Introducción al Business Intelligence PDF

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 2...

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 2 TEMA  Esquema TEMA 2 – Esquema Introducción al business intelligence Datos, información, Business intelligence Business intelligence vs conocimiento (BI) business analytics (BA) Fuentes de datos ¿Quién necesita el BI? Business intelligence Business analytics ¿Qué beneficios tiene? (apoyar la toma de (algoritmos predictivos, » No estructurados » Texto, XML, etc. decisiones) decisiones futuras) Componentes del BI » Estructurados » Numéricos » Datos » Tipos de datos Beneficios Data warehouse Limpieza Pilares de Gartner (Popkin, Integración Herramientas OLAP J. y Hayward, B. 2004) Transformación Reducción Proceso del BA Herramientas de visualización Business Intelligence para la Toma de Decisiones © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones En cuanto a cómo se han generado los datos, nos podemos encontrar con los siguientes tipos de datos: » 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. » 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 TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones Figura 5. Beneficios del 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 Popovič, 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones Arquitectura del business intelligence Figura 6. Arquitectura del 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para 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. 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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 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). TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la 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 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para 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 Qué puede pasar está pasando 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 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. 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 TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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 puntos anotados sino en victorias. Datos ordinales 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 para medir la satisfacción del cliente (es decir, 1, 2, 3, 4, 5, 6, 7). De intervalo 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 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). TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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 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 TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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/18- 2/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. 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 Popovič, A. (2018). Understanding the determinants of 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 TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 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. TEMA 2 – Ideas clave © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones Lo + recomendado No dejes de leer… Introducción al business intelligence Curto, J. (2012). Introducción al business intelligence. Barcelona: Editorial UOC. El business intelligence (o inteligencia de negocio) es un concepto complejo. No por su definición, que es sencilla de enunciar y comprender, sino principalmente por el hecho que en él confluyen una gran cantidad de tecnologías, metodologías, procesos y estrategias que complican sobremanera la iniciación al neófito. Además, a lo largo del ciclo de vida de estos sistemas de información, se incrementa la complejidad de la arquitectura, así como las necesidades de negocio y las tecnologías que las soportan. Sin embargo, la gran mayoría de organizaciones necesita actualmente este tipo de sistemas de información para tomar mejores decisiones y ser más competitivas. El business intelligence se convierte en una de las principales necesidades. Y es por ello que es necesario poder construir soluciones sólidas a partir de conocimientos profundamente asentados. Este libro introduce los principales conceptos de la inteligencia de negocio a través de las principales fases de diseño de un proyecto de este tipo y constituir una sólida base de adquisición de conocimientos más profundos. Accede al artículo a través del aula virtual o desde la siguiente dirección web: https://es.scribd.com/document/256037880/Introduccion-Al-Business-Intelligence TEMA 2 – + Información © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones No dejes de ver… Business intelligence y business analytics La organización sin ánimo de lucro LPI ADDKW explica de qué forma aplica tanto la inteligencia como la analítica de negocios y por qué estas pueden resultar útiles en cualquier otro organismo, sea