Temas Selectos de Computación.

Introducción al Business Intelligence

Introducción al business intelligence

[2.1] ¿Cómo estudiar este tema?

[2.2] Datos, información y conocimiento

[2.3] Inteligencia de negocios

[2.4] Business intelligence vs business analytics

[2.5] Referencias bibliográficas

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Esquema

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Ideas clave

2.1. ¿Cómo estudiar este tema?

Para estudiar este tema es suficiente con que leas las siguientes ideas clave.

2.2. Datos, información y conocimiento

Figura 1. Preguntas sobre datos e información.

¿Es lo mismo, datos, información o conocimiento? La tendencia inicial es a responder

afirmativamente a este interrogante, pero la respuesta correcta es NO.

Si empezamos a indagar un poco sobre ellas, las tres tienen significado diferente:

Los datos son elementos sin procesar, sacados de la realidad que a su vez genera nuevos
elementos y que por sí solos no generan nuevo conocimiento. Ejemplos de datos: el
precio de un producto, la edad, el nombre de una persona, etc.
La información es el principio del conocimiento. Son datos con un significado o
función especial o el resultado de combinar diferentes datos, es decir, son datos con
contexto.
El conocimiento es la información analizada que hace nuevos aportes a un área
específica.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Figura 2. Cómo se integran los datos y la información. Fuente: Weller, K. (2010).

Los datos son la principal fuente de información para el análisis de grandes volúmenes,
por lo que es fundamental que las empresas realicen una selección lo más adecuada y
cuidadosamente posible. La categorización de los datos es importante para cualquier
proyecto, en especial cuando se trabaja con grandes volúmenes (big data). La principal
categorización de los datos se basa en su estructura en la que nos encontramos
principalmente dos posibilidades:

» Estructurados: estos datos son aquellos que se tienen una estructura definida y que
no cambia independientemente de cuál sea su origen. Es decir, son aquellos datos que
poseen un modelo (o estructura) definido. Entre estos tipos de datos podemos
encontrar registros de bases de datos, que son el ejemplo más típico, datos de
sensores o los que se obtienen a partir del API de Twitter.

» No estructurados: estos datos son aquellos datos que no disponen de una estructura
bien definida. Es decir, son aquellos que no poseen un modelo (o estructura) definido
o que no están ordenados de alguna manera. Entre estos tipos de datos podemos
encontrar fotografías, vídeos o documentos de texto (Word, PDF, etc.).

Categorización de datos

1 . ESTRUCTURADOS 2. NO ESTRUCTURADOS

 Bases de datos  Imágenes

Datos de sensores Vídeos

Precios de acciones Documentos de texto

Figura 3. Introducción a la categorización de datos.

En cuanto a cómo se han generado los datos, nos podemos encontrar con los siguientes
tipos de datos:

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

» Creados: son aquellos generados por la propia empresa a través de los sistemas de
información.
» Compilados: son aquellos que se utilizan de otras grandes bases de datos, como
censos electorales, información obtenida de las administraciones públicas en salud,
vivienda, impuestos, etc.
» Experimentales: son los generados por simulaciones o pruebas para determinar la
validez de los sistemas.

En la figura 4 se muestran algunas fuentes de información que hoy en día se han

ampliado gracias a las nuevas tecnologías de la información.

Figura 4. Fuente de datos.

» Web (Internet) y medios sociales: son aquellos que tienen origen en la red. Según
los expertos, es la fuente más grande del big data y una de las más utilizadas en la
actualidad. Se genera información en los clics de los vínculos y elementos, así como
en las búsquedas que se hacen, las publicaciones en las redes sociales (Twitter,
Facebook, LinkedIn…) y el contenido web como páginas, enlaces o imágenes.

» Tabletas y móviles (smartphone): son dispositivos móviles que permiten acceder

a información desde cualquier parte gracias a su tamaño, las aplicaciones y su acceso
a Internet. Entre todas las fuentes de datos utilizables, el teléfono inteligente o tableta
es el que más potencial tiene.

Gracias a estos dispositivos, compañías como Google y Apple pueden saber dónde se
encuentra una persona en cada momento y, de esta manera, poder conocer los gustos
de comida, vestuario y diversión, entre otros.

» Bases de datos y sistemas de información: una base de datos es un almacén en

el que se puede organizar datos, para evitar la redundancia y mejorar el acceso a estos.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Diferentes programas y usuarios deben poder utilizar los datos guardados. De allí el
término base «sistema de información».

