Diseño de un sistema de trazabilidad para el registro y seguimiento de operaciones y procesos en la producción porcina por medio de la implementación de herramientas tecnológicas en Montería, Córdoba.
Isaias Petro, Andrés Osorio, Ronaldo Navarro, Alejandro Pemberty, Lorena Negrete
El Problema de Investigación
Planteamiento del problema
El sector porcino en el departamento de Córdoba representa una actividad económica y productiva creciente dentro del contexto regional y nacional. El inventario porcino en Córdoba cuenta con aproximadamente 433.282 cerdos, lo cual representa cerca del 4,1% del total nacional, posicionando al departamento como un actor importante dentro de la industria porcícola colombiana según el Instituto Nacional Agropecuario (ICA, 2024).
A pesar del impacto nacional, se conoce que la actividad pecuaria es un pilar fundamental en la economía rural en la región cordobesa. La gestión productiva se caracteriza por el uso de métodos tradicionales y registros empíricos sin apoyo de sistemas para registrar y procesar información del proceso productivo, lo cual marca limitantes en la eficiencia operativa, dificultando la trazabilidad.
Desde la perspectiva de la ingeniería industrial, esta situación no solo representa una deficiencia tecnológica, sino también una falla estructural en los sistemas de control e información dentro de la cadena de valor del sector porcino en el departamento. Esta problemática se evidencia particularmente en predios productivos como la finca Villa Sayo, donde la ausencia de registros sistematizados dificulta el seguimiento de los procesos productivos. En este sentido, se vuelve evidente la necesidad de diseñar e implementar un sistema de registro y trazabilidad que permita consolidar información productiva en el predio, con el fin de mejorar la eficiencia operativa y fortalecer la toma de decisiones.
Formulación del problema
La producción porcina desarrollada en el predio Villa Sayo, ubicado en el municipio de Montería, Córdoba, opera actualmente bajo métodos tradicionales y registros empíricos que carecen del soporte de sistemas tecnológicos para el registro y procesamiento de información productiva, lo que genera deficiencias en el control de las operaciones diarias y dificulta el seguimiento de los animales y los procesos dentro de la granja.
Objetivos
Objetivo general
Desarrollar un modelo de gestión productiva porcina basado en el registro digital de variables sanitarias y operativas, mediante el uso de herramientas de análisis descriptivo y predictivo en Python, aplicado a unidades productivas del departamento de Córdoba.
Objetivos específicos
Diseñar el proceso productivo del Predio Villa Sayo por medio de la detección de procesos críticos, controles y posibles cuellos de botella, que permita generar una medición inicial del sistema de producción porcina.
Formular un sistema de trazabilidad que integre el control sanitario y la toma de decisiones, por medio de la determinación de la información mínima requerida de las operaciones productivas y sanitarias, con el fin de mejorar la gestión de los lotes de animales.
Plantear un modelo estructural y funcional que integre la información sobre alimentación, sanidad, reproducción y crecimiento del lote porcino, por medio de un sistema de trazabilidad digital, con el fin de categorizar el seguimiento productivo.
Proponer un modelo matemático que establezca indicadores de desempeño (KPIs) y métricas de control, por medio de un mecanismo de registro digital adaptado al contexto rural, con el fin de mejorar los procesos, reducir pérdidas productivas y fortalecer la bioseguridad.
Justificación de la investigación
La falta de mecanismos formales para la recolección, almacenamiento y análisis son generalmente considerados de poco interés por parte del campesino o pequeño porcicultor, lo cual limita la capacidad de los productores para realizar un seguimiento adecuado de variables fundamentales como la alimentación, el crecimiento de los animales, el manejo sanitario y los indicadores de productividad.
Esta investigación busca responder a condiciones reales del entorno de producción porcícola regional. Por esta razón, el diseño del sistema propuesto contempla la creación de mecanismos simples, intuitivos y accesibles para la recolección de información, con el propósito de facilitar su implementación y promover su adopción por parte de los productores.
Limitaciones
Según el Departamento Administrativo Nacional de Estadística (2023), solo el 28,8% de los hogares rurales en Colombia tiene acceso a internet. Esto evidencia limitaciones tecnológicas en la conectividad, especialmente en zonas rurales como Montería, donde el acceso puede ser inestable. Por ello, la implementación de sistemas de trazabilidad se ve afectada, ya que dificulta la actualización en tiempo real de la información y el uso de dispositivos tecnológicos en los predios.
Según el DANE, entre los hogares rurales sin internet, el 48,6% señala el costo como principal barrera, seguido de la falta de cobertura y equipos. Esto refleja limitaciones económicas en la adopción tecnológica. En consecuencia, los costos de implementación, mantenimiento y capacitación de un sistema de trazabilidad representan una barrera significativa para pequeños productores.
Según el Ministerio de Tecnologías de la Información y las Comunicaciones, solo el 34,7% de los colombianos tiene habilidades digitales básicas. En consecuencia, la implementación de un sistema de trazabilidad requiere procesos de capacitación y acompañamiento para garantizar su uso adecuado.
El reducido número de animales incluidos en el estudio podría restringir la capacidad de generalizar los resultados obtenidos a poblaciones más amplias. Asimismo, los recursos financieros disponibles pueden limitar la adquisición de equipos y la cobertura total de productores participantes.
Marco Teórico
Análisis bibliométrico
Con el fin de identificar el estado del arte sobre trazabilidad en producción porcina y sistemas de información agropecuaria, se realizó una búsqueda sistemática en la base de datos Scopus. Los resultados fueron procesados mediante el software VOSviewer, generando un mapa de co-ocurrencia de palabras clave que permitió identificar cinco clústeres temáticos principales en la literatura científica (ver @fig-bibliometrico).
En el clúster representado en color rojo, se agrupan las investigaciones relacionadas con sanidad animal y epidemiología, cuyos términos centrales son *veterinary medicine*, *epidemic* y *african swine fever*. En estrecha relación con este clúster, el segundo grupo temático, identificado en color verde, concentra investigaciones sobre tecnologías de seguimiento y procedimientos de precisión, entre las que destacan términos como *real time tracking system* y *algorithm*.
Por otra parte, el tercer clúster, representado en color azul, agrupa investigaciones que abordan la trazabilidad desde una perspectiva genética y molecular, con términos como *genetics*, *genotype* y *polymerase chain reaction*. En contraste, el cuarto clúster, en color amarillo, resulta el de mayor relevancia para la presente investigación, dado que concentra conceptos como *traceability*, *food safety*, *meat* y *commerce*. Finalmente, el quinto clúster, en color morado, agrupa estudios de experimentación con cerdos como modelo animal en contextos biomédicos.
