Dirección Estratégica: Estrategias y Tácticas

Dirección Estratégica (DE)

• La dirección estratégica integra estrategias y tácticas empresariales, analizando las decisiones y sus efectos a largo plazo para alcanzar objetivos empresariales.
• Un proceso de revisión periódica de las metas es crucial para ajustarse a los cambios del entorno y asegurar el cumplimiento de los objetivos.
• El ajedrez sirve como analogía para resaltar la importancia del análisis profundo antes de tomar decisiones estratégicas.
• Peter Drucker define la planificación estratégica como un proceso analítico continuo con decisiones informadas sobre las implicaciones futuras.
• Alfred Chandler define la planificación como la determinación de metas y cursos de acción a largo plazo.
• La DE mejora las competencias gerenciales y guía a las organizaciones al éxito en un entorno competitivo.
• Beneficios incluyen: orientación a la alta gerencia, gestión integral, planificación estratégica, y el uso del ciclo PHVA (planear, hacer, verificar, actuar).

Proceso de la Dirección Estratégica

• La planificación estratégica organiza tareas para cumplir la visión empresarial con un enfoque competitivo y único.
• No predice el futuro, sino que impacta las decisiones considerando información, metodología y pensamiento estratégico.
• La misión justifica la existencia de la organización, definiendo quiénes son, qué hacen, cómo, dónde y para quién.
• Los elementos de la misión incluyen mercado, producto, dominio geográfico, tecnología, valores y ventaja competitiva.
• La visión es el estado ideal a largo plazo basado en metas e indicadores de desempeño.
• Los líderes deben conocer la situación actual, la competencia y ser creativos en el desarrollo de la visión.

Análisis Estratégico

• Las empresas deben identificar el mercado en el que desean competir y definir estrategias a seguir.
• Es fundamental conocer la satisfacción del cliente, sus necesidades y el cumplimiento del producto.
• El análisis PEST evalúa factores externos (políticos, económicos, sociales y tecnológicos) que afectan el mercado.
• Los objetivos del análisis PEST incluyen identificar cambios futuros y convertir amenazas en oportunidades.
• La matriz DAFO evalúa fortalezas, debilidades, oportunidades y amenazas, ayudando a formular y evaluar estrategias.
• La simplicidad y facilidad de comprensión de la herramienta DAFO son ventajas clave en el proceso de análisis estratégico.

Cuadro de Mando Integral (CMI)

• El CMI es una herramienta para administrar y comunicar estrategias, monitoreando el desempeño organizacional.
• Introducido por Kaplan y Norton, incluye objetivos estratégicos, perspectivas, indicadores, metas y mapas estratégicos.
• Las cuatro perspectivas del CMI son: financiera, cliente, procesos internos y aprendizaje, cada una con métricas específicas.
• Los indicadores verifican el cumplimiento de los objetivos estratégicos y deben ser claros, medibles y relevantes.
• Las metas son declaraciones específicas y medibles, desafiantes y realizables.
• El mapa estratégico visualiza cómo se relacionan las diferentes perspectivas con los objetivos y la misión de la empresa.

Toma de Decisiones

• Las empresas deben elegir la mejor alternativa entre varias opciones, utilizando información sobre cada opción y sus consecuencias.
• El proceso de decisión transforma la información en acción
• El proceso incluye la identificación del problema, evaluación de decisiones y desarrollo de alternativas, siendo un ciclo que retroalimenta la información para decisiones futuras.

Introducción a BI

• Los datos son elementos sin procesar que, por sí mismos, no generan conocimiento.
• La información son datos contextualizados que tienen un significado o función específica.
• El conocimiento es información analizada que proporciona nuevos aportes y permite la toma de decisiones informadas.

Categorización de los Datos

• Los datos se clasifican en estructurados y no estructurados.
• Los datos estructurados tienen una estructura definida, como bases de datos y registros de sensores.
• Los datos no estructurados no tienen una forma definida, como imágenes o documentos de texto.
• Los datos pueden ser creados por la empresa, compilados de fuentes externas o generados a través de simulaciones y experimentos.
• Las fuentes de datos actuales se han ampliado con la tecnología, incluyendo la web, dispositivos móviles y bases de datos.
• Los tipos de datos utilizados en inteligencia de negocios incluyen numéricos, de fecha/hora, texto, alfanuméricos y booleanos.
• Los datos en su forma almacenada presentan errores como datos incompletos o duplicados, requiriendo calidad de datos.

