Torres, Maritza Torres, Ennodio Rojas, Daniel Vásquez, Carmen
La MSc. Maritza Torres Samuel es Profesora Asociada adscrita al Dpto. de Sistemas del Decanato de Ciencias y Tecnología de la Universidad Centrooccidental Lisandro Alvarado (UCLA), Av. Las Industrias, Núcleo Obelisco, Barquisimeto, Edo. Lara, Venezuela, Telef. 0251-2591601, correo electrónico mtores@ucla.edu.ve .
El Dr. Ennodio Torres es Profesor en el Doctorado en Ciencias de la Ingeniería, mención Productividad, de la Universidad Nacional Experimental Politécnica Antonio José de Sucre UNEXPO Vicerrectorado Barquisimeto, Av. Corpahuaico con Av. La Salle, Barquisimeto, Edo. Lara, Venezuela, telef. 0251-4414654, correo electrónico ennodiotorres@gmail.com .
El Dr. Daniel Rojas Rivero es Profesor titular de la UCLA mismo Dpto. que la MSc. Maritza Torres Samuel , correo electrónico drojas@ucla.edu.ve .
La Dra. Carmen Luisa Vásquez Stanescu es Profesora Asociada del Dpto. de Ingeniería Eléctrica de la UNEXPO y Profesora en el mismo Doctorado que el Dr. Daniel Rojas Rivero, correo electrónico cvasquez@bqto.unexpo.edu.ve
Resumen: Para las organizaciones prestadoras de servicio es importante conocer el nivel de satisfacción de sus clientes, traducido en información sobre sus expectativas y percepciones. Tradicionalmente, la evaluación de la calidad del servicio, y de su información, se ha realizado con escala de valores nítidos y no con aproximaciones borrosas. En tal sentido, el presente trabajo describe una propuesta de evaluación de calidad de la información en servicios, específicamente la utilizada en la interacción con el cliente y su satisfacción, a través de un método aproximado basado en un tratamiento borroso para valorar y medir sus expectativas y percepciones. Para ello se presenta un modelo nítido de evaluación de calidad de la información, se aplican aspectos de borrosidad, específicamente conjuntos borrosos, incertidumbre e información, medidas borrosas y distancia de Hamming, y adicionalmente se ilustra con dos (2) ejemplos la aplicación del método. Finalmente, se concluye que la lógica borrosa contribuye al diseño de un método de medición de la satisfacción del cliente y por consiguiente de la evaluación de calidad de la información a través de valores más aproximados al lenguaje natural.
Palabras clave: Calidad de la información/ Calidad de servicio/ Medidas borrosas/ Método de evaluación de la calidad/ Distancia de Hamming/ Tratamiento borroso.
METHOD FOR EVALUATING THE QUALITY OF INFORMATION IN SERVICES UTILIZING FUZZY TREATMENT
Abstract: For organizations that provide a service it is important to know the level of satisfaction of their customers in terms of information about their expectations and perceptions. Traditionally, the evaluation of the quality of the service and its information, has been made with a neat-value scale and not with fuzzy approximations. Accordingly, this paper describes a proposal for evaluating the quality of the information in services, specifically that used in the interaction with the customers and their satisfaction through an approximate method based on a fuzzy treatment to assess and measure their expectations and perceptions. This paper offers a neat-quality-evaluation model of the information, applying aspects of fuzzy logics, specifically fuzzy sets, uncertainty and information, fuzzy measures, Hamming distance, and is additionally illustrated with two (2) examples of the application of the method. Finally, it is concluded that the fuzzy logics contributes to the design of a method for measuring customer satisfaction and, hence, the evaluation of quality of information through values closer to the natural language.
]]> Keywords: Quality of Information/ Quality of Service/ Fuzzy Measures/ Quality Evaluation Method/ Hamming Distance/ Fuzzy Treatment.Manuscrito finalizado en Barquisimeto, Venezuela, el 2007/10/31, recibido el 2007/11/23, en su forma final (aceptado) el 2008/02/29.
