Big Data in operational decision making in the

automotive industry in Asia period 2018 - 2023:

literature review
UXXXXXXX CÓDIGO ALUMNO NOMBRES Y APELLIDOS,
1,2,3,4,5
Universidad Peruana de Ciencias Aplicadas (UPC), Peru, CORREO DE UPC DE CADA COAUTOR

Abstract - The present article examines the influence of Big

Data on operational decision-making in the Asian automotive
industry from 2018 to 2023. In a context where digitalization has
transformed business management, Big Data has become
essential for real-time data processing, enhancing operational
efficiency and responsiveness to market demands. This qualitative
study, using the PRISMA methodology, focuses on analyzing the
impact of technologies like batch processing, streaming
processing, and NoSQL databases in decision-making across
countries such as China, South Korea, and India. Through a
comprehensive literature review, it highlights how these
technologies have strengthened the industry's competitiveness in
the region.
Keywords- Big Data, decision-making, automotive industry,
batch processing, technologies

23rd LACCEI International Multi-Conference for Engineering, Education and Technology

“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 1
 Big Data en la toma de decisiones operativas de la
industria automotriz en Asia período 2018 – 2023:
revisión de literatura
UXXXXXXX CÓDIGO ALUMNO NOMBRES Y APELLIDOS,
1,2,3,4,5
Universidad Peruana de Ciencias Aplicadas (UPC), Peru, CORREO DE UPC

Resumen - El presente artículo examina la influencia de la En cuanto a la categoría de toma de decisiones operativas
Big Data en la toma de decisiones operativas de la industria en la industria automotriz, se evidencia que la tecnología juega
automotriz en Asia durante el período 2018-2023. En un contexto un papel crucial por la disponibilidad de los datos y las
donde la digitalización ha transformado la gestión empresarial, la
herramientas de análisis permiten decisiones más precisas e
Big Data se ha convertido en una herramienta esencial para
procesar grandes volúmenes de datos en tiempo real, mejorando
informadas [9]. El análisis predictivo examina datos pasados
la eficiencia operativa y la capacidad de respuesta ante las para identificar oportunidades y riesgos futuros que ayudan a
demandas del mercado. Este estudio, de enfoque cualitativo y evaluar posibles problemas o beneficios en diferentes
metodología PRISMA, se centra en analizar el impacto de situaciones, guiando así la toma de decisiones operativas [10].
tecnologías como el batch processing, el streaming processing y La velocidad de procesamiento y la capacidad para visualizar
las bases de datos NoSQL en la toma de decisiones en países como grandes volúmenes de datos son clave para manejar la
China, Corea del Sur e India. A través de una revisión exhaustiva información de sensores y sistemas automatizados que genera
de la literatura, se busca resaltar cómo la integración de estas la industria automotriz en tiempo real [11]. Así, el
tecnologías ha fortalecido la competitividad de la industria procesamiento eficiente de datos es vital para tomar decisiones
automotriz en la región.
Palabras clave - Big Data, toma de decisiones, industria
críticas a tiempo durante el proceso de fabricación de
automotriz, procesamiento por lotes, tecnologías. automóviles [12].
El presente paper con enfoque cualitativo presenta el
objetivo general de analizar la influencia de la Big Data en la
I. INTRODUCCIÓN toma de decisiones operativas de la industria automotriz en
Asia periodo 2018 – 2023. Los objetivos específicos exponen
En la era digital, la expansión de los datos ha cambiado la intención de: (i) analizar cómo influye el batch processing
la forma en que las empresas toman decisiones [1]. Es así en la toma de decisiones operativas de la industria automotriz,
como la Big Data se convierte en una herramienta así como (ii) analizar cómo influye el streaming processing en
fundamental para procesar grandes volúmenes de datos en la toma de decisiones operativas de la industria automotriz, y
tiempo real [2]. En la industria automotriz en Asia, donde los (iii), analizar cómo influye el NoSQL en la toma de decisiones
consumidores son cada vez más exigentes [3], el uso de la Big operativas de la industria automotriz en Asia periodo 2018-
Data es crucial para mejorar la eficiencia de las operaciones, 2023. Estos objetivos se desarrollan dentro de la región de
predecir la demanda e identificar atributos esenciales de los Asia, centrándose en China, Corea del Sur e India durante el
vehículos según las expectativas del mercado [4]. periodo 2018 – 2023. Ello debido a que estos son los países
En este contexto, en cuanto a la categoría Big Data, las asiáticos con una fuerte capacidad de producción, innovación
empresas emplean tecnologías pertenecientes a esta para tecnológica y presencia global en el sector automotor.
procesar y gestionar los grandes volúmenes de datos [2]. Una En ese sentido, la relevancia de la presente investigación
de sus tecnologías es el batch processing, que se emplea para reside en cómo el manejo de datos impulsa la eficiencia y
analizar grandes volúmenes de datos históricos y optimizar competitividad en las empresas asiáticas. De esta manera, el
los procesos operativos a lo largo del tiempo [5]. Este enfoque presente paper se enfoca en analizar cómo la Big Data se ha
permite a las empresas identificar patrones y tendencias en la convertido en una herramienta clave para optimizar la toma de
industria automotriz de manera más eficiente, lo que es decisiones operativas en la industria automotriz. La
fundamental para la toma de decisiones operativas [6]. A su investigación muestra un enfoque en las tecnologías de la Big
vez, el streaming processing ofrece la ventaja de procesar Data, como el batch processing, el streaming processing y las
datos en tiempo real, mejorando la capacidad de respuesta a bases de datos NoSQL, principalmente en países como China,
los constantes cambios en la industria y optimizando la Corea del Sur e India. Asimismo, el paper cubre la necesidad
operación diaria de los vehículos conectados [7]. También, de comprender cómo estas tecnologías influyen en la
las bases de datos NoSQL juegan un rol clave al permitir la eficiencia, velocidad y flexibilidad de la toma de decisiones
gestión eficiente de grandes cantidades de datos no operativas en la industria automotriz en el periodo 2018-2023.
estructurados generados por la industria automotriz, En ese contexto, la brecha del conocimiento que se desea cubrir
mejorando así la escalabilidad y flexibilidad de los sistemas se orienta a como la integración de tecnologías emergentes
de almacenamiento [8].