Tipos de datos

Para los diferentes procedimientos que se realizan en la inteligencia de negocios, es

importante definir los tipos de datos que se van a usar para obtener conocimiento.

En la empresa se pueden encontrar los siguientes:

» Numéricos: aquellos valores enteros o reales. Por ejemplo: la edad, el salario y las
horas trabajadas, entre otros.
» Fecha/hora: se identifican como campos de fecha/hora aquellos valores cuyo
contenido encaja con formatos de fecha/horas más usuales. Sus componentes pueden
ser: año, mes, día, hora, minutos o segundos.
» Texto: sus valores tienen texto libre, es decir, que no está limitado a un subconjunto
de etiquetas. Por ejemplo, el nombre de los empleados y el nombre del departamento,
entre otros.
» Alfanuméricos: son una combinación de los datos numéricos y datos de tipo texto,
como por ejemplo el número de DNI, la dirección, etc.
» Booleano: es un tipo con solo dos valores: verdadero y falso (Gagliardi et al., 1999).

La mayoría de las veces los datos no pueden ser utilizados de la manera en se encuentran
almacenados, pues pueden encontrarse en las ya mencionadas bases de datos o en
archivos planos, entre otros. Debido a la poca rigidez de los sistemas de calidad y control
al introducirlos a los diferentes sistemas, existen diferentes tipos de errores: datos
incompletos, datos con ruido, datos inconsistentes o duplicados.

Es necesario tener un proceso de calidad de los datos para minimizar los errores y
poder obtener un mayor rendimiento en el análisis; de lo contrario los algoritmos
generalmente ignoran el dato y se pierde información valiosa.
El autor Dorian Pyle define la preparación de los datos como «la manipulación y
transformación de los mismos sin refinar para que la información contenida en el
conjunto de datos pueda ser descubierta o estar accesible de forma más fácil» (Pyle,
1999).

Los componentes para la preparación de datos son: limpieza, integración,

transformación, y reducción.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

» Limpieza: esta tarea puede involucrar: completar los datos faltantes, resolver los
problemas de ruido, y elimina valores extremos, corregir los datos inconsistentes
(Han, Kamber y Pei, 2006).

» Integración: los datos pueden provenir de diferentes fuentes y, por esta razón, es
necesario agruparlos en diferentes tablas para crear información homogénea. Los
datos que provienen de diferentes fuentes pueden tener diferentes formatos y escalas.
La recopilación tiene que ser coherente. Frecuentemente esta integración de datos se
realiza en una base de datos. (Herrera, Riquelme y Ruiz, 2004).

» Transformación: en este paso se crean nuevos atributos a partir de los atributos

originales. Esta transformación puede facilitar una mejor interpretación de la
información (Lin, 2002). Por ejemplo, el índice de masa corporal en datos médicos
se calcula con el peso y la altura de una persona. Otros ejemplos de transformación
de datos son la discretización, la normalización y derivación.

» Reducción: la reducción de la dimensionalidad consiste en aplicar una

transformación para conseguir una representación reducida de los datos originales
sin perder información. En esta parte se deben escoger aquellas variables o atributos
que influyan en la obtención de conocimiento.

2.3. Inteligencia de negocios

El business intelligence (BI), que se traduce como «inteligencia de negocios», es un

proceso de intercambio para explorar y analizar información estructurada de la
empresa o sobre una determinada área (con frecuencia almacenada en un data
warehouse), para descubrir tendencias o patrones, a partir de los cuales derivar ideas y
extraer conocimiento para el mejoramiento de la empresa (Teixeira, Oliveira y Varajão,
2019).

El proceso del business intelligence incluye la comunicación de los descubrimientos y la

ejecución de los cambios. Las áreas que abarcan por lo general son clientes,
proveedores, productos, servicios y competidores, (véase en el apartado de
«Webgrafía» el ejemplo de Gather).

Implementar soluciones de inteligencia de negocios dentro de la empresa ayuda en las

decisiones que se toman. También contribuyen a nivel interno, para apoyar la gestión

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

del personal (Sharma et al., 2009) y a nivel externo, producir ventajas sobre sus
competidores (Maureen, 2009).

En algunas ocasiones no se pueden lograr todos los beneficios que tiene el business
intelligence debido al proceso que se lleva a cabo al implementar un proyecto de estas
características, se pueden cometer errores en la definición del planteamiento de las
necesidades de conocimiento de la empresa y, al no determinar bien los problemas de
información que necesitan solución, generalmente causan el fracaso del proyecto.

¿Quién necesita el business intelligence?

