. Texto bsico.

59

Tenemos una sntesis que proporciona las probabilidades relativas de los tres marcas respecto al C1. Se puede observar que considerando C1, la marca ms preferible es P3. En segundo lugar se encuentra P2 seguido de P1. El vector de prioridades que muestra las prioridades relativas de las tres marcas, respecto al C1, se escribe de la siguiente manera:

Para las prioridades de las tres marcas en trminos del criterio C2. 1. Sumar los valores en cada columna de la MCP

2. Elaborar la MCPN (Dividir cada elemento de la MCP entre el total de su columna).

3. Convertir la MCPN a forma decimal y promediar los elementos de cada fila.

Probabilidades relativas de las tres marcas respecto al criterio C2. Se puede observar que considerando C2, la marca ms preferible es P3. En segundo lugar se encuentra P2 seguido de P1.

HASPNET. Texto bsico. Vector de prioridades:

60

Para las prioridades de las tres marcas en trminos del criterio C3 1. Sumar los valores en cada columna de la MCP

2. Elaborar la MCPN (Dividir cada elemento de la MCP entre el total de su columna).

3. Convertir la MCPN a forma decimal y promediar los elementos de cada fila.

Probabilidades relativas de las tres marcas respecto al criterio C3. Se puede observar que considerando C3, la marca ms preferible es P1. En segundo lugar se encuentra P2 seguido de P3. Vector de prioridades:

Para las prioridades de las tres marcas en trminos del criterio C4. 1. Sumar los valores en cada columna de la MCP

HASPNET. Texto bsico.

61

2. Elaborar la MCPN (Dividir cada elemento de la MCP entre el total de su columna).

3. Convertir la MCPN a forma decimal y promediar los elementos de cada fila.

Probabilidades relativas de las tres marcas respecto al C4. Se puede observar que considerando C4, el Proyecto ms preferible es P2. En segundo lugar se encuentra P1 seguido de P3. Vector de prioridades:

Cuarto: Clculo de la relacin de consistencia (RC): Una vez que se han realizado todas comparaciones previstas por el desarrollo de la jerarqua, se debe pasar a la verificacin de la existencia o no de consistencia entre los juicios emitidos. Lo importante a destacar en este caso es el hecho de que, como en el procedimientos de clculo anterior, este es tambin un trabajo complejo por el volumen de clculos y de informacin que genera y que debe ser realizado en cada uno de los niveles de la jerarqua. Para los cuatro criterios en trminos de la meta global (del segundo al primer nivel). 1. Multiplicar cada valor de la primera columna de la MCP por la prioridad relativa del primer elemento que se considera y as sucesivamente. Sumar los valores sobre las filas para obtener un vector de valores al que se le denomina suma ponderada.

HASPNET. Texto bsico.

62

Que se calcula de la manera siguiente:

Una vez obtenido el vector de suma ponderada en este nivel se procede a desarrollar el segundo paso. 2. Dividir los elementos del vector correspondiente valor de prioridad. de suma ponderada entre el

3. Evaluar el promedio de los valores que se determinaron en el paso anterior; este promedio se denota mediante lmax.

4. Calcular el ndice de consistencia (IC)

5. Determinar la relacin de consistencia (RC). Donde: IA = es el ndice Aleatorio de una Matriz de Comparaciones Pareadas generada de forma aleatoria. El IA depende del nmero de elementos que se comparan y asume los siguientes valores:

HASPNET. Texto bsico.

63

En este caso, con n = 4, el IA = 0.90 y la relacin de consistencia sera:

Se considera aceptable una relacin de consistencia de 0.10 menos. Como en este caso se obtiene una valor de 0.018, este grado de consistencia resulta aceptable. Para las prioridades de las tres marcas en trminos del criterio C1. Paso 1:

Paso 2. Dividir los elementos del vector de suma ponderada entre el correspondiente valor de prioridad.

Paso 3. Evaluar el promedio de los valores que se determinaron en el paso anterior; este promedio se denota mediante lmax. Paso 4. Calcular el ndice de consistencia (IC).

Paso 5. Determinar la relacin de consistencia (RC).

HASPNET. Texto bsico.

64

Se considera aceptable una relacin de consistencia de 0.10 menos. Como en este caso se obtiene una valor de 0.012, este grado de consistencia resulta aceptable. Para las prioridades de las tres marcas en trminos del criterio C2. Paso 1:

Paso 2. Dividir los elementos del vector de suma ponderada entre el correspondiente valor de prioridad.

Paso 3. Evaluar el promedio de los valores que se determinaron en el paso anterior; este promedio se denota mediante lmax.

Paso 4. Calcular el ndice de consistencia (IC).

Paso 5. Determinar la relacin de consistencia (RC).

Para las prioridades de los tres Proyectos en trminos del criterio C3.

HASPNET. Texto bsico. Paso 1:

65

Paso 2. Dividir los elementos del vector de suma ponderada entre el correspondiente valor de prioridad.

Paso 3. Evaluar el promedio de los valores que se determinaron en el paso anterior; este promedio se denota mediante lmax. Paso 4. Calcular el ndice de consistencia (IC).

Paso 5. Determinar la relacin de consistencia (RC).

Para las prioridades de los tres Proyectos en trminos del criterio C4. Paso 1:

HASPNET. Texto bsico.

66

Paso 2. Dividir los elementos del vector de suma ponderada entre el correspondiente valor de prioridad.

Paso 3. Evaluar el promedio de los valores que se determinaron en el paso anterior; este promedio se denota mediante lmax.

Paso 4. Calcular el ndice de consistencia (IC). Paso 5. Determinar la relacin de consistencia (RC).

Quinto: Elaboracin de una Jerarquizacin Global de las prioridades de las alternativas de decisin. Construir la Matriz de Prioridades: Resume las prioridades para cada marca en trminos de cada criterio, segn hemos calculado: Matriz de prioridades para el Problema de seleccin de la marca

Prioridad de criterios:

Procedimiento para obtener la Prioridad Global para cada alternativa de decisin: Sumar el producto de la prioridad del criterio por la alternativa de decisin con respecto a ese criterio.

HASPNET. Texto bsico. Prioridad Global de P1:

67

Prioridad Global de P2:

Prioridad Global P3:

Vector de Prioridades Globales ordenado:

Segn los resultados obtenidos, el Departamento Comercial de la Compaa Abucarev, debe decidirse por aplicar la marca No.1. Un modo general para representar el procedimiento de clculo del vector de prioridad global es el que sigue:

HASPNET. Texto bsico.

68

Aplicacin de esta variante a un estudio de caso El Grupo Hotelero Cubanacn tiene la intencin de seleccionar el mejor hotel de los cuatro Mixtos que lo integran y para ello ha solicitado los servicios del Grupo de Mejora y Benchmarking del CETUM. Los integrantes del grupo han decidido utilizar la variante corta del Mtodo PAJ para cumplir con el encargo. Siguiendo los pasos del procedimiento metodolgico, comenzaron a cumplimentar la tarea. Modelacin del Problema: Se construy el rbol de Jerarquas y se utilizaron los criterios que ya haban sido identificados en un trabajo anterior ( 12).

Luego se aplic el procedimiento correspondiente, segn variante corta, para la obtencin de los pesos globales.

12

Ver caso expuesto en el Captulo III, epig.3.6.3, del presente texto.

HASPNET. Texto bsico.

69

Modelacin para la determinacin de pesos globales:

As se obtiene:

Aplicacin: Establecimiento de las Prioridades Globales: I. Las prioridades de los cuatro criterios en trminos de la meta global.

Normalizar la Matriz de Comparaciones pareadas

HASPNET. Texto bsico. Arreglo en forma decimal

70

II. Las prioridades de los cuatro Alternativas en trminos de cada criterio

Normalizar en notacin decimal

HASPNET. Texto bsico. Determinacin de los pesos globales

71

Conclusin De acuerdo con estos resultados el mejor hotel es el H2 por ser el que recibi el peso global ms alto. 3.2. El Mtodo del Tringulo de Fuller

Este mtodo pertenece a la familia de los llamados mtodos de comparaciones


pareadas o por parejas donde se encuentra tambin el mtodo del PAJ. Con la aplicacin del Tringulo de Fuller se obtiene un vector de importancia o peso de los atributos que caracterizan al servicio y que abarcan desde K1 hasta Kn y se verifica el proceso de eleccin y de comportamiento del cliente, que como tal se expresa en una toma de decisin por parte del mismo. Se debe aclarar, que este mtodo al igual que el Mtodo Proceso Analtico Jerrquico, da como rsultado de su aplicacin un tipo de ponderacin subjetiva y para ello el decisor se enfrenta con el esquema del Tringulo, cuyas filas estn formadas por un arreglo de pares de atributos, como sigue:

HASPNET. Texto bsico.

72

El decisor expresa su preferencia en cada par de atributos que l considera ms importante. Denotemos por l1 el nmero de veces que se marc el atributo i y el nmero de todas las comparaciones por:

Los pesos o importancia de los atributos o caractersticas sern entonces:

Mtodo Tringulo de Fuller modificado La modificacin consiste en la presentacin tabular de los resultados y su codificacin. Como se ver inmediatamente, esta manera de dar tratamiento a la utilizacin del tringulo, no slo facilita el procesamiento estadstico de los resultados, sino tambin hace menos complejo y ms comprensivo el proceso decisorio a la persona que emite los juicios. En esencia, se mantiene el procedimiento de la comparacin por parejas slo que de una manera diferente. Comparacin de los criterios por parejas: Para llevar a cabo esta comparacin, se elabora una matriz criterio-criterio, donde se consignan las preferencias en cada pareja de criterios (1 significa que el criterio i es ms importante que el criterio j).

Clculo del peso subjetivo de cada criterio: Aqu se determina la preferencia total de cada criterio, es decir, la cantidad de veces que el criterio analizado es preferido respecto a los restantes; y as se calcula el peso subjetivo de cada criterio a travs de la siguiente expresin:

Donde: Wjk: peso subjetivo del criterio j. Pji: preferencia del criterio j sobre el criterio i.

HASPNET. Texto bsico.

73

En la siguiente tabla se muestran los clculos respectivos, y el peso subjetivo resultante de cada criterio de acuerdo con la informacin brindada en la matriz criterio-criterio:

3.3. Ponderacin Objetiva: Esta forma de ponderacin se obtiene aplicando el mtodo de la entropa mediante los siguientes pasos: Clculo de la entropa de cada criterio: Para hallar la entropa (Ej) de cada criterio, se utiliza la siguiente expresin:

Donde: Ej: Entropa del criterio j. m: Nmero de alternativas. Rij: Calificacin de la Alternativa i respecto al criterio j. Clculo de la dispersin de cada criterio: La dispersin para cada criterio se calcula segn la siguiente expresin: Donde: Dj: Dispersin del criterio j Ahora estamos en condiciones de calcular el peso objetivo de cada criterio:

Donde: Wjo: peso objetivo del criterio j. Dj: dispersin del criterio j. c: nmero de criterios Una vez obtenido tanto los pesos subjetivos como los objetivos, stos pueden ser combinados. Determinacin del peso definitivo de los criterios: Para determinar el peso definitivo de los criterios se aplica el Mtodo Combinatorio, el cual incluye el peso objetivo y subjetivo de los criterios se calcula a travs de la siguiente expresin:

HASPNET. Texto bsico.

74

3.4. La Tcnica de Preferencia Ordenada o Mtodo TOPSIS esarrollado por Yoon and Hwong (The Technique for order preference by similitiny to ideal solution, TOPSIS), basado en el concepto de buscar una alternativa lo ms cercana en distancia pequea desde la solucin ideal y la ms distante de la solucin ideal negativa. Si se asume que cada criterio toma incrementos montonos o de utilidad decreciente, entonces es fcil para localizar la solucin ideal, la cual est compuesta por todos los valores de atributos mejores y la solucin ideal negativa compuesta de todos los valores de atributos peores. Una aproximacin es elegir un servicio o empresa turstica que tenga la distancia euclidiana ponderada mnima de la solucin ideal. Por otra parte, este servicio o empresa turstica debe ser la ms alejada posible desde la solucin ideal negativa en consideracin al perodo seleccionado por la gerencia para realizar la evaluacin de posicionamiento competitivo. El mtodo TOPSIS considera ambas distancias, tanto desde la solucin ideal como desde la solucin ideal negativa simultneamente, y asume que cada criterio en la matriz de decisin toma la preferencia mayor para los criterios maximizante y la preferencia menor para los criterios de tipo minimizante. Sin embargo, cualquier valor expresado en forma no numrica debe ser cuantificado a travs de tcnicas de escala apropiadas. Adems, todos los criterios pueden no asumir igual importancia, por eso, este mtodo contempla un conjunto de pesos desde la perspectiva del decisor. Para la implementacin de este mtodo de evaluacin de posicionamiento o ranking se propone estructurar la siguiente matriz de decisin la cual contiene m servicios/empresas tursticas asociadas con n criterios (de eficiencia econmica financiera, tcnica y de calidad):

Donde: Sii / ETi: representa el i-simo servicio/empresa turstica anlisis, considerada en el

HASPNET. Texto bsico.

75

Cj: representa el j-simo criterio seleccionado de eficiencia econmico financiero, tcnico y de calidad de servicio, Vij: identifica el valor numrico como resultado que relaciona el i-simo servicio/empresa turstica con respecto al j-simo criterio para establecer el posicionamiento competitivo. Procedimiento algortmico del mtodo TOPSIS El mtodo TOPSIS para su implementacin en la evaluacin del posicionamiento competitivo de servicios o empresas tursticas debe cumplir los siguientes pasos: Paso 1: Elaboracin de la matriz de decisin normalizada designada por R, donde cada elemento se representa por la expresin:

Consecuentemente, cada atributo tiene similar unidad de medida del vector criterio. Paso 2: Elaborar la matriz de decisin normalizada ponderada y determinar el conjunto de prioridades o ponderacin correspondiente a cada criterio seleccionado para la evaluacin del posicionamiento competitivo o ranking de servicios o empresas tursticas. En este paso se puede incorporar el mtodo de Proceso Analtico Jerrquico, el mtodo Tringulo de Fuller, el Coeficiente de Kendall, el Mtodo Directo de Ponderacin o el de la Determinancia Normalizada, para calcular el valor de la prioridad a partir de la comparacin pareada de los criterios seleccionados. El conjunto de prioridades o ponderacin se identifica como: W = (W1, W2,...,Wj,...,Wn) Para este conjunto de prioridades se debe cumplir con la condicin:

La matriz de decisin normalizada de prioridad o ponderada V es equivalente a:

Paso 3: Determinar la solucin ideal y la solucin ideal negativa. Se debe definir dos alternativas artificiales A* (solucin ideal) y A- (solucin ideal negativa) como:

HASPNET. Texto bsico.

76

Donde:

Entonces, se ha definido ciertamente los dos servicios-empresas artificiales creadas A* y A que indican el servicio o la empresa turstica ms preferible (solucin ideal) y el servicio o empresa turstica menos preferible (solucin ideal negativa) respectivamente. Paso 4: Calcular la medida de separacin de cada servicio o empresa turstica respecto a la solucin ideal. La separacin entre servicios o empresas tursticas puede ser medida por la distancia euclidiana n-dimensional. La separacin de cada servicio o empresa turstica desde la solucin ideal, esta dada por la expresin:

Similarmente, la separacin desde una solucin ideal negativa se expresa como:

Paso 5: Calcular la cercana relativa a la solucin ideal. La cercana relativa de la solucin ideal Ai con respecto a la solucin ideal negativa A* es definida como:

Esta claro que Ci* = 1, si Ai = A*, Ci* = 0, si Ai = A- , y por tanto, a mayor Ci*, mejor ser el servicio o empresa turstica seleccionada para establecer con posterioridad el posicionamiento competitivo o ranking. Paso 6: Establecer el posicionamiento competitivo o ranking de servicio o empresa turstica por orden de preferencia.

HASPNET. Texto bsico.

77

El conjunto de servicios o empresas tursticas que han sido evaluadas pueden ahora ser ordenadas por preferencias de acuerdo al orden descendente establecido a partir del valor calculado por Ci*. En resumen, sta tcnica multiatributo TOPSIS que se propone con sus modificaciones pertinentes para determinar el posicionamiento competitivo de servicios o empresas tursticas constituye, a criterio de la autora, un aporte al diseo conceptual del modelo de evaluacin con criterios mltiples porque permite al centro decisor valorar cul es su posicin respecto a sus competidores con relacin a los resultados satisfactorios, deficientes, estndar y flexible de adecuacin para evaluar el servicio de transportacin, agencias de viajes y cadenas hoteleras. 3.5. El Mtodo Axiomtico

Este enfoque metodolgico es propuesto por Arroud y Raymond en su libro Social

Choice and multicriterio Decision Making, publicado en 1986 13. El punto de partida de su anlisis es que los mtodos multicriterio discreto ms conocidos por su falta de una base axiomtica satisfactoria son menos consistentes. La idea bsica de estos autores consiste en conectar los problemas de eleccin multicriterio discreto con la Teora de la Eleccin Social e intentar obtener un modelo con criterios mltiples que sea eficaz para la toma de decisiones en el campo de la gestin empresarial. En efecto, basta considerar cada criterio como un agente social para que el correlato formal entre problemas multicriterio y eleccin social sea perfecta (Romero, 1993, p. 147-150). El problema decisional que conciben Arroud y Raymond consiste en clasificar un conjunto finito de alternativas (el autor asume las alternativas como un producto turstico o unidad operativa) desde la mejor a la peor segn un orden dbil que no sea trivial y que sea una sntesis vlida de las clasificaciones de alternativas efectuadas por un conjunto finito de criterios relevantes (clasificacin por orden de importancia), limitndose conscientemente al caso puramente ordinal (datos ordinales) y estableciendo un sistema axiomtico que soporte conscientemente el problema de la clasificacin por orden de importancia. La matriz de clasificacin segn el mtodo axiomtico para productos mercado, servicios o entidades se define como:

PTi: representa el i-simo producto turstico a posicionar (equivalente para unidades operativas). Cij: Representa el nmero de criterios para los cuales el producto turstico PTi clasifica o domina a PTj, y se identifica como Coeficiente de Clasificacin. La matriz cuadrada S = [Cij] se define como Matriz de Clasificacin de productos tursticos a evaluar. Tabla 2.2 Estructura de la Matriz de Clasificacin para Producto Turstico o unidades operativas Producto Turstico PT1 PT2 ... PTi ... PTm PT1 ... C21 ... Ci1 ... Cm1 PT2 ... PTj ... PTm C12 ... ... Ci2 ... Cm2 ... C1j ... C2j ... ... ... Cij ... ... ... Cmj ... C1m ... C2m ... ... ... Cim ... ... ... Cmm

13

Romero, C.: Teora de la Decisin multicriterio: Conceptos, trmicas y aplicaciones. Editorial alianza Universidad Textos, Espaa, 1993, p 147-150.

HASPNET. Texto bsico.

78

El procedimiento del algoritmo principal formulado por Arroud y Raymond consta de los pasos: Paso 1: Calcular los coeficientes de clasificacin a partir de los datos de la matriz original, donde aij representan el nmero de criterios para los cuales la alternativa xi clasifica a la xj, (identificado como producto turstico o unidad operativa). Paso 2: Identificar el mximo aij de cada fila de la matriz de clasificacin A =[aij] en cuestin. Al menos uno de estos mximos es menor que los otros, por tanto, de estos mximos obtenidos se elegir el ms pequeo o menor (en caso de existir empates, se elige arbitrariamente uno de ellos). La fila de este mnimo corresponde a una alternativa que ser clasificada en la posicin (n r + 1) en la clasificacin mediante criterios mltiples (siendo n el nmero de alternativas), es decir, la alternativa correspondiente pasa a ocupar el ltimo lugar de la escala de clasificacin (constituye la peor eleccin). Paso 3: Seguidamente se procede a eliminar la fila y la columna correspondiente de la Matriz de clasificacin. En la nueva matriz obtenida se aplica la comentada regla del mximin, continundose el procedimiento hasta que quede un elemento que corresponda a la alternativa o eleccin mejor clasificada (la mejor eleccin o primer puesto de la clasificacin). El algoritmo termina cuando la matriz de clasificacin se vuelve vaca, en este momento el centro decisor tiene organizado en orden descendente (desde el mejor producto turstico o unidad operativa al de peores resultados). Este procedimiento no ofrece otro tipo de anlisis adicional a diferencia de la tcnica TOPSIS, no obstante se propone como otro mtodo de posicionamiento a considerar. 3.6. Ejercicios propuestos: Ejercicio No.1: Se desea establecer un ranking de los diferentes servicios que ofrece el hotel ALEGNA perteneciente a la Cadena ZELANOG con el objetivo de determinar el mejor de ellos. Para ello se ha decidido emplear el Mtodo Proceso Analtico Jerrquico combinndolo con el Mtodo de los Expertos y el de Braintorming. Se ha procedido de la manera siguiente: Se han han seleccionado los servicios siguientes: a) Servicio de Recepcin (R) b) Servicio de lobby bar (B) c) Servicio de restaurant a la carta (C) d) Servicio de informacin al cliente (I) Se han han seleccionado a tres expertos: E1 E2 E3 Los expertos identificaron los criterios de decisin siguientes: C1 (Rapidez en el servicio) C2 (Capacidad de respuesta) C3 (Empata) Utilizando la escala propuesta por Thomas Saaty los juicios emitidos por los expertos son los siguientes: Primero: Evaluacin de los criterios en trminos de meta global:

HASPNET. Texto bsico. Experto 1 Cm C1 C2 C3 C1 4 C2 3 C3 2

79


Experto 2 Cm C1 C2 C3 C1 5 2 C2 C3 3 Cm C1 C2 C3 Experto 3 C1 C2 C3 5 2 3

Segundo: Evaluacin de las alternativas en funcin de cada uno de los criterios:

Tareas a resolver: No.1: Construya el rbol de decisin. No.2: Cul es el mejor servicio? No.3: Calcule en cada caso la Relacin de consistencia. No.4: De acuerdo con Snchez (1984), Es correcta la cantidad de Expertos? Fundamente. Ejercicio No.2: Se quiere construir un tramo de autopista que una al Polo turstico Pennsula de Zapata con la provincia de Cienfuegos. El problema de decisin que la direccin del MINTUR en el territorio quiere resolver con el mtodo AHP consiste en elegir el trazado de un tramo de autopista. Existen tres trazados o alternativas posibles (A, B, y C), que se evalan en base a tres criterios: A1: Coste de ejecucin, A2: Impacto ambiental, A3: Tiempo de ejecucin. El decisor considera que el criterio coste es 2 veces ms importante que el criterio impacto ambiental y 5 veces ms importante que el criterio tiempo

HASPNET. Texto bsico.

80

de ejecucin. Adems el criterio impacto ambiental es 3 veces ms importante que el criterio tiempo de ejecucin. Desde el punto de vista del criterio coste, el decisor considera que: La alternativa A es 6 veces ms importante que la alternativa B y 3 veces ms importante que la alternativa C y que adems, C es el doble de importante que B. Desde el punto de vista del criterio impacto ambiental, el decisor considera que: La alternativa B es 9 veces ms importante que A, el doble de importante que C y que C es 5 veces ms importante que A. Desde el punto de vista del criterio tiempo de ejecucin, el decisor considera que: La alternativa B es el doble de importante que A y que C es 4 veces ms importante que A y el doble de importante que B. Tareas: a) Construir la estructura jerrquica del problema. b) Identificar la mejor alternativa Ejercicio No.3: Hasta el ao pasado (2005), el Hotel ALEGNA perteneciente a la Cadena ZELAZNOG, que opera en el Polo Turstico OREDARAV, vena seleccionado a sus proveedores en funcin del bajo precio de sus ofertas. Durante la temporada alta de invierno 2006, el jefe de compras observ que existan serios problemas con el cumplimiento de los plazos de entrega, mientras que el Departamento de Atencin al Cliente, el de Relaciones Pblicas, el de Calidad y el de Marketing, apreciaron un incremento de las quejas de Representantes, TTOO y clientes en relacin con la calidad de los productos y la variedad del servicio gastronmico. Esta situacin provoc incrementos sustanciales de los costos de la no calidad, reduciendo el margen de utilidad del hotel y consecuentemente la cuanta de la estimulacin de los trabajadores, lo que repercuti de manera negativa en su motivacin laboral y la calidad de la prestacin. El director del hotel orient la creacin de un grupo de mejora para dar solucin al problema planteado, el cual qued integrado por los representantes de las reas implicadas. El grupo concluy que el tipo de problema al que se enfrentaban era de tipo no estructurado y que para resolverlo deban disear un algoritmo que permitiera establecer un ordenamiento de los proveedores segn su grado de importancia y en funcin de un grupo de criterios relevantes, lo cual facilitara identificar a los suministradores crticos. El algoritmo de solucin es el que se muestra.

HASPNET. Texto bsico.

81

1. Construya el rbol de Decisin correspondiente. 2. Construya un mapa conceptual algortmico representando la situacin problmica descrita. 3. Aplicando: Para: p= 0,01 k= 6,6564, i= 0,10 Calcular la cantidad de Expertos. 4. Fueron definidos los criterios siguientes: C1: Calidad de los productos suministrados. C2: Fiabilidad en la entrega C3: Cercana del proveedor C4: Capacidad de respuesta 5. Los proveedores crticos identificados fueron los siguientes: P1: P2: P3: P4: ABATUR Frutas Selectas COPEXTEL CIMEX

6. Aplicando Snchez (1984) y para =1, calcular la cantidad de expertos. 7. Los Rij: Calificacin de la Alternativa i respecto al criterio j, utilizando una escala LIKERT con la interpretacin que sigue:

HASPNET. Texto bsico.

82

Fueron los siguientes:

8. Determinacin de la importancia de los criterios: a) Calcule la Ponderacin Objetiva utilizando el Mtodo de la Entropa. b) Calcule la ponderacin subjetiva a partir de los resultados de las votaciones que hicieron los expertos utilizando el Mtodo del Tringulo de Fuller Modificado.

HASPNET. Texto bsico.

83

c) Determine si existen diferencias significativas entre las votaciones que realizaron los Expertos. d) Calcule la Ponderacin definitiva utilizando el Mtodo Combinatorio. 9. Para la Evaluacin de proveedores: a) Construya la Matriz Criterio-Proveedor b) Analice si es o no necesario homogenizar los resultados. Fundamente. c) Construya la Matriz Normalizada de los valores. 10. A partir de la Matriz Normalizada y utilizando el Mtodo de Suma Ponderada obtenga la Calificacin de Proveedores utilizando la frmula siguiente:

HASPNET. Texto bsico.

84

11. Ordenar los Proveedores segn calificacin obtenida. 12. Realizar Evaluacin integral. 13. Desarrolle el procedimiento utilizando la propuesta de Snchez (1984) y compare los resultados. A qu conclusiones podemos arribar? Ejercicio No.4: La Delegacin Territorial del MINTUR en el Polo Turstico de Varadero est interesada en establecer un ordenamiento de los cuatro hoteles que obtuvieron los mejores ingresos durante la temporada alta de invierno del 2007, pero teniendo en cuenta como variable principal la calidad percibida por el mercado. El trabajo se les ha encargado a los estudiantes del cuarto ao de la Licenciatura en Turismo, los que han decidido aplicar La Tcnica de la Preferencia Ordenada para cumplir con la tarea. Para ello han procedido de la manera siguiente: Primeramente construyeron la estructura jerrquica para resolver el problema de decisin. Usted deber demostrar cmo la hicieron. Luego aplicaron el mtodo de los Expertos para generar los criterios de decisin. Si se generaron cuatro criterios, Con cuntos Expertos trabajaron siguiendo la propuesta de Snchez, 1984? Utilizando una escala LIKERT y aplicando la Tcnica del cuestionario a los Expertos seleccionados se obtuvieron los siguientes Resultados:

El equipo de trabajo, dada la presin del tiempo, para obtener el vector de peso aplic el Mtodo Tringulo de Fuller Modificado. En este caso los resultados que dieron los Expertos fueron los siguientes:

HASPNET. Texto bsico. Con esta informacin:

85

a) Determinar si existen diferencias significativas entre las evaluaciones de los Expertos, tanto en los resultados del cuestionario como en los de Fuller. b) Qu tipo de Ponderacin se obtiene con la aplicacin de Fuller Modificado? c) Analizar si con la informacin obtenida es posible obtener el Vector de Peso aplicando el Mtodo Combinatorio. De ser positiva su decisin calcule el peso por esta va. d) Aplicar el algoritmo TOPSIS e informar a los directivos de la Delegacin Territorial del MINTUR en el Polo de Varadero cual de los hoteles es el mejor rankeado. Ejercicio No.5: La propia Delegacin del MINTUR en Varadero est estudiando la posibilidad de materializar un proyecto de inversin para la construccin de un pequeo hotel. Al acto de licitacin se han presentado cinco propuestas con las caractersticas que a continuacin se ofrecen. La delegacin debe elegir una, la mejor. Aydelos a resolver este problema aplicando el Mtodo TOPSIS.

Ejercicio No.6: Se ha estimado que los arribos de turistas en un reconocido polo del pas aumenten en un 2%. Para enfrentar esta demanda se hace necesario incrementar la capacidad de alojamiento y se decide construir un hotel. Al momento de realizar la licitacin para otorgar la licencia constructiva se han presentado una serie de propuestas de inversin. Los expertos han identificado un conjunto de criterios que deben ser considerados a la hora de elegir la mejor opcin. Los resultados preliminares son los siguientes:

HASPNET. Texto bsico.

86


Criterios

C2 C3 C4 C5 C6 C7 C8 C1 Impacto VAN Utilidad Ventas Rentabilidad TIR Cuota Empleo (ton (millones (millones (millones (%) (%) (%) (No.) SO2) $) $) $) Inversionistas Inv1 50 100 18 15 20 7 50 40 Inv2 25 100 20 20 30 4 54 25 Inv3 350 200 17 30 28 20 44 70 Inv4 200 200 15 25 23 7 45 60 Inv5 500 250 25 25 25 15 40 100 Teniendo en cuenta la posibilidad de existencia de solapamientos entre los criterios, los accionistas decidieron someter a juicio de los expertos la realizacin de una depuracin de dichos criterios y utilizaron para ello el Mtodo del Coeficiente de Consenso, quedando las votaciones de la manera siguiente: Votacin de los Expertos Criterios C1 C2 C3 C4 C5 C6 C7 C8 si X X X X X X X E1 no si X X X X X X X X E2 no si X X X X X X X X X X E3 no si X X X X X X E4 no si X X X X E5 no

1. Determine cules son los criterios de decisin con los que se debe trabajar. Fundamente. 2. A partir de los resultados obtenidos en (1), realice el ordenamiento preferencial de las propuestas de inversin aplicando el Mtodo Axiomtico.

HASPNET. Texto bsico.

87

aptulo IV: Otras herramientas de apoyo.

En este captulo se han agrupado una serie de mtodo, con sus correspondientes
4.1. El Mtodo Taxonmico

algoritmos de solucin, que han sido creados por los autores del texto para se aplicados a la solucin de diferentes tipo de problemas.

El Mtodo Taxonmico es un Mtodo matemtico de base estadstica creado por


los autores de este material, que generalmente se emplea para el estudio de un conjunto de elementos o indicadores funcionalmente heterogneos con los cuales se necesita identificar determinada caracterstica que facilite una clasificacin u ordenamiento especfico. Este Mtodo ha sido desarrollado por los autores y probado en numerosas investigaciones donde ha demostrado robustez y consistencia cientfica. Este mtodo sirve para: Auxiliar a los investigadores en diferentes estudios, como por ejemplo en el establecimiento de un ranking de empresas a partir de un grupo ms o menos numerosos de indicadores (considerados como variables o factores) Determinacin de la posicin ocupada por las empresas respecto a un conjunto de indicadores relacionados con su gestin.

El Mtodo facilita la homogenizacin de las diversas caractersticas al reducir el conjunto de variables a un nmero a travs del cual es posible establecer las correlaciones necesarias para la clasificacin de indicadores contemplados en el anlisis. Facilita adems la categorizacin, no slo de un grupo de indicadores socio econmicos sino tambin de las unidades espaciales. Aplicacin del Mtodo: Comienza con la determinacin de las unidades espaciales (Territorio, Organismo, empresa, servicio). Determinacin del conjunto de variables que permitirn describir el fenmeno a partir del cual se desea clasificar la situacin de cada unidad espacial considerada. Los datos se conforman en una tabla de doble entrada, donde las filas corresponden a los indicadores seleccionados y las columnas representan las unidades espaciales que son objeto de estudio.

HASPNET. Texto bsico. Donde:

88

RJ Unidades espaciales objeto de estudio ( para j = 1,2,. . ., m) XI _ Indicadores seleccionados (para i = 1,2, . . ., n) XIJ _ Valor del indicador i en la unidad espacial j. En el caso de que los indicadores seleccionados (variables) estn expresado en diferentes unidades de medida, se har difcil establecer comparaciones adecuadas entre ellos. Por lo que se hace necesario homogenizar esas caractersticas, para lo que se siguen los pasos siguientes: Primero: Para cada indicador seleccionado se calcular el valor medio y su desviacin estndar correspondiente: a) Valor medio:

b) Desviacin Estndar:

Donde: SI = desviacin estndar del indicador i

X i = Valor medio del indicador i (media aritmtica de los valores XIJ)

Segundo: Con estos resultados se estar en condiciones de obtener un ndice o valor normalizado que constituye en esencia el elemento de homogenizacin de las diferentes variables consideradas en el estudio, este ndice se calcula del siguiente modo:

Donde: tIJ = Valor normalizado del indicador i en la unidad espacial j. Estos ndices permiten conformar una tabla similar a la primera, donde aparecen ahora los correspondientes valores normalizados (tIJ) para cada unidad espacial. Con estos valores se construye una matriz que permite realizar el ordenamiento de las unidades de anlisis, una vez que los mismos han sido homogenizados. Matriz de valores normalizados:

HASPNET. Texto bsico.

89

Una vez llegado este momento, en el cual se han sustituido las caractersticas funcionales correspondiente a cada variable (indicador) por un ndice homogenizador (tIJ), se estar en condiciones de clasificar las unidades espaciales sobre la base de esos ndices. Para ello bastar calcular el valor medio de los tIJ obtenidos para cada unidad espacial, o sea:

Donde: WJ = ndice sinttico de la unidad espacial j (coeficiente de clasificacin). La magnitud de este coeficiente no tiene rango especfico y se mover entre valores positivos o negativos. Son esos valores los que se utilizarn para clasificar las unidades espaciales. El mayor valor (positivo) indicar la posicin ms favorable dentro del conjunto de unidades espaciales, respecto a las variables consideradas para el anlisis. Consecuentemente, el menor valor (negativo) permitir destacar la unidad espacial con peores condiciones; o sea aquella que ocupa el ltimo lugar en la clasificacin efectuada. Los ndices sintticos de cada entidad, calculados a partir de las expresiones anteriores (1,2,3 y 4) sern: ndice sinttico WJ A Wa B Wb C Wc

4.2. El Mtodo Directo de Ponderacin 1. Seleccin de los decisores utilizando para ello algunos de los mtodos explicados en el presente material. Pudiera ser alguna tcnica de expertos o el as llamado mtodo "Focus Group". Su nmero no debe ser mayor que 10 ni menor que 5, pero siempre se observar la regla de que el nmero de decisores no supere el nmero de atributos o aspectos a ponderar. 2. Definicin de los aspectos a ponderar en base a los objetivos que se definan. 3. Determinancin del procedimiento para que los decisores expresen su criterio. Este puede ser realizado de manera presencial en grupo o individual, o utilizando alguna va alternativa de forma escrita o por e-mail. 4. El procedimiento implica lo siguiente: Entregar a los decisiores el material contentivo de los aspectos a ponderar e invitarlos a que distribuyan entre ellos un total de puntos (10 100) de acuerdo al grado de importancia que los mismos le otorgan. Los resultados pueden quedar expresados en una matriz que adquiere la forma siguiente: Atributos A1 A2 ... Ai ... Ak Decisores D1 W11 W21 ... Wi1 ... Wk1 D2 W12 W22 ... Wi2 ... Wk2 ... ... ... ... ... ... ... Dj W1j W2j ... Wij ... Wkj ... ... ... ... ... ... ... Dm W1m W2m ... Wim ... Wkm

Este es un mtodo sencillo y de fcil aplicacin. Consta de los pasos siguientes:

HASPNET. Texto bsico. Donde:

90

Dm: Decisor de tipo m (m=1,n) Ak: Atributo de tipo k a evaluar (k=1,n) Wmk= Ponderacin otorgada por el decisor m al atributo k, segn la cantidad de puntos. 5. Una vez efectuada la decisin se procede al procesamiento de la informacin. Teniendo en cuenta que las votaciones pueden ser diferentes, para determinar el orden final que ocupar el aspecto en cuestin. Se pueden adoptar las alternativas siguientes: a) Calcular el peso medio modal para cada elemento. b) Observar la frecuencia de los valores otorgados y decidirse por la mayor. 6. Efectuar el ordenamiento final. 7. Es posible expresar el valor del orden en notacin decimal para lo cual se divide la suma de valores individuales entre la suma de valores totales construyendo de esta manera una matriz de valores normalizada. Ejemplo: Se han definido 5 atributos de calidad del servicio de recepcin y se quiere conocer el grado de importancia que los clientes VIP de un hotel le atribuyen a los mismos. Para ello se seleccionan a 4 clientes que tienen un alto grado de fidelizacin en tanto que hace ms de 20 de aos que de manera ininterrumpida vacacionan en dicha instalacin. Se les comunica a los clientes que tienen que repartir 100 puntos entre los atributos seleccionados, segn su grado de preferencia. A continuacin se muestran los resultados de las votaciones individuales:

Matriz de Votacin ponderada: Atributos A1 A2 A3 A4 Decisores D1 10 30 40 20 D2 10 40 30 20 D3 15 35 30 20 D4 media orden moda orden 4to 1ro 2do 3ro 10 40 30 20 100 4to 1ro 2do 3ro

20 13.75 40 36.25 25 31.25 15 18.75 100

100 100 100 100

HASPNET. Texto bsico. Matriz de Votacin normalizada: Atributos A1 A2 A3 A4 Decisores D1 D2 D3 D4

91

media orden moda orden 4to 1ro 2do 3ro 0.10 0.40 0.30 0.20 1.00 4to 1ro 2do 3ro

0.10 0.10 0.15 0.20 0.1375 0.30 0.40 0.35 0.40 0.3625 0.40 0.30 0.30 0.25 0.3125 0.20 0.20 0.20 0.15 0.1875 1.00 1.00 1.00 1.00 1.0000

4.3. El Mtodo del SCORING

Este Mtodo constituye una manera rpida y sencilla para identificar la alternativa
preferible en un problema de decisin multicriterio. Etapas del Mtodo:

Etapa I
Identificar la Meta General del problema

Etapa II
Identificar las alternativas de decisin

Etapa III
Listar criterios a emplear en la toma de la decisin

Etapa IV
Asignar ponderacin a cada criterio

Etapa V
Establecer en cuanto satisface cada alternativa a cada criterio

Etapa VI
Calcular el Store para cada una de las alternativas

Etapa VII
Ordenar las alternativas en funcin del score

Es un mtodo de ponderacin lineal, que permite abordar situaciones de incertidumbre o con pocos niveles de informacin. En dicho mtodo se construye una funcin de valor para cada una de las alternativas. El mtodo de ponderacin lineal supone la transitividad de preferencias o la comparabilidad. Es un mtodo completamente compensatorio, y puede resultar dependiente y manipulable, de la asignacin de pesos a los criterios o de la escala de medida de las ms evaluaciones. Es un mtodo fcil y de amplia utilizacin donde la alternativa con ms alto Score ser la recomendada. Modelo Matemtico para calcular scoring:

Donde:

HASPNET. Texto bsico.

92

rij= raiting de la Alternativa j en funcin del Criterio i Wi= ponderacin del Criterio i Sj = score para la Alternativa j Arreglo matricial:

Ejemplo: Un graduado de la carrera de Licenciatura en Turismo con especializacin en direccin hotelera ha recibido las siguientes ofertas de empleo: a) De analista financiero en un estudio financiero en el Polo Turstico de la cayera Norte de Ciego de vila. b) De gua turstico en la Agencia de Viajes Cubanacn. c) De representante de un reconocido TTOO en un pas del Caribe. El recin graduado maneja mltiples criterios para tomar una decisin al respecto, entre los cuales se encuentran:

a) El de representante es la mejor oportunidad para el avance profesional a largo plazo. b) Prefiere mantenerse en Cuba y desempearse como gua turstico para tener contacto directo con los turistas. c) Considera que la mejor manera de aprender a dirigir en el turismo es la filosofa que se aplica en los hoteles de la cayera norte de Ciego de vila.

