El presente trabajo expone una metodología de medición del potencial exportador de las organizaciones empresariales. Se desarrolló una revisión de la literatura relacionada con la orientación exportadora, para identificar factores clave en la competitividad exportadora. Con esta información se diseñó y validó un test de medición. Seguidamente, se plantearon métricas para la valoración competitiva exportadora. Luego se expone una aplicación en un sector empresarial. Los resultados muestran 16 factores clave integrados en las dimensiones financiera, procesos internos, clientes, aprendizaje y crecimiento y mercados. Esto está validado mediante un índice de validez de contenido de 0.91 y un coeficiente de confiabilidad Alfa de Cronbach de 0,97. Basados en los resultados del trabajo, se concluye que la metodología presentada es capaz de medir las condiciones competitivas exportadoras de las empresas con lo cual se pueden identificar y priorizar oportunidades de mejora.

ResumenSe presenta una metodología para el análisis de las condiciones competitivas en el comercio exterior de organizaciones empresariales. El análisis abarca las etapas de medición, evaluación y clasificación de las empresas, a partir de la propuesta de 16 factores clave del potencial exportador. También se evalúa la aplicación del análisis de conglomerados para identificar y caracterizar perfiles competitivos y de redes neuronales artificiales para clasificar el potencial exportador. Los resultados muestran la capacidad del análisis de conglomerados y de las redes neuronales artificiales para discriminar niveles competitivos en el potencial exportador. Su aplicación en el sector químico permitió agrupar las empresas en cuatro perfiles competitivos que asocian sus características. Las redes neuronales artificiales mostraron un 85,7% de capacidad para discriminar y clasificar las empresas según su perfil competitivo. Palabras clave: potencial exportador; orientación exportadora; competitividad Application of Cluster Analysis Techniques and Artificial Neural Networks for the Evaluation of the Exporting Capability of a Company AbstractA methodology for the analysis of competitive conditions in foreign trade business organizations is presented. The analysis includes the steps of measuring, evaluation and classification of enterprises considering 16 key factors in export potential. Also, the application of cluster analysis to identify and characterize profiles in the competitive potential is done, and artificial neural networks were employed to classify the export potential. The results show the ability of the cluster analysis and of the artificial neural networks to discriminate competitive levels in export potential. The application of this methodology in the chemical sector, allowed classifying companies in four competitive groups. Also, artificial neural network showed to be capable of classifying and discriminating the competitive profile of a company with a probability of 85.7%.

En esta investigación, se desarrolló un método para evaluar y predecir la eficiencia de pequeñas empresas exportadoras tomando como variables de entrada o recurso los rubros financieros total activos, patrimonio, total pasivo, gastos operacionales, costos de ventas y como variables de salida o resultado las ventas netas, utilidad neta y utilidad operacional. Para esto se utilizó el análisis envolvente de datos en la evaluación de la eficiencia, el análisis discriminante en la valoración de la clasificación de empresas eficientes y no eficientes y las redes neuronales artificiales para evaluar su capacidad de predicción clasificatoria en 90 empresas del sector de la ciudad de Barranquilla-Colombia. Los resultados permitieron clasificar las empresas según nivel de eficiencia mostrándose una eficiencia técnica promedio del 41,38% del sector con 11 empresas representativas de la eficiencia. Los resultados muestran la relevancia de la metodología propuesta para clasificar y pronosticar correctamente la eficiencia técnica en las pequeñas empresas exportadoras. Palabras clave: eficiencia técnica; análisis envolvente de datos; redes neuronales artificiales

This article is a reflection on the productivity in organizational processes, was prepared on the basis of the research of secondary sources associated with articles in indexed journals and the contributions made by the authors from their academic and professional experience. It analyzes the meaning and the components of the productivity, identified what are the internal and external factors that determine the levels of productivity in the organizations, then, highlights the role played by the human resource in the scope of the proposed goals and objectives at the corporate level, and its relationship with other important aspects of the company as are the costs and quality management. It also analyzes the impact of the quality management systems in the productivity of organizations. It also addresses some of the basic aspects that must be taken into account to measure the productivity of the processes and factors in the company as indicators of economic growth.El presente artículo constituye una reflexión acerca de la productividad en los procesos organizacionales, fue elaborado a partir de la investigación de fuentes secundarias asociadas a artículos de revistas indexadas y los aportes realizados por los autores desde su experiencia académica y profesional. En éste se analiza el significado y los componentes de la productividad, identificado cuales son los factores externos e internos que determinan los niveles de productividad en las organizaciones, seguidamente, se destaca el papel que juega el recurso humano en el alcance de las metas y objetivos propuestos a nivel empresarial, y su relación, con otros aspectos importantes de la empresa como son los costos y la gestión de calidad. Se analiza también el impacto de los sistemas de gestión de calidad en la productividad de las organizaciones. También se aborda algunos aspectos básicos que se deben tener en cuenta para efectuar la medición de la productividad de los procesos y los factores en la empresa como indicadores de crecimiento económico.Este artigo é uma reflexão sobre a produtividade nos processos organizacionais, foi elaborado com base na pesquisa de fontes secundárias associadas a artigos em revistas indexadas e as contribuições feitas pelos autores de sua experiência acadêmica e profissional. Analisa o significado e os componentes da produtividade, identificou quais são os fatores internos e externos que determinam os níveis de produtividade nas organizações e destaca o papel desempenhado pelo recurso humano no escopo das metas e objetivos propostos no nível corporativo e sua relação com outros aspectos importantes da empresa, assim como os custos e gerenciamento de qualidade. Analisa também o impacto dos sistemas de gestão da qualidade na produtividade das organizações. Também aborda alguns dos aspectos básicos que devem ser levados em consideração para medir a produtividade dos processos e fatores na empresa como indicadores do crescimento econômico.

This research paper presents the results of the behavior of productivity and profitability indicators in the oil and gas sector in Colombia in the years 2008 and 2010 by means of discriminant analysis. Initially there is an analysis of the sector and a theoretical review of the financial management assessment, strategic leverage, stakeholders, agency theory, productivity and profitability indicators and basic concepts of discriminant analysis. In the methodology used, productivity and profitability indicators were calculated for 116 companies in the oil and gas sector from the financial statements in the periods of study. Then, the discriminant analysis technique was used to explain the belonging and discrimination of the indicators studied. From the discriminant function and the means obtained it can be concluded that the analyzed indicators do not present significant differences, which shows a period of stagnation in the periods studied. With the research work it was concluded, by discriminant analysis, that there is a significant difference just for the indicator gross margin. The discriminant function model allows an effective classification of 57.3%.