EVALUACIÓN DE COMPETENCIAS DE LOS PROGRAMAS DE LA …

EVALUACIÓN DE COMPETENCIAS DE LOS PROGRAMAS DE LA FACULTAD DE

INGENIERIA DE LA PONTIFICIA UNIVERSIDAD JAVERIANA FRENTE A LAS

SOLICITADAS EN EL MERCADO LABORAL, POR MEDIO DE PROCESAMIENTO DE

LENGUAJE NATURAL

ÓSCAR GIOVANNI ESPINOSA LEÓN

SANTIAGO RODRÍGUEZ

DIEGO RICARDO SOLANO AVELLA

PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERÍA

MAESTRÍA EN ANALÍTICA PARA LA INTELIGENCIA DE NEGOCIOS

BOGOTÁ, D.C. COLOMBIA

2021

Contenido

Introducción ..................................................................................................................................... 4

Objetivos........................................................................................................................................... 5

General .............................................................................................................................................. 5

Objetivos Específicos ................................................................................................................... 5

1. Comprensión del Negocio ................................................................................................... 6

1.1. Objetivos de negocio ........................................................................................................ 6

1.1.1. Contexto ........................................................................................................................... 6

1.1.2. Criterios de éxito ............................................................................................................ 7

1.2. Evaluación de la situación ............................................................................................... 7

1.2.1. Inventario de recursos .................................................................................................. 7

1.2.2. Requerimientos y restricciones ................................................................................. 9

1.2.3. Riesgos y contingencias .............................................................................................. 9

1.2.4. Terminología .................................................................................................................. 10

1.3. Metas de minería de datos ............................................................................................. 10

1.4. Plan del proyecto.............................................................................................................. 10

2. Comprensión de los datos ................................................................................................. 11

2.1. Recopilación de datos .................................................................................................... 11

2.2. Descripción de los datos ................................................................................................ 11

2.3. Exploración de los datos ................................................................................................ 12

3. Preparación de los datos ................................................................................................... 12

3.1. Selección de datos ........................................................................................................... 12

3.2. Limpieza de datos ............................................................................................................ 12

4. Modelamiento ........................................................................................................................ 14

4.1. Construcción de Diccionarios ...................................................................................... 14

4.2. Modelo de Clasificación ................................................................................................. 27

4.3. Modelo de Clasificación (2 clases) .............................................................................. 29

4.4. Similitud Semántica ......................................................................................................... 31

5. Conclusiones ......................................................................................................................... 35

Bibliografía ..................................................................................................................................... 37

Anexo 1 – Terminología .................................................................................................................... 38

Anexo 2 – Plan del proyecto ............................................................................................................. 39

Anexo 3 – Corpus stopwords adicional ............................................................................................ 40

Anexo 4 – Frecuencias de palabras en ofertas laborales por carrera ............................................. 41

Anexo 5 - Muestra de Resultados Similitud Semántica .................................................................. 45

4 de 44

Introducción

El presente trabajo se realiza con la Pontificia Universidad Javeriana (PUJ) desde la

Secretaría de Planeación con relación al análisis de competencias que se encuentran en el

mercado laboral.

La Universidad busca adaptar las competencias de sus programas profesionales a las

buscadas por el mercado laboral, con el fin de preparar a los alumnos para su ejercicio

profesional y mantenerse a la vanguardia y ser atractivo para posibles estudiantes que

buscan nuevas tendencias en la educación profesional.

De acuerdo con lo anterior, la universidad espera identificar que tan alineados se

encuentran sus programas de pregrado, en la facultad de ingeniería, con las ofertas

laborales que se encuentran en plataformas del mercado laboral, tales como LinkedIn,

utilizando herramientas de procesamiento de lenguaje natural y medidas de similitud.

A partir de los resultados de la investigación, la universidad podrá tomar decisiones para el

ajuste o mantenimiento de sus programas con el fin de mejorar sus indicadores de

matrículas e incluso poder compararse contra programas similares ofrecidos por otras

universidades

5 de 44

Objetivos

General

Identificar las competencias más relevantes requeridas por el mercado laboral para los

programas profesionales de la facultad de ingeniería de la Universidad Javeriana, por medio

de web scraping en LinkedIn y procesamiento de lenguaje natural (NLP).

Objetivos Específicos

• Recolectar datos relacionados a las ofertas laborales publicadas por las empresas

en la red LinkedIn referentes a las ingenierías por medio de técnicas de web

scraping.

• Implementar herramientas de procesamiento de lenguaje natural que permitan

identificar las competencias requeridas por el mercado laboral para el área de

conocimiento de las ingenierías.

• Identificar las competencias claves ofrecidas por los programas de ingeniería de la

Universidad Javeriana, en su perfil del egresado, por medio de herramientas de

lenguaje natural (NLP).

• Evaluar la alineación entre competencias ofrecidas por el mercado laboral y las

ofrecidas por la Universidad Javeriana en sus programas de ingeniería, por medio

de métricas de similitud, tales como la semántica.

6 de 44

1. Comprensión del Negocio

1.1. Objetivos de negocio

1.1.1. Contexto

Las universidades a nivel internacional son entidades encargadas de desarrollar

habilidades y competencias profesionales en sus estudiantes, buscando mantenerse a la

vanguardia de las tendencias y conocimientos desarrollados a nivel técnico, así como los

requeridos por parte del mercado laboral. Si bien estas entidades tienen intereses

económicos, su principal objetivo es social al buscar contribuir con el desarrollo de un país

o una región por medio del desarrollo de conocimiento, la investigación y los procesos de

enseñanza.

Las Universidades continuamente se exponen a evaluaciones de reguladores, como el

Ministerio de Educación en el caso de Colombia, de pares dentro de los procesos de

acreditación de calidad del Sistema Nacional de Acreditación y evaluaciones de diferentes

rankings internacionales que en los últimos años se han convertido en referentes para la

toma de decisiones por parte de los estudiantes. A manera de ejemplo, el QS World

University Ranking evalúa anualmente Universidades a nivel mundial, utilizando los

siguientes criterios:

Reputación Académica (40%).

Reputación ante Empleadores (10%).

Ratio “Miembros de Facultad / Estudiante” (20%).

Citaciones en documentos de investigación (20%).

Ratio de estudiantes internacionales (5%).

Ratio de miembros de facultad internacionales (5%).

