Aplicación Práctica / Practical Issues
Recibido: 08-11-2020, Aprobado tras revisión: 11-01-2021
Forma sugerida de citación: Vásquez, P.; Nieto, M.; Roberto, R. (2021). “Exploración de datos mediante grafos del Aplicativo de
Gestión de Conocimiento de CENACE para la fase de captura de conocimiento. Revista Técnica “energía”. No. 17, Issue II,
Pp. 153-163
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2021 Operador Nacional de Electricidad, CENACE
Methodological proposal for knowledge network exploration in a graph
database of CENACE’s Knowledge Management System
Propuesta metodológica para la exploración de redes de conocimiento
mediante una base de datos orientada a grafos de los datos del Sistema de
Gestión de Conocimiento de CENACE
1
P.K. Vásquez
2
E.M. Nieto
3
R.G. Sánchez
4
J.C. Cepeda
1,2,4
Operador Nacional de Electricidad, CENACE
E-mail: pvasquez@cenace.oeg.ec; mnieto@cenace.org.ec; jcepeda@cenace.org.ec
3
CELEC EP-Coca Codo Sinclair
gonzalo.sanchez@celec.gob.ec
Abstract
This paper presents a methodological proposal for
data exploration through graph theory over the
collected data from the knowledge management web
platform of the National Electricity Operator,
CENACE. For this proposal, knowledge
management, human capital management and
graph theory are the basis for creating knowledge
networks. The gained latent knowledge through this
methodology shall allow better decision-making in
terms of management of human talent and
knowledge. In order to discover latent information
for each research topic, structural models have been
created, which shall facilitate obtaining new
insights. The methodology uses Neo4j Community
Edition, a graph database whose applications let to
find the relationships inside the data. The scientific
contribution of this technical work lies in the
exploration of data through a graphic methodology
using structural models, which allows to validate
existing data and to find latent information from
knowledge networks. In future work, there will be
available reports that allow generating added value
in terms of knowledge management, creating a
competitive advantage for the Institution
Resumen
Este trabajo presenta una propuesta metodológica
para la exploración de datos mediante la teoría de
grafos de los datos recopilados a través de la
plataforma web de gestión de conocimiento del
Operador Nacional de Electricidad, CENACE. Esta
propuesta considera la gestión de conocimiento, la
gestión de capital humano y la teoría de grafos como
base para crear redes de conocimiento. El
conocimiento latente ganado a través de esta
metodología permitirá una mejor toma de decisiones
en lo referente a la gestión de talento humano y del
conocimiento. A fin de descubrir información por
cada tópico de investigación se han creado modelos
estructurales, mismos que facilitarán la obtención de
resultados. La metodología utiliza la base de datos
orientada a grafos Neo4j Community Edition, que a
través de sus aplicativos permite graficar las
conexiones encontradas mediante los modelos
estructurales. La contribución científica de este
trabajo técnico radica en la exploración de datos a
través de una metodología gráfica para la validación
de los datos existentes y búsqueda de información
latente de las redes de conocimiento. En trabajos
futuros se podrá contar con reportes que permitan
generar valor agregado en cuanto a la gestión del
conocimiento, creando una ventaja competitiva para
la Institución.
Index terms Knowledge management, individual
knowledge, organizational knowledge, data
Eploration
Palabras clave Gestión de conocimiento,
conocimiento individual, conocimiento
organizacional, Exploración de datos
153
Edición No. 17, Issue II, Enero 2021
1. INTRODUCCIÓN
La gestión del conocimiento es un aspecto muy
importante a manejar por parte de las organizaciones
debido a los cambios acelerados en las tecnologías y
estructuras organizacionales. Para afrontar los nuevos
desafíos que esta gestión implica, las organizaciones han
tenido que realizar cambios en su política y estrategia
corporativa para adaptarse e incrementar las
competencias de sus colaboradores [1]. En este contexto,
las ventajas competitivas sostenibles para los individuos
y las organizaciones ya no son solamente las tierras,
capital, mano de obra, energía u otros recursos, sino que
el conocimiento
1
se ha convertido en un activo intangible
muy valioso y fundamental para las organizaciones [2].
En la creación y acumulación de conocimiento participa
la gestión de talento humano, entendiéndose talento
como la suma de capacidades (competencias, y
conocimientos) que aportan en la productividad de la
organización [3].
El Operador Nacional de Electricidad CENACE,
explota el conocimiento como su insumo más valioso por
lo que, desde hace unos años, ha puesto en marcha el
proyecto para la gestión de conocimiento de CENACE.
En el año 2016 se realizó un Diagnóstico Situacional de
la Gestión de conocimiento en CENACE, trabajo que
concluyó en lo siguiente: “la Institución cuenta con los
factores necesarios para implementar un proceso formal
de Gestión de Conocimiento mediante una mejora
continua en la gestión del talento humano, procesos,
tecnología, liderazgo, compromiso de la alta gerencia y
el desarrollo de una cultura de aprendizaje
organizacional” [4]. En 2019, CENACE realiza la
propuesta metodológica para gestionar la transferencia de
conocimiento individual a la organización y lograr una
gestión integral que pueda mitigar eventos relacionados
con la rotación del personal, cambios tecnológicos y
nuevas responsabilidades del colaborador [5].
La metodología propuesta en 2019 permite gestionar
la Transferencia de Conocimiento individual a la
organización y considera la gestión de conocimiento y la
innovación como base para crear una cultura de
aprendizaje y conocimiento organizacional. Seis
actividades principales enmarcan esta metodología: a)
incorporar o capturar, b) validar, c) almacenar, d)
compartir, e) accionar y f) mantener el conocimiento.
Con la metodología antes mencionada, se concluyó sobre
“la importancia de plasmar un aplicativo computacional
que gestiona el conocimiento individual, para realizar las
primeras tres fases del modelo de gestión de
conocimiento: incorporar, validar y almacenar el
conocimiento con el fin de transformarlo en
conocimiento organizacional” [5].