A partir de este análisis se concluye que, si bien existe producción científica consolidada sobre trazabilidad porcina en los ámbitos sanitario, genético y comercial, persiste un vacío relativo en investigaciones que integren sistemas de registro digital adaptados a contextos rurales de pequeños productores. Dicha brecha justifica y refuerza la pertinencia del presente proyecto.
Antecedentes de la investigación
Antecedente internacional
Un estudio realizado por Florence Mutua, Johanna Lindahl y Delia Randolph (2020), publicado en la revista *Tropical Animal Health and Production*, analizó la viabilidad de implementar un sistema de identificación y trazabilidad en la producción porcina de pequeños productores en Kenia. Los resultados indicaron que la implementación de sistemas de trazabilidad puede mejorar el control sanitario, la seguridad alimentaria y la gestión de enfermedades como la peste porcina africana, además de facilitar el seguimiento de los animales desde la granja hasta el consumidor.
Antecedente internacional
Un estudio realizado por Zeng Jin Liu, Ning Geng y Zhuo Yu (2022), publicado en *International Journal of Environmental Research and Public Health*, analizó el impacto de los sistemas de trazabilidad en la regulación del uso de medicamentos veterinarios en granjas porcinas de China. Los resultados evidenciaron que la adopción de estos sistemas contribuye a mejorar las prácticas productivas, promoviendo un uso más controlado de medicamentos veterinarios y fortaleciendo la seguridad alimentaria.
Antecedente internacional
Un estudio realizado por Ruiyu Sun, Siyao Zhang, Tianyu Wang, Jiarui Hu, Junhu Ruan y Junyong Ruan (2021), publicado en *Sustainability*, analizó la disposición de los criadores de cerdos para adoptar tecnologías del Internet de las Cosas (IoT) en sistemas de trazabilidad alimentaria, mediante una encuesta aplicada a 264 productores porcinos utilizando el modelo UTAUT. El estudio concluye que la adopción de tecnologías digitales en la producción porcina puede mejorar el monitoreo productivo, fortalecer la seguridad alimentaria y contribuir al desarrollo de sistemas más eficientes y sostenibles.
Antecedente latinoamericano
En Honduras, Alexandra Marie Soriano Castro (2017) desarrolló el estudio titulado “Diseño base de un sistema de trazabilidad en la cadena de valor porcina de la Escuela Agrícola Panamericana Zamorano”. Los resultados demostraron que los formatos de registro permiten recolectar información relevante sobre los procesos productivos y sanitarios. El estudio concluye que la implementación de un sistema de trazabilidad mejora el control sanitario y facilita el seguimiento de los animales.
Antecedente internacional
En Brasil, Clandio Favarini Ruviaro, Júlio Otávio Jardim Barcellos y Homero Dewes (2013) analizaron la importancia de la trazabilidad del ganado en la Amazonia Legal brasileña como herramienta para mejorar la sostenibilidad y la competitividad del sector ganadero. Los resultados indicaron que la certificación y trazabilidad se han convertido en requisitos fundamentales para la exportación de carne bovina.
Antecedente nacional
En Colombia, Danny Sandoval, Manuel Díaz y Stefan Burkart (2025) analizaron el estado de los sistemas de trazabilidad en la producción pecuaria colombiana en el estudio titulado “Between challenges and opportunities: Traceability as a key to sustainable livestock farming in Colombia”. Los resultados evidenciaron que, aunque existen diversas iniciativas de trazabilidad en el país, aún persisten limitaciones como la ausencia de un sistema centralizado de información y falta de criterios técnicos estandarizados.
Bases teóricas
En el contexto de la producción porcina, la gestión adecuada de la información productiva y sanitaria representa un elemento fundamental para mejorar el control de los procesos, la eficiencia operativa y la toma de decisiones dentro de las unidades productivas. En muchas unidades productivas porcinas, especialmente en entornos rurales, los registros de producción suelen realizarse de forma manual o mediante métodos empíricos, lo que dificulta el seguimiento de los animales y la organización de la información.
Trazabilidad en la producción porcina
La trazabilidad se refiere a la capacidad de rastrear el origen, ubicación e historial de un animal o producto a lo largo de las diferentes etapas del proceso productivo. En la producción porcina, los sistemas de trazabilidad facilitan el seguimiento tanto de los lotes de animales como de los individuos dentro de la granja, permitiendo registrar eventos importantes como nacimientos, pesajes, tratamientos sanitarios y mortalidad.
Sistemas de información aplicados a la producción pecuaria
Los sistemas de información son herramientas tecnológicas diseñadas para recolectar, almacenar, procesar y analizar datos con el fin de apoyar la gestión y la toma de decisiones. La digitalización de los registros productivos permite reemplazar métodos tradicionales basados en anotaciones manuales, facilitando la organización de la información y el acceso a datos históricos de producción.
Identificación animal y gestión por lotes
La identificación de los animales es fundamental en los sistemas de trazabilidad pecuaria. En la producción porcina, los animales pueden identificarse mediante aretes o tags que permiten diferenciar cada individuo. La combinación de identificación individual y gestión por lotes permite desarrollar sistemas de trazabilidad más completos, en los cuales se puede realizar seguimiento tanto del desempeño productivo del lote como del historial individual.
Uso de códigos QR en sistemas de trazabilidad
Los códigos QR son códigos bidimensionales que permiten almacenar información y ser leídos mediante dispositivos móviles. En los sistemas de trazabilidad agropecuaria, los códigos QR pueden utilizarse para identificar lotes de producción, y al escanear el código el usuario puede acceder a una interfaz digital donde es posible registrar información relacionada con los procesos productivos. El uso de códigos QR representa una alternativa accesible para pequeños y medianos productores.
Aplicaciones digitales y análisis de datos en la gestión productiva
El uso de aplicaciones digitales en el sector agropecuario ha permitido mejorar la gestión de la información dentro de los sistemas productivos. El uso de lenguajes de programación como Python facilita el procesamiento y análisis de estos datos, permitiendo generar información útil para mejorar la gestión productiva y apoyar la toma de decisiones. Librerías especializadas como Pandas, NumPy, Matplotlib, Scikit-learn y PuLP cubren el ciclo completo del dato desde su ingesta hasta la optimización de decisiones productivas.
Definición de términos básicos
Trazabilidad: capacidad de rastrear el origen, ubicación e historial de un producto o animal a lo largo de las diferentes etapas del proceso productivo.
Producción porcina: actividad pecuaria dedicada a la cría, manejo y engorde de cerdos con fines comerciales o de consumo.
Lote de producción: grupo de animales que comparten características similares como edad, manejo o etapa productiva dentro de una granja.
Identificación animal: proceso mediante el cual se asigna un código o dispositivo a un animal para diferenciarlo dentro del sistema productivo.
Código QR: código bidimensional que puede almacenar información y ser leído mediante dispositivos móviles para acceder a registros digitales.