23rd LACCEI International Multi-Conference for Engineering, Education and Technology
“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 2
 puede optimizar el manejo de grandes datos y facilitar la toma patrones y mejorar la eficiencia operativa, como es el caso en
de decisiones operativas en la industria automotriz. la industria automotriz [5]. Es decir, esta herramienta es clave
para optimizar procesos a largo plazo, ya que permite manejar
datos masivos que no requieren procesamiento en tiempo real
II. MARCO TEÓRICO
(Wang et al., 2022). Además, facilita la toma de decisiones
A. Big Data estratégicas al permitir la acumulación y análisis de grandes
Es el término que se le denomina a grandes volúmenes cantidades de datos en intervalos específicos, en lugar de
de datos que pueden incluir información estructurada, procesarlos de manera continua [19].
semiestructurada, y no estructurada, los cuales no pueden ser Con respecto a su utilización en Asia, en China,
gestionados eficientemente por las bases de datos aproximadamente el 32% de las empresas automotrices han
tradicionales debido a su magnitud [13]. Esta tecnología se integrado esta metodología para mejorar la eficiencia operativa
distingue por sus tres V (volumen, velocidad, y variedad) que y la gestión de datos históricos en el 2021 [6]. Por su parte, en
representan la cantidad de datos, la rapidez con la que se Corea del Sur, al 2020, el 37% de las empresas pertenecientes
generan y la diversidad de formatos en la que se presentan a la industria automotriz han adoptado la Big Data y han
[14]. destacado por su enfoque en la predicción de tendencias y la
La Big Data por si misma, sin embargo, no es la optimización de operaciones a través del procesamiento en
solución. Es importante utilizar de manera correcta las lotes [5]. Y en India, la adopción del batch processing ha
herramientas de la Big Data al analizar grandes volúmenes de alcanzado el 24% al 2023 en la industria automotriz, impulsada
datos, ya que, de lo contrario, existe el riesgo de que la por la necesidad de optimizar la cadena de suministro y reducir
información valiosa quede oculta [15]. Además, el uso eficaz costos en la producción [19].
de la Big Data exige un manejo adecuado de datos, puesto
que la falta de consistencia puede comprometer la calidad de D. Streaming Processing
análisis [13]. A pesar de su complejidad, muchas El streaming processing es una técnica diseñada para
organizaciones están optando en invertir en tecnologías de procesar datos de forma continua y en tiempo real [7]. Esto
análisis de datos, reconociendo su potencial para generar una resulta crucial en la manufactura automotriz, permitiendo a las
ventaja competitiva significativa [1]. empresas actuar de manera inmediata mejorando la capacidad
de respuesta [14], [20]. Además, en infraestructuras logísticas
B. Big Data en Asia sostenibles, este tipo de procesamiento optimiza el rendimiento
El análisis de la Big Data ha demostrado brindar ambiental y aumenta la resiliencia operativa [21].
ventajas significativas a las empresas asiáticas al mejorar la Esta técnica ha obtenido una adopción por casi un tercio
planificación logística, mitigar riesgos, y facilitar una mejor de las empresas en los países analizados. En China, la
toma de decisiones [16]. Por un lado, en China, los implementación de esta tecnología en la industria automotriz
macrodatos no solo se están utilizando para aumentar la ha alcanzado un 30% en el 2021, facilitando el monitoreo en
calidad y velocidad de la toma de decisiones, sino también tiempo real de operaciones clave y el procesamiento eficiente
para generar valor en productos o servicios, mejorando la de grandes volúmenes de datos para la mejora del rendimiento
competitividad en mercados globales, con una adopción del [7]. En el caso de las automotrices surcoreanas, la adopción
64% en la industria automotriz en 2018 [16]. De manera llegó al 34% en 2018, lo que permitió a las empresas gestionar
similar, en Corea del Sur, al 2018, un 46% de las empresas mejor las demandas fluctuantes del mercado automotriz y
pertenecientes a la industria automotriz integraron las optimizar el desempeño en operaciones de fabricación
metodologías de la Big Data, en especial NoSQL, para inteligentes [11]. En el caso de India, el streaming processing
adaptarse a los cambios constantes del mercado [11]. Y por ha sido adoptado por un 22% de las empresas automotrices en
otro lado, en India, las organizaciones han podido optimizar 2021, lo que les ha permitido mejorar el rendimiento de la
sus cadenas de suministro, reduciendo costos y acelerando la cadena de suministro y la infraestructura logística a través de
producción de autopartes, con la adopción de Big Data por el la toma de decisiones en tiempo real [20].
28% en la industria automotriz al 2023 [17].
En conjunto, la implementación de la Big Data está E. NoSQL
transformando industrias en Asia como la retail, sanitaria, Las bases de datos NoSQL se han convertido en una
tecnológica, financiera, transporte y automotriz, solución clave para gestionar grandes volúmenes de datos no
permitiéndoles innovar y adaptarse rápidamente a tendencias estructurados, caracterizándose por su escalabilidad horizontal
globales [18]. y flexibilidad para almacenar diferentes formatos como
documentos y grafos [13]. A diferencia de los sistemas
C. Batch Processing relacionales tradicionales, NoSQL permite distribuir los datos
Es una tecnología que permite procesar grandes entre múltiples servidores, lo que facilita el procesamiento
volúmenes de datos agrupados en lotes, de manera que la paralelo y reduce los puntos de fallo [22]. Además, son
ejecución de tareas ocurre de forma secuencial, sin necesidad esenciales en sistemas de análisis en tiempo real, donde la
de intervención manual entre cada operación (Jeble et al., velocidad y la capacidad para manejar grandes flujos de datos
2018). Esta técnica es especialmente útil en escenarios donde son cruciales, como en el comercio electrónico y la industria
los datos históricos necesitan ser analizados para identificar automotriz [23].