A partir de los resultados de [5], el siguiente paso es
1
El conocimiento es un insumo creado y acumulado a través de un
proceso denominado de aprendizaje organizativo [2]
definir la arquitectura para viabilizar una apropiada
captura, validación y almacenamiento del conocimiento.
En [6], por ejemplo, se propone una aplicación de base
de datos basada en grafos para racionalizar los
principales procesos de gestión del conocimiento. Se
desarrolla un modelo de datos basada en grafos de
propiedades para facilitar el modelo de proceso de
conocimiento administrativo usando Neo4j
2
. En este
trabajo se evidencia que las bases de datos relacionales
basadas en grafos son una buena alternativa como
componente central de un sistema de gestión del
conocimiento. No obstante, el mencionado trabajo no
define métricas para valorar la gestión de conocimiento,
ya que dicho análisis implicaría desarrollos adicionales.
Es importante mencionar que, la aplicación de estos
conceptos aún no han sido explorados en ninguna
institución o empresa del sector energético de Ecuador.
En el año 2020, el equipo de proyecto de Gestión de
Conocimiento de CENACE ha trabajado en las fases de
captura, validación y almacenamiento del conocimiento.
A través de proyectos pilotos, se han obtenido los datos
necesarios para realizar el análisis de la información
capturada de los funcionarios de CENACE, y procesarlos
mediante el análisis de redes, utilizando la teoría de
grafos como base para el análisis estructural de las redes
de conocimiento. El presente trabajo se enfoca en
explicar la teoría y la proposición de índices o métricas
para la evaluación de la topología de los diferentes
modelos estructurales propuestos. Para esto, se despliega
una base de datos basada en grafos, usando Neo4j, con
los datos disponibles de la plataforma web de gestión de
conocimiento de CENACE, utilizando los modelos
estructurales por cada tópico a investigar.
El resto de este documento está organizado de la
siguiente manera. En primer lugar, se presenta un marco
teórico sobre teoría de grafos y su vinculación con la
gestión de conocimiento. Seguidamente, se propone la
metodología para la exploración de datos mediante
grafos del aplicativo de gestión de conocimiento de
CENACE. Posteriormente, se presentan los resultados de
dicha metodología en la detección de relaciones usando
Neo4j. Finalmente, se presentan las conclusiones y
recomendaciones de este trabajo.
2. MARCO TEÓRICO
2.1. Teoría de Grafos
Con la finalidad de que el presente trabajo sea
comprensible para aquellos lectores que no estén
familiarizados con la teoría de grafos, en la siguiente
sección se incluyen los conceptos generales y necesarios
para el desarrollo de este trabajo.
2
Neo4j: base de datos orientada a grafos (DBOG) de tipo NOSQL.
154
Vásquez et al. / Captura de conocimiento mediante grafos de los datos de Gestión de Conocimiento
2.1.1. Conceptos generales
Un grafo simple es una colección de puntos llamados
vértices V(G), unidos por un conjunto de líneas llamadas
aristas E(G). Una línea que une dos vértices finales (u, v)
en V(G), indica que dichos elementos son adyacentes y
que existe alguna relación entre estos dos vértices finales.
Una manera de denotar la relación existente entre u y v,
será e = uv [7]. Las estructuras creadas por vértices y
aristas son denominas como redes [8] .
Figura 1: Grafo simple
El grado de conexión de un vértice, también conocido
como vecindad, permite describir el grafo y las
características de su topología [7]. En el grafo de la Fig.
1, el grado del vértice x es 0, debido a que carece de
conexiones. Para el caso del vértice v su grado es 2 por
las conexiones con u, y. El concepto de vecindad queda
denotado como:
𝑵
(
𝒗
)
=
{
𝒖 ∈ 𝑽
(
𝑮
)|
{
𝒗, 𝒖
}
∈ 𝑬(𝑮)} (1)
Donde N(v) es el conjunto de vértices u que tienen
conexión con el vértice v.
Tipos de Grafos:
Los tipos de grafos explicados a continuación son
aquellos necesarios para el desarrollo de este trabajo.
Otros tipos de grafos son definidos con mayor detalle en
[9][10][7]. En general, las conexiones en un grafo
permiten establecer ciertas propiedades o características.
Por ejemplo, se dice que un grafo es conexo si cada par
de vértices está conectado por un camino. Entendiéndose
como camino al conjunto de aristas que permiten la
conexión entre dos vértices [7]. El subgrafo de la Fig. 1,
G1 = {u, v, y} tiene un camino que permite la conexión
entre (u, y) a través del camino C = {uv, vy}. Por el
contrario, un grafo disconexo, será aquel que no contenga
las aristas necesarias para conectar a todos los vértices
que le pertenece. En la Fig. 1, el subgrafo G2 = {x} es un
grafo disconexo al no tener conexión con ningún otro
vértice, esto implica que el grafo general G = {G1, G2}
sea también un grafo disconexo.
Figura 2: Tipos de grafos según su conectividad: a) conexo, b)
doblemente conexo, c) fuertemente conexo - grafo completo
La Fig. 2, muestra tipos de grafos de acuerdo a su
conectividad: a) Un grafo conexo, donde todos sus
vértices tienen un camino que los conecta, b) un grafo
doblemente conexo, ya que por cada par de vértices en el
grafo existen por lo menos dos caminos disjuntos que los
une, así al excluir un vértice del grafo, el grafo resultante
no puede ser un grafo disconexo; y, c) un grafo
fuertemente conexo y completo, donde las conexiones
son fuertes ya que se puede establecer una relación de
equivalencia para cada uno de sus vértices, y que, en el
caso de ser completo, tendrá todas las conexiones
posibles entre vértices [7].
La ecuación 2 determina el número de posibles aristas
existentes en un grafo completo, donde n es el número de
vértices en el grafo.