Todas aquellas personas de la empresa que tienen que tomar decisiones. Dependiendo
del tipo de negocio, se deben hacer las preguntas necesarias para responder y establecer
el modelo de business intelligence que mejor se adapte.

Beneficios del business intelligence

Uno de los objetivos básicos de los sistemas de información es contribuir a la toma de

decisiones. Cuando se requiere tomar una decisión es necesario pedir o buscar
información, que servirá para minimizar la incertidumbre. En todo caso, no todos los
responsables recogen la misma información: depende de factores como la experiencia,
la formación, la disponibilidad, entre otros.

Figura 5. Beneficios del business intelligence.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Del mismo modo, los responsables pueden necesitar recoger más o menos información
dependiendo del tipo de problema a resolver. A partir de los datos que proporciona el
sistema de business intelligence se puede descubrir nuevos aportes (conocimiento). Los
beneficios del este pueden ser de distintos tipos (figura 5) (Puklavec, Oliveira y 3RSRYLþ
2018).

» Beneficios tangibles: son aquellos que la empresa puede cuantificar y que aportan
beneficios económicos a la empresa. Ejemplo: reducción de costes de producción,
generación de nuevos ingresos, reducción en tiempo de producción, evitar pérdidas
de clientes o materia prima, más aumentar la rentabilidad.

» Beneficios intangibles: son aquellos que no se pueden cuantificar pero que aportan
valor agregado a los servicios o productos y mejoran la posición competitiva.
Ejemplo: mejorar la atención al cliente, aumentar la satisfacción del cliente interno y
externo, tener información más actualizada.

» Beneficios estratégicos: son aquellos que facilitan la creación de nuevas

estrategias, respecto a qué clientes, mercados o con qué productos encaminar los
esfuerzos de la empresa. Ejemplo: mejorar la toma de decisiones, identificar clientes
potenciales, etc.

Arquitectura del business intelligence

Figura 6. Arquitectura del business intelligence.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Fuente: https://ingenieriadelsoftwareuah2015.files.wordpress.com/2015/04/bi-5.jpg

Una solución de este sistema parte de varias fuentes de datos que suelen ser
transformadas estructuralmente para optimizar el análisis, proceso al que se le
denomina ETL. Una vez la información está unificada se almacena en un data
warehouse que puede servir como base a distintos data marts. Los datos almacenados
en el data warehouse o data mart se explotan utilizando herramientas de visualización
o reporting. Esto lo podemos observar en la figura 6.

» Procesos ETL: consisten en la extracción, transformación y carga de los datos en el

data warehouse. Antes de guardarlos ahí, deben ser transformados, limpiados,
filtrados y redefinidos. Como se mencionó anteriormente, la información que tienen
las empresas en los sistemas transaccionales no está preparada para la toma de
decisiones.

» Data warehouse: también llamado almacén de datos, con el metadata o diccionario

de datos. Se busca almacenar los datos de una forma que facilite y maximice su
flexibilidad, facilidad de acceso y administración. Surge como respuesta a las
necesidades de los usuarios que necesitan información consistente, integrada,
histórica y preparada para ser analizada y apoyar la toma de decisiones.

» Herramientas OLAP: para proveer la capacidad de cálculo, consultas, funciones de

planeamiento, pronóstico y análisis de escenarios en grandes volúmenes de datos. En
la actualidad existen otras alternativas tecnológicas al OLAP. Siguiendo el modelo se
deben analizar las tecnologías que permitirán tratar y visualizar la información que
reside en un data warehouse. En este apartado también se tratarán las herramientas
de visualización, ya que en muchas ocasiones van ligadas.

Relación entre business intelligence y big data (BD)

El business intelligence se refiere a las habilidades, tecnologías, aplicaciones y prácticas

para la exploración iterativa continua del pasado empresarial para proporcionar
información útil en el presente. El business intelligence se centra en el desarrollo de
nuevos conocimientos y la comprensión del rendimiento empresarial basados en
métodos estadísticos.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

El término big data se usa para caracterizar conjuntos de datos grandes, diversos y que
cambian rápidamente, lo que es cada vez más frecuente en todas las organizaciones. Big
data requiere de sistemas de administración de bases de datos con capacidades más allá
de las que se ven en los sistemas estándar basados en SQL.

La mayoría de las definiciones intuitivas de big data se centran en el volumen de datos

que se producen, a menudo medidos en términos de tera (1012), peta (1015) o exa
(1018) bytes. Algunos afirman que se está ingresando a la llamada «Era Petabyte»
(Anderson, 2008) mientras que otros prefieren hablar de cuántos exabytes de datos se
producen cada día (McAfee y Brynjolfsson, 2012).