23rd LACCEI International Multi-Conference for Engineering, Education and Technology
“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 3
 En China, aproximadamente el 35% de las empresas de producción, la gestión de la cadena de suministro, la
automotrices han integrado NoSQL en 2018 para gestionar planificación estratégica y la precisión operativa [29].
datos históricos y personalizar productos y servicios [23]. En China, una encuesta realizada en el año 2019 a una
En Corea del Sur, un 33% de las empresas de la industria muestra de 108 empresas automotrices de tecnología
automotriz han adoptado NoSQL en el 2019, destacándose en demuestra la capacidad de procesamiento en tiempo real
la detección de anomalías y soporte de decisiones en tiempo mediante el streaming processing que les permite a las
real [24]. empresas chinas tomar decisiones más rápidas y precisas en sus
En India, la adopción de bases de datos NoSQL alcanzó operaciones diarias para reaccionar con rapidez ante las
un 25% en el 2018, permitiendo a las empresas automotrices fluctuaciones del mercado global [16].
optimizar el almacenamiento de datos no estructurados y En cuanto a Corea del Sur, durante el periodo 2018-2023,
mejorar la toma de decisiones en tiempo real [13]. el procesamiento de la Big Data en la industria automotriz ha
servido para optimizar la toma de decisiones en áreas como la
A continuación, se muestra una tabla 1, la cual ilustra el gestión de la cadena de suministro, el mantenimiento
porcentaje de adopción de tecnologías de la Big Data en predictivo, la planificación de la producción y la reducción de
empresas de la industria automotriz en China, Corea del Sur tiempos de inactividad a través de sistemas de computación
e India durante el periodo 2018-2023, permitiendo visualizar como Apache Storm y MongoDB para el almacenamiento de
cómo ha evolucionado la implementación de la Big Data en datos [28].
la industria automotriz en Asia a lo largo del periodo de En India, un informe realizado en el 2018 señala que un
investigación. buen diseño en la toma de decisiones permite alcanzar hasta un
TABLA N°1 90% de exactitud en los resultados, logrando así decisiones
ADOPCIÓN DE LA BIG DATA EN EMPRESAS DE LA
más precisas [30]. Además, un estudio realizado el 2022,
INDUSTRIA AUTOMOTRIZ EN CHINA, COREA DEL SUR E INDIA,
PERIODO 2018-2023 destaca la importancia de la toma de decisiones en el sector
Año China Corea del Sur India automotriz, ya que se espera que este sector contribuya con un
aumento del 12% en los siguientes años a la economía del país
2018 35% 34% 25%
[31].
2019 35.4% 33% 28%
2020 49.6% 37% 32% H. Análisis Predictivo
El análisis predictivo ayuda a visualizar lo que puede
2021 30% 41% 22%
pasar basándose en cierta información disponible, lo que da
2022 62% 44% 38% una ventaja competitiva para que una empresa planifique con
2023 76.3% 48% 24% antelación[32].
El análisis predictivo con streaming de datos permite
Nota: Adopción de la Big Data durante el periodo 2018-2023 en la industria
automotriz en China, Corea del Sur e India. Shanin et al. (2019); Mohandu estudiar nuevos tipos de variación para monitorear
& Kubendiran (2021); Bathla et al. (2018); Syafrudin et al. (2018). interrupciones imprevistas [33]. Este se puede aplicar en
diversas áreas, como la predicción de hábitos de compra o la
F. Toma de decisiones demanda de la cadena de suministro [34].
En el mundo empresarial automotriz actual, la toma de En la industria automotriz se observa una mejoría de la
decisiones es un proceso clave dentro de cualquier eficiencia en la toma de decisiones a través del procesamiento
organización e influye directamente en su capacidad para de datos obtenidos de plataformas web y de los ingresos
alcanzar sus objetivos y adaptarse a las demandas cambiantes medios utilizando datos de los clientes dentro y fuera de una
del entorno [10]. Este proceso, tradicionalmente se divide en empresa [35].
fases como la identificación del problema, el análisis de las En el 2019 en China, un marco optimizado de gestión de
alternativas, la selección de la solución óptima y la datos utilizando análisis predictivo basado en Big Data
implementación de la decisión [25]. demostró una precisión del 96% tras 100 iteraciones, lo que
La incorporación de la Big Data en la toma de subraya la eficacia de este enfoque en la toma de decisiones
decisiones operativas permite a las organizaciones la operativas en la industria automotriz [1].
capacidad de manejar grandes volúmenes de información en En Corea del Sur, en el 2020, un análisis predictivo de
tiempo real, lo que favorece la detección de patrones y la ventas de vehículos con un modelo basado en redes neuronales
identificación de oportunidades o problemas [26]. En la mostró mejoras significativas con un 20% en la precisión de las
industria automotriz, la toma de decisiones basada en datos previsiones y la eficiencia operativa del sector automotriz [36]
permite optimizar la cadena de suministro, mejorar los En India, un estudio de 2021 reveló que el 65% de las
procesos de producción y aumentar la eficiencia general [27]. empresas automotrices priorizan la inversión en Big Data para
mejorar el rendimiento operativo y la toma de decisiones
G. Toma de decisiones en Asia informadas, destacando su importancia en la identificación de
En Asia, el sector tecnológico y automotriz utilizan la riesgos [37].
tecnología de la Big Data como una herramienta clave para
la toma de decisiones operativas [28]. Su impacto es relevante I. Velocidad de procesamiento
en este sector por su mejora en la optimización de procesos La velocidad del procesamiento de datos (representada en
23rd LACCEI International Multi-Conference for Engineering, Education and Technology
“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 4
 términos de lote, tiempo casi real, tiempo real y transmisión), Año China Corea del Sur India
enfatizando que la velocidad con la que se procesan los datos 2018 20% 22% 90%
debe coincidir con la velocidad con la que se producen los
2019 27% 20% 35%
datos. [2].
En China, un informe de 2019 mostró que el tiempo de 2020 28% 28% 49%
procesamiento de datos en las principales empresas 2021 40% 31% 65%
automotrices chinas se redujo en un 27%, lo que permitió una
2022 68% 25% 12%
reacción más rápida a las fluctuaciones de la demanda global
y una mejora general en la sincronización de la producción 2023 79% 38% 15%
[16]. Nota: Adopción de las tecnologías de la Big Data para la mejora de la toma de
En Corea del Sur, la industria automotriz ha mejorado decisiones operativas en empresas de la industria automotriz durante el periodo
en la velocidad de procesamiento desde 2019, con un enfoque 2018-2023 en China, Corea del Sur e India. Bathla et al. (2018); Yanfang et al.
en sistemas de procesamiento por lotes en tiempo real, lo que (2021); Shahbazi & Byun (2021); Lee et al. (2020); Song et al. (2022); Lee et
al. (2023); Kim (2023).
ha permitido reducir el tiempo de inactividad en las líneas de
producción a las empresas automotrices surcoreanas en un
20%, maximizando la eficiencia en el uso de recursos y III. METODOLOGÍA
minimizando el riesgo de interrupciones no planificadas [28].
