[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-123677-es":3,"doc-seo-123677-110":30,"detail-sidebar-cat-0-es-110":91},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":4,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},123677,549768064622,"Anda","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",41,"Investigación e Informes","Especialización en Estadística Aplicada - Análisis con Machine Learning de Peticiones Externas (PQRS) del Servicio Nacional de Aprendizaje - SENA para mitigación de incumplimientos normativos","El Servicio Nacional de Aprendizaje-SENA recibe Peticiones, Quejas, Reclamos, Sugerencias, Denuncias, Agradecimientos, Felicitaciones y Acciones de Tutela (PQRS), y debe gestionar estas comunicaciones para asegurar respuestas oportunas a la ciudadanía. Además, garantiza el seguimiento y cumplimiento de la normativa aplicable en Colombia y automatiza procesos hoy realizados manualmente. El proyecto propone analizar las PQRS con modelos de Machine Learning para mitigar el riesgo de incumplimientos normativos y predecir posibles vulneraciones, apoyado en la metodología SEMMA y herramientas Python y R.","Especialización  \nen Estadística Aplicada  \nFacultad de Ingeniería y Ciencias Básicas  \nAnálisis con Machine Learning de Peticiones Externas (PQRS) del Servicio Nacional de Aprendizaje-SENA para mitigación de  \nincumplimientos normativos  \nYésica Patricia Ayala Alfonso1, 2 , Julio Mario Durán Ramírez2 , Julian Andrés Salamanca Bernal3 ,  \nand Edwin Fernando González Martínez4  \n1 Servicio Nacional de Aprendizaje-SENA-Profesional PQRS Nacional  \n2 Fundación Universitaria Los Libertadores-Aspirante a Especialización  \n3 Fundación Universitaria Los Libertadores-Asesor Proyecto de Aplicación  \n4 Fundación Universitaria Los Libertadores-Director Proyecto de Aplicación  \nResumen  \nEl Servicio Nacional de Aprendizaje-SENA recibe Peticiones, Quejas, Reclamos, Sugerencias, Denuncias, Agradecimientos, Felicitaciones y Acciones de Tutela (PQRS) que debe gestionar para garantizar la respuesta oportuna a los ciudadanos que solicitan la solución a su requerimiento; adicionalmente, debe velar por el seguimiento y cumplimiento de la normativa que regula la gestión de las PQRS en Colombia, así como, automatizar procesos que actualmente se realizande forma manual. Es por esto, que el propósito de este proyecto es analizar con modelos de Machine Learning las PQRS recibidas por el SENA, que permitan mitigar el riesgo de la materialización de los incumplimientos normativos y lograr resolver las PQRS de manera oportuna a la ciudadanía. Para ello, se usa la metodología SEMMA siendo lamás apropiada para el análisis de grandes bases de datos. Cabe resaltar que, se usaron herramientas de lenguaje de programación Python y R para ejecutar y aplicar el análisis de las PQRS, obteniendo resultados concluyentes y satisfactorios acerca de los modelos de Machine Learning elegidos para predecir la posible vulneración de los derechos de la ciudadanía; por lo tanto, con estos resultados, se considera necesario sugerir la implementación de los modelosejecutados ante el SENA.  \nPalabras clave—Aprendizaje Automatizado, Estadística, Predicción, PQRS, Regresión Logística  \nAbstract  \nThe National Apprenticeship Service - SENA receives Requests, Complaints, Claims, Suggestions, Reports, Thanks, Congratulations, and Habeas Corpus Actions (PQRS) that it must manage to guarantee a timely response to citizens who seek a solution to their requirement. Additionally, it must ensure monitoring and compliance with the regulations that govern the management of PQRS in Colombia, as well as automate processes that are currently performed manually.  \nTherefore, the purpose of this project is to analyze the PQRS received by SENA using Machine Learning models, which aim to mitigate the risk of non-compliance and achieve timely resolution of PQRS for the citizens. To achieve this, the SEMMA methodology is employed, as it is most suitable for analyzing large databases. It should be noted that Python and R programming languages were used as tools to execute and apply the analysis of PQRS, obtained coherent and satisfactory results on Machine Learning models for predicting potential violations of citizens’ rights. Therefore, based on these results, it was deemed necessary to propose an implementation of the models previously performed by SENA.  \nKeywords—Logistic regression, Machine Learning, prediction, Statistics  \n1. Introducción  \nEl Servicio Nacional de Aprendizaje - SENA, es una entidad pública de orden nacional adscrita al Ministerio de Trabajo en Colombia; la cual, ofrece formación gratuita amillones de colombianos que se benefician con programastécnicos, tecnológicos y complementarios enfocados en el desarrollo económico, científico y social del país, entrando a fortalecer las actividades productivas de las empresas y de la industria, para obtener mejor competitividad ymayores resultados en los diferentes mercados (SENA)  \nCabe resaltar que, el SENA es de gran importancia para la sociedad Colombiana, por tal motivo, no es de  \nextrañar que reciba a diario comunicaciones tipifica","cbCaim3KbQXlxnCu","https://ap.wps.com/l/cbCaim3KbQXlxnCu","pdf",1329981,1,10,"Spanish","es",110,"# Introducción\n## Gestión de las PQRS en el SENA\n## Volumen y registro en aplicativos oficiales\n## Proceso actual de seguimiento manual\n## Necesidad de automatización y mejora del cumplimiento normativo","[{\"question\":\"Qué son las PQRS y por qué el SENA debe gestionarlas?