Preparación de Datos

• La preparación de datos implica la limpieza, integración, transformación y reducción de datos para que sean accesibles y útiles.
• La limpieza incluye la resolución de datos inconsistentes y la eliminación de valores extremos.
• La integración combina datos de diversas fuentes en un formato coherente y homogéneo.
• La transformación crea nuevos atributos que facilitan la interpretación de la información.

Inteligencia de Negocios

• El BI es un proceso para analizar información estructurada de la empresa, descubriendo tendencias y patrones que ayuden en la toma de decisiones.
• El BI apoya en la toma de decisiones tanto internas como externas, ayudando a la gestión del personal y a obtener ventajas competitivas.
• Los beneficios del BI se clasifican en tangibles (cuantificables) e intangibles (no cuantificables), facilitando la creación de nuevas estrategias.
• El BI se basa en un proceso ETL (extracción, transformación y carga) para unificar datos en un data warehouse y luego analizarlo con herramientas OLAP.
• El data warehouse permite almacenar datos organizados y listos para análisis, con metadata para mejorar el acceso y la administración de la información.
• La BI se centra en explorar y analizar datos pasados para proyecciones actuales, mientras que el big data se refiere a grandes volúmenes de datos cambiantes, requiriendo tecnologías avanzadas.
• La diferencia clave entre BI y Big Data se encuentra en la escala y el método de análisis, con BI enfocado en datos estructurados y big data involucrando grandes volúmenes y múltiples formatos.

Business Intelligence vs Business Analytics

• El BI se enfoca en el análisis de datos pasados, mientras que el business analytics utiliza técnicas predictivas para anticipar futuros eventos.
• El BI responde preguntas sobre lo que ha sucedido, mientras que el BA se pregunta por qué y qué podría suceder a continuación.
• El BA permite automatizar procesos, realiza minería de datos y se enfoca en el análisis predictivo para mejorar la toma de decisiones.
• El proceso de BA implica análisis descriptivo, predictivo y prescriptivo, abordando diferentes aspectos del manejo de datos y la mejora continua en el rendimiento organizacional.
• A través de estos pasos se busca extraer valor de los datos, anticipar resultados y optimizar la toma de decisiones en la asignación de recursos.

Almacén de datos (DW)

• Un data warehouse (DW) debe estar orientado a un área de negocio y proporcionar información útil para decisiones estratégicas.
• Debe integrar información de diversas fuentes en medidas y formatos comunes, lo cual facilita su análisis.
• Está indexado en el tiempo permitiendo el almacenamiento de datos históricos, crucial para el análisis de tendencias.
• Es un conjunto no volátil de datos que se actualiza periódicamente.
• El objetivo de un DW es acceder a la información de la empresa de manera consistente y facilitar su análisis individual o en conjunto.
• Permite el uso de herramientas de presentación de la información y asegura su alta calidad para procesos de reutilización.
• Debe garantizar características como alta disponibilidad, rendimiento y copias de seguridad.

Modelos de un Data Warehouse

• El modelo estrella se basa en una tabla central de "hechos" conectada a diversas "dimensiones", optimizando el rendimiento de las consultas.
• En el modelo estrella se utiliza una única tabla de dimensiones por cada atributo, lo que facilita la organización de los datos y reduce la complejidad en el análisis.
• En el modelo copo de nieve, las tablas de dimensiones están normalizadas, lo que complica su mantenimiento pero reduce la redundancia de datos.
• El modelo copo de nieve puede tener un tiempo de respuesta más elevado dado que se exige realizar más uniones entre tablas.

Arquitecturas del Data Warehouse

• La arquitectura de una sola capa busca minimizar datos almacenados, pero no separa procesamiento analítico de transaccional.
• La arquitectura de dos capas incluye un flujo de datos en cuatro etapas, permitiendo una mejor organización y acceso a la información.

Impacto del Data Warehouse

• La implementación requiere que los usuarios adquieran nuevas habilidades y capacidades, además de facilitar el acceso inmediato a la información.
• Los DW reducen el tiempo de espera para acceder a datos relevantes, cambiando las expectativas de los usuarios.
• Mejoran la toma de decisiones al ofrecer información de manera rápida y comprensible, optimizando así los costos y aumentando la eficiencia de los procesos.