Para la elaboración de la presente investigación de
En India, desde 2020, las empresas automotrices han
enfoque cualitativo, se optó por realizar una revisión
mejorado su competitividad en un 49%, debido al
bibliográfica de literatura y la aplicación de la herramienta
procesamiento de datos [3].
Declaración PRISMA.
J. Visualización de datos
La visualización de datos es una herramienta que
permite una fácil compresión de los resultados utilizando
paneles que permiten generar gráficos que comunican la
información de manera concisa, revelando patrones que
facilitan la toma de decisiones, para asegurar que los datos
sean accesibles y fáciles de interpretar [11].
El análisis de datos para la toma de decisiones en
entornos industriales ahora utiliza herramientas más
intuitivas y representaciones visuales más efectivas. [38].
En China, en el 2020, el uso de paneles interactivos para
analizar datos operativos y de ventas mejoró la eficiencia en
la toma de decisiones en un 28%, permitiendo una mejor
planificación de la producción y una gestión más ágil de la
cadena de suministro de la industria automotriz [39].
En Corea del Sur, un informe de 2018 demuestra que la
adopción de este sistema en la industria automotriz brinda
una mejora del 22% en la identificación de ineficiencias
operativas y la optimización de los recursos en tiempo real
[11].
En India, las herramientas de visualización Figura. 1.- Etapas de la Declaración PRISMA (2024).
implementadas desde 2019 han permitido a las empresas del
sector automotriz reducir los tiempos de análisis en un 35%,
mejorando la capacidad de tomar decisiones estratégicas En la primera etapa de identificación se realizó una
[12]. búsqueda de artículos sobre los temas relacionados con la Big
La siguiente tabla 2 detalla la adopción de tecnologías Data, batch processing, streaming processing, NoSQL, toma
de la Big Data en la toma de decisiones dentro de empresas de decisiones, análisis predictivo, velocidad de procesamiento,
de la industria automotriz en China, Corea del Sur e India, visualización de datos y empresas asiáticas, específicamente de
abarcando el periodo de 2018 a 2023. Esta tabla resumen China, Corea del Sur e India, de la industria automotriz
permite comparar cómo cada país ha implementado estas utilizando palabras clave en español e inglés como automotive
herramientas para mejorar la eficiencia en la toma de industry, Big Data, decision making, automotive
decisiones operativas dentro de la industria automotriz. manufacturing. Dentro de la estrategia de investigación, como
parte integral del proceso, se optó por emplear distintos
TABLA N°2 repositorios académicos como Emerald, ProQuest,
ADOPCIÓN DE LAS TECNOLOGÍAS DE LA BIG DATA PARA ScienceDirect, Scopus y Web of Science.
LA TOMA DECISIONES OPERATIVAS EN EMPRESAS DE LA
INDUSTRIA AUTOMOTRIZ EN CHINA, COREA DEL SUR E INDIA,
Posteriormente, en la etapa de selección, se seleccionó 65
PERIODO 2018-2023 artículos que se encontraban dentro del periodo 2018-2023 y
23rd LACCEI International Multi-Conference for Engineering, Education and Technology
“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 5
 cumplían con los criterios correspondientes. Los criterios de transport systems
inclusión aplicados por la categoría Big Data, las 9 Dubey, R., Gunasekaran, Big data analytics and 2020
A., Childe, S. J., Bryde, D. artificial intelligence
subcategorías batch processing, streaming processing, J., Giannakis, M., Foropon, pathway to operational
NoSQL, la categoría toma de decisiones, las subcategorías C., & Hazen, B. T. performance under the
análisis predictivo, velocidad de procesamiento, effects of entrepreneurial
visualización de datos, periodo 2018-2023, industria orientation and
environmental
automotriz, China, Corea del Sur e India. De lo contrario, los dynamism: A study of
criterios de exclusión son aquellas publicaciones que no manufacturing
tenían relación con la influencia de la Big Data en la toma de organisations
decisiones operativas de la industria automotriz en Asia y con 10 Kayikci, Y. Stream processing data 2020
decision model for higher
un rango de fecha inferior o posterior al seleccionado. environmental
Finalmente, en la etapa de elegibilidad, análisis y performance and
síntesis, estos fueron llevados a una matriz de consistencia en resilience in sustainable
formato MS Excel con el objetivo de organizarlos de acuerdo logistics infrastructure
11 Chouliaras, S., & Sotiriadis, Real-Time Anomaly 2020
con su relación con cada categoría y país, segmentados por S. Detection of NoSQL
título, autor, año, tipo de documento, variables, metodología, Systems Based on
aportes y enfoque. Resource Usage
Monitoring
IV. RESULTADOS 12 Cao, Y., You, J., Shi, Y. & The obstacles of China’s 2020
Hu, W. intelligent automobile
La tabla 3 muestra una lista de 39 artículos, manufacturing industry
proporcionando información sobre los autores, el título de los development: A
artículos y año de las investigaciones de las categorías de la structural equation
Big Data y la toma de decisiones operativas de la industria modeling study
13 Seyedan, M. & Mafakheri, Predictive big data 2020
automotriz en Asia durante el 2018 al 2023. F. analytics for supply
chain demand
TABLA N°3 forecasting: methods,
LISTA DE SISTEMATIZACIÓN DE ARTÍCULOS DE applications, and
INVESTIGACIÓN, PERIODO 2018-2023 research opportunities
N° Autor (es) Título Año 14 Sathyan, R., Parthiban, P., A combined big data 2021
1 Bathla, G., Rani, R., & Comparative study of 2018 Dhanalakshmi, R., & Minz, analytics and Fuzzy
Aggarwal, H. NoSQL databases for big A. DEMATEL technique to
data storage improve the
2 J Jeble, S., Kumari, S., & Role of big data in 2018 responsiveness of
Patil, Y. decision making automotive supply chains
3 Syafrudin, M., Alfian, G., Performance Analysis of 2018 15 Shahbazi, Z & Byun, Y Smart Manufacturing 2021
Fitriyani, N. L., & Rhee, J. IoT-Based Sensor, Big Real-Time Analysis
Data Processing, and Based on Blockchain and
Machine Learning Model Machine Learning
for Real-Time Approaches
