Metodología y Ficha Técnica | Estudio Supply Chain 2026

Transparencia de Datos

Metodología y
Ficha Técnica

En Datup.ai creemos que la confianza es tan importante como los datos mismos. Conoce el rigor técnico detrás del estudio "Supply Chain Trends 2026".

155

Respuestas Validada (N)

Muestreo por conveniencia en redes profesionales.

LATAM

Alcance Geográfico

Enfoque prioritario en Latinoamérica.

Nov - Ene

Recolección

24/11/2025 al 15/01/2026. Captura de planificación fiscal.

Verificado

Calidad

Filtro manual de identidad y limpieza con Python.

Origen de los datos

La distribución del instrumento se realizó mediante una estrategia multicanal enfocada exclusivamente en perfiles especializados:

Difusión orgánica en LinkedIn dirigida a líderes de sector.
Captación directa a través del sitio web corporativo de Datup.ai.
Email Marketing segmentado a bases de datos profesionales.

Privacidad y Ética

Validación de Identidad

Se solicitaron credenciales corporativas (Nombre, Email) exclusivamente para verificar la veracidad de la experiencia profesional.

Privacidad Total

Los datos de contacto no serán utilizados para ventas. El reporte es totalmente anónimo y agregado.

Confianza

Filtro manual para asegurar insights de actores reales del ecosistema logístico, eliminando bots o duplicados.

Protocolo de Normalización de Datos

Fase 1: Curaduría Manual HUMAN CHECK

Filtrado de Perfiles

Antes de la ingesta, se eliminaron registros para asegurar la relevancia:

Estudiantes y Profesores sin rol operativo.
Personas desempleadas.
Perfiles no vinculados activamente a Supply Chain.

Corrección de Typos

Normalización manual de errores de escritura evidentes en campos abiertos que impedirían la categorización automática posterior.

Fase 2: Procesamiento PYTHON + PANDAS

# 1. Normalización de Texto

                        def clean_text(val):

                          return val.strip().title()

                        // "COLOMBIA " → "Colombia"
                      
# 2. Manejo de Nulos (NaN)

                        if value is None:

                          label = "Sin Respuesta"

                        // Mantiene integridad muestral (N=155)
                      
# 3. Selección Múltiple

                          >>
                          Desagregación: Uso de explode() para separar múltiples opciones.
                        
                          >>
                          Cálculo Real: % basado en N=155 (Total Empresas), no en total de respuestas.
                        
                          >>
                          Interpretación: Dato matemáticamente preciso sobre la base de participantes.

Enfoque de Análisis

Descriptivo

Exploración de frecuencias y distribuciones para identificar tendencias dominantes ("La foto actual").

Correlacional

Cruce de variables (ej. Tamaño empresa vs. Adopción IA) para entender el impacto segmentado.

Stack Tecnológico & Herramientas

La transparencia incluye las herramientas que hicieron posible este análisis. Conoce el flujo técnico detrás del reporte.

📝

Fillout

Recolección

Uso de formularios dinámicos con lógica condicional para una captación de datos fluida y estructurada.

📊

Google Sheets

Almacenamiento

Repositorio centralizado de datos brutos asegurando la integridad y el respaldo de la información.

🐍

Python + Pandas

Procesamiento

Ejecución de scripts en Google Colab para limpieza profunda, normalización y cálculo estadístico.

✨

Chatbots de IA generativa

Inteligencia Artificial

Asistente avanzado para generación de código y síntesis cualitativa.

Transparencia en el uso de IA

El uso de Chatbots de IA generativa se limitó a funciones de asistente de programación para la generación y depuración de los scripts de limpieza en Python, así como soporte en la redacción y síntesis preliminar de los hallazgos cualitativos, garantizando eficiencia sin comprometer la supervisión humana.