Data Mart

• Un data mart es un subconjunto de datos extraídos del data warehouse, dirigido a un grupo específico dentro de la empresa.
• Los data marts facilitan decisiones más rápidas y efectivas al concentrar datos relevantes.

Metadata

• El metadata actúa como el repositorio de información que define el significado de los componentes y atributos dentro del data warehouse.
• Facilita el trabajo tanto a usuarios como a equipos de TI.

Procesos ETL

• El proceso ETL consiste en la extracción, transformación y carga de datos en el data warehouse.
• Es fundamental para garantizar que los datos sean útiles y estén listos para el análisis.
• Dentro del proceso, se realizan tareas específicas como limpieza, transformación y validación de datos.
• La extracción implica obtener datos de fuentes diversas.
• La limpieza se centra en corregir errores y eliminar duplicados.
• La transformación organiza los datos en formatos apropiados.
• Finalmente, la carga asegura que los datos son consistentes en el sistema.

OLAP

• Las herramientas OLAP permiten la consulta y análisis de grandes volúmenes de datos, facilitando la exploración interactiva dentro del modelo multidimensional.
• Facilitan la toma de decisiones informadas al proporcionar flexibilidad para realizar análisis de información en distintas dimensiones y tiempos.
• ROLAP accede directamente a bases de datos relacionales.
• MOLAP utiliza bases de datos multidimensionales, optimizando velocidad de cálculo y análisis.
• HOLAP combina ambos enfoques para mejorar la gestión de datos específicos y el análisis robusto.

Herramientas de Visualización

• Los informes son esenciales para que las empresas comprendan sus resultados y presenta datos de manera estructurada.
• Las organizaciones generan grandes volúmenes de datos que se almacenan en diversas bases de datos y archivos.
• Es crucial generar informes para informar sobre el estado del negocio y facilitar la toma de decisiones a niveles operativos, tácticos y estratégicos.
• En la creación de informes, los diseñadores emiten consultas que definen un informe, estableciendo restricciones y agregaciones de datos multidimensionales.
• El diseño de un informe puede incluir tablas y gráficos que facilitan la visualización de los datos.
• Se evalúan no solo sus diseños, sino también la flexibilidad de entrega de los informes a los usuarios finales.
• Las herramientas de informes permiten responder preguntas iniciales como "¿qué pasó?", siendo fundamentales en la planificación y evaluación de tareas por parte de los gerentes.
• Una arquitectura adecuada de un data warehouse mejora significativamente la confiabilidad y desempeño de los informes generados.
• Los informes pueden clasificarse como estáticos, paramétricos y ad hoc, dependiendo de su flexibilidad y la interacción con los usuarios finales.

Elementos de los Informes

• Los informes pueden incluir texto explicativo, tablas para presentar datos de manera estructurada, gráficos para una rápida interpretación visual, mapas para datos geoespaciales y métricas para medir resultados.
• Tipos de métricas: de resultado, de realización e indicadores de actividad, cruciales para evaluar el desempeño y orientar la estrategia empresarial.

Tipos de Acceso

• Existen varios métodos de acceso a los informes, como cliente/servidor, acceso web y dispositivos móviles
• Se proporciona a los tomadores de decisiones, flexibilidad y facilidades para la consulta de datos actuales.

Tipos de Herramientas

• Las herramientas de business intelligence incluyen procesos ETL y OLAP para facilitar el análisis de datos, junto con herramientas de reporting para la generación de informes claros y concisos.
• Las herramientas ETL son clave para integrar datos de diversas fuentes; por ejemplo, Alterian, BiTool y Oracle Warehouse Builder.
• Las herramientas OLAP permiten a los usuarios finales manipular información de manera multidimensional. Por ejemplo, OlapCube y Mondrian.
• Los generadores de informes permiten a los usuarios desarrolladores y no desarrolladores crear informes estándar; por ejemplo, Adobe Analytics y Google Analytics Spreadsheet Add-on.
• Las herramientas de visualización facilitan la visualización y análisis de datos; por ejemplo, Tableau y Microsoft Business Intelligence.

Usuarios

• Los usuarios del data warehouse se dividen según jerarquía, función y competencia en cómputo.
• Se identifican productores y consumidores de información.
• Con la evolución de la tecnología de datos emergen nuevos roles como Director de Datos, Científico de Datos y Administrador de Datos.
• Esenciales para gestionar y analizar eficientemente la información.