Monitoring System in 16 Niu, Y., Ying, L., Yang, J., Organizational business 2021
Automotive Bao, M., & Sivaparthipan, intelligence and decision
Manufacturing C. B. making using big data
4 Jing, S., Tang, Y., & Yan, J. The Application of Fuzzy 2018 analytics
VIKOR for the Design 17 De Oliveira, B. F. P., de Data Warehouse Based 2021
Scheme Selection in Lean Carvalho Victorino, M., & on NoSQL: A literature
Management Holanda, M. mapping
5 Shamim, S., Zeng, J., Role of big data 2019 18 Bagga, S & Sharma, A A Comparative Study of 2021
Shariq, S. M., & Khan, Z. management in NoSQL Databases
enhancing big data 19 Kamble, S. S., Belhadi, A., A large multi-group 2021
decision-making Gunasekaran, A., decision-making
capability and quality Ganapathy, L., & Verma, S. technique for prioritizing
among Chinese firms: A the big data-driven
dynamic capabilities circular economy
view practices in the
6 Hariri, R. H., Fredericks, E. Uncertainty in big data 2019 automobile component
M., & Bowers, K. M. analytics: survey, manufacturing industry
opportunities, and 20 Rahim, M. A., Rahman, M. Evolution of IoT-enabled 2021
challenges A., Rahman, M. M., connectivity and
7 Alfian, G., Ijaz, M. F., Customer behavior 2019 Asyhari, A. T., Bhuiyan, M. applications in
Syafrudin, M., Syaekhoni, analysis using real-time Z. A., & Ramasamy, D. automotive industry: A
M. A., Fitriyani, N. L., & data processing. A case review
Rhee, J. study of digital signage- 21 Elgendy, N., Elragal, A., & DECAS: a modern data- 2021
based online stores Päivärinta, T. driven decision theory
8 Milne, D., & Watling, D. Big data and 2019 for big data and
understanding change in analytics
the context of planning 22 Corral-Plaza, D., Ortiz, G., MEdit4CEP-SP: A 2021
23rd LACCEI International Multi-Conference for Engineering, Education and Technology
“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 6
 Medina-Bulo, I., & model-driven solution to & Schmidt, R. managing big data in
Boubeta-Puig, J. improve decision-making companies' decision-
through user-friendly making
management and real- 37 Chatterjee, S., Chaudhuri, Assessing the impact of 2023
time processing of R., Gupta, S., Sivarajah, U., the big data analytics on
heterogeneous data & Bag, S. decision-making
streams processes, forecasting,
23 Gupta, A & Goyal, H Framework for 2021 and performance of a
implementing big data firm
analytics in Indian 38 Singh, V. K., Kumar, R., Improving operational 2023
manufacturing: ISM- Joshi, C. V., & Poddar, S. performance with world
MICMAC and Fuzzy- class quality (WCQ)
AHP approach technique: A case in
24 Jayender, P & Kundu, G Intelligent ERP for SCM 2021 Indian automotive
agility and graph theory industry
technique for adaptation 39 Kim, S. Innovating knowledge
in automotive industry in and information for a
India firm-level automobile
2023
25 Mohandu, A., & Survey on Big Data 2021 demand forecast system:
Kubendiran, M. Techniques in Intelligent A machine learning
Transportation System perspective
(ITS) Nota: Elaboración propia en base al proceso de sistematización.
26 Surange, V. G., Bokade, S. Integrated entropy – 2022
U., & Singh, A. K. VIKTOR approach for La tabla 4 presenta el origen por continente de las
ranking risks in indian
publicaciones de investigación relacionadas con el tema
automotive
manufactoring industries abarcando un total de 39 publicaciones analizadas. En la cual,
27 Goar, V & Yadav, N Business Decision 2022 el continente Europa se destaca con un 67%, seguido por
Making by Big Data América con 18%, y Asia con 15%.
Analytics
28 Pan, Y & An interpretable machine 2022 TABLA N°4
Stark, R learning approach for PUBLICACIONES POR REGIÓN, PERIODO 2018-2023
engineering change
Continente Cantidad Porcentaje
management decision
support in automotive Europa 27 67%
industry
29 Wang, T., Shao, X., & Yan, A branch-and-price 2022 América del Norte 7 18%
X. algorithm for robust
Asia 6 15%
parallel batch scheduling
problem with uncertain Nota: Elaboración propia en base al proceso de selección.
size
30 Canonico, P., De Nito, E., Visualizing knowledge 2022
Esposito, V., Fattoruso, G., for decision-making in
La tabla 5 presenta el origen por país de las publicaciones
Pezzillo Iacono, M., & Lean Production de investigación relacionadas con el tema, abarcando un total
Mangia, G. Development settings. de 39 publicaciones analizadas. En la tabla se destaca como
Insights from the líder de investigación a Reino Unido con 32% y con 13
automotive industry
31 Yalcin, A. S., Kilic, H. S., The use of multi-criteria 2022
artículos relacionados a la industria automotriz.
& Delen, D. decision-making methods
in business analytics: A
comprehensive literature
review
32 Akishev, K., Tulegulov, A., Development of an 2023
TABLA N°5
Kalkenov, A., Aryngazin, intelligent system
PUBLICACIONES POR PAÍSES, PERIODO 2018-2023
K., Nurtai, Z., Yergaliyev, automating managerial
D., & Jumagaliyeva, A. decision-making using País Cantidad Porcentaje
Big Data Reino Unido 13 33%
33 Mudgal, A., & Bhatia, S. An experimental based 2023
study to evaluate the Estados Unidos 7 18%
efficiency among stream
Países Bajos 6 15%
processing tools
34 Zhou, Y., & Gao, F Smart batch process: The 2023 Suiza 4 10%
evolution from 1D and
1D to new 3D Alemania 2 5%
perspectives in the era of
Indonesia 2 5%
Big Data
35 Yusriski, R., Nasution, A. A two-Machine flow shop 2023 India 2 5%
R. K., Lukas, L., Wijayanti, batch scheduling model
L., & Octaviani, S. to minimize total actual Emiratos Árabes 1 3%
flow time
Jordán 1 3%
36 Caputo, F., Keller, B., Advancing beyond 2023
Möhring, M., Carrubbo, L., technicism when
23rd LACCEI International Multi-Conference for Engineering, Education and Technology
“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 7
 Ucrania 1 3% autores concuerdan que es una solución clave para gestionar datos
Nota: Elaboración propia en base al proceso de sistematización. no estructurados entre múltiples servidores, ofreciendo una
flexibilidad y escalabilidad para almacenar diversos formatos
La tabla 6 muestra los resultados de acuerdo con las [13].