HASPNET. Texto bsico.

93

Seguir lo pasos que a continuacin se exponen:

Establecer el rating de satisfaccin para cada alternativa utilizando una escala de 9 puntos. Se puede apreciar que esta escala, a diferencia de la vista para el Mtodo de Proceso Analtico de Jerarquas, en el Captulo dos de esta obra, no presenta los valores intermedios que s estn presentes en aquella.

HASPNET. Texto bsico.

94

Utilizando los estadsticos adecuados mediante el paquete informtico StatGraphic Plus, podemos determinar si existen o no diferencias significativas entre los valores. Los resultados de esa aplicacin se muestran a continuacin: 1. Analysis Summary Sample 1: Anal Sample 2: Guia Sample 3: Repres Sample 1: Sample 2: Sample 3:

7 7 7

values values values

ranging ranging ranging

from from from

3,0 5,0 4,0

to to to

8,0 8,0 9,0

The StatAdvisor --------------This procedure compares the data in 3 columns of the current data file. It constructs various statistical tests and graphs to compare the samples. The F-test in the ANOVA table will test whether there are any significant differences amongst the means. If there are, the Multiple Range Tests will tell you which means are significantly different from which others. If you are worried about the presence of outliers, choose the Kruskal-Wallis Test which compares medians instead of means. The various plots will help you judge the practical significance of the results, as well as allow you to look for possible violations of the assumptions underlying the analysis of variance. 2. ANOVA Table. Analysis of Variance ----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------------Between groups 2,0 2 1,0 0,38 0,6925 Within groups 48,0 18 2,66667 --------------------------------------------------------------------------------Total (Corr.) 50,0 20 The ANOVA table decomposes the variance of the data into two components: a between-group component and a within-group component. The F-ratio, which in this case equals 0,375, is a ratio of the between-group estimate to the within-group estimate. Since the P-value of the F-test is greater than or equal to 0,05,

HASPNET. Texto bsico.

95

there is not a statistically significant difference between the means of the 3 variables at the 95,0% confidence level. Este resultado es confirmado mediante la aplicacin del Test de Kruskal-Wallis: 3. Kruskal-Wallis Test Sample Size Average Rank -----------------------------------------------------------Anal 7 10,7143 Gua 7 12,7857 Repres 7 9,5 -----------------------------------------------------------Test statistic = 1,036 P-Value = 0,59571 The Kruskal-Wallis test tests the null hypothesis that the medians within each of the 3 columns is the same. The data from all the columns is first combined and ranked from smallest to largest. The average rank is then computed for the data in each column. Since the P-value is greater than or equal to 0,05, there is not a statistically significant difference amongst the medians at the 95,0% confidence level. Calcular la ponderacin para cada alternativa:

La oferta de Gua Turstico obtiene la ponderacin ms alta (167), y representa por tanto, la mejor alternativa a recomendar.

Este

4.4. La Determinancia Normalizada. Procedimiento de clculo

concepto hace referencia a caractersticas importantes sobre las que se pueden diferenciar los elementos evaluados. Su medicin implica no slo la medida de importancia, sino tambin puntuaciones de diferenciacin. Esta medida puede obtenerse directamente por medio de una pregunta sobre la diferencia percibida entre los decidores para cada caracterstica o simplemente se puede utilizar una medida de dispersin, como por ejemplo la desviacin tpica. Se puede observar que para el caso de esta medida ya hay que combinar las medidas de percepcin con las de peso o importancia.

HASPNET. Texto bsico.

96

Su necesidad se fundamenta en el hecho de que cuando realizamos ponderaciones de caractersticas, atributos, dimensiones, etc., de un objeto de investigacin en diferentes grupos, casi siempre A continuacin se muestra el arreglo matricial para la obtencin de esta medida: Caractersticas Peso C1 C2 Ci Ck Donde: Dk: Determinancia de la caracterstica de tipo k. k: Desviacin tpica de los valores de percepcin de la caracterstica de tipo k en las j-simas empresas. Entonces: Dk = Wk*k W1 W2 Wi Wk Empresas ... Ej ... ... X1j ... ... X2j ... ... Xij ... ... Xkj ... Dt 1 2 i k Dk D1 D2 Di Dk

E1 X11 X21 Xi1 Xk1

E2 X12 X22 Xi2 Xk2

Em X1m X2m Xim Xkm

Donde: Dn: Determinancia normalizada Este valor se puede obtener utilizando la hoja de clculo Microsoft Excel para Windows. Una vez obtenido este vector el mismo puede ser ordenado segn los valores obtenidos. 4.5. Coeficiente de Consenso l Coeficiente de Consenso se calcula para saber si los decisores aceptan o no la propuesta que le hace el facilitador, utilizando para ello la siguiente expresin: Cc = (1 Vn / Vt ) Donde: Cc = Grado de aceptacin de cada uno de los atributos por parte de los decisores. Vn = Total de votos negativos Vt = Total de votos Si luego de efectuados los clculos Cc 85%, entonces el atributo evaluado se acepta. De quedar por debajo del rango establecido, se pueden adoptar las decisiones siguientes: 1. Desechar el criterio de los decisores y mantener el atributo.

HASPNET. Texto bsico.

97

2. Desechar el atributo, tratando de mantener la condicin de que su cantidad nunca sea menor que el nmero de decisores utilizados. 3. Retroalimentar a los decisores con los criterios de los dems para tratar de que modifiquen su votacin. A continuacin se presenta la tabla para la votacin:

4.6. Mtodos relacionados con la operacionalizacin del concepto del Valor Percibido. 4.6.1. El Procedimiento VALPER

El

Procedimiento VALPER ha sido creado por los autores con el propsito de facilitar el clculo del indicador de Valor Percibido y de ah la denominacin del mismo. Ha sido aplicado en mltiples investigaciones en el sector del turismo demostrando consistencia y robustez cientfica. Para desarrollar el Procedimiento, lo primero que debemos hacer es definir el concepto que queremos medir. El valor percibido se define como la utilidad que tiene, para el cliente, el servicio que consume. Esta utilidad est dada por la capacidad que tiene el servicio de satisfacer las necesidades del mismo (cualquiera que estas sean). Para ello los clientes comparan las ventajas y los costes de una amplia gama de servicios ofertados y, sobre la base de maximizar las utilidades que el servicio tiene de acuerdo con sus necesidades, se comporta preferentemente hacia uno u otro y realiza el acto de eleccin. El clculo de Valor Percibido tiene una serie de ventajas desde el punto de vista del proceso de toma de decisiones: 1. Permite establecer indicadores que facilitan el trabajo de interpretacin y utilizacin de datos. 2. Su procedimiento de clculo hace posible el difcil proceso de tangibilizar intangibles. 3. Facilita el proceso de articular los aspectos objetivos y subjetivos de los conceptos que se estn operacionalizando con fines de medicin, evaluacin y de gestin.

El valor percibido se expresa como una media ponderada de las puntuaciones de la evaluacin otorgada por el cliente, segn su percepcin, a los diferentes atributos que conforman el servicio. Como se muestra en el recuadro, para la estimacin del Modelo se necesita como informacin una puntuacin de evaluacin del grado de presencia percibido de cada atributo para cada servicio y, como ya sealamos, se precisa la elaboracin de un procedimiento para estimar esta variable. Se necesita,

HASPNET. Texto bsico.

98

adems, la medicin de la importancia relativa lo que se realiza a travs de una escala de proporciones y de un procedimiento para la estimacin de esta variable.

Como se puede apreciar, esta expresin matemtica no es otra cosa que un modelo representativo de una Funcin de Utilidad, en cuyo marco para cada atributo se determina la correspondiente funcin de utilidad parcial y luego se agregan en una funcin de utilidad multiatributo de forma aditiva o multiplicativa. Al determinarse la utilidad de cada una de las alternativas (en este caso concreto de cada uno de los servicios) se consigue una ordenacin completa del conjunto finito de alternativas. Este mtodo presupone la transitividad de preferencias o la comparabilidad, utiliza escala de intervalos, y acepta el principio de preservacin de orden (Rank Preservation). La condicin de independencia preferencial mutua entre los atributos suele aceptarse casi axiomticamente, e implcitamente es cuestionable y no refleja la estructura de preferencias del agente decidor. Utilizando el Mtodo Matricial, el procedimiento adquiere la forma siguiente:

Donde: Si = al servicio de tipo i (i = 1,n). Ak = atributos de tipo k (k = 1,j) Xijk = grado de presencia percibido del atributo k en el servicio i por el decidor j. Wjk = grado de importancia del atributo k para el decidor j. DT = Desviacin tpica de la distribucin de las puntuaciones de evaluacin en el atributo. Nos da el grado de diferenciacin del atributo.

HASPNET. Texto bsico.

99

DN = Determinancia normalizada de un atributo. Se obtiene multiplicando la puntuacin de importancia (W) por la diferenciacin (DT) y normalizando a continuacin estos productos cuya sumatoria = 1. Vpi = Valor percibido del servicio i. Clculo de las puntuaciones globales: Frmula Para el clculo:

Vp i =

k =1

W jk * X ijk

VP1 = WJ1 (X11) + WJ2 (X12) +... + WJK (X1K) VP2 = WJ1 (X21) + WJ2 (X22) +... + WJK (X2K) VPn = WJ1 (XN1) + WJ2 (XN2) +... + WJK (XNK) Veamos un ejemplo: Se le ha encargado a un grupo de especialistas realizar la evaluacin comparativa de un grupo de hoteles que operan en el Polo Turstico de varadero con el objetivo de elegir el de mejor desempeo a partir de la identificacin de criterios mltiples. El grupo eligi, para resolver este problema, al mtodo VALPER. Los resultados de su aplicacin son los siguientes:

Conclusin: De acuerdo con estos resultados, el mejor hotel fue el H2 por ser el que presenta el mayor Valor Percibido. Importancia del Modelo estudiado:

HASPNET. Texto bsico.

100

Permite conocer por parte de los empresarios del servicio la manera en que los clientes perciben los servicios competitivos en un segmento de mercado, lo que es importante para determinar el tipo de Estrategia a adoptar con el fin de modificar un posicionamiento desfavorable. Cules Estrategias pueden ser consideradas?: La Modificacin del servicio (el diseo y/o su prestacin). Si el servicio no cubre las expectativas del cliente o su nivel deseado en el mercado por un atributo determinado, ste deber ser modificado, reforzando aquella caracterstica o atributo que as lo demande. Modificar las ponderaciones de los atributos. Convencer al cliente que debera ser atribuida an ms importancia a la caracterstica o atributo en cuestin. Modificar la creencia a propsito del servicio. El cliente puede estar mal informado y subestimar ciertas cualidades distintivas reales detentadas por el servicio. Se trata aqu de lograr un reposicionamiento psicolgico del cliente, lo cual tiene que ver con el proceso de su formacin perceptiva. Modificar la creencia sobre los servicios competidores. Se utiliza cuando el cliente sobrestima algunos atributos y/o caractersticas de los servicios que los competidores prestan. Aqu tambin juega un rol decisivo lo que llamamos formacin perceptiva del cliente y para ello se puede recurrir a la publicidad comparativa. Atraer la atencin sobre atributos no tomados en consideracin. Tambin depende de la formacin perceptiva del cliente a travs de subrayar en la publicidad que el atributo es importante y explicar por qu. Modificar el nivel requerido de un atributo. El cliente puede requerir un nivel de calidad que no siempre es necesario. Se debe intentar convencerlo de que el nivel de calidad ofrecida en esta dimensin concreta es adecuado.

Podramos concluir el anlisis indicando lo siguiente: El Modelo estudiado es un Modelo Multiatributo. Su inters, como todos los de su tipo, es, pues, obtener una mejor comprensin de la estructura subyacente de la percepcin y del valor percibido, con el objetivo de poder identificar las Estrategias de posicionamiento y de comunicacin ms adecuadas. 4.6.2. El Mtodo Relacional ste Mtodo ha sido desarrollado por los autores para posicionar un producto turstico o unidad operativas con referencia a sus similares del mercado. Para ello se ha diseado un modelo multicriterio discreto con el propsito de establecer el posicionamiento externo de un producto turstico con relacin al resto de las entidades que ofertan sus servicios al turismo a partir de diferentes criterios de tipo econmico, financiero, de explotacin, de mercado y de calidad realizando una evaluacin comparativa de las entidades, con la particularidad de que se disea un procedimiento nuevo para obtener y analizar los resultados del posicionamiento. Se fundamenta en la filosofa de benchmarking ya que en ltima instancia lo que se realiza es una evaluacin comparativa de empresas, procesos o servicios en relacin con determinados criterios seleccionados con anterioridad y aplicando para ello un procedimiento especfico. El arreglo matricial para estructurar el problema de la evaluacin de la calidad por medio del valor percibido por el mercado se define como:

HASPNET. Texto bsico.

101

Para:

donde m: representa el nmero de producto turstico que deben ser posicionados, n: el nmero de criterios relevantes y k: el producto turstico seleccionado que debe ser comparado con los restantes. Para el caso del k-simo producto turstico a posicionar, la matriz posicionamiento puede ser expresada como:

de

Donde: PTi: producto turstico a posicionar, i = 1,m. (similar para unidad operativa) Cj: Criterios relevantes de calidad percibida de mercado para evaluar el posicionamiento, j = 1,m. Xkj: Valor de percepcin para el k-simo producto turstico que se desea posicionar con respecto al criterio relevante j. Xij: Valor de percepcin para el producto turstico i-simo de referencia con respecto al criterio relevante j. Wj: Coeficiente de prioridad para el criterio relevante j. Sobre la base de los datos que se muestran en la matriz anterior, que incluyen la prioridad de los criterios relevantes y las relaciones de percepcin, es posible calcular los siguientes ndices: 1. Medicin del Valor Percibido por el mercado

Donde: VPMkm: Valor Percibido de Mercado de la k-sima unidad del producto turstico posicionado.

HASPNET. Texto bsico. 2. ndice Global de Posicionamiento

102

Donde: IGPk: ndice Global de Posicionamiento del k-simo producto turstico evaluada con respecto a sus similares del mercado. Para determinar el coeficiente de prioridad o importancia asociado a los criterios econmicos, financieros, de explotacin, de mercado, calidad y ambientales el autor propone el mtodo multiatributo discreto Proceso Analtico Jerrquico. 4.6.3. Matriz de Toma de Decisiones W-X Matriz de toma de decisiones es una herramienta que combina valores de importancia o peso y valores de percepcin. La misma permite visualizar zonas de fortalezas, debilidades y oportunidades de mejora en dependencia de la zona donde sean ubicados los atributos que caracterizan al servicio. Su aspecto es el siguiente:

La

Interpretacin de los resultados de la Matriz de Toma de Decisiones: Como se puede apreciar la Matriz est dividida en cuatro cuadrantes los que se enumeran en direccin contraria al movimiento de las agujas del reloj. El cuadrante I: Alta Percepcin y Alta Importancia. Representa las fortalezas, rea de buen trabajo o puntos fuertes del gerente, es decir las caractersticas en las que el desempeo es excelente. En estos atributos se centran los mayores recursos del gerente pues son valorados con una alta percepcin y tienen altos valores de ponderacin. Todos los esfuerzos deben ir dirigidos a mantener o proporcionar valores agregados que enriquezcan a estas caractersticas. El cuadrante II: Baja Percepcin y Alta Importancia. Se centra en representar oportunidades de mejora, o sea, aquellas caractersticas que tienen gran importancia y que son percibidas negativamente, constituyendo las mismas debilidades, en estas se debe trabajar para mejorarlas, quiere decir que si se realiza un estudio ms detallado de las mismas se pueden obtener mejores resultados que permitan que estas pasen a una posicin mejor. El cuadrante III: Baja Percepcin y Baja Importancia. Se denomina rea de vigilia, se subrayan las caractersticas que poseen baja importancia y adems son

HASPNET. Texto bsico.

103

bajos los valores de percepcin, en las mismas hay que poner esfuerzo para aumentar su importancia. En el cuadrante IV: Alta Percepcin y Baja Importancia. Estn comprendidas las caractersticas a las cuales se les ha hecho hincapi y los esfuerzos hacia ellos han sido mal invertidos. Estn situadas las caractersticas que poseen baja importancia y alta percepcin a su vez, o sea, se ha trabajado mucho en caractersticas no tan importantes y que reportan la menos utilidad a los clientes. Esta Matriz puede ser construida simplemente dibujndola o utilizando alguna herramienta informtica (Microsoft Excel), que facilite el trabajo. En este ltimo caso el procedimiento a seguir ser el siguiente: 1. Construir una matriz de datos en la hoja de clculo donde por filas se sitan las caractersticas a medir y en las columnas los valores de la variable de peso y de percepcin con su correspondiente identificacin.

2. Utilizar el procesador grfico y seleccionar la opcin de grficos de dispersin que compara pares de valores.

HASPNET. Texto bsico.

104

3. Se identifican los puntos medios (media geomtrica) tanto para el peso como para la percepcin y se establecen las zonas altas y bajas en cada eje. 4. Se identifican los puntos correspondientes a los pares ordenados de cada caracterstica y se notifican segn el cdigo convenido.

Interpretacin de los resultados: 1. Los atributos No.6 y No.16, en ese orden, son los que representan fortalezas para el servicio y para el segmento de clientes estudiados en el hotel en cuestin, pues se encuentran situados en el Cuadrante I, Alto-Alto, (alta importancia y alta percepcin). La estrategia a seguir sera mantenerlos en esta rea y tratar de mejorar su posicin dentro de la misma. Son los atributos que deciden el grado de satisfaccin de los clientes. 2. Los atributos No.11, No.6 y No.14, en ese orden, son los que representan debilidades para el servicio y para el segmento de clientes estudiados en el

HASPNET. Texto bsico.

105

hotel en cuestin, pues se encuentran situados en el Cuadrante II, AltoBajo, (alta importancia y baja percepcin). La estrategia a seguir sera mejorar el desempeo de la prestacin. Son los atributos que deciden el grado de insatisfaccin de los clientes. 3. Los atributos No.4, No.13 y No.3, en ese orden, son los que representan esfuerzos y recursos mal invertidos para el servicio y para el segmento de clientes estudiados en el hotel en cuestin, pues se encuentran situados en el Cuadrante IV, Bajo-Alto, (baja importancia y alta percepcin). No representan debilidades, pero si contribuyen a acentuarla ya que los recursos se invierten en lo que es menos importante para el cliente y por eso su desempeo es alto. La estrategia a seguir sera redistribuir esos recursos para emplearlos en mejorar el desempeo de los atributos situados en el Cuadrante II. Son atributos que no deciden el grado de insatisfaccin de los clientes. 4.6.4. Modelacin de un caso de estudio donde se integran algunas de los Mtodos estudiados.

enfoque integrador de los mtodos expuestos y que, adems, disponga de un patrn de referencia aplicable a la solucin de un problema real. Antes de presentar el problema daremos algunas herramientas necesarias que contribuyen a hacer ms eficaz y eficiente el proceso decisorio. Ante todo expondremos el algoritmo a seguir en la solucin del problema presentado en el caso en cuestin.

El objetivo de la presentacin de este caso es que el lector se familiarice con el

Luego se debe realizar el arreglo matricial de los datos con el objetivo conformar la operacionalizacin de los conceptos que se quieren medir, as como construir los indicadores e ndices necesarios para la toma de decisiones.

HASPNET. Texto bsico.

106

Ahora estamos en condiciones de iniciar el proceso de modelacin del problema en cuestin. Identificar el problema y su meta global Los directivos del Hotel Meli Las Amrica estn interesados en conocer la posicin que ocupa su hotel en relacin con el resto del Grupo Cubanacn en el Polo Turstico de Varadero. Para ello se cre un equipo de trabajo conformado por representantes de las diferentes reas del hotel y por estudiantes del 4to. y 5to. ao de la Licenciatura en Turismo y Contabilidad y Finanzas, respectivamente, que en este momento estn realizando prcticas en la instalacin. Identificar alternativas Luego de varias sesiones de trabajo el grupo decidi no hacer el estudio con todos los hoteles, sino con aquellos donde no exista consenso en cuanto a la posicin que ocupaban. De tal manera, se identificaron 6 de las 13 instalaciones hoteleras que la Cadena opera en el Polo de Varadero: 1 Marca Propia (Hmp1), 1 en Administracin Extranjera (Hae2) y 4 Mixtos, codificados as: Hm3, Hm4, Hm5, Hm6. Listar los criterios a emplear en la toma de decisiones Para listar los criterios a emplear el grupo opt por seguir dos vas: a) Revisar literatura (libros, artculos, publicaciones on line), documentos empleados por la Cadena, trabajos realizados con anterioridad (Diplomas, Maestras, Doctorados). Con esta informacin se construyeron fichas de contenido, sobre cuya base se diseo una Matriz de Conceptos, que permiti elaborar una distribucin de frecuencia de los criterios ms utilizados para determinar la posicin de las empresas en general y de las hoteleras en particular. b) Utilizar el Mtodo de los Expertos aplicando un riguroso procedimiento de seleccin (clculo del coeficiente de experticidad para cada uno de ellos). Se diseo el instrumento de captacin de la informacin mediante una herramienta escrita cuya funcin y finalidad son muy similares a la del Mtodo del Braintorming, obtener la informacin en la cantidad mayor posible sin exigir calidad en la misma.

HASPNET. Texto bsico.

107

Se aplicaron las mismas herramientas del paso anterior y el resultado fue un listado de criterios. Con los Resultados del litado No.1 y los del listado No.2, se construy, mediante trabajo de mesa del grupo de estudio y aplicando diagrama de afinidad, un listado nico de criterios:

Para tener seguridad de que ese conjunto de criterios meda lo que el grupo pretenda medir, se diseo e implement la correspondiente estrategia de Validacin. La Estrategia de Validacin se estructur de la Manera siguiente: Para la Validez de Contenido se utiliz el Mtodo de los Expertos as como el Coeficiente de Consenso, siguiendo los pasos indicados en los respectivos procedimientos anteriormente descritos en el presente texto.

HASPNET. Texto bsico.

108

Para el Coeficiente de Consenso se estableci convencionalmente: para las respuestas S, se cuantificaron con 1, para las respuestas No, con 0. El umbral de decisin fue establecido a partir de la siguiente Restriccin: se acepta 0,80 >Cc >1. En instrumento contentivo de la informacin sometida a juicio de los Expertos fue el siguiente.

La aplicacin del instrumento permiti obtener los siguientes resultados:

Un anlisis de la calidad de la votacin nos permite asegurar que no cumple con la restriccin el criterio Proyeccin de Imagen con 50% < 0,8. Con el objetivo de comprobar que las votaciones realizadas por los diferentes expertos guardan determinada relacin entre ellas y que adems, existe un determinado nivel de consenso, aplicamos un anlisis de varianza (ANOVA) de un factor, que sirve para comparar diversos grupos en una variable cuantitativa. Este anlisis permite obtener informacin sobre el resultado de la comparacin entre las votaciones de los expertos y ello nos permite concluir si los expertos sometidos al anlisis difieren la medida utilizada. La hiptesis que se pone a prueba en el ANOVA de un factor es que las medias poblacionales son iguales. Si las

HASPNET. Texto bsico.

109

medias poblacionales son iguales, eso significa que los Expertos no difieren en su votacin. La estrategia para poner a prueba la hiptesis de igualdad de medias consiste en obtener un estadstico llamado F, que refleja el grado de parecido existente entre las medias que se estn comparando. A continuacin se presentan los resultados obtenidos por la aplicacin de esta prueba a la votacin efectuada por los Expertos utilizando para ello el paquete informtico StatGraphic Plus para Windows. Tabla ANOVA: Analysis of Variance -----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -----------------------------------------------------------------------------------Between groups 0,190476 5 0, 0380952 0, 22 0, 9524 Within groups 6, 28571 36 0, 1746030 -----------------------------------------------------------------------------------Total (Corr.) 6, 47619 41 Observar el valor del estadstico F y P. Por cuanto el P-value es muy superior a 0,05, entonces no existen diferencias estadsticamente significativas entre las 6 variables para un nivel de confianza del 95%. Por tanto, el criterio Proyeccin de imagen puede ser retirado y mantener el resto. Ahora podemos modelar matricialmente el caso para el hotel en cuestin y obtener, mediante el desarrollo del procedimiento correspondiente su posicin con respecto a los dems de la competencia considerando los criterios identificados y evaluados.

Una vez realizada la Modelacin, debemos escoger la formulacin matemtica que nos permitir obtener los ndices sintticos a partir de cuyos valores estableceremos la posicin que ocupa cada uno de los hoteles en cuestin. Para este caso concreto hemos apelado al ya mencionado Mtodo VALPER, el cual, como se ha indicado se expresa matemticamente mediante la ecuacin siguiente.

HASPNET. Texto bsico.

110

Si escogiramos el Mtodo Relacional, obtendramos el siguiente arreglo matricial (en forma de diferencia):

En forma de ratio sera como sigue:

Si aplicamos a los resultados de VALPER la Matriz de Decisin W-X (ImportanciaPercepcin), obtendramos de manera grfica el comportamiento de los criterios analizados para cada uno de los hoteles. Simbologa a utilizar:

HASPNET. Texto bsico. Codificacin de criterios de decisin:

111

Podemos formular algunas conclusiones: 1ra.: El Hotel que ms atributos ha posicionado en el Cuadrante No.1 (fortalezas) es el H4. 2da.: Los Hoteles con mayor cantidad de atributos posicionados en el Cuadrante No.2 (debilidades), son H5 y H2. 3ra.: El atributo de mayor frecuencia absoluta de aparicin en el Cuadrante No.1 (fortalezas), es el No.1 (calidad percibida por el mercado). 4ta.: El atributo de mayor frecuencia absoluta de aparicin en el Cuadrante No.2 (debilidades), es el No.2 (relacin calidad precio), seguido del No.5 (rapidez en el servicio). 4.7. Ejercicios propuestos: Ejercicio No.1. Utilizando el Modelo que a continuacin se presenta se hace necesario realizar el posicionamiento de un grupo de hoteles que operan en el Polo Turstico de Varadero:

HASPNET. Texto bsico.

112

Se dispone de la informacin siguiente:

HASPNET. Texto bsico.

113

HASPNET. Texto bsico.

114

Tarea: Realizar el posicionamiento aplicando el Mtodo Taxonmico. Ejercicio No.2. Se han definido 9 atributos de calidad del servicio de un conjunto de hoteles que operan en el Polo Turstico de Varadero y se quiere conocer el grado de importancia que los mismos tienen para los clientes. Para ello se seleccionan a tres expertos que tienen un alto grado de conocimiento de los intereses de los clientes que vacacionan en dichas instalaciones. Se les comunica a los expertos que tienen que repartir 100 puntos entre los atributos seleccionados, segn el grado de preferencia que han manifestado los clientes. A continuacin se muestran los resultados de las votaciones individuales:

HASPNET. Texto bsico. Tarea:

115

1. Calcular el vector de peso para los atributos seleccionados. 2. Determine si existen o no diferencias significativas entre las votaciones que realizaron los expertos. Para ello siga el procedimiento que a continuacin se describe: Paso 1: Introduzca los datos de las votaciones en la tabla de entrada del software STATgrafhic Plus, como se muestra:

Paso 2: Seleccione la opcin COMPARE y haga click sobre ella, aparecer:

Paso 3: Seleccionar de aqu la opcin Multiple Samples..., tal y como indica el cuadro, aparecer:

HASPNET. Texto bsico.

116

Paso 4: Marcar E1, E2 y E3 como se muestra en el cuadro, luego pulsar la saeta de color negro y hacer click en el botn OK, aparecer:

Paso 5: Pulsar el botn Tabular Options (segundo de izquierda a derecha), aparecer:

HASPNET. Texto bsico.

117

Paso 6: Seleccionar, para el caso de este ejercicio, Kruskal-Wallis Test, como indica el cuadro u pulsar el botn OK, aparecer:

y tambin:

3. Traducir los resmenes al espaol. Ejercicio No.3. Observe los resultados de la votacin que realiz un grupo de Expertos acerca de la aceptacin o no de un conjunto de atributos utilizados para medir la Calidad del Servicio Interno en un proceso de gastronoma del Aeropuerto Internacional "Juan Gualberto Gmez" de Varadero. EXPERTOS E4 E5 E6 1 1 1 1 1 1 -1 1 1 1 1 1 -1

1 2 3 4

si no si no si no si no

E1 1 1 1 1

E2 1 1 1 1

E3 1 1 1 1

E7 1 1 1

E8 1 1 1 1

E9 1 1 1 1

HASPNET. Texto bsico. si no si no si no si no si no si no 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

118


1 1 1 1 1 1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

5 6 7 8 9 10

Tareas: 1. Aplique el procedimiento adecuado y determine cuales atributos se aceptan y cuales deben ser rechazados rechazados. Fundamente. 2. Verifique si esa votacin es o no confiable. Argumente. Ejercicio No.4. Un equipo de investigadores del Centro de Estudios de Turismo de la Universidad de Matanzas realiz un estudio en un hotel del Polo Turstico de Varadero con el objetivo de rankear los procesos de servicios claves de dicha entidad. Para ello los investigadores utilizaron como criterio el "valor percibido" y como Mtodo el VALPER, los resultados se muestran a continuacin:

HASPNET. Texto bsico. Tarea:

119

1. Calcular el Valor Percibido para cada uno de los servicios estudiados. 2. Determine cules son los atributos que mayor impacto positivo causan en el Valor Percibido de cada uno de los servicios estudiados. 3. Compare grficamente los servicios estudiados segn la magnitud de los valores percibidos. 4. Determine si existen diferencias estadsticamente significativas entre las evaluaciones recibidas por los diferentes servicios. De existir diferencias significativas, aplique el Test de Mltiples Rangos y analice el resultado. Ejercicio No.5: Un equipo de trabajo del Centro de Estudios de Turismo de la Universidad de Matanzas realiz un estudio en el Polo Turstico de Varadero con el objetivo de establecer el Posicionamiento de un grupo de hoteles de acuerdo con el valor percibido por el mercado, los resultados de aplicar los diferentes instrumentos fueron los siguientes:

Tareas: 1. Construir el Hotel Virtual. 2. Determine las posiciones de los hoteles analizados con respecto al virtual. 3. Determine el Posicionamiento del Hotel Mar del Sur aplicando el Mtodo Relacional. 4. Compare este resultado con el obtenido en el desarrollo de la gua No.8. 5. Fundamente los resultados la comparacin. Ejercicio No.6: Utilizando los datos del ejercicio No.4: 1. Diga si aqu es posible y necesario aplicar el procedimiento de clculo del Indicador de la Determinancia Normalizada. Fundamente su decisin. 2. Si es posible y necesario, entonces calcule la Determinancia Normalizada aplicando el procedimiento adecuado. 3. Si ha calculado la Determinancia Normalizada, calcule entonces el Valor Percibido de cada uno de los servicios.

HASPNET. Texto bsico.

120

Ejercicio No.7: Un estudio sobre calidad del Software, realizado por un grupo de investigadores del Centro de Estudios de Turismo de la Universidad de Matanzas arroj los siguientes resultados: Datos sobre el comportamiento de la calidad percibida del software SIHOT:

HASPNET. Texto bsico.

121

HASPNET. Texto bsico.

122

Leyenda de significado de los diferentes atributos:

Tareas: Con los datos de SUM y SIHOT: a) Construya las respectivas Matrices de Toma de Decisiones, utilizando para ello Microsoft Excel. b) Sobre la base de los resultados obtenidos en el inciso anterior identifique fortalezas y debilidades en ambos software. c) Cul usted recomendara como el mejor? d) Qu estrategia de desarrollo se pudieran seguir para el software recomendado?

HASPNET. Texto bsico.

123

aptulo V: Mtodos de Sobrecalificacin

Objetivos: Explicar 1. las caractersticas de los mtodos de Sobre calificacin. 2. las caractersticas del mtodo ELECTRA y su procedimiento de clculo. 3. las caractersticas del Mtodo PROMETHEC y su procedimiento de clculo. Contenido del Captulo: Los Mtodos de Sobrecalificacin y su relacin con el proceso de Toma de Decisiones. El Mtodo ELECTRE. El Mtodo Promethee 5.1. Mtodo Electra

Entre los Mtodos de sobreclasificacin se encuentra el ELECTRA (elimination and


(et) choice translating algorithm), que es, quizs, el mtodo ms conocido y a la vez el ms aplicado en la prctica. El ELCTRA fue inicialmente sugerido por Benayoun, Roy y Sussman (1936) y posteriormente mejorado por Roy (1971). Desde entonces, tanto las aplicaciones como los desarrollos tericos de este mtodo han sido muy intensos. El mtodo ELECTRA, bsicamente, consiste en un procedimiento para reducir el tamao del conjunto de soluciones eficientes. Tal reduccin se realiza por medio de una particin del conjunto eficiente en un subconjunto de alternativas ms favorables para el centro decisor (el ncleo) y en otro subconjunto de alternativas menos favorables. Para abordar la tarea se introduce el concepto de "relacin de sobreclasificacin" (outranking relationship) que es consustancial al ELECTRE en todas sus variantes ( 14).

"Electra" es un trmino francs que recoge la frase Elimination et Choix Traduisant la Realit. Comprende una familia de tcnicas denominadas de igual

14

Romero, Carlos (1993). Teora de la Decisin Multicriterio: Conceptos, Tcnicas y Aplicaciones, Alianza Universidad Textos, Alianza Editorial, S.A., Madrid. Captulo 8, epgrafe 3: Fundamentos bsicos de los Mtodos de Sobreclasificacin, pg.133, y epgrafe 4: Desarrollo Operativo del Mtodo Electre, pg.135.

HASPNET. Texto bsico.

124

forma, con pequeas variantes. Se las fue ordenando con numeracin romana y correlativa conforme se iban desarrollando. De esta manera surgen los nombres de Electra I, Electra II, Electra III, etc. Electra es un mtodo de ayuda a la decisin. Supone un apoyo al decisor en la medida en que se pone a su disposicin un soporte para enfrentarse a los problemas que, al menos, poseen aspiraciones de objetividad. El Mtodo gua al responsable de la decisin hacia la eleccin de un alternativa realizable cuando se enfrenta a un conjunto de ellas, teniendo presente una serie de criterios, a priori, no agregables por heterogneos (cardinales y ordinales indistintamente). En las tcnicas Electra la seleccin de una accin o alternativa se efecta teniendo en cuenta simultneamente dos o ms criterios. Son mtodos de sobreclasificacin o superioridad ya que buscan acumular argumentos que sustenten la afirmacin de que tal o cual alternativa es superior a otra con la que se est comparando. Para lograr esta sentencia de superioridad hace falta que la acumulacin de pruebas conduzca a la constatacin de que la relacin de dominio o superioridad se produce sin que exista demasiado riesgo de error. La comparacin se realiza siempre por parejas, comparando dos a dos todas las alternativas o posibles soluciones al problema. Los mtodos Electra indagan la potencial existencia de estas relaciones de superioridad mediante la realizacin de pruebas o tests: Indicadores de concordancia: Miden el grado de acuerdo existente en cuanto al hecho de que una accin sea superior o, al menos, tan buena como otra con la que se est comparando. Indicadores de discordancia: Miden la amplitud de los desacuerdos asimilando stos al clculo de la inferioridad de una accin sobre otra con la cual se est comparando.

Datos necesarios para operar con las tcnicas Electra I y Electra II: 1. Acciones (Ai). Son las posibles soluciones existentes (o al menos conocidas) para la solucin del problema planteado: A1, A2,...,Ah, ..., Ai,..., Ak,...,An. 2. Criterios (Cj). En ellos se reflejan los aspectos que el decisor considera ms significativos para la resolucin del problema. Son, por tanto, los puntos de vista relevantes bajo los que se va a estudiar el conjunto de acciones: C1, C2,..., Cj,...,Cm. 3. Pesos o ponderaciones (Pj). Expresan la importancia relativa que el decisor otorga a cada uno de los criterios considerados. Lo significativo de un peso no es, por tanto, su valor absoluto, ya que al tratarse de una ponderacin, su fuerza depender de la relacin de proporcionalidad que mantenga con el resto de los criterios: P1, P2,..., Pj,... pm. 4. Valoraciones (Vij). Evaluaciones otorgadas a cada accin con relacin a cada uno de los criterios considerados. Inicialmente la unidad elegida puede ser cuantitativa o cualitativa, aunque en este ltimo caso ser necesario finalmente su transformacin en magnitudes cuantitativas siguiendo para ello la lnea de actuacin elegida por el decisor. De manera simblica, las valoraciones de cualquier alternativa i con relacin a cada uno de los criterios se expresaran como: Vi1, Vi2,..., Vij,..., Vim. 5. Escalas (Dj). Lgicamente, las evaluaciones efectuadas con relacin a un mismo criterio debern estar tambin en una misma escala de medicin para que sea posible realizar las comparaciones por pares de alternativas en las que se fundamentan las tcnicas Electra. Aunque en el mbito operativo resulta mucho ms cmodo trabajar en todos los criterios con una misma escala, sta no es

HASPNET. Texto bsico.

125

una condicin que deba cumplirse inexcusablemente para poder aplicar las reglas de los mtodos. Agrupando todos los requisitos en un mismo cuadro, la estructura de datos que el decisor debe tener ante s para aplicar las tcnicas Electra sera la siguiente:

Electra I: El Mtodo Electra I fue desarrollado en 1966 por B. Roy, perteneciente al SEMA (Sociedad de Economa y Matemtica Aplicada) alcanzando pronto un gran xito debido a su sencillez y aplicabilidad. Con el empleo de la tcnica se pretende encontrar aquella accin que demuestre ser superior a todas las dems posibles con las que se est comparando. Esta superioridad vendr determinada por los resultados que se desprendan de las pruebas o tests de concordancia y discordancia. I. Test o prueba de concordancia: Con esta prueba se intenta determinar mediante un indicador porcentual (calculado para cada par de acciones Ah-Ak del conjunto de alternativas posibles) si en una mayora de criterios (pesos) la primera accin Ah, es al menos tan buena en valoracin como la accin Ak con la que se est comparando. El orden en que son consideradas las alternativas tiene mucha importancia para la determinacin de los indicadores de concordancia. De hecho, el resultante de la comparacin entre las alternativas Ah y Ak (Chk) no tiene porque coincidir, a priori, con el que se obtenga haciendo la comparacin en la direccin contraria (Ckh). A efectos prcticos, dadas las acciones genricas h y k, el indicador de concordancia Ckh se calculara como:

HASPNET. Texto bsico.

126

El numerador de la expresin incluye los pesos de aquellos criterios en los que la alternativa h ha demostrado ser al menos tan buena como la k, mientras que el denominador expresa el total de pesos asignados a los criterios decisionales. En consonancia con la definicin de ndices de concordancia que hemos realizado, sus valores oscilarn entre 0 y 1. Cuando tome el valor 0, eso indicar que la alternativa h no llega ni siquiera a igualar en ningn caso a la alternativa k. Por su parte, cuando Chk tome valor 1 sabremos que h es, al menos, tan buena accin como k en todos y cada uno de los criterios de decisin. Los test de concordancia son indicativos, por tanto, del porcentaje de dominio (en el sentido de no inferioridad) de unas alternativas sobre otras, ya que a medida que se vayan acercando ms al valor 1 habra que entender que son ms los criterios (en trminos de importancia) en los que h es al menos tan buena alternativa como k. Supuesta la existencia de n alternativas viables de decisin, cada una de ellas nos obligara a calcular n-1 concordancias, lo que en conjunto supondra un total de n(n-1) indicadores que recogeramos en una matriz similar a la reproducida en el cuadro siguiente:

Ejemplo para obtener los indicadores de concordancia: El Departamento de Recursos Humanos del Hotel Meli Las Amricas dispone de una vacante en el rea de recepcin. Para aspirar a ocupar la misma se han presentado cuatro candidatos. La Comisin Representativa del Hotel ha definido tres criterios de seleccin en base a los cuales cada uno de los representantes realiz su valoracin: tiempo de trabajo en el sector (TTS), dominio del idioma (I) y aptitudes comunicativas (Ac). Los pesos asignados a cada uno de los criterios segn la importancia que se le concede a cada uno de ellos por parte de los decisores son: TTS (2), I (3), Ap (5). Con respecto a los criterios los distintos aspirantes han obtenido unas valoraciones, en una escala (0-10), como las que quedan reflejadas en el cuadro que sigue:

HASPNET. Texto bsico.