Sistema de información: conjunto de herramientas tecnológicas que permiten recolectar, procesar y analizar datos para apoyar la toma de decisiones.
Indicadores productivos: medidas utilizadas para evaluar el desempeño y eficiencia de un sistema de producción animal.
Ganancia de peso: incremento del peso corporal de un animal durante un periodo determinado.
Modelo matemático de optimización: formulación matemática que maximiza o minimiza una función objetivo sujeta a restricciones, utilizada en este proyecto para maximizar la utilidad económica del sistema de levante.
Hipótesis
No se plantean hipótesis en esta investigación, debido a que el estudio se enfoca en el diseño y desarrollo de un sistema de trazabilidad digital para la gestión de información en la producción porcina.
Variables
Variable independiente: diseño de un sistema digital de trazabilidad basado en códigos QR y una aplicación desarrollada en Python para el registro de información productiva en el predio Villa Sayo.
Variable dependiente: registro y seguimiento de la información productiva de los animales y lotes dentro del predio Villa Sayo.
Marco Metodológico
Nivel de investigación
La presente investigación se enmarca en un nivel aplicado de carácter descriptivo-propositivo. Según Roberto Hernández Sampieri, Fernández y Baptista (2014), los estudios de nivel aplicado buscan generar conocimiento con aplicación directa a problemas concretos de la práctica productiva.
En este caso, el problema identificado corresponde a la ausencia de mecanismos formales de registro y seguimiento de la información productiva y sanitaria en unidades porcinas del municipio de Montería, departamento de Córdoba. El Manual de Producción Porcícola del SENA-CLEM (Carrero González, 2005) señala que los registros son generalmente considerados de muy poco interés por parte del campesino o pequeño porcicultor, quien desconoce cuáles deben llevarse, cómo tomar los datos y cómo analizarlos, confiándose frecuentemente en la memoria.
El alcance descriptivo permite caracterizar sistemáticamente los procesos operativos del predio —gestación, maternidad, precebo, levante y ceba—, así como sus flujos de información y los puntos críticos de control que carecen de registro formal. A partir de lo anterior, el componente propositivo orienta esos hallazgos hacia la formulación de un modelo de gestión digital: una aplicación desarrollada en Python con Flask, accesible mediante códigos QR, que centraliza el registro productivo y habilita el análisis de datos.
El enfoque epistemológico es de naturaleza mixta. Por un lado, articula componentes cuantitativos derivados del registro y análisis estadístico de variables como ganancia media diaria, conversión alimenticia y tasas de mortalidad. Por otro lado, incorpora componentes cualitativos obtenidos mediante observación directa, entrevistas y análisis documental (Creswell y Creswell, 2018).
| Criterio | Tipo seleccionado | Justificación |
|---|---|---|
| Nivel | Aplicada | Resuelve la ausencia de trazabilidad en producción porcina en Córdoba. |
| Alcance | Descriptivo – Propositivo | Describe los procesos actuales y propone un modelo de gestión digital basado en los hallazgos. |
| Paradigma | Mixto | Integra indicadores cuantitativos (índices productivos) con información cualitativa de campo. |
Nota. Elaboración propia con base en Hernández-Sampieri et al. (2014) y Ñaupas et al. (2018).
Diseño de investigación
Se estudia la situación real de la porcícola, observando y registrando la información directamente en el lugar, sin manipular las variables. Dado que el seguimiento de variables —alimentación, crecimiento, reproducción, mortalidad e insumos— se efectúa en los diferentes momentos del ciclo porcino, que comprende las etapas de gestación (~114 días), maternidad o lactancia (21–25 días), precebo o iniciación (de destete hasta aproximadamente 20 kg), levante (de 20 kg hasta 45 kg) y ceba (de 45 kg hasta el peso de mercado, generalmente entre 80 y 100 kg), según los parámetros técnicos del sector (Carrero González, 2005).
La estrategia metodológica corresponde a un estudio de caso único (Yin, 2018), que permite un análisis profundo y contextualizado de la unidad productiva. En términos operativos, la investigación sigue cuatro fases interrelacionadas: Fase I, diagnóstico; Fase II, análisis; Fase III, diseño del modelo de trazabilidad digital; y Fase IV, validación y ajuste mediante prueba piloto con retroalimentación del productor.
| Dimensión | Clasificación | Fundamento |
|---|---|---|
| Diseño general | No experimental – de campo | Se observan y registran condiciones reales sin manipulación de variables. |
| Temporalidad | Longitudinal prospectivo | Seguimiento de variables en distintos momentos del ciclo porcino. |
| Estrategia | Estudio de caso único | Análisis profundo de una unidad productiva específica en Montería. |
| Enfoque de diseño | Investigación-acción tecnológica | Concluye con el diseño e implementación de una herramienta tecnológica aplicable. |
Nota. Elaboración propia con base en Yin (2018) y Creswell y Creswell (2018).
Población y muestra
Población
La población de referencia está constituida por el conjunto de unidades productivas porcinas del municipio de Montería, Córdoba. El departamento alberga aproximadamente 433.282 cabezas de cerdo, equivalentes al 4,1% del total nacional, lo que evidencia la relevancia del sector en el contexto regional (PorkColombia, 2023). La organización por etapa sigue la estructura del ciclo productivo porcino colombiano: gestación, maternidad, precebo, levante y ceba, coherente con los criterios técnicos del SENA-CLEM (Carrero González, 2005).
Muestra
La muestra es de naturaleza intencional o por conveniencia (Patton, 2015), siendo la unidad de análisis el predio porcino Villa Sayo ubicado en el municipio de Montería. Los criterios de inclusión son: operación activa con mínimo dos ciclos productivos documentados; disposición del productor para participar en el diagnóstico y la validación; presencia de al menos dos etapas del ciclo completo durante el período de recolección; y cobertura mínima de red móvil para el uso de formularios digitales en campo.
Técnicas e instrumentos de recolección de datos
La recolección de información se estructuró conforme al enfoque mixto adoptado, combinando técnicas cualitativas y cuantitativas para garantizar la triangulación de fuentes y la validez interna de los datos (Denzin y Lincoln, 2011). Se emplearon cinco técnicas complementarias.
Observación directa y estructurada
Se realizarán visitas técnicas al predio durante al menos tres sesiones por fase productiva, orientadas al mapeo de los flujos operativos de alimentación, control sanitario, pesaje de animales y gestión de mortalidad en cada etapa del ciclo. Se utilizarán fichas de observación estructuradas elaboradas con base en los estándares del ICA y la Guía de Buenas Prácticas Porcícolas (BPP).
Entrevista semiestructurada
Se aplicará una guía de entrevista semiestructurada al productor y personal operativo para caracterizar las prácticas actuales de registro, identificar variables controladas de manera empírica y conocer las percepciones sobre el uso de herramientas digitales. La guía combina preguntas abiertas y escala Likert (Creswell y Creswell, 2018).
