--- title: Nuestra experiencia tangible en ciencia de datos e investigación | Inteligencia artificial description: Inteligencia artificial | Casos de estudio derivados de nuestra práctica consultiva en ciencia de datos, investigación, big data y machine learning --- Posts about # Inteligencia artificial ## [IA 2026: del dato sucio a la alerta temprana en salud pública](https://blog.sinnetic.com/es/use-cases/ia-y-salud-publica) Posted by [Gabriel Contreras](https://blog.sinnetic.com/es/use-cases/author/gabriel-contreras) | 28-dic-2025 19:51:08 Al cerrar 2025, en **SINNETIC** venimos trabajando con expertos sectoriales para anticipar cómo puede... [ CONTINUE READING ](https://blog.sinnetic.com/es/use-cases/ia-y-salud-publica) ## [Predicción y simulación de producción de azúcar: Agricultura precisión](https://blog.sinnetic.com/es/use-cases/agricultura-precision) Posted by [Javier Calvo](https://blog.sinnetic.com/es/use-cases/author/javier-calvo) | 18-feb-2025 7:42:50 Cliente:Ingenios azucareros del Valle  [ CONTINUE READING ](https://blog.sinnetic.com/es/use-cases/agricultura-precision) ## [Scrapping intensivo: desarrollo de producto](https://blog.sinnetic.com/es/use-cases/scrapping-intensivo-desarrollo-de-producto) Posted by [Laura Sanchez](https://blog.sinnetic.com/es/use-cases/author/laura-sanchez) | 10-mar-2023 17:47:37 Cliente: Sector cosmética y cuidado personal [ CONTINUE READING ](https://blog.sinnetic.com/es/use-cases/scrapping-intensivo-desarrollo-de-producto) ## [Scrapping y machine learning: educación continuada](https://blog.sinnetic.com/es/use-cases/scrapping-y-machine-learning-educación-continuada) Posted by [Laura Sanchez](https://blog.sinnetic.com/es/use-cases/author/laura-sanchez) | 10-mar-2023 17:44:46 Cliente: Universidades [ CONTINUE READING ](https://blog.sinnetic.com/es/use-cases/scrapping-y-machine-learning-educación-continuada) ## [Valoración de competencias con scrapping y machine learning](https://blog.sinnetic.com/es/use-cases/valoracion-de-competencias-con-scrapping-y-machine-learning) Posted by [Cristina Contreras](https://blog.sinnetic.com/es/use-cases/author/cristina-contreras) | 10-mar-2023 17:40:51 Cliente: Sector educativo [ CONTINUE READING ](https://blog.sinnetic.com/es/use-cases/valoracion-de-competencias-con-scrapping-y-machine-learning) ## [Competitividad en ecommerce: machine learning en acción](https://blog.sinnetic.com/es/use-cases/competitividad-en-ecommerce-machine-learning-en-accion) Posted by [Gabriel Contreras](https://blog.sinnetic.com/es/use-cases/author/gabriel-contreras) | 06-mar-2023 17:38:19 Cliente: Ecommerce [ CONTINUE READING ](https://blog.sinnetic.com/es/use-cases/competitividad-en-ecommerce-machine-learning-en-accion) ## [Comprensión de barreras de adopción de ride-hailing](https://blog.sinnetic.com/es/use-cases/comprension-de-barreras-de-adopcion-de-ride-hailing) Posted by [Gabriel Contreras](https://blog.sinnetic.com/es/use-cases/author/gabriel-contreras) | 26-oct-2021 15:35:53 Cliente:DiDi [ CONTINUE READING ](https://blog.sinnetic.com/es/use-cases/comprension-de-barreras-de-adopcion-de-ride-hailing) ### Grow your business more quickly with our solutions for inbound and ecommerce Discover a new digital growth model that attracts visitors, converts them into leads, transforms them into customers and then follows them in the after-sales phase, managed with traditional trade methods or with ecommerce. TAKE AN APPOINTMENT [![WhatsApp](https://upload.wikimedia.org/wikipedia/commons/6/6b/WhatsApp.svg) ](https://wa.me/573180242831) ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Al cerrar 2025, en SINNETIC venimos trabajando con expertos sectoriales para anticipar cómo puede evolucionar la inteligencia artificial en el sector público durante los próximos 12 meses. Recientemente consolidamos un set de predicciones de IA para gobierno y salud pública. La mía es la siguiente: La extracción automatizada de información y la resolución de entidades lideradas por IA seguirán optimizando los sistemas de reporte en salud pública, fortaleciendo la base de la vigilancia epidemiológica. ¿Qué significa esto, en términos prácticos? En 2026 