127

Como podr observarse, el cuadro recoge todos los datos necesarios para poder aplicar las tcnicas Electra. Procederemos a calcular los indicadores de concordancia de la siguiente manera: Concordancia de Gmez con respecto a Prez (Cgp), Ruiz (Cgr) y Fernndez (Cgf). Concordancia de Prez con respecto a Ruiz (Cpr) y Fernndez (Cpf) Concordancia de Ruiz con respecto a Fernndez (Crf) Concordancia de Fernndez con respecto a Ruiz (Cfr), Prez (Cfp) y Gmez (Cfg) Concordancia de Ruiz con respecto a Prez (Crp) y Gmez (Crg) Concordancia de Prez con respecto a Gmez (Cpg) Resultados de los clculos:

Con estos resultados Concordancia:

conformaramos

la

Matriz

de

Indicadores

de

II. Test o prueba de discordancia: Esta prueba mide la amplitud de la inferioridad de una accin con relacin a otra con la que se est comparando. Entendiendo que existe discordancia en aquellos casos en que una alternativa resulta inferior a otra, el test al que nos referimos pretende observar qu fuerza discordante se presenta en los criterios en que una accin Ah es inferior a otra Ak. Dhk representar el indicador de discordancia de la accin h con respecto a la accin k y ser igual al mayor valor que arrojen los cocientes (calculados para todos aquellos criterios en que h presente un valor menor que k) entre la diferencia de valoracin y la amplitud total de la escala considerada. Es pues un ratio cuyo numerador recoge la mayor diferencia de valoracin y el denominador la amplitud de la escala del criterio que estemos considerando:

HASPNET. Texto bsico.

128

Los indicadores de discordancia Dhk varan entre 0 y 1: Valdr 0 cuando la accin Ah no sea inferior en criterio alguno a la accin Ak. Aumentar cuanto ms grande (al menos en un criterio) sea la infravaloracin de la accin Ah respecto a Ak. Valdr 1 cuando, en uno o ms criterios, la diferencia de puntuacin a favor de Ak coincida con la amplitud de la escala utilizada.

Procedamos, a travs de un ejemplo a calcular los indicadores de discordancia comparando dos a dos las alternativas. En el caso que nos ocupa trataremos de ver en cuanto es inferior un candidato a otro para cada criterio considerado. Criterio TTS: Discordancia de Gmez con respecto a Prez (Dgp), Ruiz (Dgr) y Fernndez (Dgf). Las comparaciones donde se aprecia discordancia son las siguientes:

Discordancia de Fernndez con respecto a Ruiz (Dfr), Prez (Dfp).

Discordancia de Prez con respecto a Ruiz (Dpr), y Fernndez (Dpf). Las comparaciones donde se aprecia discordancia son las siguientes: Criterio I: Discordancia de Ruiz con respecto a Fernndez (Drf), Prez (Drp) y (Drg).

Discordancia de Fernndez con respecto a Gmez (Dfg).

Discordancia de Ruiz con respecto a Prez (Drp)

y Gmez (Drg).

Discordancia de Prez con respecto a Gmez (Dpg).

HASPNET. Texto bsico. Criterio Ap:

129

Discordancia de Gmez con respecto a Ruiz (Dgr).

Discordancia de Prez con respecto a Ruiz (Dpr).

Discordancia de Fernndez con respecto a Ruiz (Dfr).

Observacin: La diferencia de valoracin de Fernndez con respecto a Ruiz indica que la discordancia se produce en dos criterios. En el criterio TTS la infravaloracin de Fernndez con respecto a Ruiz es de dos unidades. En el criterio Ap la inferioridad de Fernndez con respecto a Ruiz es de una unidad. Dentro de estas dos diferencias escogeremos el mayor cociente (0,2). Recogeremos todos los indicadores de discordancia en la matriz siguiente:

III. Anlisis de sobreclasificacin: Una vez realizadas las dos pruebas procederemos a hacer un anlisis de sobreclasificacin, que es a la postre, la finalidad que persigue el mtodo. Las condiciones de sobreclasificacin en Electra I son ciertamente peculiares. Para poder afirmar que una alternativa Ah sobreclasifica a otra Ak (Ah S Ak) debe darse, en primer lugar, que Ah sea mejor o igual que Ak al menos, en una mayora de criterios. Pero adems, en aquellos casos en que se de la situacin contraria (Ah peor que Ak), se obliga a que la diferencia no sea excesivamente grande. Los trminos mayora o no excesivamente grande son ambiguos y nada operativos. Para eliminar este problema, el decisor debe precisar qu entiende por ellos. Para facilitar esta labor, Electra I establece dos umbrales o niveles de exigencia, llamamos p (umbral de concordancia) y q (umbral de discordancia). Con ellos, los requisitos de sobreclasificacin quedaran establecidos como: Chkp; Dhkq Los valores de p y q son fijados libremente por el decisor con la intencin de reflejar sus exigencias entre lo que entiende aceptable e inaceptable respecto a los niveles de concordancia y discordancia. En consonancia con los mbitos de valoracin de Chk y Dhk los valores de p y q debern ser menores o iguales a 1 y mayores o iguales a cero.

HASPNET. Texto bsico.

130

Cuando se constate una relacin de dominio o sobreclasificacin de Ah sobrec Ak, esta se representar grficamente mediante un arco orientado desde la alternativa h hasta la alternativa k. Si asociamos a cada alternativa un crculo, la sobreclasificacin identificada aparecera grficamente como:

El sentido de la flecha indica la direccin en que se da la relacin de sobreclasificacin, de tal forma que el arco orientado debe tener su origen en la alternativa dominante y el extremo sobre la dominada. Grafo de sobreclasificacin: Es el paso definitivo del mtodo y el que nos va a permitir seleccionar la mejor alternativa. Esta se elegir de entre las que queden situadas en la zona del grfico que denominaremos "ncleo", mientras que las descartadas se agruparn en otra parte a la que designaremos con el nombre de "periferia". Forma de construir el grafo:

Cada alternativa se representa por un crculo o vrtice. Las sobreclasificaciones descubiertas se indican mediante arcos orientados que
comienzan en una alternativa y terminan en otra. Una vez elaborado el grafo se pueden dar las situaciones siguientes:

1. Una accin no sufre relacin de dominio alguna, mientras que sobre el resto de las acciones recaen una o ms relaciones de sobreclasificacin. El grafo queda entonces dividido en dos partes claramente diferenciadas. Una (el ncleo) constituido por la accin que no es dominada por ninguna otra. El resto de acciones que sufren alguna dominacin formaran la otra parte del grafo, la periferia. En estas condiciones la eleccin del decisor deber recaer sobre la nica accin que ha quedado integrada en el ncleo del grafo. 2. Todas las alternativas quedan sobreclasificadas. Esto significa que todas las acciones son inferiores a una o ms alternativas del conjunto. Con los datos existentes y los niveles de concordancia y discordancia exigidos, el mtodo se muestra incapaz de distinguir las alternativas preferidas. 3. El ncleo lo integran dos o ms acciones (acciones que no son sobreclasificadas). El mtodo considera ese grupo como el de las acciones ms convenientes. Las que estn fuera de esa zona son rechazadas al entenderse que representan acciones de peor calidad. Caso de querer llegar a aislar una sola accin, el decisor puede optar por diferentes soluciones: a) Buscar el modo de incrementar el nmero de relaciones sobreclasificacin. Para ello tiene ante s distintas posibilidades: de

Disminuir el umbral de concordancia. Con ello se est provocando un menor nivel de exigencia, ya que ahora, aunque una alternativa sea mejor o igual que otra en una menor cantidad de criterios (atendiendo a sus pesos), cabe la posibilidad de identificar nuevas relaciones de sobreclasificacin.

HASPNET. Texto bsico.

131

Aumentar el umbral de discordancia. Tambin ahora se estaran modificando a la baja las exigencias del decisor, aunque en una direccin diferente. Con la subida del umbral de discordancia se hace ms factible encontrar nuevas sobreclasificaciones ya que se permite una mayor amplitud discordante para aquellos criterios en los que una alternativa haya demostrado ser peor que otra.
Realizar simultneamente ambas modificaciones. b) Realizar una eleccin entre las acciones que quedaron incluidas en el ncleo utilizando consideraciones ajenas a las inicialmente planteadas en el modelo (aporte de informacin adicional, nuevos criterios, revisin de los pesos asignados a stos o de las valoraciones otorgadas a las alternativas, hiptesis distintas de homogenizacin o conversin de datos. etc.). 4. No se identifican relaciones de sobreclasificacin. Resulta, por tanto, imposible realizar afirmaciones de supremaca de unas alternativas sobre otras, al menos sobre la base de las hiptesis de partida del modelo utilizado. Si no se desea modificar a la baja las exigencias del decisor, habr que replantearse esta hiptesis (alternativas, criterios, pesos, etc.) o buscar mtodos alternativos de seleccin. En el ejemplo que venamos considerando en torno a la eleccin de un candidato para cubrir una vacante, el sujeto decisor podra haber establecido unas exigencias muy grandes; por ejemplo, afirmar que un candidato es superior a otro cuando hubiera demostrado ser mejor o igual que ste en todos y cada uno de los criterios. Bajo estas condiciones, los umbrales deberan haberse situados en los valores p=1 y q=0. Acudiendo a las tablas de concordancias y discordancias, observaramos que tal situacin slo se produce en la comparacin Prez-Fernndez. En el grafo aparecera solamente esta relacin de sobreclasificacin (PF):

La alternativa F habra resultado ya descartada al quedar incluida en la periferia del grafo. Sin embargo el ncleo retendra an las alternativas P, G y R ya que sobre ellas no ha recado ninguna relacin de sobreclasificacin. Estaramos, por tanto, en el caso 3 de los anteriormente comentados, pudiendo ahora bajar las exigencias del decisor para que de este modo se reduzca el nmero de candidatos ubicados

HASPNET. Texto bsico.

132

en el ncleo. Aparecen nuevas acciones de dominio, pero la nica accin que no queda dominada por ninguna otra es R. Solamente quedara en el ncleo esta alternativa y consecuentemente R (Ruiz) sera el candidato finalmente seleccionado.

Con los umbrales p=0,7 y q=0,4 el decisor ha flexibilizado bastante sus exigencias de cara a la identificacin de las sobreclasificaciones. Teniendo en cuenta que a los criterios de decisin se les haban asignado pesos de 2 (TTS), 3 (I) y 5 (Ac), el umbral de concordancia 0,7 implica la exigencia de que, para afirmar que una alternativa sobreclasifica a la otra, la primera sea mejor o igual que la segunda, con seguridad, en el criterio ms importante (no hay forma de obtener una suma de pesos igual o superior a 7 sin que est presente el criterio (Ac) y, al menos, en alguno de los otros dos (si es slo el criterio TTS la suma de pesos sera 7, si fuera slo I la suma sera 8 y, finalmente, si tal circunstancia se diera en los tres, la suma total sera 10). Por su parte, un umbral de discordancia igual a 0,4, supone tambin una reduccin en las exigencias del decisor. Si en un principio se estableci q=0, ahora se est siendo ms tolerante para los casos en que exista inferioridad. De hecho (salvada la restriccin inherente al valor de p) y para los casos en que una alternativa demuestre ser inferior a otra, la amplitud de tal diferencia puede llegar a ser de hasta 4 unidades sobre la escala completa (4 sobre 10). Electra II: A diferencia de la tcnica Electra I, el mtodo Electra II no se limita a sugerir al decisor la mejor de las alternativas, sino que intenta obtener una clasificacin de todas ellas lo ms perfilada posible en presencia de criterios mltiples. Fue desarrollado por Roy y Bertier, del SEMA, y por Bernard y Besson, del CETEM. Los datos necesarios para poder aplicar esta tcnica son idnticos a los de Electra I, aunque se les somete a un tratamiento algo diferente. Es tambin un mtodo de sobreclasificacin que utiliza indicadores de concordancia y discordancia. Respecto a los primeros, la sistemtica operativa y el significado es idntico al utilizado en Electra I. Los indicadores de discordancia se plantean en ELECTRA II como magnitudes absolutas y no en relacin con la escala de valoracin de cada criterio. Esto hace que su clculo se abrevie ya que los valores de los indicadores se corresponden con los numeradores de los tests de discordancia calculados en Electra I. El significado sigue siendo bsicamente el mismo, aunque en Electra II los Dhk no sugerirn porcentajes sobre la escala de valoracin, sino mximas

HASPNET. Texto bsico.

133

amplitudes discordantes para los casos en que Ah sea peor alternativa que Ak. Expresada de manera analtica, la forma de calcular un indicador de discordancia genrico Dhk sera:

El valor de un indicador de discordancia oscilar entre 0 y la amplitud de la escala utilizada. Anlisis de sobreclasificacin: Las mayores pretensiones de la tcnica Electra II obligan a ser ms precisos en lo que se refiere a las relaciones de sobreclasificacin. Se establecen dos tipos de dominaciones: fuertes y dbiles. Se pretende con ello enriquecer el nmero de arcos del grafo de sobreclasificacin, reduciendo al mximo la existencia de "incomparabilidad" entre las alternativas. La mecnica exacta para conseguirlo comienza con el establecimiento de cinco umbrales o niveles de exigencia, de los que tres representan fronteras para analaizar los ndices de concordancia (C1, C2, y C3) y dos los de discordancia (d1 y d2). Las relaciones que deben guardar entre s los umbrales es la siguiente: 1C1 >C2 >C3 >0 Amplitud de la escala > d2> d10 Se deduce del significado de los umbrales que las opciones C1 y d1 deben representar los niveles ms altos de exigencia por parte del decisor, descendiendo progresivamente stos a medida que se pasa a C2 o C3, en concordancias, y a d2 en discordancias. Para que pueda afirmarse la existencia de algn tipo de sobreclasificacin, debe darse una condicin previa inexcusable: dadas dos alternativas cualesquiera Ah y Ak, slo podr afirmarse que Ah sobreclasifica de algn modo a Ak cuando la suma de los pesos de los criterios en que Ah es mejor (estrictamente) que Ak, dividida por la de aquellos en que es (tambin estrictamente) peor, sea mayor o igual que 1. Dicho de otro modo, el conjunto de los pesos de los criterios en que Ah es mejor que Ak debe ser igual o superior al de aquellos en que se da la situacin justamente contraria (Ah peor que Ak).

Supuesto que se cumpliera esta primera condicin ineludible, la tcnica Electra II diferencia despus entre los requisitos que deben darse para que pueda afirmarse la existencia de una sobreclasificacin fuerte o de una dbil. En concreto, para las sobreclasificaciones fuertes se estipulan dos posibles bloques de condiciones alternativas:

HASPNET. Texto bsico.

134

Para deducir la existencia de alguna sobreclasificacin dbil, las condiciones a verificar seran las siguientes:

Obsrvese que los requisitos para las sobreclasificaciones fuertes son ms exigentes que los que se proponen para las dbiles. Eso implica que si, llegado el caso, hubiramos advertido la presencia de una sobreclasificacin fuerte entre una pareja de alternativas, no sera necesario verificar la existencia de otra dbil entre las mismas. Debido a ello, en el grafo que posteriormente se construir, se dar preeminencia sistemticamente (para cada pareja de alternativas) a la sobreclasificacin ms rotunda. El grafo al que aludimos representar de manera diferenciada los dos tipos de sobreclasificacin establecidos. Si entre dos alternativas existiera sobreclasificacin fuerte, trazaramos un arco orientado con trazo continuo al igual que hacamos en Electra I. En cambio, si se tratara de una sobreclasificacin dbil, la flecha indicativa de tal hecho seguira los mismos criterios de orientacin pero se dibujara con lnea de trazo discontinuo.

Antes de proceder observaciones:

una

aplicacin

prctica

del

modelo,

haremos

dos

- Respecto a los indicadores de discordancia, su campo de variacin va, como ya dijimos, desde 0 hasta el valor representativo de la amplitud de la escala utilizada. Si se empleara una escala nica, los valores de Dhk representaran las mayores diferencias de las alternativas Ah y Ak para la totalidad de los criterios. Por el contrario, si cada criterio utiliza una escala diferente, sera preciso establecer umbrales de discordancia diferenciados para cada uno de ellos y de tal forma que supusieran niveles equivalentes de exigencia para todos los criterios. En suma, los clculos para comprobar las terceras condiciones de sobreclasificacin expuestas se complicaran fuertemente. Por ello resulta muy recomendable homogeneizar las escalas de los distintos criterios antes de proceder a realizar las comparaciones pertinentes. - Insistir una vez ms en que, para que exista alguna relacin de sobreclasificacin (fuerte o dbil) de una alternativa Ah sobre otra Ak se ha de cumplir inexcusablemente la primera de las condiciones estipuladas (la referente al cociente de sumas de pesos). De no ser as, resultara intrascendente seguir el proceso intentando verificar las otras dos condiciones (las relativas a los umbrales de concordancia y discordancia). El proceso operativo que ha de seguirse para resolver un proceso decisional utilizando la tcnica Electra II obliga a efectuar algunos clculos adicionales con relacin a los de Electra I. El habitual clculo de indicadores de concordancias y discordancias se pospone hasta tanto no se haya comprobado el cumplimiento de la condicin de sobreclasificacin a la que antes nos referamos. Para facilitar el proceso propondremos un modo de tabular los resultados que, aunque a primera vista pudiera parecer complejo, en realidad supone un importante ahorro de esfuerzos y una menor probabilidad de incurrir en errores de clculo. Comenzaremos por denominar de manera abreviada los componentes de la expresin que sirve para verificar el cumplimiento de la condicin de sobreclasificacin que compara la suma de los pesos en los que Ah es mejor que Ak, con la que resulta de los casos en que se da la situacin opuesta. Designaremos

HASPNET. Texto bsico.

135

como P+hk al numerador de dicha expresin; llamaremos P-hk al denominador y, por ltimo, reservaremos una denominacin para la suma de los pesos de los criterios en los que las alternativas Ah y Ak empaten (P=hk). Con esta nueva notacin, la primera condicin de sobreclasificacin podra quedar expresada como:

La nueva notacin podra ser tambin utilizada para expresar de un modo algo diferente la expresin que permite calcular los indicadores de de concordancia:

Para poder disponer de todos los datos relevantes en una misma tabla, lo dispondremos en el modo que se describe en el cuadro que a continuacin se muestra. Cada casillero de la tabla, representativo de la comparacin entre dos alternativas, poseer internamente la siguiente estructura:

Refirindonos a la parte superior del casillero, distribuida, a su vez, en tres espacios, observaremos que el primero comenzando por la izquierda acoge la suma de los pesos de los criterios en los que la alternativa Ah es estrictamente mejor que Ak. La parte central queda reservada para la suma de los pesos de los criterios en los que Ah es estrictamente peor que Ak. Por ltimo, le trozo que queda ms a la derecha, contendr la suma de los pesos de los criterios en los que ambas alternativas empatan en su valoracin. Esta distribucin de los datos permite cubrir con fluidez un doble objetivo. De una parte, al estar contemplada todas las posibilidades existentes, la suma de los tres casilleros debe ser sistemticamente igual a la suma total de los pesos de los criterios. Pero adems, si los primeros clculos que efectuamos son solo los que se recogen en la izquierda y en el centro de la cuadrcula, rpidamente podremos detectar si existe o no alguna posibilidad de encontrar en esa comparacin alguna sobreclasificacin. Si el valor P+ no iguala o supera al valor P-, sabremos ya con certeza que jams podremos identificar en esa comparacin ninguna sobreclasificacin, con lo que sera una prdida de tiempo intil continuar efectuando clculos adicionales (indicadores de concordancia y discordancia).

HASPNET. Texto bsico.

136

Veamos todo el proceso por medio de un ejemplo: El TTOO OKIAR se haya en estos momentos en la bsqueda de un crecimiento intensivo del mercado turstico espaol que viaja al destino Cuba. Con tal propsito los tcnicos de marketing de la citada empresa han conseguido definir cinco estrategias. Su inters inmediato radica en establecer una jerarqua entre las mismas de tal manera que recoja el orden de importancia para su diseo y puesta en accin. Las estrategias en cuestin son las siguientes: A. Aumentar la cuota de mercado B. Desarrollar la demanda global por el destino Cuba C. Ampliar la gama de productos tursticos que el destino ofrece D. Crear nuevos productos tursticos E. Adoptar nuevos canales de distribucin Estas estrategias sern juzgadas en base a su capacidad para cumplir las exigencias siguientes: a. Crecimiento b. Reduccin de costes c. Beneficio esperado d. Imagen Los altos directivos de esta empresa de turoperacin consideran al crecimiento como el criterio ms importante, siendo, por el contrario, la imagen el de menor importancia, diferencindose en dos puntos y sumando entre ellos un total de diez. Los dos restantes criterios los consideran igual de importantes y reparten diez puntos tambin entre ellos. Han fijado unos niveles de exigencia que sus tcnicos han traducido en los siguientes umbrales: C1=0,8; C2=0,7; C3= 0,6; d1=2; d2=6 Tras sucesivos estudios realizados a tal efecto por distintos departamentos de la empresa, las alternativas han quedado valoradas en distintas escalas, segn los criterios elegidos, en la forma que a continuacin se relaciona: 1. Grado de crecimiento esperado al emplear cada estrategia (escala 020%): A=20%; B=18%; C=8%; D=16%; E=20%. 2. Grado en que se consigue una reduccin de costes (escala 0-10%): A=7%; B=10%; C=7%; D=8%; E=9% 3. Beneficio esperado, en millones de dlares (escala 0-20 millones): A=16; B=10; C=20; D=18; E=8 4. Ventajas de imagen corporativa (escala 0-10%): A=6; B=6; C=8; D=10; E=10 Para comenzar debemos estructurar los datos en el modo que a continuacin se refleja:

HASPNET. Texto bsico.

137

Lo primero que observamos es que las escalas de los criterios son diferentes entre s, por lo cual deberemos proceder, en primer lugar, a homogeneizarlas. De este modo evitaremos la necesidad de fijar diferentes umbrales de discordancia. Los decisores han entendido oportuno proceder en este sentido siguiendo las pautas de una transformacin lineal para conseguir que, finalmente, todos los datos se encuentren en el entorno 0-10 y que reflejen un mismo sentido de valoracin; es decir, valores ms altos debern ser indicativos de mejores opciones que aquellos otros que alcancen cotas ms bajas.

Una vez puesto los datos en una escala uniforme, el paso siguiente debera consistir en aplicar las reglas del modelo para intentar identificar las sobreclasificaciones fuertes y dbiles existentes. Tras hacerlo, el resultado es el que se muestra a continuacin:

Algo parecido podramos haber hecho cuando el indicador de concordancia fuera inferior a 0,6. El menor de los umbrales de concordancia fijados por el decisor es precisamente C3=0,6, lo que hara imposible hallar alguna sobreclasificacin en las comparaciones cuyo Chk no alcanzara esa cifra. A pesar de ello, y en aras de una mayor claridad, hemos preferido calcular los indicadores de discordancia en todos los casos en que se verificaba la primera condicin de sobreclasificacin, con independencia de cul fuera el valor del ndice de concordancia. A continuacin hemos recogido de manera resumida las condiciones de sobreclasificacin que deben darse en el ejemplo para denotar la existencia de alguna sobreclasificacin.

HASPNET. Texto bsico.

138

La primera de ellas, sin embargo, no se ha incluido debido a que en la tabla anterior hemos anulado ya las comparaciones que no la verificaban.

A continuacin se recogen las comparaciones que verifican alguno de los bloques de condiciones anteriores, sealados con la letra "F" los casos en que aparece una sobreclasificacin fuerte, y con una "D" las dbiles:

Grafo de sobreclasificacin La elaboracin en ELECTRA II sigue las mismas pautas ya conocidas para ELECTRA I. Los vrtices o nudos representarn las alternativas de decisin, mientras que los arcos orientados de trazo continuo o discontinuo harn lo propio con respecto a las sobreclasificaciones fuertes y dbiles. El grafo resultante del ejemplo que venimos desarrollando es el que aparece a continuacin:

Este grafo es la base para elaborar con las alternativas las tres clasificaciones con las que se dar por finalizada la aplicacin del mtodo. Dichas clasificaciones las denominaremos "directa", "inversa" y "definitiva". El calificativo asignado a esta

HASPNET. Texto bsico.

139

ltima obedece, simplemente, a que ser la que nos proporcione la jerarquizacin definitiva de las acciones consideradas. Clasificaciones directa, inversa y definitiva Clasificacin directa: Para elaborar la clasificacin directa asociaremos a cada alternativa un valor equivalente al nmero de etapas que posea el camino ms largo que pueda formarse partiendo de los arcos de sobreclasificacin fuerte que entren a la alternativa considerada. Los caminos a los que aludimos son, por tanto, encadenamientos de sobreclasificaciones sucesivas (cada una de ellas ser una "etapa") que partiendo de cualquier nudo del grafo conducen al vrtice representativo de la alternativa que estemos considerando. En esta primera etapa del proceso de clasificacin, los caminos han de formarse exclusivamente con arcos de dominacin fuerte. Sobre la base de los valores asignados a las alternativas se otorgar una posicin a cada una de ellas en la clasificacin. Debemos pensar al respecto que, al haberse obtenido los valores partiendo de arcos entrantes al nudo considerado, aquellas alternativas que hayan conseguido una cifra ms alta, sern precisamente las que hayan sido sobreclasificadas por otras siguiendo una secuencia ms larga. En consecuencia, los valores ms elevados implicarn peores posiciones en la clasificacin, mientras que los ms bajos colocarn a esas alternativas en los primeros puestos de la misma. La tcnica ELECTRA II valora, como vemos, de un modo especial las relaciones de transitividad. Si una alternativa sobreclasifica a otra, y sta a su vez hace lo mismo con una tercera, el mtodo deduce que la primera representa una mejor opcin que la ltima. La mecnica operativa del mtodo no garantiza en absoluto que no se vayan a dar situaciones de empate entre varias alternativas. Para intentar reducir al mnimo esa eventualidad y perfilar lo ms posible la clasificacin, el mtodo propone una actuacin complementaria a la ya comentada. Si, como decimos, nos vemos obligados inicialmente a otorgar una misma posicin a varias alternativas, debemos repetir el mismo proceso de asignacin de valores, pero utilizando ahora indistintamente arcos fuertes y dbiles. Es muy importante, sin embargo, que precisemos una cuestin. Este segundo intento de clasificacin tiene como nica pretensin perfeccionar la ordenacin realizada al principio. Ello significa que, en ningn caso, podr justificarse con este segundo intento una alteracin del orden inicialmente establecido. Su pongamos por ejemplo, que al hacer el primer intyento de clasificacin directa, las alternativas Ah y Ak hubieran quedado empatadas en el segundo puesto de la clasificacin (lo que implicara, por una lado, la existencia de una alternativa en el puesto primero y, por otro, que las siguientes comenzaran a ordenarse a partir del rango cuarto). En aplicacin de las reglas del modelo, intentaramos solventar este problema realizando una segunda asignacin de valores a Ah y Ak considerando simultneamente todos los arcos (fuertes y dbiles). La finalidad de este segundo intento alcanza slo a buscar el modo de repartir los puestos segundo y tercero de la clasificacin. Lo que nunca podr suceder es que Ah o Ak acaben siendo primera o cuarta alternativa, ya que eso significara desvirtuar la clasificacin inicial. Clasificacin inversa: La clasificacin inversa sigue unas pautas de elaboracin idnticas a las de la clasificacin directa. La nica peculiaridad estriba en el hecho de que en esta

HASPNET. Texto bsico.

140

ocasin los caminos deben ser construidos a partir de los arcos salientes y no de los arcos entrantes como antes suceda. Por ello, la asignacin de puestos en la clasificacin, habr de hacerse ahora siguiendo el criterio justamente contrario al seguido en la clasificacin directa: los valores ms altos inducirn a otorgar mejores posiciones que los ms bajos, ya que estamos hablando del dominio que ejerce la alternativa considerada sobre las otras presentes en el grafo. Clasificacin definitiva: La clasificacin definitiva o final se elabora a partir de las que ya hemos construido anteriormente. En esta ocasin asignaremos a cada alternativa un valor equivalente al promedio de los rangos obtenidos por ella en las clasificaciones directa e inversa. Una alternativa ocupar una mejor posicin en la ordenacin final cuanto ms pequea sea esta media de rangos, ya que dicho valor se habr alcanzado, a su vez, a partir de mejores niveles en las clasificaciones previas. Apliquemos lo dicho al ejemplo que venimos desarrollando:

Inicialmente, las mejores acciones clasificadas eran B, D y E, pues ninguna otra ejerca alguna relacin de dominio fuerte sobre ellas (longitud de camino 0). C y A, por su parte, ocupaban las ltimas posiciones en la clasificacin al haber obtenido ambas valor 1 (los caminos formados tenan como mximo una etapa). Al haber empates hemos tenido que proceder a un segundo intento de clasificacin considerando arcos fuertes y dbiles indistintamente. Sobre el mecanismo utilizado para obtener esta segunda etapa obsrvese, por ejemplo, que la alternativa B toma ahora valor 4, ya que ste es el nmero de etapas que posee el camino ms largo que se ha podido construir:

Sin embargo, a pesar de ser el valor ms alto, ha quedado colocada finalmente en el tercer puesto. La razn hay que buscarla en el hecho de que, en la primera clasificacin, la alternativa B qued empatada con otras dos en el primer lugar de la clasificacin y, por tanto, el desempate slo podra haberla llevado a ocupar alguno de los puestos 1o, 2o o 3o, pero nunca el 4o o el 5o.

HASPNET. Texto bsico.

141

La clasificacin inversa sera la recogida en la ltima columna del cuadro anterior. Ha sido obtenida por el mismo procedimiento que la clasificacin directa, aunque utilizando los arcos salientes. Sin embargo, queremos llamar la atencin sobre una cuestin importante. La alternativa D qued colocada desde el principio en el primer puesto de la clasificacin sin que ninguna otra compartiera con ella tal lugar de privilegio. Al no existir empate, hemos obviado para ella el clculo de la longitud de los caminos utilizando arcos fuertes u dbiles, como puede apreciarse en el grfico al haber sombrado el casillero correspondiente.

La clasificacin definitiva es la que nos proporciona la solucin del problema. Las mejores alternativas han resultado ser la D y E, aunque con los criterios usados por el decisor en el problema no ha sido posible establecer un orden claro de prelacin entre ellas. Los puestos 3o, 4o y 5o han sido asignados, respectivamente a las alternativas C, B y A. 5.1.1. Evidencia emprica de la aplicacin del mtodo: En este punto nos proponemos, a travs de un ejemplo basado en un trabajo realizado por una de las autoras del texto (Yakeln Corzo Snchez) en el Hotel Club Kawama, ilustrar cmo se puede construir un ranking de productos utilizando el mtodo Electra. Por razones de espacio, se omiten aqu los pasos del procedimiento diseado para identificar las unidades de anlisis, los criterios de decisin as como el utilizado para el clculo de la ponderacin de los mismos.

HASPNET. Texto bsico.

142

Una vez obtenidos, con sus respectivos pesos y las evaluaciones de cada alternativa en cada criterio se debe procesar esa informacin y para ello se utiliz el mtodo de sobrecalificacin o superioridad Electre I, el cual permite acumular argumentos que sustenten la afirmacin de que tal o cual alternativa es superior a otra con la que se est comparando. Como se ha explicado anteriormente este mtodo realiza el test de concordancia y el de discordancia. La matriz de ndices de Concordancia se muestra a continuacin: PV BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB BRT
,,, 0,7292 1 1 0,9161 0,8806

REB
0,2708 ,,, 1 1 1 1

RGC
0 0 ,,, 0,2708

RR
0 0 ,,,

LBF
0

BLC
0

BP41 BC413 BPED


0,5378 0,1514 0,5378 0,5378 0,5378 0,5378 0,5378 ,,, 0,5378 0,1514 0,1514 0,3409 0,1533

DK

SBPC SBPB
0 0

0,0839 0,1194 0,1194

0,1194 0,6953 0,1194 0,0000 0,5759 0,0000 0,8068 0,4241 0,4622 0,8105 1 1 1 1

0,7292 0,7750 0,4603 0,2727 0,4241 0,2708 0,4241 ,,, 0,2250 0,3783 ,,, 0,1888 ,,,

0,4241 0,5378 0,4241 0,5798 0,4622 0,5378 0,7348 0,5378

0,2250 0,5759

0,5397 0,7292 0,7750

0,8806 0,8467 0,7273 0,5759 0,6217 0,8112 0,8806 0,8806 1 1 1 1

0,8112 0,8467 0,4248 0,5378 0,4622 0,8486 0,4622 0,2727 ,,, 0 0,4622 1 ,,, 1 0,2727 0,5378 0,1533 ,,, 0,4622 0 0,1514 ,,,

0,8486 0,8486 0,4622 0,4622 0,4622 0,4622 0,4622 0,1932 0,5759 0,5378 0,1895 0,1888 0 0 0 0 0 0 0,1533 0,1514 0,0757 0,5752 0,3047 0,4241

0,5378 0,8467

0,4622 0,4203 0,4622 0,4622 0,4622

El test de discordancia se aplica a partir de la Matriz de Decisin Normalizada y Ponderada. PV / Criterios Buffet Restaurant La Tasca Restaurant El Brocal Restaurant Gran Canal Restaurant Rissolino Lobby Bar Fortuna Bar La Colina Bar Piscina El 41 Bar Cubano 413 Bar Piscina El Dorado Disco Kawama Snack Bar Playa El Candil Snack Bar Playa El Brocal RP 0.0030 0.0026 0.0030 0.0031 0.0030 0.0029 0.0028 0.0032 0.0029 0.0028 0.0029 0.0032 PT 0.0149 0.0153 0.0160 0.0154 0.0164 0.0158 0.0162 0.0165 0.0159 0.0142 0.0161 0.0167 CO 0.0296 0.0308 0.0329 0.0325 0.0326 0.0339 0.0343 0.0320 0.0329 0.0290 0.0338 0.0321 VO 0.0117 0.0119 0.0133 0.0133 0.0132 0.0135 0.0119 0.0137 0.0124 0.0124 0.0122 0.0137 P 0.0072 0.0057 0.0075 0.0076 0.0070 0.0070 0.0072 0.0077 0.0066 0.0061 0.0066 0.0076 H 0.0115 0.0115 0.0137 0.0141 0.0120 0.0136 0.0139 0.0114 0.0124 0.0117 0.0136 0.0118

La matriz de ndices de discordancia queda conformada de la siguiente manera: PV BRT REB RGC RR LBF BLC BP41 BC413 BPED BRT
,,, 1 0 0 0,0954 0,0442

REB
0,7762 ,,,, 0 0 0 0

RGC
1 1 ,,, 1 1

RR
1 1 ,,, 1

LBF
1 1 0,4813 ,,,

BLC BP41 BC413 BPED


1 1 1 1 1 ,,, 1 1 1 1 1 1 1 1 0,1849 ,,, 1 1 1 1 0,2165 0,434 1 0,2742 0,7 ,,, 1 1 1 0 0,3294 0,4746 0,1204

DK
0,5638 0,2518 0 0 0 0

SBPC SBPB
1 1 1 1 1 1 0,5833 1

0,5885 0,1978

0,8321 0,3441

0,4662 0,3905 0,3655 1 1 1 1 0,8555 1

0,2834 0,3133 1 1 1 1

0,0281 0,0153 0,9937 0,7748 0,6667 0,0615 0,0520 0,1857 0

0,2967 0,0833 0,5162 0,8309 0,9695 0,1149 ,,, 0

HASPNET. Texto bsico.

143


1 1 1 1 0,6187 0,6118 1 1 1 1 1 1 1 0,4632 0,1216 1 0,5554 ,,, 0 1 ,,, 1 1 0,5508 ,,,

DK 1 SBPC 0,1456 SBPB 0

1 0 0

1 1 1

0,1455 0,0339

El umbral mnimo para el ndice de concordancia (c) es igual a 0.4796, calculado con los valores medios de la Matriz de Indicadores de Concordancia. El umbral mximo para el ndice de discordancia (d) es igual a 0.6515, calculado con los valores medios de los elementos de la Matriz de Indicadores de Discordancia.

A continuacin se obtuvo la Matriz de Dominancia Concordante: Puntos de ventas BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB 0 0 0 0 0 0 1 0 1 0 0 BRT 1 0 0 0 0 0 0 0 1 0 0 REB 1 1 1 1 0 0 1 1 1 0 1 RGC 1 1 0 0 0 0 1 0 1 0 1 RR 1 1 0 1 0 0 1 0 1 0 1 LBF 1 1 1 1 1 0 1 1 1 1 1 BLC 1 1 1 1 1 1 1 1 1 0 1 BP41 1 1 0 0 0 0 0 0 1 0 0 BC413 1 1 0 1 1 0 0 1 1 0 1 BPED 0 0 0 0 0 0 0 0 0 0 0 DK 1 1 0 0 0 0 1 0 1 1 0 SBPC 1 1 0 0 0 0 0 0 0 1 0 SBPB Y posteriormente se calcul la Matriz de Dominancia Discordante: Puntos de BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB ventas 0 0 0 0 0 0 0 0 1 0 0 BRT 0 0 0 0 0 0 0 0 1 0 0 REB 1 1 . 1 1 0 0 1 1 1 0 1 RGC 1 1 0 . 1 0 0 1 1 1 0 1 RR 1 1 0 0 0 0 0 1 1 0 0 LBF 1 1 1 1 1 . 1 1 1 1 1 1 BLC 1 1 0 0 0 0 0 1 1 1 0 BP41 1 1 0 0 0 0 0 0 1 0 0 BC413 1 1 0 0 0 0 0 0 1 0 0 BPED 0 0 0 0 0 0 0 0 0 0 0 DK 1 1 0 0 1 0 0 1 1 1 1 SBPC 1 1 0 0 1 0 0 1 1 1 0 . SBPB A partir de las matrices anteriores se obtiene la Matriz de Dominancia Agregada. Puntos de ventas BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB 0 0 0 0 0 0 0 0 1 0 0 BRT 0 0 0 0 0 0 0 0 1 0 0 REB 1 1 1 1 0 0 1 1 1 0 1 RGC

HASPNET. Texto bsico.

144


0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 1 0 0 1 0 1 1 1 1 1 1 . 1 1 0 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0

RR LBF BLC BP41 BC413 BPED DK SBPC SBPB

1 1 1 1 1 1 0 1 1

1 1 1 1 1 1 0 1 1

0 0 1 0 0 0 0 0 0

Finalmente para realizar el ordenamiento de las alternativas se hace necesario calcular la fuerza y la debilidad, para con estos datos obtener el ndice de calidad de cada alternativa y sucesivamente el ordenamiento. Alternativas Buffet Restaurant La Tasca Restaurant El Brocal Restaurant Gran Canal Restaurant Rissolino Lobby Bar Fortuna Bar La Colina Bar Piscina El 41 Bar Cubano 413 Bar Piscina El Dorado Disco Kawama Snack Bar Playa El Candil Snack Bar Playa El Brocal Fuerza Debilidad 1 1 8 5 3 10 4 3 3 0 4 3 9 9 1 2 2 0 0 3 4 11 1 3 ndice de Ordenamiento Calidad -8 10 -8 10 7 2 3 4 1 6 10 1 4 3 0 7 -1 9 -11 12 3 4 0 7

O sea, el ranking de los puntos de ventas del Hotel Club Kawama queda como se muestra a continuacin: Orden 1 2 3 4 4 6 7 7 9 10 10 12 5.2. Mtodo Promethee Puntos de ventas Bar La Colina Restaurant Gran Canal Bar Piscina El 41 Restaurant Rissolino Snack Bar Playa El Candil Lobby Bar Fortuna Snack Bar Playa El Brocal Bar Cubano 413 Bar Piscina El Dorado Buffet Restaurant La Tasca Restaurant El Brocal Disco Kawama

El mtodo Promethee (Preference Ranking Organization Method for Enrichment

Evaluations) es uno de los ms recientes dentro de la categora de los mtodos de relaciones de sobrecalificacin.

HASPNET. Texto bsico.