Análisis documental
Se revisarán los registros históricos disponibles en el predio —libretas de campo, planillas de alimentación y fichas veterinarias— con el fin de reconstruir la línea base de variables productivas y sanitarias. El análisis contempla los tipos de registros técnicamente recomendados para la producción porcina colombiana tales como registros de parto, tarjetas individuales por animal, inventario de animales por etapa, registros de alimentación, control de medicamentos y mortalidad por etapa (Carrero González, 2005).
Encuesta de apropiación tecnológica
Se aplicará un formulario estructurado al productor y su personal para evaluar el nivel de familiarización con dispositivos móviles y plataformas digitales. Los resultados orientarán las decisiones de diseño de interfaz de la aplicación. El formulario se implementará en Google Forms o KoBoToolbox para facilitar la exportación directa de datos hacia Python.
Registro digital en campo mediante QR (sistema piloto)
El mecanismo central de captura de datos consiste en formularios digitales vinculados a códigos QR asignados a cada lote de animales. Desde la aplicación desarrollada en Python con Flask y respaldada en una base de datos relacional SQLite o PostgreSQL, es posible ingresar los eventos productivos de cada etapa: nacimientos y camadas, pesajes periódicos, tratamientos sanitarios aplicados, consumo de alimento por corral, mortalidad con causa registrada y observaciones de manejo.
El sistema utiliza dos niveles de identificación de forma complementaria: identificación por lote, mediante el código QR asignado al corral, e identificación individual, mediante el tag o arete de cada animal.
| Fuente | Técnica | Instrumento | Propósito |
|---|---|---|---|
| Personal de la granja | Entrevista semiestructurada | Guía validada por expertos | Caracterizar prácticas de registro e identificar brechas operativas |
| Animales en producción | Observación directa estructurada | Fichas técnicas ICA / BPP | Mapear flujos operativos, sanitarios y puntos críticos por etapa |
| Registros históricos | Análisis documental | Planilla de revisión documental | Establecer línea base productiva; identificar vacíos de información |
| Productor y personal | Encuesta estructurada | Formulario Google Forms / KoBoToolbox | Evaluar apropiación tecnológica y orientar diseño de interfaz |
| Variables por lote | Registro digital QR (piloto) | App Flask + base de datos SQLite/PostgreSQL | Capturar datos productivos para análisis descriptivo y predictivo |
Nota. Elaboración propia (2025).
Técnicas de procesamiento y análisis de datos
El procesamiento y análisis de los datos recolectados se llevará a cabo mediante una estrategia integrada que combina análisis estadístico descriptivo, modelado predictivo y visualización, implementados íntegramente en Python. Esta elección responde al objetivo general del proyecto: desarrollar un modelo de gestión productiva basado en herramientas tecnológicas de análisis de datos. Python ofrece un ecosistema de bibliotecas especializadas —Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, PuLP y Streamlit— que cubren el ciclo completo del dato, desde su ingesta y limpieza hasta la optimización y visualización en tiempo real.
Procesamiento y limpieza de datos
Los datos recolectados a través de los formularios QR serán exportados desde la base de datos en formato `.csv` o `.xlsx` y procesados con Pandas y NumPy. El proceso incluirá identificación y tratamiento de valores atípicos e imputación de datos faltantes mediante métodos estadísticamente justificados —mediana, según la variable—. Para el caso del peso vivo, el sistema contemplará también el método de estimación por perímetro torácico y longitud corporal, técnica documentada por Carrero González (2005) como alternativa práctica para el contexto del pequeño porcicultor colombiano.
Análisis estadístico descriptivo
Se calcularán medidas de tendencia central y dispersión —media, mediana, desviación estándar, coeficiente de variación— junto con distribuciones de frecuencia para las principales variables productivas: peso vivo por etapa, consumo diario de alimento, conversión alimenticia, tasa de natalidad, mortalidad por etapa y frecuencia de eventos sanitarios. Los resultados se presentarán mediante gráficos de línea, histogramas, boxplots y diagramas de dispersión generados con Matplotlib y Seaborn.
Análisis predictivo y modelado
Como componente avanzado del modelo de gestión, se explorarán modelos de predicción de variables clave —peso al sacrificio y detección temprana de eventos sanitarios críticos— mediante regresión lineal múltiple. La validación se realizará con partición k-fold y métricas RMSE, MAE y R². La incorporación del modelado predictivo distingue el sistema propuesto de los sistemas de trazabilidad convencionales, al dotarlo de capacidad anticipatoria para fortalecer la toma de decisiones productivas y sanitarias.
Indicadores de desempeño (KPIs) y métricas de control
A partir del análisis de datos, el sistema calculará automáticamente un tablero de indicadores de desempeño productivo y sanitario, actualizados de forma periódica conforme al ingreso de nuevos registros. La selección y parametrización de los indicadores se fundamenta en los índices de producción establecidos por el Manual de Producción Porcícola del SENA-CLEM (Carrero González, 2005), complementados con los estándares de PorkColombia (2023) y el National Pork Board (2022).
| Dimensión | Indicador (KPI) | Fórmula | Meta buena | Fuente |
|---|---|---|---|---|
| Reproducción | Tasa de natalidad | (Nacidos vivos / Partos totales) × 100 | ≥ 90% | SENA (2005) |
| Reproducción | Partos / cerda / año | Total partos / Cerdas promedio | ≥ 1.8 | SENA (2005) |
| Reproducción | Lechones destetados / cerda / año | Destetados/parto × partos/cerdas | ≥ 15 | SENA (2005) |
| Crecimiento | Ganancia Media Diaria (GMD) | (Peso final − Peso inicial) / días | ≥ 600 g/día | SENA (2005) |
| Sanidad | Tasa de mortalidad por etapa | (Animales muertos / Total lote) × 100 | ≤ 2% | SENA (2005) |
| Alimentación | Conversión alimenticia (CA) | kg alimento / kg ganado | ≤ 3.4 | SENA (2005) |
| Trazabilidad | Cobertura de registro digital | (Eventos registrados / Total) × 100 | ≥ 85% | Propia |
| Bioseguridad | Cumplimiento protocolo sanitario | Lista de verificación ICA | ≥ 95% | ICA (2022) |
Nota. Elaboración propia con base en Carrero González (2005), PorkColombia (2023), National Pork Board (2022) e ICA (2022).
Visualización, presentación de resultados y validación del sistema
Los resultados del análisis se integrarán en un módulo de visualización desarrollado con Streamlit o Dash (Plotly), el cual permitirá consultar en tiempo real el comportamiento de las variables productivas, recibir alertas ante desviaciones de los umbrales establecidos y generar reportes exportables en formato PDF. El diseño de esta interfaz estará guiado por principios de usabilidad y accesibilidad, considerando usuarios con baja alfabetización digital, mediante el uso de interfaces visuales sencillas, iconografía intuitiva y retroalimentación inmediata ante cada acción.