#𝑬
𝒄𝒐𝒎𝒑𝒍𝒆𝒕𝒐
=
𝒏(𝒏−𝟏)
𝟐
(2)
Grafo bipartito:
Un grafo bipartito está expresado como G = {V1 U
V2, E}; donde V1 y V2 son dos conjuntos de vértices
disjuntos y no vacíos, véase Fig. 3. En esta condición
cada arista existente permite la conexión de un vértice de
V1 con un vértice de V2, y no existe una conexión entre
vértices del mismo grupo. Este grafo es muy útil para
describir conexiones entre dos conjuntos de elementos
diferentes [7].
El número de conexiones posibles en un grafo
bipartito está dado por la expresión, en la ecuación 3,
donde m es el número de vértices del grupo V1 y n es el
número de vértices en el grupo V2.
#𝑬
𝒃𝒊𝒑𝒂𝒓𝒕𝒊𝒕𝒐
= 𝒎𝒏 (3)
Figura 3: Grafo bipartito
Atributos y características en un grafo:
Colocar atributos o características permiten
enriquecer el significado de un grafo. De esta manera, el
incluir atributos como ponderación, etiquetado o el
sentido de la relación, permitirá al investigador realizar
una representación más realista del fenómeno, evento o
problema que desea resolver o representar. [9] [7]
Figura 4: Grafo enriquecido de etiquetas y/o atributos
La Fig. 4. es la representación de una estructura
organizacional simple en el que 2 personas interactúan
155
Edición No. 17, Issue II, Enero 2021
(p1, p2) de manera bidireccional. Su interacción se
encuentra definida por un grafo de tipo direccional. En
éste, se muestra que la persona p2 supervisa el trabajo de
p1; y p1 reporta su trabajo a p2. La Fig. 4. muestra
también que la persona p1 dirige la gerencia g3 desde el
año 2010 con conocimientos c1 y c2, los cuales son bajo
y alto, respectivamente. Los atributos de color azul son
los que definen la relación entre vértices, mientras que
los atributos de color rojo son los atributos de cada
vértice. Nótese que para este ejemplo sólo se han
colocado atributos en la persona p2.
Para motivos de este trabajo, los grafos enriquecidos
de etiquetas y/o atributos representarán de manera lógica
e intuitiva la red institucional de CENACE. Se abordará
el problema de gestión de conocimiento mediante la
exploración de grafos de este tipo y se analizarán las
estructuras de topologías
3
encontradas en los datos
capturados en las fases de captura, validación y
almacenamiento del conocimiento [5].
2.1.2. Métricas de caracterización de grafos
Establecer métricas que permitan caracterizar un
grafo dependerá del tipo de problema a resolver o del tipo
de grafo estudiado [10]. Varias han sido las métricas
propuestas por los autores para el análisis de grafos en la
literatura [11][9][10].
Para propósitos de este trabajo, se listan a
continuación las más comunes: 1. métricas básicas
(conteo de vértices e índices), 2. métricas de grado
(número de aristas entrantes o salientes de un vértice), 3.
métricas de distancia (caminos cortos entre vértices), 4.
métricas de conectividad (número de vértices/aristas
independientes entre dos vértices), 5. métricas de
centralidad (distancia promedio entre vértices), 6.
métricas de reciprocidad y transitividad (relación de
aristas que establecen una relación recíproca entre
vértices), 7. métricas de semejanza (evalúa la similitud
entre dos grafos) [10].
2.1.3. Modelo estructural
Los modelos estructurales “exponen las
características o atributos y los modelos de ecuaciones
estructurales, las etapas de construcción, especificación,
identificación, estimación de parámetros, evaluación del
ajuste, re-especificación del modelo y la interpretación de
resultados” [12]. Asimismo, estos permiten el análisis
factorial exploratorio y confirmatorio para la
construcción de modelos.
Cabe señalar que, el empleo y desarrollo de modelos
dentro de una teoría ayuda a su formalización y potencia
3
El análisis topológico considera las relaciones que existen entre vértices y
aristas sin tomar en cuenta las distancias o direcciones. Los conceptos topológicos
son fundamentalmente construcciones mentales que permiten identificar la
interacción entre los individuos [9].
4
1) Saber lo que saben los demás; 2) Tener acceso al pensamiento de otras
la consistencia interna. Esta tarea constituye una
aproximación metodológica bastante definida a la
realidad social [13].
El estudio de modelos estructurales está enfocado en
la obtención de resultados a futuro, ya sea a efectos de
control metodológico (como parte de un diagnóstico del
ajuste), o como finalidad del modelado. Por ello, el
modelar implica el descubrir pautas regulares y
sistemáticas en los datos, de modo que permitan construir
un modelo matemático que explique las relaciones
conocidas entre los fenómenos sociales. [13]
2.2. Aplicación de la teoría de grafos en la gestión de
conocimiento
Varios conceptos de la teoría de grafos han servido
para explicar fenómenos sociales en al menos las últimas
nueve décadas [14][15][8]. Existen suficientes
evidencias que demuestran que el analizar estructuras
sociales y organizacionales mediante grafos es el enfoque
más adecuado para comprender temáticas complejas [16]
[9][17][6]. Sin embargo, dicho enfoque no ha sido
desarrollado en su totalidad debido a que las tecnologías
que permitirían su aplicación han sido escasas [6]. Con el
aparecimiento de nuevas tecnologías emergentes, la
aplicación de la teoría de grafos en temáticas complejas,
como la gestión de conocimiento, se han visto viabilizada
a través de aplicación de base de datos orientadas a
grafos. Investigaciones referentes a cómo las bases de
datos orientadas a grafos pueden soportar prácticas de
gestión del conocimiento aún siguen siendo escasas [6].