categorías y metodologías de la investigación. El estudio
resalta que con 14 papers predomina los estudios cualitativos B. Toma de decisiones
relacionados con la categoría Big Data en el periodo 2018- La toma de decisiones en la industria automotriz ha
2023. evolucionado con el uso de la Big Data, la cual permite procesar
grandes volúmenes de datos en tiempo real, facilitando la
TABLA N°6 detección de patrones y la optimización de operaciones [2]. El
PUBLICACIONES POR ENFOQUE DE INFORMACIÓN análisis predictivo se destaca como una herramienta clave en la
RELACIÓN ENTRE BIG DATA Y SU INFLUENCIA EN LA TOMA DE
DECISIONES OPERATIVAS DE LA INDUSTRIA AUTOMOTRIZ
toma de decisiones, ya que permite a las empresas anticiparse a
PERIODO 2018–2023 fluctuaciones en la demanda y ajustar sus procesos productivos
Enfoque Cantidad Big Toma de decisiones Ambos en consecuencia [12]. En China, por ejemplo, el análisis de datos
Data operativas de la ha alcanzado altos niveles de precisión, demostrando su impacto
industria positivo en la planeación y gestión operativa [1]. Del mismo
automotriz
Cualitativo 14 7 2 5 modo, Corea del Sur ha integrado modelos de redes neuronales
Cuantitativo 13 3 0 10 para prever la demanda, lo que ha mejorado la precisión y
Mixto 12 1 0 11 eficiencia de las operaciones en la industria automotriz [36].
Total 39 11 2 26 Por último, tecnologías como el batch processing y el
Nota: Elaboración propia en base al proceso de sistematización. streaming processing han potenciado la capacidad de reacción en
tiempo real en empresas de Corea del Sur e India, mejorando el
V. DISCUSIÓN
monitoreo y la eficiencia en la producción [20]. Las bases de
A. Big Data
datos NoSQL también contribuye al almacenamiento y análisis
Las diversas perspectivas de los autores sobre la
de datos no estructurados [13], optimizando la toma de
influencia de la Big Data en la industria automotriz en Asia
decisiones en entornos de alta demanda de procesamiento [23].
muestran un consenso en que estas empresas, basadas en las
En conjunto, estas tecnologías han elevado la competitividad de
herramientas batch processing, streaming processing y NoSQL,
las empresas asiáticas en el mercado automotriz global,
han transformado la toma de decisiones operativas en esta
incrementando su capacidad de innovación y adaptación a las
industria. Aquellos resaltan el impacto de la adopción de estas
tendencias globales [18].
herramientas en China, Corea del Sur e India, destacando la
optimización de tiempo en el análisis de data en tiempo real, la
VI. CONCLUSIONES
planificación estratégica, y la gestión de procesos dentro de la
El uso de la Big Data ha demostrado ser una herramienta
cadena de suministro [1], [15], [16]. Además, destacan la
fundamental en la transformación de las decisiones operativas
creación de nuevos productos ajustados a los gustos y
dentro de la industria automotriz en Asia, al integrar
necesidades cambiantes de los consumidores debido al uso
tecnologías como el procesamiento por lotes (batch
correcto de las herramientas de la Big Data (Niu et al., 2021).
processing), el procesamiento en tiempo real (streaming
Sin embargo, señalan que persisten desafíos relacionados con la
processing) y bases de datos NoSQL [20]. La relación entre la
capacitación que limitan el aprovechamiento completo de estas
Big Data y la toma de decisiones operativas ha facilitado el
tecnologías en algunas empresas [26].
análisis y procesamiento de grandes volúmenes de información
Asimismo, subrayan la relevancia del batch processing
en tiempo real, mejorando la capacidad de respuesta y
como herramienta para el análisis de datos de grandes volúmenes
precisión de estrategias en mercados altamente competitivos
de datos históricos [5]. Estas perspectivas resaltan que
como es el sector industrial [10]
aproximadamente el 35% de las empresas en China y Corea del
El uso del batch processing ha sido particularmente útil
Sur han utilizado esta herramienta para identificar patrones de
para analizar datos históricos y detectar patrones [34]. Esta
demanda y optimizar procesos a largo plazo [6]. Además,
tecnología permite optimizar la planificación operativa y
subrayan la ventaja de reducir costos en la producción para las
reducir los costos asociados a la gestión de inventarios y
empresas en India [19].
recursos, ya que permite detectar tendencias y ajustar las
Los autores coinciden en que el streaming processing ha
estrategias a largo plazo [12].
mejorado la capacidad de respuesta en tiempo real, lo cual
Por su parte, el streaming processing ha demostrado su
resulta fundamental en la industria automotriz, dada la necesidad
valor en el monitoreo en tiempo real de las operaciones, lo cual
de rápida adaptación ante cambios del mercado [11], [14], [20].
es indispensable para una industria donde las fallas y
Se resaltan ventajas clave como la optimización de procesos de
necesidades de ajuste deben abordarse de manera inmediata,
producción, monitoreo en tiempo real de operaciones, y
permitiendo a las empresas automotrices gestionar recursos de
reducción de tiempos de respuesta ante fallos operativos en un
manera más ágil y flexible [7].
sector tan dinámico como el automotriz en China, Corea del Sur
En cuanto al NoSQL, ha permitido una mayor flexibilidad
e India [7].
en el manejo de datos no estructurados, mejorando la
Finalmente, respecto a la subcategoría NoSQL, los
escalabilidad y el análisis de grandes volúmenes de datos
23rd LACCEI International Multi-Conference for Engineering, Education and Technology
“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 8
 provenientes de diversas fuentes de almacenamiento en la doi: 10.1016/[Link].2020.106682.
