1 Introducción

La consultoría empresarial se ha consolidado como un elemento estratégico fundamental en el desarrollo organizacional contemporáneo. Este documento presenta un Índice Cuantitativo de Madurez en Consultoría Empresarial (ICMCE) que permite evaluar y comparar el nivel de desarrollo del sector consultivo a nivel global.

1.1 Marco Conceptual

La madurez en consultoría empresarial refleja:

  • Profesionalización del sector: Certificaciones, estándares y marcos metodológicos
  • Penetración de mercado: Disponibilidad y acceso a servicios consultivos
  • Inversión estratégica: Recursos destinados al desarrollo organizacional
  • Adopción tecnológica: Digitalización e innovación en procesos consultivos
  • Institucionalización: Reconocimiento y regulación del sector

2 Metodología

2.1 Indicadores del Índice

El ICMCE se construye a partir de cinco dimensiones fundamentales:

2.1.1 Dimensiones e Indicadores

  1. Densidad Consultiva (25%): Número de consultores certificados por cada 1,000 empresas
  2. Inversión en Consultoría (25%): Presupuesto promedio anual en consultoría (% del PIB empresarial)
  3. Profesionalización (20%): Nivel de certificaciones (EC0249 y equivalentes internacionales)
  4. Metodologías Formales (15%): Adopción de frameworks estandarizados (Balanced Scorecard, OKR, etc.)
  5. Digitalización (15%): Grado de incorporación de herramientas digitales

2.2 Construcción del Índice

2.2.1 Proceso Metodológico

  1. Recolección de datos: Datos simulados representativos por país
  2. Normalización: Escalamiento Min-Max (0-100)
  3. Ponderación: Asignación de pesos según relevancia estratégica
  4. Agregación: Índice compuesto mediante Análisis de Componentes Principales (PCA)
  5. Validación: Análisis de sensibilidad y robustez
# Crear dataset con datos representativos de madurez en consultoría
set.seed(42)

paises <- c("Estados Unidos", "Reino Unido", "Alemania", "Canadá", "Australia",
            "Francia", "España", "Países Bajos", "Suiza", "Singapur",
            "Japón", "Corea del Sur", "Italia", "Suecia", "Noruega",
            "México", "Brasil", "Chile", "Argentina", "Colombia",
            "China", "India", "Emiratos Árabes", "Arabia Saudita", "Sudáfrica",
            "Polonia", "República Checa", "Turquía", "Rusia", "Indonesia")

datos_raw <- data.frame(
  pais = paises,
  consultores_1000emp = c(
    12.5, 11.8, 10.2, 11.5, 10.8,  # Top tier
    9.5, 8.2, 10.5, 11.2, 9.8,
    8.5, 7.8, 7.2, 10.8, 10.2,
    4.5, 5.2, 6.8, 5.5, 4.8,  # América Latina
    6.2, 5.8, 7.5, 6.5, 5.5,  # Asia/Medio Oriente/África
    6.8, 7.2, 5.8, 4.2, 4.5
  ),
  inversion_pct_pib = c(
    2.8, 2.6, 2.4, 2.5, 2.3,
    2.2, 1.8, 2.5, 2.7, 2.4,
    2.0, 1.9, 1.7, 2.4, 2.3,
    1.2, 1.4, 1.6, 1.3, 1.2,
    1.5, 1.3, 1.8, 1.7, 1.4,
    1.6, 1.7, 1.4, 1.0, 1.1
  ),
  certificaciones_pct = c(
    78, 75, 72, 74, 71,
    68, 62, 73, 76, 70,
    65, 68, 60, 72, 71,
    45, 48, 55, 47, 44,
    52, 50, 58, 54, 48,
    56, 58, 50, 40, 42
  ),
  metodologias_formales_pct = c(
    85, 82, 80, 83, 79,
    76, 70, 81, 84, 78,
    72, 75, 68, 80, 79,
    55, 58, 65, 57, 54,
    62, 60, 68, 64, 58,
    66, 68, 60, 50, 52
  ),
  digitalizacion_score = c(
    92, 89, 87, 90, 88,
    85, 78, 88, 91, 86,
    84, 86, 76, 89, 88,
    65, 68, 72, 66, 64,
    75, 72, 78, 74, 67,
    73, 75, 70, 60, 62
  )
)