I. INTRODUCCIÓN
La evolución hacia una nueva sociedad basada en conocimiento e información [1] demanda cambios organizacionales hacia un desarrollo del manejo de la información, como fuente de creación de valor. Si bien es útil disponer de Tecnología de Información y Comunicaciones (TIC) es más importante la capacidad que tenga la organización de gestionar su información [2]. “La empresa es información”, afirma Cornella [3], por tanto es vital para las empresas mejorar y evaluar adecuadamente la calidad de su información. Esta importancia de la información en las organizaciones es especialmente notable en la prestación de los servicios, en los que la interacción cliente-organización descansa en el continuo flujo bidireccional de la información, que se espera, sea de satisfactoria calidad.
La subjetividad inmersa en la apreciación del cliente ante la situación de evaluar la calidad de la información que recibe de la organización, y la incertidumbre que puede estar presente en el flujo informativo entre el cliente y la organización, motiva la búsqueda de un método que represente con mayor grado de aproximación la evaluación de la calidad de la información, como consecuencia de las limitaciones de medición de los modelos tradicionales basados en valores bivalentes. Por este motivo, los conjuntos borrosos se constituyen en un apoyo para el diseño de un método idóneo para representar la imprecisión, polivalencia y subjetividad propias del razonamiento humano.
Este estudio propone un nuevo método para medir de manera más próxima los parámetros de evaluación de la calidad de información. Esté método se apoya en un modelo de evaluación de la calidad de la información previamente desarrollado [4], diseñado desde el enfoque tradicional cuantitativo y nítido. Ahora se describe dicha propuesta bajo la perspectiva borrosa, que se aprecia más adecuada a la realidad. Bien afirma Zadeh “El principal objetivo de la lógica borrosa es tratar con los modos de razonamiento que son más aproximados que exactos…explota así el poder propio de la imprecisión humana” [5]. Esta afirmación es perfectamente aplicable a la evaluación de la calidad, en que la teoría de los conjuntos borrosos y las variables lingüísticas pueden aplicarse para describir efectivamente una realidad, como es la calidad de la información en servicios, cuya percepción, sentimientos y juicios humanos juegan un papel importante.
En tal sentido, el presente trabajo tiene como objetivo presentar un método que contribuya mejorar la evaluación de la calidad de la información en servicios, basado en el tratamiento borroso, aplicando conjuntos difusos y distancia de Hamming [6] [7]. Este método se aproxima más a la realidad humana y a su escala de valoración, al presentar variables borrosas y no nítidas como se ha realizado tradicionalmente. Este artículo describe la metodología utilizada, las bases teóricas de referencia y antecedentes encontrados, el desarrollo con la aplicación de la lógica borrosa a la propuesta de evaluación de la calidad de la información, dos (2) ejemplos ilustrativos de aplicación, la discusión de los resultados y, finalmente, las conclusiones.
II. DESARROLLO
1.- Calidad de servicio.
Parasuraman, Zeithaml y Berry (1985-1988) [8] definen la calidad de servicio percibida por el cliente como el juicio global del consumidor, relativo a la superioridad del servicio resultante de la comparación que realiza el cliente entre sus expectativas, sobre el servicio que va a recibir y su percepción por el servicio recibido. También se define como el conjunto de prestaciones que el cliente espera recibir en un servicio determinado a fin de satisfacer sus necesidades.
]]> Si la prestación supera las expectativas, el servicio proporcionado por la empresa será considerado como excelente, si sólo la iguala el servicio será visto como bueno o satisfactorio, y si no llega a cubrirlas entonces el servicio será catalogado como malo, pobre o deficiente; tal como se ilustra en la Figura 1.
De acuerdo a lo anterior, mejorar la calidad de servicio es minimizar la distancia entre las expectativas del cliente con respecto al servicio y la percepción de éste tras su utilización.
La revisión de antecedentes sobre modelos de evaluación de calidad de servicio [8] reporta que la apreciación dada por los clientes a los parámetros de evaluación se ajustan a valores basados en escalas de Likert, que varían de cinco (5) a siete (7) ítems. El registro de la apreciación del cliente se limita a asociarla a algunos de estos ítems de manera univoca, perdiendo así la riqueza subjetiva inmersa en dichas apreciaciones. Cabe resaltar los métodos de recolección de datos utilizados en dicha revisión, en la cual destacan el uso de entrevistas personales, enfoque cuestionario y las entrevistas telefónicas.
