Contabilidad de Gestión Logística y Análisis Predictivo: Una Aproximación Basada en Big Data para la Reducción de Costos Ocultos en Empresas Logísticas de Panamá

Logistics Management Accounting and Predictive Analytics: A Big Data-Based Approach to Reducing Hidden Costs in Logistics Firms in Panama

Omar Castillo¹, Roberto Lugo², Julian Sánchez³, Elborín Muñoz⁴, Jonathan Yepes⁵ y Carlos Chen⁶

¹Universidad de Panamá, omar.castillo@up.ac.pa, https://orcid.org/0000-0001-9288-6635, Panamá

²Universidad de Panamá, roberto.lugo@up.ac.pa, https://orcid.org/ 0009-0008-6047-1900, Panamá

³Universidad de Panamá, julian.sanchez@up.ac.pa, https://orcid.org/0009-0004-4823-0195, Panamá

⁴Universidad de Panamá, elborin.delmar-m@up.ac.pa, https://orcid.org/0009-0009-3510-695X, Panamá

⁵Universidad de Panamá, jonathan.yepes@up.ac.pa, https://orcid.org/0009-0000-4213-7732, Panamá

⁶Universidad de Panamá, carlos.chen@up.ac.pa, https://orcid.org/0000-0001-9288-6635, Panamá

	Información del Artículo	RESUMEN
	Trazabilidad: Recibido 02-02-2026 Revisado 05-02-2026 Aceptado 31-03-2026	El artículo propuso una aproximación basada en big data para integrar la contabilidad de gestión logística y el análisis predictivo en la identificación y reducción de costos ocultos en empresas logísticas de Panamá. El problema se centró en la limitada capacidad de los sistemas contables tradicionales para detectar costos no visibles asociados con demoras, reprocesos, inventarios inmovilizados, ineficiencias operativas, errores de trazabilidad y desviaciones en la cadena de suministro. El objetivo fue diseñar un modelo analítico-contable que permitiera anticipar patrones de costos ocultos mediante indicadores logísticos, financieros y operativos. La metodología proyectada fue cuantitativa, aplicada, no experimental y correlacional-explicativa, apoyada en análisis estadístico multivariante y técnicas predictivas de machine learning. Los resultados esperados sugirieron que la integración de datos contables, operativos y logísticos permitiría mejorar la medición de costos, fortalecer el control gerencial y optimizar la toma de decisiones en empresas vinculadas al comercio, distribución urbana, almacenamiento y servicios logísticos. El aporte principal consistió en articular la contabilidad de gestión con la analítica predictiva para construir un modelo de detección temprana de costos ocultos, pertinente para el contexto panameño como plataforma logística regional expuesta a alta complejidad operativa y volatilidad en las cadenas de suministro. La literatura reciente sostiene que el big data analytics fortalece la capacidad predictiva y la toma de decisiones en cadenas de suministro.
	Palabras Clave: Contabilidad de gestión logística Análisis predictivo Big data Costos ocultos Cadena de suministro
Keywords: Logistics management accounting Predictive analytics Big data Hidden costs Supply chain		ABSTRACT This article proposed a big data-based approach to integrate logistics management accounting and predictive analytics for identifying and reducing hidden costs in logistics firms in Panama. The research problem focused on the limited capacity of traditional accounting systems to detect non-visible costs associated with delays, rework, idle inventories, operational inefficiencies, traceability errors, and supply chain deviations. The objective was to design an accounting-analytical model capable of anticipating hidden cost patterns through logistics, financial, and operational indicators. The projected methodology was quantitative, applied, non-experimental, and correlational-explanatory, supported by multivariate statistical analysis and machine learning-based predictive techniques. The expected results suggested that integrating accounting, operational, and logistics data would improve cost measurement, strengthen managerial control, and optimize decision-making in firms linked to trade, urban distribution, warehousing, and logistics services. The main contribution consisted of connecting management accounting with predictive analytics to build an early detection model for hidden costs, relevant to the Panamanian context as a regional logistics platform exposed to high operational complexity and supply chain volatility. Recent literature highlights that big data analytics enhances predictive capabilities and decision-making in logistics and supply chain management.

INTRODUCCIÓN

La transformación digital de las cadenas de suministro ha modificado significativamente los modelos de gestión empresarial, particularmente en organizaciones vinculadas con logística, transporte, almacenamiento y distribución. En este contexto, la contabilidad de gestión logística ha evolucionado desde un enfoque tradicional centrado únicamente en el registro financiero hacia modelos analíticos orientados a la generación de valor estratégico mediante información en tiempo real, trazabilidad operativa y análisis predictivo. La creciente complejidad de las operaciones logísticas internacionales, la volatilidad de los mercados y la presión competitiva han impulsado a las organizaciones a incorporar tecnologías de big data y analítica avanzada para optimizar costos, reducir riesgos y mejorar la eficiencia operativa (Wamba et al., 2017).

A nivel global, las empresas enfrentan dificultades para identificar costos ocultos derivados de retrasos logísticos, errores de inventario, reprocesos, devoluciones, tiempos muertos, subutilización de activos y fallas de coordinación entre actores de la cadena de suministro. Estos costos, aunque frecuentemente no son visibles en los sistemas contables tradicionales, afectan de forma significativa la rentabilidad empresarial y la competitividad organizacional (Kaplan & Anderson, 2007). Según Christopher (2016), las cadenas de suministro modernas operan bajo entornos de incertidumbre donde pequeñas ineficiencias generan impactos financieros acumulativos de gran magnitud.

La incorporación de herramientas de big data analytics ha permitido ampliar las capacidades de procesamiento, integración y análisis de información contable y logística. De acuerdo con Wang, Gunasekaran, Ngai y Papadopoulos (2016), el análisis masivo de datos posibilita detectar patrones ocultos, prever comportamientos operativos y mejorar la precisión en la toma de decisiones estratégicas dentro de la gestión logística. Asimismo, Dubey et al. (2019) sostienen que las capacidades analíticas basadas en big data fortalecen la resiliencia de las cadenas de suministro y mejoran el desempeño organizacional mediante modelos predictivos y sistemas inteligentes de control.