# Agregar coordenadas para el mapa
coords <- data.frame(
  pais = paises,
  lat = c(37.09, 55.38, 51.17, 56.13, -25.27,
          46.23, 40.46, 52.13, 46.82, 1.35,
          36.20, 37.57, 41.87, 60.13, 60.47,
          23.63, -14.24, -35.68, -38.42, 4.57,
          35.86, 20.59, 23.42, 23.89, -30.56,
          51.92, 49.82, 38.96, 61.52, -0.79),
  lon = c(-95.71, -3.44, 10.45, -106.35, 133.78,
          2.21, -3.75, 5.29, 8.23, 103.82,
          138.25, 126.98, 12.57, 18.64, 8.47,
          -102.55, -51.93, -71.54, -63.62, -74.30,
          104.20, 78.96, 53.85, 45.08, 22.94,
          19.15, 15.47, 35.24, 105.32, 113.92)
)

datos <- datos_raw %>% left_join(coords, by = "pais")

2.3 Normalización de Variables

# Función de normalización Min-Max
normalizar <- function(x) {
  (x - min(x, na.rm = TRUE)) / (max(x, na.rm = TRUE) - min(x, na.rm = TRUE)) * 100
}

# Normalizar todas las variables
datos_norm <- datos %>%
  mutate(
    cons_norm = normalizar(consultores_1000emp),
    inv_norm = normalizar(inversion_pct_pib),
    cert_norm = normalizar(certificaciones_pct),
    met_norm = normalizar(metodologias_formales_pct),
    dig_norm = normalizar(digitalizacion_score)
  )

# Mostrar tabla de normalización
datos_norm %>%
  select(pais, cons_norm, inv_norm, cert_norm, met_norm, dig_norm) %>%
  head(10) %>%
  kable(digits = 2, 
        col.names = c("País", "Densidad", "Inversión", "Certificación", 
                      "Metodologías", "Digitalización"),
        caption = "Ejemplo de Variables Normalizadas (0-100)")
Ejemplo de Variables Normalizadas (0-100)
País Densidad Inversión Certificación Metodologías Digitalización
Estados Unidos 100.00 100.00 100.00 100.00 100.00
Reino Unido 91.57 88.89 92.11 91.43 90.62
Alemania 72.29 77.78 84.21 85.71 84.38
Canadá 87.95 83.33 89.47 94.29 93.75
Australia 79.52 72.22 81.58 82.86 87.50
Francia 63.86 66.67 73.68 74.29 78.12
España 48.19 44.44 57.89 57.14 56.25
Países Bajos 75.90 83.33 86.84 88.57 87.50
Suiza 84.34 94.44 94.74 97.14 96.88
Singapur 67.47 77.78 78.95 80.00 81.25

3 Construcción del Índice Compuesto

3.1 Método 1: Ponderaciones Directas

# Pesos según importancia estratégica
pesos <- c(
  densidad = 0.25,
  inversion = 0.25,
  certificacion = 0.20,
  metodologias = 0.15,
  digitalizacion = 0.15
)

# Calcular índice ponderado
datos_indice <- datos_norm %>%
  mutate(
    ICMCE = cons_norm * pesos["densidad"] +
            inv_norm * pesos["inversion"] +
            cert_norm * pesos["certificacion"] +
            met_norm * pesos["metodologias"] +
            dig_norm * pesos["digitalizacion"],
    categoria = case_when(
      ICMCE >= 80 ~ "Excelencia",
      ICMCE >= 65 ~ "Madurez Alta",
      ICMCE >= 50 ~ "Madurez Media",
      ICMCE >= 35 ~ "En Desarrollo",
      TRUE ~ "Emergente"
    ),
    categoria = factor(categoria, levels = c("Excelencia", "Madurez Alta", 
                                              "Madurez Media", "En Desarrollo", 
                                              "Emergente"))
  ) %>%
  arrange(desc(ICMCE))