145

Su referencia primera es Brane et.al. (1984), an cuando existen aplicaciones anteriores, que son citadas por estos autores. Sus aplicaciones comienzan a ser numerosas con una especial predileccin por problemas de ubicacin: plantas hidroelctricas, instalaciones comerciales en un ambiente competitivo (Karkazis, 1989), depsitos de desechos (Briggs et.al. 1990). El objetivo esencial y declarado de este mtodo es el de hacerlo fcilmente comprensible por el decisor, siendo efectivamente uno de los ms intuitivos de la Decisin Multicriterio Discreta. Promethee hace uso abundante del concepto de pseudocriterio. As, consideremos un cierto criterio j minimizante y dos alternativas ai=(ai1, ai2,...,ain) y ak=(ak1, ak2,...,akn), donde como de costumbre aij=Uj(ai). Se propone que aijakj, para saber cmo se sitan las dos alternativas con respecto al criterio j, puede definirse dik=aij-akj y a continuacin la funcin de preferencia relativa aj:

Basta considerar un umbral q>0, al que llamaremos umbral de indiferencia y definir:

Para evitar el salto de 0 a 1, introducimos dos umbrales, q (indiferencia) y p (preferencia estricta), y el pseudocriterio con preferencia lineal:

Con esta definicin, Sj(dik) es una funcin de [0,1] en [0,1] sin salto brusco. Puede verse representada grficamente en la figura 1, donde tambin aparecen otros tipos de funcin Sj(dik) posibles de utilizar.

HASPNET. Texto bsico.

146

Una vez decidido por el decisor el tipo de peseudo-criterio que deben utilizar para cada criterio j, puede calcularse el ndice de preferencia Cik, suponiendo que los pesos Wj son conocidos y estn ya normalizados:

Proposicin 17.1: El ndice de preferencia Cik es nulo si y solamente si ai es indiferente a ak para todos los criterios; Cik es igual a 1 si y solamente si ai es estrictamente preferida a ak para todos los criterios. La informacin obtenida hasta el momento puede representarse fcil y tilmente bajo forma de grafo, y sobre l calcular los flujos entrantes, salientes y netos en cada nodo (alternativa) del mismo. Definicin 17.1: Denominamos:

HASPNET. Texto bsico.

147

Definicin 17.2: El mtodo Promethee I:

En cualquier otro caso ai no supera a ak. De la definicin 17.2 resulta que la anterior relacin es un orden parcial. Si quiere obtenerse un orden total, el siguiente mtodo Promethee II lo consigue utilizando los flujos netos. Definicin 17.3: El mtodo Promethee II: ai supera a ak, si ik Un sencillo ejemplo nos va a permitir ilustrar los resultados anteriores: Ejemplo 17.1: Seleccin del Personal (Mtodo Promethee):

Supongamos as mismo, a fin de ilustrar esta importante faceta del mtodo que el criterio No.3: Edad, lo consideramos como un Pseudo-criterio con preferencia lineal de parmetros p=5 y q=0 (un pseudo-criterio tipo 3, en la terminologa del promethee). Los otros criterios permanecen como criterios "normales". Podemos calcular ya los ndices de preferencia Cik de los candidatos (alternativas), as como los flujos salientes i+ y entrantes i- . Los resultados se muestran a continuacin:

HASPNET. Texto bsico.

148

Con los datos anteriores, Promethee I concluira que: A2 A3 A4 A5 A6 supera supera supera supera supera a a a a a A 1, A 3, A 4 y A 6 A 1, A 4 y A 6 A1 A 1, A 2, A 3, A 4 y A 6 A1

Este resultado se visualiza en el grafo que a continuacin se muestra:

Finalmente, si calculamos el flujo neto i= i+- i-, para aplicar el Promethee II y obtener un orden completo, se obtiene la ordenacin final: A5>A2> A3> A4>A6>A1.

5.2.1. Evidencia emprica de la aplicacin del mtodo: Al igual que en el caso anterior, en este punto nos proponemos, a travs de un ejemplo basado en un trabajo realizado por una de las autoras del texto (Yakeln Corzo Snchez) en el Hotel Club Kawama, ilustrar cmo se puede construir un ranking de productos utilizando el mtodo Promethee. Por razones de espacio, se omiten aqu los pasos del procedimiento diseado para identificar las unidades de anlisis, los criterios de decisin as como el utilizado para el clculo de la ponderacin de los mismos.

HASPNET. Texto bsico.

149

Una vez que se obtuvieron los criterios, con sus respectivos pesos y las evaluaciones de cada alternativa en cada criterio se procedi procesar esa informacin y utilizando el mtodo Promethee. La Matriz de entrada de datos qued conformada como a continuacin se muestra: W definitivo MDI 1 BRT 2 REB 3 RGC 4 RR 5 LBF 6 BLC 7 BP41 8 BC413 9 BPED 10 DK 11 SBPC 12 SBPB 0.0355 RS 4.17 3.67 4.22 4.35 4.27 4.17 3.98 4.57 4.14 3.98 4.11 4.56 0.1895 PT 3.95 4.05 4.24 4.06 4.33 4.17 4.29 4.37 4.21 3.76 4.27 4.41 0.3864 CO 3.68 3.83 4.09 4.04 4.05 4.22 4.27 3.98 4.09 3.61 4.21 4.00 0.1533 VO 3.78 3.85 4.30 4.30 4.26 4.36 3.84 4.42 3.99 3.98 3.93 4.40 0.0839 P 4.29 3.37 4.46 4.51 4.12 4.18 4.24 4.54 3.93 3.63 3.92 4.51 0.1514 H 3.60 3.58 4.28 4.40 3.74 4.26 4.35 3.55 3.86 3.66 4.26 3.69

A continuacin se realizaron una serie de clculos para saber cmo se sitan dos alternativas con respecto a un criterio. dik=aij-akj
Para C1 RS 1 2 3 4 5 6 7 8 9 10 11 12 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB Para C2 PT 1 2 3 4 5 6 7 8 BRT REB RGC RR LBF BLC BP41 BC413 BRT -0.50 0.05 0.18 0.09 0.00 -0.19 0.40 -0.03 -0.19 -0.06 0.39 BRT 0.10 0.29 0.11 0.38 0.22 0.34 0.42 REB 0.50 0.55 0.68 0.59 0.49 0.31 0.90 0.47 0.31 0.44 0.89 REB -0.10 0.19 0.01 0.28 0.12 0.24 0.32 RGC -0.05 -0.55 0.13 0.05 -0.05 -0.24 0.35 -0.08 -0.24 -0.11 0.34 RGC -0.29 -0.19 -0.18 0.09 -0.07 0.05 0.13 RR -0.18 -0.68 -0.13 -0.08 -0.18 -0.37 0.22 -0.21 -0.37 -0.24 0.21 RR -0.11 -0.01 0.18 0.27 0.11 0.23 0.31 LBF -0.09 -0.59 -0.05 0.08 -0.10 -0.29 0.30 -0.13 -0.29 -0.16 0.29 LBF -0.38 -0.28 -0.09 -0.27 -0.16 -0.04 0.04 BLC 0.00 -0.49 0.05 0.18 0.10 -0.19 0.40 -0.03 -0.19 -0.06 0.39 BLC -0.22 -0.12 0.07 -0.11 0.16 0.12 0.20 BP41 0.19 -0.31 0.24 0.37 0.29 0.19 0.59 0.16 0.00 0.13 0.58 BP41 -0.34 -0.24 -0.05 -0.23 0.04 -0.12 0.08 BC413 -0.40 -0.90 -0.35 -0.22 -0.30 -0.40 -0.59 -0.43 -0.59 -0.46 -0.01 BC413 -0.42 -0.32 -0.13 -0.31 -0.04 -0.20 -0.08 BPED 0.03 -0.47 0.08 0.21 0.13 0.03 -0.16 0.43 -0.16 -0.03 0.42 BPED -0.26 -0.16 0.03 -0.15 0.12 -0.04 0.08 0.16 DK 0.19 -0.31 0.24 0.37 0.29 0.19 0.00 0.59 0.16 0.13 0.58 DK 0.19 0.29 0.48 0.30 0.57 0.41 0.53 0.61 SBPC 0.06 -0.44 0.11 0.24 0.16 0.06 -0.13 0.46 0.03 -0.13 0.45 SBPC -0.32 -0.22 -0.03 -0.21 0.06 -0.10 0.02 0.10 SBPB -0.39 -0.89 -0.34 -0.21 -0.29 -0.39 -0.58 0.01 -0.42 -0.58 -0.45 SBPB -0.46 -0.36 -0.17 -0.35 -0.08 -0.24 -0.12 -0.04

HASPNET. Texto bsico.

150


0.15 -0.30 0.21 0.35 -0.12 -0.57 -0.06 0.08 0.04 -0.41 0.10 0.24 -0.08 -0.53 -0.02 0.12 -0.16 -0.61 -0.10 0.04 -0.45 0.06 0.20 0.45 0.51 0.65 -0.06 -0.51 0.14 -0.20 -0.65 -0.14

9 10 11 12

BPED DK SBPC SBPB Para C2 PT

0.26 -0.19 0.32 0.46

0.16 -0.29 0.22 0.36

-0.03 -0.48 0.03 0.17

BRT 0.10 0.29 0.11 0.38 0.22 0.34 0.42 0.26 -0.19 0.32 0.46

REB -0.10 0.19 0.01 0.28 0.12 0.24 0.32 0.16 -0.29 0.22 0.36

RGC -0.29 -0.19 -0.18 0.09 -0.07 0.05 0.13 -0.03 -0.48 0.03 0.17

RR -0.11 -0.01 0.18 0.27 0.11 0.23 0.31 0.15 -0.30 0.21 0.35

LBF -0.38 -0.28 -0.09 -0.27 -0.16 -0.04 0.04 -0.12 -0.57 -0.06 0.08

BLC -0.22 -0.12 0.07 -0.11 0.16 0.12 0.20 0.04 -0.41 0.10 0.24

BP41 -0.34 -0.24 -0.05 -0.23 0.04 -0.12 0.08 -0.08 -0.53 -0.02 0.12

BC413 -0.42 -0.32 -0.13 -0.31 -0.04 -0.20 -0.08 -0.16 -0.61 -0.10 0.04

BPED -0.26 -0.16 0.03 -0.15 0.12 -0.04 0.08 0.16 -0.45 0.06 0.20

DK 0.19 0.29 0.48 0.30 0.57 0.41 0.53 0.61 0.45 0.51 0.65

SBPC -0.32 -0.22 -0.03 -0.21 0.06 -0.10 0.02 0.10 -0.06 -0.51 0.14

SBPB -0.46 -0.36 -0.17 -0.35 -0.08 -0.24 -0.12 -0.04 -0.20 -0.65 -0.14

1 2 3 4 5 6 7 8 9 10 11 12

BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB

Para C4 VO 1 2 3 4 5 6 7 8 9 10 11 12 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB

BRT 0.07 0.52 0.52 0.48 0.58 0.06 0.64 0.21 0.20 0.15 0.62

REB -0.07 0.45 0.45 0.41 0.51 -0.01 0.57 0.14 0.13 0.08 0.55

RGC -0.52 -0.45 0.00 -0.04 0.06 -0.46 0.12 -0.31 -0.32 -0.37 0.10

RR -0.52 -0.45 0.00 -0.04 0.06 -0.46 0.12 -0.31 -0.32 -0.37 0.10

LBF -0.48 -0.41 0.04 0.04 0.10 -0.42 0.16 -0.27 -0.28 -0.33 0.14

BLC -0.58 -0.51 -0.06 -0.06 -0.10 -0.52 0.06 -0.37 -0.38 -0.43 0.04

BP41 -0.06 0.01 0.46 0.46 0.42 0.52 0.58 0.15 0.14 0.09 0.56

BC413 -0.64 -0.57 -0.12 -0.12 -0.16 -0.06 -0.58 -0.43 -0.44 -0.49 -0.02

BPED -0.21 -0.14 0.31 0.31 0.27 0.37 -0.15 0.43 -0.01 -0.06 0.41

DK -0.20 -0.13 0.32 0.32 0.28 0.38 -0.14 0.44 0.01 -0.05 0.42

SBPC -0.15 -0.08 0.37 0.37 0.33 0.43 -0.09 0.49 0.06 0.05 0.47

SBPB -0.62 -0.55 -0.10 -0.10 -0.14 -0.04 -0.56 0.02 -0.41 -0.42 -0.47

Para C5 P 1 2 3 4 5 6 7 8 BRT REB RGC RR LBF BLC BP41 BC413

BRT -0.92 0.17 0.22 -0.17 -0.11 -0.05 0.25

REB 0.92 1.09 1.14 0.75 0.81 0.87 1.17

RGC -0.17 -1.09 0.05 -0.34 -0.28 -0.22 0.08

RR -0.22 -1.14 -0.05 -0.39 -0.33 -0.27 0.03

LBF 0.17 -0.75 0.34 0.39 0.06 0.12 0.42

BLC 0.11 -0.81 0.28 0.33 -0.06 0.06 0.36

BP41 0.05 -0.87 0.22 0.27 -0.12 -0.06 0.30

BC413 -0.25 -1.17 -0.08 -0.03 -0.42 -0.36 -0.30

BPED 0.36 -0.56 0.53 0.58 0.19 0.25 0.31 0.61

DK 0.66 -0.26 0.83 0.88 0.49 0.55 0.61 0.91

SBPC 0.37 -0.55 0.54 0.59 0.20 0.26 0.32 0.62

SBPB -0.22 -1.14 -0.05 0.00 -0.39 -0.33 -0.27 0.03

HASPNET. Texto bsico.

151


-0.19 -0.49 -0.20 0.39 -0.25 -0.55 -0.26 0.33 -0.31 -0.61 -0.32 0.27 -0.61 -0.91 -0.62 -0.03 -0.30 -0.01 0.58 0.30 0.29 0.88 0.01 -0.29 0.59 0.56 -0.88 -0.59

9 10 11 12

BPED DK SBPC SBPB

-0.36 -0.66 -0.37 0.22

0.56 0.26 0.55 1.14

-0.53 -0.83 -0.54 0.05

-0.58 -0.88 -0.59 0.00

Para C6 H 1 2 3 4 5 6 7 8 9 10 11 12 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB

BRT

REB 0.02

RGC -0.68 -0.70 0.12 -0.54 -0.02 0.07 -0.73 -0.42 -0.62 -0.02 -0.59

RR -0.80 -0.82 -0.12 -0.66 -0.14 -0.05 -0.85 -0.54 -0.74 -0.14 -0.71

LBF -0.14 -0.16 0.54 0.66 0.52 0.61 -0.19 0.12 -0.08 0.52 -0.05

BLC -0.66 -0.68 0.02 0.14 -0.52

BP41 -0.75 -0.77 -0.07 0.05 -0.61 -0.09

BC413 0.05 0.03 0.73 0.85 0.19 0.71 0.80

BPED -0.26 -0.28 0.42 0.54 -0.12 0.40 0.49 -0.31

DK -0.06 -0.08 0.62 0.74 0.08 0.60 0.69 -0.11 0.20

SBPC -0.66 -0.68 0.02 0.14 -0.52 0.00 0.09 -0.71 -0.40 -0.60

SBPB -0.09 -0.11 0.59 0.71 0.05 0.57 0.66 -0.14 0.17 -0.03 0.57

-0.02 0.68 0.80 0.14 -0.74 0.75 -0.05 0.26 0.06 0.66 0.09 0.70 0.82 0.16 0.68 0.77 -0.03 0.28 0.08 0.68 0.11

0.09 -0.71 -0.40 -0.60 0.00 -0.57 -0.80 -0.49 -0.69 -0.09 -0.66

0.31 0.11 0.71 0.14

-0.20 0.40 -0.17

0.60 0.03 -0.57

Para evitar el salto de 0 a 1, se introducen dos umbrales, q (indiferencia) y p (preferencia estricta), y el pseudocriterio con preferencia lineal:

Se tomar un valor de q=0.3 y p=0.7 A continuacin se representa la funcin Sj(dik) para cada criterio
S1(dik) 1 2 3 4 5 6 7 8 9 10 11 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC BRT 0.00 0.00 0.00 0.00 0.00 0.00 0.24 0.00 0.00 0.00 REB 0.49 0.62 0.94 0.73 0.49 0.01 1.00 0.41 0.01 0.34 RGC 0.00 0.00 0.00 0.00 0.00 0.00 0.12 0.00 0.00 0.00 RR LBF BLC 0.00 0.00 0.00 0.00 0.00 0.00 0.25 0.00 0.00 0.00 BP41 0.00 0.00 0.00 0.18 0.00 0.00 0.73 0.00 0.00 0.00 BC413 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 BPED 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.33 0.00 0.00 DK 0.00 0.00 0.00 0.18 0.00 0.00 0.00 0.73 0.00 0.00 SBPC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.40 0.00 0.00 SBPB 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.00 0.00 0.00 0.00

HASPNET. Texto bsico.

152


0.00 0.00 0.23 0.70 0.00 0.30 0.70 0.37

12

SBPB

0.22

1.00

0.10

S2(dik) 1 2 3 4 5 6 7 8 9 10 11 12 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB

BRT 0.00 0.00 0.00 0.20 0.00 0.10 0.30 0.00 0.00 0.05 0.40

REB 0.00 0.00 0.00 0.00 0.00 0.00 0.05 0.00 0.00 0.00 0.15

RGC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

RR

LBF

BLC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BP41 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BC413 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BPED 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

DK 0.00 0.00 0.45 0.00 0.68 0.28 0.58 0.78 0.38 0.52 0.88

SBPC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

SBPB 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.03 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.13 0.00

S3(dik) 1 2 3 4 5 6 7 8 9 10 11 12 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB

BRT 0.00 0.27 0.15 0.17 0.60 0.72 0.01 0.27 0.00 0.58 0.05

REB 0.00 0.00 0.00 0.00 0.22 0.35 0.00 0.00 0.00 0.20 0.00

RGC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

RR

LBF

BLC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BP41 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BC413 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BPED 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

DK 0.00 0.00 0.45 0.32 0.35 0.77 0.90 0.18 0.45 0.75 0.22

SBPC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

SBPB 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

S4(dik) 1 2 3 4 5 6 7 8 9 10 11 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC

BRT

REB 0.00

RGC

RR

LBF 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BLC 0.00 0.00 0.00 0.00 0.00

BP41 0.00 0.00 0.40 0.40 0.30 0.55

BC413 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BPED 0.00 0.00 0.02 0.02

DK 0.00 0.00 0.05 0.05

SBPC 0.00 0.00 0.17 0.17 0.07 0.33 0.00 0.47 0.00 0.00

SBPB 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.55 0.55 0.45 0.70 0.00 0.85 0.00 0.00 0.00 0.37 0.37 0.27 0.53 0.00 0.68 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 -0.05 0.18 0.00 0.32 0.20 0.00 0.35 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.70 0.00 0.00 0.00

HASPNET. Texto bsico.

153


0.00 0.00 0.65 0.00 0.28 0.30 0.43

12

SBPB

0.80

0.63

0.00 0.00

S5(dik) 1 2 3 4 5 6 7 8 9 10 11 12 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB

BRT 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

REB 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.65 0.00 0.63 1.00

RGC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

RR

LBF

BLC 0.00 0.00 0.00 0.08 0.00 0.00 0.15 0.00 0.00 0.00 0.08

BP41 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BC413 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BPED 0.15 0.00 0.58 0.70 0.00 0.00 0.03 0.78 0.00 0.00 0.70

DK 0.90 0.00 1.00 1.00 0.48 0.63 0.78 1.00 0.00 0.00 1.00

SBPC 0.18 0.00 0.60 0.73 0.00 0.00 0.05 0.80 0.00 0.00 0.73

SBPB 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.65 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.22

0.00 0.00 0.00 0.00 0.00 0.30 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.22

S6(dik) 1 2 3 4 5 6 7 8 9 10 11 12 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK SBPC SBPB

BRT 0.00 0.95 1.00 0.00 0.00 1.00 0.00 0.00 0.00 0.90 0.00

REB 0.00 1.00 1.00 0.00 0.95 1.00 0.00 0.00 0.00 0.95 0.00

RGC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

RR

LBF

BLC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BP41 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

BC413 0.00 0.00 1.00 1.00 0.00 1.00 1.00 0.00 0.00 1.00 0.00

BPED 0.00 0.00 0.30 0.60 0.00 0.25 0.47 0.00 0.00 0.25 0.00

DK 0.00 0.00 0.80 1.00 0.00 0.75 0.97 0.00 0.00 0.75 0.00

SBPC 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

SBPB 0.00 0.00 0.73 1.00 0.00 0.68 0.90 0.00 0.00 0.00 0.68

0.00 0.00 0.00 0.00 0.00 0.60 0.00 0.90

0.00 0.55 0.00 0.77 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.55 0.00 0.00

En la siguiente tabla se muestra el ndice de preferencia Cik obtenido para cada comparacin pareada.
Cik 1 2 3 4 5 6 7 8 9 10 BRT REB RGC RR LBF BLC BP41 BC413 BPED DK BRT REB 0.10 RGC RR LBF 0.00 0.00 0.10 0.16 BLC 0.00 0.00 0.00 0.01 0.00 BP41 0.00 0.00 0.06 0.07 0.05 0.08 BC413 0.00 0.00 0.15 0.15 0.00 0.15 0.15 BPED DK SBPC 0.01 0.00 0.08 0.09 0.01 0.05 0.00 0.15 0.00 0.00 SBPB 0.00 0.00 0.11 0.15 0.00 0.10 0.14 0.00 0.05 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.08 0.00 0.00 0.10 0.47 0.15 0.37 0.00 0.29 0.06 0.55 0.07 0.67 0.13 0.38 0.00 0.00 0.24 0.00

0.00 0.33 0.29 0.17 0.34 0.45 0.20 0.11 0.00

0.31 0.33 0.15 0.41 0.37 0.23 0.07 0.00

0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.08 0.12 0.03 0.00 0.00

0.00 0.02 0.00 0.00 0.13 0.00 0.00

HASPNET. Texto bsico.

154


0.08 0.02 0.00 0.01 0.00 0.12 0.15 0.00 0.04 0.50 0.11 0.41 0.14 0.10

11 12

SBPC SBPB

0.37 0.23

0.29 0.24

0.00 0.00 0.00 0.02

Finalmente para realizar el ordenamiento de las alternativas se hace necesario calcular el flujo saliente (poder) y el flujo entrante (debilidad) de cada alternativa, para con estos datos obtener el flujo neto y sucesivamente el ordenamiento.
Alternativas Buffet Restaurant La Tasca Restaurant El Brocal Restaurant Gran Canal Restaurant Rissolino Lobby Bar Fortuna Bar La Colina Bar Piscina El 41 Bar Cubano 413 Bar Piscina El Dorado Disco Kawama Snack Bar Playa El Candil Snack Bar Playa El Brocal Saliente Entrante 0.2042 0.0000 1.7166 1.7668 0.6787 1.8348 1.9734 1.2831 0.4743 0.0005 1.5304 1.3117 2.4918 2.5087 0.0078 0.0284 0.5826 0.0422 0.5167 0.7570 0.6779 3.9666 0.5385 0.6564 Flujo neto Ordenamiento -2.2875 -2.5087 1.7088 1.7384 0.0961 1.7926 1.4567 0.5261 -0.2036 -3.9662 0.9919 0.6554 10 11 3 2 8 1 4 7 9 12 5 6

O sea, el ranking de los puntos de ventas de Club Kawama queda como se muestra a continuacin: Orden Puntos de ventas 1 Bar La Colina 2 Restaurant Rissolino 3 Restaurant Gran Canal 4 Bar Piscina El 41 5 Snack Bar Playa El Candil 6 Snack Bar Playa El Brocal 7 Bar Cubano 413 8 Lobby Bar Fortuna 9 Bar Piscina El Dorado 10 Buffet Restaurant La Tasca 11 Restaurant El Brocal 12 Disco Kawama Si se comparan estos resultados con los obtenidos aplicando el mtodo Electra, se podr comprobar que los ordenamientos no difieren mucho.

HASPNET. Texto bsico.

155

C
En

aptulo VI: Modelo EVALPROC para la Medicin de la Calidad del Servicio. Caso Hotelero.

este captulo se expone un Modelo de medicin EVALPROC, as como el conjunto de pasos que implica la realizacin de la estrategia de la validacin del mismo y de los procedimientos que le son inherentes. Se destaca, adems la utilizacin que se realiza de una escala de tipo dicotmica y el enfoque a procesos que le es inherente al modelo propuesto. 6.1. Sobre el Mtodo EVALPROC

es un mtodo de medicin y evaluacin de la calidad del servicio constituido en su formulacin semntica por dos palabras claves: Evaluacin + Proceso, indicando con ello que el enfoque esencial del mismo se soporta en la teora de sistema a la que le es consustancial la consideracin del enfoque a proceso. Esta ltima consideracin lo distingue del resto de los mtodos de evaluacin de la calidad conocidos, sean aquellos que se fundamentan en el paradigma disconfirmatorio o aquellos que se basan en el paradigma de la percepcin (Fras, et al, 2005). La mayora de tales mtodos enfoca la medicin y evaluacin de la calidad desde dos perspectivas: 1. En el caso de los modelos que se basan en la teora de las discrepancias el enfoque de la evaluacin se apoya en la comparacin entre inputs y outputs, no considerando el proceso como tal. Estos modelos definen la calidad como calidad percibida y a sta como la diferencia entre expectativas y percepciones. 2. En el caso de los modelos que se basan slo en la teora de la percepcin, el enfoque de la evaluacin se apoya en los outputs, no considerando tampoco al proceso como tal. Estos modelos definen la calidad como calidad percibida y a sta como percepcin. El Modelo EVALPROC supera a ambos enfoques por cuanto no slo considera inputs y output, sino que incorpora al proceso como tal y establece el concepto de cadena y de relaciones causa-efecto, al considerar los outputs como funcin del proceso, a ste como funcin de la estructura y a sta como funcin de los inputs, sin descartar la existencia de relaciones entre cada elemento y los outputs. Esta idea se puede apreciar mejor en la figura siguiente:
Si stema de Rel aci ones que establ ece EVALPROC

EVALPROC

INPUTS

ESTRUCTURA

PROCESO

OUTPUTS

OUTPUTS = (Proceso, Estructura, Inputs)

Del grfico se deriva un conjunto de proposiciones que revelan las potencialidades y la capacidad generativa del Modelo: P1: Si existen relaciones de dependencia, entonces se debe cumplir que a mejor comportamiento del proceso, mejor comportamiento de los OUTPUTS.

HASPNET. Texto bsico.

156

P2: Si existen relaciones de dependencia, entonces se debe cumplir que a mejor comportamiento de la estructura, mejor comportamiento del Proceso. P3: Si existen relaciones de dependencia, entonces se debe cumplir que a mejor comportamiento de los INPUTS, mejor comportamiento de la ESTRUCTURA. Segn Snchez Parodi y Ladrn de Guevara, (2005), un proceso puede ser definido como un conjunto de actividades interrelacionadas entre si que, a partir de una o varias entradas de materiales o informacin, dan lugar a una o varias salidas tambin de materiales o informacin con valor aadido para un usuario. En otras palabras es la manera en que se hacen las cosas en la Organizacin. El punto de partida para el xito organizacional, es tener procesos bien diseados. Estos autores apuntan, adems, un elemento que es de vital importancia para el enfoque que proponemos nosotros en el captulo en cuestin y es que para entender en los procesos las relaciones entre las actividades del sistema debemos ayudarnos de la modelacin de estos. Un modelo es una representacin de una realidad compleja. Realizar el modelado de un proceso es sintetizar las relaciones dinmicas que en l existen, probar sus premisas y predecir sus efectos. Estas tcnicas se han desarrollado para facilitar la comunicacin y la captura de informacin para un mejor estudio. Ms adelante sealan que Modelar es desarrollar una descripcin lo ms exacta posible de un sistema y de las actividades llevadas a cabo en l. Cuando un proceso es modelado, con ayuda de una representacin grfica (diagrama de proceso), pueden apreciarse con facilidad las interrelaciones existentes entre distintas actividades, analizar cada actividad, definir los puntos de contacto con otros procesos, as como identificar los subprocesos comprendidos. Al mismo tiempo, los problemas existentes pueden ponerse de manifiesto claramente dando la oportunidad al inicio de acciones de mejora. Siguiendo una metodologa basada en IDEF, que es la Integration Definition for Function Modeling (Definicin de la integracin para la modelacin de las funciones), los autores citados describen cada proceso como la combinacin de cinco magnitudes bsicas que se representan grficamente como: Procesos o actividades Entradas (inputs) Controles Mecanismos o recursos para la realizacin de tareas Salidas Cuya expresin grfica es la que se muestra en la Fig.1. Procesos: Se representa por una caja en la cual se encierran todas las actividades y recursos que forman parte del proceso. Entradas: representa el material o la informacin que es consumida o transformada por el proceso con el objetivo de producir las salidas. Es posible que algunos procesos no tengan entrada. Salidas: material o informacin producida por el proceso. Cada proceso, para ser considerado como tal, debe tener al menos una salida. Controles: reglamentan, limitan o establecen la forma en que los procesos desarrollan sus actividades para producir las salidas a partir de las entradas. Cada proceso debe tener por lo menos un control. Los ms comunes son leyes, decretos, normativas, directrices, procedimientos. Mecanismos: aquellos recursos que el proceso necesita y que generalmente no son consumidos durante el mismo. Ejemplo de mecanismo: personal cuantitativa y

HASPNET. Texto bsico.

157

cualitativamente adecuado, mquinas, equipamiento de informtica, copiadoras, etc.

Por su parte la Norma ISO 9000:2000: Sistemas de Gestin de la Calidad. Fundamentos y Vocabulario, 3.4 Trminos relativos al proceso y al producto, define al proceso (3.4.1) como un conjunto de actividades mutuamente relacionadas o que interactan, las cuales transforman elementos de entrada en resultados, aclarando: NOTA 1: Los elementos de entrada para un proceso son generalmente resultados de otros procesos. NOTA 2: Los procesos de una organizacin (3.3.1) son generalmente planificados y puestos en prctica bajo condiciones controladas para aportar valor. NOTA 3: Un proceso en el cual la conformidad (3.6.1) del producto (3.4.2) resultante, no pueda ser fcil o econmicamente verificada, se denomina habitualmente proceso especial. Zaratiegui (2004), en su obra "La gestin por procesos: Su papel e importancia en la empresa", lo define como secuencias ordenadas y lgicas de actividades de transformacin, que parten de unas entradas (informaciones en un sentido amplio pedidos datos, especificaciones, ms medios materiales mquinas, equipos, materias primas, consumibles, etctera) , para alcanzar unos resultados programados, que se entregan a quienes los han solicitado, los clientes de cada proceso. Estos procesos, al requerir un conjunto de entradas materiales e inmateriales y componerse de actividades que van transformando estas entradas, cruzan los lmites funcionales repetidamente. Por cruzar los lmites funcionales, fuerzan a la cooperacin y van creando una cultura de empresa distinta, ms abierta, menos jerrquica, ms orientada a obtener resultados que a mantener privilegios (ECONOMA INDUSTRIAL, N. 330 1999 / VI). Baujn Prez (2006), en su Tesis de Doctorado apunta que un proceso se puede definir como un conjunto de actividades interrleacionadas, caracterizadas por entradas y salidas, orientadas a obtener un resultado especfico como consecuencia del valor aportado por cada una de las actividades que se llevan a cabo en las diferentes etapas de dicho proceso.

HASPNET. Texto bsico.

158

Gonzlez Dagnino (1994), apoyndose en la Teora de Sistemas estructura a los procesos segn aparece en el esquema que a continuacin se presenta:

Apoyndose en la teora de sistema este autor desarrolla una tcnica de medicin de la calidad, considerando a los diferentes componentes del mismo como dimensiones y stas a su vez descompuestas en estructuras ms pequeas (atributos):

Di: Dimensiones (i=1,n). Ak: Atributos de tipo k (K=1,n) Ii: Indices de tipo i (i=1,n) Ipi: Indices parcilaes de tipo i (i=1,n) Ig: Indice Global

HASPNET. Texto bsico.

159

En la base de este modelo subyacen, en primer lugar, los principios del Paradigma Decisional Multicriterio o Multiatributo en lo que respecta a la estructuracin del problema de decisin en niveles jerrquicos, y en segundo lugar, el mtodo cientfico del anlisis y la sntesis, formalizado a imagen y semejanza de una figura geomtrica romboidea que representa el proceso de descomposicin del todo en cada una de sus partes, as como el proceso de composicin mediante un riguroso procedimiento de medicin. El momento o etapa del anlisis lo que hace es descomponer el concepto de calidad (el todo) en dimensiones, y a stas en atributos. Posteriormente ocurre un momento o etapa de sntesis donde se van integrando mediante algoritmos de medicin cada una de las dimensiones y atributos de calidad y as hasta conformar un ndice sinttico que reproduce el concepto a travs de expresiones cuantitativas que permiten medirlo y por tanto gestionarlo. Todo lo expresado hasta aqu se puede apreciar perfectamente en el siguiente grfico:

Lo ms significativo del modelo radica en la etapa de sntesis donde se puede observar que el proceso se desarrolla en dos niveles: Primer nivel: Se obtienen ndices parciales a partir de los valores que asumen los atributos en cada una de las dimensiones de calidad. Segundo nivel: Se obtiene un ndice global de calidad donde se integran los resultados de cada uno de los ndices parciales. La modelacin matemtica para la obtencin de los valores cuantitativos, mediante la aplicacin del Modelo se muestra a continuacin. Independientemente de que el concepto de calidad que aqu se asume es el de calidad percibida como percepcin, las variables de medicin del concepto operacionalizado son dicotmicas. Es decir, la presencia percibida del atributo en la dimensin siempre se representa por el valor (+1), la ausencia percibida del mismo se representa como (-1).

HASPNET. Texto bsico.

160

Esto es convencional en lo que a codificacin de las variables se refiere, pero tiene sin embargo, implicaciones de fondo a la hora de interpretar los resultados, por cuanto siempre tendremos un mximo posible de calidad, tanto positiva como negativa a alcanzar, as como un estado de lo realmente alcanzado expresado en por ciento. La escala dicotmica se introduce en el modelo por considerar que es menos ambigua que una escala de intervalo. Esto es positivo por el hecho de que reduce considerablemente el grado de incertidumbre en la decisin de otorgar una evaluacin a uno u otro atributo.

Wj: Representa los coeficientes o ponderaciones de tipo j (j=1,n) Aparte del enfoque a procesos, que soporta al modelo propuesto, en lo que a escala de medicin se refiere el mismo presenta tambin algunas caractersticas distintivas. 6.2. Procedimiento para la obtencin de los valores de los ndices: Se estructura el algoritmo de solucin siguiente: Paso No.1: Seleccin del mbito de evaluacin. El mbito de evaluacin se seleccionar de acuerdo con los criterios siguientes: Problema que la investigacin pretende resolver Objetivos y alcance de la investigacin. Hiptesis a demostrar durante el desarrollo del proceso. Posibilidades reales en relacin con el tiempo u otros recursos materiales, humanos y financieros.

HASPNET. Texto bsico.

161

De acuerdo con ello, el mbito de la evaluacin puede ser una entidad en su conjunto, un proceso o varios procesos seleccionados, un rea o departamento, etc. Para ello nos apoyamos en el grfico que aparece en la Figura 6.
Fig.6. Clasificacin de los procesos. mbito hotel

Necesidades y Expectativas

Percepcin (Satisfaccin)

PROCESOS ESTRATGICOS DEL HOTEL

Clientes

Procesos Claves

PROCESOS de APOYO DEL HOTEL

FEEDBACK

Paso No.2: Identificar dimensiones a evaluar. Las propias caractersticas del mtodo utilizado pre-establecen el tipo de dimensin y la cuanta de las mismas. Se asumen, por tanto, las derivadas del concepto de proceso y de la teora de sistemas tal y como se ha expresado en el anlisis anterior. Paso No.3: Identificar atributos de cada dimensin, segn fuentes. Para el desarrollo de este paso se sigue la propuesta de T. Levitt acerca de lo Que l llam el concepto del producto total ( 15) y que luego la teora de Marketing introdujo mediante la formulacin del concepto de producto como conjunto de atributos y stos como la ventaja buscada por el cliente ( 16). Sobre esta base se construye el Modelo que aparece en la Figura 7:

15 16

Levitt, T. (1974). Marketing for Business Growth, McGraw-Hill, p.74. Marketing Estratgico, captulo IV, pp. 129 136.

Clientes

HASPNET. Texto bsico.

162

De acuerdo con este Modelo se sigue en este paso la propuesta realizada por algunos autores (Fras, et al, 2005; Rodrguez, 2006), acerca de la existencia de al menos dos fuentes para generar atributos: las personas y la evidencia escrita. Se considera tambin como vlido el procedimiento metodolgico propuesto por Fras, et al, (2005), para construir listado nico de atributos evaluativos. Paso No.4: Clculo de Indicadores. El desarrollo de este paso implica la realizacin de la serie de acciones siguientes: La construccin de los instrumentos de medicin y evaluacin teniendo en cuenta la escala que el modelo sugiere. Validacin de los instrumentos de medicin, que en este caso y por las caractersticas propias del modelo se sugiere aplicar validez de contenido a partir de una escala de intervalo o dicotmica aplicada a Expertos, los cuales debern ser seleccionados siguiendo a Fras, et al (2005). Siguiendo a Sampieri (1991) a partir de los resultados obtenidos con los Expertos para obtener la Validez de contenido, se sugiere aqu realizar una prueba piloto para aplicar a los resultados el coeficiente de correlacin temtotal, as como la validez de criterio concurrente, y la validez de constructo convergente. Realizar aqu la prueba de fiabilidad de la escala utilizando para ello coeficiente Alfa de Cronbach. Usualmente se espera un coeficiente de confiabilidad igual o mayor que 0.80 (17). Estos coeficientes pueden ser obtenidos sin mucha dificultad utilizando el Paquete informtico SPSS versin 12.0 para Windows y la hoja de clculo Excel para Windows. Se recomienda el primero, pues, por ejemplo cuando se calcula el coeficiente de correlacin temtotal al mismo tiempo se puede obtener Alfa de Cronbach. En el caso de Excel, aunque es una potente herramienta, sin embargo requiere introducirle las respectivas frmulas del clculo. Una vez que el instrumento ha sido validado y demostrado que posee consistencia interna mediante el test de confiabilidad, se procede a la obtencin del grado de presencia percibida de los atributos en cada una de las dimensiones por parte de los clientes externos, para lo cual ser necesario: a) Construir una matriz de entrada de informacin donde las filas se corresponden con los tems y las columnas con el dato del grado de presencia percibido por decisores. b) Determinar la poblacin, tamao de muestra necesario y mtodo de muestreo. c) Reproducir el instrumento en correspondencia con el tamao de muestra calculado. d) Aplicar el instrumento a cada uno de los miembros incluidos en la muestra identificada. Una vez aplicados y recogidos los instrumentos se procede a procesar y analizar la informacin que los mismos brindan realizando la interpretacin correspondiente de los resultados, para lo cual: a) Se calculan los por cientos de calidad buena o mala por dimensiones (ndices Parciales) y comparar los resultados. b) Se calcula el ndice Global de Calidad para el Proceso analizado y determinar los factores, positivos y negativos que ms influyen en el resultado. c) Se sugieren estrategias de mejora.

17

Ruiz Bolvar, Carlos (1988). Ob. Citada, p. 101.

HASPNET. Texto bsico.

163

d) Se Demuestra si existen o no diferencias significativas entre los resultados de las dimensiones de calidad. e) Se demuestra si se cumple o no la hiptesis siguiente: Los Outputs = f (proceso) f) Se determina si existe o no correlacin entre D1, D2, D3, y D4, la intensidad y direccin de la misma. El Modelo se valida en procesos hoteleros demostrando su capacidad explicatorio y factibilidad de aplicacin del mismo. 6.3. Evidencia emprica.