Sin embargo, aunque el volumen es, sin duda, un aspecto del big data (probablemente
el menos problemático), a medida que la tecnología se desarrolla, lo que fue grande en
el pasado será normal mañana y probablemente se piense que es bastante pequeño en
el futuro. Por consiguiente, para comprender qué hace que big data sea diferente,
también se debe considerar las dimensiones de la velocidad, la veracidad y la
variedad.

» Velocidad: mientras que el volumen se refiere a lo que podría considerarse una

«reserva» de datos, la velocidad se refiere a la que esa acción cambia; por ejemplo, la
velocidad a la que se generan los datos, la frecuencia a la que se actualiza o la
velocidad a la que son entregados.
Entre los ejemplos de datos de alta velocidad se incluyen datos financieros de
mercados bursátiles, datos en tiempo real de sensores y cámaras de vídeo, y datos de
stream generados por visitantes a tiendas en línea.

» Veracidad: la veracidad hace referencia a la incertidumbre de los datos, es decir, al

grado de fiabilidad de la información recibida. Para solventar el problema de la
veracidad, es necesario conseguir datos de calidad, aplicando soluciones y métodos
que puedan eliminar datos imprevisibles que puedan surgir como datos económicos,
comportamientos de los consumidores que puedan influir en las decisiones de
compra.

» Variedad: aunque tal vez no sea tan obvio como el volumen o la velocidad, en muchos
sentidos la variedad plantea el mayor problema para el análisis de big data. La
variedad se refiere a la cantidad de diferentes fuentes de las que pueden proceder los
datos y los formatos, estructuras y semántica que están asociadas a ellas (Estructura
se refiere tanto al formato en el que se almacenan los datos, como el número y la
longitud de los campos, y, más crucial, la semántica que debe asociarse con esos

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

campos. Para que una computadora pueda procesar datos de manera que sean válidos
y significativos para los seres humanos, los datos primero deben codificarse, es decir,
un valor semántico - efectivamente un significado - tiene que asignarse a cada
elemento de datos (Kimble, 2013).

Si bien estas cuatro variables (las 4 V’s) son las más prominentes, revistas especializadas
hablan de 5, 8 y hasta 10 V’s. En un artículo de febrero de 2017, el portal Transforming
Data with Intelligence proponía la siguiente lista de V’s: Volumen, Velocidad, Variedad,
Variabilidad, Veracidad, Validez, Vulnerabilidad, Volatilidad, Visualización y Valor
(https://tdwi.org/articles/2017/02/08/10-vs-of-big-data.aspx).

Las diferencias entre business intelligence y big data tienen consecuencias sobre
cómo están organizadas. Tradicionalmente, los equipos de business intelligence están
ubicados en organizaciones de consultoría internas, centros de excelencia o
departamentos de TI, donde proporcionan a los gerentes y ejecutivos reportes con
información bien definida, estable y útil. (Burton et al., 2006 y Davenport et al., 2012).

Sin embargo, dado que la mayoría de las iniciativas de big data carecen de preguntas
predefinidas y son de naturaleza mucho más experimental (Casey et al., 2013), los
especialistas de big data deben organizarse para que estén cerca de los productos y
procesos en las organizaciones, es decir, que compartan negocios y unidades (Davenport
et al., 2012). A continuación, se muestran algunas semejanzas y diferencias en las áreas
de competencia de business intelligence y big data.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Figura 7. Semejanzas y diferencias en las áreas de competencia de business intelligence y big data. Fuente:
Debortoli, Müller y Vom Brocke, 2014.

2.4. Business intelligence vs business analytics

La gestión de la empresa está fundamentada en la toma de decisiones más apropiada

para cumplir con los objetivos del negocio, satisfacer las necesidades de los clientes y
empleados y mantener o mejorar la calidad de los productos. Con el avance en las
tecnologías de información y las comunicaciones, el aumento en la capacidad
almacenamiento de datos ha dado paso a nuevas metodologías tales como: el business
intelligence (BI) y el business analytics (BA) que ayudan y facilitan el proceso de toma
de decisiones.

» Business intelligence: la inteligencia de negocios (BI) es un instrumento mediante

el cual diferentes organizaciones pueden apoyar la toma de decisiones basadas en
información precisa y oportuna para garantizar la generación del conocimiento
necesario que permita seleccionar la alternativa que sea más conveniente para el éxito
de la empresa (Rosado y Rico, 2010).

