An Interactive Decision Support Dashboard for Monitoring and Forecasting UAC Care System Operations Using Streamlit and Power BI

Resumen Técnico: Panel de Control Interactivo de Soporte para la Toma de Decisiones en las Operaciones del Sistema de Cuidado de UAC

Planteamiento del Problema
Los sistemas de cuidado del sector público, específicamente el Sistema de Cuidado de Niños Extranjeros No Acompañados (UAC, por sus siglas en inglés), generan volúmenes sustanciales de datos operativos diariamente. Sin embargo, los responsables de la toma de decisiones suelen depender de sistemas de informes fragmentados, hojas de cálculo estáticas e informes manuales. Esta dependencia crea cuellos de botella significativos: los problemas operativos, como las limitaciones de recursos, los retrasos acumulados y los desequilibrios en la carga del sistema, a menudo pasan desapercibidos hasta que se vuelven críticos. Además, las soluciones de inteligencia de negocios (BI) existentes frecuentemente enfatizan el reporte descriptivo, pero carecen de capacidades integradas para el pronóstico, el análisis de escenarios y la evaluación de la calidad de los datos. Esta fragmentación obliga a los gestores a utilizar múltiples herramientas desconectadas, lo que impide una toma de decisiones oportuna y basada en evidencia, así como una planificación operativa proactiva.

Metodología
El estudio propone un Sistema de Soporte para la Toma de Decisiones (DSS) integrado, diseñado como un "Centro de Comando de Operaciones" modular. La arquitectura utiliza un conjunto de tecnologías ligero y escalable que combina tecnologías de código abierto con herramientas de BI comerciales:

1. Capa de Datos (SQLite): Los datos operativos brutos se almacenan en una base de datos relacional SQLite. Para garantizar la consistencia y la eficiencia, los datos se organizan en vistas SQL reutilizables (por ejemplo, vw_uac_dashboard_feed, vw_uac_kpi_daily, vw_uac_monthly_summary). Estas vistas pre-agregan datos para el reporte diario, el seguimiento de KPIs y el aseguramiento de la calidad de los datos, sirviendo como una única fuente de verdad.
2. Capa de Procesamiento de Datos (Python): Python actúa como el intermediario, utilizando la biblioteca sqlite3 para recuperar datos y Pandas para el preprocesamiento, filtrado y análisis estadístico. Esta capa gestiona computaciones complejas que incluyen promedios móviles, acumulación de retrasos (backlog), ratios de compensación de altas y lógica de detección de anomalías.
3. Capa de Aplicación (Streamlit): Se construye una interfaz web interactiva mediante Streamlit. Está estructurada en pestañas funcionales: Resumen Ejecutivo, Monitor de Operaciones, Retrasos y Riesgos, Pronósticos y Anomalías, Laboratorio de Escenarios y Calidad de Datos. La interfaz permite a los usuarios filtrar por rangos de fechas, años y métricas, e incluye controles deslizantes interactivos para ajustar los parámetros de pronóstico y simular escenarios operativos (por ejemplo, variando las transferencias de CBP o las altas de HHS).
4. Capa de Visualización (Streamlit y Power BI):
   • Streamlit: Utiliza Plotly Express para renderizar gráficos interactivos (líneas, barras, barras apiladas) y tarjetas de KPI para el monitoreo en tiempo real y el análisis exploratorio.
   • Power BI: Se conecta a la misma base de datos SQLite a través de ODBC para proporcionar informes ejecutivos avanzados con capacidades de exploración detallada (drill-down) y comparaciones multianuales.
5. Validación: El sistema fue sometido a pruebas iterativas para asegurar la consistencia interna (coincidencia de KPIs entre herramientas), interpretabilidad (alineación lógica de tendencias) y acuerdo entre herramientas. Se implementaron vistas de calidad de datos para señalar fechas faltantes, duplicados y violaciones de reglas antes de la visualización.

Contribuciones Clave
La investigación realiza tres contribuciones primarias al campo de la analítica del sector público:

• Arquitectura Integrada: Demuestra el desarrollo de un DSS unificado que combina SQLite, Python, Streamit y Power BI, probando que las tecnologías ligeras y de código abierto pueden integrarse eficazmente con herramientas de BI comerciales sin requerir una infraestructura empresarial costosa.
• Marco Analítico Holístico: El panel de control va más allá del reporte descriptivo al integrar analítica diagnóstica, predictiva y basada en escenarios. Incluye módulos específicos para el monitoreo de KPIs ejecutivos, análisis de tendencias operativas, evaluación de retrasos, detección de anomalías, pronósticos y validación de la calidad de los datos dentro de una sola plataforma.
• Implementación Escalable: El estudio proporciona un marco práctico y reproducible para organizaciones del sector público. Al utilizar vistas SQL reutilizables y un diseño de aplicación modular, el sistema garantiza la consistencia de los datos, la eficiencia de las consultas y la capacidad de respuesta, ofreciendo una solución rentable para el monitoreo operativo en tiempo real.

Resultos
El panel de control desarrollado unificó con éxito los datos operativos para proporcionar una visibilidad integral del Sistema de Cuidado de UAC. Los hallazgos clave del análisis incluyen:

• Tendencias Operativas: A principios de 2023, la carga del sistema promediaba aproximadamente 7,414 niños, con una presión de entrada neta negativa que indicaba que las altas superaban las nuevas entradas. Por el contrario, 2024 mostró la mayor acumulación de retraso acumulado de 14 días, señalando un periodo de tensión operativa significativa donde las nuevas aprehensiones superaron las transferencias y las altas.
• Análisis de Riesgo: El análisis de "Intensidad de los Motores de Riesgo" identificó la carga del sistema y los ratios de compensación de altas como los principales contribuyentes al riesgo operativo. Se encontró que la acumulación de retrasos y la presión de entrada neta se volvían cada vez más influyentes cuando los aumentos sostenidos de la carga coincidían con una reducción en el desempeño de las altas.
• Pronóstico: El módulo de pronóstico proyectó un aumento potencial del 30% en la Carga Total del Sistema en un período de 30 días bajo las condiciones existentes, proporcionando alertas tempranas para los gestores sobre las restricciones de capacidad.
• Desempeño del Sistema: La integración del pronóstico y la simulación de escenarios transformó la herramienta de un mecanismo de reporte pasivo a un sistema activo de soporte para la toma de decisiones, permitiendo a los gestores evaluar el impacto de las estrategias operativas antes de su implementación.

Significancia y Reivindicaciones
El documento sostiene que este marco mejora significativamente la transparencia operativa y la conciencia situacional para los gestores del sector público. Al consolidar los datos en una plataforma única e interactiva, el sistema reduce la dependencia de los informes manuales y permite una toma de decisiones más rápida y basada en evidencia. Los autores afirman que la arquitectura modular y ligera ofrece una alternativa escalable y rentable a las soluciones empresariales complejas, haciendo que la inteligencia de negocios avanzada sea accesible para organizaciones con recursos limitados. Además, el estudio cierra la brecha entre la gestión de datos operativos brutos y el soporte estratégico para la toma de decisiones, proporcionando un modelo que puede adaptarse a otros dominios del servicio público que requieran el monitoreo continuo del desempeño y la planificación de recursos. La investigación concluye que, si bien la implementación actual es robusta, las iteraciones futuras podrían incorporar análisis de cohortes, modelos de aprendizaje automático avanzados para pronósticos estacionales y mecanismos de alerta automatizados para fortalecer aún más la gestión proactiva.