El objetivo de este captulo consiste en demostrar, a partir de la aplicacin de los


instrumentos diseados, la pertinencia del Modelo mediante las diferentes pruebas de confiabilidad y validez que se realizan. Para alcanzar este objetivo no hacemos otra cosa que instrumentar el procedimiento desarrollado en el captulo segundo. El mbito seleccionado para la evaluacin: El diseo metodolgico que demuestra la validez y confiabilidad del Modelo se aplic en un Hotel enclavado el Polo Turstico de Varadero. Es una instalacin en contrato de Administracin con una Cadena Espaola y con un diseo apropiado para segmentos de clientes que buscan realizar actividades de laissez. Independientemente de que se realiz un anlisis de los diferentes procesos que constituyen el contenido fundamental de las operaciones de hotel (estratgicos, claves y de apoyo, el procedimiento se aplic solamente a los procesos que fueron identificados como claves, pero sin diferenciarlos unos de otros, fundamentalmente por razones de tiempo. A criterio de la autora, ello no era necesario de acuerdo con los objetivos de la investigacin. Es decir, para validar el Modelo propuesto, as como el procedimiento de medicin y sus diferentes instrumentos, podamos realizarlo identificando los atributos de calidad del servicio inherentes a los diferentes procesos claves del hotel sin llegar a establecer pasos ms concretos en el mbito de cada uno de ellos. Identificacin de dimensiones y atributos de calidad del servicio. Para el caso de la identificacin de las dimensiones se sigui lo propuesto en el Paso No.2 del procedimiento metodolgico, es decir se asumieron las derivadas del concepto de proceso y de la teora de sistemas tal y como se presentaron en el captulo segundo. Para el caso de los atributos, se tom como fuente de partida el registro existente en el hotel acerca de los resultados de las encuestas de satisfaccin aplicadas, llegndose a conformar un primer listado de atributos. Estos fueron agrupados en las dimensiones que anteriormente haban sido identificadas. A partir de aqu comienza el proceso de clculo de indicadores. Clculo de los Indicadores. Como se sugiere en el paso respectivo del procedimiento elaborado, debemos comenzar construyendo los instrumentos de evaluacin y medicin para luego proceder a su validacin. Resultados de la aplicacin de la Estrategia de Validacin. Resultados de la Validez de Contenido

HASPNET. Texto bsico.

164

Primeramente y con el listado de atributos obtenidos en el paso anterior, se procedi a efectuar una depuracin de los mismos siguiendo la propuesta de Fras, et.al (2005) para realizar la Validez de Contenido. Aqu se realizaron dos acciones. De acuerdo con el nmero de atributos se procedi a determinar la cantidad de expertos necesarios (Ke) siguiendo la propuesta de Snchez (1984) donde la cantidad de expertos a seleccionar debe ser menor o igual que a*n donde: =nmero entre 0,7 e 1, prefijado por el investigador y n=elementos que caracterizan un determinado objeto de estudio (nmero de atributos), de donde con = 0,7. Ke= 0,7 x 25 =17 Expertos, cumplimentndose as el principio de que nunca el nmero de atributos sea mayor que la cantidad de Expertos. Obtenida la cantidad de Expertos se determin el grado de experticidad de los mismos, para lo cual se adopt la propuesta de Fras, et.al (2005), y reflejada en el presente texto. Los resultados de la evaluacin muestran que todos los Coeficientes cumplen con los requisitos del umbral de decisin concluyendo por tanto, que todos los expertos poseen adecuados niveles de experticidad. Algunas pruebas estadsticas, nos confirman la confiabilidad y la validez de este resultado. El coeficiente de correlacin de Pearson entre Ka y Kc es igual 0,7050 (correlacin moderadamente fuerte) con un nivel de significacin de 0,01, por otra parte el Coeficiente Alfa de Cronbach es igual a 0,8178 indicando con ello una adecuada consistencia interna entre los valores de ambos coeficientes. Una vez evaluados los Expertos y comprobado su nivel de experticidad, se dise un cuestionario con un listado de atributos para comprobar mediante el juicio de los propios expertos la validez de contenido. Se utilizaron para ello variables de tipo dicotmica (si, no). Para determinar cules caractersticas son vlidas, a juicio de los Expertos, expresado mediante la Votacin, se calcul el Coeficiente de Consenso (Cc) para saber si los decisores aceptaban o no la propuesta que le hace el facilitador, utilizando para ello el clculo del coeficiente de consenso tal como se defini en el procedimiento expuesto en este texto. Aplicando este procedimiento se puede apreciar que no cumplen con la condicin fijada por el coeficiente los atributos siguientes: a) Atributo No.3: Niveles de flujo de clientes adecuado con el 25% de los votos positivos. b) Atributo No.4: Cumplimiento de contratos por parte de TTOO con el 19% de los votos positivos. c) Atributo No.12: Nivel tcnico del equipamiento con el 18,8% de los votos positivos. d) Atributo No.13: Ambiente agradable con el 12,5% de los votos positivos. e) Atributo No.14: Adecuado nivel de abastecimiento de los proveedores con el 25% de los votos positivos. f) Atributo No.15: Vas de acceso en adecuado estado tcnico con el 12,5% de los votos positivos. g) Atributo No.16: Condiciones de aparcamiento adecuadas con el 0% de los votos positivos. h) Atributo No.17: Adecuadas ofertas de rentas y de servicio de taxis con el 25% de los votos positivos.

HASPNET. Texto bsico. i) j)

165

Atributo No.25: Adecuada comunicacin con el cliente con el 31,2% de los votos positivos. Atributo No.26: Personal emptico con el 18,4% de los votos positivos.

Con el objetivo de corroborar la pertinencia de esta votacin, hemos sometido el resultado al Procedimiento Estadstico de Comparacin de Mltiples Muestras. El F-test de la tabla ANOVA lo aplicamos para comprobar si existen diferencias significativas entre las medias de las votaciones realizadas por cada uno de los Expertos. De existir algunas, aplicamos entonces el test de Mltiples Rangos para detectar cul o cules son los pares de comparaciones donde se dan estas diferencias. Aplicamos tambin el test de Kruskal-Wallis de comparacin de las medianas. Resultados de aplicar el F-test de la tabla ANOVA: La aplicacin revela que el P-value del F-test es muy superior a 0,05, indicando con ello que no existen diferencias estadsticamente significativas entre las medias de las 16 variables a un nivel de confianza del 95%. Resultados de la aplicacin del test de Mltiples Rangos: La aplicacin de este test nos muestra que slo existen diferencias significativas a un nivel de confianza del 95%, entre las votaciones que efectuaron los Expertos E16 y E6. En el resto de las comparaciones no se presentan tales diferencias. Resultados de la aplicacin del test de Kruskal-Wallis: Aqu tambin se puede observar que el P-value muy superior a 0,05, de donde se infiere que no existen diferencias estadsticamente significativas entre las medianas a un nivel de confianza del 95%. Concluimos entonces que, dado que los resultados de los tres tests demuestran un elevado grado de homogeneidad en las votaciones de los 16 Expertos, corroborado por la no existencia de diferencias estadsticamente significativas entre sus respectivas votaciones, la propuesta es pertinente y por tanto se acepta. Sin embargo los atributos excluidos (10), representan el 38,5% del listado inicial. Si se analiza de manera superficial se pudiera pensar que al no considerarlos, ello significara una prdida de informacin valiosa. Pero, a nuestro juicio eso no es totalmente cierto. Si nos fijamos bien, el mayor nmero se ubica en la dimensin Estructura (D2) y no tienen impacto directo sobre las percepciones de los turistas o se relacionan con servicios de muy baja intensidad en lo que a uso se refiere, como por ejemplo, la calidad de las vas de acceso que se atena mucho por el confort del medio de transporte, o el las condiciones de aparcamiento y servicio de taxis y renta, cuya demanda es muy baja. Otros, como los que tienen que ver con la dimensin proceso (empata y comunicacin) se diluyen en los dems. Teniendo en cuenta esta situacin optamos por atenernos a la segunda alternativa de decisin, es decir, desechar estos atributos quedndonos con un total de 16, y manteniendo la condicin de que esta cantidad no es menor que el nmero de expertos que sern utilizados en evaluaciones posteriores. Obsrvese que por el hecho de que slo votaron 16 expertos el nmero de atributos es igual a esta cantidad, por lo que se cumple el supuesto de Snchez (1984) asumido por nosotros en la investigacin. Resumiendo, podemos decir que el proceso de Validez de Contenido nos permiti alcanzar un mejor grado de depuracin del instrumento de medicin al hacerlo ms pertinente y adecuado a nuestros propsitos. Resultados de la Validez de Criterio Concurrente: Con este resultado y siguiendo lo indicado en el procedimiento metodolgico diseado en el captulo segundo, se realiz la prueba piloto con una pequea muestra de la Poblacin de clientes externos. Para ello fue necesario estimar la cantidad de elementos que se utilizaran en la prueba as como disear, reproducir, aplicar y procesar los resultados. El instrumento diseado para la prueba es el siguiente.

HASPNET. Texto bsico.

166

Estimado cliente, estamos realizando un estudio para evaluar la calidad del servicio de nuestro hotel. A continuacin exponemos una serie de caractersticas que debe poseer el servicio usted recibe. Emita su criterio si est de acuerdo o no en que tales caractersticas estn presentes el la prestacin de los mismos. No existen respuestas correctas o incorrectas. Lo que nos interesa es su opinin sincera. Utilice la siguiente escala para emitir sus juicios.
1 2 3 4 5
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

TD D N A TA

Totalmente el Desacuerdo En Desacuerdo Ni de Acuerdo ni en Desacuerdo. De Acuerdo Totalmente de Acuerdo

Caractersticas
El sistema de informacin a los turistas es adecuado. Los niveles de precios son aceptables. Existe de orden y limpieza. Las condiciones de higiene son adecuadas. El mobiliario y la decoracin es aceptable. La iluminacin es adecuada. La temperatura del agua es agradable. El avituallamiento es suficiente. La sealizacin es adecuada. El personal de servicio fue amable y corts. Existe prontitud en el servicio. Se solucionan adecuadamente los problemas de los turistas. Existi rapidez en el servicio. Se experimentacin de seguridad. Los empleados tienen adecuada apariencia personal. Mostraron disposicin a ayudar a los clientes. El servicio prestado fue de calidad.

Escala de medicin
TD 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 D 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 N 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 A 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 TA 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5

Ntese que hemos optado por construir un cuestionario con una escala de Medicin tipo Likert, con preguntas cerradas y enunciados semnticos con direccin positiva que van desde Totalmente en Desacuerdo (valor 1) a Totalmente de Acuerdo (valor 5). Segn Sampieri (1991), en esta prueba se analiza si las instrucciones se comprenden y si los tems funcionan adecuadamente. Los resultados se usan para calcular la confiabilidad y de ser posible la validez del instrumento de medicin. La prueba se realiza con una pequea muestra (inferior a la muestra definitiva). Los autores aconsejan que cuando la muestra sea de 2000 ms, se lleve a cabo la prueba piloto con entre 25 y 60 personas. Salvo que la investigacin exija un nmero mayor. Es decir, que primero debemos realizar el ejercicio de muestreo para luego poder determinar la cantidad de elementos que incluiremos en la prueba piloto. En nuestro caso no ser necesario por cuanto hemos tomado como poblacin el total de turistas que pernoctaron en el hotel durante el ao 2005, la cual ascendi a un total de 1500 clientes. Por tanto, la cantidad con la que se conform la muestra para la prueba piloto ascendi a un total de 33 personas. A este grupo se le aplic el instrumento al que se hizo referencia anteriormente, y los resultados obtenidos se pueden apreciar en la siguiente tabla:

HASPNET. Texto bsico. Variable: externo No. 1 1 5 2 6 3 6 4 3 5 6 6 5 7 4 8 3 9 4 10 5 11 6 12 3 13 3 14 4 15 6 16 4 17 3 18 2 19 6 20 2 21 5 22 6 23 3 24 6 25 5 26 6 27 6 28 6 29 6

167

Percepcin de calidad del servicio 2 4 5 5 2 5 5 3 2 3 4 5 3 2 4 5 2 3 2 5 3 5 5 3 4 5 6 6 5 4 3 3 5 5 3 5 5 3 3 3 5 5 2 2 4 6 3 3 3 5 2 5 5 3 4 5 6 6 5 5 4 4 5 5 2 5 5 4 3 4 4 5 3 3 5 6 2 2 4 4 4 5 6 3 5 5 6 6 5 5 5 3 4 5 2 5 5 3 3 2 4 5 3 2 4 5 3 2 3 5 3 5 5 3 4 5 6 6 5 5 6 2 5 5 2 5 5 2 2 3 3 6 2 3 4 4 3 3 3 5 3 5 5 2 6 5 6 6 5 5 7 2 5 5 3 5 6 2 3 3 4 5 2 2 5 5 2 2 2 5 2 5 6 2 4 5 6 6 5 6 8 2 4 4 2 5 5 3 3 2 3 5 3 2 4 5 3 3 3 5 3 5 5 3 3 5 6 6 5 5 9 3 6 6 3 5 6 2 2 3 4 6 3 3 4 6 3 3 2 6 2 6 5 3 4 5 6 6 5 5 10 11 12 13 14 15 16 17 2 3 3 3 4 3 3 3 6 5 6 6 5 6 5 5 6 5 6 5 5 6 5 5 2 3 2 3 2 3 2 2 5 5 5 5 5 5 5 5 6 5 6 6 5 6 6 5 3 3 2 2 4 2 3 3 3 2 2 3 2 3 2 3 3 3 3 3 2 3 2 3 5 4 4 4 4 4 4 4 5 5 6 5 5 6 5 5 2 2 2 2 3 3 3 3 2 3 3 3 2 2 2 2 4 4 4 3 4 4 5 4 6 5 6 5 5 5 5 5 3 2 3 3 3 2 3 3 3 2 2 2 2 3 2 2 3 2 2 2 2 3 3 3 5 5 5 4 4 6 5 5 2 3 3 3 3 2 3 3 6 5 6 5 5 6 6 5 5 5 6 6 5 6 6 5 3 4 3 4 2 3 3 3 4 5 4 4 4 4 4 4 5 5 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 5 6 6 6 6 6 6 5 5 6 5 5 5 5 5 5 4 6 5 5 6 5 5

Los resultados obtenidos se han utilizado para demostrar si el instrumento posee o no Validez de Criterio Concurrente. Para ello los valores de cada atributo se relacionan con una Variable Criterio (atributo No.17 del instrumento) mediante un modelo de regresin lineal simple donde cada atributo acta como variable independiente y la variable criterio como dependiente. En la tabla construida y presentada se aprecia que: Coef.Correl. 0,8395 0,9132 0,9400 0,8908 0,9806 0,8823 0,9204 0,9152 0,9044 0,9275 0,8970 0,9321 grado corr modfuerte relatfuerte relatfuerte modfuerte relatfuerte modfuerte relatfuerte relatfuerte relatfuerte relatfuerte modfuerte relatfuerte R2 P-value Signif 70,4779 0,0000 <0,01 99 83,3849 0,0000 <0,01 99 88,3586 0,0000 <0,01 99 79,3560 0,0000 <0,01 99 96,1648 0,0000 <0,01 99 77,8534 0,0000 <0,01 99 84,7099 0,0000 <0,01 99 83,7666 0,0000 <0,01 99 81,7866 0,0000 <0,01 99 86,0339 0,0000 <0,01 99 80,4638 0,0000 <0,01 99 86,8769 0,0000 <0,01 99

HASPNET. Texto bsico. 0,8996 0,9383 0,9149 0,9464 modfuerte relatfuerte relatfuerte relatfuerte 0,0000 0,0000 0,0000 0,0000

168


<0,01 <0,01 <0,01 <0,01 99 99 99 99 80,9276 88,0489 83,7121 89,5669

1. Los coeficientes de correlacin de los 16 atributos con la Variable Criterio van de 0,8395 a 0,9806 indicando con ello una intensidad o grado de correlacin de Moderadamente Fuerte a Relativamente Fuerte ( 18). 2. En todos los casos el p-value es igual 0,0000, inferior a 0,01 e indicando con ello la existencia de relaciones estadsticamente significativas entre todos los atributos y la Variable Criterio al nivel del 99% de confianza. 3. Todas las correlaciones poseen direccin positiva, corroborando la hiptesis de que a mayor valor del atributo, mayor valor de calidad percibida. 4. Los coeficientes R-Squared de todos los atributos, que explican el por ciento de variabilidad de la Variable Criterio, alcanzan valores entre 70,48% y 96,16%, y eso se aprecia en los siguientes resultados. Validez de Criterio Concurrente. Coeficiente de Correlacin y R2. 1. Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: Vcrit Independent variable: A1 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 0,507829 0,432393 1,17446 0,2492 Slope 0,753132 0,0875462 8,60267 0,0000 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 32,9324 1 32,9324 74,01 0,0000 Residual 13,7949 31 0,444996 ----------------------------------------------------------------------------Total (Corr.) 46,7273 32 Correlation Coefficient = 0,839511 R-squared = 70,4779 percent Standard Error of Est. = 0,66708 Por tanto, los resultados demuestran que todos los atributos poseen una elevada capacidad para explicar las variaciones que ocurren en la Variable Criterio y que el instrumento posee, por tanto, Validez de Criterio Concurrente. Resultados de la Validez de Constructo Convergente: Tambin se calcul la Validez de Constructo Convergente, utilizando para ello un modelo de regresin mltiple con el objetivo de obtener un valor global de R2 para el instrumento. Los resultados se muestran a continuacin. Los resultados se han obtenido aplicando el paquete informtico STATGRAPHIC PLUS y este software clasifica la intensidad de las correlaciones en niveles: de 0,1 a 0,5 = Relativamente Dbil; de 0,51 a 0,89 = Moderadamente Fuerte; de 0,9 a 1 = Relativamente Fuerte.
18

HASPNET. Texto bsico.

169

Multiple Regression Analysis. Validez de Constructo Convergente. ----------------------------------------------------------------------------Dependent variable: Vcrit ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT -0,00491474 0,242255 -0,0202875 0,9841 A1 0,0838263 0,0848873 0,987501 0,3381 A10 0,156081 0,11105 1,4055 0,1790 A11 -0,0839882 0,105471 -0,796317 0,4375 A12 -0,0634598 0,134731 -0,471011 0,6440 A13 0,121298 0,0985376 1,23098 0,2361 A14 -0,0191034 0,115221 -0,165799 0,8704 A15 0,00767593 0,107483 0,0714152 0,9440 A16 -0,0723666 0,118975 -0,608251 0,5516 A2 0,0758201 0,0987001 0,768187 0,4536 A3 -0,130254 0,168381 -0,773569 0,4505 A4 0,164233 0,0927514 1,77067 0,0957 A5 0,591016 0,159601 3,70308 0,0019 A6 0,00862583 0,0678449 0,12714 0,9004 A7 0,033338 0,1053 0,316601 0,7556 A8 0,0574396 0,10735 0,53507 0,6000 A9 0,0577165 0,136736 0,422102 0,6786 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 46,0264 16 2,87665 65,67 0,0000 Residual 0,700893 16 0,0438058 ----------------------------------------------------------------------------Total (Corr.) 46,7273 32 R-squared = 98,5 percent. R-squared (adjusted for d.f.) = 97,0001 percent. Standard Error of Est. = 0,209298. Mean absolute error = 0,111222. DurbinWatson statistic = 2,56209. Aparecen aqu los resultados de un Modelo de Regresin Lineal Mltiple, que sirve para describir la relacin entre la Variable Criterio y los 16 atributos del instrumento haciendo funcin de variables independientes. Por cuanto el P-Value en la tabla ANOVA es menor que 0.01, existe una relacin estadsticamente significativa entre las variables que se relacionan, a un nivel de confianza del 99%. El estadstico R-Squared indica que el modelo ajustado explica un 98,5% de la variabilidad en la Variable Criterio, por lo que se puede concluir que el instrumento posee Validez de Constructo Convergente. Determinacin del grado de confiabilidad del instrumento de medicin: Para demostrar si el instrumento aplicado era o no confiable se realiz un anlisis de fiabilidad mediante el clculo del Coeficiente Alfa de Cronbach y tambin se calcul el Coeficiente de Correlacin tem-total. Este anlisis abarc todo el cuestionario y cada una de las dimensiones. Los resultados de ambos indicadores aparecen a continuacin.

HASPNET. Texto bsico. Prueba de fiabilidad general

170

****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y A N A L Y S I S S C A L E (A L P H A) Item-total Statistics Scale Scale Corrected Mean Variance ItemAlpha if Item if Item Total if Item Deleted Deleted Correlation Deleted A1 61,9091 377,0227 ,8570 ,9898 A2 62,6061 375,9962 ,9139 ,9892 A3 62,5152 375,8201 ,9525 ,9888 A4 62,3333 381,8542 ,8684 ,9897 A5 62,6364 376,3011 ,9550 ,9888 A6 62,6667 371,8542 ,8982 ,9893 A7 62,6364 364,6136 ,9432 ,9889 A8 62,8182 379,5284 ,8911 ,9894 A9 62,3939 368,4962 ,9437 ,9888 A10 62,4545 366,7557 ,9407 ,9889 A11 62,6364 377,5511 ,9274 ,9891 A12 62,3939 362,9962 ,9619 ,9887 A13 62,5455 374,0682 ,9218 ,9891 A14 62,6667 374,2917 ,9304 ,9890 A15 62,3333 365,3542 ,9406 ,9889 A16 62,4545 369,3807 ,9498 ,9888 Reliability Coefficients N of Cases = 33,0 Alpha = ,9897 Prueba de fiabilidad por dimensiones. Dimensi1: Entrada ****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y Item-total Statistics Scale Mean if Item Deleted 4,0606 4,7576 Scale Variance if Item Deleted 1,6837 1,8144 Corrected ItemTotal Correlation ,8490 ,8490 A N A L Y S I S S C A L E (A L P H A)

N of Items = 16

A1 A2

Alpha if Item Deleted . .

Reliability Coefficients N of Cases = 33,0 Alpha = ,9180

N of Items =

HASPNET. Texto bsico.

171

Dimensin 2: Estructura ****** Method 1 (space saver) will be used for this analysis ****** R E L I A B I L I T Y A N A L Y S I S S C A L E (A L P H A) Item-total Statistics Scale Scale Corrected Mean Variance ItemAlpha if Item if Item Total if Item Deleted Deleted Correlation Deleted A3 24,5152 58,0076 ,9412 ,9698 A4 24,3333 60,3542 ,8528 ,9757 A5 24,6364 58,0511 ,9528 ,9692 A6 24,6667 56,1667 ,8972 ,9728 A7 24,6364 53,4261 ,9426 ,9702 A8 24,8182 58,9034 ,9089 ,9720 A9 24,3939 55,4962 ,9127 ,9718 Reliability Coefficients N of Cases = 33,0 Alpha = ,9756

N of Items =

Se puede apreciar que, tanto para todo el cuestionario como para cada una de las dimensiones, el Coeficiente Alfa obtuvo valores que van desde 0,9180 hasta 0,9897. En todos los casos la correlacin tem/ total no present ninguna prxima de 0 (cero), sino ms bien prxima a 1, lo que indica que el tem tiene mucha relacin con el factor. Se constata que la variacin se estableci entre un mnimo de 0,8490 y mximo de 0,9550. Estos resultados evidencian que el instrumento posee adecuada consistencia interna. Una vez demostrado, que el instrumento de medicin posea Validez de Contenido, Validez de Criterio Concurrente, Validez de Constructo Convergente y que era confiable, se procedi a realizar el anlisis de la calidad del servicio del hotel mediante la aplicacin del Modelo EVALPROC. Resultados de la aplicacin del Mtodo EVALPROC. Resultados a nivel de hotel: En este epgrafe se expondrn los resultados de calidad global obtenida en el hotel, el impacto de cada uno de los atributos sobre ella y finalmente se realizar el anlisis por dimensiones. Para ello se ha construido una escala de gradacin convencional, que nos permite interpretar de manera ms concisa los resultados. La escala considera dos zonas de gradacin, una positiva correspondiente a toda la buena calidad posible a obtener, expresada en por ciento y que va desde cero (0) hasta el 100%, y una zona negativa que va desde cero hasta -100%. Cada una de ellas se ha subdividido en grados de calidad quedando conformada tal y como aparece en la tabla No.1.

HASPNET. Texto bsico.

172

Tabla No.1: Intervalos de gradacin Intervalos Grados 100 B U E N A C A L I D A D EXTREMADAMENTE ALTA 80 MUY ALTA 60 ALTA 50 BAJA 30 MUY BAJA 10 EXTREMADAMENTE BAJA 0 -10 M A L A C A L I D A D ALGO PSIMA -30 PSIMA -50 MUY PSIMA -60 EXAGERADAMENTE PSIMA -80 AUSENCIA TOTAL -100 NO CALIDAD

Los datos que se muestran en el Anexo No.1 confirman que en el momento de efectuarse la evaluacin el hotel obtiene un 45,11% de toda la buena calidad posible a alcanzar, ubicndose por esta razn en la zona de Baja a Alta Calidad. Como se aprecia la Dimensin que ms la afecta es la de Estructura (30,67%), donde fundamentalmente se agrupan aquellos atributos que tienen que ver con la as llamada calidad tcnica o elementos de soporte tangibles que aseguran la prestacin del servicio en la entidad. Son resultados que demuestran la direccin hacia donde los directivos debern orientar sus esfuerzos materiales, humanos y financieros en pos de lograr una mejor calidad. Un anlisis ms detallado por dimensiones nos permitir profundizar en el estudio. Resultados por Dimensiones: Resultados de la Dimensin No.1. Entrada: Los resultados alcanzados por esta Dimensin aparecen en el propio Anexo No.1. Podemos observar que la misma alcanza un nivel del 40,17%, que de acuerdo con nuestra escala de gradacin se ubica en el intervalo de Baja Calidad a Alta Calidad, aunque muy cercana a la baja. Los atributos que la integran, Informacin adecuada a los turistas y Niveles de precios aceptables, mantienen comportamientos ms o menos similares aunque el segundo se sita en la zona de ms Baja Calidad en comparacin con el primero, siendo por ello el que ms influye negativamente en el valor de total de la dimensin.

HASPNET. Texto bsico.

173

Resultados de la Dimensin No.2. Estructura: Estos resultados se exponen tambin en el Anexo No.1. Se puede apreciar que la misma alcanza, como ya se dijo, un nivel del 30,67% lo que la sita en una zona cercana a la de Muy Baja Calidad. El atributo, que sin dudas ha afectado sensiblemente este nivel, es el que tiene que ver con el Mobiliario y la Decoracin Aceptables, del y en el hotel, con un nivel del 0,29%, ubicndolo en la zona de Calidad Extremadamente Baja, pero muy cercano a la de No Calidad. Le siguen en orden y tambin por debajo del nivel global para la dimensin, el atributo el de Temperatura del Agua Agradable con 22,95%, tambin en zona de Muy Baja. El resto de los atributos, aunque ubicados todos en zona de Baja Calidad, estn por encima del valor global para la Dimensin. Impacto de cada uno de los atributos sobre la Dimensin: Anlisis del atributo Limpieza y Orden (A3): Los resultados de la aplicacin del Mtodo EVALPROC para determinar el impacto de los atributos en la Dimensin Estructura se aprecian a continuacin. Limpieza y Orden (A3): Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: All Independent variable: Lmpza ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 4,60351 17,4687 0,26353 0,7946 Slope 0,415194 0,0433588 9,57576 0,0000 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 625391,0 1 625391,0 91,70 0,0000 Residual 150047,0 22 6820,33 ----------------------------------------------------------------------------Total (Corr.) 775438,0 23 Correlation Coefficient = 0,898053 R-squared = 80,65 percent Standard Error of Est. = 82,5853 Se aprecia la existencia de relaciones estadsticamente significativas entre el comportamiento del atributo y la dimensin Estructura con P-value de 0,0000, menor que 0,01 y al nivel de confianza del 99%. El coeficiente de correlacin es de 0,898053, indicando una relacin moderadamente fuerte entre las variables analizadas. El estadstico R-Squared indica que el modelo explica un 80,65% de la variabilidad de la Dimensin Estructura. Los momentos de verdad donde se rebelan con ms

HASPNET. Texto bsico.

174

intensidad los impactos del comportamiento de este atributo se concentran fundamentalmente en las reas del alojamiento, aunque tambin se presentan en los procesos de restauracin y bares as como en reas comunes. Constituye, sin lugar a dudas, una fortaleza del hotel. Anlisis del Atributo Higiene (A4): Aqu tambin nos apoyamos en los resultados siguientes: Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: All Independent variable: Hgne ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 25,953 31,1556 0,833012 0,4138 Slope 0,586458 0,164493 3,56525 0,0017 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 283961,0 1 283961,0 12,71 0,0017 Residual 491476,0 22 22339,8 ----------------------------------------------------------------------------Total (Corr.) 775438,0 23 Correlation Coefficient = 0,60514 R-squared = 36,6195 percent Standard Error of Est. = 149,465 Se puede apreciar que el p-value de la tabla ANOVA (0,0017), al igual que en el caso anterior tambin es menor que 0,01, lo cual demuestra que existe una relacin estadsticamente significativa entre el comportamiento del atributo y la dimensin analizada a un nivel de confianza del 99%. Por otra parte, el impacto de este atributo sobre la dimensin Estructura se expresa en el hecho de que: a) El coeficiente de correlacin es igual a 0,60514, indicando con ello la existencia de una relacin moderadamente fuerte entre las variables analizadas. b) El valor alcanzado por el estadstico R-squared indica que el comportamiento del atributo Higiene explica un 36,62% de la variabilidad que ocurre en la dimensin Estructura. Tambin es un atributo a tener en cuenta por la gerencia del hotel, el conjunto de proveedores internos y externos, as como por todo el personal. Este es un atributo que se presenta prcticamente en todos los procesos y reas del hotel y en los que se generan los principales momentos de verdad asociados a la higiene. Los valores obtenidos le confieren un lugar destacado dentro del sistema de gestin de la calidad del hotel dada su capacidad explicatoria y la influencia que tiene como elemento generador de calidad durante el proceso de la prestacin del servicio, aunque como se ver, no en el mismo grado que otros. Es sin embargo un atributo que se puede considerar de alto riesgo en su comportamiento por las consecuencias que se pudieran generar tanto para la salud de clientes internos y externos, as como para su seguridad.

HASPNET. Texto bsico.

175

Anlisis del atributo Mobiliario y Decoracin (A5): Los resultadossiguientes: Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: All Independent variable: Decor ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 48,175 26,1762 1,84041 0,0792 Slope 0,971437 0,19369 5,01543 0,0001 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 413656,0 1 413656,0 25,15 0,0001 Residual 361782,0 22 16444,6 ----------------------------------------------------------------------------Total (Corr.) 775438,0 23 Correlation Coefficient = 0,730376 R-squared = 53,3449 percent Standard Error of Est. = 128,237 Muestran que, en lo que ha impacto se refiere, constituye el tercer atributo dentro de la dimensin. Su comportamiento tambin revela la existencia de relaciones estadsticamente significativas con la dimensin Estructura con P-value de 0,0001 (menor que 0,01) y para un nivel de confianza del 99%. El coeficiente de correlacin es de 0,730376 indicando una relacin moderadamente fuerte entre las variables. El estadstico R-Squared indica que el modelo explica un 53,34% de la variabilidad en la dimensin. Este es un atributo que afecta a los momentos de verdad en prcticamente todas las reas y procesos del hotel, pero por sus caractersticas se revela con mayor intensidad en el lobby, otras reas comunes y en las habitaciones. En este momento el hotel tiene incluida la solucin de este problema dentro del plan de inversiones para el 2007. La instalacin deber ser sometida a un proceso de reparacin general a partir de agosto y hasta diciembre del ao en curso. Anlisis del Atributo Iluminacin (A6): Su comportamiento es como sigue: Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: All Independent variable: Ilum ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 16,8782 17,7021 0,953461 0,3507 Slope 0,410353 0,0444797 9,22562 0,0000 -----------------------------------------------------------------------------

HASPNET. Texto bsico.

176

Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 616169,0 1 616169,0 85,11 0,0000 Residual 159269,0 22 7239,5 ----------------------------------------------------------------------------Total (Corr.) 775438,0 23 Correlation Coefficient = 0,891408 R-squared = 79,4608 percent Standard Error of Est. = 85,0853 El comportamiento de este atributo tambin muestra la existencia de relaciones estadsticamente significativas con la dimensin Estructura con P-value (0,000) menor que 0,01 para un nivel de confianza del 99%. El coeficiente de correlacin, de 0,8914, indica una relacin moderadamente fuerte entre las variables y el estadstico R-Squared indica que el modelo explica una variabilidad en la dimensin estructura del 79,46%. Este es el segundo atributo de mayor capacidad explicatorio dentro de la dimensin. La existencia de zonas totalmente oscuras durante la noche confirma este comportamiento y a juicio nuestro es generador de inseguridad tanto en clientes externos como externos. Anlisis del atributo Temperatura del Agua (A7): Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: All Independent variable: Temp ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 30,4782 28,5537 1,0674 0,2974 Slope 0,619115 0,143953 4,30081 0,0003 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 354181,0 1 354181,0 18,50 0,0003 Residual 421257,0 22 19148,1 ----------------------------------------------------------------------------Total (Corr.) 775438,0 23 Correlation Coefficient = 0,675832 R-squared = 45,6749 percent Standard Error of Est. = 138,376 Este es un atributo que fundamentalmente se manifiesta en el rea de Alojamiento y especficamente en el bao. Su recomportamiento con respecto a la dimensin Estructura muestra relaciones estadsticamente significativas al nivel del 99% de confiabilidad dado un P-value de 0,0003. El coeficiente de correlacin es igual a 0,675832 por lo que posee una intensidad de la relacin con respecto a la dimensin de moderadamente fuerte. El estadstico R-squared indica que el modelo explica un 45,68% de la variabilidad en la dimensin Estructura.

HASPNET. Texto bsico.

177

Anlisis del Atributo Avituallamiento (A8): De acuerdo con los resultados que se muestran, Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: All Independent variable: Avitll ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 22,6736 32,7496 0,692331 0,4960 Slope 0,50108 0,157705 3,17733 0,0044 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 243910,0 1 243910,0 10,10 0,0044 Residual 531528,0 22 24160,4 ----------------------------------------------------------------------------Total (Corr.) 775438,0 23 Correlation Coefficient = 0,560843 R-squared = 31,4544 percent Standard Error of Est. = 155,436 Se puede apreciar que el p-value de la tabla ANOVA, (0,0044), es menor que 0,01, lo cual demuestra que existe una relacin estadsticamente significativa entre el comportamiento del atributo y la dimensin analizada a un nivel de confianza del 99%. Por otra parte, el impacto de este atributo sobre la dimensin Estructura se expresa en el hecho de que: a) El coeficiente de correlacin es igual a 0,5608, indicando con ello la existencia de una relacin moderadamente fuerte entre las variables analizadas. b) El valor alcanzado por el estadstico R-squared indica que el comportamiento del atributo Avituallamiento explica slo un 31,45% de la variabilidad que ocurre en la dimensin Estructura. Es por tanto, un atributo a tener muy en cuenta tanto por la gerencia como por el conjunto de proveedores internos y externos, as como por el personal que se encuentra en el rea de alojamiento (Ama de llaves) porque es este el lugar donde fundamentalmente se reflejan los principales momentos de verdad asociados a su comportamiento. Los valores obtenidos le confieren un lugar destacado dentro del sistema de gestin de la calidad del hotel por cuanto aunque no posee una alta capacidad explicatorio, dada la significacin del grado de correlacin se convierte en un elemento generador de calidad que influye en el proceso de la prestacin del servicio.

HASPNET. Texto bsico.

178

Anlisis del atributo Sealizacin (A9): Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: All Independent variable: Senal ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 24,3009 30,851 0,787685 0,4393 Slope 0,654378 0,177738 3,6817 0,0013 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 295627,0 1 295627,0 13,55 0,0013 Residual 479811,0 22 21809,6 ----------------------------------------------------------------------------Total (Corr.) 775438,0 23 Correlation Coefficient = 0,617445 R-squared = 38,1239 percent Standard Error of Est. = 147,681 Con P-value de 0,0013 y nivel de confianza del 99%, este atributo presenta relaciones estadsticamente significativas con el comportamiento de la dimensin Estructura. El coeficiente de correlacin alcanza un valor de 0,617445 indicando con ello la existencia de una intensidad moderadamente fuerte de las relaciones entre las variables. El valor del estadstico R-squared indica que el modelo explica un 38,12% de la variabilidad que ocurre en la dimensin estudiada. Somos del criterio de que el comportamiento de este atributo es tambin generador de influencias sobre seguridad y puede convertirse en acelerador de potenciales riesgos que afecten no slo la calidad, imagen del hotel, sino tambin de la integridad fsica de los clientes, as como la calidad de los procesos al dificultar el rpido acceso y la orientacin del cliente en busca de los mismos. En resumen, todos los atributos manifiestan relaciones estadsticamente significativas con P-value menores que 0,01 y nivel de confianza del 99%. La intensidad de las correlaciones va de moderada a relativamente fuerte confirmando con ello la hiptesis de que a mayor comportamiento de los atributos, mejor comportamiento de la calidad del servicio en la dimensin estudiada. El anlisis tambin devela los atributos que poseen mayor capacidad explicatoria del comportamiento de la dimensin estudiada y estos son: Iluminacin, Limpieza y Orden y Mobiliario y Decoracin todo lo cual coincide con el anlisis efectuado acerca de los niveles de calidad que cada atributo alcanza. Resultados de la Dimensin No.3. Proceso: Estos resultados se exponen en el Anexo No.1. Se puede apreciar que la misma alcanza un nivel del 60,59% lo que la sita en una zona de Muy Alta Calidad, aunque prxima a la zona de Alta. Es la Dimensin de mejores resultados en el hotel confirmando la hiptesis de que la calidad est en los procesos.

HASPNET. Texto bsico.

179

Los atributos que ms han influido en el logro de este nivel, son los que tienen que ver con la Amabilidad y Cortesa con un 83,08% (zona Extremadamente Alta), siendo el de mejor comportamiento y el que a juicio de los directivos es el que ms influye en la satisfaccin de los clientes externos. Influyen tambin de manera destacada la Disposicin a Ayudar a los clientes con un 60,56% (zona Muy Alta), la Apariencia Personal con un 60,47% (zona Muy Alta). El resto de los atributos se ubica en la zona Alta o muy prxima a ella. Impacto de cada uno de los atributos sobre la Dimensin: Dada las caractersticas de esta dimensin y la hiptesis subyacente de que la calidad est en los procesos, decidimos primeramente comprobar si existan o no diferencias significativas entre los valores de los diferentes atributos. Para ello se aplic el Procedimiento de Comparacin de Mltiples Muestras, dentro del cual utilizamos el Anlisis de Varianza (ANOVA) y el F-test, as como el Test de Kruskall-Wallis para comprobar si se verificaba o no la hiptesis nula acerca de que las medianas de los siete atributos analizados en la dimensin, sean iguales. Segn los resultados que se muestran, ANOVA Table Analysis of Variance -------------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------------Between groups 213625, 0 6 35604, 1 0, 35 0, 9089 Within groups 1,6361E7 161 101621, 0 -------------------------------------------------------------------------------------Total (Corr.) 1,65746E7 167 The StatAdvisor Se comprueba que el P-value del F-test es muy superior a 0,05, de donde se deduce que no existen diferencias estadsticamente significativas entre las medias de los 7 atributos a un nivel de confianza del 95,0%. Esto significa que el impacto de cada uno de los atributos sobre el comportamiento de la dimensin en cuestin es ms o menos homogneo, aunque no exento de diferencias. Anlisis del Atributo Amabilidad y Cortesa: De acuerdo con los resultados de la aplicacin del Mtodo EVALPROC para medir el impacto de los atributos en la Dimensin Proceso, se obtiene, Amabilidad y cortesa (A10): Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: Proceso Independent variable: A10 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -14,7139 13,1344 -1,12026 0,2747 Slope 0,413691 0,0229044 18,0617 0,0000 -----------------------------------------------------------------------------

HASPNET. Texto bsico.