Cómo se puede ver, los dos primeros ítems están fuertemente relacionados con la

percepción de terceros frente a la calidad de la Universidad.

Estas diferentes evaluaciones les permiten a las universidades tener información clave para

la toma de decisiones frente a sus programas académicos, sin embargo, la oportunidad

puede no ser la mejor al generar resultados que en el mejor de los casos se actualizan de

forma anual. En este sentido, las universidades buscan desarrollar herramientas que le

permitan contar con información propia para la evaluación y toma de decisiones oportunas,

evitando que cambios en las tendencias, intereses o aspectos económicos, ambientales,

sociales, políticos, tecnológicos o regulatorios puedan generar una desactualización de sus

programas frente a lo requerido por estudiantes y mercado laboral.

En el caso particular de la Pontificia Universidad Javeriana, esta tiene como uno de los

principios que enmarcan su estrategia 2016 – 2021, el ser un referente a nivel nacional e

internacional con una perspectiva de innovación. Para cumplir con lo anterior, la

Universidad ha venido trabajando en programas que le permitan asegurar la cultura de la

excelencia, el fortalecimiento de la comunidad educativa, el desarrollo de su oferta

académica y el mantenimiento de la calidad.

7 de 44

Teniendo en cuenta lo anterior, la Universidad designó a la Vicerrectoría Académica como

principal responsable de establecer las políticas y principios que determinan la forma en

que se desarrollan tanto programas como proyectos al interior. Desde este nivel se toman

decisiones que permiten que la universidad mantenga su liderazgo y reconocimiento, al

ofrecer a los estudiantes y aspirantes, ofertas de educación que satisfagan sus expectativas

y las del mercado laboral para el cual se preparan.

La investigación de las competencias requeridas por el mercado laboral permite a la

Universidad evaluar la alineación de sus programas a las nuevas necesidades de la práctica

profesional, las nuevas tecnologías emergentes y las tendencias a nivel mundial. Así

mismo, permite crear nuevos programas manteniendo la percepción ante el mercado como

una Universidad innovadora y dinámica.

El proyecto propuesto para la obtención de ofertas laborales asociados a los programas de

la universidad y su procesamiento por medio de técnicas de procesamiento de lenguaje

natural busca aportar con el marco estratégico de la universidad, brindando información

valiosa en tiempo cuasi-real para la toma de decisiones en relación con los programas

académicos con el fin de mantener su relevancia y actualidad frente a lo requerido por las

empresas en el ejercicio profesional. En la medida en que se puedan implementar medidas

con la información obtenida, la universidad espera impactar indicadores clave de negocio

como el nivel de inscritos y matriculados, que será analizado en la siguiente sección.

1.1.2. Criterios de éxito

La construcción del modelo y el análisis de comentarios están encaminados a satisfacer

posteriormente los siguientes indicadores clave de desempeño (KPI) de la educación

superior relacionados con las nuevas inscripciones y admisiones por semestre:

• Tasa de cobertura en educación superior (TCED): Corresponde al porcentaje de

estudiantes matriculados en pregrado sobre el total de la población del país de 17 a

21 años en periodos anuales. (SNIES, 2020)

• 𝑇𝑇𝑇𝑇= 𝑇𝑇𝑇𝑇𝑇 𝑇𝑇 𝑇o𝑇𝑇𝑇𝑇𝑇 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑇𝑇 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇

𝑇𝑇 𝑇𝑇𝑇𝑇𝑇𝑇𝑇ó𝑇 𝑇𝑇𝑇𝑇𝑇 17 𝑇 21 𝑇ñ𝑇𝑇∗ 100

• Tasa de aceptación (TA): Corresponde al porcentaje de estudiantes que realizaron

la solicitud y fueron aceptados en la institución y se calcula de la siguiente manera:

• 𝑇𝑇= 𝑇ú𝑇𝑇𝑇𝑇 𝑇𝑇 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑇𝑇 𝑇𝑇

𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑇𝑇 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑇𝑇 𝑇𝑇

𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇∗ 100

1.2. Evaluación de la situación

1.2.1. Inventario de recursos

Nombre Rol Funciones

Fernando Uzcátegui

Jefe del proyecto. Coordinador Inteligencia Competitiva. Secretaría de Planeación. PUJ.

Especificar los requerimientos y

8 de 44

Nombre Rol Funciones

necesidades como cliente del proyecto

Juan Pablo Pájaro

Asesor trabajo de grado. CAOBA Brindar asesoría a nivel de negocio y técnico en los temas del proyecto.

Alexander Gotthard

Asesor trabajo de grado. Departamento administración

Brindar asesoría a nivel de negocio y técnico en los temas del proyecto.

Óscar Espinosa Analista de analítica de datos Desarrollar el proyecto de acuerdo a los requerimientos.

Santiago Rodríguez

Analista de analítica de datos Desarrollar el proyecto de acuerdo a los requerimientos.

Diego Solano Analista de analítica de datos Desarrollar el proyecto de acuerdo a los requerimientos.

Recursos de datos

La fuente de datos son las ofertas laborales en Linkedln enfocadas en las ingenierías que

tiene la universidad.

Recursos de Software

Los datos serán procesados con las siguientes herramientas de software:

• Python ejecutado en Google Colab, entorno de desarrollo en la nube, que permite escribir

y ejecutar código de Python con GPU basado en Jupyter Notebook.

(Colaboratory, 2020). También se escribe y ejecuta código Python en Visual Studio Code,

editor de código fuente de Microsoft (Microsoft, 2020).

• Microsoft Office 365.

Recursos de Hardware

Se cuenta con tres computadoras con las siguientes características generales:

• Intel® Core™ i5-7200U CPU @ 2.50GHz 2.50GHz

• Memoria RAM de 12 GB

• Tarjeta Gráfica de 2 GB

• Disco Duro de 1 TB

• Sistema operativo de 64 bits, Windows 10 Home

El hardware en la nube de Google Colab se gestiona dinámicamente (RAM de 0.75 GB

hasta 12.72 GB y Disco duro de 30.19 GB hasta 107.77 GB) con activación de GPU.

9 de 44

1.2.2. Requerimientos y restricciones

Requerimientos

Realizar el análisis de ofertas laborales y de las características de los egresados

de las carreras de pregrado de la facultad de ingeniería con procesamiento de

lenguaje natural.