gubernamental, empresarial, etc.. Accede al vídeo a través del aula virtual o desde la siguiente dirección web: https://www.youtube.com/watch?v=gGtb_FpJHTk Curso introductorio de business intelligence y business analytics La consultora Re-Ingenia S.A. tiene a disposición un curso completo para aplicar los conceptos vistos en este temario. Tal y como afirma: «Business intelligence es la metodología técnica para transformar los datos en información y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones en los negocios». Accede al vídeo a través del aula virtual o desde la siguiente dirección web: https://www.youtube.com/watch?v=_AOic35nLvM TEMA 2 – + Información © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones + 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-formats- does-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 del aula virtual o desde la siguiente dirección: https://www.gartner.com/en TEMA 2 – + Información © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones Bibliografía Barrer, R. (1998). Managing data warehouse. Chertsey, (U. K.): Veritas Software Corporation. Recuperado de: http://eval.veritas.com/webfiles/docs/manage_datawarehouse.pdf. Cano, J.L. (2007). Business Intelligence. Competir con Información (p. 392). Madrid: ESADE Business School. Casey, T., Krishnamurthy, K. y Abezgauz, B. (agosto, 2013). Who Should Own Big Data? En Strategy+Business [en línea]. Recuperado de: https://www.strategy- business.com/article/00211?gko=44b8e Eckerson, W. y White. C., (2003). Evaluating ETL and Data Integration Platforms. USA: TDWI Report Series. Greg, M. (2018). Business Analytics and Intelligence. An Introduction and Considerations for Getting Started. Durham: Information Services and Techonology. Inmon, W. H., (1992). Building the data warehouse. (1ª edición). New York: Wiley Computer Publishing. Kimball, R. y Ross, M. (1996). The Data Warehouse Toolkit. USA: Wiley. Lamas, A., Sotelo, F., Sanchiz, M. B., y García, J. V. (2013). Creación de un módulo espacial OLAP para Saiku. Universitat de Girona: Servei de Sistemes d’Informació Geogràfica i Teledetecció. Mariani, M., Baggio, R., Fuchs, M. y Höepken, W. (2018). Business intelligence and big data in hospitality and tourism: a systematic literature review. International Journal of Contemporary Hospitality Management, 3514-3554. Medina-La Plata, E. (2012). Primera parte: Business Intelligence como propuesta de valor en las organizaciones. En Business intelligence: Una guía práctica (Spanish Edition, 2º ed). Lima. Recuperado de: https://nurioueet.firebaseapp.com/aa032/business-intelligence-una-gua-prctica- spanish-edition-by-edison-medina-la-plata-b00vtpfbok.pdf TEMA 2 – + Información © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones Popovič, A., Puklavec, B. y Oliveira, T. (2019). Justifying business intelligence systems adoption in SMEs. Industrial Management & Data Systems, 210-228. Ramos, S. (2016). ¿Qué es un sistema de inteligencia de negocios? En BI & Analytics. El arte de convertir datos en conocimiento. Volumen I. Alicante: SolidQ Global S. A. TEMA 2 – + Información © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones Test 1. ¿Es lo mismo datos e información? A. Sí. B. No. 2. ¿Cuáles son las fuentes de datos más frecuentes? A. Los usuarios, teléfonos, móviles. B. Sistemas de información, aplicaciones, bases de datos. C. Los ordenadores, los servidores. D. A y B son correctas. 3. Los componentes para la preparación de datos pueden ser…: A. Limpieza, borrado, eliminación, almacenamiento. B. Limpieza, transformación, modificación, transporte de datos. C. Limpieza, integración, transformación, reducción. D. Ninguna es correcta. 4. ¿Cuáles son los cuatro pilares de Gartner para la construcción básica de business analytics? A. Proceso, clientes. B. Información, personas. C. Procesos, tecnologías. D. B y C son correctas. 5. Mencione dos pasos del proceso de business analytics: A. Predictivo, analítico. B. Descriptivo, transformador. C. Descriptivo, predictivo. D. Ninguna es correcta. 6. ¿Qué tipo de beneficios aporta el business intelligence? A. Tangibles, normales, formales. B. Tangibles, intangibles, estratégicos. C. Intangibles, económicos, estratégicos. D. Ninguno es correcto. TEMA 2 – Test © Universidad Internacional de La Rioja (UNIR)  Business Intelligence para la Toma de Decisiones 7. Mencione una diferencia del business analytics frente al business intelligence: A. Extracción, formación. B. Uso de bases de datos NoSQL. C. Uso de administración de bases de datos. D. Integración, divulgación. 8. ¿Con el uso del big data se puede predecir el futuro? A. Sí. B. No. 9. ¿Estudiar datos tiene dos objetivos, cuáles son? A. ¿Qué ha ocurrido? B. ¿Qué esta pasado? C. ¿Qué podría ocurrir? D. A y C son correctas. 10. Todas las empresas requieren de un proceso de business intelligence: A. Verdadero. B. Falso. TEMA 2 – Test © Universidad Internacional de La Rioja (UNIR)