En lo referente al intercambio de conocimiento dentro
de una organización, en [18] evaluaron el papel que
desempeña el intercambio de conocimientos dentro de
una empresa. En este trabajo demostraron una
correlación positiva entre el éxito de sus operaciones de
negocio, el intercambio eficaz de conocimiento y la
colaboración de sus empleados para la industria de
seguros finlandesa entre 1996 y 2000. Por otra parte, [19]
indicó que el mapeo de los ejes de conocimiento
4
en las
redes sociales produce intervenciones sociales y técnicas
específicas que los gerentes pueden emplear para mejorar
la capacidad de una red para crear y compartir
conocimiento. Este estudio, efectuado en un consorcio de
500 compañías y organizaciones gubernamentales,
permitió estudiar los aspectos sociales de la gestión del
conocimiento, el desarrollo empírico para identificar las
características relacionales que facilitan la creación y
transferencia de conocimiento, así como la comprensión
de intervenciones sociales y técnicas efectivas para
mejorar la creación y el intercambio de conocimiento en
redes organizacionales [19].
personas; 3) gente dispuesta a participar activamente en la resolución de
problemas; y 4) una relación segura para promover el aprendizaje y la creatividad
[19]
156
Vásquez et al. / Captura de conocimiento mediante grafos de los datos de Gestión de Conocimiento
La aplicación de base de datos basada en grafos para
racionalizar los principales procesos de gestión del
conocimiento, como ya se mencionó, se propone en [6].
2.3. Captura del Conocimiento y Gestión del Capital
Humano
Para el presente trabajo técnico, se realizó la revisión
de literatura existente relacionada con el Conocimiento,
la Gestión de Conocimiento y la Gestión del Capital
Humano. A continuación, se describen conceptos
importantes relacionados con esta concepción.
2.3.1. Conocimiento
“El conocimiento es información combinada con la
experiencia, el contexto, la interpretación y la reflexión.
Este tipo de información, muy valiosa, permite la toma
de decisiones y acciones” [2].
De lo expresado en la definición anterior, el
conocimiento no es únicamente la disponibilidad de
información (mucho menos es el almacenamiento de
datos), sino que éste contempla necesariamente la
interpretación que le dan los seres humanos a esta
información y cómo ésta es asimilada, transmitida y
principalmente aplicada para mejorar sus condiciones de
vida. Esta conceptualización necesariamente se traslada
a las organizaciones [4].
La captura de conocimiento puede entenderse como
el conjunto de operaciones encaminadas a la
identificación y extracción del conocimiento residente en
la mente de los miembros de la organización
(conocimiento como capital humano) para ponerlo al
alcance del resto de la comunidad que lo necesite y
transformarlo en un conocimiento organizacional [20].
2.3.2. Gestión del Conocimiento
La Gestión de Conocimiento en una organización se
entiende como la disciplina que se encarga de estudiar el
diseño y la implementación de sistemas cuyo principal
objetivo es que todo el conocimiento tácito, explícito,
individual, interno y externo involucrado en la
organización pueda transformarse y convertirse,
sistemáticamente, en conocimiento organizacional o
corporativo. Al ser accesible y poder ser compartido,
permite que aumente el conocimiento individual de todos
sus miembros y que esto redunde directamente en una
mejora de la contribución de esos sujetos en la
consecución de los objetivos que persigue la propia
organización [20].
En el mundo globalizado de hoy, la gestión del
conocimiento se ha convertido en una herramienta
fundamental para lograr el crecimiento económico, el
desarrollo empresarial, la gestión del capital humano y la
ventaja competitiva. Por tanto, la captura de
conocimiento (conocimientos individuales, habilidades,
competencias y lecciones aprendidas) está relacionada
con los procesos de la institución. Con esta premisa, se
puede indicar que existe una relación directa entre los
atributos individuales y los atributos organizacionales
que se les otorgue a los nodos en la exploración de datos.
[21]
2.3.3. Gestión del Capital Humano
En el conocimiento se involucra la gestión de talento
humano [3]. El conocimiento se basa en datos e
información, pero, a diferencia de éstos, siempre está
ligado a las personas; forma parte integral de los
individuos y representa las creencias de éstos acerca de
las relaciones causales [22].
El conocimiento se puede definir como la
combinación de experiencia, saber hacer, valores,
información, percepción e ideas que crean un marco
mental que ayuda a las personas a evaluar y generar
nuevas ideas, conocimientos y experiencias [20]. El
capital humano juega un papel clave en el conocimiento,
ya que agrega valor a los conocimientos y habilidades de
las personas de la organización, y la capacidad de
generarlos es útil para lograr la misión de la organización
[21].
En términos generales, el Capital Humano se refiere
al conocimiento individual adquirido por las personas,
mismo que aumenta su productividad y agrega valor a su
desempeño y contribución a la Institución.
Cabe indicar, que a pesar de estar relacionadas la
gestión del conocimiento, la gestión de proyectos y la
gestión del capital humano, las competencias técnicas y
conductuales son algo independientes de las actitudes y
habilidades de un individuo en el desempeño de sus
tareas. Si bien es necesario poseer conocimiento, también
es necesario saber transferirlo para crear valor en la
organización, y es aquí donde las competencias
conductuales juegan un papel fundamental en la cadena
de creación de valor y se puede constatar que el activo
intangible fundamental de una institución es el capital
humano [21]. En este contexto, una adecuada
arquitectura informática que permita capturar, validar y
almacenar el conocimiento es fundamental, siendo algo
indispensable que además se logre estructurar una red
que brinde información de cómo se relacionan los
individuos según sean sus roles y conocimientos.
3. METODOLOGÍA PARA LA EXPLORACIÓN
DE DATOS MEDIANTE GRAFOS DEL
APLICATIVO DE GESTIÓN DE
CONOCIMIENTO DE CENACE
La naturaleza de las redes sociales, organizacionales
y de conocimientos de una empresa puede ser altamente
relacionada debido a las posibilidades de conexión entre
los individuos que las componen. Los individuos de una
organización saben de manera intuitiva que la
coordinación y el trabajo a menudo ocurren como
producto de relaciones informales y no necesariamente a
157
Edición No. 17, Issue II, Enero 2021
través de canales jerárquicos tradicionales o políticas y
procedimientos establecidos [19]. Estas estructuras
naturales de organización, cooperación y transferencia de
conocimiento, sugieren que su representación no sea en
estructuras rígidas como listas, tablas o matrices, sino
que, de manera intuitiva, sugiere el uso de grafos para la
exploración de las diferentes relaciones existentes [8]
[19][9].