Realizar diccionario de datos que contengan competencias blandas, técnicas y de

herramientas.

Ejecutar similitud semántica entre las ofertas de Linkedln y de las características de

los egresados de las carreras de pregrado de la facultad de ingeniería.

Restricciones

Sujeto a la cantidad de ofertas laborales por carrera encontradas en Linkedln en el

espacio de tiempo designado para su obtención y análisis.

1.2.3. Riesgos y contingencias

Riesgo Nivel de Ocurrencia Impacto Mitigación

Límites de descarga

de ofertas laborales

en Linkedln

ALTO ALTO Se utilizan

versiones trial para

descargar la mayor

cantidad de ofertas

posibles

Modelos no

alcanzan resultados

esperados

ALTO ALTO Se probarán

diferentes

algoritmos para

determinar la mejor

solución

Los equipos de

cómputo utilizados

en el proyecto fallen

MEDIO ALTO Se procederá al

mantenimiento del

equipo. En caso de

que persista el

daño, se solicitará

el acceso a un

computador de la

Universidad.

Retiro de algún

miembro del equipo

de trabajo

BAJO ALTO Analizar y validar

efectos en el

proyecto y

replantear alcance.

10 de 44

Riesgo Nivel de Ocurrencia Impacto Mitigación

Pérdida de la

información

trabajada.

BAJO ALTO Los datos,

documentos y

códigos se

almacenarán

constantemente en

el repositorio

asignado

1.2.4. Terminología

El glosario de términos del proyecto se encuentra en el Anexo 1.

1.3. Metas de minería de datos

Las metas de la minería de datos son las siguientes:

1. Extraer y limpiar las ofertas laborales de Linkedln.

2. Realizar diccionarios de competencias blandas, técnicas y de herramientas.

3. Aplicar similitud semántica a las ofertas laborales y a las competencias de

egresados de la universidad.

1.4. Plan del proyecto

1.4.1. Plan del proyecto. Ver Anexo 2.

1.4.2. Técnicas y herramientas de evaluación inicial Como aproximación inicial de las

técnicas y herramientas de la minería de datos utilizadas para el presente

proyecto serán las siguientes:

Uso de scraping para la extracción de datos de Linkedln.

El análisis descriptivo, de exploración y preparación de datos con NLP.

Para realizar la similitud semántica se utilizan dos librerías pertinentes para

dicha tarea: Word2Vec y Sematch.

La creación del modelo de clasificación basado en diferentes algoritmos.

11 de 44

2. Comprensión de los datos

2.1. Recopilación de datos

Para la recolección de los datos se realiza scraping sobre LinkedIn en el buscador de ofertas

laborales. Se realiza esta actividad sobre cada una de las áreas de la ingeniería en donde

la universidad cuenta con carrera de pregrado: ingeniería industrial, ingeniería de sistemas,

ingeniería civil, ingeniería electrónica, ingeniería mecánica, ingeniería mecatrónica,

ingeniería en redes y telecomunicaciones, bioingeniería. Estos datos son obtenidos en

archivos csv.

2.2. Descripción de los datos

A continuación, se presentan los campos que se obtienen de Linkedln al realizar el

respectivo scraping y descargándolos en archivos csv por cada carrera:

Campo Tipo Descripción

jobTitle String Título de la oferta

jobLocation String Ciudad donde se origina la oferta applicantsCount

Integer Cantidad de personas que han aplicado a la oferta

viewsCount Integer Cantidad de personas que han visto a la oferta jobPosterProfileUrl

String Url del perfil de LinkedIn que ingreso la oferta

postedAt Timestamp Fecha en que se ingreso la oferta a LinkedIn

appliesClosed String Indica si la oferta esta cerrada

applyUrl String Url externa de LinkedIn donde se puede aplicar a la oferta

jobDescription String Descripción de la oferta laboral

remoteAllowed String Si la oferta permite trabajo remoto

companyName String Nombre de la empresa que publica la oferta

companyUrl String URL de la empresa en LinkedIn

matchedSkills String Muestra habilidades requeridas para el empleo

jobFunctions String Áreas de la empresa donde se encuentra la oferta

jobIndustries String Industria a la que pertenece la empresa que publica la oferta

appliesClosedAt

Timestamp Fecha de cierre de la oferta

jobType String Tipo de jornada que aplica a la oferna. Ej: jornada completa

jobUrl String URL de la oferta en LinkedIn

jobImageUrl String URL del logo de la empresa que publica la oferta en LinkedIn

timestamp Timestamp Fecha en que se realiza la descarga de los datos

query String URL de la oferta en LinkedIn

12 de 44

Campo Tipo Descripción

error String Muestra si ocurre algún error con la descarga de los datos de la oferta

Se toma el campo “jobDescription” que contiene la información de las ofertas y que contiene

las habilidades, competencias y requisitos que se necesitan para ésta. Con esta información

se procede a verificar la cantidad de palabras que más se repiten para identificar lo que se

piden en las ofertas.

Cantidad de ofertas laborales encontradas en Linkedln relacionadas por carrera:

Carrera Cantidad Registros

Carrera Cantidad de Registros

Ingeniería de sistemas 844 Ingeniería Mecánica 174 Ingeniería industrial 780 Ingeniería Mecatrónica 46

Ingeniería civil 240 Ingeniería en redes y telecomunicaciones

72

Ingeniería electrónica 559

2.3. Exploración de los datos

Para la exploración de datos, con cada archivo de carrera, se hace una lectura de la

columna jobDescription. Con la información ahí contenida se procede a realizar el

procesamiento de lenguaje natural donde se tokeniza el texto, se normaliza, se lematiza y

se procede a hacer una eliminación de stopwords, a nivel de librería y a nivel de contenido

(se toman palabras que no generan un significado relevante en competencias y

habilidades).

En el anexo 3 se muestra el corpus de stopwords adicionales a los que trae la librería.

En el anexo 4 se muestran las gráficas de frecuencias de palabras por cada carrera

relacionada.

3. Preparación de los datos

En el presente ítem se describirá la preparación de los datos que es realizada para cada

una de las carreras y posteriormente proceder a ingresarlos a la fase de modelamiento.

3.1. Selección de datos

Los datos seleccionados son los que hacen referencia al texto del campo job_description

de cada uno de los archivos pertenecientes a cada carrera. Con la información contenida

ahí se pretende obtener las capacidades y habilidades que las ofertas laborales buscan en

sus candidatos.