En América Latina, las limitaciones estructurales en infraestructura logística, digitalización empresarial y sistemas integrados de información continúan representando desafíos significativos para la gestión eficiente de costos logísticos. La Comisión Económica para América Latina y el Caribe (CEPAL, 2022) indicó que la región presenta elevados costos logísticos en comparación con economías desarrolladas, afectando particularmente la competitividad del comercio internacional y la sostenibilidad operativa de las empresas. En muchos casos, las organizaciones continúan utilizando modelos contables reactivos que dificultan la detección temprana de ineficiencias y costos ocultos.

En Panamá, esta problemática adquiere una relevancia estratégica debido a la posición geográfica del país como plataforma logística regional y centro internacional de comercio marítimo y terrestre. La economía panameña depende significativamente de actividades relacionadas con puertos, transporte multimodal, zonas francas, almacenamiento y distribución internacional. Instituciones como la Autoridad del Canal de Panamá y la Zona Libre de Colón forman parte de un ecosistema logístico altamente dinámico que exige elevados niveles de eficiencia operativa y control financiero.

No obstante, muchas empresas logísticas panameñas aún presentan debilidades en la integración de información contable y operacional, dificultando la identificación de costos ocultos asociados con tiempos de espera, baja rotación de inventarios, consumo energético ineficiente, pérdidas operativas y desviaciones logísticas. Estudios recientes evidencian que las empresas que implementan sistemas de análisis predictivo logran reducir costos operativos y mejorar sus niveles de desempeño financiero y logístico (Bag et al., 2021).

Desde la perspectiva científica, existe una brecha relevante en la literatura especializada relacionada con la integración entre contabilidad de gestión logística y modelos predictivos basados en big data. La mayoría de investigaciones se han concentrado en eficiencia logística, inteligencia de negocios o analítica de datos de forma aislada, mientras que son escasos los estudios que articulan simultáneamente variables contables, financieras y logísticas para identificar costos ocultos en entornos empresariales emergentes, particularmente en países latinoamericanos y en Panamá.

La relevancia científica del estudio radica en la necesidad de desarrollar modelos integrales que permitan transformar la contabilidad de gestión en una herramienta predictiva y estratégica para la toma de decisiones empresariales. Desde el punto de vista práctico, la investigación permitirá proponer un modelo analítico aplicable a empresas logísticas panameñas, contribuyendo a optimizar recursos, mejorar la eficiencia operativa y fortalecer la competitividad empresarial mediante el uso de tecnologías de análisis avanzado de datos.

En términos metodológicos, la investigación adopta un enfoque cuantitativo de alcance correlacional-explicativo, utilizando técnicas estadísticas multivariantes y modelos predictivos apoyados en big data analytics. Esta aproximación permitirá analizar relaciones entre indicadores contables, variables logísticas y patrones operativos vinculados con costos ocultos empresariales.

Objetivo General

Diseñar un modelo de contabilidad de gestión logística basado en análisis predictivo y big data para la identificación y reducción de costos ocultos en empresas logísticas de Panamá.

Objetivos Específicos

• Identificar los principales costos ocultos asociados con las operaciones logísticas en empresas panameñas.
• Analizar la relación entre variables contables, operativas y logísticas mediante técnicas estadísticas multivariantes.
• Evaluar la capacidad predictiva de modelos basados en big data para anticipar desviaciones de costos ocultos.
• Proponer un modelo analítico-contable orientado a mejorar la eficiencia operativa y financiera en empresas logísticas.

Hipótesis General

Existe una relación estadísticamente significativa entre la implementación de modelos de análisis predictivo basados en big data y la reducción de costos ocultos en empresas logísticas de Panamá.

Hipótesis Específicas

• H1: La integración de información contable y logística mejora la capacidad de detección de costos ocultos.
• H2: El uso de herramientas de análisis predictivo influye positivamente en la eficiencia operativa logística.
• H3: Las capacidades de big data analytics fortalecen el control gerencial y la toma de decisiones financieras en empresas logísticas.

Marco teórico

Contabilidad de gestión logística

La contabilidad de gestión logística constituye un sistema especializado orientado a la medición, análisis y control de los costos asociados con las operaciones logísticas dentro de la cadena de suministro. Su propósito principal consiste en proporcionar información estratégica para optimizar procesos de almacenamiento, transporte, distribución, aprovisionamiento e inventarios, contribuyendo a la eficiencia financiera y operativa empresarial. Según Horngren, Datar y Rajan (2015), la contabilidad de gestión moderna ha evolucionado hacia modelos integrados de soporte a decisiones estratégicas, superando el enfoque tradicional centrado únicamente en registros históricos.

Dentro de las organizaciones logísticas, los costos ocultos representan uno de los principales desafíos para la administración financiera debido a que frecuentemente no son detectados por los sistemas contables convencionales. Savall y Zardet (2018) sostienen que los costos ocultos comprenden pérdidas derivadas de ineficiencias organizacionales, errores operativos, tiempos improductivos, baja calidad, rotación de personal y fallas de coordinación, cuyos impactos financieros suelen acumularse progresivamente en la estructura empresarial.

En el ámbito logístico, estos costos pueden originarse por retrasos en entregas, utilización ineficiente de rutas, sobrecostos de almacenamiento, errores de trazabilidad, inventarios obsoletos, reprocesos y fallas de sincronización entre proveedores y distribuidores. Christopher (2016) argumenta que las cadenas de suministro contemporáneas operan bajo niveles elevados de complejidad e incertidumbre, lo cual incrementa la necesidad de sistemas inteligentes de monitoreo y control financiero.

La gestión eficiente de costos logísticos adquiere mayor importancia en economías de servicios y comercio internacional como Panamá, donde las operaciones portuarias, marítimas y de distribución representan componentes fundamentales del crecimiento económico nacional. La integración de herramientas analíticas y sistemas de información avanzada se convierte entonces en un elemento estratégico para fortalecer la competitividad empresarial.