La metodología propuesta en este trabajo se apoya en
los conceptos previamente citados y emplea la teoría de
grafos para el análisis de la red social, organizacional y
de conocimientos de CENACE. Para ello, utiliza como
fuente los datos de los funcionarios, que son capturados
a través del aplicativo web de gestión de conocimiento de
CENACE [5]. Estos datos, que son almacenados en bases
de datos estructuradas, son transformados en diferentes
grafos, de acuerdo a un modelo estructural, para poderlos
visualizar y analizar en diferentes ambientes de
exploración.
Figura 5: Transformación de datos estructurados a grafos de
acuerdo a los modelos estructurales M1, M2 y Mn
La Fig. 5 ejemplifica la transformación de datos
estructurados a grafos. En el ejemplo, el modelo
estructural M
1
enfoca la relación existente entre Pedro y
Juan, mientras que el modelo estructural M
n
enfoca la
relación entre Luis y Juan. De manera general, cada
modelo estructural tendrá un diferente enfoque para el
análisis y, por ende, por cada modelo estructural se
obtendrán diferentes grafos que estarán acotados a lo que
el modelo estructural desee mostrar.
En la proposición planteada en este trabajo los
modelos estructurales permitirán enfocarse en aspectos
relevantes de una temática; por ejemplo, social,
organizacional, de conocimiento, formación, etc. Los
modelos estructurales usados para la exploración de los
datos capturados se describen en la sección 3.1.
Conforme se siga implementando las fases de
captura, validación y almacenamiento del conocimiento
capturando datos de los funcionarios, algunas de las
métricas explicadas en la sección 2.1 pueden irse
aplicando para la caracterización de los grafos
resultantes. En base a la teoría revisada, las métricas de
grado de vértices permitirán conocer las debilidades y/o
fortalezas de estructuras de redes existentes en CENACE.
Por otro lado, la métrica de conectividad permitirá
conocer el grado de conectividad entre elementos de
interés. Para propósitos del presente trabajo se proponen
un índice que permita evaluar el nivel de conectividad y
de diversificación de la red de conocimiento.
Métrica de grado de capacitación:
Si definimos un grafo bipartito, en el cual el conjunto
V1 corresponde a las capacitaciones requeridas para un
cargo de un funcionario, y el conjunto V2
correspondiente a las personas que ejercen el cargo
analizado, el grado de capacitación queda definido como:
𝑮
𝒄𝒂𝒑𝒂𝒄𝒊𝒕𝒂𝒄𝒊ó𝒏
=
|
{(𝒖,𝒗)∈𝑬(𝑮)}
|
𝒎𝒏
(4)
Donde el numerador es la cantidad de aristas existes
y el denominador es la cantidad de aristas posibles,
definida en la ecuación 3.
Figura 6: Grado de capacitación: a) conectividad total, b)
conectividad parcial
La Fig 6. ejemplifica la métrica de grado de
capacitación. En el caso a) los tres funcionarios del cargo
analizado tienen un conocimiento total para ejercer el
cargo. Para el caso b) los funcionarios tienen un
conocimiento parcial para ejercer el cargo.
Métrica de diversificación del conocimiento:
Si definimos un grafo tripartito, en el cual el conjunto
V1 corresponde a las capacitaciones requeridas para un
cargo de un funcionario, el conjunto V2 correspondiente
a las personas que ejercen el cargo analizado, y el
conjunto V3 como aquellas capacitaciones adicionales
que dispone el funcionario en otros ámbitos, la diversidad
del conocimiento para este funcionario queda definido
como:
𝑮
𝒄𝒂𝒑𝒂𝒄𝒊𝒕𝒂𝒄𝒊ó𝒏
=
|
{(
𝒖,𝒗
)
|
𝒗 ∈ 𝑽
𝟑
(𝑮)}
|
|
{(
𝒖,𝒙
)
|
𝒙 ∈ 𝑽
𝟏
(𝑮)}
|
(5)
Figura 7: Relación entre capacitaciones y el cargo analizado
En la Fig. 7, el numerador es la cantidad de aristas
existes que conectan a vértices en 𝑽
𝟑
y el denominador
es la cantidad de aristas existentes que conectan con
vértices 𝑽
𝟏
. Es decir, la relación entre las capacitaciones
adicionales del funcionario y las necesarias para ejercer
el cargo analizado.
158
Vásquez et al. / Captura de conocimiento mediante grafos de los datos de Gestión de Conocimiento
3.1. Modelos estructurales propuestos
La exploración de datos del conocimiento corporativo
obtenidos a partir de una base relacional generada por el
aplicativo de Gestión de Conocimiento de CENACE a
una metodología gráfica en Neo4j, permite obtener
información accesible, de gran impacto, de fácil
entendimiento, y realizar correlaciones que permitan
elaborar análisis e interpretación de resultados,
generando aportes significativos a la captura del
conocimiento individual y poder transformarlo en
conocimiento organizacional. Con el fin de obtener los
resultados antes señalados el equipo de Proyecto de
Gestión de Conocimiento estructuró cuatro modelos.
Cabe señalar, que los modelos responden a información
seleccionada para el caso de estudio, los administradores
funcionales de la herramienta podrán desarrollar nuevos
modelos en base al nivel de complejidad y detalle que se
requiera analizar dentro del modelo de gestión de
conocimiento y capital humano; todos los nodos
identificados cumplen la misma lógica de búsqueda.
● Información Personal: relación entre los atributos
personales del funcionario y las características
institucionales, ver Fig.8.
Figura 8: Modelo Información Personal
● Información Académica: relación existente entre la
formación, el nivel de instrucción y área de
conocimiento, ver Fig. 9.
● Figura 9: Modelo Información Académica
● Información de Capacitación: relación existente
entre el área de conocimiento y el desarrollo o nivel
de competencia técnica o conductual (alto, medio,
bajo), ver Fig. 10.
Figura 10: Modelo Información Trayectoria Institucional
● Información Trayectoria Institucional: relación
existente entre el área de conocimiento y la
experiencia laboral institucional, entendiéndose, que
el funcionario adquirió experticia en sistemas
informáticos, proyectos, actividades institucionales
diversas, lecciones aprendidas publicaciones y
transferencia de conocimiento en cada una de las
Gerencias o Subgerencias de la Institución, ver Fig.