3.2. Limpieza de datos

La información contenida en el campo “jobDescription” es tokenizada con el fin de tratar

cada palabra como un dato relevante dentro de la oferta laboral. Estos tokens son pasados

13 de 44

a minúscula para evitar que una misma palabra escrita con mayúsculas o minúsculas sea

considerado como diferente.

Palabra Minúscula (lower)

Diseño diseño

diseño diseño

DISEÑO diseño

Dado que en el texto obtenido en el campo “jobDescription” para cada uno de los datos de

las ingenierías mencionadas anteriormente tienen muchos conectores propios del idioma y

que por naturalidad se utilizan con gran frecuencia en dichos textos se procede a eliminarlos

del análisis de éstos. Se utiliza la librería nltk.corpus en Python con la función de stopwords,

tanto para el idioma español como en inglés (debido a que hay algunas ofertas que están

en este idioma), para eliminar estos conectores y demás palabras relacionadas que están

estandarizadas en esta función.

Sin embargo, se encuentra, adicionalmente, palabras que hace parte de las ofertas que,

aunque no son conectores ni pertenezcan al grupo incluido en la función stopwords, no

aportan a nivel de competencias y habilidades contenidas en las ofertas laborales. Por tal

motivo se construye un corpus con estas palabras que se eliminan de los datos para que

se pueda llegar a un resultado orientado al objetivo que se busca en cuanto a competencias

y habilidades. Este corpus se construye de forma iterativa debido a la gran cantidad de

palabras que se encuentran en las ofertas.

Frase Tokens Identificados

Diseños de carreteras

nuevas o la ampliación de

al menos un carril de

carreteras o vías urbanas

existentes.

Diseños carreteras

ampliación carril vías

urbanas.

Los tokens obtenidos son lematizados con el fin de llevar todas las palabras a su forma

normal, evitando que el uso de una forma flexionada haga que una misma palabra con

diferente conjugación sea tenida en cuenta como diferente.

Palabra Tiempo Lemma

Diseñará Futuro Indicativo Diseño

Diseñando Gerundio Diseño

Diseñó Pretérito perfecto Diseño

Diseñamos Plural presente indicativo Diseño

Teniendo en cuenta que existen habilidades que se componen de más de una palabra, es

importante reconocer esto para no tratar estas como palabras independientes; en este

sentido, después de haber realizado el preprocesamiento definido en los puntos anteriores,

se entrega un listado de tokens que deben ser tenidos en cuenta como uno solo.

Tokens Multi-Word Token

inteligencia inteligencia_artificial

artificial

14 de 44

Tokens Multi-Word Token

big big_data

data

plan

plan_maestro_producción maestro

producción

El preprocesamiento y limpieza realizado permite contar con la información definitiva para

proceder a aplicar modelos que permitan determinar cuáles son las habilidades requeridas

por el mercado laboral y las ofrecidas en los programas de la universidad javeriana en la

facultad de ingeniería dentro de su perfil del egresado.

En el anexo 3 se muestra el corpus obtenido con las iteraciones realizadas.

4. Modelamiento

4.1. Construcción de Diccionarios

Se requiere clasificar cada uno de los tokens identificados en la etapa de preprocesamiento

con el fin de clasificar cuales de estos corresponden a competencias y así mismo reconocer

si son competencias técnicas, blandas o herramientas. Con este fin y teniendo como

referencia las metodologías de Part-Of-Speech (POS), en donde se reconoce la categoría

gramatical de la palabra entre sustantivo, adjetivo, verbo, adverbio, pronombre, conjunción

e interjección, se procedió a construir un modelo de reconocimiento de entidades nominales

(NER). Dado que las competencias pueden corresponder a muchas categorías

gramaticales o combinación de estas, el modelo tradicional de POS no cumple con los

objetivos planteados por lo que se procede a construir un modelo propio como un

diccionario con 3 categorías, así:

Técnicas Blandas Herramientas

control_operacional manejar_crisis anaconda

plan_maestro_producción liderar uipath

machine_learning inteligencia_emocional tibco

... … ...

analítico_dato responsabilidad_social mongodb

minería_dato adaptabilidad_a_cambio swift

sistema_producción mejoramiento_continuo mapreduce

El diccionario cuenta con 419 elementos clasificados entre habilidades técnicas (205),

blandas (107) y herramientas (107). Este fue construido a partir de referentes teóricos tales

como el diccionario de competencias de Martha Alles1, referentes de herramientas técnicas

tales como el cuadrado mágico de Gartner, a partir de diversos programas de pregrado de

diferentes universidades a nivel nacional e internacional y a partir de ofertas laborales.

1 A

15 de 44

Teniendo en cuenta lo anterior, se procede a aplicar el modelo de NER construido a las

ofertas laborales de cada una de las carreras, lo que permite conocer cuáles son las

competencias solicitadas por el mercado laboral.

Para cada uno de los tokens (pre-procesados) de la oferta laboral se le asigna el tipo de

competencia que le corresponde, asignando la categoría que le corresponde de acuerdo

con el modelo NER diseñado o asignando la categoría ‘None’ cuando no corresponda con

una competencia.

A continuación, se presentan los diccionarios obtenidos para cada una de las carreras,

teniendo en cuenta las ofertas laborales:

Ingeniería Industrial

Blandas

16 de 44

Las principales habilidades blandas identificadas para ingeniería industrial corresponden a

trabajo en equipo, calidad, organización y liderazgo.

Herramientas

La herramienta más solicitada como prerrequisito en las ofertas laborales para ingenieros

industriales es conocimiento avanzado en Excel.

17 de 44

Técnicas

Las habilidades técnicas más solicitadas para ingenieros industriales son procesos,

estrategia y operación.

Ingeniería Electrónica

Blandas

Para los ingenieros electrónicos la habilidad blanda más solicitada es trabajo en equipo,

seguido de organización, calidad y liderazgo.

Herramientas

18 de 44

Las herramientas que son solicitadas en ofertas laborales para Ingenieros Electrónicos son

principalmente relacionadas con bases de dato en la nube, SQL, Java y Azure

Técnicas

19 de 44

El diseño, soporte, procesos, mantenimiento y bases de datos son competencias técnicas

relevantes en un ingeniero electrónico.