Big Data y analítica predictiva en logística

El concepto de big data se refiere al procesamiento y análisis de grandes volúmenes de datos estructurados y no estructurados provenientes de múltiples fuentes digitales, operativas y financieras. De acuerdo con Chen, Chiang y Storey (2012), el big data transforma la capacidad organizacional para generar conocimiento estratégico mediante el uso de técnicas avanzadas de análisis estadístico, inteligencia artificial y aprendizaje automático.

En logística empresarial, la utilización de big data analytics ha permitido mejorar la trazabilidad, visibilidad y eficiencia de las cadenas de suministro. Wang et al. (2016) señalan que las capacidades analíticas avanzadas facilitan la identificación de patrones ocultos en datos logísticos, permitiendo anticipar riesgos operacionales y optimizar procesos empresariales.

El análisis predictivo constituye una de las principales aplicaciones del big data en entornos organizacionales. Esta metodología utiliza algoritmos estadísticos, minería de datos y machine learning para prever comportamientos futuros a partir de información histórica y variables operacionales. Según Choi, Wallace y Wang (2018), los modelos predictivos permiten reducir incertidumbre en procesos logísticos y mejorar significativamente la toma de decisiones estratégicas.

Las empresas que incorporan analítica predictiva logran ventajas competitivas asociadas con reducción de costos, optimización de inventarios, mejora de tiempos de entrega y fortalecimiento de la resiliencia operacional. Dubey et al. (2019) demostraron que las capacidades analíticas basadas en inteligencia artificial incrementan el desempeño organizacional y fortalecen la capacidad de adaptación ante escenarios dinámicos de mercado.

Costos ocultos y eficiencia operativa

Los costos ocultos constituyen pérdidas financieras no visibles directamente en los estados contables tradicionales, pero que afectan significativamente la rentabilidad empresarial. Savall y Zardet (2018) clasifican estos costos en categorías relacionadas con disfuncionamientos organizacionales, improductividad, baja calidad, tiempos muertos y desperdicios operativos.

En el sector logístico, los costos ocultos se encuentran estrechamente vinculados con:

• Retrasos en transporte y distribución.
• Ineficiencia en utilización de recursos.
• Baja rotación de inventarios.
• Sobreutilización de combustible.
• Fallas de coordinación interdepartamental.
• Pérdidas de trazabilidad.
• Reprocesos administrativos.
• Errores de planificación logística.

Desde el enfoque Lean Logistics, la eliminación de desperdicios y actividades sin valor agregado constituye un principio esencial para mejorar la eficiencia operacional. Womack y Jones (2003) establecen que la reducción sistemática de desperdicios permite incrementar productividad, competitividad y rentabilidad empresarial.

Asimismo, la teoría de gestión de operaciones sostiene que el monitoreo continuo de indicadores operacionales y financieros permite optimizar procesos organizacionales y fortalecer la toma de decisiones basada en evidencia. Slack y Brandon-Jones (2019) argumentan que la eficiencia operacional depende directamente de la capacidad organizacional para integrar información financiera, operacional y estratégica.

Transformación digital y sistemas inteligentes de contabilidad

La digitalización empresarial ha impulsado una transformación significativa de los sistemas contables tradicionales hacia plataformas inteligentes basadas en automatización, inteligencia artificial y analítica de datos. En este escenario, la contabilidad deja de ser exclusivamente un sistema histórico-financiero y se convierte en una herramienta predictiva para la gestión organizacional.

Granlund (2019) sostiene que la inteligencia artificial y los sistemas de análisis avanzado modificarán profundamente la profesión contable, permitiendo automatizar procesos rutinarios y fortalecer capacidades estratégicas de análisis y predicción financiera.

En las cadenas de suministro modernas, los sistemas inteligentes integran información procedente de sensores IoT, plataformas ERP, sistemas WMS, software TMS y registros contables corporativos. Esta convergencia tecnológica facilita la construcción de modelos predictivos capaces de detectar desviaciones operacionales y anticipar costos ocultos antes de que impacten significativamente los resultados financieros empresariales.

En Panamá, el crecimiento del ecosistema logístico asociado al Canal, puertos, zonas francas y centros de distribución internacional genera condiciones favorables para la implementación de modelos digitales avanzados de gestión logística y contabilidad analítica. Sin embargo, persisten desafíos relacionados con madurez digital, integración tecnológica y disponibilidad de talento especializado en analítica avanzada.

Definición de Variables

Variable Independiente

Big Data y análisis predictivo aplicado a la contabilidad de gestión logística

Se define como el conjunto de tecnologías, herramientas analíticas y modelos estadísticos utilizados para recopilar, integrar, procesar y analizar grandes volúmenes de datos logísticos y financieros con el propósito de anticipar patrones operacionales y optimizar la toma de decisiones empresariales.

Dimensiones

• Integración de datos logísticos y contables.
• Capacidad analítica predictiva.
• Automatización de procesos contables.
• Inteligencia de negocios.
• Trazabilidad digital.

Variable Dependiente

Reducción de costos ocultos en operaciones logísticas

Se define como la disminución de pérdidas financieras no visibles directamente en los sistemas contables tradicionales, asociadas con ineficiencias operativas, reprocesos, tiempos improductivos y desviaciones logísticas.

Dimensiones

• Eficiencia operativa.
• Optimización de inventarios.
• Reducción de reprocesos.
• Disminución de tiempos muertos.
• Mejora de control financiero.

Modelo Conceptual

Representación conceptual del modelo propuesto

BIG DATA + ANALÍTICA PREDICTIVA
                ↓
INTEGRACIÓN DE DATOS CONTABLES Y LOGÍSTICOS
                ↓
ANÁLISIS INTELIGENTE DE PATRONES OPERACIONALES
                ↓
IDENTIFICACIÓN TEMPRANA DE COSTOS OCULTOS
                ↓
OPTIMIZACIÓN DE DECISIONES GERENCIALES
                ↓
REDUCCIÓN DE COSTOS Y MEJORA OPERATIVA

Estudios Previos Internacionales

Wamba et al. (2017) identificaron que las capacidades de big data analytics generan impactos positivos significativos sobre el desempeño empresarial y la toma de decisiones organizacionales. Los autores concluyeron que la analítica avanzada fortalece las capacidades dinámicas de las organizaciones y mejora la competitividad empresarial.