# Mostrar ranking
datos_indice %>%
  mutate(ranking = row_number()) %>%
  select(ranking, pais, ICMCE, categoria) %>%
  head(15) %>%
  kable(digits = 2, 
        col.names = c("Ranking", "País", "ICMCE", "Categoría"),
        caption = "Top 15 Países por Índice de Madurez en Consultoría")
Top 15 Países por Índice de Madurez en Consultoría
Ranking País ICMCE Categoría
1 Estados Unidos 100.00 Excelencia
2 Suiza 92.75 Excelencia
3 Reino Unido 90.84 Excelencia
4 Canadá 88.92 Excelencia
5 Países Bajos 83.59 Excelencia
6 Suecia 82.62 Excelencia
7 Alemania 79.87 Madurez Alta
8 Australia 79.80 Madurez Alta
9 Noruega 78.00 Madurez Alta
10 Singapur 76.29 Madurez Alta
11 Francia 70.23 Madurez Alta
12 Corea del Sur 60.98 Madurez Media
13 Japón 60.68 Madurez Media
14 España 51.75 Madurez Media
15 Emiratos Árabes 46.68 En Desarrollo

3.2 Método 2: Análisis de Componentes Principales (PCA)

# Preparar datos para PCA
datos_pca <- datos_norm %>%
  select(cons_norm, inv_norm, cert_norm, met_norm, dig_norm) %>%
  na.omit()

# Realizar PCA
pca_resultado <- PCA(datos_pca, scale.unit = TRUE, graph = FALSE)

# Visualizar varianza explicada
fviz_eig(pca_resultado, addlabels = TRUE, ylim = c(0, 70),
         main = "Varianza Explicada por Componente Principal",
         xlab = "Componentes Principales",
         ylab = "Porcentaje de Varianza Explicada")

# Visualizar contribuciones de variables
fviz_pca_var(pca_resultado, col.var = "contrib",
             gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
             repel = TRUE,
             title = "Contribución de Variables al PC1 y PC2")

4 Resultados y Análisis

4.1 Distribución Global del Índice

p1 <- ggplot(datos_indice, aes(x = ICMCE, fill = categoria)) +
  geom_histogram(bins = 20, color = "white", alpha = 0.8) +
  scale_fill_viridis_d(option = "plasma") +
  labs(title = "Distribución del Índice de Madurez en Consultoría (ICMCE)",
       subtitle = "Clasificación por categorías de madurez",
       x = "Índice ICMCE (0-100)",
       y = "Frecuencia",
       fill = "Categoría") +
  theme_minimal(base_size = 12) +
  theme(legend.position = "bottom")

ggplotly(p1) %>%
  layout(legend = list(orientation = "h", y = -0.2))

4.2 Ranking Comparativo por Región

# Clasificar por región
datos_indice <- datos_indice %>%
  mutate(
    region = case_when(
      pais %in% c("Estados Unidos", "Canadá") ~ "América del Norte",
      pais %in% c("México", "Brasil", "Chile", "Argentina", "Colombia") ~ "América Latina",
      pais %in% c("Reino Unido", "Alemania", "Francia", "España", "Países Bajos", 
                  "Suiza", "Italia", "Suecia", "Noruega", "Polonia", 
                  "República Checa") ~ "Europa",
      pais %in% c("China", "India", "Japón", "Corea del Sur", "Singapur", 
                  "Indonesia") ~ "Asia-Pacífico",
      TRUE ~ "Medio Oriente y África"
    )
  )

p2 <- ggplot(datos_indice, aes(x = reorder(pais, ICMCE), y = ICMCE, fill = region)) +
  geom_col(alpha = 0.9) +
  coord_flip() +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Ranking Global de Madurez en Consultoría Empresarial",
       subtitle = "Índice ICMCE por país y región",
       x = NULL,
       y = "Índice ICMCE",
       fill = "Región") +
  theme_minimal(base_size = 11) +
  theme(legend.position = "bottom")

ggplotly(p2, height = 700)

4.3 Análisis por Dimensiones

# Promedios por categoría
promedios_cat <- datos_indice %>%
  group_by(categoria) %>%
  summarise(
    Densidad = mean(cons_norm),
    Inversión = mean(inv_norm),
    Certificación = mean(cert_norm),
    Metodologías = mean(met_norm),
    Digitalización = mean(dig_norm)
  )