Ingeniería de Telecomunicaciones

Blandas

El trabajo en equipo, la organización y el liderazgo son habilidades clave identificadas en

las ofertas laborales para los Ingenieros de Telecomunicaciones.

Herramientas

Se buscan ingenieros electrónicos que manejen tecnologías en la nube, sql, programación

en C, Java y Python.

20 de 44

Técnicas

Las habilidades técnicas más buscadas en un ingeniero de telecomunicaciones son brindar

soporte, conocimientos en infraestructura, arquitectura y bases de datos. Adicionalmente

vemos que una habilidad requerida es un idioma como el inglés.

21 de 44

Ingeniería Mecánica

Blandas

El trabajo en equipo, la calidad y el liderazgo son las competencias blandas más buscadas

para ingeniería mecánica.

Herramientas

Excel, SAP y word son las herramientas exigidas en las ofertas laborales para ingenieros

mecánicos.

Técnicas

En las habilidades técnicas se buscan conocimientos en mecánica, mantenimiento,

procesos, construcción y operación.

22 de 44

Ingeniería Civil

Blandas

Para los ingenieros civiles se busca como habilidad blanda el trabajo en equipo, la calidad

y responsabilidad.

23 de 44

Herramientas

En ingeniería civil se pide conocimiento de excel, project y word como requisitos para

acceder a una oferta laboral.

Técnicas

Algunas competencias técnicas para ingenieros civiles son construcción, mecánica,

materiales y arquitectura.

Ingeniería Mecatrónica

Blandas

El trabajo en equipo, la organización y planificación son habilidades buscadas en las ofertas

laborales para ingenieros mecatrónicos.

24 de 44

Herramientas

Python, postgressql y java son las herramientas que las empresas que buscan ingenieros

mecatrónicos necesitan de acuerdo con las ofertas laborales.

Técnicas

Conocimiento en mecánica, automatización y mantenimiento son las habilidades técnicas

requeridas para un ingeniero mecatrónico.

25 de 44

Ingeniería de Sistemas

Blandas

26 de 44

Herramientas

En las ofertas laborales para la búsqueda de ingenieros de sistemas se solicita

conocimiento en Java, SQL y Oracle.

Técnicas

El diseño, soporte y bases de datos son habilidades técnicas buscadas en el mercado

laboral para un ingeniero de sistemas.

27 de 44

4.2. Modelo de Clasificación

Como una medida alternativa para la determinación de las habilidades más relevantes por

cada una de las carreras, se procedió a realizar un modelo de clasificación en donde, a

través de las palabras incluidas en una oferta laboral se pudieran determinar la carrera que

se está buscando.

Los tokens son convertidos en una matriz de ceros y unos, donde uno indica que en dicha

oferta laboral se encuentra la palabra y cero significa que la palabra no está presente. El

modelo se limita a 5.000 palabras para evitar la inclusión de palabras no significativas que

adicionalmente pudieran generar sobreajuste y demorar los tiempos de ejecución.

28 de 44

Se procede a realizar la clasificación con un modelo de regresión logística, teniendo en

cuenta que este permite extraer las variables que fueron más significativas para la

clasificación entre las carreras, obteniendo los siguientes resultados:

En la siguiente imagen la primera columna/fila corresponde a Ingeniería Electrónica, la

segunda Ingeniería Industrial, la tercera Ingeniería Mecatrónica, la cuarta Ingeniería

Mecánica, la quinta Ingeniería de Sistemas, y la sexta Ingeniería de Telecomunicaciones.

El resultado general del modelo es que se obtiene un accuracy de 65.10% sobre la base de

validación. Se puede ver que en las carreras en que se tienen un mayor número de casos

se obtiene un resultado sobresaliente en la clasificación de las ofertas laborales, mientras

en aquellos donde tiene un número más reducido de casos, el resultado baja

considerablemente.

Para contrastar el modelo, se utilizaron técnicas adicionales de clasificación, con el fin de

validar si el resultado obtenido con un modelo de caja blanca tenía un nivel de certeza

comparable con el de modelos de caja negra (la ventaja del modelo de caja blanca es la

posibilidad de extraer las variables/palabras que mejor clasifican), obteniendo los siguientes

resultados:

29 de 44

De los modelos contrastados, el que mejor resultado obtuvo fue el de Multinomial Naive

Bayes con un accuracy de 65.75% frente al 65.10% del modelo logístico. Dado el resultado

similar en los dos modelos, se procederá a realizar un modelo adicional, solo con las

carreras Ingeniería de Sistemas e Ingeniería Industrial, que son las dos con mayor número

de datos con el fin de validar si se obtienen mejores resultados y extraer los tokens más

significativos en cada caso.

4.3. Modelo de Clasificación (2 clases)

Se construye un modelo de clasificación con dos clases en donde cero corresponde a

Ingeniería Industrial y uno corresponde a ingeniería de Sistemas. Al correr un modelo de

regresión logística se obtienen los siguientes resultados:

30 de 44

El modelo de dos clases obtiene un incremento significativo en el accuracy, pasando a un

87.9%. Se realiza una nueva comparación con otros modelos para ver la capacidad

predictiva del presentado obteniendo lo siguiente:

Nuevamente el multinomial Naive Bayes obtiene el mejor resultado al generar un accuracy

de 88.2%, por lo que se procede a obtener los tokens más importantes para la clasificación

de cada clase:



31 de 44

Si bien se puede identificar que el modelo de clasificación permite obtener cuales son las

palabras más significativas para determinar si una oferta laboral corresponde a cierta

carrera, se puede ver que se necesita la disponibilidad de un alto número de ofertas

laborales para obtener resultados significativos; adicionalmente, algunas de las palabras

identificadas no corresponden directamente a competencias por lo que no en todos los

casos son útiles para el ejercicio de determinación de las competencias más solicitadas por

el mercado laboral.

4.4. Similitud Semántica

Dentro del procesamiento de los datos obtenidos se quiera buscar la similitud semántica

para verificar las relaciones a nivel de significado y/o concepto las competencias y

habilidades encontradas, es decir, determinar si las competencias encontradas en las

ofertas en Linkedln se relacionan, a nivel conceptual o semántico, a las competencias que

tienen los egresados de las carreras de la facultad de ingeniería [Similitud].