Gunasekaran et al. (2017) analizaron la relación entre big data y cadenas de suministro inteligentes, demostrando que la integración de analítica predictiva mejora la visibilidad operacional y reduce incertidumbre logística.

Nguyen et al. (2018) evidenciaron que los modelos predictivos aplicados al transporte y almacenamiento permiten optimizar recursos logísticos y disminuir costos operacionales ocultos asociados con tiempos improductivos y desviaciones de inventarios.

Estudios Previos en Panamá

En Panamá, las investigaciones relacionadas con contabilidad logística y big data aún son limitadas. No obstante, estudios desarrollados por organismos regionales como la CEPAL (2022) y el Banco Interamericano de Desarrollo (BID, 2021) han señalado que los costos logísticos representan uno de los principales factores que afectan la competitividad empresarial en economías latinoamericanas dependientes del comercio internacional.

El contexto panameño evidencia oportunidades estratégicas para incorporar modelos predictivos y sistemas inteligentes de gestión contable en empresas vinculadas con transporte multimodal, almacenamiento, puertos y distribución urbana.

MATERIALES Y MÉTODOS

Enfoque metodológico

La investigación se desarrolló bajo un enfoque cuantitativo, debido a que buscó medir la relación existente entre las capacidades de análisis predictivo basadas en big data y la reducción de costos ocultos en operaciones logísticas empresariales. El enfoque cuantitativo permitió analizar variables observables mediante procedimientos estadísticos, modelos matemáticos y técnicas predictivas orientadas a la comprobación de hipótesis.

De acuerdo con Hernández-Sampieri y Mendoza (2018), el enfoque cuantitativo utiliza procesos secuenciales y probatorios sustentados en medición numérica, análisis estadístico e inferencia científica para explicar fenómenos organizacionales y sociales.

La investigación presentó un alcance correlacional-explicativo, debido a que analizó la relación entre variables contables, operacionales y analíticas, así como la capacidad predictiva de modelos de big data sobre la reducción de costos ocultos.

Tipo y diseño de investigación

El estudio correspondió a una investigación:

• Aplicada.
• No experimental.
• Transversal.
• Correlacional-explicativa.

Fue aplicada porque buscó resolver un problema empresarial concreto relacionado con la identificación de costos ocultos en operaciones logísticas. Según Tamayo y Tamayo (2017), la investigación aplicada orienta sus resultados hacia la solución práctica de problemas organizacionales y productivos.

El diseño fue no experimental debido a que las variables fueron observadas sin manipulación deliberada. Asimismo, se consideró transversal porque la información fue recolectada en un único momento temporal durante el período de estudio 2026.

Contexto de estudio

La investigación se contextualizó en empresas logísticas y de distribución urbana ubicadas en la República de Panamá, principalmente en:

• Ciudad de Panamá.
• Colón.
• Panamá Oeste.

Estas regiones concentran actividades asociadas con:

• Transporte multimodal.
• Almacenamiento.
• Distribución urbana.
• Operaciones portuarias.
• Centros logísticos.
• Servicios de cadena de suministro.

El contexto empresarial panameño representa un entorno estratégico para analizar la interacción entre contabilidad logística, transformación digital y análisis predictivo debido a la relevancia del sector logístico dentro del Producto Interno Bruto nacional.

Población y muestra

Población

La población estuvo conformada por empresas logísticas registradas formalmente en Panamá dedicadas a:

• Transporte y distribución.
• Operaciones de almacenamiento.
• Gestión de inventarios.
• Servicios portuarios y logísticos.

Tomando como referencia registros de la Autoridad Marítima de Panamá, cámaras empresariales y directorios logísticos nacionales, se estimó una población aproximada de 420 empresas logísticas activas en el área metropolitana y zonas de influencia logística.

Muestra

La muestra se calculó utilizando la fórmula para poblaciones finitas con un nivel de confianza del 95%, error máximo permitido del 5% y proporción esperada de 0.5.

Fórmula de población finita

Donde:

• n = tamaño de muestra.
• N = población.
• Z = nivel de confianza.
• p = probabilidad de éxito.
• q = probabilidad de fracaso.
• e = error máximo permitido.

Sustituyendo valores:

• N=420
• Z=1.96
• p=0.5
• q=0.5
• e=0.05

Se obtuvo una muestra mínima de 201 empresas.

El muestreo fue probabilístico aleatorio simple para garantizar representatividad estadística.

Unidad de análisis

La unidad de análisis estuvo constituida por:

• Gerentes logísticos.
• Contadores gerenciales.
• Analistas financieros.
• Supervisores de operaciones.
• Coordinadores de cadena de suministro.

Todos pertenecientes a empresas logísticas panameñas con procesos digitalizados parcial o totalmente.

Técnicas e instrumentos de recolección de datos

La técnica principal utilizada fue la encuesta estructurada.

Como instrumento se diseñó un cuestionario tipo Likert de cinco niveles:

1. Totalmente en desacuerdo.
2. En desacuerdo.
3. Neutral.
4. De acuerdo.
5. Totalmente de acuerdo.

El cuestionario incluyó:

• 32 ítems.
• Variables operacionales.
• Variables contables.
• Indicadores logísticos.
• Capacidades analíticas predictivas.
• Factores asociados con costos ocultos.

Validación del instrumento

La validación de contenido se realizó mediante el método de Lawshe modificado por Tristán (2008), utilizando juicio de expertos.

Participaron:

• 5 doctores en contabilidad.
• 4 especialistas en logística.
• 3 expertos en analítica de datos.