[8] S. Bagga and A. Sharma, “A Comparative Study of NoSQL
industria automotriz [24]. Esta capacidad optimiza la toma de
Databases,” 2021, pp. 51–61. doi: 10.1007/978-981-15-8297-4_5.
decisiones operativas de las empresas para responder de [9] F. Caputo, B. Keller, M. Möhring, L. Carrubbo, and R. Schmidt,
manera proactiva al mercado [12]. “Advancing beyond technicism when managing big data in
A pesar del creciente uso de la Big Data en la toma de companies’ decision-making,” Journal of Knowledge Management,
vol. 27, no. 10, pp. 2797–2809, Nov. 2023, doi: 10.1108/JKM-10-
decisiones operativas en la industria automotriz de Asia,
2022-0794.
persisten desafíos significativos con respecto a la [10] S. S. Kamble, A. Belhadi, A. Gunasekaran, L. Ganapathy, and S.
capacitación del personal, lo cual limita el aprovechamiento Verma, “A large multi-group decision-making technique for
completo de la tecnología [26]. Se sugiere que las empresas prioritizing the big data-driven circular economy practices in the
automobile component manufacturing industry,” Technol Forecast
implementen programas de capacitación periódicos para
Soc Change, vol. 165, p. 120567, Apr. 2021, doi:
empleados, que les permitan adquirir habilidades técnicas 10.1016/[Link].2020.120567.
especializadas y comprender el funcionamiento de [11] M. Syafrudin, G. Alfian, N. L. Fitriyani, and J. Rhee, “Performance
tecnologías como el batch processing, streaming processing Analysis of IoT-Based Sensor, Big Data Processing, and Machine
Learning Model for Real-Time Monitoring System in Automotive
y NoSQL [2]. Ante la creciente complejidad y dinamismo de
Manufacturing,” Sensors, vol. 18, no. 9, p. 2946, Sep. 2018, doi:
la industria automotriz en Asia, las empresas deben fortalecer 10.3390/s18092946.
sus procesos de toma de decisiones operativas mediante el [12] P. Jayender and G. K. Kundu, “Intelligent ERP for SCM agility and
uso de análisis predictivo, visualización de datos y graph theory technique for adaptation in automotive industry in
India,” International Journal of System Assurance Engineering and
optimización en la velocidad de procesamiento [23]. Estos
Management, Oct. 2021, doi: 10.1007/s13198-021-01361-y.
elementos permiten responder de manera ágil a fluctuaciones [13] G. Bathla, R. Rani, and H. Aggarwal, “Comparative study of NoSQL
en la cadena de suministro y son factores clave para mantener databases for big data storage,” International Journal of Engineering
la competitividad en un entorno altamente exigente [28]. Se & Technology, vol. 7, no. 2.6, p. 83, Mar. 2018, doi:
10.14419/ijet.v7i2.6.10072.
insta a los lectores a continuar investigando este tema, ya que
[14] A. Mudgal and S. Bhatia, “An Experimental Based Study to Evaluate
la Big Data no solo representa una ventaja competitiva en la the Efficiency among Stream Processing Tools,” The International
industria automotriz, sino también un catalizador de Arab Journal of Information Technology, vol. 20, no. 6, 2023, doi:
innovación en el sector global. 10.34028/iajit/20/6/11.
[15] V. K. Goar and N. S. Yadav, “Business Decision Making by Big
Data Analytics,” International Journal on Recent and Innovation
AGRADECIMIENTOS Trends in Computing and Communication, vol. 10, no. 5, pp. 22–35,
Los autores agradecen a la docente a cargo por el apoyo May 2022, doi: 10.17762/ijritcc.v10i5.5550.
recibido durante la investigación, a los diferentes asesores [16] S. Shamim, J. Zeng, S. M. Shariq, and Z. Khan, “Role of big data
management in enhancing big data decision-making capability and
que compartieron sus conocimientos y capacidades sobre la
quality among Chinese firms: A dynamic capabilities view,”
estructura del trabajo de investigación, a la Universidad Information and Management, vol. 56, no. 6, Sep. 2019, doi:
Peruana de Ciencias Aplicadas por las oportunidades de los 10.1016/[Link].2018.12.003.
repositorios académicos que contribuyeron a la búsqueda de [17] R. Dubey et al., “Big data analytics and artificial intelligence
pathway to operational performance under the effects of
fuentes para el desarrollo de la investigación.
entrepreneurial orientation and environmental dynamism: A study of
REFERENCIAS manufacturing organisations,” Int J Prod Econ, vol. 226, p. 107599,
Aug. 2020, doi: 10.1016/[Link].2019.107599.
[1] Y. Niu, L. Ying, J. Yang, M. Bao, and C. B. Sivaparthipan, [18] S. Chatterjee, R. Chaudhuri, S. Gupta, U. Sivarajah, and S. Bag,
“Organizational business intelligence and decision making using “Assessing the impact of big data analytics on decision-making
big data analytics,” Inf Process Manag, vol. 58, no. 6, p. 102725, processes, forecasting, and performance of a firm,” Technol Forecast
Nov. 2021, doi: 10.1016/[Link].2021.102725. Soc Change, vol. 196, p. 122824, Nov. 2023, doi:
[2] R. H. Hariri, E. M. Fredericks, and K. M. Bowers, “Uncertainty in 10.1016/[Link].2023.122824.
big data analytics: survey, opportunities, and challenges,” J Big [19] R. Yusriski, A. R. K. Nasution, L. Lukas, L. Wijayanti, and S.
Data, vol. 6, no. 1, p. 44, Dec. 2019, doi: 10.1186/s40537-019- Octaviani, “Two-Machine Flow Shop Batch Scheduling Model to
0206-3. Minimize Total Actual Flow Time,” Jurnal Teknik Industri, vol. 25,
[3] V. G. Surange, S. U. Bokade, and A. K. Singh, “Integrated entropy- no. 2, pp. 179–194, Dec. 2023, doi: 10.9744/jti.25.2.179-194.
VIKOR approach for ranking risks in indian automotive [20] A. Mohandu and M. Kubendiran, “Survey on Big Data Techniques in
manufacturing industries,” Mater Today Proc, vol. 52, pp. 1143– Intelligent Transportation System (ITS),” Mater Today Proc, vol. 47,
1146, 2022, doi: 10.1016/[Link].2021.11.010. pp. 8–17, 2021, doi: 10.1016/[Link].2021.03.479.
[4] R. Sathyan, P. Parthiban, R. Dhanalakshmi, and A. Minz, “A [21] Y. Kayikci, “Stream processing data decision model for higher
combined big data analytics and Fuzzy DEMATEL technique to environmental performance and resilience in sustainable logistics
improve the responsiveness of automotive supply chains,” J infrastructure,” Journal of Enterprise Information Management, vol.
Ambient Intell Humaniz Comput, vol. 12, no. 7, pp. 7949–7963, Jul. 34, no. 1, 2020, doi: 10.1108/JEIM-08-2019-0232.