Para realizar esta similitud se realiza de maneras: la primera con la librería sematch [PyPI]

de Python y la segunda con la librería gensim [PyPI-gensim] que contiene los componentes

de word2vec. Los resultados obtenidos de la similitud van entre 0 y 1, cuando más cerca

de 1 esté quiere decir que están muy relacionados conceptualmente las palabras

comparadas. Más cerca de 0 implica que las palabras tienen muy poca o ninguna relación.

Con la librería sematch tiene como parámetros para el cálculo de la similitud las 2 palabras

a comparar. Sin embargo, la comparación está sujeta al corpus que trae internamente lo

que a veces los resultados pueden ser limitados de acuerdo con las palabras que contenga

dicho corpus.

Por otro lado, la librería gensim tiene los mismos parámetros de sematch, pero si puede

cargar un corpus diferente y entrenarlo para que pueda relacionar las palabras de una mejor

manera. Sin embargo, requiere que el corpus sea muy grande (archivos con más de

32 de 44

1.000.000 de registros, que pueden pesar varios gigabytes) para que el algoritmo, al

entrenarlos, den un resultado aceptable.

Se utilizaron para el proyecto 2 corpus: sbw_vectors.bin [Corpus-sbw] y cc.es.300.vec

[Corpus-cc]. Estos corpus, cada uno, contiene más del millón de registros, que al hacer uso

de ellos se evidencia que los resultados son mejores que en la librería sematch pero en

otros casos no. Al analizar estos casos se encuentra que estos corpus son generales al

idioma español, pero no tienen una orientación específica hacia competencias laborales, lo

que implica que algunos resultados no den tan altos como se esperaba.

El resultado obtenido para cada una de las carreras en donde se obtuvo un valor superior

a 0.5 se presenta a continuación:


33 de 44



34 de 44



35 de 44

Ingeniería de Telecomunicaciones

Ingeniería Civil

En el anexo 5 se muestran los resultados detallados obtenidos a manera de muestra debido

a que el tamaño de las tablas es grande.

5. Conclusiones

El análisis de ofertas laborales es una fuente importante para que las universidades puedan

evaluar aquellas competencias que se están requiriendo actualmente en el mercado laboral,

con el fin de anticiparse a tendencias y obtener información en tiempo cuasi-real para

determinar el posible ajuste en alguno de sus programas, ya sea por la necesidad de incluir,

36 de 44

ajustar o eliminar competencias técnicas, blandas o herramientas que hacen parte de los

núcleos de formación ofrecidos en sus programas.

Una de las técnicas utilizadas para este fin fue el de reconocimiento de entidades, el cual

permitió determinar para cada carrera cuáles son las competencias que más se repiten

dentro de las ofertas laborales, sin embargo es importante anotar que esta técnica puede

generar resultados sesgados en virtud de la base de datos entregada, por lo que se

recomienda construir una base de datos robusta que incluya las ofertas laborales de un

periodo amplio de tiempo para garantizar que los resultados no responden simplemente a

un fenómeno particular del momento de la observación.

Por otra parte, se utilizaron modelos de clasificación con el fin de determinar la posibilidad

de identificar la carrera solicitada en una oferta laboral a partir de las palabras incluidas en

la misma, buscando determinar si esas palabras que son relevantes para el clasificador

pueden ayudar a detectar las competencias relevantes de la carrera. El resultado fue

satisfactorio para carreras que presentan un número elevado de ofertas laborales,

generando niveles de accuracy superiores al 85%. Sin embargo, muchas de las palabras

obtenidas no corresponden directamente a competencias. El ejercicio sirvió para validar

algunas de las competencias identificadas por medio del reconocimiento de entidades, pero

se tuvo que hacer un proceso de eliminación manual de tokens para poder obtener las

competencias clave requeridas por el mercado laboral.

Por último, la similitud semántica permitió comparar las competencias identificadas en las

ofertas laborales con las ofrecidas por los programas de la Universidad Javeriana,

realizando una validación no solo de si la palabra se encontraba en los dos textos, sino

adicionalmente si una palabra con un significado similar podía encontrarse, cubriendo así

la posibilidad de encontrar las competencias descritas de una manera diferente.

Una posible mejora a los modelos presentados en el presente trabajo de investigación es

la de aplicar el modelo de clasificación utilizando únicamente las habilidades detectadas

por medio del reconocimiento de entidades, buscando eliminar desde el inicio palabras que

no corresponden a competencias. Adicionalmente, para la similitud semántica se pueden

probar con diferentes corpus para la librería de ‘gensim’ para validar si se pueden encontrar

mejores resultados.

37 de 44

Bibliografía

[PyPI], sematch-1.0.4. https://pypi.org/project/sematch/

[PyPI-gensim], gensim-4.0.1. https://pypi.org/project/gensim/

[Corpus-sbw]. Spanish Billion Word Corpus and Embeddings.

https://unipython.com/curso-de-procesamiento-de-textos-gensim/

[Corpus-cc]. Word vectors for 157 languages. https://fasttext.cc/docs/en/crawl-

vectors.html

[Similitud] Un modelo para detectar la similitud semántica entre textos de diferentes

longitudes.