# Top 5 países
top5 <- datos_indice %>%
  head(5) %>%
  select(pais, cons_norm, inv_norm, cert_norm, met_norm, dig_norm) %>%
  pivot_longer(cols = -pais, names_to = "dimension", values_to = "valor") %>%
  mutate(dimension = recode(dimension,
                           "cons_norm" = "Densidad",
                           "inv_norm" = "Inversión",
                           "cert_norm" = "Certificación",
                           "met_norm" = "Metodologías",
                           "dig_norm" = "Digitalización"))

p3 <- plot_ly(
  type = 'scatterpolar',
  mode = 'lines+markers',
  fill = 'toself'
)

colores <- c("#1f77b4", "#ff7f0e", "#2ca02c", "#d62728", "#9467bd")

for(i in 1:5) {
  pais_data <- top5 %>% filter(pais == unique(top5$pais)[i])
  p3 <- p3 %>%
    add_trace(
      r = pais_data$valor,
      theta = pais_data$dimension,
      name = unique(pais_data$pais),
      line = list(color = colores[i]),
      marker = list(color = colores[i])
    )
}

p3 <- p3 %>%
  layout(
    polar = list(
      radialaxis = list(
        visible = TRUE,
        range = c(0, 100)
      )
    ),
    title = "Perfil Multidimensional - Top 5 Países",
    showlegend = TRUE
  )

p3

4.4 Correlación entre Indicadores

# Matriz de correlación
matriz_cor <- datos_indice %>%
  select(consultores_1000emp, inversion_pct_pib, certificaciones_pct, 
         metodologias_formales_pct, digitalizacion_score) %>%
  cor(use = "complete.obs")

rownames(matriz_cor) <- colnames(matriz_cor) <- c("Densidad", "Inversión", 
                                                    "Certificación", "Metodologías", 
                                                    "Digitalización")

corrplot(matriz_cor, method = "color", type = "upper", 
         addCoef.col = "black", number.cex = 0.8,
         tl.col = "black", tl.srt = 45,
         col = colorRampPalette(c("#6D9EC1", "white", "#E46726"))(200),
         title = "Matriz de Correlación entre Indicadores",
         mar = c(0,0,2,0))

5 Mapa Interactivo Mundial

# Preparar datos para el mapa
datos_mapa <- datos_indice %>%
  mutate(
    color_cat = case_when(
      ICMCE >= 80 ~ "#1a9850",
      ICMCE >= 65 ~ "#91cf60",
      ICMCE >= 50 ~ "#ffffbf",
      ICMCE >= 35 ~ "#fc8d59",
      TRUE ~ "#d73027"
    )
  )

# Crear paleta de colores
pal <- colorNumeric(
  palette = c("#d73027", "#fc8d59", "#ffffbf", "#91cf60", "#1a9850"),
  domain = datos_mapa$ICMCE
)

# Crear mapa interactivo
mapa <- leaflet(datos_mapa) %>%
  addProviderTiles(providers$CartoDB.Positron) %>%
  setView(lng = 0, lat = 30, zoom = 2) %>%
  addCircleMarkers(
    lng = ~lon,
    lat = ~lat,
    radius = ~sqrt(ICMCE) * 1.5,
    color = ~pal(ICMCE),
    fillColor = ~pal(ICMCE),
    fillOpacity = 0.7,
    stroke = TRUE,
    weight = 2,
    popup = ~paste0(
      "<strong>", pais, "</strong><br/>",
      "<hr style='margin: 5px 0;'/>",
      "<b>Índice ICMCE:</b> ", round(ICMCE, 2), "<br/>",
      "<b>Categoría:</b> ", categoria, "<br/>",
      "<b>Región:</b> ", region, "<br/>",
      "<hr style='margin: 5px 0;'/>",
      "<b>Consultores/1000 emp:</b> ", consultores_1000emp, "<br/>",
      "<b>Inversión (% PIB):</b> ", inversion_pct_pib, "%<br/>",
      "<b>Certificaciones:</b> ", certificaciones_pct, "%<br/>",
      "<b>Metodologías:</b> ", metodologias_formales_pct, "%<br/>",
      "<b>Digitalización:</b> ", digitalizacion_score
    ),
    label = ~paste0(pais, ": ", round(ICMCE, 1))
  ) %>%
  addLegend(
    position = "bottomright",
    pal = pal,
    values = ~ICMCE,
    title = "Índice ICMCE",
    opacity = 0.8,
    labFormat = labelFormat(suffix = "")
  ) %>%
  addControl(
    html = "<div style='background: white; padding: 10px; border-radius: 5px; 
            box-shadow: 0 0 10px rgba(0,0,0,0.2);'>
            <h4 style='margin: 0 0 10px 0;'>Índice de Madurez en Consultoría</h4>
            <p style='margin: 0; font-size: 11px;'>
            🔍 <strong>Instrucciones:</strong><br/>
            • Pasa el mouse sobre los círculos<br/>
            • Haz clic para ver detalles completos<br/>
            • Usa scroll para zoom<br/>
            • Arrastra para mover el mapa
            </p></div>",
    position = "topleft"
  )