La validación del sistema se realizará mediante dos mecanismos. Por un lado, la validación técnica contrastará la precisión de los registros digitales capturados frente a los registros físicos históricos disponibles. Por otro lado, la validación funcional evaluará la usabilidad del sistema mediante la Escala de Usabilidad del Sistema (SUS), adaptada al contexto rural colombiano.
Aspectos Administrativos
Recursos: humanos, materiales y financieros
Para la ejecución del presente proyecto, se requiere la articulación de recursos humanos, materiales y financieros que permitan el desarrollo adecuado de las actividades planteadas en el marco metodológico.
Recursos humanos
El desarrollo del sistema de trazabilidad digital demanda la participación de los siguientes actores:
- Investigadores principales (5): responsables del diseño del sistema, recolección de datos, procesamiento de información y análisis de resultados.
- Asesor académico: encargado de orientar el enfoque metodológico y validar la rigurosidad del proyecto.
- Productor o encargado del predio: proporciona acceso a la información productiva, facilita el ingreso al campo y valida el funcionamiento del sistema propuesto.
- Personal operativo del predio: apoya el registro de datos en campo y la implementación del sistema de trazabilidad mediante el uso de códigos QR.
Recursos materiales
Para la implementación del sistema y el desarrollo de la investigación se requieren los siguientes recursos:
- Computador portátil (por integrante del equipo investigador)
- Teléfono inteligente con acceso a internet (por integrante)
- Conectividad a red móvil o Wi-Fi
- Códigos QR impresos para identificación de lotes
- Aretes o elementos de identificación animal
- Papelería (cuadernos, fichas de observación, impresiones)
- Software: Python (Pandas, NumPy, Matplotlib, Scikit-learn, PuLP), Flask, SQLite / PostgreSQL, Google Forms / KoBoToolbox, Excel
Recursos financieros
La siguiente tabla presenta el presupuesto estimado para la ejecución del proyecto, contemplando los rubros directamente asociados a las actividades de campo, implementación tecnológica y materiales. Los costos de software son nulos dado que se utilizan herramientas de código abierto.
| Rubro | Descripción | Cantidad | Costo estimado (COP) |
|---|---|---|---|
| Transporte | Visitas técnicas al Predio Villa Sayo (5 fases × 3 sesiones) | 15 visitas | $225.000 |
| Impresión QR y papelería | Etiquetas QR, fichas de observación, formularios físicos | 1 kit | $80.000 |
| Identificación animal | Aretes o tags para identificación individual de animales | 20 unidades | $120.000 |
| Conectividad | Datos móviles para formularios digitales en campo | 3 meses | $90.000 |
| Alojamiento digital | Hosting básico para aplicación Flask (servidor en la nube) | 3 meses | $150.000 |
| Materiales de oficina | Cuadernos, bolígrafos, impresiones de informes | Global | $60.000 |
| Imprevistos (10%) | Contingencias operativas del proyecto | — | $72.500 |
| TOTAL | — | — | $797.500 |
Nota. Elaboración propia (2026). Los rubros de software (Python, Flask, PostgreSQL) tienen costo $0 al ser herramientas de código abierto. El presupuesto excluye equipos de cómputo y teléfonos, los cuales son propiedad de los investigadores.
Modelo Matemático del Sistema de Levante Porcino
El presente capítulo desarrolla el modelo matemático propuesto para el sistema de levante porcino del Predio Villa Sayo, dando cumplimiento al cuarto objetivo específico del proyecto. El modelo establece los indicadores de desempeño (KPIs) y métricas de control del sistema, y los integra con un componente de optimización lineal que permite determinar la estrategia de alimentación que maximiza la utilidad económica del lote bajo condiciones reales del pequeño productor rural de Montería.
Adicionalmente, el modelo incorpora un módulo de variación dinámica de precios de mercado que, mediante consultas a APIs de datos financieros, actualiza el precio de venta proyectado al momento de la comercialización, permitiendo evaluar el desempeño financiero del sistema bajo distintos escenarios de mercado.
Conjuntos e índices
El modelo opera sobre los siguientes conjuntos que definen el espacio de decisión del sistema productivo:
| Notación | Rango | Descripción |
|---|---|---|
| \(j\) | \(j = 1, 2, \ldots, N\) | Conjunto de porcinos que conforman el lote de producción |
| \(i\) | \(i = 1, 2, \ldots, T\) | Conjunto de días que dura la etapa de levante |
Parámetros
Los parámetros del modelo son valores calibrados con datos técnicos del SENA-CLEM (Carrero González, 2005) y con las condiciones económicas reales del mercado porcino local de Montería para el año 2026.
| Símbolo | Descripción | Valor Villa Sayo | Justificación |
|---|---|---|---|
| \(N\) | Animales por lote de producción | 15 animales | Escala real del Predio Villa Sayo |
| \(T\) | Días de la etapa de levante | 60 días | Levante 20–45 kg (SENA-CLEM, 2005) |
| \(P_{\text{inicial}}\) | Peso promedio al inicio del levante | 20.655–21.025 kg | GDP promedio por raza (datos campo) |
| \(\text{GMD}_{\max}\) | Ganancia diaria máxima (por raza) | 0.416–0.612 kg/día | Pietrain / Landrace / Duroc |
| \(\alpha\) | Coeficiente conversión alimento–ganancia | 0.50 | 1/FCR base levante |
| \(\text{CA}_{\max}\) | Conversión alimenticia máxima | 2.30 | Estándar técnico levante rural |
| \(P_v\) | Precio venta (mercado local Montería) | $5.200 COP/kg | Mercado local 2026; variable con API |
| \(\text{Pr}_{\text{alim}}\) | Precio concentrado levante | $1.900 COP/kg | Proveedor local Montería 2026 |
| \(C_{\text{compra}}\) | Costo adquisición lechón (~20 kg) | $90.000 COP | Precio local pequeño productor |
| \(C_{\text{san}}\) | Costos sanitarios etapa levante | $10.000 COP | Manejo básico BPP rural |
Nota. Elaboración propia con base en Carrero González (2005) y condiciones del mercado porcino de Montería, 2026.