veremos herramientas de IA aún más sólidas para extraer señales útiles desde datos clínicos desordenados (texto libre, formatos mixtos, registros incompletos) y para reconocer cuándo diferentes registros pertenecen a la misma persona, lugar o evento, incluso si aparecen con variaciones. En otras palabras: menos fricción operativa para integrar información, más velocidad para convertir datos “sucios” en inteligencia accionable. Estado actual y cómo evolucionará El status quo (hoy) Hoy, la IA ya se usa para: extraer y depurar datos provenientes de múltiples fuentes; emparejar registros de la misma persona/evento/instalación cuando están digitados de forma diferente. Sin embargo, típicamente funciona como un asistente intermitente: apoya etapas aisladas del proceso, con validación humana en cada paso, en vez de operar de forma verdaderamente end-to-end. ¿Qué impide que sea una herramienta más fluida? En el mundo real, los cuellos de botella suelen ser estructurales: Alta “ruidosidad” del dato clínico (heterogeneidad, texto no estandarizado, campos faltantes). Fragmentación de fuentes entre instituciones, regiones y sistemas. Infraestructura desigual para desplegar modelos avanzados a escala. Adopción cultural aún en maduración: clínicos, equipos de salud pública y ciudadanía están apenas consolidando confianza y criterios de uso. El cambio esperado en 2026 Sin asumir magia instantánea, es razonable esperar mejoras concretas: IA más competente para interpretar datos ruidosos, elevando su utilidad operativa. Extracción más precisa de hechos clave (síntomas, diagnóstico, ubicación) desde fuentes complejas, incluso notas manuscritas o formatos difíciles de leer. Resolución de entidades más automatizada: en lugar de revisar manualmente coincidencias, la IA podrá reconocer que: “Gabriel Contreras”, “Contreras Gabriel” y “G. Contreras” se refieren a la misma persona (con criterios probabilísticos y trazabilidad). Caso de uso Qué hace la IA Impacto operativo Resultado esperado Detección más rápida de brotes Extrae síntomas, resultados, ubicaciones y vincula reportes del mismo caso Reduce retrasos por formatos mixtos (papel/fax/errores) Detección de señales días antes (crítico en brotes) Análisis casi inmediato en emergencias Armoniza datos de múltiples IPS/labs en tiempo real Evita “foto borrosa” durante picos (incendios, influenza, COVID-like) Mejor conciencia situacional por zona/tiempo Planeación de recursos Conecta datos depurados para identificar necesidades por territorio Priorización más fina de insumos, brigadas y capacidad instalada Respuesta más eficiente y focalizada Seguimiento longitudinal Vincula registros de una persona a través de múltiples prestadores Disminuye duplicados y pérdidas de continuidad Tendencias más confiables, menos ruido estadístico Mirando hacia adelante El intercambio de información entre entidades y sistemas seguirá siendo un desafío estructural. Aun así, mejoras sostenidas en extracción y resolución de entidades continuarán simplificando los flujos de reporte, reforzando la vigilancia y habilitando respuestas de salud pública más oportunas y precisas. Conoce más sobre las soluciones de analítica e IA aplicada a salud pública y gobierno de SINNETIC.", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/es/use-cases/author/gabriel-contreras" }, "dateModified" : "28/12/2025", "datePublished" : "28/12/2025", "headline" : "IA 2026: del dato sucio a la alerta temprana en salud pública", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://www.sinnetic.com/hubfs/C%C3%B3mo%20la%20IA%20en%202026%20extraer%C3%A1%20y%20conectar%C3%A1%20datos%20cl%C3%ADnicos%20para%20acelerar%20la%20vigilancia%2c%20detectar%20brotes%20y%20decidir%20mejor..jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/es/use-cases/ia-y-salud-publica", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Cliente: Ingenios azucareros del Valle Metodología: Spatial Models Puntos de dolor / necesidad / objetivo general del cliente (Situation) Para cumplir presupuestos y alinear la relación con proveedores y canales, en el marco de desarrollo de programas de agricultura de precisión, los ingenios