2021, doi: 10.1007/s12652-020-02524-8. [22] B. F. P. de Oliveira, M. de C. Victorino, and M. Holanda, “Data
[5] Y. Zhou and F. Gao, “Smart batch process: The evolution from 1D Warehouse Based on NoSQL: a literature mapping,” in 2021 16th
and 2D to new 3D perspectives in the era of Big Data,” J Process Iberian Conference on Information Systems and Technologies
Control, vol. 130, 2023, doi: 10.1016/[Link].2023.103088. (CISTI), IEEE, Jun. 2021, pp. 1–6. doi:
[6] T. Wang, X. Shao, and X. Yan, “A branch-and-price algorithm for 10.23919/CISTI52073.2021.9476293.
robust parallel batch scheduling problem with uncertain size,” [23] G. Alfian, M. F. Ijaz, M. Syafrudin, M. A. Syaekhoni, N. L. Fitriyani,
Industrial Management & Data Systems, vol. 122, no. 10, pp. and J. Rhee, “Customer behavior analysis using real-time data
2351–2370, Nov. 2022, doi: 10.1108/IMDS-12-2021-0807. processing,” Asia Pacific Journal of Marketing and Logistics, vol.
[7] D. Corral-Plaza, G. Ortiz, I. Medina-Bulo, and J. Boubeta-Puig, 31, no. 1, pp. 265–290, Jan. 2019, doi: 10.1108/APJML-03-2018-
“MEdit4CEP-SP: A model-driven solution to improve decision- 0088.
making through user-friendly management and real-time processing [24] S. Chouliaras and S. Sotiriadis, “Real-Time Anomaly Detection of
of heterogeneous data streams,” Knowl Based Syst, vol. 213, 2021, NoSQL Systems Based on Resource Usage Monitoring,” IEEE Trans
23rd LACCEI International Multi-Conference for Engineering, Education and Technology
“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 9
 Industr Inform, vol. 16, no. 9, pp. 6042–6049, Sep. 2020, doi:
10.1109/TII.2019.2958606.
[25] Md. A. Rahim, Md. A. Rahman, M. M. Rahman, A. T. Asyhari,
Md. Z. A. Bhuiyan, and D. Ramasamy, “Evolution of IoT-enabled
connectivity and applications in automotive industry: A review,”
Vehicular Communications, vol. 27, p. 100285, Jan. 2021, doi:
10.1016/[Link].2020.100285.
[26] N. Elgendy, A. Elragal, and T. Päivärinta, “DECAS: a modern
data-driven decision theory for big data and analytics,” J Decis
Syst, vol. 31, no. 4, 2022, doi: 10.1080/12460125.2021.1894674.
[27] Y. Pan and R. Stark, “An interpretable machine learning approach
for engineering change management decision support in automotive
industry,” Comput Ind, vol. 138, p. 103633, Jun. 2022, doi:
10.1016/[Link].2022.103633.
[28] Z. Shahbazi and Y.-C. Byun, “Smart Manufacturing Real-Time
Analysis Based on Blockchain and Machine Learning
Approaches,” Applied Sciences, vol. 11, no. 8, p. 3535, Apr. 2021,
doi: 10.3390/app11083535.
[29] A. S. Yalcin, H. S. Kilic, and D. Delen, “The use of multi-criteria
decision-making methods in business analytics: A comprehensive
literature review,” Technol Forecast Soc Change, vol. 174, p.
121193, Jan. 2022, doi: 10.1016/[Link].2021.121193.
[30] S. Jing, Y. Tang, and J. Yan, “The Application of Fuzzy VIKOR
for the Design Scheme Selection in Lean Management,” Math
Probl Eng, vol. 2018, pp. 1–15, Sep. 2018, doi:
10.1155/2018/9253643.
[31] V. Kumar Singh, R. Kumar, C. V. Joshi, and S. Poddar, “Improving
operational performance with world class quality (WCQ)
technique: A case in Indian automotive industry,” Mater Today
Proc, vol. 72, pp. 1561–1567, 2023, doi:
10.1016/[Link].2022.09.387.
[32] S. Jeble, S. Kumari, and Y. Patil, “Role of big data in decision
making,” Operations and Supply Chain Management, vol. 11, no.
1, pp. 36–44, 2018, doi: 10.31387/oscm0300198.
[33] D. Milne and D. Watling, “Big data and understanding change in
the context of planning transport systems,” J Transp Geogr, vol.
76, pp. 235–244, Apr. 2019, doi: 10.1016/[Link].2017.11.004.
[34] M. Seyedan and F. Mafakheri, “Predictive big data analytics for
supply chain demand forecasting: methods, applications, and
research opportunities,” J Big Data, vol. 7, no. 1, p. 53, Dec. 2020,
doi: 10.1186/s40537-020-00329-2.
[35] A. Karshyga et al., “Development of an intelligent system
automating managerial decision-making using big data,” Eastern-
European Journal of Enterprise Technologies, vol. 6, no. 3 (126),
pp. 27–35, Dec. 2023, doi: 10.15587/1729-4061.2023.289395.
[36] S. Kim, “Innovating knowledge and information for a firm-level
automobile demand forecast system: A machine learning
perspective,” Journal of Innovation & Knowledge, vol. 8, no. 2, p.
100355, Apr. 2023, doi: 10.1016/[Link].2023.100355.
[37] A. K. Gupta and H. Goyal, “Framework for implementing big data
analytics in Indian manufacturing: ISM-MICMAC and Fuzzy-AHP
approach,” Information Technology and Management, vol. 22, no.
3, pp. 207–229, Sep. 2021, doi: 10.1007/s10799-021-00333-9.
[38] P. Canonico, E. De Nito, V. Esposito, G. Fattoruso, M. Pezzillo
Iacono, and G. Mangia, “Visualizing knowledge for decision-
making in Lean Production Development settings. Insights from the
automotive industry,” Management Decision, vol. 60, no. 4, pp.
1076–1094, Mar. 2022, doi: 10.1108/MD-01-2021-0144.
[39] Y. Cao, J. You, Y. Shi, and W. Hu, “The obstacles of China’s
intelligent automobile manufacturing industry development,”
Chinese Management Studies, vol. 14, no. 1, pp. 159–183, Jan.
2020, doi: 10.1108/CMS-09-2017-0250.

23rd LACCEI International Multi-Conference for Engineering, Education and Technology

“Engineering, Artificial Intelligence, and Sustainable Technologies in service of society” - July 16-18, 2025 (Hybrid) – Mexico City 10