180

Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 1,05648E6 1 1,05648E6 326,22 0,0000 Residual 71247,3 22 3238,51 ----------------------------------------------------------------------------Total (Corr.) 1,12773E6 23 Correlation Coefficient = 0,967896 R-squared = 93,6822 percent Standard Error of Est. = 56,9079 Se puede apreciar que el p-value de la tabla ANOVA es menor que 0,01, lo cual demuestra que existe una relacin estadsticamente significativa entre el comportamiento del atributo y la dimensin analizada a un nivel de confianza del 99%. Por otra parte, el impacto de este atributo sobre la dimensin proceso se expresa en el hecho de que: a) El coeficiente de correlacin es igual a 0,950055, indicando con ello la existencia de una relacin relativamente fuerte entre las variables analizadas. b) El valor alcanzado por el estadstico R-squared indica que el comportamiento del atributo Amabilidad y Cortesa explica un 90,2605% de la variabilidad que ocurre en la dimensin proceso. Es por tanto, un atributo a tener muy en cuenta tanto por la gerencia como por el conjunto de proveedores internos y externos, as como por el personal que se encuentra en el front line, lugar donde se generan los principales momentos de verdad asociados a su comportamiento. Los valores obtenidos le confieren un lugar destacado dentro del sistema de gestin de la calidad del hotel dada su alta capacidad explicatoria y la influencia que tiene como elemento generador de calidad durante el proceso de la prestacin del servicio. Esta ltima afirmacin se evidencia en el hecho de que su aporte concreto a la posible buena calidad de la dimensin Procesos es del 83,08%, el ms alto en comparacin con el resto de los atributos. Anlisis del Atributo Rapidez: Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: Proceso Independent variable: A11 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 61,7259 39,0828 1,57936 0,1285 Slope 0,349587 0,105113 3,32583 0,0031 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 377299,0 1 377299,0 11,06 0,0031 Residual 750427,0 22 34110,3

HASPNET. Texto bsico.

181

----------------------------------------------------------------------------Total (Corr.) 1,12773E6 23 Correlation Coefficient = 0,578417 R-squared = 33,4566 percent Standard Error of Est. = 184,69 Se puede apreciar que el p-value de la tabla ANOVA, al igual que en el caso anterior tambin es menor que 0,01, lo cual demuestra que existe una relacin estadsticamente significativa entre el comportamiento del atributo y la dimensin analizada a un nivel de confianza del 99%. Por otra parte, el impacto de este atributo sobre la dimensin proceso se expresa en el hecho de que: a) El coeficiente de correlacin es igual a 0,578453, indicando con ello la existencia de una relacin moderadamente fuerte entre las variables analizadas. b) El valor alcanzado por el estadstico R-squared indica que el comportamiento del atributo Rapidez explica un 33,4608% de la variabilidad que ocurre en la dimensin proceso. Tambin es un atributo a tener muy en cuenta por la gerencia del hotel, el conjunto de proveedores internos y externos, as como por el personal que se encuentra en el front line, lugar donde se generan los principales momentos de verdad asociados a la rapidez. Los valores obtenidos le confieren un lugar destacado dentro del sistema de gestin de la calidad del hotel dada su capacidad explicatoria y la influencia que tiene como elemento generador de calidad durante el proceso de la prestacin del servicio, aunque no en el mismo grado que el atributo Amabilidad y Cortesa anteriormente analizado. Esta ltima afirmacin se evidencia en el hecho de que su aporte concreto a la posible buena calidad de la dimensin Procesos es del 46,26%, el segundo ms bajo en comparacin con el resto de los atributos. Anlisis del Atributo Prontitud en el servicio: Aunque es un atributo muy vinculado al anterior, se diferencia sin embargo en el hecho de que el mismo se refiere a la capacidad de respuesta que tiene el prestador ante los requerimientos que realiza el cliente que se encuentra, tanto en espacio como en tiempo, en el proceso de consumo del servicio, mientras que la rapidez se refiere al tiempo total en que el proceso en su conjunto transcurre. Por eso su capacidad explicatorio es muy superior al de Rapidez. Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: Proceso Independent variable: A13 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 44,1652 18,9432 2,33146 0,0293 Slope 0,863314 0,0795318 10,855 0,0000 -----------------------------------------------------------------------------

HASPNET. Texto bsico.

182

Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 950297,0 1 950297,0 117,83 0,0000 Residual 177429,0 22 8064,98 ----------------------------------------------------------------------------Total (Corr.) 1,12773E6 23 Correlation Coefficient = 0,917968 R-squared = 84,2666 percent Standard Error of Est. = 89,8052 Ntese que el P-value es menor que 0,01 con nivel de confianza del 99%, confirmando con ello la existencia de relaciones estadsticamente significativas entre el atributo y la dimensin en cuestin. Por otra parte, el coeficiente de correlacin es igual a 0,917968 indicando la existencia de una intensidad en las relaciones entre las variables de relativamente fuerte. El estadstico R-squared indica que el modelo explica un 84,27% de la variabilidad en la dimensin Proceso, adquiere sin embargo un nivel de calidad del 43,77%, el de peor comportamiento dentro de la dimensin (zona de baja calidad). Anlisis del Atributo Solucin de los Problemas de los Clientes: Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: Proc (Process) Independent variable: S (Solucin de problemas) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 16, 4056 13, 8466 1, 18481 0, 2487 Slope 0,991555 0, 0722164 13, 7303 0, 0000 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------------Model 848927,0 1 848927,0 188,52 0,0000 Residual 99067, 4 22 4503, 07 ----------------------------------------------------------------------------------Total (Corr.) 947994, 0 23 Correlation Coefficient = 0,946307 R-squared = 89, 5498 percent Standard Error of Est. = 67, 1049 Constituye tambin un atributo de alta capacidad explicatoria. Ello se comprueba por los resultados obtenidos por el P-value menor que 0,01 y nivel de confiabilidad del 99%, as como tambin por el valor alcanzado por el coeficiente de correlacin equivalente a 0,946307 lo que indica una intensidad calificada como de relativamente fuerte y por el estadstico R-squared que indica que el modelo explica un 89,55% de la variabilidad en la dimensin Proceso. Por su alta capacidad explicatoria merece prestarle mxima atencin ya que su nivel de calidad positiva (50,61%), esta en zona de Alta Calidad.

HASPNET. Texto bsico.

183

Anlisis del Atributo Seguridad: Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: Proceso. Independent variable: A14 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 29,666 15,2613 1,94387 0,0648 Slope 1,29327 0,0912862 14,1672 0,0000 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 1,01633E6 1 1,01633E6 200,71 0,0000 Residual 111400,0 22 5063,65 ----------------------------------------------------------------------------Total (Corr.) 1,12773E6 23 Correlation Coefficient = 0,949324 R-squared = 90,1217 percent Standard Error of Est. = 71,1594 Su comportamiento no difiere de los anteriores. El P-value es menor que 0,01 indica la existencia de relaciones estadsticamente significativas entre el atributo Seguridad y la dimensin Proceso a un nivel de confiabilidad del 99% y coeficiente de correlacin con intensidad de relativamente fuerte entre las variables dado su valor equivalente a 0,949324. El estadstico R-squared por el nivel que alcanza indica que el modelo explica en un 90,12% la variabilidad en la dimensin estudiada. Como en el caso anterior y por sus implicaciones en la integridad fsica de las personas, merece atencin especial si adems tenemos en cuenta que, como ya se explic, su nivel de calidad es del 49,18%, es decir nivel Bajo aunque muy cercano a zona Alta. Anlisis del Atributo Apariencia Personal: Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: Proceso Independent variable: A15 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 10,5299 14,1673 0,743254 0,4652 Slope 1,12894 0,0711606 15,8647 0,0000 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 1,03708E6 1 1,03708E6 251,69 0,0000 Residual 90650,8 22 4120,49 ----------------------------------------------------------------------------Total (Corr.) 1,12773E6 23 Correlation Coefficient = 0,958966 R-squared = 91, 9616 percent Standard Error of Est. = 64,191

HASPNET. Texto bsico.

184

El comportamiento de este atributo da continuidad a la tendencia observada en los anteriores, es decir, el P-value menor que 0,01 demuestra la existencia de relaciones estadsticamente significativas entre las variables a un nivel de confianza del 99%. El grado de intensidad de la correlacin entre las variables es de 0,958966, relativamente fuerte, El estadstico R-squared indica que el modelo explica el 91,96% de la variabilidad en la dimensin Proceso. En aporte al nivel de calidad positiva de la dimensin ocupa el tercer lugar con 60,47%, en zona de Alta Calidad. Anlisis del Atributo Disposicin a Ayudar a los Clientes: Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------Dependent variable: Proceso Independent variable: A16 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 57,1251 40,4921 1,41077 0,1723 Slope 0,540555 0,173779 3,11059 0,0051 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 344479,0 1 344479,0 9,68 0,0051 Residual 783247,0 22 35602,2 ----------------------------------------------------------------------------Total (Corr.) 1,12773E6 23 Correlation Coefficient = 0,552687 R-squared = 30,5463 percent Standard Error of Est. = 188,685 Aunque el P-value es menor que 0,01, demostrando con ello la existencia de relaciones estadsticamente significativas entre el atributo y la dimensin al nivel de confianza del 99%, sin embargo el coeficiente de correlacin es de 0,552687 evidenciando una intensidad de la misma de moderadamente fuerte entre las variables. El estadstico R-squared indica que el modelo explica el 30,55% de la variabilidad en la dimensin Proceso. Su valor de calidad (60,56), es el segundo ms alto dentro de la dimensin, ubicado en zona de Alta Calidad. En resumen, aqu como en la dimensin Estructura, todos los atributos manifiestan relaciones estadsticamente significativas con P-value menores que 0,01 y nivel de confianza del 99%. La intensidad de las correlaciones va de moderada a relativamente fuerte confirmando con ello la hiptesis de que a mayor comportamiento de los atributos, mejor comportamiento de la calidad del servicio en la dimensin estudiada. El anlisis tambin devela los atributos que poseen mayor capacidad explicatoria del comportamiento de la dimensin estudiada y estos son: La prontitud en el Servicio, Amabilidad y Cortesa, Seguridad, Solucin de Problemas y Apariencia Personal, todo lo cual coincide con el anlisis efectuado acerca de los niveles de calidad que cada atributo alcanza. Anlisis de Correlacin entre Dimensiones: Utilizando modelos de regresin mltiple, analizaremos los impactos que tiene una dimensin sobre otra.

HASPNET. Texto bsico.

185

Correlacin entre la Dimensin Entrada y la Dimensin Estructura. Los resultados que se muestran, por la aplicacin del Mtodo EVALPROC en la medicin del impacto de la Dimensin Entrada sobre la Dimensin Estructura, Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: Estruc ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 15, 9498 24, 2569 0,657536 0, 5180 Info 1, 05268 2, 38564 0,441258 0, 6635 Prec -0, 573263 2, 5082 -0, 228555 0, 8214 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------------Model 242664, 0 2 121332, 0 9, 08 0, 0014 Residual 280511, 0 21 13357, 7 ----------------------------------------------------------------------------------Total (Corr.) 523175, 0 23 R-squared = 46, 3829 percent R-squared (adjusted for d.f.) = 41, 2765 percent Standard Error of Est. = 115,575 Mean absolute error = 88,375 Durbin-Watson statistic = 2, 90434 Nos permite afirmar: Primero: El P-value en la tabla ANOVA es menor que 0,01 indicando la existencia de una relacin estadsticamente significativa entre los atributos que conforman la dimensin Entrada (variables independientes) y la dimensin Estructura (variable dependiente) a un nivel de confianza del 99%. Segundo: El estadstico R-squared indica que el modelo explica un 46,38% de la variabilidad en la dimensin Estructura. Tercero: Dado los resultados de los dos aspectos anteriormente mencionados, podemos afirmar que se cumple la hiptesis de que si mejoran los resultados de la dimensin Entrada, entonces mejora el comportamiento de la dimensin Estructura. Correlacin entre la Dimensin Estructura y la Dimensin Proceso: En el anlisis de esta correlacin, los resultados que se muestran, Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: Proc ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 0,45473 11,0157 0,0412803 0,9676 Avit 0,0506774 0,0755708 0,670594 0,5120 Hg 0,157779 0,0805156 1,9596 0,0677

HASPNET. Texto bsico.

186

Ilum -0,231384 0,116473 -1,98659 0,0644 Lpza 0,215346 0,109527 1,96614 0,0669 Mob -0,121529 0,137217 -0,885669 0,3889 Seal 0,872079 0,0625515 13,9418 0,0000 Temp 0,289767 0,0967336 2,99552 0,0086 -----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------------Model 908561,0 7 129794,0 52,66 0,0000 Residual 39433,9 16 2464,62 ----------------------------------------------------------------------------------Total (Corr.) 947994,0 23 R-squared = 95,8403 percent R-squared (adjusted for d.f.) = 94,0204 percent Standard Error of Est. = 49,6449 Mean absolute error = 31,2675 Durbin-Watson statistic = 1,69323 (P=0,4426) Lag 1 residual autocorrelation = 0,134956 Nos permiten afirmar: Primero: El P-value en la tabla ANOVA es menor que 0,01 indicando con ello la existencia de una relacin estadsticamente significativa entre los atributos que conforman la dimensin Estructura (variables independientes) y la dimensin Proceso (variable dependiente) a un nivel de confianza del 99%. Segundo: El estadstico R-squared ajustado indica que el modelo explica un 94,02% de la variabilidad en la dimensin Proceso. Correlacin entre la Dimensin Proceso y la Dimensin Salida: El anlisis de esta correlacin es muy importante desde el punto de vista del impacto que tiene el comportamiento de la dimensin Proceso en la Calidad Percibida del Servicio por parte del cliente externo. Los resultados de nuestra investigacin aparecen sintetizados en el grfico anteriormente expuesto. Primero: El P-value en la tabla ANOVA es menor que 0,01 indicando con ello la existencia de una relacin estadsticamente significativa entre los atributos que conforman la dimensin Proceso (variables independientes) y la dimensin Salida (Calidad Percibida del Servicio por el cliente externo, variable dependiente) a un nivel de confianza del 99%. Segundo: El estadstico R-squared indica que el modelo explica un 90,71% de variabilidad en la Calidad Percibida. El valor ajustado de este estadstico es de 86,65%. Tercero: Finalmente y lo que es ms importante se verifica la hiptesis de que la calidad est en los procesos. A mejor comportamiento de esta dimensin, mayor calidad percibida del servicio prestado.

HASPNET. Texto bsico.

187


Impacto de la dimensin Proceso en la dimensin output

A1

* 48 ** 17 % 82 27 0, 7,5 6
0,6 37 1434 ,7 42 8* 4% ** 0,854 686* 73, 0 489% **

A2

A3

D3

A4

0,807914* 65, 2725%**


* 2888 0,81 787%** 0 , 66

D4

Output

A5

A1: Amabilidad y Cortesa A2: Rapidez A3: Prontitud en el servicio A4: Solucin de problemas A5: Seguridad A6: Apariencia personal A7: Disposicin a ayudar a
los clientes.

A6

* 94 ** 80 0, 129% ,5 65

A7

* Correlation Coefficient ** R-squared Con: P-value < 0.01 Nivel de confianza = 99% 86,65%

Tercero: Dado los resultados de los dos aspectos anteriormente mencionados, podemos afirmar que existe una enorme dependencia de la realizacin de los procesos de servicio y de los atributos que lo conforman de aquellos que integran la dimensin Estructura y que se cumple por tanto la hiptesis de que si mejoran los resultados de la dimensin Estructura, entonces mejora el comportamiento de la dimensin Proceso. Resumen: Un anlisis globalizador de lo expuesto en este captulo nos permite afirmar que se demuestra que el Modelo EVALPROC posee robustez cientfica y pertinencia. Los instrumentos diseados para efectuar la medicin de la calidad del servicio percibida son vlidos y confiables. El anlisis por dimensiones ha permitido verificar las hiptesis de que a mejor comportamiento de cada uno de los atributos que las conforman, mejor comportamiento de la dimensin en cuestin. Los modelos de regresin aplicados demuestran que las relaciones entre los atributos y sus dimensiones son estadsticamente significativas con niveles de fiabilidad del 99%. Los anlisis realizados en cada una de las partes del captulo demuestran que el sistema de relaciones del modelo se puede concebir como una cadena en la que se articulan, mediante relaciones de causa-efecto, las diferentes dimensiones que lo conforman, tal y como se visualizan a continuacin:

0, 42 654 , 8 89 88 3* 5% **

HASPNET. Texto bsico.

188

HASPNET. Texto bsico.

189

Anexo No.1: Resultados de Calidad segn EVALPROC D1-Entrada


A1 1 150 120 80 770 140 80 260 180 60 120 90 130 2180 -1 -80 -60 -35 430 -40 -30 -15 -70 -10 -7 -30 100 907 1 115 95 80 730 145 80 230 190 46 75 70 115 1971 A2 -1 -80 -50 -30 -410 -30 -30 -40 -50 -14 -11 -40 -80 -865 1 1481 310 301 205 180 190 500 320 243 150 176 370 4426 A3 -1 -813 -75 -170 -143 -64 -60 -44 -185 -44 -35 -70 -188 -1891 1 112 60 68 167 245 77 100 145 697 70 93 68 1902 A4 -1 -89 -45 -17 -78 -25 -57 -87 -39 419 -40 -68 -17 981 1 117 88 239 106 39 64 59 113 134 107 58 93 1217 7 2427 0,29 A5 -1 -91 -85 -35 -150 -20 -25 -53 -100 -50 -470 -55 -76 -1210 1 1481 154 154 313 235 138 145 77 328 467 207 224 3923

D2-Estructura
A6 -1 -879 -70 -184 -53 -184 -82 -28 -36 -174 -74 -130 -182 -2076 1 230 149 69 98 56 54 148 33 120 709 91 110 1867 697 3037 22,95 A7 -1 -44 -105 -45 -71 -30 -57 -36 -27 -94 -488 -78 -95 1170 1 87 140 160 78 63 106 83 804 164 133 153 158 2129 A8 -1 -30 -100 -20 -40 -33 -83 -84 -430 -37 -14 -10 -13 -894 1 171 238 171 40 100 602 79 94 67 135 61 93 1851 A9 -1 -66 -33 -30 -17 -88 -381 -75 -71 -18 -45 -45 -96 -965 1 241 437 212 265 530 2342 478 239 364 730 645 594 7077 A10 -1 -77 -70 -26 -56 -42 -81 -88 -19 -30 -28 -74 -63 -654 1 349 154 140 152 98 323 1574 175 185 151 296 123 3720 A11 -1 -90 -230 -25 -25 -15 -12 -472 -157 -151 -21 -71 -98 -1367 1 165 133 66 77 116 710 118 36 79 181 72 111 1864 A12 -1 -87 -51 -21 -90 -53 -59 -88 -21 -35 -88 -40 -96 -729

D3-Proceso
A13 1 66 230 66 39 11 1082 83 97 71 134 168 97 2144 -1 -46 -38 -42 -17 -94 -74 -94 -68 -15 -44 -70 -101 -703 1 65 238 74 34 114 685 78 96 62 137 184 100 1867 A14 -1 -42 -32 -34 -24 -73 -76 -70 -67 -23 -44 -61 -90 -636 1 59 244 79 39 212 793 178 91 173 150 201 192 2411 A15 -1 -45 -26 -32 -20 -82 -70 -64 -71 -13 -32 -44 -95 -594 1 107 192 157 74 93 249 36 78 113 1044 83 62 2288 A16 -1 -88 -56 -27 -11 -70 -20 -23 -32 -79 -62 -52 -42 -562

1273 3087 41,24 4151 1772 2379 40,17

1106 2846 38,86

2535 6317 40,13

921 2883 31,95

1847 5999 30,79 17315 9187

1235 3023 40,85

886 2816 31,46

6423 7731 83,08

2353 5087 46,26

1135 2593 43,77

1441 2847 50,61 21371 5245

1231 2503 49,18

1817 3005 60,47

1726 2850 60,56

5923

8128 30,67

26502

16126 60,59

45,11

HASPNET. Texto bsico.

190

aptulo VII: Evaluacin 360 grados

7.1 Qu es la Evaluacin 3600?

Segn Mora (2005) es una herramienta que pretende dar a los empleados una

perspectiva de su desempeo lo ms completa y objetiva como sea posible, para obtener informacin desde todos los ngulos. Es un tipo de evaluacin donde la persona es evaluada por todo su entorno: jefes, pares y subordinados. Puede incluir otras personas, como clientes o proveedores. Otros plantean que es un instrumento que permite que la persona sea evaluada por todo su entorno laboral, ya que recoge informacin obtenida de sus jefes, subalternos, pares y del propio evaluado. Incluso puede involucrar a proveedores o clientes tanto internos como externos que reciben los servicios de la persona. Se puede apreciar perfectamente que es una herramienta que no sujeta la evaluacin del trabajador al nico juicio de su jefe, sino que ofrece una visin panormica por parte de otras personas que lo conocen y lo ven actuar, la cual nos permite identificar con precisin sus fortalezas y reas de mejoramiento en relacin con las competencias (conocimientos, cualidades y habilidades) identificadas y seleccionadas por la empresa como fundamentales para su permanencia, desarrollo y crecimiento.

Una vez identificadas las fortalezas y reas de mejoramiento de la persona, se le brinda retroalimentacin sobre su desempeo laboral. Con base en este mayor conocimiento de s mismo, el trabajador podr construir su propio Plan de Desarrollo para mejorar su desempeo y con ello, maximizar los resultados de la empresa [19]. Algunos subrayan que constituye una excelente herramienta para manejar la retroalimentacin [20] y que son herramientas muy poderosas para ayudar a la gente a mejorar, crecer y desarrollar sus habilidades blandas (interpersonales) mostrando al individuo lo que otros piensan de su desempeo comparado con como debera de ser [21]. Este tipo de evaluacin es tambin conocida como evaluacin integral que pretende dar a los empleados una perspectiva de su desempeo lo ms adecuada posible, al obtener aportes desde todos los ngulos: supervisores, compaeros, subordinados, clientes internos, etc. [22] Existen coincidencias marcadas entre las diferentes opiniones expresadas aqu, las que a nuestro juicio, se pueden referir a: El carcter integral de este tipo de evaluacin. La quiebra del monopolio por parte de una persona de la evaluacin sobre el desempeo de otra.

En el grfico siguiente se expresan las relaciones que este tipo de evaluacin presupone:

19 20

Disponible en http://www.e360grados.com/encuesta.htm, 2005. Disponible en http://www.luisfpacheco.net/mejora_desempeno.htm, 2005 21 Disponible en http://www.successinsights.com/s_successinsights/spanish/s_discovery_360.html, 2005. 22 Disponible en http://www.curriculum.cl/publish/article_25.shtml, 2005.

HASPNET. Texto bsico.

191

Cules son los objetivos de la Evaluacin 360 grados? Segn Mora (2005) los objetivos de este tipo de evaluacin pueden ser resumidos de la manera siguiente: 1. Conocer el desempeo de cada uno de los evaluados de acuerdo a diferentes competencias requeridas por la empresa y el puesto en particular. 2. Detectar reas de oportunidad del individuo, del equipo y/o de la organizacin. 3. Llevar a cabo acciones precisas para mejorar el desempeo del personal y, por lo tanto, de la organizacin. La evaluacin 360 grados ayuda a los directivos a cumplir sus objetivos estratgicos y es una herramienta para evaluar los comportamientos de los actores que participan en ella brindndoles una oportunidad de expresarse y mejorar [23]. Segn Mora (2005), su verdadero objetivo es el desarrollo de las personas, permitindoles detectar las reas de oportunidad y poder establecer estrategias para mejorar. Este autor continua diciendo que con este tipo de evaluacin las organizaciones proporcionan a su personal una formidable herramienta de autodesarrollo lo que constituye una buena herramienta para el desarrollo de competencias del personal. Esta herramienta
[24]

Permite una evaluacin ms objetiva y confiable al proporcionar retroalimentacin de varias fuentes. Ayuda a identificar personas lderes y con alto nivel de potencial para su retencin y desarrollo. Los jefes tienen la oportunidad de saber lo que se opina de ellos. Proporciona informacin respecto de reas claves del desempeo como son: liderazgo, trabajo en equipo, delegacin, servicio al cliente, solucin de problemas, etc. Provee de informacin para la Planeacin del Desarrollo Individual. Genera planes especficos de capacitacin y entrenamiento.

Cules son sus principales usos? Los principales usos que se da a la evaluacin de 360 grados son las siguientes
23

[25]

Disponible en http://datospymes.com/modules/news/article.php?storyid=858 (2005) Disponible en http://www.e360grados.com/benef.htm (2005) 25 Segn http://www.curriculum.cl/publish/article_25.shtml, 2005.


24

HASPNET. Texto bsico.

192

Medir el Desempeo del personal Medir las Competencias (conductas). Disear Programas de Desarrollo.

Su propsito es darle al empleado la retroalimentacin necesaria para tomar las medidas para mejorar su desempeo, su comportamiento o ambos, y dar a la gerencia la informacin necesaria para tomar decisiones en el futuro [26]. Cules son sus ventajas con respecto a otros tipos de evaluacin?
[27]

El sistema es ms amplio en el sentido que las respuestas se recolectan desde varias perspectivas. La Calidad de la informacin es mejor (la calidad de quienes responden es ms importante que la cantidad). Complementa las iniciativas de administracin de calidad total al hacer nfasis en los clientes internos, externos, y en los equipos. Puede reducir el sesgo y los prejuicios, ya que la retroinformacin procede de ms personas, no slo de una. La retroalimentacin de los compaeros y los dems podr incentivar el desarrollo del empleado.

Dnde radican sus debilidades? El sistema es ms complejo, en trminos administrativos, al combinar todas las respuestas. La retroalimentacin puede ser intimidatoria y provocar resentimientos si el empleado siente que quienes respondieron se "confabularon". Quiz haya opiniones en conflicto, aunque puedan ser precisas desde los respectivos puntos de vista. Para funcionar con eficacia, el sistema requiere capacitacin. Mantiene vicios culturales de comportamiento porque los calificadores pueden juzgar en forma sesgada, intencional y tambin inconsciente. La enorme facilidad para editar cuestionarios no garantiza que queden bien diseados y deja al aire la calidad de los resultados. La observacin superficial del comportamiento deja intactas sus causas profundas y promueve las mejoras cosmticas o aparentes. Los usos y costumbres acaban por imponerse al mtodo orientndolo a intereses privados, poder, rencillas interpersonales, control informal, etc., ms que a la eficiencia(28).

7.2. Aplicacin de los preceptos de la evaluacin 360 grados a un caso real. os resultados que se mostrarn a continuacin se derivan de la aplicacin de este tipo de evaluacin a la solucin de un problema concreto. En este caso a la determinacin del impacto de los valores, identificados como compartidos por la Cadena ACCOR Mercure en un hotel del Polo Turstico de Varadero, sobre la calidad percibida del servicio en procesos seleccionados. Lo primero que vamos a presentar consiste en el diseo metodolgico de este tipo de investigacin para luego adentrarnos en la demostracin de la validez y confiabiliad de la evaluacin 360 grados.

26
27

Idem nota 7. Idem nota 7.


http://www.luisfpacheco.net/mejora_desempeno.htm; curriculum.cl/publish/article_25.shtm

28

HASPNET. Texto bsico.

193

7.2.1. Diseo Metodolgico del proceso de la medicin. Seguimos un proceso por fases y etapas las cuales se detallan a continuacin. Fase No.1: Construccin del Estado del arte. Etapa No.1. Bsqueda, localizacin y seleccin de la literatura sobre el tema: modelos, variables de los modelos, estrategias y tcnicas de medicin, experiencias de implementacin incluyendo organizacin y estructuras, teoras que soportan a los modelos. Tcnicas 1.1.1. Medios de bsqueda en Internet, bibliotecas, etc. Etapa No.2. Procesamiento y anlisis de informacin. Tcnicas 2.1. Matriz de conceptos/autores. 2.2. Distribucin de frecuencias para conceptos. 2.3. Grficos de Pareto. 2.4. Comparacin. Etapa No.3: Construccin de Modelos para la entidad objeto de estudio. Tcnicas 3.1. Interrelacin de las variables. Esta fase con sus respectivas etapas, fases y tcnicas de trabajo se cumpliment, bsicamente en el captulo I de la investigacin, donde se identific el modelo de gestin del cliente interno ms reconocido y se expuso el que se aplicar en el presente estudio. Aqu, como se puede ver quedaron identificadas todas las variables que el modelo recoge, pero no fueron descritas las caractersticas inherentes a cada una de ellas. Esta tarea se inicia en la Fase II. Fase No.2: Estrategia de Medicin: Construccin de instrumentos de medicin. Etapa No. 4: Generacin de aspectos a medir para cada variable segn fuentes. Tcnicas: 4.1. Medios de bsqueda en Internet, bibliotecas, etc. (Etapa 2). 4.2. Expertos (evaluacin). 4.2.1. Seleccin (29). 4.3. Entrevistas/cuestionarios (Anexo No.4). 4.4. Registros de informacin. Etapa No.5: Obtencin de listado de tems a medir de las personas (listado 1) y de los documentos (listado 2), as como listado nico. En general aqu se siguen las indicaciones de las tcnicas de la Etapa 2. Fase No.3: Estrategia de Medicin: Validacin de instrumentos de medicin. Etapa No.6: Validez de contenido. Tcnicas: 3.1.Expertos/cuestionario. 3.2. Estadsticas descriptivas. 3.3. Correlacin tem-total. 3.4. Coeficiente Consenso. El objetivo de esta Fase es comenzar a discernir el grado en que nuestros instrumentos realmente miden lo que pretendemos medir (Validez de contenido) y para ello proponemos se utilice la propuesta de Ruiz Bolvar, Carlos (1988) cuando seala que la Validez Puede ser determinada por diferentes mtodos tales como: el de jueces expertos, para determinar la validez de contenido ( 30).

Siguiendo el procedimiento descrito en el presente texto. Uso y Abuso de la Escala Likert en la Investigacin Psicoeducativa. Universidad Pedaggica Experimental Libertador. Investigacin y Postgrado, Volumen 3, No.1, enero 1988.
30

29

HASPNET. Texto bsico.

194

Esta es una propuesta sencilla, de fcil aplicacin y que cumple perfectamente el objetivo de este paso. Slo tenemos que hacer algunas precisiones conceptuales. Nos interesa someter a juicio de estos expertos el listado de caractersticas que hemos conformado en el paso anterior y que stos se manifiesten de manera favorable o desfavorable con respecto a cada una de ellas. Si nos mantenemos fieles al principio enunciado en el comienzo de este captulo acerca de la unidad del objeto y del mtodo, nos daremos cuenta de que lo que subyace en el juicio de tales personas son sus actitudes y eso nos llevara a utilizar algn tipo de escala para medir tales actitudes. El resultado de esa medicin sera el indicador que utilizaramos para mantener o eliminar alguna de las caractersticas listadas. Utilizacin de estadsticos descriptivos: El procedimiento a seguir: a) b) c) d) e) f) Seleccionar el tipo de escala a utilizar. Elaborar el cuestionario escala a aplicar. Aplicar el cuestionario escala. Recoger y revisar el cuestionario escala aplicado. Procesar (analizar) la informacin. Formular las conclusiones pertinentes.

Veamos brevemente algunas reflexiones sobre los distintos pasos enumerados con anterioridad. Seleccionar el tipo de escala a utilizar: Para este caso concreto debemos recordar que los mtodos ms conocidos para medir actitudes son:

El Mtodo de escalamiento Likert. El Mtodo del Diferencial Semntico. El Mtodo de la Escala de Guttman ( 31)

El investigador debe seleccionar el tipo de escala que mejor se ajuste al tipo y a las necesidades de su investigacin. Elaborar el cuestionario escala a aplicar: Las reglas para la elaboracin de cuestionarios han sido abordadas en la literatura de modos muy diversos. Nosotros proponemos seguir la idea de B. Hayes (2000). Para el caso concreto de esta investigacin se propone la utilizacin del Escalamiento tipo Likert, dada su popularidad, amplia experiencia de utilizacin por nuestros investigadores en el Centro de Estudio de Turismo y correspondencia con los fines de la presente investigacin. Aplicar el cuestionario escala, lo que requiere: Coordinar con los expertos. La reproduccin del cuestionario en cantidades suficientes cuidando la calidad de la misma. Se debe tener presente que la aplicacin de los cuestionarios se puede realizar de maneras diversas y modos diferentes. Puede ser que se le entregue directamente a la persona para que lo llene, que en este paso se
31

Para profundizar en este campo ver: Metodologa de la Investigacin. Segunda Edicin s/f y s/a. Hayes, Bob E. Cmo medir la satisfaccin del cliente. Desarrollo y utilizacin de cuestionarios. Ediciones Gestin 2000, S.A. pp. 13-133.

HASPNET. Texto bsico.

195

acompae con una asesora para alguna aclaracin o que el entrevistador lea el tem, lo explique y marque en la casilla correspondiente el juicio del decisor. Todo ello depender del modo en que se suministre, que puede ser: por fax, e-mail, directamente, etc. Recoger y revisar el cuestionario escala aplicado: En este paso lo ms importante es cerciorarse de que los cuestionarios aplicados han sido correctamente llenados. Si se detectaran incorrecciones se pueden anular y/o reprocesar devolviendo y sealando a las personas los errores para que tomen acciones correctivas. Este es un paso que debe minimizarse al mximo por los costos que implican los reprocesos. Procesar (analizar) la informacin: Los resultados de los cuestionarios escalas aplicados constituyen los inputs para el procesamiento, cuya salida ser una informacin que nos permitir decidir qu tems se quedan y cules no. Dos procedimientos proponemos utilizar para realizar este procesamiento: Primero: Construir una matriz de datos en una hoja de clculo Excel, donde por las columnas estarn las personas consultadas y por filas los tems formulados. En la celda correspondiente se sita el valor de decisin de cada persona consultada para cada tem. Una vez realizada esta operacin se calcularn los estadsticos descriptivos siguientes para cada uno de los tems y total:

Media Moda Mediana Varianza Desviacin Estndar Rango

Interpretacin descriptiva de los resultados: Los resultados obtenidos permiten medir el grado de acuerdo o desacuerdo con que los tems y el cuestionario miden las caractersticas de un proceso de Planeacin Estratgica pertinente. As por ejemplo: Actitud entre Totalmente de Acuerdo y Totalmente en Desacuerdo.

4
Rango = 2

Regla de decisin: Se aceptan aquellos tems que estn situados en los valores (4), y (5) el resto se elimina. Clculo del coeficiente de Consenso: Se sigue el procedimiento explicado en el presente texto. Correlacin tem-Total: Se puede calcular con los valores de estadsticos descriptivos obtenidos anteriormente utilizando para ello el paquete estadstico SPSS. Este procedimiento se utiliza para el anlisis y seleccin de los tems.

HASPNET. Texto bsico.

196

En el caso concreto de nuestra investigacin consideraremos un valor del coeficiente r= 0.40 (32) como adecuado para ser tomado como criterio de retencin del tem en la escala. Este estadstico se debe volver a calcular en pasos posteriores cuando se deba realizar la prueba piloto para obtener otros tipos de validez. Etapa No.6: Determinacin de la validez de criterio y de constructo: Esta etapa es sumamente importante, pues concluye en l el proceso de Validacin y adems se realiza la prueba de fiabilidad de la escala. Los procedimientos a seguir son: a) b) c) d) e) f) Convertir las caractersticas en tems de la escala. Elaborar el cuestionario de medicin a aplicar. Eleccin del mbito de prueba. Aplicacin del cuestionario. Recepcionar el cuestionario. Procesamiento (anlisis) de los resultados y emisin de conclusiones.

Veamos a continuacin el contenido de cada uno de estos procesos: Convertir las caractersticas en tems de la escala: Este es un proceso sumamente importante y complejo. De su correcta realizacin depende la calidad del proceso de validacin de contenido. Si los tems de la escala no estn bien formulados, correctamente redactados y de manera que sean comprensibles a la persona que va emitir su juicio, corremos el riesgo de obtener respuestas erradas. Por todo ello recomendamos las siguientes reglas a la hora de formular los tems:

Se deben presentar en forma de afirmaciones. Las afirmaciones deben expresar slo una relacin lgica. Las afirmaciones no deben exceder de 20 palabras. A las alternativas de respuesta se le asigna un valor numrico y slo puede marcarse una opcin. Se considera un dato invlido a quien marque dos o ms opciones.

Elaborar el cuestionario de medicin a aplicar: Una vez que nos hemos cerciorado de que el proceso de conversin de caractersticas en tems es correcto, estamos en condiciones de disear nuestro cuestionario escala. Eleccin del mbito de prueba: Como se trata de la realizacin de la prueba piloto cuyo objetivo es ajustar y/o afinar el cuestionario se seguirn los parmetros siguientes: Se elegir una pequea muestra menor a la definitiva en caso que sea necesario muestrear o menor a la poblacin a evaluar sino lo es y se tendrn en cuenta, en cualquier caso, los rangos siguientes (33):

32

Tomado de: Ruiz Bolvar, Carlos (1988). Uso y Abuso de la Escala Likert en la Investigacin Psicoeducativa. Universidad Pedaggica Experimental Libertador. Investigacin y Postgrado, Volumen 3, No.1, enero 1988. 33 Sampieri, J. Metodologa de la Investigacin. S/F; S/A, segunda edicin, p.255

HASPNET. Texto bsico.

197


Submuestra para piloto Entre 25 60 12 30 6 15 3-8

Muestra o poblacin de: 200 ms 100 200 50 - 100 25 50

Procesamiento (anlisis) de los resultados y emisin de conclusiones. El objetivo de este paso es:

Complementar la Validez de Contenido. Realizar la Validez de Constructo. Comprobar la Fiabilidad del cuestionario.

Complementar la Validez de Contenido: Con los datos obtenidos y utilizando el Paquete Informtico SPSS versin 12.0 para Windows, se realizar esta prueba utilizando para ello el procedimiento denominado: Correlacin tem total, tal y como ya se especific anteriormente. Realizar la Validez de criterio. Concurrente y Predictiva: Tcnicas 34: 3.1. Correlaciones criterio-escala global. 3.2. Anlisis discriminante. 3.3. Ecuaciones de regresin. Realizar la Validez de Constructo: A criterio de algunos autores esta prueba es una de las ms importante desde una perspectiva cientfica y se refiere al grado en que una medicin se relaciona consistentemente con otras, de acuerdo con hiptesis derivadas tericamente y que conciernen a los conceptos (o constructos) que estn siendo medidos (35). Convergente y discriminante: Tcnicas: 3.3. Matriz multiconcepto-multimtodo (MCMM) de Campbell y Fiske (1959). 3.4. Anlisis de correlaciones. 3.5. Modelo causal de Bagozi (1978). 3.6. Anlisis factorial con rotacin Varimax. Etapa 7: Comprobar la Fiabilidad de la escala: La fiabilidad de la escala puede ser establecida por diferentes mtodos, como son:

El El El El

Mtodo Mtodo Mtodo Mtodo

del Coeficiente Alfa de Cronbach. de Dos Mitades (corregido por la frmula de Spearman Brown). de Hoyt (anlisis de Varianza). test-retest.

Usualmente se espera un coeficiente de confiabilidad igual o mayor que 0.80 (36). Estos coeficientes pueden ser obtenidos sin mucha dificultad utilizando el Paquete
34

Snchez Sarabia, F. (1999). Metodologa para la Investigacin en Marketing y Direccin de Empresas, Ediciones Pirmide, S.A., Madrid. 35 Metodologa de la Investigacin. 2da. Edicin. S/F; S/A., pp. 237-238. 36 Ruiz Bolvar, Carlos (1988). Ob. Citada, p. 101.

HASPNET. Texto bsico.

198

informtico SPSS versin 11.5 para Windows, la hoja de clculo Excel para Windows o el StatGraphic Plus tambin en su versin para Windows. Se recomienda el primero, pues, por ejemplo cuando se calcula el coeficiente de correlacin tem total al mismo tiempo se puede obtener Alfa de Cronbach. En el caso de Excel, aunque es una potente herramienta, sin embargo requiere introducirle las respectivas frmulas del clculo. Como resumen de esta parte podemos subrayar que cualquiera sean las circunstancias en que se desarrolle la investigacin siempre y cuando se utilicen escalas como las analizadas anteriormente es imprescindible demostrar la validez y la fiabilidad de las mismas. Si esto no se realiza la investigacin sera poco confiable y carecera de valor cientfico. Agrupar caractersticas en dimensiones: Una vez que el cuestionario ha sido validado y realizada la prueba de fiabilidad es preciso analizar la conveniencia o no de agrupar las caractersticas en dimensiones. Esta decisin depende de la cantidad de caractersticas a medir y de la posibilidad real de que ellas sean agrupadas. Para la realizacin de este paso recomendamos la utilizacin de dos procedimientos:

La utilizacin de alguna tipologa existente en la literatura revisada que se adapte a nuestros propsitos. El Anlisis de Componentes Principales (ACP) para lo cual se puede utilizar el Paquete Estadstico SPSS versin 11.5 para Windows instrumentos validados para obtener los datos de

Etapa 8: Aplicacin de los percepcin (Xijk).