11.
4. APLICACIÓN DE LA METODOLOGÍA Y
RESULTADOS OBTENIDOS DE LA
EXPLORACIÓN DE DATOS EN NEO4J
4.1. Análisis de datos
En base a la teoría revisada, la mejor forma de
observar las relaciones entre entidades de interés recae
directamente en el uso de grafos. Estas estructuras
también pueden ser evaluadas con fines de establecer
debilidades y/o fortalezas de una topología existente.
Para propósitos del presente trabajo se proponen dos
índices que evalúan el nivel de conectividad y de
diversificación de la topología.
Adicionalmente, se incluye a los modelos el concepto
de enlaces fuertes y débiles, con el fin de identificar las
características más importantes de la topología
institucional. Cabe resaltar que, al estar en una época en
la que se habla de redes de equipos, automáticamente,
viene a la imaginación que se esté usando un gráfico. Las
redes de conocimiento, sociales, etc. pueden ser
evaluadas en lo que al análisis de datos se refiere.
Una vez identificada la necesidad de graficar las
conexiones encontradas en el análisis de datos sociales,
se investigó acerca de la base de datos que permita
desarrollar relaciones, seleccionando la base de datos de
gráficos de Neo4j, misma que es un modelo de gráfico de
propiedades etiquetado, no relaciones sino propiedades,
en la cual no hay necesidad de inferir conexiones, usando
procesamiento fuera de banda o claves externas.
159
Edición No. 17, Issue II, Enero 2021
Figura 11:Modelo Información de Capacitación
Se utilizó la herramienta Neo4j para la construcción
de los modelos antes mencionados, la analítica de los
datos depende de la comprensión y alcance que se les
desee brindar por parte del usuario funcional del
aplicativo de Gestión de conocimiento, para este caso en
particular es el equipo del proyecto. En las siguientes
figuras (12, 13 14 y 15), se detallan los principales
resultados a obtener mediante la herramienta gráfica
Neo4j, los cuales fueron identificados por el equipo de
proyecto en base a los subsistemas de la gestión de
talento humano, con el fin de obtener resultados que
generen valor agregado para una mejora en el capital
humano.
4.2. Descripción de modelos estructurales gráficos
En base a las premisas enunciadas en el marco teórico
y los modelos desarrollados, a continuación, se presentan
los resultados de los modelos citados anteriormente, con
ello se pretende mejorar el entendimiento del análisis de
datos sociales mediante la teoría de grafos. Para el caso
de la información personal, se han considerado atributos
personales e institucionales, mismos que se ven
reflejados en los nodos, y permiten conocer información
específica de grupos relacionados. Por ejemplo, en caso
de presentarse una emergencia, el modelo permite
conocer el contacto de emergencia, teléfono y tipo de
sangre específico, para entregar una adecuada atención
primaria, con el fin de optimizar y mejorar la búsqueda
de información relevante, ver Fig. 12.
Para el caso de información académica, se puede
observar en la Fig. 13, la relación entre los nodos del
funcionario, nivel de formación y área de conocimiento.
Como ejemplo, se visualiza que las funcionarias Nieto y
Vásquez tienen una instrucción de cuarto nivel en
Dirección de Operaciones y Gestión de Talento Humano,
respectivamente, mismas que pertenecen al área de
conocimiento “Administración de Empresas”, creándose
así una relación entre las funcionarias.
Para el caso de capacitación, el ejemplo propuesto es
la identificación de capacitaciones comunes de los
funcionarios, conocer las áreas de conocimiento que se
están fortaleciendo en la Institución y el aporte que éstas
tienen dentro del nivel de la competencia técnica o
conductual de cada funcionario. Esto permitirá obtener
redes de conocimiento similares, que, en un futuro,
permitirá identificar personal altamente capacitado en
temas especializados, quienes podrían convertirse en
instructores internos, replicar capacitaciones de interés
institucional y formar backups mediante una gestión de
conocimiento personalizada, no basada en datos o
información sino en una transferencia directa de
conocimiento y experiencias, ver Fig. 14.
Para el caso de trayectoria laboral institucional, se
puede observar en la Fig. 15, la relación entre los nodos
del funcionario, trayectoria institucional (actividades
institucionales, lecciones aprendidas, sistemas
informáticos) en las áreas internas de CENACE y área de
conocimiento. Como ejemplo, se visualiza que las
funcionarias Nieto y Vásquez han tenido una trayectoria
en diferentes áreas de la Institución, adquiriendo
conocimientos específicos en diferentes aristas, lo cual
otorga una ventaja competitiva para que se pueda
desenvolver en diferentes ámbitos. Para este caso, las
competencias y conocimientos adquiridos apalancan la
pertenencia de las funcionarias a una misma área
responsable de la Gestión Estratégica Institucional. Cabe
resaltar, que este modelo, es el que más aporta a la
Gestión de Conocimiento para convertir el conocimiento
y experiencia individual en un conocimiento
organizacional, que debe ser transferido mediante un
proceso de gestión de conocimiento integral.
4.3. Cálculo de las métricas
La Fig. 16 nos permite ejemplificar el cálculo de los
índices de grado de capacitación y diversificación del
conocimiento. Se ha seleccionado el área de
conocimiento de “Ingeniería” orientada a la adquisición
de datos de Servicios de Tiempo Real de CENACE. En
este caso, dos funcionarios desempeñan el mismo cargo.
Para ejercer el cargo se requiere del conocimiento de
protocolos de comunicación, con el fin de obtener los
datos del SCADA/EMS de CENACE. Los protocolos
requeridos son aquellos en color verde, mientras que
aquellos adicionales están en color azul.