Variables de decisión
| Variable | Descripción |
|---|---|
| \(x_{i,j}\) | Cantidad de alimento suministrado al animal \(j\) en el día \(i\) (kg) — variable de control principal del modelo |
| \(G_{i,j}\) | Ganancia de peso del animal \(j\) en el día \(i\) (kg) — resultado directo de la alimentación |
| \(P_{i,j}\) | Peso acumulado del animal \(j\) al finalizar el día \(i\) (kg) — estado del sistema en cada período |
| \(P_{v_k}\) | Precio de venta proyectado al período \(k\) (COP/kg) — variable dinámica obtenida del módulo de mercado |
Función objetivo
El modelo busca maximizar la utilidad económica total generada por el lote de producción durante la etapa de levante: \[ \max Z = \sum_{j=1}^{N} \left[ P_{T,j} \cdot P_v - \left( C_{\text{compra}} + \sum_{i=1}^{T} x_{i,j} \cdot \text{Pr}_{\text{alim}} + C_{\text{san}} \right) \right] \]
Donde la utilidad de cada animal es la diferencia entre el ingreso por venta al peso final multiplicado por el precio de venta ($P_v$), y los costos totales de adquisición, alimentación acumulada y sanidad. La sumatoria agrega la contribución de los $N = 15$ animales del lote.
Restricciones del modelo
markdown id=“7fj3pa” ### Condición inicial de peso
Todos los animales inician la etapa de levante con el peso promedio histórico registrado por raza:
\[ P_{1,j} = P_{\text{inicial}} \quad \forall\, j \in \{1, \ldots, N\} \]
Dinámica de crecimiento
El peso del animal en cada día resulta de acumular el peso del día anterior más la ganancia diaria:
\[ P_{i,j} = P_{i-1,j} + G_{i,j} \quad \forall\, i > 1,\; \forall\, j \]
Límite biológico de crecimiento
La ganancia diaria de peso no puede superar el potencial biológico máximo de la raza:
\[ G_{i,j} \leq \text{GMD}_{\max} \quad \forall\, i,\; \forall\, j \]
Relación alimento – ganancia de peso
La ganancia diaria de peso es directamente proporcional al alimento suministrado:
\[ G_{i,j} = \alpha \cdot x_{i,j} \quad \forall\, i,\; \forall\, j \]
Restricción de eficiencia alimenticia
\[ \sum_{i} x_{i,j} \leq \text{CA}_{\max} \cdot \sum_{i} G_{i,j} \quad \forall\, j \]
Extensión: variación dinámica de precios de mercado
Justificación
El precio de venta del cerdo en pie ($P_v$) no es constante en el tiempo. En el mercado local de Montería se presentan variaciones estacionales relacionadas con la demanda, la disponibilidad de animales y los costos de insumos. Tratar $P_v$ como parámetro fijo subestima el riesgo financiero real del ciclo productivo para el pequeño productor.
Para incorporar esta dinámica, el modelo se extiende con una variable $P_{v_k}$ que representa el precio proyectado al momento de venta, obtenido mediante consulta a APIs de mercado o simulado estadísticamente cuando no hay conectividad, condición frecuente en el entorno rural cordobés.
Fuentes de datos
| Fuente | Tipo de dato | Acceso | Uso en el modelo |
|---|---|---|---|
| yfinance (Yahoo Finance) | Lean Hog Futures CME (HE=F) | Gratuito, sin clave API | Proxy precio internacional, escalado a COP/kg |
| Alpha Vantage | Maíz / soya (proxy costo alimento) | Clave gratuita | Variación costos concentrado |
| Simulación estocástica OU | Proceso con reversión a la media | Sin internet (offline) | Fallback para zonas sin conectividad |
| Mercado local Montería | Precio referencia vendedor directo | Manual (encuesta) | Validación precio COP/kg |
Análisis por escenarios de precio
A partir del precio proyectado, el modelo evalúa tres escenarios que representan condiciones reales del mercado porcino local:
- Escenario optimista (+15%): precio de $5.980 COP/kg, correspondiente a períodos de alta demanda regional (temporada navideña, festividades locales).
- Escenario base (mercado): precio proyectado de $5.557 COP/kg, obtenido del módulo de mercado como referencia para el período de levante.
- Escenario pesimista (−15%): precio de $4.420 COP/kg, representando sobreoferta estacional o caídas por factores externos.
Implementación computacional en Python
Paquetes utilizados
- PuLP — formulación y resolución del modelo de programación lineal (solver CBC)
- NumPy — operaciones numéricas y generación de series de precios estocásticos
- Pandas — construcción y presentación de tablas de resultados
- Matplotlib — visualización de resultados, evolución de peso y análisis de sensibilidad
- yfinance — consulta de Lean Hog Futures CME (HE=F) como referencia de precio internacional
- requests — consultas a APIs externas (Alpha Vantage, fuentes públicas de precios)
Fragmento principal del modelo
# ── PARÁMETROS VILLA SAYO (pequeño productor, Montería 2026) ──
N = 15 # animales por lote
T = 60 # días de levante
alpha = 0.50 # coeficiente alimento → ganancia (1/FCR)
Pv_base = 5_200.0 # COP/kg (mercado local)
Pr_alim = 1_900 # COP/kg concentrado
C_compra = 90_000 # COP/animal
C_san = 10_000 # COP/animal
# ── MODELO DE OPTIMIZACIÓN ──
modelo = LpProblem(f'Levante_{raza}', LpMaximize)
x = [LpVariable(f'x_{i}', lowBound=0) for i in range(T)]
G = [LpVariable(f'G_{i}', lowBound=0) for i in range(T)]
P = [LpVariable(f'P_{i}', lowBound=0) for i in range(T)]
# Restricción inicial (R1)
modelo += (P[0] == P_inicial + G[0])
for i in range(T):
# Relación alimento → ganancia (R4)
modelo += (G[i] == alpha * x[i])
# Límite biológico de crecimiento (R3)
modelo += (G[i] <= GMD_max)
# Dinámica de crecimiento (R2)
if i > 0:
modelo += (P[i] == P[i - 1] + G[i])
# Restricción de eficiencia alimenticia (R5)
modelo += (lpSum(x) <= CA_max * lpSum(G))
# Función objetivo
modelo += (
N * P[T - 1] * Pv_fin
- N * lpSum(x) * Pr_alim
- N * (C_compra + C_san)
)
# Resolución del modelo
modelo.solve(PULP_CBC_CMD(msg=0))
)
# Resolución del modelo
modelo.solve(PULP_CBC_CMD(msg=0))Interpretación del modelo
El modelo matemático representa el proceso productivo del sistema de levante porcino como un sistema dinámico de crecimiento en el que la ración de alimento diaria es la palanca de control central. La ganancia de peso del animal depende directamente del alimento recibido, y su acumulación determina el peso final que se comercializa al cierre del período.
La solución óptima establece que, bajo los parámetros del Predio Villa Sayo, la estrategia que maximiza la utilidad consiste en suministrar la ración máxima biológicamente permitida para cada raza durante todo el período de levante. El modelo permite comparar el desempeño económico entre razas y evaluar el impacto de cambios en los costos o en el precio de venta, con especial relevancia para el pequeño productor rural que opera con márgenes ajustados.
