La responsabilidad social corporativa y su relación con la rentabilidad: un análisis del sector bancario internacional

El estudio de la relación entre la RSC y el desempeño financiero (DEF) es complejo. En este sentido caben distintas hipótesis. En un extremo la hipótesis del impacto social (Freeman, 1984) defiende la existencia de un impacto positivo en la rentabilidad cuando se concilian los intereses y expectativas de la empresa y el conjunto de los grupos de interés. En el otro extremo, otros autores establecen una relación negativa entre la RSC y la rentabilidad (tradeoff hypothesis) mostrando que los costos asociados a la RSC exceden de los beneficios generados para la empresa (Friedman, 1962, 1970; Aupperle et al, 1985). En el medio algunos autores sostienen la existencia de mediadores o intangibles que explicarían los resultados a veces inconclusos y en definitiva sustentar una relación neutral entre ambas variables (Setó y Angla, 2011; Surroca, Tribó y Waddock, 2010; Gómez-García, 2008). Otros autores defienden la hipótesis de un círculo de valor virtuoso bidireccional o hipótesis de sinergia positiva entre la RSC y el DEF (McGuire et al, 1990; Waddock y Graves, 1997; Preston y ÓBannon, 1997; Orlitzky, et al., 2003, Orlitzky, 2005; Allouche y Laroche, 2005). De acuerdo a esta hipótesis, las compañías con resultados previos buenos liberan recursos para acometer actividades de RSC (hipótesis de la disponibilidad de recursos). Debido a ello, las investigaciones realizadas en los últimos años sobre el impacto de la RSC en el DEF arrojaron resultados inconclusos y conclusiones diferentes dependiendo de la industria, la dimensión estudiada de la RSC y del horizonte temporal considerado (Ortlitzky et al, 2003; Allouche y Laroche, 2005; Marom, 2006; Peloza, 2009; Martínez-Campillo et al 2013). En esta misma línea apuntan Godfrey y Hatch (2007) cuando señalaron la importancia de resolver estas tres cuestiones para poder comparar resultados...

Análisis del movimiento en secuencias de imágenes

Este trabajo presenta el desarrollo de una aplicación destinada al análisis de secuencias de imágenes para la detección de movimiento en la escena. Se trata de un campo importante de la Visión Artificial, con múltiples aplicaciones entre las que se encuentra la videovigilancia con fines de seguridad, el control de tráfico, el movimiento de personas o el seguimiento y localización de objetos entre otras muchas. Para ello se utilizan métodos de análisis como son el de Lucas-Kanade y Gauss-Seidel, que obtienen el denominado flujo óptico. Este describe el movimiento que ha tenido lugar entre las imágenes y su fundamento estriba en la determinación de las variables espaciales y temporales en las imágenes, siendo precisamente la variable temporal la que introduce el concepto fundamental para el análisis del movimiento a partir de las imágenes captadas en diferentes instantes de tiempo dentro de la secuencia analizada. Para el desarrollo de la aplicación se han utilizado técnicas propias del tratamiento de la Visión Artificial, así como la metodología proporcionada por la Ingeniería del Software. Así, se ha realizado una especificación de requisitos, se ha elaborado y seguido un plan de proyecto y se ha realizado un análisis de alto nivel, que se materializa en el correspondiente diseño e implementación, junto con las pruebas de verificación y validación, obviamente adaptados en todos los casos a las dimensiones del proyecto, pero que establecen claramente los planteamientos básicos para el desarrollo de una aplicación a nivel empresarial. La aplicación planteada se enmarca perfectamente dentro del paradigma, hoy en día en pleno auge, conocido como el Internet de las Cosas (IoT). El IoT permite la intercomunicación entre dispositivos remotos, de forma que mediante la correspondiente comunicación a través de conexiones a Internet es posible obtener datos remotos para su posterior análisis, bien en nodos locales o en la nube, como concepto íntimamente relacionado con el IoT. Este es el caso de la aplicación que se presenta, de suerte que los métodos de procesamiento de las imágenes pueden aplicarse localmente o bien transmitir las mismas para su procesamiento en nodos remotos.

Análisis del modelo RFM según el método convencional y el método de las 2-Tuplas

En el siguiente Trabajo de Fin de Máster se pone en práctica la Minería de Datos (Data Mining), llevando a cabo una investigación de CRM (Customer Relationship Management) en la cual se analizan los comportamientos de compra de los clientes de una empresa que comercializa solo por internet (online). Este negocio es de origen español y mediante estos análisis podremos saber principalmente cuántos tipos de clientes posee y cómo son sus hábitos de compra para poder clasificarlos. Para ello, utilizaremos la segmentación RFM (Recency, Frequency, Monetary) que la calcularemos mediante dos metodologías muy importantes que son el Método Convencional y el Método de las 2-Tuplas. En el primer método realizaremos una clasificación numérica mediante quintiles que se numerarán de 1 a 5 tanto para la Recencia, la Frecuencia y el Valor Monetario, con los que podremos determinar el comportamiento de compra de cada cliente. En el segundo método veremos otra clasificación de los clientes más precisa, más detallada y con la ventaja que ofrece un valor lingüístico para poder entender mejor a que cluster pertenece cada cliente. Finalmente, realizaremos unos análisis de clusters con el método de “K-medias” con diferentes segmentos (entre 5 y 7 segmentos) que nos permitirán distinguir cuántos tipos de clientes tiene este negocio y cómo son con respecto a su hábito de compra. Todo esto con el fin de dar respuesta a este negocio sobre cómo es el comportamiento de compra de cada cliente, cuáles son los más importantes, cuáles son los menos importantes, cuántos han dejado de comprar, etc.