160
Vásquez et al. / Captura de conocimiento mediante grafos de los datos de Gestión de Conocimiento
Figura 12: Resultados Caso 1: Modelo Información
Personal
Figura 13: Resultados Caso 2: Modelo Información Académica
Figura 14: Resultados Caso 3: Modelo Información de Capacitación
Figura 15:: Resultados Caso 4: Modelo Trayectoria Institucional
El total de protocolos a conocer es de 8, de los cuales
el F1 tiene conocimiento total. Por el contrario, el
funcionario F2 aún no conoce 2 de estos protocolos. Sin
embargo, el funcionario F2 tiene conocimiento de 3
protocolos adicionales no requeridos para el cargo que
desempeña. El índice de capacitación de esta área es
14/16 = 0.875, el índice de diversidad del funcionario F1
es cero (0) mientras que el índice de diversidad del F2 es
3/8 = 0.375. El promedio del índice de diversidad para
esta área sería 0.375/2 = 0.187.
Los índices calculados permiten cuantificar el grado
de capacitación de un área de conocimiento,
adicionalmente, mediante el uso de grafos, se puede
identificar de manera intuitiva la red de conocimiento de
un cargo estudiado.
En este caso, el protocolo RP570 es un protocolo que
está cayendo en desuso por lo que dentro de algunos años
ya no formará parte de los protocolos requeridos para este
cargo. El protocolo IEEE C37.118 es un protocolo más
complejo y realizar capacitaciones en este protocolo
puede ser escaso, por lo cual el F1 puede transmitir su
conocimiento hacia F2.
Figura 16: Resultados Caso 4: Modelo Trayectoria
Institucional
161
Edición No. 17, Issue II, Enero 2021
El área de conocimiento tiene un índice de diversidad
mayor a cero por lo que pudiera eventualmente
involucrarse en proyectos nuevos. Este índice demuestra
que existe personal que cuenta con competencias técnicas
adicionales a lo requerido, lo cual les permite ser agentes
de cambio e innovación en la institución.
5. CONCLUSIONES Y RECOMENDACIONES
Para la Fase de Captura del Conocimiento, el Equipo
de Proyecto ha considerado que el análisis de redes
sociales permite contar con un mapeo de toda la
población de CENACE. Desde el punto de vista
metodológico de la teoría de grafos, las combinaciones
posibles dependen del nivel de especificidad que se desee
conseguir y analizar.
Los modelos mencionados en este documento están
directamente relacionados con los subsistemas de la
gestión de talento humano, y permiten obtener resultados
que agregan valor para la Gestión del Conocimiento. Es
así que, en lo que respecta a la Selección, Capacitación o
Aprendizaje, Evaluación de Desempeño, Identificación
de Personas Claves y Conocimiento Organizacional,
permiten capturar la mayor cantidad de información
personal e institucional para conocer la brecha entre el
desarrollo personal y el puesto que ocupa o se aspira.
La información que se ingresa en el aplicativo, por
parte de los funcionarios, debe ser completa y veraz, para
asegurar la calidad de la información y cumplir con las
fases de captura, validación y almacenamiento del
conocimiento, este insumo permitirá realizar un análisis
de datos confiable y que aporte a la Gestión de
Conocimiento institucional.
Cuando se cuenta con información relacionada
mediante grafos, se obtienen datos sencillos o relevantes
que antes eran difíciles de conocer e investigar en una
base de datos de tipo relacional. El análisis de redes
organizacionales es un tema muy importante, debido a la
rapidez en la que se puede encontrar la información
requerida y visualmente fácil de entender y relacionar.
La metodología propuesta permite mantener una
correlación entre los planes estratégicos de la
organización y los objetivos personales de los
funcionarios; es necesario analizar y determinar las
capacidades y proyectos tanto organizacionales como de
las personas, con la finalidad de hacer un diagnóstico de
las brechas detectadas, tomando conciencia de que
algunos problemas serán más fáciles de solucionar que
otros. Asimismo, esto permitirá tomar decisiones que
contribuyan al desarrollo personal e institucional,
logrando tener un personal motivado, altamente
capacitado y comprometido con la Institución por el
equilibrio existente entre la relación persona-trabajo.
Para el cálculo de los indicadores (Gamma,
Diversidad, Enlace Débil y Fuerte) se debe verificar el
tipo de conexiones que se generan en el modelo
analizado, en este trabajo se ha podido evidenciar, que
dentro de los cuatro modelos realizados es factible
realizar el cálculo cuantitativo y cualitativo de las
relaciones y de esta forma asegurar que la calidad de los
modelos esté acorde a la información.
En trabajos futuros referentes a la teoría de grafos,
caso práctico de CENACE, se estructurarán informes
avanzados que generen análisis de tendencias, o puntos
de referencia, basado en las relaciones gráficas existentes
entre los individuos. Una vez que los usuarios dominen
esta metodología se realizará un análisis más avanzado,
con el que se pretenda identificar problemas y soluciones
a través de los datos, hasta finalmente realizar un análisis
predictivo, en el que se definan elementos como, por
ejemplo: ¿cómo está creciendo la organización? ¿Cómo
se gestiona el proceso de sucesión? ¿Quiénes son los
candidatos que podrán contar con las competencias
necesarias para un determinado rol en el corto o largo
plazo? ¿Cómo se forman y modifican los equipos de
trabajo, están unidos por proyectos, objetivos y valores
comunes, recompensas, lecciones aprendidas? Esto
permitirá, en última instancia, compartir conocimientos.
REFERENCIAS BIBLIOGRÁFICAS
[1] B. Saiz, José Manuel; Olalla, “Gestión del
conocimiento y sistemas de calidad en los clusters de
empresas familiares,” 2010.
[2] J. C. Ramos, “Desarrollo de un modelo de relación
entre Gestión del Conocimiento y la Dinámica
Innovadora en las Organizaciones.”
[3] Pazmiño Iván, Metodología de la Investigación
Científica. 1997.
[4] P. Vásquez, “Diagnóstico Situacional para la
implementación de un proceso de Gestión de
Conocimiento en el Operador Nacional de
Electricidad CENACE,” Rev. Técnica Energía, vol.
1, 2017.