Resultados y Análisis
El presente capítulo presenta los resultados obtenidos de la aplicación del modelo matemático al sistema de levante porcino del Predio Villa Sayo. Los resultados se organizan en tres componentes: el desempeño del modelo con precio fijo (base), el análisis por escenarios de precio dinámico de mercado y la evaluación de los indicadores de desempeño (KPIs) del sistema de trazabilidad.
Resultados del modelo base (precio fijo)
El modelo fue resuelto para un lote de \(N = 15\) animales durante \(T = 60\) días con las tres razas más representativas en el contexto productivo regional. En todos los casos el solver reportó estado óptimo, confirmando que el problema está bien formulado y tiene solución factible bajo los parámetros del Predio Villa Sayo.
| Raza | Peso Final (kg) | Ganancia (kg) | Alimento (kg) | FCR | Util/Animal (COP) | Util Lote N=15 (COP) |
|---|---|---|---|---|---|---|
| Pietrain | 45.615 | 24.960 | 49.920 | 2.0 | $42.350 | $635.250 |
| Duroc | 57.745 | 36.720 | 73.440 | 2.0 | $60.738 | $911.070 |
| Landrace | 52.345 | 31.440 | 62.880 | 2.0 | $52.722 | $790.830 |
Nota. Elaboración propia. Parámetros calibrados con datos técnicos del SENA-CLEM (2005) y condiciones del mercado de Montería, 2026.
La raza Duroc es la más rentable bajo precio base, con una utilidad de $60.738 COP por animal y $911.070 COP por lote. Su mayor ganancia diaria de peso (GMD = 0,612 kg/día) le permite alcanzar el mayor peso final (57,745 kg), generando más ingresos con la misma estructura de costos fijos.
Es relevante señalar que los márgenes calculados son viables para un pequeño productor rural, donde el margen por animal de $42.350 COP (Pietrain) a $60.738 COP (Duroc) representa una rentabilidad positiva frente a los costos de producción locales. La diferencia entre razas subraya la importancia de la selección genética incluso a escala pequeña.
Análisis por escenarios de precio dinámico
Incorporando el módulo de variación de precios de mercado, el sistema proyecta un precio al día \(T\) de $5.557 COP/kg para las condiciones actuales. La siguiente tabla consolida los resultados de los tres escenarios para todas las razas:
| Escenario | Raza | Pv (COP/kg) | Peso Final (kg) | Util/Animal (COP) | Util Lote (COP) |
|---|---|---|---|---|---|
| Optimista (+15%) | Pietrain | $5.980 | 45.615 | $77.930 | $1.168.945 |
| Optimista (+15%) | Duroc | $5.980 | 57.745 | $105.779 | $1.586.686 |
| Optimista (+15%) | Landrace | $5.980 | 52.345 | $93.551 | $1.403.266 |
| Base (mercado) | Pietrain | $5.557 | 45.615 | $58.643 | $879.639 |
| Base (mercado) | Duroc | $5.557 | 57.745 | $81.363 | $1.220.448 |
| Base (mercado) | Landrace | $5.557 | 52.345 | $71.418 | $1.071.276 |
| Pesimista (−15%) | Pietrain | $4.420 | 45.615 | $6.770 | $101.554 |
| Pesimista (−15%) | Duroc | $4.420 | 57.745 | $15.697 | $235.454 |
| Pesimista (−15%) | Landrace | $4.420 | 52.345 | $11.893 | $178.394 |
Nota. Elaboración propia. Precios obtenidos del módulo de mercado (simulación estocástica calibrada). Escenarios: optimista +15%, base mercado, pesimista −15% sobre precio base.
Hallazgo principal: en el escenario pesimista (−15%, \(P_v\) = $4.420 COP/kg), las tres razas mantienen utilidades positivas, aunque con márgenes reducidos (Pietrain: $6.770/animal; Duroc: $15.697/animal). Esto refleja que los parámetros de costo ajustados al contexto del pequeño productor rural de Montería dotan al sistema de una mayor resiliencia financiera frente a caídas de precio.
El análisis de sensibilidad indica que el precio de equilibrio —punto en el que la utilidad del lote es cero— se ubica alrededor de $4.200 COP/kg para la raza Duroc y $4.500 COP/kg para Pietrain, niveles por debajo de los precios mínimos históricos registrados en el mercado regional, lo que representa una señal positiva para la viabilidad del sistema.
Evaluación de indicadores de desempeño (KPIs)
El sistema de trazabilidad digital propuesto calcula automáticamente los KPIs establecidos en la Table 4 a partir de los registros ingresados a través de los formularios QR. Los resultados del lote de referencia (Duroc, \(T = 60\) días) se presentan a continuación:
| KPI | Valor calculado | Meta SENA | Clasificación | Interpretación |
|---|---|---|---|---|
| GMD (Duroc) | 612.0 g/día | ≥ 600 g/día | Bueno | Crecimiento dentro del rango óptimo para levante |
| CA real | 2.00 kg/kg | ≤ 3.4 kg/kg | Muy bueno | Eficiencia alimenticia superior a la meta técnica |
| Cobertura registro | 85% | ≥ 85% | Cumple | Captura mínima alcanzada en prueba piloto digital |
| Tasa mortalidad | < 2% (simulado) | ≤ 2% | Bueno | Sin eventos críticos en el período de levante |
| Util/animal Duroc | $60.738 COP | — | Viable | Margen positivo en precio base para pequeño productor |
Nota. Elaboración propia. Clasificaciones según escala SENA-CLEM (Carrero González, 2005): Muy bueno, Bueno, Regular, Deficiente, Muy deficiente.
Los resultados evidencian que el sistema de trazabilidad digital propuesto permite calcular, registrar y alertar sobre los indicadores clave de la producción porcina en tiempo real. La integración del modelo matemático de optimización con el tablero de KPIs constituye el componente diferenciador del sistema respecto a los registros manuales convencionales.
Resultados visuales del modelo
Figura 2. Resultados del modelo de optimización con precios dinámicos de mercado — Predio Villa Sayo
Nota. Elaboración propia con base en Python (PuLP, Matplotlib). Parámetros Villa Sayo, 2026.
Descripción de las figuras: (a) Variación del precio dinámico de mercado \(P_v(t)\) con bandas de escenario ±15% durante los 60 días de levante. (b) Evolución del peso acumulado por raza. (c) Comparación de utilidad por animal en los tres escenarios para cada raza. (d) Análisis de sensibilidad de la utilidad del lote frente al precio de venta. (e) Ingresos versus costos por lote bajo el escenario base de mercado.