azucareros deben predecir con relativa eficiencia en que momento cortar la caña para obtener la mayor biomasa y la mayor cantidad de azúcar. Los modelos basados en machine Learning suelen ser precisos a corto plazo pero inestables a largo plazo. De igual forma se necesita saber que tipo de tareas, aplicaciones, fertilizaciones etc., se deben hacer para poder elevar las expectativas de TCH y azúcar. Metodología y dispositivos analíticos Spatial models es una metodología que: Permite poner cada hacienda suerte en el mapa y analizar geoestadísticamente como aspectos como la altura, el clima y la posición en el mapa determinan en parte el desempeño del cultivo en producción de azúcar y biomasa. De igual forma permite ver la competencia por recursos de cultivos cercanos o el impacto de cultivos cercanos sobre la productividad misma de la caña. Analizar mediante estadística espacial el efecto de diferentes tratamientos como fertilizaciones, aplicaciones de productos de CP entre otros sobre el desarrollo del cultivo y la producción de TCH y azucar. Gran resultado general (Work underway) Un simulador que permite evaluar el impacto de cada aplicación, dosis y tarea sobre la producción de azúcar y TCH aislando el efecto temporal y espacial para preparar el mejor plan de tratamiento de cultivo.", "author" : { "@type" : "Person", "name" : "Javier Calvo", "sameAs" : "https://www.linkedin.com/in/javier-calvo79/", "url" : "https://blog.sinnetic.com/es/use-cases/author/javier-calvo" }, "dateModified" : "18/02/2025", "datePublished" : "18/02/2025", "headline" : "Predicción y simulación de producción de azúcar: Agricultura precisión", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://www.sinnetic.com/hubfs/blog%20linkedin.svg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/es/use-cases/agricultura-precision", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Cliente: Sector cosmética y cuidado personal Metodología: Open Data Mining Puntos de dolor / necesidad / objetivo general del cliente (Situation) La explosión de principios activos para productos de cosmética dada la apertura a productos provenientes de diferentes países, llevan a clientes como Loreal, Natura y otros a buscar nuevas rutas de desarrollo y nuevos principios activos para sus productos. Una herramienta de screening poderosa es la comparación de las descripciones de los productos y compararla con la información explícita en e-commerce y la participación en venta. Metodología y dispositivos analíticos Open Data Mining es una metodología que permite: USAR: La enorme cantidad de información presente en internet, inclusive las descripciones de producto en e-commerce, la conversación digital en audio, video y texto. DETECTAR: Detectar conversaciones que tienen el potencial de convertirse en tendencia al comparar cada nueva conversación con aquellas que han sido exitosas y no tendenciosas para que las marcas aprovechen las tendencias en sus primeras etapas de desarrollo. ENCONTRAR: Entidades como principios activos, concentraciones, características diferenciales, concentraciones de producto entre otros aspectos que no parecieran notorios a la luz de cualquier persona. Gran resultado general (Work underway) Mapa completo de principios activos tendenciosos, que el consumidor quiere comprar y de los cuales el consumidor quiere aprender Ruta de desarrollo de producto entendiendo las funcionalidades esperadas que el mercado aclama.", "author" : { "@type" : "Person", "name" : "Laura Sanchez", "sameAs" : "", "url" : "https://blog.sinnetic.com/es/use-cases/author/laura-sanchez" }, "dateModified" : "10/03/2023", "datePublished" : "10/03/2023", "headline" : "Scrapping intensivo: desarrollo de producto", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://www.sinnetic.com/hubfs/scrapping-intensivo-desarrollo-producto-1.