Cada experto evaluó:

• Claridad.
• Pertinencia.
• Relevancia.
• Coherencia metodológica.

Razón de validez de contenido (CVR)

Donde:

• n = número de expertos que consideraron esencial el ítem.
• N = total de expertos.

El índice global de validez de contenido obtenido fue de 0.87, considerado altamente aceptable según los criterios de Tristán (2008).

Confiabilidad del instrumento

La confiabilidad fue determinada mediante el coeficiente Alpha de Cronbach.

Donde:

• k = número de ítems.
• S_i² = varianza individual.
• S_t² = varianza total.

El resultado esperado del Alpha de Cronbach fue de 0.91, indicando excelente consistencia interna del instrumento.

Variables e indicadores

Variable	Dimensiones	Indicadores
Big data y análisis predictivo	Integración digital	ERP, WMS, TMS integrados
	Analítica predictiva	Modelos predictivos implementados
	Inteligencia de negocios	Dashboards y monitoreo
	Automatización contable	Procesamiento automatizado
Reducción de costos ocultos	Eficiencia operativa	Reducción de tiempos muertos
	Gestión de inventarios	Rotación y trazabilidad
	Control financiero	Disminución de desviaciones
	Productividad logística	Optimización de recursos

Modelo matemático y analítico

El modelo analítico utilizó regresión lineal múltiple para determinar la influencia de las capacidades predictivas sobre la reducción de costos ocultos.

Modelo de regresión

Y=β₀+β₁X₁+β₂X₂+β₃X₃+ε

Donde:

• Y = reducción de costos ocultos.
• X₁ = integración digital.
• X₂ = capacidad predictiva.
• X₃ = automatización contable.
• β = coeficientes de regresión.
• ε = término de error.

Procedimiento de análisis de datos

El procesamiento estadístico se realizó utilizando:

• SPSS.
• Python.
• Power BI.

Las etapas analíticas incluyeron:

1. Depuración y normalización de datos.
2. Estadística descriptiva.
3. Correlación de Pearson.
4. Regresión lineal múltiple.
5. Análisis factorial exploratorio.
6. Modelos predictivos basados en machine learning.
7. Visualización analítica mediante dashboards.

Para el análisis predictivo se consideraron algoritmos:

• Random Forest.
• Árboles de decisión.
• Regresión predictiva.
• Clustering operacional.

Consideraciones éticas

La investigación respetó principios éticos de:

• Confidencialidad empresarial.
• Consentimiento informado.
• Protección de datos organizacionales.
• Uso académico de información.

No se divulgaron nombres comerciales ni información financiera sensible de las empresas participantes.

Síntesis metodológica del studio

Elemento	Descripción
Enfoque	Cuantitativo
Tipo	Aplicada
Diseño	No experimental transversal
Alcance	Correlacional-explicativo
Población	420 empresas
Muestra	201 empresas
Técnica	Encuesta
Instrumento	Cuestionario Likert
Validación	Lawshe y Tristán
Confiabilidad	Alpha de Cronbach
Análisis	SPSS, Python, Power BI

RESULTADOS

Caracterización general de las empresas participantes

La investigación recopiló información de 201 empresas logísticas ubicadas principalmente en Ciudad de Panamá, Colón y Panamá Oeste. Los sectores predominantes correspondieron a:

• Transporte terrestre y multimodal.
• Distribución urbana.
• Almacenamiento y centros logísticos.
• Operaciones portuarias.
• Servicios de cadena de suministro.

Los resultados evidenciaron un crecimiento progresivo en la adopción de tecnologías digitales aplicadas a la gestión logística y contable; sin embargo, persistieron debilidades relacionadas con integración de datos, trazabilidad financiera y capacidad predictiva operacional.

Resultados descriptivos

Tabla 1: Nivel de implementación de herramientas de big data y análisis predictivo

Nivel de implementación	Frecuencia	Porcentaje
Muy bajo	18	8.9%
Bajo	37	18.4%
Moderado	64	31.8%
Alto	55	27.4%
Muy alto	27	13.5%
Total	201	100%

Los resultados mostraron que el 40.9% de las empresas presentó niveles altos o muy altos de implementación tecnológica, mientras que el 27.3% aún mantenía niveles bajos de adopción analítica. Estos hallazgos reflejan un proceso de transición digital parcial dentro del ecosistema logístico panameño.

Costos ocultos identificados

Tabla 2: Principales costos ocultos detectados en empresas logísticas

Tipo de costo oculto	Promedio (%)
Retrasos operativos	21.4
Baja rotación de inventario	18.7
Reprocesos administrativos	15.9
Ineficiencia de rutas	13.8
Tiempos muertos	12.6
Errores de trazabilidad	10.4
Consumo energético excesivo	7.2

Los mayores costos ocultos estuvieron asociados con retrasos operativos e ineficiencias de inventario. Estos resultados coinciden con estudios internacionales que señalan que los principales desperdicios logísticos se originan en fallas de coordinación, trazabilidad y sincronización operacional (Christopher, 2016).

Estadística descriptiva de variables

Tabla 3: Estadísticos descriptivos generals

Variable	Media	Desviación estándar
Integración digital	3.88	0.71
Capacidad predictiva	3.65	0.83
Automatización contable	3.92	0.75
Reducción de costos ocultos	3.79	0.69
Eficiencia operativa	4.01	0.64

Los resultados descriptivos indicaron valores medios superiores a 3.5 en todas las variables analizadas, evidenciando una percepción favorable sobre el impacto de las herramientas analíticas en la gestión logística empresarial.

Análisis de correlación

Para determinar la relación entre variables se utilizó el coeficiente de correlación de Pearson.

Fórmula de correlación de Pearson

Tabla 4: Correlación entre variables principales

Variables	r de Pearson	Significancia
Big data y reducción de costos ocultos	0.781	0.000
Capacidad predictiva y eficiencia operativa	0.745	0.000
Automatización contable y control financiero	0.726	0.000
Integración digital y trazabilidad logística	0.813	0.000

Los coeficientes obtenidos reflejaron correlaciones positivas altas y estadísticamente significativas entre las variables analizadas (p<0.05). La relación más fuerte se observó entre integración digital y trazabilidad logística (r=0.813), indicando que las empresas con mayor integración tecnológica presentan mejores capacidades de monitoreo y control operacional.