» Business analytics: es un conjunto de técnicas (entre los que se encuentran

algoritmos predictivos y modelos estadísticos) que le permiten a la organización
predecir posibles eventos o resultados. Esto es, se enfoca en el análisis futuro en
función de la información de la empresa y modelos predictivos para apoyar la toma
(UNAM Acatlán. Actuaría)
 Temas Selectos de Computación. Introducción al Business Intelligence

de decisiones y mejorar los procesos y, por ende, la competitividad del negocio

(Thorlund, 2017).

Figura 8. Analytic Value Escalator.

Fuente: Gartner, presentado en el Summit 2013.

En resumen, se puede entender el business intelligence como las técnicas de recoger y

entender datos del pasado, mientras que el business analytics permite alcanzar una
visión más clara del futuro. Ambas metodologías se pueden complementar para
construir un análisis minucioso de la actividad y futuro de la empresa, con el propósito
de mejorar la toma de decisiones.

Big data Business intelligence Business analytics

Predicción,
Consultas, alertas,
Herramientas clasificación, regresión,
reportes, OLAP
agrupación
Qué, cómo paso y qué
Centro está pasando Qué puede pasar

Uso Reactivo Proactivo, predictivo

Estructurados, no
Tipo de datos Estructurado estructurados

Alcance Dirección Proceso

Tabla 1. Diferencias entre business intelligence, business analytics y big data. Fuente: Díaz, 2012.

Por otro lado, el business analytics es el análisis de las respuestas proporcionadas por el
business intelligence. Mientras que el business intelligence responde a la pregunta
«¿qué sucedió?», el business analytics responde a «¿por qué sucedió, volverá a pasar?»
El business intelligence incluye informes, monitoreo automatizado y alertas, tableros
y/o cuadros de mando integral; el business analytics, por el contrario, incluye análisis
(UNAM Acatlán. Actuaría)
 Temas Selectos de Computación. Introducción al Business Intelligence

estadísticos cualitativos y cuantitativos, minería de datos, modelado predictivo y

pruebas multivariables. Cuando escuchas el término «inteligencia empresarial»,
normalmente engloba todo business intelligence y business analytics.

¿Qué beneficios tiene para la toma de decisiones usar el business

analytics?

El conocimiento adquirido en business analytics permite a las organizaciones

automatizar y optimizar sus procesos.

De hecho, las organizaciones impulsadas por datos que utilizan business analytics
obtienen una ventaja competitiva porque pueden usar los conocimientos para
(Thorlund, 2017):

» Realizar minería de datos (explorar datos para encontrar nuevos patrones y

relaciones).
» Realizar un análisis estadístico cualitativo y cuantitativo para explicar por qué ocurren
ciertos resultados.
» Evaluar decisiones anteriores utilizando diferentes formas de análisis de datos.
» Utilizar el modelado predictivo y el análisis predictivo para pronosticar resultados
futuros.
Business analytics también ofrece soporte a las organizaciones en el proceso de tomar
decisiones tácticas proactivas, y hace posible que esas organizaciones automaticen la
toma de decisiones para respaldar las respuestas en tiempo real.

La construcción básica de business analytics se fundamenta en los cuatro pilares de

Gartner (Popkin y Hayward, 2004), que se constituyen con cuatro componentes básicos:

» Los datos.
» Las personas.
» Los procesos.
» La tecnología.

Ayudan a recordar las cuatro áreas clave que se deben tener en cuenta al considerar la
implementación del business analytics.

La intención detrás de estos pilares, como podemos observar en la figura 9, más

adelante, es simplemente ayudar a hacer mejores preguntas y obtener mejores
respuestas al desarrollar aplicaciones analíticas comerciales.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Figura 9. Pilares del business analytics según Gartner. Fuente: Marrow, 2018.

» Información: el pilar de datos equilibra el manejo de la información. Requiere

conectarse a fuentes de datos dispares (bases de datos, sistemas de información de
otras empresas y datos en la web, entre otros), independientemente de su tipo y
ubicación.
Ser capaz de aprovechar todos los datos disponibles y servirlo al usuario es un
componente básico crítico para una estrategia sólida. La información como base
fundamental se ha agregado a la estructura para reflejar la conectividad y la
coexistencia con todas las fuentes de datos que utiliza el análisis empresarial, no
simplemente el almacén de datos. Esto se ha expandido para incorporar datos
estructurados y no estructurados (contenido), datos locales y basados en la nube, y
hemos visto surgir nuevos términos como big data para representar nuevos desafíos
de información extrema, no solo de volumen, sino también de velocidad, variedad y
complejidad de información.