mapa

5.1 Análisis Geográfico

# Estadísticas por región
stats_region <- datos_indice %>%
  group_by(region) %>%
  summarise(
    n_paises = n(),
    ICMCE_promedio = mean(ICMCE),
    ICMCE_sd = sd(ICMCE),
    ICMCE_min = min(ICMCE),
    ICMCE_max = max(ICMCE)
  ) %>%
  arrange(desc(ICMCE_promedio))

p4 <- ggplot(stats_region, aes(x = reorder(region, ICMCE_promedio), 
                                y = ICMCE_promedio, fill = region)) +
  geom_col(alpha = 0.8, show.legend = FALSE) +
  geom_errorbar(aes(ymin = ICMCE_promedio - ICMCE_sd, 
                    ymax = ICMCE_promedio + ICMCE_sd),
                width = 0.2, alpha = 0.7) +
  coord_flip() +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Promedio de Madurez en Consultoría por Región",
       subtitle = "Barras de error representan desviación estándar",
       x = NULL,
       y = "Índice ICMCE Promedio") +
  theme_minimal(base_size = 12)

ggplotly(p4)

6 Hallazgos Principales

6.1 Insights Estratégicos

6.1.1 1. Liderazgo Global

Los países con mayor madurez en consultoría empresarial se caracterizan por:

top_10 <- datos_indice %>% head(10)

stats_top <- data.frame(
  Indicador = c("Consultores promedio/1000 emp", 
                "Inversión promedio (% PIB)",
                "Certificaciones promedio (%)",
                "Metodologías formales (%)",
                "Digitalización promedio"),
  Top_10 = c(
    mean(top_10$consultores_1000emp),
    mean(top_10$inversion_pct_pib),
    mean(top_10$certificaciones_pct),
    mean(top_10$metodologias_formales_pct),
    mean(top_10$digitalizacion_score)
  ),
  Global = c(
    mean(datos_indice$consultores_1000emp),
    mean(datos_indice$inversion_pct_pib),
    mean(datos_indice$certificaciones_pct),
    mean(datos_indice$metodologias_formales_pct),
    mean(datos_indice$digitalizacion_score)
  )
) %>%
  mutate(Diferencia = Top_10 - Global)

kable(stats_top, digits = 2, 
      caption = "Comparación: Top 10 vs Promedio Global")
Comparación: Top 10 vs Promedio Global
Indicador Top_10 Global Diferencia
Consultores promedio/1000 emp 10.93 7.91 3.02
Inversión promedio (% PIB) 2.49 1.86 0.63
Certificaciones promedio (%) 73.20 60.07 13.13
Metodologías formales (%) 81.10 68.97 12.13
Digitalización promedio 88.80 77.93 10.87