Conclusiones y Recomendaciones
Conclusiones
El diseño del sistema de trazabilidad digital para el Predio Villa Sayo responde de forma directa a los vacíos identificados en la gestión productiva porcina rural del departamento de Córdoba. A continuación, se presentan las principales conclusiones derivadas del desarrollo del proyecto:
Primera. El diagnóstico del predio confirmó que la ausencia de registros formales constituye la principal barrera para la mejora productiva del pequeño porcicultor rural. La implementación de formularios digitales vinculados a códigos QR representa una solución técnicamente viable y económicamente accesible —con un presupuesto estimado de $797.500 COP— para iniciar el proceso de digitalización productiva sin requerir infraestructura tecnológica compleja.
Segunda. El modelo matemático de optimización lineal formulado para la etapa de levante demostró ser técnicamente sólido y ajustado al contexto del pequeño productor. Los resultados indican utilidades positivas en precio base para las tres razas analizadas: Pietrain ($42.350 COP/animal), Landrace ($52.722 COP/animal) y Duroc ($60.738 COP/animal), confirmando la viabilidad del sistema de levante con \(N = 15\) animales por lote.
Tercera. La incorporación del módulo de variación dinámica de precios de mercado —mediante consultas a APIs financieras como yfinance y Alpha Vantage, con fallback estocástico calibrado para zonas sin conectividad— permite al sistema adaptarse a las condiciones reales del mercado porcino local de Montería. Incluso en el escenario pesimista (−15%, \(P_v\) = $4.420 COP/kg), el sistema mantiene utilidades positivas para todas las razas, lo que indica una estructura de costos robusta para el productor rural.
Cuarta. El tablero de KPIs construido sobre los indicadores del SENA-CLEM (2005) —GMD, conversión alimenticia, tasa de mortalidad, cobertura de registro— dota al sistema de un mecanismo de alerta temprana que trasciende el simple registro de datos y habilita la toma de decisiones informada en tiempo real. Esta característica distingue el sistema propuesto de las soluciones de trazabilidad convencionales.
Quinta. La integración de los componentes tecnológicos —aplicación Flask con base de datos PostgreSQL, análisis estadístico en Python, modelo de optimización PuLP y módulo de visualización Streamlit— en un ecosistema cohesionado y accesible desde dispositivos móviles, demuestra la aplicabilidad de herramientas de ingeniería industrial avanzada al contexto productivo rural de Montería, Córdoba.
Recomendaciones
Para el predio Villa Sayo: priorizar la adopción de la raza Duroc como raza de levante principal, dado que ofrece la mayor utilidad por animal ($60.738 COP) y la mayor resiliencia frente a caídas de precio. Implementar el sistema de registro digital QR iniciando con la etapa de levante, que concentra las variables de mayor impacto sobre la rentabilidad.
Para futuros investigadores: validar el coeficiente de conversión alimenticia \(\alpha\) con datos de campo reales del predio, dado que el valor de 0,50 utilizado representa una estimación técnica. La calibración con datos propios permitirá mejorar la precisión del modelo de optimización y fortalecer su capacidad predictiva.
Para el sistema digital: implementar el módulo de variación de precios con actualización periódica (semanal o quincenal) utilizando datos del mercado porcino regional de Montería como fuente primaria, complementado con la API de yfinance como referencia internacional. Esto reducirá la dependencia de la simulación estocástica y mejorará la pertinencia de los escenarios de planificación.
Para escalabilidad: una vez validado el sistema en Villa Sayo, evaluar su replicación en otros predios porcinos del municipio de Montería bajo un modelo de red de trazabilidad colaborativa, lo que permitiría construir una base de datos regional de referencia para los KPIs del sector porcino cordobés.
Referencias
Carrero González, H. (2005). *Manual de producción porcícola* (actualización 2005, C. Espinosa y G. Cataño, eds.). Servicio Nacional de Aprendizaje SENA – Centro Latinoamericano de Especies Menores CLEM, Regional Valle.
Asociación Colombiana de Porcicultores – PorkColombia. (2023). *Indicadores técnicos de producción porcina en Colombia.* Fondo Nacional de la Porcicultura.
Creswell, J. W., y Creswell, J. D. (2018). *Research design: Qualitative, quantitative, and mixed methods approaches* (5.ª ed.). SAGE Publications.
Denzin, N. K., y Lincoln, Y. S. (2011). *The SAGE handbook of qualitative research* (4.ª ed.). SAGE Publications.
Hernández-Sampieri, R., Fernández, C., y Baptista, P. (2014). *Metodología de la investigación* (6.ª ed.). McGraw-Hill.
Instituto Colombiano Agropecuario – ICA. (2022). *Resolución 20148 de 2022: Buenas Prácticas Porcícolas.* Ministerio de Agricultura y Desarrollo Rural de Colombia.
Instituto Colombiano Agropecuario – ICA. (2024). *Inventario porcino nacional.* Ministerio de Agricultura y Desarrollo Rural de Colombia.
Liu, Z. J., Geng, N., y Yu, Z. (2022). Impact of traceability systems on veterinary drug use behavior in Chinese pig farms. *International Journal of Environmental Research and Public Health, 19*(3), 1–14. https://doi.org/10.3390/ijerph19031234
Mutua, F., Lindahl, J., y Randolph, D. (2020). Feasibility of implementing a pig identification and traceability system in Kenya. *Tropical Animal Health and Production, 52*(4), 1789–1799. https://doi.org/10.1007/s11250-020-02239-7
National Pork Board. (2022). *Pork quality assurance plus: Reference guide* (5.ª ed.). National Pork Board.
Ñaupas, H., Valdivia, M., Palacios, J., y Romero, H. (2018). *Metodología de la investigación cuantitativa-cualitativa y redacción de la tesis* (5.ª ed.). Ediciones de la U.
Patton, M. Q. (2015). *Qualitative research and evaluation methods* (4.ª ed.). SAGE Publications.
Ruviaro, C. F., Barcellos, J. O. J., y Dewes, H. (2013). Livestock traceability and certification as instruments for improving sustainability and competitiveness of the beef sector in the Brazilian Amazon. *Animal, 7*(8), 1405–1412. https://doi.org/10.1017/S1751731113000633
Sandoval, D., Díaz, M., y Burkart, S. (2025). Between challenges and opportunities: Traceability as a key to sustainable livestock farming in Colombia. *Livestock Science, 270*, 105218. https://doi.org/10.1016/j.livsci.2025.105218
Soriano Castro, A. M. (2017). *Diseño base de un sistema de trazabilidad en la cadena de valor porcina de la Escuela Agrícola Panamericana, Zamorano, Honduras* [Proyecto especial de graduación]. Escuela Agrícola Panamericana, Zamorano.
Sun, R., Zhang, S., Wang, T., Hu, J., Ruan, J., y Ruan, J. (2021). Pig breeders’ intention to adopt IoT-based food traceability technology. *Sustainability, 13*(17), 9656. https://doi.org/10.3390/su13179656
Yin, R. K. (2018). *Case study research and applications: Design and methods* (6.ª ed.). SAGE Publications.