» Personas: a medida que el business analytics se separa de un modelo centralizado

hacia un modelo descentralizado, las personas deben estar capacitadas en saber cómo
usar los datos. En este marco se ajustan las actividades de las personas para
representar tareas, en lugar de roles. Anteriormente los roles eran los que mejor
representaban la relación tradicional entre el negocio y las TI, las nuevas formas de
análisis superan estas distinciones. Por lo tanto, un usuario de análisis empresarial
puede participar fácilmente en producir, consumir y habilitar nuevas actividades que
se conviertan en conocimiento.

» Procesos: el pilar del proceso requiere tener la información correcta en el momento

adecuado para tomar mejores decisiones y más rápidas. Debido a que diferentes roles

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

toman decisiones diferentes, es importante aprovechar los mismos datos para

respaldar una variedad de procesos. Por ejemplo, los usuarios operativos y ejecutivos
requieren cuadros de mando; los clientes/ciudadanos requieren declaraciones,
propuestas e informes. Esto es para reforzar el punto de que el marco está compuesto
por personas, procesos, plataformas y aspectos de desempeño.

» Tecnología: el pilar tecnológico abarca el desarrollo y la implementación de sistemas

que permitan desplegar todo el conocimiento. Las organizaciones deben construir
una arquitectura flexible que se adapta a las necesidades del negocio.

Proceso de business analytics

El proceso completo de business analytics implica tres pasos principales aplicados

secuencialmente a una fuente de datos (véase figura 10). El resultado del proceso debe
estar relacionado con las empresas, intentando mejorar el rendimiento constantemente.

Figura 10. Proceso de business analytics. Fuente: Schniederjans, M. J., Schniederjans, D. G., y Starkey,
2014.

La lógica del proceso en la figura 10 se basa inicialmente en una pregunta: ¿qué valiosa
información está encerrada en las fuentes de datos que la organización tiene
disponibles? En cada uno de los tres pasos que componen el proceso se deben responder
las preguntas adicionales, como se muestra en la figura 10. Responder a todas requiere
extraer la información de los datos a través de los tres pasos de análisis que comprenden
el proceso.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

El tamaño de algunas fuentes de datos puede ser inmanejable, demasiado complejo y

generalmente confuso. La organización de los datos y el intento de dar sentido a su valor
informativo requieren la aplicación de análisis descriptivos como primer paso en el
proceso de business analytics. Uno puede comenzar simplemente clasificando los datos
en grupos usando las cuatro clasificaciones posibles presentadas en la tabla 2.

Tipo de datos Descripción

Datos que están agrupados por una o más características. Los datos
categóricos usualmente involucran números cardinales contados o
expresados como porcentajes.

Datos categóricos Ejemplo 1: mercados de productos que pueden caracterizarse por

categorías de productos «con altos ingreso» o productos «de bajos
ingresos», basados en ventas.
Ejemplo 2: una encuesta donde se recoge información sobre
variables como el género, estado civil o afiliación política. Es
común usar este término para aplicar a conjuntos de datos que
contienen elementos identificados por categorías, así como a
observaciones resumidas en tabulaciones cruzadas o tablas de
contingencia.
Datos clasificados u ordenados para mostrar preferencia relacional.

Ejemplo 1: clasificaciones de equipos de fútbol no basadas en

Datos ordinales puntos anotados sino en victorias.
Ejemplo 2: ranking de empresas comerciales basadas en la calidad
del producto.
Ejemplo 3: ranking de universidades teniendo en cuenta la
calidad de sus investigaciones.
Los datos que se organizan a lo largo de una escala donde cada valor
es igualmente distante de los demás. Son datos ordinales.

Ejemplo 1: un indicador de temperatura.

Ejemplo 2: instrumento de encuesta que usa una escala Likert
Datos de intervalo para medir la satisfacción del cliente (es decir, 1, 2, 3, 4, 5, 6, 7). De
1 a 2 se percibe como equidistante al intervalo de 2 a 3, y así
sucesivamente. Nota: En los datos ordinales, la clasificación de las
empresas puede variar mucho del primer lugar al segundo, pero en
los datos de intervalo, deberían ser relacionalmente proporcionales.
Datos expresados como una relación en una escala continua.

Ratios de datos Ejemplo 1: la proporción de empresas con programas de

fabricación ecológica es el doble que la de empresas sin dicho
programa.