https://www.rcs.cic.ipn.mx/2014_85/Un%20modelo%20para%20detectar%20la%2

0similitud%20semantica%20entre%20textos%20de%20diferentes%20longitudes.p

df

[Guide-Gensim]A Beginner’s Guide to Word Embedding with Gensim Word2Vec

Model | by Zhi Li | Towards Data Science. https://towardsdatascience.com/a-

beginners-guide-to-word-embedding-with-gensim-word2vec-model-5970fa56cc92

38 de 44

Anexo 1 – Terminología

NOMBRE DESCRIPCIÓN CRISP-DM Cross Industry Standard Process for Data Mining

NLP Natural Language Processing TA Tasa de Aceptación

TCED Tasa de Cobertura de la Educación Superior

39 de 44

Anexo 2 – Plan del proyecto Id Nombre de la tarea Duración

(días) Fecha inicio Fecha fin

1 Reunión entendimiento 1 29/01/2021 30/01/2021

2 ETAPA 1 - ENTENDIMIENTO DEL NEGOCIO

20 29/01/2021 05/03/2021

3 Determinar objetivos de negocio 1 01/02/2021 01/02/2021

4 Construcción del plan de proyecto 1 02/02/2021 02/02/2021

5 Evaluación de la situación actual 1 03/02/2021 03/02/2021

6 Determinar las metas de minería de datos

1 04/02/2021 04/02/2021

Extracción de los datos (parte 1) 20 05/02/2021 04/03/2021

7 Primera entrega 1 05/03/2021 05/03/2021

8 ETAPA 2 - BASE DE DESARROLLO MODELO

37 05/03/2021 16/04/2021

9 Extracción de los datos (parte 2) 20 08/03/2021 07/04/2021

10 Preparación de los datos 2 08/04/2021 09/04/2021

11 Análisis descriptivo de los datos 2 12/04/2021 13/04/2021

12 Segunda entrega 1 14/04/2021 14/04/2021

13 Margen de correcciones 2 15/04/2021 16/04/2021

14 ETAPA 3 - Construcción diccionarios 20 19/04/2021 14/05/2021

15 Extracción y exploración de los datos 10 1904/2021 30/04/2021

16 Preparación de los datos 5 03/05/2021 07/05/2021

17 Modelamiento y evaluación 5 10/05/2021 14/05/2021

18 ETAPA 4 – Similtud semántica 20 19/04/2021 14/05/2021


20 ETAPA 5 – Modelo clasificación 9 07/05/2021 21/05/2021

21 Selección de técnicas de modelamiento 1 07/05/2021 07/05/2021

22 Construcción del modelo 4 10/05/2021 14/05/2021


24 Evaluación del modelo 2 20/05/2021 21/05/2021

25 ETAPA 5 - CONCLUSIONES 7 24/05/2021 31/05/2021

26 Documentación final 7 24/05/2021 31/05/2021

40 de 44

Anexo 3 – Corpus stopwords adicional

41 de 44

Anexo 4 – Frecuencias de palabras en ofertas laborales por carrera

Ingeniería Civil.

42 de 44

Ingeniería electrónica.


43 de 44

Ingeniería mecánica.

Ingeniería mecatrónica

44 de 44

Ingeniería de sistemas.

Ingeniería redes y telecomunicaciones.

45 de 44

Anexo 5 - Muestra de Resultados Similitud Semántica

Ingeniería civil

Ingeniería industrial

0 material confiabilidad proceso programación equipar actitud infraestructura diseñar organización calidad lógico productividad cadena simulación estrategia matemático liderar

exportación 0.2145 0.2364 0.1838 0.2332 0.1963 0.1025 0.2742 0.1611 0.2890 0.3261 0.1082 0.3364 0.1845 0.1051 0.2004 0.1192 0.0748

computación 0.2196 0.3854 0.1857 0.4707 0.2309 0.1097 0.4045 0.3529 0.2706 0.2225 0.3477 0.3214 0.1922 0.4822 0.2625 0.4762 0.1670

dinamismo 0.1876 0.3135 0.2534 0.1193 0.1885 0.2627 0.2513 0.2400 0.1423 0.2607 0.1782 0.4627 0.0067 0.1821 0.2068 0.1634 0.1977

jee 0.1955 0.0952 0.1399 0.0997 0.1311 0.1762 0.0453 0.1136 0.0872 0.1243 0.2838 0.1559 0.1263 0.1548 0.0850 0.2504 0.0764

respetar 0.1481 0.1920 0.1583 0.1832 0.2311 0.2344 0.1701 0.2541 0.1995 0.2335 0.1374 0.1217 0.1505 0.0067- 0.1693 0.0463 0.1978

automatización 0.2117 0.3828 0.3170 0.3714 0.3211 0.0632 0.4510 0.3525 0.2720 0.2985 0.3418 0.4864 0.1601 0.4514 0.2891 0.2344 0.1651

construcción 0.3458 0.3095 0.3736 0.3411 0.3256 0.2162 0.5537 0.4328 0.3062 0.2906 0.1722 0.2837 0.2356 0.2763 0.3005 0.1963 0.1344

químico 0.3007 0.1632 0.2468 0.0529 0.0557 0.0242 0.0506 0.1897 0.1356 0.0953 0.2617 0.1392 0.1401 0.1635 0.1055 0.5602 0.0577

soportar 0.2597 0.2642 0.1542 0.1677 0.2843 0.2119 0.2926 0.3142 0.1175 0.1959 0.1891 0.2363 0.1522 0.1942 0.1456 0.1142 0.2873

confianza 0.1939 0.4577 0.1824 0.0979 0.1097 0.4750 0.2596 0.1067 0.1989 0.3870 0.1278 0.3364 0.1180 0.1712 0.2681 0.1061 0.2706

sig 0.0413 0.1634 0.0787 0.0946 0.1032 0.0589 0.0799 0.0816 0.0603 0.0623 0.1773 0.2488 0.1049 0.1764 0.0931 0.1543 0.0997

analítico 0.2953 0.2405 0.3166 0.2045 0.0757 0.1067 0.0736 0.2336 0.1303 0.1633 0.4549 0.1870 0.0574 0.2769 0.1788 0.4173 0.0760

ibm 0.1856 0.1585 0.1594 0.2450 0.1904 0.0995 0.2216 0.1780 0.2146 0.1404 0.1647 0.1525 0.1842 0.1949 0.1762 0.2355 0.2135

instalación 0.3740 0.3125 0.3272 0.3505 0.3547 0.2184 0.6019 0.3918 0.3702 0.3543 0.1887 0.3143 0.2240 0.3646 0.3495 0.0780 0.1537

entrenador 0.1381 0.0853 0.1246 0.2313 0.1550 0.1648 0.1411 0.1496 0.0928 0.1162 0.0741 0.0937 0.1382 0.0775 0.1531 0.2632 0.3156

cloud 0.2195 0.2480 0.1308 0.2975 0.2396 0.0160 0.3210 0.2159 0.1931 0.1860 0.2016 0.2139 0.1316 0.3079 0.1972 0.1330 0.1028

innovación 0.2236 0.3436 0.2385 0.3119 0.1957 0.3262 0.4556 0.3693 0.3327 0.2980 0.3183 0.5456 0.1427 0.2905 0.4317 0.2657 0.2795

portugués 0.1152 0.1109 0.0875 0.1410 0.1412 0.0995 0.0830 0.0891 0.0205 0.1291 0.1237 0.0702 0.0366 0.0036 0.0781 0.2306 0.1108

sql 0.1746 0.2139 0.1665 0.3698 0.2022 0.0578 0.2097 0.1750 0.1741 0.1446 0.2741 0.1902 0.1295 0.3376 0.1580 0.2275 0.0575

estadístico 0.1760 0.2363 0.2122 0.1880 0.0336 0.0064 0.1334 0.1542 0.1413 0.1103 0.3312 0.1523 0.1182 0.3091 0.1499 0.4109 0.1542