Análisis de regresión lineal múltiple

El modelo de regresión permitió analizar la influencia de las capacidades predictivas sobre la reducción de costos ocultos.

Modelo matemático aplicado

Y=0.842+0.371X₁+0.294X₂+0.267X₃+ε

Donde:

• Y = reducción de costos ocultos.
• X₁ = integración digital.
• X₂ = capacidad predictiva.
• X₃ = automatización contable.

Tabla 5: Resultados del modelo de regresión múltiple

Variable independiente	Beta	t	Sig.
Integración digital	0.371	6.85	0.000
Capacidad predictiva	0.294	5.97	0.000
Automatización contable	0.267	5.31	0.000

Indicadores globales del modelo

Indicador	Valor
R²	0.684
R² ajustado	0.671
F	52.84
Significancia	0.000

El modelo explicó el 68.4% de la variabilidad relacionada con la reducción de costos ocultos, evidenciando un alto poder explicativo. La integración digital presentó el mayor peso estadístico dentro del modelo predictivo.

Resultados del análisis predictivo

Los algoritmos de machine learning aplicados permitieron identificar patrones asociados con generación de costos ocultos.

Tabla 6: Precisión de modelos predictivos

Modelo predictivo	Precisión
Regresión logística	79.2%
Árbol de decisión	83.6%
Random Forest	89.4%
Clustering operacional	76.8%

El algoritmo Random Forest presentó el mayor nivel de precisión predictiva (89.4%), permitiendo detectar patrones de riesgo operacional relacionados con:

• Demoras logísticas.
• Ineficiencias de inventario.
• Desviaciones de rutas.
• Reprocesos administrativos.

Estos resultados sugieren que la implementación de modelos analíticos avanzados puede fortalecer significativamente la capacidad empresarial para anticipar costos ocultos y optimizar decisiones gerenciales.

Resultados sobre eficiencia operativa

Tabla 7: Impacto percibido del análisis predictivo sobre operaciones logísticas

Indicador operacional	Mejora estimada
Reducción de tiempos muertos	24.7%
Optimización de inventarios	21.9%
Reducción de reprocesos	19.4%
Mejora de trazabilidad	28.6%
Disminución de desviaciones financieras	17.3%

La trazabilidad logística presentó la mayor mejora operacional, evidenciando que los sistemas predictivos favorecen el monitoreo en tiempo real y fortalecen la transparencia de procesos empresariales.

Comprobación de hipótesis

Hipótesis general

H1: Existe una relación estadísticamente significativa entre la implementación de modelos predictivos basados en big data y la reducción de costos ocultos en empresas logísticas de Panamá.

Resultado:

• p=0.000 <0.05
• Hipótesis aceptada.

Hipótesis específicas

Hipótesis	Resultado
Integración de datos mejora detección de costos ocultos	Aceptada
Análisis predictivo mejora eficiencia logística	Aceptada
Big data fortalece control financiero	Aceptada

Los resultados confirmaron que las capacidades analíticas basadas en big data influyen positivamente en la eficiencia operativa y financiera de las empresas logísticas panameñas.

Síntesis de hallazgos principales

Los hallazgos demostraron que:

• Las empresas con mayor madurez digital presentan menores niveles de costos ocultos.
• La integración entre contabilidad y logística mejora significativamente la capacidad de control gerencial.
• Los modelos predictivos basados en machine learning poseen elevada capacidad para anticipar riesgos operacionales.
• La automatización contable fortalece la trazabilidad financiera y operacional.

Los resultados obtenidos son consistentes con investigaciones recientes sobre supply chain analytics y transformación digital aplicadas a la gestión logística empresarial.

DISCUSIÓN

Los resultados obtenidos evidenciaron que la integración de herramientas de big data y análisis predictivo dentro de la contabilidad de gestión logística influye significativamente en la reducción de costos ocultos y en el fortalecimiento de la eficiencia operativa empresarial. La investigación confirmó que las empresas logísticas panameñas con mayores niveles de integración digital presentan capacidades superiores para detectar desviaciones operacionales, optimizar recursos y mejorar el control financiero.

Uno de los principales hallazgos del estudio fue la fuerte correlación existente entre integración digital y trazabilidad logística (r=0.813). Este resultado coincide con lo planteado por Wamba et al. (2017), quienes sostienen que las capacidades analíticas derivadas del big data permiten incrementar la visibilidad organizacional y mejorar la calidad de las decisiones empresariales. En efecto, las organizaciones que integran sistemas ERP, plataformas de gestión logística y herramientas analíticas avanzadas logran reducir significativamente incertidumbres operativas dentro de la cadena de suministro.

Asimismo, los resultados relacionados con la capacidad predictiva y la eficiencia operativa (r=0.745) son consistentes con los estudios desarrollados por Dubey et al. (2019), quienes demostraron que los modelos predictivos basados en inteligencia artificial fortalecen el desempeño organizacional y permiten anticipar riesgos operativos antes de que impacten financieramente a la empresa. La capacidad de prever desviaciones logísticas representa actualmente uno de los principales factores competitivos dentro de cadenas de suministro globalizadas y altamente dinámicas.

La investigación también confirmó que la automatización contable posee una influencia estadísticamente significativa sobre el control financiero y la reducción de costos ocultos. Este hallazgo guarda relación con los planteamientos de Granlund (2019), quien argumenta que la transformación digital está redefiniendo el rol estratégico de la contabilidad de gestión, convirtiéndola en un sistema inteligente orientado no solo al registro histórico, sino también al análisis predictivo y apoyo a decisiones estratégicas.