Tabla 2. Tipos de escalas de clasificación de medición de datos. Fuente: Schniederjans, M. J.,

Schniederjans, D. G., y Starkey, 2014.

Además, también se pueden incorporar algunos de los datos en hojas de cálculo como
Excel y preparar tabulaciones cruzadas y tablas de contingencia para restringir los datos
a una estructura de datos más manejable. Se pueden calcular medidas simples de
tendencia central y dispersión para intentar capturar posibles oportunidades de mejora
(UNAM Acatlán. Actuaría)
 Temas Selectos de Computación. Introducción al Business Intelligence

de los procesos. Otros métodos descriptivos de resumen analítico, que incluyen trazado
y gráficos, pueden ayudar a los responsables de la toma de decisiones a visualizar los
datos para comprender mejor las oportunidades de negocio.

Desde el paso 1, el análisis descriptivo analítico (véase figura 10), algunos patrones
o variables del comportamiento de la empresa se deben identificar para que representen
los objetivos y las oportunidades de negocio, sumado al posible comportamiento futuro
de las tendencias. Es probable que se requiera un esfuerzo adicional, la generación de
informes estadísticos detallados estrechamente enfocados en los datos y relacionados
con los objetivos del negocio para explicar lo que está ocurriendo (lo que sucedió en el
pasado).

Esto es como una búsqueda estadística de variables predictivas en los datos que pueden
conducir a encontrar patrones de comportamiento que una empresa podría aprovechar,
si los patrones de comportamiento ocurren en el futuro. Por ejemplo, una empresa
puede hallar en su información general de ventas que durante los tiempos de inactividad
económica, ciertos productos se venden a clientes de un nivel de ingresos específico y
con una determinada publicidad. Las variables de ventas, clientes y publicidad pueden
tener la forma de cualquiera de las escalas de datos descritas en la tabla 2
(Schniederjans, Schniederjans y Starkey, 2014).

Teniendo en cuentas los resultados del paso 1, se pueden determinar tendencias

observadas y usarlas para pronosticar el futuro en el paso 2.

Paso 2: análisis predictivo del proceso de business analytics. Hay muchos

métodos que se pueden emplear aquí. Una metodología comúnmente utilizada es la
regresión múltiple. Esta es ideal para establecer si existe una relación estadística entre
las variables predictivas encontradas en el análisis descriptivo. La relación podría
mostrar que una variable dependiente se asocia de manera predictiva con el valor
comercial o el rendimiento de algún producto.

Explorar las bases de datos de la empresa utilizando procedimientos estadísticos

avanzados para verificar y confirmar las mejores variables predictivas es una parte
importante de este paso en el proceso. Esto responde a las preguntas sobre qué está
sucediendo actualmente y por qué sucedió. Un modelo de regresión único o múltiple con
frecuencia puede ayudar a pronosticar una línea de tendencia en el futuro. Cuando la
regresión no aporta información, se pueden aplicar otros métodos de pronóstico
(exponential smoothing, smoothing averages) como análisis predictivo para desarrollar

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

los pronósticos necesarios de las tendencias del negocio (Schniederjans, Schniederjans

y Starkey, 2014).

La identificación de las tendencias futuras es el resultado principal del paso 2.

Esto ayuda a responder la pregunta «¿qué pasará?».

En el paso 3, el análisis prescriptivo, las metodologías de investigación de

operaciones se pueden utilizar para asignar de manera óptima los recursos limitados de
una empresa y aprovechar al máximo las oportunidades que se encontraron en las
tendencias futuras previstas. Los límites en recursos humanos, tecnológicos y
financieros impiden que una empresa busque todas las oportunidades que puede tener
disponibles en el momento. El uso de análisis prescriptivo le permite a la empresa
asignar recursos limitados para alcanzar los objetivos de la mejor manera posible en el
menor tiempo posible (Schniederjans, Schniederjans y Starkey, 2014).

En resumen, los tres componentes principales del proceso de BA, descriptivo, predictivo
y prescriptivo, pueden ayudar a una empresa a encontrar oportunidades en sus datos,
predecir tendencias que pronostican oportunidades futuras y ayudar a seleccionar una
línea de acción que optimice la distribución de recursos de la empresa para maximizar
el valor, el rendimiento y el desempeño.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

2.5. Referencias bibliográficas

Anderson, C. (junio, 2008). The end of theory: the data deluge makes the scientific
method obsolete. En Wired [en línea]. Recuperado de:
http://archive.wired.com/science/discoveries/magazine/16-07/pb_theory

Burton, B., Geishecker, L., Hostmann B, Friedman, T. y Newman, D. (2006).