Los métodos antes citados permiten disponer de abundantes detalles sobre la gama de apreciaciones subjetivas del cliente, propias de la condición humana y, especialmente, de la percepción de calidad donde ésta puede variar de una persona a otra; sin embargo, esta riqueza apreciativa se ve mermada significativamente al reducirla a una escala de valores nítidos. Lo anterior muestra el carácter subjetivo involucrado al evaluar calidad de servicio. Algunos estudios refieren la aplicación de lógica borrosa en la percepción de la calidad en servicios, aplicando números triangulares difusos [10] y distancia de Hamming [11], Está última presenta una metodología para la valoración comparativa en empresas de Internet. Ambas investigaciones coinciden en afirmar que existe un claro problema valorativo en la evaluación de calidad que difícilmente puede expresarse matemáticamente con precisión cuando se trata de variables cualitativas.
Al igual que la evaluación de la calidad en servicios, la calidad de la información no escapa a las limitaciones de su evaluación como consecuencia de la aplicación de escalas nítidas. A continuación se presenta la metodología, la revisión teórica sobre calidad de información y la propuesta de modelo de evaluación a ser borrosificada.
2. Metodología
Los pasos para el desarrollo del método de evaluación de calidad de información en servicios bajo tratamiento borroso son los siguientes:
1. Definición de las dimensiones, sub-dimensiones, criterios e indicadores de valoración a considerar por el método, sobre la base de la revisión de la literatura en torno al tema.
2. Borrosificación del modelo propuesto de evaluación de calidad de información:
]]> a. Identificar los conjuntos que representan las variables a usar.b. Establecer una relación binaria difusa entre los conjuntos.
c. Aplicar la distancia de Hamming [6] [7], para apreciar diferencias entre dos (2) conjuntos de evaluación de calidad de información.
3. Ilustrar la aplicación de la relación.
3. Método para la evaluación de la calidad de la información.
Cada día la información toma más importancia en la prestación de servicios, y es así que se encuentran estudios que destacan su valor en servicios [4] [12] [13] [14], así como propuestas para evaluar y mejorar su calidad [4].
Por lo anterior, y para el presente trabajo, es pertinente definir calidad de la información entregada al cliente. Esta se define como el “conjunto de propiedades de la información formal que entrega la organización al cliente que le confiere la capacidad para satisfacer las necesidades informativas expresadas o implícitas del cliente”[4]. Esta afirmación implica que el juicio sobre la calidad de la información está dado por el cliente.
Este conjunto de propiedades de la información, de acuerdo al modelo de evaluación de calidad de información propuesto por Torres [4], se agrupa en dimensiones, sub-dimensiones y criterios, que pueden conformarse en conjuntos, (ver Figura 2). La estructuración de la variable “calidad de información entregada al cliente” se apoya en las dimensiones de calidad en la entrega y calidad intrínseca, que son las de mayor pertinencia en la prestación de servicios de acuerdo a investigaciones preliminares [4].
A continuación se describe cada una de las dimensiones de la variable calidad de la información.
3.1. Calidad en la entrega de la información.
Esta dimensión de valoración de la calidad de la información se encuentra compuesta por la sub-dimensión entrega, la cual se estructura a partir de los criterios oportunidad, suficiencia y lugar, tal como se ilustra y describe en la Tabla I.
3.2. Calidad intrínseca de la información.
Con respecto a la dimensión de Calidad Intrínseca, ésta comprende las características inherentes a la información que son valoradas y agradan al cliente. Se compone de dos subdimensiones: accesibilidad y operatividad.
La sub-dimensión accesibilidad a la información comprende las medidas de apreciación que tiene el cliente sobre su capacidad de acceso, de acercarse a la información. Esta subdimensión se ilustra y describe en la Tabla II. Con relación a la segunda sub-dimensión de la calidad intrínseca de la información, la Operatividad, agrupa cualidades de la información que le otorgan la capacidad de realizar su función de informar, tal como se muestra y describe en la Tabla III.