[5] P. K. Vásquez, E. M. Nieto, and J. C. Cepeda,
“Methodological proposal to manage the Transfer of
individual Knowledge to the organization , case :
CENACE Propuesta metodológica para gestionar la
Transferencia de Conocimiento individual a la
organización , caso : CENACE,” no. 16, pp. 177–
187, 2020.
[6] Z. J. ZHANG, “Graph databases for knowledge
management.,” IT Prof., vol. 19, no. 6, pp. 26–32,
2017.
[7] B. Bollobás, “Modern graph theory,” Springer Sci.
Bus. Media, vol. 184, 2013.
[8] R. Lee, “Information sharing and human capital
efficiency in poor neighborhoods : some graph
theoretic,” pp. 917–928, 2012.
[9] R. Cross, A. Parker, and L. Sasson, Networks in the
Knowledge Economy. 2003.
162
Vásquez et al. / Captura de conocimiento mediante grafos de los datos de Gestión de Conocimiento
[10] H.-J. Bandelt and V. Chepoi, “‘Metric graph theory
and geometry: a survey,’” Contemp. Math. 453, pp.
49–86, 2008.
[11] M. Darvish, M. Yasaei, and A. Saeedi, “Application
of the graph theory and matrix methods to contractor
ranking,” Int. J. Proj. Manag., vol. 27, no. 6, pp. 610–
619, 2009.
[12] M. Teresa, E. Portillo, J. Andrés, H. Gómez, V. E.
Ortega, and G. M. Moreno, “Modelos de Ecuaciones
Estructurales : Características , Fases , Construcción
, Aplicación y Resultados,” pp. 16–22, 2016.
[13] A. A. Chica, “Introducción a los Modelos
Estructurales en Investigación Social.”
[14] J. L. Moreno, “Who shall survive?: A new approach
to the problem of human interrelations.” 1934.
[15] J. A. Barnes, “http://soc.sagepub.com/ Graph
Theory and Social Networks: A Technical Comment
on Connectedness and Connectivity,” 2014.
[16] J. Scott, “‘Social network analysis,’” Sociol. 22.1,
pp. 109–127, 1988.
[17] D. Shi, “‘A learning path recommendation model
based on a multidimensional knowledge graph
framework for e-learning.,’” Knowledge-Based
Syst., 2020.
[18] G. Widén-wulff and F.- Turku, “Building a
Knowledge Sharing Company - Evidence From the
Finnish Insurance Industry Reima Suomi
Information systems science Turku School of
Economics and Business Administration,” 2002.
[19] R. Cross, A. Parker, and L. Prusak, “Knowing What
We Know : Supporting Knowledge Creation and
Sharing in Social Networks,” IBM Inst. Knowl.
Manag., no. August, 2000.
[20] M. Pérez Montoro Gutiérrez, Gestión del
conocimiento en las organizaciones. 2008.
[21] M. Otero-Mateo and A. Pastor-Fernandez,
Introductory Chapter: Human Capital, Knowledge
Management and Competences in Project
Management. 2018.
[22] H. P. Alfaro and C. D. G. De Conocimiento,
“Implementación de la Gestión del Conocimiento en
la empresa,” no. 135, pp. 1–6, 2011.
Paulina Katherine Vásquez
Barahona.- Nació en Quito en
1985. Recibió el título de Ingeniera
Financiera en la Universidad
Central en el año 2011 y el de
Magíster en Gestión de Talento
Humano en la Universidad
Tecnológica Equinoccial en 2015.
Entre los años 2003 y 2009 trabajó en UNIBANCO.
Actualmente, se desempeña como Especialista
Administrativa de Investigación y Desarrollo en la
Subgerencia de Planificación y Gestión Estratégica del
Operador Nacional de Electricidad – CENACE.
Evelyn Michelle Nieto Guamán.-
Nació en Quito, en 1986. Recibió
su título de Ingeniera Comercial en
2010; y el de Magíster en
Dirección de Operaciones y
Seguridad Industrial en 2015. Sus
campos de interés están
relacionados con la Gestión
Empresarial orientados a la administración por procesos,
planificación estratégica, sistemas integrados de gestión,
administración de proyectos, etc. Actualmente, se
desempeña como Ingeniera de Análisis y Control en la
Subgerencia de Planificación y Gestión Estratégica en el
Operador Nacional de Electricidad – CENACE.
Roberto Gonzalo Sánchez
Albán.- Nació en Quito en 1986.
Recibió su título de Ingeniero
Electrónico de la Universidad de las
Fuerzas Armadas (ESPE) en 2010;
de Master en Computer Science de
la Universidad de Fribourg - Suiza
en 2017. Se ejerció como ingeniero
SCADA en el área de tiempo real en el Operador
Nacional de Electricidad CENACE entre 2009 a 2014.
En 2018 se ejerció como analista post-operativo del
Sistema Nacional Interconectado. En 2019, ha ejercido el
cargo de analista de producción de CELEP EP Coca
Codo Sinclair. Sus campos de investigación están
relacionados con la aplicación de Aprendizaje de
Máquina, Inteligencia artificial y Visualización de Datos
aplicadas al sector eléctrico.
Jaime Cristóbal Cepeda
Campaña.- Nació en Latacunga en
1981. Recibió el título de Ingeniero
Eléctrico en la Escuela Politécnica
Nacional en 2005 y el de Doctor en
Ingeniería Eléctrica en la
Universidad Nacional de San Juan
en 2013. Entre 2005 y 2009 trabajó
en Schlumberger y en el CONELEC. Colaboró como
investigador en el Instituto de Energía Eléctrica,
Universidad Nacional de San Juan, Argentina y en el
Instituto de Sistemas Eléctricos de Potencia, Universidad
Duisburg-Essen, Alemania entre 2009 y 2013.
Actualmente, se desempeña como Gerente Nacional de
Desarrollo Técnico del CENACE y como profesor de
programas de Maestría y Doctorado. Sus áreas de interés
incluyen los sistemas de medición fasorial, la evaluación
de vulnerabilidad en tiempo real y el desarrollo de Smart
Grids.
163
