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

Omar Castillo; Roberto Lugo; Julian Sánchez; Elborín Muñoz; Jonathan Yepes; Carlos Chen

doi:10.70625/rmis/742

Autores/as

Omar Castillo Universidad de Panamá Autor/a
Roberto Lugo Universidad de Panamá Autor/a
Julian Sánchez Universidad de Panamá Autor/a
Elborín Muñoz Universidad de Panamá Autor/a
Jonathan Yepes Universidad de Panamá Autor/a
Carlos Chen Universidad de Panamá Autor/a

DOI:

https://doi.org/10.70625/rmis/742

Palabras clave:

Contabilidad de gestión logística, Análisis predictivo, Big data, Costos ocultos, Cadena de suministro

Resumen

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.

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.