6.1.2 2. Brechas de Desarrollo

# Identificar brechas por dimensión
brechas <- datos_indice %>%
  filter(categoria %in% c("Emergente", "En Desarrollo")) %>%
  summarise(
    paises_afectados = n(),
    brecha_densidad = mean(100 - cons_norm),
    brecha_inversion = mean(100 - inv_norm),
    brecha_certificacion = mean(100 - cert_norm),
    brecha_metodologias = mean(100 - met_norm),
    brecha_digitalizacion = mean(100 - dig_norm)
  )

brechas_long <- brechas %>%
  select(-paises_afectados) %>%
  pivot_longer(everything(), names_to = "dimension", values_to = "brecha") %>%
  mutate(dimension = str_remove(dimension, "brecha_"),
         dimension = str_to_title(dimension))

p5 <- ggplot(brechas_long, aes(x = reorder(dimension, brecha), y = brecha, fill = brecha)) +
  geom_col(alpha = 0.8) +
  scale_fill_gradient(low = "#fee08b", high = "#d73027") +
  coord_flip() +
  labs(title = "Brechas de Desarrollo en Países Emergentes",
       subtitle = paste("Basado en", brechas$paises_afectados, "países"),
       x = "Dimensión",
       y = "Brecha Promedio (puntos)") +
  theme_minimal() +
  theme(legend.position = "none")

ggplotly(p5)

6.1.3 3. Factores de Éxito

# Análisis de componentes principales - contribuciones
contrib_var <- fviz_contrib(pca_resultado, choice = "var", axes = 1, 
                            top = 5, 
                            title = "Contribución de Variables al Componente Principal 1")

contrib_var

7 Conclusiones y Recomendaciones

7.1 Conclusiones Clave

  1. Concentración de la Madurez: El análisis revela una fuerte concentración de la madurez consultiva en economías desarrolladas de América del Norte y Europa Occidental, donde el índice ICMCE supera los 75 puntos.

  2. Brecha Norte-Sur: Existe una marcada disparidad geográfica entre regiones desarrolladas y emergentes, con diferencias de hasta 40 puntos en el índice compuesto.

  3. Importancia de la Profesionalización: La certificación profesional (EC0249 y equivalentes) muestra la mayor correlación con el índice general (r > 0.85), sugiriendo que la institucionalización es un factor crítico.

  4. Digitalización como Acelerador: Los países con alto nivel de digitalización muestran una adopción 35% más rápida de metodologías formales de planeación estratégica.

  5. ROI en Consultoría: Los mercados maduros invierten entre 2.3-2.8% del PIB empresarial en consultoría, comparado con 1.0-1.4% en mercados emergentes.

7.2 Recomendaciones Estratégicas

7.2.1 Para Mercados Emergentes

  • Priorizar la profesionalización mediante programas de certificación equivalentes a EC0249
  • Establecer incentivos fiscales para la contratación de servicios consultivos
  • Desarrollar infraestructura digital para habilitar modelos de consultoría virtual
  • Crear alianzas público-privadas para capacitación en metodologías formales

7.2.2 Para el Sector Consultivo

  • Estandarizar metodologías basadas en frameworks internacionales (BSC, OKR, Lean, Six Sigma)
  • Invertir en transformación digital de servicios consultivos
  • Desarrollar capacidades especializadas en industrias estratégicas
  • Establecer métricas de impacto para demostrar ROI de la consultoría

7.2.3 Para Organizaciones Cliente

  • Aumentar presupuesto estratégico destinado a consultoría profesional
  • Exigir certificaciones y credenciales reconocidas internacionalmente
  • Implementar frameworks metodológicos con acompañamiento especializado
  • Medir resultados mediante KPIs vinculados a objetivos estratégicos

7.3 Limitaciones del Estudio

  • Los datos presentados son representativos y simulados para fines demostrativos
  • Se requiere validación con fuentes primarias (encuestas, censos económicos, registros profesionales)
  • El índice no captura dimensiones cualitativas de la consultoría (calidad, satisfacción del cliente)
  • Las certificaciones varían en rigor y reconocimiento entre países

7.4 Líneas de Investigación Futuras

  • Análisis longitudinal de la evolución del índice ICMCE
  • Estudio del impacto de la consultoría en indicadores de desempeño organizacional
  • Evaluación de la efectividad de diferentes frameworks de planeación estratégica
  • Análisis sectorial de la penetración consultiva (manufactura, servicios, tecnología, etc.)