Organizational Structure: Business Intelligence and Information Management.
Gartner, 1–11.

Davenport, T. H., Barth, P. y Bean, R. (2012). How big data is different. MIT Sloan
Management Review, 54, 22–24.

Debortoli, S., Müller, O., y Vom-Brocke, J. (2014). Comparing business intelligence and
big data skills. Business and Information Systems Engineering, 6(5), 289-300.

Díaz, J. C. (2012). Introducción al business intelligence. Barcelona: UOC.

Gagliardi, E. O., Grosso, A., Turull, J. M., Piffaretti, P., y Pereyra, S. R. (1999).
Computación de queries a bases de datos relacionales utilizando circuitos Booleanos.
En V Congreso Argentino de Ciencias de la Computación. Argentina.

Han, J., Kamber, M. y Pei, J. (2006). Data Mining, Concepts and Techniques (2º
edición). Massachusets: Morgan Kaufmann.

Herrera, F., Riquelme, J., y Ruiz, R. (mayo, 2004). Preprocesamiento de datos. En

Reunión Red Nacional DM & ML [en línea]. Recuperado de:
http://www.lsi.us.es/redmidas/IIreunion/trans/prepro.pdf

Kimble, C. (2013). Knowledge management, codification and tacit knowledge. IR

Information Research, 18(2). Recuperado de:
http://informationr.net/ir/182/paper577.html

Lin, T. Y. (2002). Attribute transformation for data mining I: theoretical explorations.

International Journal of Intelligent Systems, 17, 213- 222.

McAfee, A., y Brynjolfsson, E. (2012). Big data: the management revolution. Harvard
Business Review, 90(10), 61-67.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

Maureen L. (2009). La gestión del valor de la cartera de clientes y su efecto en el valor

global de la empresa: diseño de un modelo explicativo como una herramienta para la
toma de decisiones estratégicas de marketing (memoria para optar al grado de Doctor).
Departamento de Comercialización e Investigación de Mercados, Facultad de Ciencias
Económicas y Empresariales, Universidad Complutense de Madrid. Recuperado de:
http://eprints.ucm.es/8064/1/T29976.pdf

Popkin, J., y Hayward, B. (2004). Top 10 strategic technologies for 2005. En Gartner
Symposium/ITxpo.

Puklavec, B., Oliveira, T., y 3RSRYLþ $ 8QGHUVWDQGLQJ WKH GHWHUPLQDQWV

RI business intelligence system adoption stages. Industrial Management and Data
Systems, 236-261.

Pyle, D. (1999). Data Preparation for Data Mining (The Morgan Kaufmann Series in
Data Management Systems). Massachusetts: Morgan Kaufmann.

Rosado, A. A., y Rico, D. W. (2010). Inteligencia de negocios: estado del arte. Scientia et
technica, 16(44), 321-326. Recuperado de:
http://revistas.utp.edu.co/index.php/revistaciencia/article/view/1803/1209

Sharma, S., Sharma, J. y Devi, A. (2009). Corporate social responsibility: the key role of
human resource management. Business Intelligence Journal, 2(1), 205-2013.
Recuperado de:
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.514.7758&rep=rep1&type=p
df

Schniederjans, M. J., Schniederjans, D. G., y Starkey, C. M. (2014). Business Analytics

Principles, Concepts and Applications: What, Why, and How. USA: Pearson
Education.

Teixeira, A., Oliveira, T., y Varajão, J. (2019). Evaluation of Business Intelligence

Projects Success – a Case Study. Business Systems Research, 1-12.

Weller, K. (2010). Knowledge Representation in the Social Semantic Web. New York:
De Gruyter.

(UNAM Acatlán. Actuaría)

 Temas Selectos de Computación. Introducción al Business Intelligence

+ Información

Webgrafía

BigML Support

Aquí podrás ver qué formato de fecha y hora acepta BigML.

Accede a la página web a través del aula virtual o desde la siguiente dirección:
https://support.bigml.com/hc/en-us/articles/207423645-Which-date-time-
formatsdoes-BigML-accept

Gartner

De aquí es sobre todo recomendable echarle una ojeada al glosario de Gartner. Gartner
es una consultora internacional especializada en tecnologías de información y
comunicación.

Accede a la página web a través de la siguiente dirección: https://www.gartner.com/en

(UNAM Acatlán. Actuaría)