\",\"answer\":\"Las PQRS son comunicaciones ciudadanas como peticiones, quejas, reclamos, sugerencias, denuncias, agradecimientos, felicitaciones y acciones de tutela. El SENA debe tramitarlas para garantizar una respuesta oportuna y adecuada a los requerimientos.\"},{\"question\":\"Cuál es el objetivo del proyecto con Machine Learning?\",\"answer\":\"Analizar las PQRS recibidas por el SENA con modelos de Machine Learning para mitigar el riesgo de incumplimientos normativos y resolver de manera oportuna. El enfoque busca también predecir posibles vulneraciones de derechos de la ciudadanía.\"},{\"question\":\"Qué metodología y herramientas se utilizan para el análisis?\",\"answer\":\"Se emplea la metodología SEMMA, adecuada para analizar grandes bases de datos. Además, se usan lenguajes de programación Python y R para ejecutar y aplicar el análisis de las PQRS.\"}]","Especialización en Estadística Aplicada - Análisis con Machine Learning de Peticiones Externas (PQRS) del Servicio Nacional de Aprendizaje - SENA para mitigación de incumplimientos normativos | PDF",1785817966,15,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":86,"head_meta":88,"extra_data":90,"updated_unix":28},"specialization-in-applied-statistics-analysis-with-machine-learning-of-external-requests-pqrs-of-the-national-apprenticeship-service-sena-to-mitigate-regulatory-non-compliance","",{"@graph":36,"@context":85},[37,54,68],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/es/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/es/document/specialization-in-applied-statistics-analysis-with-machine-learning-of-external-requests-pqrs-of-the-national-apprenticeship-service-sena-to-mitigate-regulatory-non-compliance/123677/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":62,"encodingFormat":61,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-04",true,{"@type":65,"interactionType":66,"userInteractionCount":4},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71,77,81],{"name":72,"@type":73,"acceptedAnswer":74},"Qué son las PQRS y por qué el SENA debe gestionarlas?","Question",{"text":75,"@type":76},"Las PQRS son comunicaciones ciudadanas como peticiones, quejas, reclamos, sugerencias, denuncias, agradecimientos, felicitaciones y acciones de tutela. El SENA debe tramitarlas para garantizar una respuesta oportuna y adecuada a los requerimientos.","Answer",{"name":78,"@type":73,"acceptedAnswer":79},"Cuál es el objetivo del proyecto con Machine Learning?",{"text":80,"@type":76},"Analizar las PQRS recibidas por el SENA con modelos de Machine Learning para mitigar el riesgo de incumplimientos normativos y resolver de manera oportuna. El enfoque busca también predecir posibles vulneraciones de derechos de la ciudadanía.",{"name":82,"@type":73,"acceptedAnswer":83},"Qué metodología y herramientas se utilizan para el análisis?",{"text":84,"@type":76},"Se emplea la metodología SEMMA, adecuada para analizar grandes bases de datos. Además, se usan lenguajes de programación Python y R para ejecutar y aplicar el análisis de las PQRS.","https://schema.org",{"og:url":52,"og:type":87,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":89,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":92},[93,98,102,106,110,112,116,120,124,128],{"id":94,"doc_module":4,"doc_module_name":46,"category_name":95,"show_sort_weight":96,"slug":97},39,"Cómic",60,"comic",{"id":99,"doc_module":4,"doc_module_name":46,"category_name":100,"show_sort_weight":96,"slug":101},43,"Estilo de Vida","lifestyle",{"id":103,"doc_module":4,"doc_module_name":46,"category_name":104,"show_sort_weight":96,"slug":105},38,"Examen","exam",{"id":107,"doc_module":4,"doc_module_name":46,"category_name":108,"show_sort_weight":96,"slug":109},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":96,"slug":111},"research-report",{"id":113,"doc_module":4,"doc_module_name":46,"category_name":114,"show_sort_weight":96,"slug":115},37,"Literatura","literature",{"id":117,"doc_module":4,"doc_module_name":46,"category_name":118,"show_sort_weight":96,"slug":119},22,"Relatos y Novelas","story-novel",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":96,"slug":123},42,"Religión y Espiritualidad","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":46,"category_name":126,"show_sort_weight":96,"slug":127},40,"Salud y Atención Médica","healthcare",{"id":129,"doc_module":4,"doc_module_name":46,"category_name":130,"show_sort_weight":96,"slug":131},24,"Tecnología","technology"]