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/es/use-cases/scrapping-intensivo-desarrollo-de-producto", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Cliente: Universidades Metodología: Open Data Mining & NLP (Natural Language Processing) Puntos de dolor / necesidad / objetivo general del cliente (Situation) Desarrollar alternativas de educación continuada poderosas y ganadoras, que atraigan la atención de posibles estudiantes es cada vez mas difícil, todo ello desde el boom de las plataformas de educación ágil y la apertura de grandes universidades globales de prestigio a abrir cursos en America Latina. ¿Cuales son las temáticas y necesidades sobre las cuales se puede formular nuevos programas de educación continuada? Metodología y dispositivos analíticos Open Data Mining en unión a NLP es una metodología que permite: USAR: La enorme cantidad de información presente en internet, lanzamiento de libros, opiniones de expertos en temáticas profesionales específicas, motores de empleo (descripciones laborales) etc. DETECTAR: Mediante uso de machine learning (Natural Language Processing) detectar patrones lingüísticos ocultos que conecten con temáticas de interés para desarrollo de programas profesionales de educación e inclusive para hacer rediseño curricular. Gran resultado general (Work underway) Portafolio de temáticas y posibles programas de educación continuada para fortalecer la oferta de servicios de las universidades. Mejoramiento curricular de programas de pre-grado y post-grado en función de las nuevas necesidades profesionales de grupos puntuales.", "author" : { "@type" : "Person", "name" : "Laura Sanchez", "sameAs" : "", "url" : "https://blog.sinnetic.com/es/use-cases/author/laura-sanchez" }, "dateModified" : "10/03/2023", "datePublished" : "10/03/2023", "headline" : "Scrapping y machine learning: educación continuada", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://www.sinnetic.com/hubfs/scrapping-machine-learning-educacion-continuada-2.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/es/use-cases/scrapping-y-machine-learning-educación-continuada", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Cliente: Sector educativo Metodología: Open Data Mining & NLP Puntos de dolor / necesidad / objetivo general del cliente (Situation) Para focalizar esfuerzos pedagógicos y de desarrollo curricular, las universidades deben enfocarse en producir contenido y programas que den satisfacción a la demanda empresarial. ¿Cuál es esta demanda? Al analizar las ofertas de empleo, estas narran una completa radiografía de estas necesidades, indicando el tiempo de competencias y el valor salarial que una empresa está dispuesta a pagar por un profesional que acredite dichos saberes. Metodología y dispositivos analíticos Open Data Mining es una metodología que permite: USAR: La enorme cantidad de información presente en internet, inclusive las descripciones de ofertas laborales DETECTAR: Detectar y segmentar ofertas laborales según su contenido, aislando las competencias que las empresas necesitas ANALIZAR: mediante modelos predictivos cual es el valor comercial que representa en el salario de un profesional acreditar una competencia puntual. Gran resultado general (Work underway) Mapa completo de competencias demandadas a nivel sector y geografía para hacer ofertas pedagógicas con enfoque regional y sectorial Valorización de las competencias en el mercado laboral.", "author" : { "@type" : "Person", "name" : "Cristina Contreras", "sameAs" : "https://www.linkedin.com/in/aura-cristina-contreras-a5a33991/", "url" : "https://blog.sinnetic.com/es/use-cases/author/cristina-contreras" }, "dateModified" : "10/03/2023", "datePublished" : "10/03/2023", "headline" : "Valoración de competencias con scrapping y machine learning", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://www.sinnetic.com/hubfs/valoracion-%20competencias-%20scrapping-%20machine-learning-3.