46 de 44


Ingeniería de sistemas

Oferta/Carrera señalar robótico actitud comunicaciónliderazgo infraestructuradiseñar justicia

físico 0.159 0.335 0.225 0.205 0.247 0.224 0.152 0.141

arquitectura 0.229 0.134 0.272 0.260 0.231 0.443 0.371 0.248

planificación 0.155 0.122 0.248 0.322 0.356 0.507 0.383 0.250

dba 0.113 0.191 0.077 0.248 0.156 0.223 0.242 0.067

probabilidad 0.146 0.111 0.172 0.179 0.119 0.180 0.165 0.141

presión 0.129 0.186 0.341 0.272 0.333 0.198 0.092 0.251

calidad 0.155 0.102 0.255 0.298 0.186 0.392 0.238 0.263

logístico 0.099 0.200 0.070 0.226 0.316 0.410 0.189 0.111

nube 0.071 0.234 0.233 0.189 0.099 0.220 0.106 0.158

influenciar 0.250 0.180 0.304 0.301 0.346 0.162 0.383 0.202

ibm 0.123 0.258 0.100 0.237 0.273 0.222 0.178 0.197

instrumentación 0.154 0.341 0.278 0.201 0.123 0.331 0.294 0.096

computación 0.084 0.344 0.110 0.358 0.240 0.404 0.353 0.213

químico 0.147 0.235 0.024 0.084 0.120 0.051 0.190 0.003

angular 0.126 0.212 0.151 0.148 0.130 0.163 0.193 0.141

estrategia 0.204 0.162 0.480 0.367 0.417 0.444 0.329 0.239

spark 0.097 0.310 0.130 0.146 0.182 0.102 0.105 0.111

ws 0.108 0.153 0.085 0.195 0.167 0.112 0.094 0.138

robótico 0.038 1.000 0.172 0.121 0.225 0.178 0.337 0.097

responsabilidad 0.183 0.083 0.398 0.322 0.466 0.324 0.187 0.461

programación 0.117 0.223 0.218 0.368 0.290 0.392 0.298 0.128

47 de 44



Oferta/Carrera instalaciónliderar automatizacióndiseñar negociacióncomunicaciónproceso ético matemáticomanufacturarfísico robótico instrumentaciónoperación organizaciónmantenimientomecánico

sap 0.034 0.039 0.083 0.004 0.013 0.089 0.053 0.098 0.139 0.103 0.146 0.170 0.116 0.091 0.084 0.130 0.136

optimización 0.425 0.171 0.627 0.395 0.268 0.263 0.315 0.289 0.314 0.237 0.231 0.236 0.340 0.352 0.306 0.461 0.346

sql 0.257 0.057 0.369 0.175 0.126 0.217 0.167 0.177 0.227 0.193 0.173 0.209 0.241 0.212 0.174 0.212 0.212

presupuestar 0.231 0.193 0.339 0.435 0.170 0.120 0.204 0.269 0.191 0.233 0.105 0.171 0.167 0.220 0.157 0.323 0.175

calidad 0.354 0.100 0.298 0.238 0.186 0.298 0.253 0.222 0.059 0.274 0.216 0.102 0.269 0.236 0.342 0.358 0.165

c 0.244 0.085 0.160 0.092 0.156 0.233 0.192 0.102 0.215 0.224 0.129 0.049 0.103 0.264 0.210 0.255 0.101

mysql 0.291 0.066 0.374 0.210 0.141 0.234 0.192 0.201 0.195 0.206 0.169 0.223 0.226 0.199 0.119 0.172 0.158

project 0.206 0.140 0.211 0.240 0.106 0.051 0.141 0.118 0.167 0.184 0.124 0.287 0.156 0.123 0.125 0.118 0.233

estrategia 0.349 0.356 0.289 0.329 0.385 0.367 0.331 0.260 0.119 0.231 0.143 0.162 0.230 0.509 0.429 0.249 0.124

diseñar 0.392 0.369 0.353 1.000 0.187 0.191 0.186 0.254 0.264 0.521 0.152 0.337 0.294 0.203 0.175 0.253 0.326

mecánico 0.331 0.127 0.434 0.326 0.112 0.129 0.267 0.248 0.464 0.299 0.451 0.555 0.351 0.262 0.156 0.232 1.000

matemático 0.078 0.101 0.234 0.264 0.065 0.152 0.180 0.360 1.000 0.172 0.569 0.261 0.211 0.196 0.122 0.044 0.464

javascript 0.290 0.060 0.357 0.291 0.096 0.232 0.174 0.234 0.245 0.310 0.206 0.296 0.173 0.192 0.165 0.163 0.230

inglés 0.115 0.107 0.092 0.103 0.074 0.174 0.184 0.150 0.314 0.141 0.286 0.225 0.179 0.135 0.144 0.126 0.209

químico 0.187 0.058 0.170 0.190 0.120 0.084 0.247 0.253 0.560 0.244 0.482 0.235 0.199 0.200 0.136 0.083 0.460

confianza 0.120 0.271 0.146 0.107 0.296 0.290 0.182 0.210 0.106 0.064 0.244 0.115 0.108 0.184 0.199 0.227 0.113

programación 0.351 0.110 0.371 0.298 0.260 0.368 0.216 0.204 0.264 0.226 0.189 0.223 0.359 0.317 0.334 0.226 0.198

indicador 0.168 0.105 0.206 0.207 0.094 0.142 0.246 0.261 0.156 0.048 0.134 0.180 0.209 0.070 0.068 0.177 0.234

construcción 0.658 0.134 0.405 0.433 0.339 0.380 0.374 0.164 0.196 0.350 0.182 0.208 0.333 0.476 0.306 0.484 0.278

48 de 44

Ingeniería en redes y telecomunicaciones

EVALUACIÓN DE COMPETENCIAS DE LOS PROGRAMAS DE LA …

Documents

Transcript of EVALUACIÓN DE COMPETENCIAS DE LOS PROGRAMAS DE LA …