Obtencin de datos de percepcin: Es aqu donde verdaderamente se obtendrn los datos que permitirn demostrar, mediante el anlisis correspondiente la hiptesis formulada para nuestra investigacin. Para la realizacin de este paso se seguir el procedimiento siguiente: Determinar la necesidad de realizar o no algn tipo de muestreo, lo que estar condicionado por el tamao de la poblacin, unidades de anlisis, etc. objeto de la investigacin. En caso que sea necesario aplicar tcnicas de muestreo recomendamos utilizar: Metodologa de la Investigacin, segunda edicin, S/F; S/A., o ( 37). En cualquier caso la poblacin o muestra seleccionada deber estratificarse lo cual nos garantizar una total correspondencia con el Mtodo de investigacin propuesto. Tambin se realizar una caracterizacin sociodemogrfica a partir de incluir en el cuestionario a aplicar las variables que se estimen convenientes. Reproducir el cuestionario teniendo en cuenta el tamao de muestra o poblacin y sus diferentes estratos. Realizar una revisin del mismo con el fin de hacer las correcciones necesarias y prever que no lleguen instrumentos defectuosos a las personas objeto de anlisis. Aplicar el cuestionario siguiendo lo indicado anteriormente. Tngase en cuenta que estos cuestionarios se deben aplicar a clientes internos y externos. Recepcionar el cuestionario observando las mismas reglas que fueron apuntadas.

23

Miquel, S.; Bign, E. (1997). Investigacin Comercial. McGraw-Hill Panamericana. p.135.

HASPNET. Texto bsico.

199

Aqu concluye la obtencin de los datos correspondientes a la variable de percepcin. Procesamiento de los datos de percepcin: Para ello se construye una matriz de entrada de informacin donde las filas se corresponden con los tems y las columnas con el dato del grado de presencia percibido por decisores. Tomando el valor mx Xkm se crea lo que llamamos grado de presencia percibido de la caracterstica virtual k en el proceso virtual m. Este dato es muy importante a la hora de utilizar el enfoque de benchmarking, pues permite comparar el valor real con el valor virtual (ideal) y mostrar las brechas o gaps sobre cuya base se pueden establecer estrategias de mejora ( 38). La magnitud de los valores de la variable de percepcin depender del tipo de escala utilizado. Como es lgico suponer, esta matriz puede ser construida con suma facilidad utilizando la hoja de clculo Microsoft Excel para Windows, lo que es recomendable para el procesamiento y anlisis de la informacin. Qu herramientas se pueden aplicar en el anlisis de los datos?

Medidas de tendencia central. Medidas de dispersin. Otros estadsticos descriptivos. Coeficiente de diferenciacin. Expresiones grficas.

El proceso de la medicin del grado de comportamiento de los valores y su relacin con los resultados del desempeo, es complejo y multivariado. Es necesario a pesar de ello realizarlo, por cuanto, slo sobre esta base puede ser gestionado adecuadamente. El proceso de la Medicin incluye dos momentos bien diferenciados e ntimamente relacionados. Primero, la medicin se realiza al interior de la empresa mediante evaluacin comparativa con el tipo de proceso pertinente construido, segundo, la medicin se realiza a partir de la percepcin del cliente externo sobre el desempeo del servicio recibido. 7.3. Evidencia emprica

El sistema de hiptesis a demostrar, mediante la aplicacin del Mtodo 360 grados


a la solucin del problema concreto, consisti en lo siguiente. H1: Existe correlacin, con intensidad ms o menos fuerte y direccin positiva, entre el comportamiento de los valores compartidos y el nivel de la calidad percibida del servicio:

H2: La calidad percibida (Cp) del servicio depende en gran medida del comportamiento de los valores (V):
38

Ver lo explicado en el texto acerca del Mtodo Relacional.

HASPNET. Texto bsico.

200

H3: Por lo que debe cumplirse que: A mejor comportamiento de los valores, mayor nivel de la calidad percibida del servicio. Resultados de la generacin de tem. La fuente de tem para las evaluaciones al interior del hotel es fundamentalmente, lo concebido por la Cadena Hotelera ACCOR en su marca MERCURE para sus entidades en todo el mundo. Esta concepcin se fundamenta en la Direccin por Valores, articulada a los resultados que se prevn tener con un fuerte enfoque hacia el cliente externo.

Sobre la base de ese contenido se disearon los instrumentos de evaluacin a aplicar consistentes en: 1. Cuestionario de Evaluacin del grado de presencia percibido de cada uno de los 22 tems por parte de los directivos en el desempeo de los trabajadores de los dos procesos seleccionados. 2. Cuestionario de Evaluacin del grado de presencia percibido de cada uno de los 22 tems por parte de los compaeros de trabajo (peers) en el desempeo de los trabajadores de los dos procesos seleccionados. 3. Cuestionario de Auto evaluacin del grado de presencia percibido de cada uno de los 22 tems por parte de los propios trabajadores sobre su desempeo en los dos procesos seleccionados. 4. Cuestionario de 22 tems sobre grado de presencia percibido de cada uno de ellos por parte de los clientes externos en cada proceso seleccionado. El instrumento es el que se muestra y en el mismo aparecen los tems y el contenido de los tres valores de ACCOR. Al final de cada grupo, aparece subrayado un tem globalizador o variable criterio.

HASPNET. Texto bsico.

201

Universidad de Matanzas Camilo Cienfuegos Centro de Estudios de Turismo Proyecto de cuestionario de evaluacin de directivo/peer/cliente externo Procesos: Recepcin y Alojamiento Estimado compaero, estamos interesados en conocer sus opiniones sinceras acerca del grado de presencia que los aspectos mencionados en el presente cuestionario tienen en el trabajo de su subordinado/compaero de trabajo. No existen aspectos buenos ni malos y para emitir su juicio utilice por favor la siguiente escala, marcando (X) en la casilla elegida. 17 Totalmente en Desacuerdo Totalmente de Acuerdo Valor de la Escala No. tems 1 2 3 4 5 6 7 1 Tiene sentido de la hospitalidad 2 Sabe recibir a los clientes 3 Tiene dominio de las herramientas informticas 4 Sabe cmo utilizar el telfono 5 Domina los procedimientos de sus operaciones 6 Tiene sentido de la organizacin 7 Conoce el hotel 8 Sabe cmo vender el hotel 9 Representa adecuadamente la imagen de marca del hotel. 10 Es profesional en su trabajo 11 Sabe escuchar a los dems 12 Comprende y acta en situaciones delicadas donde es necesario tranquilizar al cliente. 13 Es diplomtico(a) 14 Tiene espritu de trabajo en equipo 15 Facilita el trabajo de los que dependen de l 16 Se comunica adecuadamente con los dems 17 Se relacion de manera adecuada con todas las personas que visitan o trabajan en el hotel. 18 Est documentado(a) y se interesa por aspectos de la vida en Varadero y en la provincia. 19 Tiene iniciativas para responder a un pedido del cliente 20 Realiza sugerencias tiles al cliente 21 Posee voluntad de aprender de manera continua 22 Se mantiene al tanto de las innovaciones tecnolgicas en su profesin. 23 Tiene capacidad para mejorar los mtodos y procedimientos de trabajo en su rea. 24 Encuentra soluciones realistas a los problemas 25 Es creativo

Resultados de la estrategia de validacin Siguiendo lo expresado en el diseo metodolgico, se procedi a realizar la validacin de los instrumentos diseados. Para este caso concreto y siguiendo los parmetros all trazados, se utiliz una prueba piloto para cada uno de los grupos de evaluadores como sigue: Trabajadores del Proceso de Recepcin: 10 Trabajadores del Proceso de Alojamiento: 20 Clientes Externos: 10 representantes y TTOO.

Se opt por realizar validez de contenido y de criterio as como la prueba de fiabilidad utilizando en este caso el Coeficiente Alfa de Cronbach. Este ltimo no se calcul de manera independiente sino junto con una de las pruebas de validez de contenido aprovechando las potenciales del software que se utiliz. La prueba de Validez de Contenido se realiz con la parte de la poblacin de la prueba piloto

HASPNET. Texto bsico.

202

integrada por personal del hotel. La Validez de criterio se realiz con la poblacin de la prueba piloto compuesta por TTOO y representantes que comercializan el hotel en el exterior. Los resultados son los que se muestran a continuacin. Validez de Contenido Para la realizacin de esta prueba se utiliz el paquete informtico SPSS en su versin en ingls 11.5 y se aplic el coeficiente de Correlacin tem-Total, aceptndose por ello los parmetros establecidos en el diseo metodolgico. Los resultados de esta prueba se muestran a continuacin. Cuestionario Grado de Presencia Percibido de los tems que caracterizan el desempeo de los trabajadores de Procesos de Recepcin y Alojamiento en el Hotel Cuatro Palmas. Resultados de la Prueba Piloto. R E L I A B I L I T Y A N A L Y S I S - S C A L E (A L P H A) Item-total Statistics Scale Scale Corrected Mean Variance ItemAlpha if Item if Item Total if Item Deleted Deleted Correlation Deleted VAR1 35,9091 13,8009 ,5243 ,9937 VAR2 35,7727 13,8983 ,7617 ,9868 VAR3 35,6818 12,4177 ,9908 ,9797 VAR4 35,6818 12,4177 ,9908 ,9797 VAR5 35,6818 12,4177 ,9908 ,9797 VAR6 35,6818 12,4177 ,9908 ,9797 VAR7 35,6818 12,4177 ,9908 ,9797 VAR8 35,6818 12,4177 ,9908 ,9797 VAR9 35,6818 12,4177 ,9908 ,9797 VAR10 35,6818 12,4177 ,9908 ,9797 VAR11 44,1818 24,0606 ,9787 ,9799 VAR12 44,0455 23,6645 ,8189 ,9836 VAR13 44,1364 23,3615 ,7372 ,9874 VAR14 44,1818 24,0606 ,9787 ,9799 VAR15 44,1818 24,0606 ,9787 ,9799 VAR16 44,1818 24,0606 ,9787 ,9799 VAR17 44,1818 24,0606 ,9787 ,9799 VAR18 44,1818 24,0606 ,9787 ,9799 VAR19 44,2727 23,7316 ,8644 ,9822 VAR20 44,1818 24,0606 ,9787 ,9799 VAR21 44,0909 23,9913 ,8093 ,9835 VAR22 44,1818 24,0606 ,9787 ,9799 Reliability Coefficients Alpha = 0,9828 22 items Standardized item alpha = 0,9872

Se puede apreciar que los valores de cada uno de los tems testados superan el estndar de 0,40, por lo que no se excluy ninguno de ellos del instrumento debido a que se corrobora la validez de contenido, es decir, el instrumento mide lo que se quiere medir. Por otra parte, la obtencin de altos valores de Alfa (0,9828), confirm tambin la existencia de una muy buena consistencia interna entre los tems. La aplicacin de ambos coeficientes demostr que el instrumento present alta robustez y consistencia.

HASPNET. Texto bsico. Validez de Criterio

203

Como una medida de asegurarnos de la validez del instrumento diseado se realiz aqu la prueba de la Validez de Criterio Concurrente. Se utilizaron para ello modelos de regresin que permitieron establecer correlaciones y relaciones de causa efecto entre los 22 tems del cuestionario y la variable criterio. Se utiliz en este caso el software STATGRAPHIC Plus (versin en ingls) y los resultados se muestran a continuacin. atributos Coef.corr P-value Sig grado correl R-squared 1 0,9528 relativfuerte 90,79 0,0000 <0,01 99% 2 0,9114 relativfuerte 83,06 0,0002 <0,01 99% 3 0,9648 relativfuerte 93,08 0,0000 <0,01 99% 4 0,9343 relativfuerte 87,28 0,0002 <0,01 99% 5 0,9315 relativfuerte 86,77 0,0001 <0,01 99% 6 0,9326 relativfuerte 86,98 0,0001 <0,01 99% 7 0,8474 moderfuerte 71,82 0,0020 <0,01 99% 8 0,8819 moderfuerte 77,78 0,0007 <0,01 99% 9 0,8439 moderfuerte 71,22 0,0021 <0,01 99% 10 0,9644 relativfuerte 93,01 0,0000 <0,01 99% 11 0,8850 moderfuerte 78,32 0,0007 <0,01 99% 12 0,9212 relativfuerte 84,85 0,0002 <0,01 99% 13 0,9447 relativfuerte 89,25 0,0000 <0,01 99% 14 0,6031 moderfuerte 36,37 0,0649 >0,05 90% 15 0,8374 moderfuerte 70,12 0,0025 <0,01 99% 17 0,9350 relativfuerte 87,41 0,0001 <0,01 99% 18 0,9187 relativfuerte 84,40 0,0002 <0,01 99% 19 0,9420 relativfuerte 88,73 0,0000 <0,01 99% 20 0,9319 relativfuerte 86,85 0,0001 <0,01 99% 21 0,7969 relativfuerte 63,50 0,0058 <0,01 99% 22 0,8618 moderfuerte 74,27 0,0013 <0,01 99% Se aprecia que los cinco estadsticos calculados corroboran, dado su adecuado comportamiento, la Validez de Criterio Concurrente. El Coeficiente de Correlacin se mueve en un intervalo de 0,6031-0,9648, e incluso ms del 50% de los tems obtiene valores de correlacin superiores a 0.9 mientras que el 31,8% lo hace por encima de 0,8. Esto hace que el grado o intensidad de correlacin est entre moderada y relativamente fuerte y que adems tenga direccin positiva, confirmando ya a nivel de prueba piloto las hiptesis formuladas para el trabajo. La capacidad explicatorio del instrumento es tambin muy alta. Esto se corrobora por los resultados que muestra el estadstico R-Squared, que indica que los tem explican la variabilidad de la variable criterio entre un 63-90%, con P-value inferiores a 0,01 y niveles de confianza del 99%. Dado estos resultados afirmamos que los instrumentos aplicados son vlidos y confiables por lo que se procedi posteriormente a su aplicacin. Aplicacin de los instrumentos validados. Determinacin de poblacin y tamao de muestra Para el caso del hotel, se consider al total de personas disponibles en ese momento (enero del 2006) de los Procesos de Recepcin y de Alojamiento, incluidos trabajadores y directivos. Por tal motivo aqu no hubo necesidad de aplicar ningn procedimiento de muestreo. La poblacin se fij entonces en 57 personas,

HASPNET. Texto bsico.

204

18 del Proceso de recepcin y 39 del Proceso de Alojamiento. Para el caso de los clientes externos se tuvo en cuenta lo siguiente: 1ro. El Hotel opera con clientes de ms de 50 pases. 2do. Se aplic por ello, en la estrategia de muestreo, el criterio de la clientela clave como poblacin, considerando en este caso el hecho de que el 41,97% de los clientes que se proyect visitaran el hotel durante el mes de enero del 2006, estuvieron concentrados en los siguientes pases: a) Francia: 443 b) Italia: 172 c) Reino Unido: 129 d) Rusia: 100 Para un total de 994 clientes de 2249. c) Como procedimiento de muestreo se aplic el Estratificado con afijacin Proporcional. Una vez determinado el tamao de muestra se procedi a aplicar los instrumentos diseados y validados. Resultados de la aplicacin utilizando el mtodo 1800: Aplicamos el procedimiento en tres niveles. Un nivel general donde se ofrecen los resultados de la aplicacin al total de trabajadores seleccionados para el estudio, un nivel medio donde se ofrecen los resultados por procesos seleccionados (Recepcin y Alojamiento) y un nivel especfico donde se muestra el impacto del grado de comportamiento de los Valores seleccionados sobre la Calidad Percibida por los clientes externos del desempeo de los servicios recibidos en los procesos seleccionados. Esto nos permite trazar estrategias generales y particulares de desarrollo. Ahora bien, cualquiera sea el nivel de aplicacin, este mtodo exige comparar los datos de las tres evaluaciones. Para ello utilizamos los procedimientos siguientes: a) Establecemos la correlacin entre las diferentes fuentes de datos con el objetivo de determinar la direccin y el grado de intensidad de las mismas. En este caso un estadstico apropiado ser el coeficiente de correlacin de Pearson. Las correlaciones que se calculan son las que existen entre las evaluaciones de los Jefes y la de los Peers, la de los Jefes y la de la Autoevaluacin y la que se da entre los Peers y la Autoevaluacin. Estos resultados aparecen en los segmentos que unen a los vrtices del tringulo. b) El hecho de que estemos comparando evaluaciones que provienen de diferentes fuentes nos exige demostrar si tales diferencias son o no significativas. Para ello debemos construir varios test estadsticos y grficos con el objetivo de comparar las evaluaciones de las muestras. El F-test en la tabla ANOVA nos permitir comprobar si entre las medias de estas muestras existen algunas diferencias significativas. Si as fuera, el test de Mltiples Rangos nos dir cul de las medias es estadsticamente diferente de las otras. Si usted quisiera cerciorarse de la presencia de las mismas, entonces deber seleccionar el test de Kruskal-Wallis con el cual podr comparar las medianas y las medias. Aplicacin del Mtodo en el Nivel General. Los resultados se muestran a continuacin, y sobre su base se ha construido el tringulo que aparece en la Fig.1.

HASPNET. Texto bsico.

205

Anexo No.14: Resultados Generales (mbito hotel) Atr J A P J con A J con P A con P 5,58 6,70 6,74 0,9424 0,9285 0,9392 1 5,42 6,69 6,69 2 4,04 4,40 5,01 3 5,25 6,58 6,54 4 5,33 6,65 6,77 5 5,31 6,54 6,70 6 5,30 6,66 6,57 7 4,83 5,63 6,08 8 5,25 6,18 6,27 9 10 5,28 6,63 6,54 11 5,45 6,50 6,54 12 5,17 6,21 6,18 13 5,36 6,73 6,54 14 5,21 6,57 6,68 15 5,32 6,67 6,69 16 4,74 5,64 5,89 17 5,34 6,32 6,68 18 5,29 6,40 6,61 19 5,01 6,41 6,46 20 4,94 5,90 6,36 21 5,14 6,30 6,57 22 5,27 6,17 6,63 5,16 6,27 6,43

Lo primero que se aprecia es el hecho de que las evaluaciones otorgadas son superiores al valor neutro de la escala, observndose mejor coincidencia entre las que otorgan los autoevaluados y los peer, difiriendo de ellos y con valor ligeramente inferior la otorgada por los directivos. Si slo tuviramos en cuenta esta situacin, evidentemente que a los efectos de aceptacin de resultados, tomaramos las evaluaciones de peer o la de los autoevaluados, en este caso y convencionalmente la mayor. Sin embargo veamos lo que demuestra el resultado de correlacionarlas.

HASPNET. Texto bsico.

206

Aplicando coeficiente de correlacin de Pearson, se puede apreciar perfectamente que las evaluaciones mejor correlacionadas son las otorgadas por los autoevaluados y las otorgadas por los directivos. Este resultado difiere de lo expresado en el prrafo anterior, ya que quedara excluida la evaluacin otorgada por los peers. Si slo considerramos esta situacin se tomaran estos resultados para realizar los anlisis posteriores. En este caso, y convencionalmente, tomaramos el mayor valor, o sea la otorgada por los autoevaluados. Pero, debido a que existen diferencias entre las evaluaciones otorgadas, se hace necesario demostrar si estas son o no significativas y para ello se aplican las siguientes pruebas estadsticas. ANOVA Table Analysis of Variance ----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------------Between groups 21,17 2 10,585 58,75 0,0000 Within groups 11,3511 63 0,180176 ----------------------------------------------------------------------------------Total (Corr.) 32,5211 65 La tabla ANOVA desglosa la varianza de los datos en dos componentes: un componente inter grupo y otro intra grupo. El F-ratio, que en este caso es igual a 58,7479, es un ratio de la varianza estimada inter grupo en relacin con la varianza intra grupo estimada. Por cuanto el P-value del F-test es menor que 0,05, entonces existen diferencias estadsticamente significativas entre las medias de las 3 variables al nivel del 95,0% de confianza. De acuerdo con este resultado entonces convencionalmente aceptamos las evaluaciones mejor correlacionadas y dentro de stas la de mayor valor, es decir el valor que otorgaron los autoevaluados (6,39), el cual demuestra que existe un comportamiento bastante alto de los atributos que caracterizan el sistema de valores estudiados en la entidad. El test de la mediana lo aplicamos para corroborar la existencia o no de diferencias significativas entre las muestras: Kruskal-Wallis Test Sample Size Average Rank -----------------------------------------------------------A 22 41,3864 D 22 13,25 P 22 45,8636 -----------------------------------------------------------Test statistic = 37,3469 P-Value = 7,76644E-9 El Test de Kruskal-Wallis comprueba la hiptesis nula de que la medianas entre los tres grupos sean iguales. Por cuanto el P-value es menor que 0,05, existen aqu diferencias significativas entre las medianas al nivel del 95% de confianza. Para determinar cul de las medias difiere significativamente una de otra, aplicamos el Test de Mltiples Rangos.

HASPNET. Texto bsico.

207

Multiple Range Tests Method: 95,0 percent LSD Count Mean Homogeneous Groups -------------------------------------------------------------------------------D 22 5,17409 X A 22 6,29455 X P 22 6,44273 X -------------------------------------------------------------------------------Contrast Difference +/- Limits -------------------------------------------------------------------------------A-D *1,12045 0,255754 A-P -0,148182 0,255754 D-P *-1,26864 0,255754 -------------------------------------------------------------------------------* denotes a statistically significant difference. Aqu se aplica un procedimiento de comparacin mltiple para determinar cul de las medias es significativamente diferente de las dems. En la tabla aparece el resultado estimado de la diferencia entre cada par de medias. Los pares marcados con asteriscos indican que entre ellos existen diferencias significativas al nivel del 95% de confianza y corresponden a las otorgadas por directivos y autoevaluados y a directivos y peers. En este caso, se aceptan las autoevaluaciones y las otorgadas por peers. Dentro de ellas, por convencin, se toman las mayores, que en este caso corresponden a peers con 6.52, indicando un alto comportamiento de los valores seleccionados en el Hotel. Estas salidas se han obtenido utilizando el software STATGRAPHICS plus. A partir de aqu se trabaja con estos resultados en los anlisis que a continuacin se desarrollan. Anlisis de los resultados para el Valor Profesionalidad El Valor profesionalidad alcanz un resultado de 6,60 lo que por su magnitud es sin lugar a dudas una fortaleza en el nivel de desempeo de los servicios que oferta el Hotel. En su comportamiento influyen de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados siguientes. Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: V1 (profesionalidad) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 0,938829 1,08458 0,865619 0,3911 A1 0,176351 0,186492 0,945621 0,3492 A2 0,148526 0,182882 0,812137 0,4208 A3 -0,0291813 0,0472873 -0,617107 0,5401 A4 -0,0767668 0,103358 -0,742727 0,4613 A5 0,14437 0,162714 0,887262 0,3795 A6 0,203491 0,153968 1,32165 0,1927 A7 0,104597 0,0989838 1,0567 0,2960 A8 -0,0749582 0,134518 -0,557236 0,5800 A9 0,250561 0,144027 1,73969 0,0885 -----------------------------------------------------------------------------

HASPNET. Texto bsico.

208

Analysis of Variance ---------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ---------------------------------------------------------------------------------Model 8,83509 9 0,981677 4,42 0,0003 Residual 10,4281 47 0,221874 ---------------------------------------------------------------------------------Total (Corr.) 19,2632 56 R-squared = 45,8652 percent R-squared (adjusted for d.f.) = 35,499 percent Standard Error of Est. = 0,471035 Mean absolute error = 0,342427 Durbin-Watson statistic = 2,15378 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Profesionalidad (V1) y los nueve atributos que lo conforman considerados como variables independientes. Por cuanto el P-value de la tabla ANOVA es menor que 0,01, existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 99%. El estadstico R-Squared indica que el modelo explica el 45,8652% de la variabilidad en la Profesionalidad (el valor ajustado es del 35,499%). El impacto de cada uno de los atributos sobre el Valor Profesionalidad se muestra a travs del grfico que aparece en la Fig.2.

Estos resultados se obtuvieron aplicando un modelo de regresin simple utilizando el software STATGRAPHIC plus. Por encima de las lneas aparecen los coeficientes de correlacin de cada atributo con la evaluacin del Valor Profesionalidad. Por debajo de las lneas aparece el por ciento en que la variabilidad del Valor Profesionalidad es explicada por la variabilidad del atributo en cuestin. Se puede apreciar perfectamente que los atributos que poseen menor capacidad explicatoria son, en este orden, el A3 y el A4, mientras que los de mayor capacidad estn representados por A1, A2, A9, A7.

HASPNET. Texto bsico.

209

Anlisis de los resultados para el Valor Relacionamiento El Valor relacionamiento alcanz un resultado de 6,57 lo que por su magnitud, aunque ligeramente inferior al Valor profesionalidad, es tambin una fortaleza en el nivel de desempeo de los servicios que oferta el Hotel. En su comportamiento influyen de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados siguientes. Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: V2 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 0,611533 0,792964 0,771199 0,4442 A11 -0,0640856 0,121888 -0,525773 0,6014 A12 -0,0637856 0,135705 -0,470032 0,6404 A13 0,426004 0,0934859 4,55688 0,0000 A14 -0,0534512 0,101407 -0,527094 0,6005 A15 -0,124959 0,147995 -0,844342 0,4025 A16 0,795728 0,136415 5,83316 0,0000 ----------------------------------------------------------------------------Analysis of Variance ------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ------------------------------------------------------------------------------Model 23,1304 6 3,85506 15,89 0,0000 Residual 12,1328 50 0,242656 ------------------------------------------------------------------------------Total (Corr.) 35,2632 56 R-squared = 65,5936 percent R-squared (adjusted for d.f.) = 61,4648 percent Standard Error of Est. = 0,492601 Mean absolute error = 0,295488 Durbin-Watson statistic = 1,84301 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Relacionamiento (V2) y los seis atributos que lo conforman considerados como variables independientes. Por cuanto el P-value de la tabla ANOVA es menor que 0,01, existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 99%. El estadstico R-Squared indica que el modelo explica el 65,5936% de la variabilidad en el Valor Relacionamiento (el valor ajustado es del 61,4648%). El impacto de cada uno de los atributos sobre el Valor Relacionamiento se muestra a travs del grfico que aparece en la Fig.3.

HASPNET. Texto bsico.

210

0, 20 452 26 ,2 7 5 0, 39% * 46 85 25 2 1 ,9 5 15 * % 0 ,5 8 1 63 3*

32% 9 ,0 2 1 * 17 7 0 0,4 8 8% 7 16,5 3* 7 28 1% 66 0, ,940 43

Se puede apreciar que los atributos que poseen menor capacidad explicatoria son, en este orden, el A14, A15, A11 y el A12, mientras que los de mayor capacidad estn representados por A16, y A13. Anlisis de los resultados para el Valor Creatividad El Valor Creatividad alcanz un resultado de 6,58 lo que por su magnitud, aunque ligeramente inferior al Valor profesionalidad y superior al Valor Relacionamiento, es tambin una fortaleza en el nivel de desempeo de los servicios que oferta el Hotel. En su comportamiento influyen de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados siguientes. Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: V3 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 0,505708 0,591432 0,855057 0,3967 A18 -0,0730589 0,0599214 -1,21925 0,2286 A19 0,182004 0,143865 1,2651 0,2118 A20 0,131809 0,125499 1,05028 0,2987 A21 0,0694022 0,076818 0,903463 0,3707 A22 -0,00309285 0,0863966 -0,0357982 0,9716 A23 0,0209065 0,130285 0,160468 0,8732 A24 0,58101 0,109301 5,31569 0,0000 ----------------------------------------------------------------------------Analysis of Variance -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------Model 15,2544 7 2,1792 17,07 0,0000 Residual 6,25435 49 0,12764 -------------------------------------------------------------------------------Total (Corr.) 21,5088 56

HASPNET. Texto bsico.

211

R-squared = 70,9219 percent R-squared (adjusted for d.f.) = 66,7678 percent Standard Error of Est. = 0,357267 Mean absolute error = 0,220544 Durbin-Watson statistic = 1,98673 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Creatividad (V3) y los siete atributos que lo conforman considerados como variables independientes. Por cuanto el Pvalue de la tabla ANOVA es menor que 0,01, existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 99%. El estadstico R-Squared indica que el modelo explica el 70,9219% de la variabilidad en el Valor Creatividad (el valor ajustado es del 66,7678%). El impacto de cada uno de los atributos sobre el Valor Creatividad se muestra a travs del grfico que aparece en la Fig.4.
Fig.4. Impacto de los atributos sobre el Valor Creatividad

A18

0 5, ,229 28 85 968 2% ** A19 0,675 58 4 45,6 413 * % 0,65 A20 43 9201* ,454 6%

A21 A22 A23 A24

(*) P-value<0,01 nivel de confianza del 99% (**) P-value < 0,05 nivel de confianza del 95%

Se puede apreciar que los atributos que poseen menor capacidad explicatoria son, en este orden, el A18, A22, A21 y el A23, mientras que los de mayor capacidad estn representados por A24, A19 y A20. Corresponde ahora analizar el comportamiento de los Valores a nivel de los procesos seleccionados. Aplicacin del Mtodo en el proceso de Recepcin. Los resultados de aplicar el mtodo en este nivel son los siguientes Evaluacin de 180 grados ( Recepcin). D A P D con A D con P A con P 6,54 6,26 6,22 0,7592 0,5991 0,7776 6,47 6,34 6,34 5,07 4,75 4,93 6,81 5,96 6,08 6,22 6,30 6,52 5,86 6,09 6,42 6,43 6,03 6,09 5,28 4,97 5,74 6,58 5,64 5,98 6,13 6,17 6,08

1 2 3 4 5 6 7 8 9 10

6 2 ,4 9 01 %

0,486565* 23,6746% 8* 456 0,46 % 4 2 8 21,5 1* 4 9 8% 61 0, 366 * , 38 507 0 9 7 0,

V3

HASPNET. Texto bsico. 11 12 13 14 15 16 17 18 19 20 21 22 6,30 6,30 6,25 6,53 6,56 5,66 6,00 6,12 5,76 5,72 5,95 6,01 6,12 5,98 5,88 6,35 6,29 6,38 5,40 5,63 5,99 6,07 5,23 5,78 5,33 5,86 5,95 6,00 6,32 6,44 6,44 5,69 6,30 6,16 6,34 6,05 6,26 6,22 6,12

212

Sobre su base se ha construido el tringulo que aparece en la Fig.5.

Lo primero que se aprecia es el hecho de que las evaluaciones otorgadas son superiores al valor neutro de la escala, observndose total coincidencia entre las que otorgan los directivos y los peer. Difiriendo de ellos y con valor ligeramente inferior se encuentra la otorgada por los autoevaluados. Si slo tuviramos en cuenta esta situacin, evidentemente que a los efectos de aceptacin de resultados, tomaramos las evaluaciones de peer o la de los directivos, en este caso y convencionalmente la mayor. Sin embargo veamos lo que demuestra el resultado de correlacionarlas. Aplicando coeficiente de correlacin de Pearson, se puede apreciar perfectamente que las evaluaciones mejor correlacionadas son las otorgadas por los autoevaluados y las otorgadas por los peers. Este resultado difiere de lo expresado en el prrafo anterior, ya que quedara excluida la evaluacin otorgada por los directivos. Si slo considerramos esta situacin se tomaran esos resultados para realizar los anlisis posteriores. En este caso, y convencionalmente, tomaramos el mayor valor, o sea la otorgada por los peers.

HASPNET. Texto bsico.

213

Pero, debido a que existen diferencias entre las evaluaciones otorgadas, se hace necesario demostrar si estas son o no significativas y para ello se aplican las siguientes pruebas estadsticas. ANOVA Table Analysis of Variance ----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------------Between groups 0,998421 2 0,499211 2,86 0,0650 Within groups 11,0144 63 0,174831 ----------------------------------------------------------------------------------Total (Corr.) 12,0128 65 Al igual que a nivel de hotel, aqu la tabla ANOVA desglosa la varianza de los datos en dos componentes: un componente inter-grupo y otro intra grupo. Por cuanto el P-value del F-test es superior 0,05, entonces no existen diferencias estadsticamente significativas entre las medias de las tres variables al nivel del 95% de confianza. En este caso y convencionalmente tomamos el valor mayor de los mejores correlacionados, es decir, el otorgado por los peers que es de 6,12. Aunque no es un valor superior al alcanzado por el hotel, sin embargo es un valor adecuado para el comportamiento de los valores en este proceso. Lo cual significa que se mantiene la misma tendencia observada en el nivel general. A partir de aqu se trabaja con estos resultados en los anlisis que a continuacin se desarrollan. Anlisis de los resultados para el Valor Profesionalidad en el proceso de Recepcin. El Valor profesionalidad alcanz un resultado de 6,34, ligeramente inferior al alcanzado por ste a nivel general, pero por su magnitud es una fortaleza en el nivel de desempeo de los servicios que se ofertan en el Proceso de la Recepcin. En su comportamiento influyen de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados que se muestran a continuacin. Multiple Regression Analysis. Dependent variable: V1 (profesionalidad) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT -1,3689 1,88687 -0,725488 0,4888 A1 0,0471259 0,345637 0,136345 0,8949 A2 0,788857 0,587388 1,34299 0,2161 A3 -0,00743766 0,269251 -0,0276235 0,9786 A4 -0,107137 0,459922 -0,232947 0,8217 A5 0,368433 0,353717 1,0416 0,3280 A6 0,466865 0,347227 1,34455 0,2156 A7 -0,437039 0,445764 -0,980426 0,3556 A8 -0,129617 0,311201 -0,416505 0,6880 A9 0,19089 0,294519 0,648141 0,5350 ----------------------------------------------------------------------------Analysis of Variance ------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ------------------------------------------------------------------------------Model 7,91904 9 0,879894 2,98 0,0692 Residual 2,35873 8 0,294842

HASPNET. Texto bsico.

214

------------------------------------------------------------------------------Total (Corr.) 10,2778 17 R-squared = 77,0502 percent. R-squared (adjusted for d.f.) = 51,2316 percent Standard Error of Est. = 0,542993 Mean absolute error = 0,297928 Durbin-Watson statistic = 2,12883 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Profesionalidad (V1) en el proceso de la Recepcin y los nueve atributos que lo conforman considerados como variables independientes. Por cuanto el P-value de la tabla ANOVA es menor que 0,10, existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 90%. El estadstico R-Squared indica que el modelo explica el 77,0502% de la variabilidad en la Profesionalidad en el proceso de Recepcin (el valor ajustado es del 51,2316%). El modelo presenta un mejor comportamiento a nivel del proceso que a nivel del hotel en su conjunto. El impacto de cada uno de los atributos sobre el Valor Profesionalidad se muestra a travs del grfico que aparece en la Fig.6.
Fig.6. Impacto de los atributos sobre el Valor Profesionalidad en el Proceso de Recepcin

A1 A2 A3 A4 A5 A6 A7 A8

A9
(*) P-value<0,01 nivel de confianza del 99% (**) P-value < 0,05 nivel de confianza del 95%

Se puede apreciar que los atributos que poseen menor capacidad explicatoria son, en este orden, el A3 y el A4, comportamiento similar al que tuvieron a nivel de hotel, mientras que los de mayor capacidad estn representados por A6, A2, A1, A9, A7. Muchos de estos valores coinciden con los obtenidos a nivel del hotel.

0 3 ,55 3 0 , 48 2 03 1,3 8 3 1 ,2 3 6 6 76 7 3* 27 9% % * %

0 4 1 ,6 4 5 ,7 14 869 7% * 07 08 50 10 ,1 41 8* 7 0,21 % 944 9 4,81 577 % 0,276653 7,65367% 1** 863 0,58 6% 99 30,0 7* 58 % 3 9 72 0 , ,3 5 7 * * 6 2 5 75 9 55 0,

V1

0 ,6 9

4 8

HASPNET. Texto bsico.

215

Anlisis de los resultados para el Valor Relacionamiento en el proceso de Recepcin. El Valor Relacionamiento alcanz en este proceso un resultado de 6,50 lo que por su magnitud, aunque ligeramente inferior al Valor profesionalidad a nivel de hotel, pero superior a este valor en este proceso, es tambin una fortaleza en el nivel de desempeo del proceso de Recepcin. En su comportamiento influyen de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados siguientes. Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: V2 (relacionamiento) Multiple Regression Analysis ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 1,92611 1,28196 1,50248 0,1611 A11 -0,264199 0,24245 -1,0897 0,2991 A12 0,0587234 0,632158 0,0928937 0,9277 A13 0,381835 0,621843 0,614037 0,5517 A14 0,229978 0,403901 0,569392 0,5805 A15 -0,349958 0,39522 -0,885478 0,3948 A16 0,676851 0,345634 1,95829 0,0760 ----------------------------------------------------------------------------Analysis of Variance ------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ------------------------------------------------------------------------------Model 6,79501 6 1,1325 3,41 0,0374 Residual 3,64944 11 0,331767 ------------------------------------------------------------------------------Total (Corr.) 10,4444 17 R-squared = 65,0586 percent R-squared (adjusted for d.f.) = 45,9996 percent Standard Error of Est. = 0,575992 Mean absolute error = 0,33777 Durbin-Watson statistic = 2,60808 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Relacionamiento (V2) y los seis atributos que lo conforman considerados como variables independientes. Por cuanto el P-value de la tabla ANOVA es menor que 0,01, existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 99%. El estadstico R-Squared indica que el modelo explica el 65,0586% de la variabilidad en el Valor Relacionamiento (el valor ajustado es del 45,9996%). El impacto de cada uno de los atributos sobre el Valor Relacionamiento se muestra a travs del grfico que aparece en la Fig.7.

HASPNET. Texto bsico.

216

Fig.7. Impacto de los atributos sobre el Valor Relacionamiento en el proceso de la Recepcin

A11

16 0,40 ,5 05 626 5% 9 0, 68 A12 49 44 46, 9 149 * % 0,69 629 A13 4* 48, 4 826 %

A14 A15 A16

0,582324** % 101 33,9 4** 511 0, 52 % 7 45 27,5 * 52 01 % 70 213 , 0 ,0 49

V2

(*) P-value<0,01 nivel de confianza del 99% (**) P-value < 0,05 nivel de confianza del 95%

Se puede apreciar que los atributos que poseen menor capacidad explicatoria son, en este orden, el A11 y el A15, comportamiento similar al que tuvieron a nivel de hotel, mientras que los de mayor capacidad estn representados por A16, A13, A12, A14. Muchos de estos valores coinciden con los obtenidos a nivel del hotel. Anlisis de los resultados para el Valor Creatividad en el Proceso de Recepcin. El Valor Creatividad alcanz en este proceso un resultado de 6,17 lo que por su magnitud, aunque inferior al resto de los valores tanto a nivel de hotel como en el mbito de este proceso, es tambin una fortaleza en el nivel de desempeo de los servicios que se ofertan en este proceso. En su comportamiento influyen de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados que siguen. Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: V3 (creatividad) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 0,462478 0,955647 0,483943 0,6388 A18 -0,112682 0,13488 -0,835425 0,4230 A19 0,189473 0,224945 0,842311 0,4193 A20 0,117979 0,199516 0,591324 0,5674 A21 -0,00481616 0,20625 -0,0233511 0,9818 A22 0,149708 0,242117 0,618329 0,5502 A23 0,0500896 0,266087 0,188245 0,8544 A24 0,520062 0,224262 2,31899 0,0428 -----------------------------------------------------------------------------

HASPNET. Texto bsico.

217

Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 9,26712 7 1,32387 7,18 0,0031 Residual 1,84399 10 0,184399 ----------------------------------------------------------------------------Total (Corr.) 11,1111 17 R-squared = 83,4041 percent R-squared (adjusted for d.f.) = 71,787 percent Standard Error of Est. = 0,429417 Mean absolute error = 0,255156 Durbin-Watson statistic = 1,61995 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Creatividad (V3) en el Proceso de Recepcin y los siete atributos que lo conforman considerados como variables independientes. Por cuanto el P-value de la tabla ANOVA es menor que 0,01, existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 99%. El estadstico R-Squared indica que el modelo explica el 83,4041% de la variabilidad en el Valor Creatividad (el valor ajustado es del 71,787%). El impacto de cada uno de los atributos sobre el Valor Creatividad se muestra a travs del grfico que aparece en la Fig.8.
Fig.8. Impacto de los atributos sobre el Valor Creatividad en el Proceso de Recepcin

A18 A19 A20 A21 A22 A23 A24

(*) P-value<0,01 nivel de confianza del 99% (**) P-value < 0,05 nivel de confianza del 95%

Se puede apreciar que los atributos que poseen menor capacidad explicatoria son, en este orden, el A18, A21, A22 y el A20, mientras que los de mayor capacidad estn representados por A24, A19 y A23. En general y como ya se ha dicho, este proceso sigue la tendencia del hotel con mejor comportamiento del valor Relacionamiento. Se aprecia, aqu, adems que la evaluacin que predomina es la de peers, lo que coincide con lo manifestado al nivel del Hotel.