Dashboard

• Los dashboards son interfaces gráficas que proporcionan una visión general rápida de datos relevantes para la toma de decisiones, mostrando indicadores clave a los directivos.
• Los dashboards incluyen tablas, métricas y gráficos.
• Se deben evitar errores como la complejidad innecesaria y el uso de métricas poco claras.
• Los dashboards y los balanced scorecards son herramientas distintas con diferentes enfoques y metodologías.

Cuadrante mágico de Gartner

• El cuadrante mágico de Gartner evalúa productos tecnológicos en el mercado, basándose en su integridad de visión y capacidad de ejecución.
• Este análisis ayuda a identificar tendencias y mejores proveedores en tecnología.
• Las empresas se clasifican en líderes, retadores, visionarios y de nicho, dependiendo de su desempeño y capacidad de ejecución en el mercado.

Metodología Kimball

• La metodología Kimball es una de las más utilizadas en el diseño y construcción de data warehouses.
• Se fundamenta en la creación de tablas de hechos, que contienen datos numéricos para analizar indicadores clave.
• Uno de sus principios básicos es identificar claramente los requerimientos del negocio y establecer relaciones sólidas con las partes interesadas.
• Otro es diseñar una base de datos integrada y fácil de usar que responda a las necesidades del negocio.
• La organización del desarrollo del data warehouse en periodos definidos es importante
• Asimismo, se debe proveer todos los elementos necesarios para que los usuarios del negocio puedan aprovechar la información.

Tareas del Ciclo de Vida Dimensional

• La planificación del proyecto define el propósito, objetivos, alcance, riesgos y necesidades de información del proyecto.
• El análisis de requerimientos se obtienen a través de entrevistas y sesiones facilitadoras, utilizando una matriz de procesos/dimensiones para organizar los datos necesarios para el negocio.
• En el modelo dimensional se desarrolla un modelo de alto nivel que abarca procesos de negocio y se elabora una lista de atributos para definir las tablas en el data warehouse.
• En el diseño físico se traduce el modelo dimensional en un modelo físico teniendo en cuenta aspectos técnicos como hardware, software y el tamaño del sistema.
• El sistema de ETL es crucial para asegurar la calidad de los datos, consolidarlos y cargarlos adecuadamente en el data warehouse.

Metodologías PMI

• El PMI proporciona un marco para la gestión de proyectos aplicable a los contextos de business intelligence.
• Incluye las etapas de inicialización, planificación, ejecución, control y cierre, que son interrelacionadas y adaptadas a las necesidades del proyecto.
• Los líderes de proyecto deben contar con conocimientos adicionales que son fundamentales para gestionar eficazmente un proyecto, tales como integración, recursos humanos, costos, alcance, tiempo, calidad, comunicación, riesgos y adquisiciones.

Arquitectura Inmon

• Bill Inmon es considerado el creador del concepto de data warehouse, que debe ser orientado a temas, integrado, no volátil y variante en el tiempo.
• En el ciclo de vida, comienza con la integración y validación de datos desde diversas fuentes, seguido por el desarrollo de herramientas para estas y la definición de requerimientos para los sistemas de decisiones.
• El data warehouse se divide en cuatro niveles.
• El proceso para la construcción del DW incluye reconocer sistemas transaccionales, cargar datos, crear data marts y realizar ajustes a medida que surgen nuevas necesidades.
• La granularidad define el nivel de detalle en el data warehouse, influyendo en el volumen de datos y la capacidad de consulta, siendo un aspecto clave en el diseño del DW.

Data-driven Decision Modelling

• El DDM permite a las empresas tomar decisiones estratégicas basadas en un enfoque impulsado por datos.
• Incluye campos como inteligencia artificial, aprendizaje automático, minería de datos y análisis inteligente de datos.

Tendencias

• Las tendencias actuales en business intelligence reflejan la importancia de la capacidad de transformación y adaptación de las empresas ante nuevas tecnologías y necesidades de datos.
• La alfabetización de datos y el modelo de multinube híbrida son prioridades.
• El Big Data, descubrimiento de datos y ciencia de datos convergen para ofrecer nuevas oportunidades analíticas.
• Se espera que la inteligencia artificial, procesamiento de lenguaje natural y el papel del ingeniero de datos se fortalezcan en el futuro.
• Las organizaciones deben adaptarse a un entorno tecnológico en constante evolución, incorporando nuevas tendencias y herramientas para mejorar sus procesos de toma de decisiones.