Entre los antecedentes encontrados sobre aplicación de lógica borrosa para tratar la calidad de la información, se encuentra un análisis de información en la Web desde un enfoque lingüístico borroso [15], y la caracterización de la calidad de la información en sistemas de información usando conjuntos borrosos [16].
En el presente trabajo se procede a borrosificar el modelo de evaluación de calidad de información antes descrito, aplicando algunos aspectos de borrosidad, como son los conjuntos borrosos, incertidumbre e información, medidas borrosas y distancia de Hamming, que permiten el manejo de la incertidumbre por ambigüedad y por borrosidad.
Se usa la valoración de la calidad de la información con el sistema de variables antes presentado, en la que cada una es tratada como variable lingüística, tomando los valores de frecuencia de cumplimiento: siempre, casi siempre, algunas veces, casi nunca o nunca. La borrosidad está relacionada con la carencia de distinciones definidas o nítidas entre los valores de frecuencia antes mencionados. Con respecto a la ambigüedad, se presenta en las alternativas a escoger, debido a que el cliente debe expresar una como su genuina representante de su valoración percibida de la calidad de la información en servicios.
Sea A el conjunto finito y nítido conformado por los criterios de evaluación de la calidad de la información en servicios, tratados anteriormente en este artículo, a saber:
A= Conjunto de atributos para evaluar la calidad de la información en servicios que recibe el cliente.
A = {Oportunidad, Suficiencia, Lugar, Precisión, Aplicabilidad, Singularidad, Recuperabilidad, Disponibilidad, Comprensibilidad, Atracción}
Donde el cardinal del conjunto nítido finito A es: |A| = 10
Se definen además las siguientes partes:
]]> A1: conjunto de atributos de calidad que miden el grado de cumplimiento de la entrega de la información, esto es:A1= {Oportunidad, Suficiencia, Lugar}
A2: conjunto de atributos de calidad que miden el grado de cumplimiento de la accesibilidad de la información, esto es:
A2= {Recuperabilidad, Disponibilidad, Comprensibilidad, Atracción}
A3: conjunto de atributos de calidad que miden el grado de cumplimiento de la operatividad de la información, esto es:
A3= {Precisión, Aplicabilidad, Singularidad}
Las partes A1, A2, A3 cumplen las siguientes propiedades:
En otras palabras, A1, A2, A3 son partes de un conjunto nítido si y sólo si cumplen las siguientes propiedades: [17]
• Son no vacías y están contenidas en el conjunto A.
]]> • Son conjuntos disjuntos dos a dos.• Su unión da como resultado el conjunto A.
Cada uno de los elementos que conforman los conjuntos A, A1, A2, A3 serán tratados como variables lingüísticas debido a la incertidumbre que está presente en la valoración de dichas cualidades de calidad por el cliente, por lo que asumen valores cuyos rangos tienen fronteras borrosas, tal como se ilustra en la Figura 3.
Al recabar la opinión de un cliente sobre la calidad de la información en servicios, puede presentarse una gama de valores de apreciación que es necesario capturar. Para ello se tiene una matriz de similitud, que permite definir el grado de semejanza entre los diferentes valores lingüísticos, (ver Figura 4). Los valores contenidos en dicha matriz se determinan considerando la opinión de expertos.
Por otra parte, se pudiera definir un conjunto B finito y borroso con los valores lingüísticos de conformidad respecto a la apreciación sobre la frecuencia, con la que se presentan los atributos de calidad en la información recibida: B={siempre, casi siempre, algunas veces, casi nunca, nunca}
Cada uno de estos valores lingüísticos está asociado a números reales comprendidos entre 0 y 1.
Para efectos de la elaboración de la matriz de similitud [7] mostrada en la Figura 4, se usa la siguiente representación con valores hipotéticos asignados:
Donde,
]]> S: Siempre, CS: Casi siempre, AV: Algunas veces, CN: Casi Nunca, N: NuncaEn este contexto, una relación de A en B es un subconjunto del producto cartesiano AxB. Tal relación es denotada por R(A, B). Así,
La relación de A en B representa la valoración concreta que realiza un cliente sobre la calidad de la información. El producto cartesiano A×B representa el conjunto universal de todas las valoraciones de atributos de calidad de información en servicios que puedan generarse por la opinión de los clientes.
Sea C el resultado del producto cartesiano de AxB, donde cada pareja resultante representa la relación concreta entre la apreciación y el atributo de calidad desde el enfoque del cliente. Aquí se plantea la incertidumbre como una medida borrosa [6] [7] pues es necesario dar un valor para cada elemento, significando su grado de evidencia o de certeza respecto a la pertenencia de un atributo de calidad particular al conjunto nítido C.
Sea Di los conjuntos de apreciaciones de los clientes con respecto a la calidad de la información en servicios, esto es:
El cardinal del conjunto borroso finito 
es denotado como |D| y definido por la ecuación:
Donde |D| representa la valoración total de calidad expresada por un cliente, que puede utilizarse a modo de indicador de calidad.
]]> Mediante la función de pertenencia del conjunto D el cálculo de su cardinalidad y la distancia de Hamming, puede manejarse la incertidumbre en la satisfacción de los clientes, por ejemplo, en la medición de la satisfacción del cliente por la calidad de la información recibida y en la evaluación comparativa de la calidad de la información.4. Resultados.
A continuación se describe cada una de estos ejemplos de aplicación del método propuesto.
a) Aplicación del método borroso propuesto en la medición de la satisfacción del cliente por la calidad de la información recibida:
La satisfacción del cliente por la calidad de la información recibida en el servicio se deriva de la brecha existente entre sus expectativas y su apreciación al recibir la información. En este caso se construye el conjunto E con las valoraciones de los atributos de calidad que espera el cliente recibir y el conjunto F con las valoraciones de los atributos de calidad que el cliente aprecia en la información recibida.
La distancia de Hamming [6] [7] entre los dos conjuntos E y F se define por la siguiente ecuación:
De lo anterior, puede derivarse algunos resultados como lo son:
Aquí puede afirmarse que el cliente está totalmente satisfecho, pues se atendieron todas sus expectativas en la medida que esperaba.
]]> Si d(E,F)=0 el cliente recibió lo que esperaba, en términos generales .Si d(E,F) > 0 existen diferencias entre lo que esperaba el cliente y lo que efectivamente recibió.
A fin de ahondar en la diferencia que se obtenga entre las expectativas y la percepción, se efectúa de acuerdo a lo siguiente:
Si |E| > |F| el cliente quedó insatisfecho, pues percibe que lo recibido no cubre sus expectativas. Mientras mayor sea la diferencia, mayor la insatisfacción.
Si |F| > |E| el cliente quedó “encantado”, pues percibe que recibió más de lo que esperaba.
Con el ejemplo antes presentado se ilustra la aplicabilidad de la distancia de Hamming para una medición más aproximada de la satisfacción del cliente como resultado de la brecha observada entre sus expectativas y su percepción, aplicado a la calidad de la información en servicio.
A continuación se presenta el segundo caso de aplicación del método borroso propuesto.
b) Aplicación del método borroso propuesto para la evaluación comparativa de la calidad de la información:
Para el desarrollo del ejemplo se plantea la siguiente situación: Si un cliente expresa “Rara vez encuentro errores en el estado de cuenta que recibo del Banco “X”, sin embargo, en la mayoría de los casos lo envían tarde a mi residencia. En cambio, el Banco “Y” casi siempre me lo envía oportunamente por correo electrónico y sin errores”.
Para la situación antes expuesta, se identifican apreciaciones de calidad asociadas al criterio de oportunidad de la Dimensión de Entrega de la calidad de la información entregada al cliente y al criterio precisión de la Dimensión de Operatividad.
]]> Utilizando la matriz de similitud presentada en la Figura 4, se tiene que para el Banco “X” la Precisión de la información se cumple Siempre o Casi Siempre, con un grado de certeza mayor o igual a 0.8. Por otra parte, nunca o casi nunca se entrega oportunamente el estado de cuenta, con un grado de certeza menor o igual a 0.2.Calculando los valores de la cardinalidad:
En este ejemplo, también puede aplicarse el razonamiento descrito para el caso a), derivándose lo siguiente:
Al aplicar la distancia de Hamming se tiene:
Como d(D1, D2) > 0 existen diferencias en la apreciación de calidad de la información en servicio entregada al cliente por los bancos X y Y.
Como |D2| > |D1| entonces el cliente aprecia mayor calidad de información en el Banco “Y”, en comparación con el Banco “X”.
Así, con el ejemplo anterior se muestra la aplicabilidad del método para realizar estudios comparativos de calidad de información.
5. Discusión de resultados
La calidad de la información en servicios no escapa de las limitaciones para su evaluación, tal como sucede en servicios como consecuencia de la aplicación de las escalas nítidas, siendo necesario contar con formas idóneas para evaluarla.
]]> Como resultado de la revisión de la literatura y la aplicación de aspectos de la lógica borrosa, se ha esbozado un método para una valoración más aproximada a la realidad acerca de la apreciación de la calidad de la información, aplicado tanto para medir grado de satisfacción del cliente como para comparar la calidad de la información en servicios, esto es, como método comparativo.Se pudiera también aplicar el método propuesto para realizar valoraciones usando sólo las partes, que representan, en este caso, las principales dimensiones de calidad de la información tratadas, tales como entrega, accesibilidad y operatividad de la información entregada al cliente en servicios. Así, puede obtenerse mediciones detalladas asociadas a cada una de estas dimensiones de valoración.
La riqueza de valoración ofrecida por el método propuesto permite identificar y medir con mayor aproximación las expectativas y percepciones del cliente. Esto permite generar mediciones que muestren cuando la percepción ha sido igual, inferior o superior a las expectativas del cliente con relación a la calidad de la información.
La fortaleza del método propuesto depende de la pertinencia de los valores contenidos en la matriz de similitud, que deben representar lo más fielmente posible las apreciaciones sobre la calidad de la información en dos aspectos. Primero, contener la gama de valores lingüísticos que se desean capturar acerca de las apreciaciones del cliente. Segundo, definir con valores reales entre el 0 y l el grado de semejanza entre los diferentes valores lingüísticos.
Entre las limitaciones del método está la complejidad para aplicar los diferentes cálculos que se realizan. Estos cálculos con la matriz de similitud, cuyas dimensiones se incrementan en la medida que sea mayor el número de valores lingüísticos y el número de apreciaciones de calidad que se desea medir, que puede demandar el uso de software especialmente diseñado para tal fin.
III. CONCLUSIONES
1. El método propuesto basado en la lógica borrosa es una contribución para mejorar la evaluación de la calidad de la información entregada al cliente en servicio, a través del diseño de una forma de medir la valoración del grado de satisfacción del cliente de manera más aproximada al lenguaje natural.
2. Se fortalece el modelo de evaluación de calidad de la información con la incorporación de la propuesta de un método de valoración basado en la distancia de Hamming, además de relaciones que permitan derivar resultados a través de las operaciones y propiedades propias de la lógica borrosa.
3. La apreciación de calidad de la información y el correspondiente grado de satisfacción del cliente pueden ser medidos y descritos a través del método propuesto en el presente artículo.
4. El método aquí desarrollado puede aplicarse en mediciones de calidad basadas en la brecha entre las valoraciones de las expectativas y de las percepciones.
]]> 5. El artículo provee una descripción detallada del método propuesto, que puede ser insumo para el desarrollo de un software aplicado a la medición de calidad.IV. REFERENCIAS
1. Castell,. M. Era de la información. La economía, sociedad y cultura: la sociedad red. Volumen 1. Siglo veintiuno Editores. 2000. 580 pp. [ Links ]
2. Davenport,. D. Ecología de la Información. Porqué la tecnología no es suficiente para lograr el éxito en la era de la información. Oxford University Press. 1999. 296 pp. [ Links ]
3. Cornella,. A. Infonomia: la empresa es Información. Editorial Deusto. Madrid.. 2000. 337 pp. [ Links ]
4. Torres,. M., Rojas,. D. Diseño de un plan para mejorar la calidad de la información en un instituto de previsión social. Trabajo de grado presentado como requisito para optar al Título de Magíster Scientiarum en Ingeniería Industrial. Universidad Nacional Experimental Politécnica Antonio José de Sucre, UNEXPO. Venezuela Diciembre 2004.. 192 pp. [ Links ]
5. Valverde,. Ll. LA Zadeh: Del control analítico al control borroso. Universitat de les Illes Balears. Septiembre 1996. 3. Disponible en http://dmi.uib.es/people/valverde/laz.html pp . [ Links ]
6. Torres, E. Conjuntos y números borrosos. Material con fines didácticos. Doctorado en Ciencias de la Ingeniería mención productividad, Universidad Nacional Experimental Politécnica Antonio José de Sucre, UNEXPO. Barquisimeto. 2006. 27 pp. [ Links ]
7. Klir,. G., Yuan,. B. Fuzzy Sets and Fuzzy Logic Theory and Applications. Prentice Hall. 1995. 574 pp. [ Links ]
8. Duque,. E. Revisión del concepto de calidad del servicio y sus modelos de medición. Revista INNOVAR Universidad Nacional de Colombia. Bogota. 2005. 17 pp. [ Links ]
9. Seth, N.; Deshmukh, S.G. Service Quality Models: A review. The international Journal of Quality & Reliability Management; 2005; Tomo 22, Nro 8/9; ABI/INFORM Global. 2005. pp 913 - 949. [ Links ]
10. Cheng-Ju Chien, Hui-Hua Tsai. Using fuzzy numbers to evaluate perceived service quality. Department of Business Management, National Sun Yat-Sen University, Kaohsiung. Department of Industrial Engineering and Management, Yung-Ta Institute of Technology, Pingtung. Taiwan. 2000. [ Links ]
11. Lozano, C.; Fuentes, F. Tratamiento borroso del intangible en la valoración de empresas de Internet. Edición Electrónica. SBN 84-688-3416-5 Nº registro 6285803. 2003. 100 pp. Disponible en http://www.eumed.net/cursecon/libreria/clgffm/index.htm [ Links ]
12. Andrés,. M. Etc. Evaluación del efecto de la información en la satisfacción de los pacientes atendidos en los servicios de urgencias hospitalarios. Revista de Calidad Asistencial 2007. 161-167 pp. [ Links ]
13. Romero, G; Romero, J. Satisfacción de clientes externos de las empresas aseguradoras en el municipio Maracaibo. Revista de Ciencias Sociales 12 Nro 3. Maracaibo. 2006. Pág. 10. Disponible en : http://www.scielo.org.ve/ [ Links ]
14. Iguaran Etc. Satisfacción de los clientes del servicio médico odontológico de la Universidad del Zulia. Revista Venezolana de Ciencias Sociales UNERMB. Volumen 10, Nro 1. 2006. pp 176-203. [ Links ]
15. Herrera, E.; Passi, G.; López, A.; Porcel, C. Evaluating the information quality of Web sites: A methodology based on fuzzy computing with words. Special Topic Section on Soft Approaches to Information Retrieval and Information Access on the Web. Journal of the American. Society for Information Science and Technology ISSN: 1532-2882. Volumen 57, Issue 4. 2006. pp: 538 - 549. [ Links ]
16. Ehikioya, S.A. A characterization of information quality using fuzzy logic. Dept. of Math. & Comput. Sci., Brandon Univ., Man. This paper appears in: 18th International Conference of the North American Publication Date: Jul 1999. [ Links ]
17. Torres, E. Teoría de las posibilidades. Material con fines didácticos. Doctorado en Ciencias de la Ingeniería mención productividad, Universidad Nacional Experimental Politécnica Antonio José de Sucre, UNEXPO. Barquisimeto. 2006. 27 pp. [ Links ]
]]>