7 5, 7 99 %

0 18 ,427 ,2 40 086 3% 0, 77 66 21 60,3 14% * 0,75 487 1* 56,9 831 % 0,603055* 36,3676% * 789 0,74 % 4 3 55,9 8* 05 % 5 4 77 0, ,071 * 60 626 0 87 0,

V3

HASPNET. Texto bsico.

218

Aplicacin del Mtodo en el proceso de Alojamiento. Los resultados de aplicar el mtodo en este nivel se muestran a continuacin, Evaluacin de 180 grados (Alojamiento). D P A D con P D con A P con A 5,18 7,00 6,91 0,9328 0,9096 0,9584 4,99 6,86 6,86 3,64 5,04 4,25 4,66 6,77 6,89 4,96 6,89 6,83 5,07 6,84 6,75 4,85 6,80 6,97 4,63 6,23 5,97 4,73 6,41 6,45 4,93 6,77 6,86 5,10 6,83 6,75 4,73 6,27 6,37 5,00 6,65 6,91 4,70 6,80 6,71 4,83 6,81 6,80 4,37 5,99 5,76 5,06 6,86 6,66 4,95 6,83 6,60 4,69 6,52 6,57 4,61 6,51 6,23 4,81 6,72 6,56 4,96 6,84 6,60 4,79 6,60 6,51

1 2 3 4 5 5 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Sobre su base se ha construido el tringulo que aparece en la Fig.9.

Lo primero que se aprecia es el hecho de que las evaluaciones otorgadas son superiores al valor neutro de la escala, aunque la otorgada por los directivos no solo es la ms baja del hotel y de sus procesos, sino que est muy cerca del valor

HASPNET. Texto bsico.

219

neutro. Se observa ms coincidencia entre las que otorgan los autoevaluados y los peer. Difiriendo de ellos y con valor ligeramente inferior se encuentra la otorgada por los directivos. Si slo tuviramos en cuenta esta situacin, evidentemente que a los efectos de aceptacin de resultados, tomaramos las evaluaciones de peer, en este caso y convencionalmente la mayor. Sin embargo veamos lo que demuestra el resultado de correlacionarlas. Aplicando coeficiente de correlacin de Pearson, se puede apreciar perfectamente que las evaluaciones mejor correlacionadas son las otorgadas por los autoevaluados y las otorgadas por los peers. Este resultado no difiere de lo expresado en el prrafo anterior, ya que quedara excluida la evaluacin otorgada por los directivos. Si slo considerramos esta situacin se tomaran esos resultados para realizar los anlisis posteriores. En este caso, y convencionalmente, tomaramos el mayor valor, o sea la otorgada por los peers. Pero, debido a que existen diferencias entre las evaluaciones otorgadas, se hace necesario demostrar si estas son o no significativas y para ello se aplican las siguientes pruebas estadsticas. ANOVA Table Analysis of Variance ----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------------Between groups 45,7085 2 22,8542 106,95 0,0000 Within groups 13,4629 63 0,213697 ----------------------------------------------------------------------------------Total (Corr.) 59,1714 65 Al igual que a nivel de hotel y del proceso de recepcin, la tabla ANOVA desglosa la varianza de los datos en dos componentes: un componente inter-grupo y otro intra grupo. Por cuanto el P-value del F-test es menor que 0,05, entonces existen diferencias estadsticamente significativas entre las medias de las tres variables al nivel del 95% de confianza. En este caso y convencionalmente tomamos el valor mayor de los mejores correlacionados, es decir, el otorgado por los peers que es de 6,60. Valor superior al alcanzado por el hotel y el proceso de Recepcin. Es el mejor comportamiento de los valores en los procesos. Se mantiene la misma tendencia observada en el nivel general y en el Proceso de la Recepcin. Para determinar cul de las medias es significativamente diferente de las dems, aplicamos el Test de Mltiples Rangos. Multiple Range Tests -------------------------------------------------------------------------------Method: 95,0 percent LSD Count Mean Homogeneous Groups -------------------------------------------------------------------------------D 22 4,79318 X A 22 6,51182 X P 22 6,60182 X -------------------------------------------------------------------------------Contrast Difference +/- Limits -------------------------------------------------------------------------------A-D *1,71864 0,278531 A-P -0,09 0,278531 D-P *-1,80864 0,278531 -------------------------------------------------------------------------------* denotes a statistically significant difference. Al igual que en los casos donde procede, aplicamos un procedimiento de comparacin mltiple para determinar cul de las medias es significativamente diferente de las dems. En la tabla aparece el resultado estimado de la diferencia

HASPNET. Texto bsico.

220

entre cada par de medias. Los pares marcados con asteriscos indican que entre ellos existen diferencias significativas al nivel del 95% de confianza y corresponden a las otorgadas por directivos y autoevaluados y a directivos y peers. En este caso, se aceptan las autoevaluaciones y las otorgadas por peers. Dentro de ellas, por convencin, se toman las mayores, que en este caso corresponden a peers con 6.60, indicando un alto comportamiento de los valores seleccionados en el Proceso de Alojamiento. El test de la mediana lo aplicamos para corroborar la existencia o no de diferencias significativas entre las muestras: Kruskal-Wallis Test Sample Size Average Rank -----------------------------------------------------------A 22 41,3864 D 22 13,25 P 22 45,8636 -----------------------------------------------------------Test statistic = 37,3469 P-Value = 7,76644E-9 El Test de Kruskal-Wallis comprueba la hiptesis nula de que la medianas entre los tres grupos sean iguales. Por cuanto el P-value es menor que 0,05, existen aqu diferencias significativas entre las medianas al nivel del 95% de confianza. Anlisis de los resultados para el Valor Profesionalidad en el proceso de Alojamiento. El Valor profesionalidad alcanz un resultado de 6,73, el mejor comportamiento en comparacin con el Proceso de la Recepcin, y por su magnitud es una fortaleza en el nivel de desempeo de los servicios que se ofertan en este Proceso. En su comportamiento influyen de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados siguientes. Multiple Regression ----------------------------------------------------------------------------Dependent variable: V1 (profesionalidad) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 2,90424 3,96465 0,732534 0,4697 A1 0,326731 0,285839 1,14306 0,2624 A2 0,203183 0,246569 0,824044 0,4166 A3 -0,0667014 0,0526877 -1,26598 0,2156 A4 -0,198754 0,176514 -1,12599 0,2694 A5 0,0274105 0,239404 0,114495 0,9096 A6 -0,117021 0,219106 -0,534083 0,5974 A7 0,221497 0,115145 1,92364 0,0643 A8 -0,0735287 0,180709 -0,406889 0,6871 A9 0,224977 0,205764 1,09338 0,2832 ----------------------------------------------------------------------------Analysis of Variance ---------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ---------------------------------------------------------------------------------Model 1,91098 9 0,212331 1,11 0,3839 Residual 5,52492 29 0,190514

HASPNET. Texto bsico.

221

---------------------------------------------------------------------------------Total (Corr.) 7,4359 38 R-squared = 25,6994 percent R-squared (adjusted for d.f.) = 2,64059 percent Standard Error of Est. = 0,43648 Mean absolute error = 0,304373 Durbin-Watson statistic = 2,30874 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Profesionalidad (V1) en el proceso de Alojamiento y los nueve atributos que lo conforman considerados como variables independientes. Por cuanto el P-value de la tabla ANOVA es mayor que 0,10, no existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 90%. El estadstico R-Squared indica que el modelo explica slo el 25,6994% de la variabilidad en la Profesionalidad en el proceso de Alojamiento (el valor ajustado es del 2,64059%). El modelo presenta un peor comportamiento a nivel del proceso que a nivel del hotel en su conjunto y del Proceso de Recepcin. Lo primero que hay que subrayar es la baja capacidad explicatoria que presentan los tems sobre la variabilidad del Valor profesionalidad en este proceso, no obstante aqu los de mejor comportamiento son A7, A8 y A9. El impacto de cada uno de los atributos sobre el Valor Profesionalidad se muestra a travs del grfico que aparece en la Fig.10.
Fig.10. Impacto de los atributos sobre el Valor Profesionalidad en el Proceso de Alojamiento

A1 A2 A3 A4 A5 A6 A7 A8 A9

0, 7, 2 35 71 63 22 2% 5 0, 10 1, 09 440 8 01 % -0,16 5629 2 ,7 4 33%

(*) P-value<0,01 nivel de confianza del 99% (**) P-value < 0,05 nivel de confianza del 95%

Anlisis de los resultados para el Valor Relacionamiento en el proceso de Alojamiento. El Valor Relacionamiento alcanz en este proceso un resultado de 6,61 por su magnitud, y muy superior al Valor profesionalidad ya analizado, es una fortaleza en el nivel de desempeo del proceso de Alojamiento. En su comportamiento influyen

0 ,1 4 0,2 4 4 ,7 3 7 18 ,7 2, 1 1 5 6 44 71 04 9 2 3 7% 1 67 9 %

-0,005349 0,0028% 049 - 0 ,0 4% 2 0 0 ,0 7 63 5% 87 -0 802 1 76 0, 844 21 , 0

V1

HASPNET. Texto bsico.

222

de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados que se muestran a continuacin. Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: V2 (Relacionamiento) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT -5,85289 1,41523 -4,13565 0,0002 A11 0,391274 0,145747 2,68462 0,0114 A12 0,422798 0,170317 2,48241 0,0185 A13 0,188067 0,0884351 2,12661 0,0413 A14 -0,0139214 0,0855268 -0,162773 0,8717 A15 -0,127033 0,130647 -0,972338 0,3382 A16 0,980803 0,120482 8,14067 0,0000 ----------------------------------------------------------------------------Analysis of Variance --------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value --------------------------------------------------------------------------------Model 20,3893 6 3,39822 25,42 0,0000 Residual 4,27734 32 0,133667 --------------------------------------------------------------------------------Total (Corr.) 24,6667 38 R-squared = 82,6594 percent R-squared (adjusted for d.f.) = 79,4081 percent Standard Error of Est. = 0,365605 Mean absolute error = 0,203274 Durbin-Watson statistic = 1,6567 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Relacionamiento (V2) en el Proceso de Alojamiento y los seis atributos que lo conforman considerados como variables independientes. Por cuanto el P-value de la tabla ANOVA es menor que 0,01, existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 99%. El estadstico R-Squared indica que el modelo explica el 82,6594% de la variabilidad en el Valor Relacionamiento (el valor ajustado es del 79,4081%). El impacto de cada uno de los atributos sobre el Valor Relacionamiento se muestra a travs del grfico que aparece en la Fig.11.

HASPNET. Texto bsico.

223

Se puede apreciar que los atributos que poseen menor capacidad explicatoria son, en este orden, el A14, A15, A12 y el A11, mientras que los de mayor capacidad estn representados por A16 y A13. Anlisis de los resultados para el Valor Creatividad en el Proceso de Alojamiento. El Valor Creatividad alcanz en este proceso un resultado de 6,78 lo que por su magnitud es superior al resto de los valores tanto a nivel de hotel como en el mbito de este proceso. Es una fortaleza en el nivel de desempeo de los servicios que se ofertan en este proceso. En su comportamiento influyen de manera diferente los diversos atributos que lo conforman. Para determinar la capacidad explicatoria del total de atributos que conforman el Valor en cuestin, se aplic una Regresin mltiple que arroj los resultados que se muestran. Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: V3 (creatividad) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 2,51699 1,62475 1,54915 0,1315 A18 -0,0885865 0,0736147 -1,20338 0,2379 A19 0,305024 0,411971 0,7404 0,4646 A20 -0,159038 0,367367 -0,432913 0,6681 A21 0,159257 0,10313 1,54424 0,1327 A22 -0,0345811 0,0977949 -0,353608 0,7260 A23 -0,0174294 0,166868 -0,10445 0,9175 A24 0,453064 0,179343 2,52624 0,0169 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------------Model 2,45208 7 0,350297 2,78 0,0230 Residual 3,90689 31 0,126029 ---------------------------------------------------------------------------------Total (Corr.) 6,35897 38 R-squared = 38,5609 percent R-squared (adjusted for d.f.) = 24,6876 percent Standard Error of Est. = 0,355005 Mean absolute error = 0,210206 Durbin-Watson statistic = 2,15682 Aqu se ofrecen los resultados de un modelo de regresin lineal mltiple para describir la relacin existente entre el Valor Creatividad (V3) en el Proceso de Alojamiento y los siete atributos que lo conforman considerados como variables independientes. Por cuanto el P-value de la tabla ANOVA es menor que 0,05, existe entonces una relacin estadsticamente significativa entre las variables a un nivel de confianza del 95%. El estadstico R-Squared indica que el modelo explica el 38,5609% de la variabilidad en el Valor Creatividad (el valor ajustado es del 24,6876%). El impacto de cada uno de los atributos sobre el Valor Creatividad se muestra a travs del grfico que aparece en la Fig.12.

HASPNET. Texto bsico.

224

Fig.12. Impacto de los atributos sobre el Valor Creatividad en el Proceso de Alojamiento

A18

-0 0, ,04 19 2 60 748 54 A19 0,31 % 0 9,64 484 % 0 A20 6 ,262736 ,96%

A21 A22 A23 A24

(*) P-value<0,01 nivel de confianza del 99% (**) P-value < 0,05 nivel de confianza del 95%

Se puede apreciar que los atributos que poseen menor capacidad explicatoria son, en este orden, el A18, A22, A23, A20 y el A19, mientras que los de mayor capacidad estn representados por A24 y A21. En general y como ya se ha dicho, este proceso sigue la tendencia del hotel con mejor comportamiento del Valor Creatividad. Se aprecia, aqu, adems que la evaluacin que predomina es la de peers, lo que coincide con lo manifestado al nivel del Hotel. Impacto del grado de comportamiento de los Valores sobre la Calidad Percibida del desempeo por parte de los clientes externos. La caracterstica fundamental del anlisis en este nivel es que se realiza la articulacin de los resultados obtenidos en el mbito interno con la perspectiva externa a travs de la valoracin que hacen los clientes externos sobre la calidad del desempeo de los servicios recibidos en el hotel y sus procesos. Es en este nivel donde finalmente se verifican las hiptesis planteadas en nuestra investigacin. Seguiremos el mismo algoritmo que hemos venido aplicando en los anlisis anteriores. Es decir comenzamos realizando la exposicin de resultados a nivel de Hotel y luego a nivel de procesos. Aqu solamente hay que aclarar, que como se incorpora un nuevo decidor al mtodo de evaluacin, este se convierte en un 360 grados. Aplicacin del Mtodo al Proceso Hotel considerando los clientes externos Un anlisis inicial de la relacin entre los sujetos de evaluacin 180 grados y el juicio de los clientes externos acerca de la Calidad Percibida del desempeo de los servicios a nivel de hotel, arroj los resultados que a continuacin se muestran.

3 ,7 5 %

0,449597* 20,21% 9 351 0,12 % 1,53 73 15 25 0, 3% * 3 6, 377 7 48 0,

V3

HASPNET. Texto bsico.

225

ANOVA Table Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Between groups 22,4594 3 7,48646 34,94 0,0000 Within groups 17,9989 84 0,214273 ----------------------------------------------------------------------------Total (Corr.) 40,4583 87 Se concluye que, por cuanto el P-value del F-test es menor que 0,05, existen entonces diferencias estadsticamente significativas entre las medias de las variables analizadas al nivel del 95% de confianza. Para corroborar el resultado anterior aplicamos el Test de la Mediana o Test de Kruskal-Wallis, el cual confirmo la hiptesis nula de desigualdad de las medianas de las 4 variables analizadas. Kruskal-Wallis Test Sample Size Average Rank -----------------------------------------------------------A 22 53,5682 D 22 14,25 P 22 60,0227 Pq 22 50,1591 -----------------------------------------------------------Test statistic = 42,8439 P-Value = 2,65615E-9 Para determinar cul de las medias es significativamente diferente con respecto a las otras aplicamos el Test de Mltiples Rangos aprecindose que entre las Autoevaluaciones y la Calidad Percibida del Cliente externo y entre los Peers y la Calidad Percibida del Cliente externo, no existen diferencias significativas y como en casos anteriores convencionalmente tomamos las mejores correlacionadas, en este caso resultaron ser las ltimas. Por ello el anlisis que sigue se realiza considerando slo estos valores. Multiple Range Tests -------------------------------------------------------------------------------Method: 95,0 percent LSD Count Mean Homogeneous Groups -------------------------------------------------------------------------------D 22 5,17409 X Pq 22 6,25 X A 22 6,29455 X P 22 6,44273 X -------------------------------------------------------------------------------Contrast Difference +/- Limits -------------------------------------------------------------------------------A-D *1,12045 0,277548 A-P -0,148182 0,277548 A - Pq 0,0445455 0,277548 D-P *-1,26864 0,277548 D - Pq *-1,07591 0,277548 P - Pq 0,192727 0,277548 -------------------------------------------------------------------------------* denotes a statistically significant difference. Los resultados de aplicar el Mtodo 180 grados a nivel del Hotel aparecen representados de manera grfica en el Anexo No.1. Aqu se puede apreciar el grado de impacto que cada uno de los valores analizados tiene sobre la Calidad Percibida.

HASPNET. Texto bsico.

226

Impacto del Valor Profesionalidad en la Calidad Percibida Los resultados de esta relacin se muestran a continuacin. Dependent variable: Pq Independent variable: V1 (Profesionalidad) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -2,20247 1,32606 -1,66091 0,1407 Slope 1,30368 0,207314 6,28843 0,0004 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 4,28401 1 4,28401 39,54 0,0004 Residual 0,758342 7 0,108335 ----------------------------------------------------------------------------Total (Corr.) 5,04236 8 Correlation Coefficient = 0,921741 R-squared = 84,9606 percent Standard Error of Est. = 0,329142 Los resultados que aparecen, muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Profesionalidad (V1) en el mbito del Hotel. Por cuanto el P-value la tabla ANOVA es menor que 0.01, entonces existe una relacin estadsticamente significativa entre Pq y V1 a un nivel de confianza del 99%. El estadstico R-Squared indica que el Modelo ajustado explica un 84,96% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,921741, indicando una relacin relativamente fuerte entre las variables analizadas. Esto demuestra que se cumple la Hiptesis (H1) acerca de que a mayor magnitud del Valor Profesionalidad, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. Impacto del Valor Relacionamiento en la Calidad Percibida. Los resultados que aparecen a continuacin, muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Relacionamiento (V2) en el mbito del Hotel. Dependent variable: Pq. Independent variable: V2 (Relacionamiento) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -0,124946 2,95321 -0,0423084 0,9683 Slope 1,00995 0,452218 2,23332 0,0893 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 0,1743 1 0,1743 4,99 0,0893 Residual 0,139783 4 0,0349458 ----------------------------------------------------------------------------Total (Corr.) 0,314083 5

HASPNET. Texto bsico. Correlation Coefficient = 0,744949 R-squared = 55,4949 percent Standard Error of Est. = 0,186938

227

Por cuanto el P-value la tabla ANOVA es menor que 0.10, entonces existe una relacin estadsticamente significativa entre Pq y V2 a un nivel de confianza del 90%. El estadstico R-Squared indica que el Modelo ajustado explica un 55,49% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,744949, indicando una relacin moderadamente fuerte entre las variables analizadas. Esto demuestra que se cumple la Hiptesis (H2) acerca de que a mayor magnitud del Valor Relacionamiento, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. Impacto del Valor Creatividad en la Calidad Percibida. Los resultados que se exponen a continuacin, muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Creatividad (V3) en el mbito del Hotel. Dependent variable: Pq Independent variable: V3 (Creatividad) ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -1,91946 1,42635 -1,34571 0,2362 Slope 1,26452 0,220727 5,72888 0,0023 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 0,714344 1 0,714344 32,82 0,0023 Residual 0,108827 5 0,0217655 ----------------------------------------------------------------------------Total (Corr.) 0,823171 6 Correlation Coefficient = 0,931555* R-squared = 86,7795 percent Standard Error of Est. = 0,147531 Por cuanto el P-value la tabla ANOVA es menor que 0.01, entonces existe una relacin estadsticamente significativa entre Pq y V2 a un nivel de confianza del 99%. El estadstico R-Squared indica que el Modelo ajustado explica un 86,78% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,931555, indicando una relacin relativamente fuerte entre las variables analizadas. Esto demuestra que se cumple la Hiptesis (H3) acerca de que a mayor magnitud del Valor Creatividad, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. En resumen podemos afirmar que se cumplen las hiptesis de partida y que los valores estudiados impactan de manera positiva en la Calidad Percibida, aunque su influencia no es igual. As, segn su capacidad para explicar la variabilidad de Pq, los valores se ordenan de la manera siguiente: Valor Creatividad, Profesionalidad y Relacionamiento. Este ltimo es el de peor comportamiento en el mbito del Hotel. Ahora se exponen los resultados de haber aplicado el Modelo Rombo a los dos procesos hoteleros seleccionados.

HASPNET. Texto bsico.

228

Aplicacin del Mtodo al Proceso de Recepcin Lo primero que realizamos fue demostrar la relacin existente entre las evaluaciones otorgadas por Directivos, Autoevaluados y Peer y las otorgadas por los clientes externos. Esto fue necesario para demostrar en qu medida el Modelo aplicado tena capacidad explicatoria sobre la variabilidad de la Calidad percibida. Los resultados obtenidos se muestran a continuacin. Aqu se describe mediante un modelo de regresin mltiple la relacin existente entre Calidad Percibida (Pq como variable dependiente) y las evaluaciones que otorgaron Directivos, Autoevaluados y Peer (como variables independientes). Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: Pq ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT -3,04209 0,710755 -4,28008 0,0005 A 0,0180726 0,15671 0,115325 0,9095 D 0,154598 0,131472 1,1759 0,2550 P 1,32144 0,17239 7,66543 0,0000 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 5,34408 3 1,78136 61,70 0,0000 Residual 0,519711 18 0,0288728 ----------------------------------------------------------------------------Total (Corr.) 5,86379 21 R-squared = 91,1369 percent R-squared (adjusted for d.f.) = 89,6598 percent Standard Error of Est. = 0,16992 Mean absolute error = 0,134058 Durbin-Watson statistic = 2,04171 Se aprecia que el P-value en la tabla ANOVA es menor que 0.01, por lo que existen relaciones estadsticamente significativas entre las evaluaciones otorgadas por los directivos, los peers, los autoevaluados y las otorgadas por los clientes externos a un nivel de confianza del 99%, por lo que el modelo presenta adecuados parmetros de validez. El Modelo muestra, adems elevada capacidad explicatoria pues el estadstico R-Squared indica que el modelo explica el 91,1369% de la variabilidad de Pq (el ajustado es 89,6598%). En segundo lugar se realiz un anlisis inicial de la relacin entre los sujetos de evaluacin 180 grados y el juicio de los clientes externos acerca de la Calidad Percibida del desempeo de los servicios a nivel del proceso de la Recepcin, y ello arroj los resultados siguientes. ANOVA Table Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Between groups 1,06366 3 0,354553 1,76 0,1602 Within groups 16,8781 84 0,20093 ----------------------------------------------------------------------------Total (Corr.) 17,9418 87

HASPNET. Texto bsico.

229

Se concluye que, por cuanto el P-value del F-test es mayor que 0,05, no existen entonces diferencias estadsticamente significativas entre las medias de las variables analizadas al nivel del 95% de confianza. En este caso se toman los valores mejor correlacionados con los de Calidad Percibida, correspondiendo a stos los que existen entre Peers y los de los clientes externos. A partir de aqu estos sern los valores que se utilizarn en los dems anlisis. Los resultados de aplicar el Mtodo 180 grados a nivel del proceso de Recepcin aparecen representados de manera grfica en el Anexo No.2. Aqu se puede apreciar el grado de impacto que cada uno de los valores analizados tiene sobre la Calidad Percibida. Impacto del Valor Profesionalidad en la Calidad Percibida del Proceso de Recepcin. Los resultados siguientes, muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Profesionalidad (V1) en el Proceso de Recepcin. Dependent variable: Pq. Independent variable: V1 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -3,23149 0,77382 -4,17602 0,0042 Slope 1,53081 0,127854 11,973 0,0000 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 4,28092 1 4,28092 143,35 0,0000 Residual 0,209039 7 0,0298626 ----------------------------------------------------------------------------Total (Corr.) 4,48996 8 Correlation Coefficient = 0,976444* R-squared = 95,3443 percent Standard Error of Est. = 0,172808 Por cuanto el P-value la tabla ANOVA es menor que 0.01, entonces existe una relacin estadsticamente significativa entre Pq y V1 a un nivel de confianza del 99%. El estadstico R-Squared indica que el Modelo ajustado explica un 95,34% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,976444, indicando una relacin relativamente fuerte entre las variables analizadas. Esto demuestra que tambin en este proceso se cumple la Hiptesis (H1) acerca de que a mayor magnitud del Valor Profesionalidad, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. Impacto del Valor Relacionamiento en la Calidad Percibida del proceso de Recepcin. Estos resultados muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Relacionamiento (V2) en el Proceso de Recepcin. Dependent variable: Pq. Independent variable: V2

HASPNET. Texto bsico.

230

----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -1,95961 2,70327 -0,724901 0,5086 Slope 1,31581 0,435429 3,02188 0,0391 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 0,42652 1 0,42652 9,13 0,0391 Residual 0,18683 4 0,0467075 ----------------------------------------------------------------------------Total (Corr.) 0,61335 5 Correlation Coefficient = 0,833903** R-squared = 69,5394 percent Standard Error of Est. = 0,216119 Por cuanto el P-value la tabla ANOVA es menor que 0.05, entonces existe una relacin estadsticamente significativa entre Pq y V2 a un nivel de confianza del 95%. El estadstico R-Squared indica que el Modelo ajustado explica un 69,54% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,833903, indicando una relacin moderadamente fuerte entre las variables analizadas. Esto demuestra que se cumple la Hiptesis (H2) acerca de que a mayor magnitud del Valor Relacionamiento, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. Impacto del Valor Creatividad en la Calidad Percibida del Proceso de Recepcin. Los resultados en este caso, muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Creatividad (V3) en el Proceso de Recepcin. Dependent variable: Pq Independent variable: V3 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -1,63709 1,93711 -0,845121 0,4366 Slope 1,25964 0,31502 3,9986 0,0103 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 0,471519 1 0,471519 15,99 0,0103 Residual 0,147453 5 0,0294905 ----------------------------------------------------------------------------Total (Corr.) 0,618971 6 Correlation Coefficient = 0,872799** R-squared = 76,1778 percent Standard Error of Est. = 0,171728

HASPNET. Texto bsico.

231

Por cuanto el P-value la tabla ANOVA es menor que 0.05, entonces existe una relacin estadsticamente significativa entre Pq y V2 a un nivel de confianza del 95%. El estadstico R-Squared indica que el Modelo ajustado explica un 76,18% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,872799, indicando una relacin moderadamente fuerte entre las variables analizadas. Esto demuestra que tambin se cumple la Hiptesis (H3) acerca de que a mayor magnitud del Valor Creatividad, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. En resumen podemos afirmar que en este Proceso se confirman, al igual que a nivel de hotel, las hiptesis de partida, y que los valores estudiados impactan de manera positiva en la Calidad Percibida, aunque su influencia no es igual. As, segn su capacidad para explicar la variabilidad de Pq, los valores se ordenan de la manera siguiente: Valor Profesionalidad Creatividad, y Relacionamiento. Este ltimo es el de peor comportamiento en el mbito del Proceso analizado. Aplicacin del Mtodo 180 grados al Proceso de Alojamiento. Se demostr tambin en este proceso la relacin existente entre las evaluaciones otorgadas por Directivos, Autoevaluados y Peer y las otorgadas por los clientes externos. Esto fue necesario para revelar en qu medida el Modelo aplicado tena capacidad explicatoria sobre la variabilidad de la Calidad percibida. Los resultados obtenidos muestran la relacin existente entre Calidad Percibida (Pq como variable dependiente) y las evaluaciones que otorgaron Directivos, Autoevaluados y Peer (como variables independientes). El P-value en la tabla ANOVA es menor que 0.01, por lo que existen relaciones estadsticamente significativas entre las evaluaciones otorgadas por los directivos, los peers, los autoevaluados y las otorgadas por los clientes externos a un nivel de confianza del 99%, por lo que el modelo presenta adecuados parmetros de validez. El Modelo muestra, adems elevada capacidad explicatoria pues el estadstico R-Squared indica que el modelo explica el 71,7352% de la variabilidad de Pq (el ajustado es 67,0243%). En segundo lugar se realiz un anlisis inicial de la relacin entre los sujetos de evaluacin 180 grados y el juicio de los clientes externos acerca de la Calidad Percibida del desempeo de los servicios a nivel del proceso de la Recepcin. El Pvalue del F-test es mayor que 0,05, y por ello no existen entonces diferencias estadsticamente significativas entre las medias de las variables analizadas al nivel del 95% de confianza. En este caso se toman los valores mejor correlacionados con los de Calidad Percibida, correspondiendo a stos los que existen entre Peers y los de los clientes externos. Los resultados de aplicar el Mtodo 180 grados a nivel del proceso de Recepcin aparecen representados de manera grfica en el Anexo No.3. Aqu se puede apreciar el grado de impacto que cada uno de los valores analizados tiene sobre la Calidad Percibida. Impacto del Valor Profesionalidad en la Calidad Percibida del Proceso de Alojamiento. Los resultados siguientes, muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Profesionalidad (V1) en el Proceso de Alojamiento. Dependent variable: Pq Independent variable: V1 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -3,82533 3,66732 -1,04309 0,3316 Slope 1,51872 0,554121 2,74078 0,0289

HASPNET. Texto bsico.

232

----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 3,49073 1 3,49073 7,51 0,0289 Residual 3,25287 7 0,464696 ----------------------------------------------------------------------------Total (Corr.) 6,7436 8 Correlation Coefficient = 0,719469 R-squared = 51,7636 percent Standard Error of Est. = 0,681686 Por cuanto el P-value la tabla ANOVA es menor que 0.05, entonces existe una relacin estadsticamente significativa entre Pq y V1 a un nivel de confianza del 95%. El estadstico R-Squared indica que el Modelo ajustado explica un 51,76% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,719469, indicando una relacin moderadamente fuerte entre las variables analizadas. Esto demuestra que tambin en este proceso se cumple la Hiptesis (H1) acerca de que a mayor magnitud del Valor Profesionalidad, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. Impacto del Valor Relacionamiento en la Calidad Percibida del proceso de Alojamiento. Los resultados que siguen muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Relacionamiento (V2) en el Proceso de Alojamiento. ----------------------------------------------------------------------------Dependent variable: Pq Independent variable: V2 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept 1,07715 1,51974 0,708772 0,5176 Slope 0,84518 0,227126 3,7212 0,0205 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 0,164641 1 0,164641 13,85 0,0205 Residual 0,0475589 4 0,0118897 ----------------------------------------------------------------------------Total (Corr.) 0,2122 5 Correlation Coefficient = 0,880839** R-squared = 77,5877 percent Standard Error of Est. = 0,10904 Por cuanto el P-value la tabla ANOVA es menor que 0.05, entonces existe una relacin estadsticamente significativa entre Pq y V2 a un nivel de confianza del 95%. El estadstico R-Squared indica que el Modelo ajustado explica un 77,59% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,880839, indicando una relacin moderadamente fuerte entre las variables analizadas. Esto

HASPNET. Texto bsico.

233

demuestra que se cumple la Hiptesis (H2) acerca de que a mayor magnitud del Valor Relacionamiento, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. Impacto del Valor Creatividad en la Calidad Percibida del Proceso de Alojamiento. Los resultados siguientes muestran la relacin que existe entre Calidad Percibida (Pq) y el Valor Creatividad (V3) en el Proceso de Alojamiento. ----------------------------------------------------------------------------Dependent variable: Pq. Independent variable: V3 ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------Intercept -1,83907 2,45214 -0,749986 0,4870 Slope 1,24429 0,370625 3,35729 0,0202 ----------------------------------------------------------------------------Analysis of Variance ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 0,895519 1 0,895519 11,27 0,0202 Residual 0,397253 5 0,0794505 ----------------------------------------------------------------------------Total (Corr.) 1,29277 6 Correlation Coefficient = 0,832293** R-squared = 69,2712 percent Standard Error of Est. = 0,28187 Por cuanto el P-value la tabla ANOVA es menor que 0.05, entonces existe una relacin estadsticamente significativa entre Pq y V3 a un nivel de confianza del 95%. El estadstico R-Squared indica que el Modelo ajustado explica un 69,27% de la variabilidad en Pq. El coeficiente de correlacin es igual a 0,832293, indicando una relacin moderadamente fuerte entre las variables analizadas. Esto demuestra que tambin se cumple la Hiptesis (H3) acerca de que a mayor magnitud del Valor Creatividad, mayor grado de Calidad Percibida del desempeo por parte del cliente externo. En resumen podemos afirmar que en este Proceso se confirman, al igual que a nivel de hotel, las hiptesis de partida, y que los valores estudiados impactan de manera positiva en la Calidad Percibida, aunque su influencia no es igual. As, segn su capacidad para explicar la variabilidad de Pq, los valores se ordenan de la manera siguiente: Valor Relacionamiento Creatividad, y Profesionalidad. Este ltimo es el de peor comportamiento en el mbito del Proceso analizado. Consideramos que este comportamiento se corresponde con las caractersticas propias del proceso y de los sujetos que intervienen en l.

HASPNET. Texto bsico. Resumen del Captulo

234

El anlisis realizado en este captulo ha demostrado lo siguiente: Se demostr la validez y la confiabilidad de los instrumentos de medicin diseados y aplicados. Los resultados demuestran que las hiptesis formuladas para el trabajo se verifican en sentido positivo: A mayor comportamiento de los Valores estudiados, mayor Calidad Percibida del desempeo del servicio en los procesos seleccionados. Esto se comprueba tanto en el mbito del hotel como en el nivel de los procesos estudiados. Qued demostrada la legitimidad de aplicar el Mtodo de Evaluacin 180 grados y del Modelo Rombo que lo sustenta, as como se verific que la evaluacin ms consistente es la otorgada por los peers. Como resumen general de la aplicacin de los conceptos desarrollados en el epgrafe 7.1 del presente captulo, referente a la evaluacin 360 grados, vamos a mostrar una sntesis de los resultados obtenidos en el mbito del hotel. Impacto del comportamiento de los Valores en la Calidad Percibida en el mbito Hotel: Xijk P A 6,74 6,70 6,69 6,69 5,01 4,40 6,54 6,58 6,77 6,65 6,70 6,54 6,57 6,66 6,08 5,63 6,27 6,18 6,54 6,63 6,54 6,50 6,18 6,21 6,54 6,73 6,68 6,57 6,69 6,67 5,89 5,64 6,68 6,32 6,61 6,40 6,46 6,41 6,36 5,90 6,57 6,30 6,63 6,17 6,43 6,27

Atributos D 1 5,58 2 5,42 3 4,04 4 5,25 5 5,33 6 5,31 7 5,30 8 4,83 9 5,25 10 5,28 11 5,45 12 5,17 13 5,36 14 5,21 15 5,32 16 4,74 17 5,34 18 5,29 19 5,01 20 4,94 21 5,14 22 5,27 5,16

Cex 5,84 6,64 4,19 6,40 6,69 6,55 6,60 5,77 6,29 6,46 6,31 6,08 6,80 6,54 6,62 5,54 6,60 6,57 6,34 6,10 6,11 6,46 6,22

HASPNET. Texto bsico.

235

Sobre la base de estos datos construimos la matriz de correlaciones siguientes: Correlaciones D P A Cex 1 0,9285 0,9424 0,8584 1 0,9395 0,9113 1 0,9071 1

D P A Cex Donde: D: Directivos (Jefes) P: Peers A: Autoevaluacin Cex: Cliente externo

1. La evaluacin ms alta es la que otorgaron los PEER (P). 2. Todas las correlaciones tienen direccin positiva. 3. Los coeficientes muestran intensidades relativamente fuertes, superiores en todos los casos a 0,85. 4. La mejor correlacionada con la que otorgaron los Clientes Externos es la de los Peer. Grficamente la Evaluacin 360 grados, aplicada a este caso concreto se puede representar as:

HASPNET. Texto bsico.

236

Anexo No.1: Aplicacin del Mtodo 180 grados al proceso Hotel.

HASPNET. Texto bsico.

237

Anexo No.2: Aplicacin del Mtodo 180 grados al proceso de Recepcin.

HASPNET. Texto bsico.

238

Anexo No.3: Aplicacin del Mtodo al proceso de Alojamiento.

HASPNET. Texto bsico. Los autores:

239

Roberto Argelio Fras Jimnez, Director del Centro de Estudios de Turismo de la Universidad de Matanzas "Camilo Cienfuegos, Jefe de la Carrera de Licenciatura en Turismo y miembro de su Comisin Nacional. Miembro del Comit Acadmico Nacional de la Especialidad de Gestin Hotelera y de la Maestra en Gestin Turstica. Profesor Auxiliar, Doctor en Ciencias Econmicas y Master en Gestin Turstica. Mencin Gestin Hotelera. Miembro del Consejo de Redaccin de la Revista Retos Tursticos. Desarrolla el Proyecto de Investigacin Gestin de Empresas Tursticas, dentro del cual aborda los problemas relacionados con la Gestin del Cliente Interno. Direccin electrnica: roberto.frias@umcc.cu. Leonardo Cutara Snchez, Profesor-Investigador del Centro de Estudios de Turismo de la Universidad de Matanzas, Licenciado en Economa, Profesor Auxiliar, Doctor en Ciencias Econmicas y Master en Administracin de Negocios. Desarrolla el Proyecto Modelo de Gestin Ambiental Sostenible para Destinos de Sol y Playa y Eco tursticos. Es tambin coautor del Texto Electrnico sobre Gestin de la Calidad y del de Herramientas de Apoyo para la Solucin de Problemas no Estructurados en la Empresas Tursticas. E-mail: leonardo.cuetara@umcc.cu. Mah Gonzlez Arias, Ingeniera Industrial, Master en Gestin Turstica, Jefa de Ao y de la Disciplina de Turismo de la carrera de Licenciatura en Turismo. Profesora investigadora del Centro de Estudios de Turismo de la Universidad de Matanzas. Realiza su doctorado en un Modelo para la Gestin del Cliente Interno en Procesos Hoteleros. Desarrolla un Proyecto que le tributa a su tema de doctorado. Es autora o coautora de numerosos artculos, monografas y textos electrnicos. Direccin electrnica: mahe.gonzalez@umcc.cu. Yakeln Corzo Snchez, estudiante del quinto ao de la carrera de Licenciatura en Turismo de la Universidad de Matanzas Camilo Cienfuegos. Alumna de Alto Aprovechamiento, imparte las asignaturas Estadstica, Matemtica Superior, yHASPNET. Participa en un Proyecto de Investigacin, especficamente en el Diseo e Implementacin del Balanced ScoreCard en Empresas Tursticas del Polo de Varadero, ha obtenido premios relevantes y destacados en los Forum de Ciencia y Tcnica que se organizan a nivel de municipio y provincia. Direccin electrnica: yakeln.corzo@est.umcc.cu. Angela Gonzlez Laucirica, estudiante del quinto ao de la carrera de Licenciatura en Turismo de la Universidad de Matanzas Camilo Cienfuegos. Alumna de Alto Aprovechamiento, imparte las asignaturas Gestin de la Calidad, Estadstica, Matemtica Superior y Direccin Integrada de Proyecto. Participa en un Proyecto de Investigacin, especficamente en el Despliegue de la Funcin de Calidad en Empresas Tursticas del Polo de Varadero, ha obtenido premios relevantes y destacados en los Forum de Ciencia y Tcnica que se organizan a nivel de municipio y provincia. Direccin electrnica: angela.gonzalez@est.umcc.cu.

Anda mungkin juga menyukai