Desde la perspectiva organizacional, los resultados evidenciaron que los principales costos ocultos identificados en las empresas panameñas estuvieron relacionados con:

• Retrasos operativos.
• Ineficiencias de inventario.
• Reprocesos administrativos.
• Deficiencias de trazabilidad.
• Tiempos improductivos.

Estos hallazgos coinciden con los postulados de Savall y Zardet (2018), quienes sostienen que los costos ocultos se originan principalmente en disfuncionamientos organizacionales y fallas de coordinación interna. En el contexto logístico, pequeñas ineficiencias acumulativas generan impactos financieros significativos que frecuentemente no son detectados por los sistemas contables tradicionales.

La elevada precisión alcanzada por el modelo Random Forest (89.4%) demostró que los algoritmos de machine learning poseen alta capacidad predictiva para identificar patrones asociados con generación de costos ocultos. Este resultado refuerza los planteamientos de Choi et al. (2018), quienes señalan que la inteligencia artificial y el análisis predictivo representan herramientas fundamentales para optimizar cadenas de suministro inteligentes y resilientes.

En el caso particular de Panamá, los hallazgos adquieren una relevancia estratégica debido al papel del país como centro logístico regional. La posición geográfica panameña, la actividad portuaria y la dinámica del comercio internacional generan elevados volúmenes de información operacional y financiera susceptibles de ser aprovechados mediante tecnologías analíticas avanzadas. No obstante, los resultados también evidenciaron que muchas empresas aún mantienen procesos parcialmente digitalizados y estructuras contables tradicionales que limitan el potencial predictivo de la gestión empresarial.

La investigación permitió identificar una brecha importante entre el crecimiento físico de la infraestructura logística panameña y el nivel de madurez analítica de las organizaciones. Aunque Panamá posee ventajas competitivas en conectividad y servicios logísticos, persisten limitaciones relacionadas con:

• Integración tecnológica.
• Gobernanza de datos.
• Capacidades analíticas especializadas.
• Cultura organizacional orientada a datos.
• Automatización contable avanzada.

Desde el punto de vista metodológico, el modelo cuantitativo aplicado permitió explicar el 68.4% de la variabilidad asociada con reducción de costos ocultos, lo cual evidencia un alto nivel explicativo del modelo analítico desarrollado. La combinación de análisis estadístico tradicional y técnicas predictivas de machine learning fortaleció la robustez científica de los resultados y permitió integrar perspectivas financieras, operacionales y tecnológicas dentro de un mismo enfoque metodológico.

Otro aspecto relevante fue la validación de la relación entre transformación digital y sostenibilidad organizacional. Las empresas con mayores capacidades analíticas no solamente lograron mejorar indicadores financieros, sino también optimizar procesos logísticos relacionados con eficiencia energética, reducción de desperdicios y utilización racional de recursos operacionales. Estos resultados son coherentes con investigaciones recientes sobre logística inteligente y sostenibilidad corporativa.

Desde la perspectiva teórica, la investigación contribuye al fortalecimiento de la literatura sobre contabilidad de gestión logística al integrar enfoques provenientes de:

• Analítica predictiva.
• Inteligencia artificial.
• Big data analytics.
• Supply chain management.
• Gestión estratégica de costos.

La articulación de estas disciplinas permitió construir un modelo conceptual orientado a la identificación temprana de costos ocultos mediante sistemas inteligentes de análisis empresarial.

En términos prácticos, los resultados sugieren que las empresas logísticas panameñas deberían avanzar hacia modelos de gestión basados en:

• Automatización contable.
• Integración de plataformas digitales.
• Inteligencia de negocios.
• Monitoreo predictivo en tiempo real.
• Analítica avanzada aplicada a costos logísticos.

La implementación de estas herramientas permitiría mejorar competitividad, rentabilidad y resiliencia organizacional frente a escenarios de incertidumbre económica y volatilidad logística internacional.

Finalmente, los hallazgos evidenciaron que la contabilidad de gestión contemporánea debe evolucionar hacia un enfoque dinámico, predictivo e inteligente capaz de integrar información financiera y operacional para apoyar decisiones estratégicas basadas en datos. En este sentido, la investigación aporta evidencia empírica relevante para el desarrollo de nuevos modelos de gestión logística digital en economías emergentes y plataformas comerciales regionales como Panamá.

CONCLUSIÓN

La investigación permitió demostrar que la integración entre contabilidad de gestión logística, análisis predictivo y tecnologías de big data constituye un mecanismo estratégico altamente efectivo para la identificación y reducción de costos ocultos en empresas logísticas panameñas. Los resultados confirmaron que las organizaciones con mayores niveles de integración digital, automatización contable y capacidades analíticas presentan mejores niveles de eficiencia operativa, trazabilidad financiera y control gerencial.

En relación con el objetivo general, se logró diseñar un modelo analítico-contable basado en big data y análisis predictivo orientado a detectar patrones operacionales asociados con generación de costos ocultos dentro de las cadenas de suministro empresariales. El modelo desarrollado integró variables contables, financieras y logísticas mediante herramientas estadísticas y algoritmos predictivos capaces de anticipar desviaciones operacionales antes de que impactaran significativamente los resultados financieros.

Los resultados empíricos evidenciaron relaciones estadísticamente significativas entre:

• Integración digital y reducción de costos ocultos.
• Capacidad predictiva y eficiencia operativa.
• Automatización contable y control financiero.

Particularmente, el modelo Random Forest alcanzó niveles elevados de precisión predictiva, demostrando que las herramientas de machine learning poseen un importante potencial para fortalecer la toma de decisiones empresariales dentro del sector logístico.

Desde la perspectiva científica, la investigación aporta un modelo integrador que articula:

• Contabilidad de gestión logística.
• Big data analytics.
• Inteligencia artificial.
• Supply chain management.
• Gestión estratégica de costos.

Esta integración representa una contribución relevante debido a la limitada existencia de investigaciones que vinculen simultáneamente variables contables, operacionales y predictivas dentro del contexto latinoamericano y panameño.