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/es/use-cases/valoracion-de-competencias-con-scrapping-y-machine-learning", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Cliente: Ecommerce Metodología: Open Data Mining Puntos de dolor / necesidad / objetivo general del cliente (Situation) Las empresas con estrategia múltiple en e-commerce tienen diferentes retos: Monitorear el precio de la competencia al igual que sus ejecuciones promocionales. Asegurarse que los e-commerce que exhiben sus productos lo hagan conforme la negociación pactada y respetando los intereses promocionales y gráficos de la marca. Entender que competidores tienen productos similares y hacer análisis de competencia Metodología y dispositivos analíticos Open Data Mining es una metodología que permite: USAR: Hacer scrapping a diferentes niveles de complejidad para detectar descriptores de producto, esquemas promocionales, precios propios y de la competencia entre otros descriptores de producto en la meta data de los e-commerce DETECTAR: Espacios en los e-commerce en donde las negociaciones con los comercializadores irrespeten acuerdos comerciales ANALIZAR: Dinámicas de precio y promoción en relación a competidores cercanos. Gran resultado general (Work underway) Clara comprensión de las dinámicas de precio y promoción propias y de la competencia. Auditoria de los e-commerce para asegurar que están respetando los acuerdos de exhibición y que la competencia no tiene una posición privilegiada que impida el crecimiento de nuestra marca.", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/es/use-cases/author/gabriel-contreras" }, "dateModified" : "06/03/2023", "datePublished" : "06/03/2023", "headline" : "Competitividad en ecommerce: machine learning en acción", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://www.sinnetic.com/hubfs/competitividad-ecommerce-machine-learning-accion.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/es/use-cases/competitividad-en-ecommerce-machine-learning-en-accion", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Cliente: DiDi Metodología: Ci360° & Morphologyk Puntos de dolor / necesidad / objetivo general del cliente (Situation) La economía digital llegó para quedarse, las modalidades de transporte también. Una empresa como DiDi, puede crecer de dos formas: Creciendo en participación: ganando mas espacio de la torta dentro de aquellos que han adoptado ride-hailing y ridesharing como medio de transporte. Creciendo en penetración: atrayendo nuevos usuarios a la categoría agilizando los procesos para conversión en usuarios DiDi El equipo de marketing, fundó una iniciativa analítica llamada Unlock Market Penetration, esta iniciativa buscaba entender las causales que pueden predecir la no adopción de la categoría y las oportunidades que pueden motivar la conversión. Metodología y dispositivos analíticos Los no usuarios de ridehailing pueden encontrarse en entornos digitalizados y no digitalizados, es por ello que nuestro abordaje metodológico implicó: Diarios off line de movilidad para que las personas no digitalizadas reportaran sus dinámicas de viaje. Diarios on line para que las personas digitalizadas reportaran su journey. Cookie tracking para analizar cómo las personas digitalizadas navegan en internet, sus preferencias, gustos, los influenciadores que consultan y sus hábitos digitales en general. Grupos focales: para entender en profundidad cada audiencia desde sus mitos, ritos, prácticas y hábitos de movilidad. Gran resultado general (Work underway) La interacción de técnicas tradicionales de investigación en asocio a técnicas de big data, nos permitió encontrar: Cerca de 24 barreras de adopción de la categoría. Segmentos de oportunidad para ganar penetración y quitarle mercado al auto propio, la moto, los trayectos a pié y el taxi. Definir los potenciales de mercado, trayectos potenciales y volumetria estimada en cada oportunidad. Construir un simulador de penetración de mercado. Queremos acompañar tus procesos de analítica e investigación de mercados con un enfoque de MlOps y DeOps. ¿Entramos en contacto? América del Sur México y Centroamérica", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/es/use-cases/author/gabriel-contreras" }, "dateModified" : "26/10/2021", "datePublished" : "26/10/2021", "headline" : "Comprensión de barreras de adopción de ride-hailing", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://www.sinnetic.com/hubfs/casos%20de%20estudio%20im%C3%A1genes-Dec-17-2024-07-37-48-4388-PM.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/es/use-cases/comprension-de-barreras-de-adopcion-de-ride-hailing", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ```