El presente documento, es continuación de la obra, Análisis Cualitativo Comparativo Nítido (csQCA) y su relación con la Innovación. Discusión e interpretación de resultados y tiene por objetivo introducir al investigador en los conceptos y aplicaciones que conlleva el caso del análisis cualitativo comparativo (QCA.Qualitative Comparative Analysis) con el conjunto de datos difusos (fuzzy-sets.fsQCA) a través de demostraciones de su uso con ejemplos varios en la administración de la innovación. Desde fines de los años 80, su precursor, el análisis cualitativo comparativo (QCA.Qualitative Comparative Analysis) ha estado en el centro de atención de la metodología de las ciencias sociales ya que se fundamenta, en el conjunto de relaciones y objetivos establecidos del descubrimiento de condiciones suficientes y necesarias. Cabe señalar, que es común referirse a la versión Booleana original del QCA como csQCA, donde cs (crisp-sets) denota un conjunto de datos nítidos, la versión que permite utilizar las condiciones de múltiples catego- rías, se denomina como mvQCA, donde mv (multi-value) describe el valor múltiple y para la versión fsQCA donde fs (fuzzy-set) describe al conjunto de datos difuso. El objetivo del análisis de QCA, en general, es dar cuenta de un resultado particular, contra los análisis basados en regresión, que por el contrario, generalmente tienen como objetivo ser herramientas base para explicar los efectos de las causas (Wagemann y Schneider, 2010). Sobre el estado de las ciencias sociales, como base general de la administración de la innovación, Sartori (1970), llegó a afirmar: “...se aprecia un pésimo estado de la ciencia... oscilando entre dos extremos poco sólidos: pensamiento inconsciente, lo que hace una abrumadora mayoría, y un pensamiento demasiado consciente, hecho por una pequeña minoría...” Llamando a los estudiosos a adquirir capacitación en lógica (primaria): “...para dirigir un curso intermedio entre mal manejo lógico crudo por un lado, y perfeccionismo lógico (y parálisis) por otro lado...” Fue a fines de la década de 1980, cuando el Dr. Charles Ragin trajo el álgebra Booleana y la teoría de conjuntos, para las ciencias sociales con su innovador libro The Comparative Method (Ragin, 1987) que describe a profundidad todo lo relativo a los componentes del QCA. Aún así, el verdadero estímulo en la atención comenzó algunos años después, con el libro Fuzzy-sets Social Science (Ragin, 2000). Por ahora, ya hay académicos que usan los métodos comparativos configuracionales, dada la posibilidad en formalizar el análisis orientado a casos y de este modo, ofrecer herramientas para mejorar la investigación comparativa. Estos métodos son particularmente aptos para identificar lo mínimamente necesario y/o mínimamente suficiente (combinaciones de) condiciones que producen un resultado de interés (es decir, evaluar las causas de los efectos), con gran potencial de aplicaciones cuantitativas como en la ingeniería (Mendel y Korjani, 2010; Marks, et al., 2018). Dadas las ventajas que se ofrecen, en discusiones recientes sobre los métodos comparativos configuracionales, los estudiosos sostienen que los enfoques cuantitativos basados en regresiones vs. el QCA, se aplican mejor junto a otro (Ragin, 2008; Schneider y Wagemann 2010; Rihoux, 2006). Sin embargo, existe una advertencia para los entusiastas, de que los acadé- micos no deban convertirse en monomaníacos del QCA (Ragin y Rihoux 2004, p. 6). Por otro lado, se tienen primeros esfuerzos de la aplicación de fsQCA, en el área del emprendimiento y la innovación como el trabajo de Kraus (et al., 2017) donde se hace una recopliación de 77 artículos publicados de 2005 a 2016 con las palabras clave de: fsQCA, administración de negocios, empredimiento e innovación, revelando un incremento paulatino en estos campos para el uso de la fsQCA. Es así, que las ciencias de la adminis- tración orientadas a la innovación, tienen la posibilidad de aprovechar lo realizado en las ciencias sociales a través de las importantes aportaciones del Dr. Ragin, por lo que la presente obra, se compone de once capítulos, los cuales describimos brevemente: CAPÍTULO 4. Análisis Cualitativo Comparativo de Datos Difusos (fsQCA). Este capítulo reporta al lector un tipo de datos muy especial, el de tipo difuso que usa el software fsQCA, revelando conceptos básicos de su uso a través del conocimiento de su naturaleza, la posibilidad de usarlos por niveles y de manera continua. Se presentan operaciones del conjunto de datos difusos, tales como: la negación Booleana, la conjunción (lógica AND), la unión (lógica OR). Incluye modelos y métodos de calibración análisis de condiciones necesarias y suficientes así como de consistencia, cómo realizar tablas de verdad y analizar las esquinas de espacio vectorial. Se aplican catorce ejercicios que demuestran el uso del software fsQCA que confirman el uso de los principales conceptos. CAPÍTULO 5. Evaluación del conjunto de datos fsQCA. El capítulo hace una descrpición de la importancia de lo que se conoce como condi- ciones INUS y SUIN así como de consistencia y cobertura en general. Se presenta el desarrollo manual de cinco casos que confirman el uso de los principales conceptos. CAPÍTULO 6. La calibración y su importancia en fsQCA. Este capí- tulo abre un debate sobre las implicaciones de la calibración antes de iniciar mediciones en alcance y contexto, los pros y contras de utilizar indicadores por parte de la investigación cuantitativa, relacion de SEM vs. fsQCA, la investigación cualitativa y la necesidad de la calibración, los métodos directo e indirecto de calibración. Se presenta el desarrollo manual de cuatro casos que confirman el uso de los principales conceptos. CAPÍTULO 7. Pensamiento configuracional en fsQCA. Este capí- tulo demuestra, la importancia del pensamiento configuracional desde el punto de vista cualitativo y cuantitativo, se discute sobre la evaluación del grado de pertenencia en una configuración así como la comparación de trayectorias causales. CAPÍTULO 8. Efectos netos en fsQCA. El capítulo describe lo que se debe entender por efectos netos, los problemas que se tiene del mismo,se propone un cambio de enfoque a tipos de casos, se hace exposición de comparación de casos de datos difusos y el análisis de configuraciones. CAPÍTULO 9. Efectos netos vs. Configuraciones en fsQCA. A través de dos casos hipotéticos, se realiza el estudio y se desarrollan cada uno de los conceptos vistos explicando por comparación sus resultados, a fin de comprender la naturaleza de los efectos netos de los de configuración por fsQCA. CAPÍTULO 10. Guía de análisis csQCA. Con datos nítidos, de un caso de innovación, se ofrece al lector una guía rápida y visual, a través de screen-shots y 8 ejercicios, cómo resolver un caso a través de realizar: análisis de condiciones necesarias, representar datos en la tabla de verdad, identificar contradictorios y remanentes lógicos, análisis de suficiencia, minimización de la tabla de verdad para ocurrencia y no ocurrencia del fenómeno e interpretación de resultados. CAPÍTULO 11. Guía de análisis fsQCA. Con datos difusos, de un caso de innovación, se ofrece al lector una guía rápida y visual, a través de screen-shots y 9 ejercicios, cómo resolver un caso a través de realizar: acceso al archivo de trabajo, análisis de condiciones necesarias con ocurrencia del fenómeno y sus reportes, interpretación de la cobertura y la cobertura, generación de la tabla de verdad, la aplicación de la opción Stan- dard Analyses, interpretación de las soluciones generadas, generación de la tabla de verdad con no ocurrencia del fenómeno, análisis de implicaciones principales, e interpretación del caso. GLOSARIO. Se presenta un glosario de los términos más utilizados al respecto.