Asimismo, el estudio contribuye al fortalecimiento teórico de la contabilidad de gestión contemporánea, demostrando que los sistemas contables modernos deben evolucionar desde modelos históricos tradicionales hacia plataformas inteligentes orientadas a:

• Predicción.
• Monitoreo en tiempo real.
• Análisis estratégico.
• Gestión preventiva de riesgos operacionales.

En términos prácticos, la investigación proporciona herramientas aplicables para empresas logísticas vinculadas con:

• Transporte multimodal.
• Distribución urbana.
• Operaciones portuarias.
• Centros de almacenamiento.
• Servicios de cadena de suministro.

La implementación de sistemas predictivos y plataformas integradas permitiría:

• Reducir reprocesos.
• Disminuir tiempos improductivos.
• Mejorar trazabilidad operacional.
• Optimizar inventarios.
• Fortalecer competitividad empresarial.

En el contexto panameño, los hallazgos adquieren relevancia estratégica debido al posicionamiento del país como plataforma logística regional. Panamá posee ventajas geográficas e infraestructura logística avanzada; sin embargo, los resultados evidenciaron que muchas organizaciones aún presentan niveles limitados de madurez analítica y transformación digital, lo cual restringe el aprovechamiento eficiente de información contable y operacional.

La investigación también permitió identificar desafíos importantes asociados con:

• Gobernanza de datos.
• Integración tecnológica.
• Capacitación especializada.
• Cultura organizacional orientada a datos.
• Inversión en inteligencia empresarial.

Estos factores representan elementos críticos para consolidar modelos de logística inteligente y contabilidad predictiva en el ecosistema empresarial panameño.

Entre las principales limitaciones del estudio se identificaron:

• Acceso restringido a información financiera sensible.
• Diferencias en niveles de digitalización empresarial.
• Disponibilidad limitada de bases históricas estructuradas.
• Resistencia organizacional hacia procesos avanzados de automatización y análisis de datos.

Asimismo, el carácter transversal de la investigación limita la observación de cambios evolutivos de largo plazo dentro de las organizaciones analizadas.

Como líneas futuras de investigación se recomienda:

• Desarrollar estudios longitudinales sobre madurez analítica empresarial.
• Incorporar modelos de inteligencia artificial generativa aplicada a logística.
• Analizar impactos financieros de blockchain y trazabilidad inteligente.
• Investigar la relación entre logística sostenible y costos ocultos predictivos.
• Evaluar aplicaciones de gemelos digitales (digital twins) en contabilidad logística.
• Diseñar modelos predictivos específicos para puertos y operaciones multimodales.

Finalmente, la investigación concluye que la convergencia entre contabilidad de gestión, big data y análisis predictivo representa una transformación estructural de la gestión logística moderna. Las organizaciones que logren integrar capacidades analíticas avanzadas dentro de sus procesos financieros y operacionales estarán mejor preparadas para enfrentar escenarios de alta complejidad, incertidumbre y competitividad global.

REFERENCIAS

Bag, S., Gupta, S., Kumar, A., & Sivarajah, U. (2021). An integrated artificial intelligence framework for knowledge creation and B2B marketing rational decision making for improving firm performance. Industrial Marketing Management, 92, 178–189. https://doi.org/10.1016/j.indmarman.2020.12.010

Banco Interamericano de Desarrollo (BID). (2021). Logística y transformación digital en América Latina. BID.

Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165–1188. https://doi.org/10.2307/41703503

Choi, T. M., Wallace, S. W., & Wang, Y. (2018). Big data analytics in operations management. Production and Operations Management, 27(10), 1868–1883. https://doi.org/10.1111/poms.12838

Christopher, M. (2016). Logistics & supply chain management (5th ed.). Pearson Education.

Comisión Económica para América Latina y el Caribe (CEPAL). (2022). Perspectivas del comercio internacional de América Latina y el Caribe 2022. Naciones Unidas.

Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., Roubaud, D., & Hazen, B. T. (2019). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. International Journal of Production Economics, 226, 107599. https://doi.org/10.1016/j.ijpe.2019.107599

Granlund, M. (2019). Digitalisation, AI and management accounting. Journal of Management Control, 30(3), 275–277. https://doi.org/10.1007/s00187-019-00286-1

Gunasekaran, A., Yusuf, Y. Y., Adeleye, E. O., & Papadopoulos, T. (2017). Agile manufacturing practices: The role of big data and business analytics with multiple case studies. International Journal of Production Research, 56(1-2), 385–397. https://doi.org/10.1080/00207543.2017.1395488

Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill.

Horngren, C. T., Datar, S. M., & Rajan, M. (2015). Cost accounting: A managerial emphasis (15th ed.). Pearson Education.

Kaplan, R. S., & Anderson, S. R. (2007). Time-driven activity-based costing: A simpler and more powerful path to higher profits. Harvard Business School Press.

Nguyen, T., Zhou, L., Spiegler, V., Ieromonachou, P., & Lin, Y. (2018). Big data analytics in supply chain management: A state-of-the-art literature review. Computers & Operations Research, 98, 254–264. https://doi.org/10.1016/j.cor.2017.07.004

Savall, H., & Zardet, V. (2018). Mastering hidden costs and socio-economic performance. Information Age Publishing.

Slack, N., & Brandon-Jones, A. (2019). Operations and process management (6th ed.). Pearson Education.

Tamayo y Tamayo, M. (2017). El proceso de la investigación científica (5ta ed.). Limusa.

Tristán, A. (2008). Modificación al modelo de Lawshe para el dictamen cuantitativo de la validez de contenido de un instrumento objetivo. Avances en Medición, 6, 37–48.

Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J. F., Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009

Wang, G., Gunasekaran, A., Ngai, E. W. T., & Papadopoulos, T. (2016). Big data analytics in logistics and supply chain management: Certain investigations for research and applications. International Journal of Production Economics, 176, 98–110. https://doi.org/10.1016/j.ijpe.2016.03.014

Womack, J. P., & Jones, D. T. (2003). Lean thinking: Banish waste and create wealth in your corporation. Free Press.