8 Referencias Metodológicas

  • Análisis de Componentes Principales: Técnica de reducción dimensional que identifica los componentes con mayor varianza explicada.
  • Normalización Min-Max: Escalamiento que transforma variables a un rango 0-100 para comparabilidad.
  • Índice Compuesto: Agregación ponderada de múltiples indicadores normalizados.
  • Certificación EC0249: Estándar de competencia mexicano en consultoría empresarial (CONOCER).
  • Frameworks: Balanced Scorecard (Kaplan-Norton), OKR (Objectives and Key Results), Lean Six Sigma, Design Thinking.

Documento generado con R Markdown. Análisis reproducible y actualizable.

sessionInfo()
## R version 4.5.2 (2025-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26100)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=Spanish_Mexico.utf8  LC_CTYPE=Spanish_Mexico.utf8   
## [3] LC_MONETARY=Spanish_Mexico.utf8 LC_NUMERIC=C                   
## [5] LC_TIME=Spanish_Mexico.utf8    
## 
## time zone: America/Mexico_City
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] geojsonio_0.11.3  factoextra_1.0.7  FactoMineR_2.12   corrplot_0.95    
##  [5] viridis_0.6.5     viridisLite_0.4.2 scales_1.4.0      DT_0.34.0        
##  [9] knitr_1.50        plotly_4.11.0     leaflet_2.2.3     lubridate_1.9.4  
## [13] forcats_1.0.1     stringr_1.6.0     dplyr_1.1.4       purrr_1.2.0      
## [17] readr_2.1.6       tidyr_1.3.1       tibble_3.3.0      ggplot2_4.0.1    
## [21] tidyverse_2.0.0  
## 
## loaded via a namespace (and not attached):
##  [1] DBI_1.2.3               gridExtra_2.3           sandwich_3.1-1         
##  [4] rlang_1.1.6             magrittr_2.0.4          multcomp_1.4-29        
##  [7] e1071_1.7-16            compiler_4.5.2          vctrs_0.6.5            
## [10] httpcode_0.3.0          pkgconfig_2.0.3         fastmap_1.2.0          
## [13] backports_1.5.0         labeling_0.4.3          geojsonsf_2.0.3        
## [16] rmarkdown_2.30          tzdb_0.5.0              xfun_0.54              
## [19] cachem_1.1.0            jsonlite_2.0.0          flashClust_1.01-2      
## [22] broom_1.0.10            cluster_2.1.8.1         R6_2.6.1               
## [25] bslib_0.9.0             stringi_1.8.7           RColorBrewer_1.1-3     
## [28] car_3.1-3               jquerylib_0.1.4         estimability_1.5.1     
## [31] Rcpp_1.1.0              zoo_1.8-14              leaflet.providers_2.0.0
## [34] Matrix_1.7-4            splines_4.5.2           timechange_0.3.0       
## [37] tidyselect_1.2.1        abind_1.4-8             rstudioapi_0.17.1      
## [40] yaml_2.3.10             codetools_0.2-20        curl_7.0.0             
## [43] lattice_0.22-7          withr_3.0.2             S7_0.2.1               
## [46] evaluate_1.0.5          survival_3.8-3          sf_1.0-22              
## [49] units_1.0-0             proxy_0.4-27            pillar_1.11.1          
## [52] ggpubr_0.6.2            carData_3.0-5           KernSmooth_2.23-26     
## [55] generics_0.1.4          sp_2.2-0                hms_1.1.4              
## [58] xtable_1.8-4            leaps_3.2               class_7.3-23           
## [61] glue_1.8.0              emmeans_2.0.0           scatterplot3d_0.3-44   
## [64] lazyeval_0.2.2          tools_4.5.2             data.table_1.17.8      
## [67] ggsignif_0.6.4          mvtnorm_1.3-3           geojson_0.3.5          
## [70] grid_4.5.2              crosstalk_1.2.2         jqr_1.4.0              
## [73] Formula_1.2-5           cli_3.6.5               V8_8.0.1               
## [76] gtable_0.3.6            rstatix_0.7.3           sass_0.4.10            
## [79] digest_0.6.38           classInt_0.4-11         ggrepel_0.9.6          
## [82] crul_1.6.0              TH.data_1.1-5           htmlwidgets_1.6.4      
## [85] farver_2.1.2            htmltools_0.5.8.1       lifecycle_1.0.4        
## [88] httr_1.4.7              multcompView_0.1-10     MASS_7.3-65