Libro- Sistema De Soporte A Las Decisiones.pdf

Sistemas de Soporte a las decisiones

Autor: Adriana Lizano

1

ÍNDICE 1. SISTEMAS DE SOPORTE A LAS DECISIONES....................................................................................................3 1.1 APROXIMACIÓN CONCEPTUAL A LOS DSS...................................................................................................3 1.1.1 ELEMENTOS ESENCIALES DE UN DSS...........................................................................................5 1.1.2 FACTORES CRÍTICOS DEL ÉXITO EN LA ADOPCIÓN DE SISTEMAS ANALÍTICOS..........7 1.2 BUSINESS ANALYTICS......................................................................................................................................... 11 1.2.1 INTELIGENCIA DESCRIPTIVA........................................................................................................ 13 1.2.2 INTELIGENCIA PREDICTIVA.......................................................................................................... 18 1.2.3 INTELIGENCIA PRESCRIPTIVA...................................................................................................... 21 1.2.4 INTELIGENCIA COGNITIVA............................................................................................................ 22 BIBLIOGRAFÍA.............................................................................................................................................................. 24

2

Sistemas de Soporte a las Decisiones

1. SISTEMAS DE SOPORTE A LAS DECISIONES 1.1 APROXIMACIÓN CONCEPTUAL A LOS DSS “Un sistema de soporte a las decisiones (DSS, por sus siglas en inglés: decision support system) es un conjunto organizado de personas, procedimientos, software, bases de datos y dispositivos que soportan la toma de decisiones para resolver problemas específicos”, afirman Ralph Stair y George Reynolds (2010, p. 22). Desde una perspectiva más amplia, podría definirse del siguiente modo: Los Sistemas de Apoyo a las Decisiones (SAD, comúnmente se denotan en inglés Decisions Support Systems [DSS]) se definen como sistemas que basados en las computadoras, facilitan la toma de decisiones, enfrentando los problemas semi-estructurados a través de una interacción directa con los datos y modelos analíticos (Sprague y Watson, 1986), además soportan a los gerentes en su proceso de toma e implementación de decisiones, soporte que más que sustituir mejoran su juicio, a la vez que mejora su eficiencia más que su eficacia (Alter, 1980) y aunque estas definiciones son del siglo pasado se mantienen en el tiempo, sin mayores modificaciones (Dong, et al., 2004; Lin y Hsieh, 2004; Taghezout et al., 2009). (García, Hernández, & Hernández, 2011, p. 753)

Stair y Reynolds identifican en esta clase de sistemas las siguientes características: -

Brindan un rápido acceso a la información. Manejan una gran cantidad de datos de diferentes fuentes. Proporcionan flexibilidad de reporte y presentación. Ofrecen orientación tanto textual como gráfica. Soportan análisis drill-down (cambio rápido). Realizan análisis y comparaciones complejos y sofisticados con base en el uso de paquetes de software avanzados. - Soportan enfoques de optimización, satisfacción y heurística. - Realizan análisis de simulación: capacidad de un DSS para duplicar las características de un sistema real, donde se involucra probabilidad o incertidumbre.

3

Es preciso tener en cuenta que el DSS no debe de confundirse, según los autores citados anteriormente, con un sistema de información administrativa (MIS, por sus siglas en inglés: management information system), que consiste en “un conjunto organizado de personas, procedimientos, software, bases de datos y dispositivos que proporcionan información rutinaria a los administradores y a las personas que toman decisiones” (p. 22).

Tabla Nº 1: Diferencia entre DSS y MIS

DSS

MIS

Ayuda a los administradores a hacer lo correcto

Ayuda a la organización a hacer las cosas correctamente

Fuente: elaboración propia, a partir de los aportes de Stair y Reynolds (2010).

Además de las diferencias expuestas en la tabla anterior, Stair y Reynolds destacan que un DSS posee mayor utilidad que un MIS convencional, debido a que ofrece ayuda inmediata para la resolución de problemas, muchos de ellos únicos y complejos, y cuya información clave suele ser difícil de obtener. Asimismo, sostienen que el primer sistema puede brindarles soporte a los clientes, pues responde de manera expedita sus solicitudes telefónicas y vía correo electrónico. Por otra parte, los autores afirman que, dado que los sistemas de soporte a las decisiones se utilizan cuando el problema que se enfrenta es complejo y la información necesaria para determinar la acción adecuada es difícil de obtener y manejar, estos involucran el buen juicio y una perspectiva administrativa. Por tal motivo, señalan que los gerentes suelen desempeñar un papel muy activo en el desarrollo e implementación de los DSS, aunque son utilizados en todos los niveles organizacionales. Cabe destacar que se reconoce que los diferentes estilos administrativos y tipos de decisiones requieren de sistemas distintos. “Por ejemplo, dos gerentes de producción que tratan de resolver el mismo problema podrían requerir información y soporte totalmente diferentes. El objetivo general es brindar soporte, más que reemplazar la toma de decisiones administrativa”, explican Stair y Reynolds (p. 22), quienes agregan lo siguiente:

Los sistemas de soporte a las decisiones, aunque un poco sesgados hacia las cúpulas administrativas, se usan en todos los niveles. En cierta medida, los gerentes de todos los estratos enfrentan hoy problemas no rutinarios menos estructurados, pero la cantidad y magnitud de dichas decisiones aumenta a medida que un gerente asciende en el escalafón organizacional. Muchas empresas u organizaciones contienen una enmarañada red de complejas reglas, procedimientos y decisiones. Los DSS se usan para brindar más estructura a dichos problemas y auxiliar en el proceso de toma de 4

decisiones. Además, dada la flexibilidad que les es inherente, los administradores en todos los niveles pueden usar DSS para algunas decisiones programables relativamente rutinarias, en lugar de recurrir a sistemas de información administrativa más formalizados. (p. 418)

1.1.1 ELEMENTOS ESENCIALES DE UN DSS Los sistemas de soporte a las decisiones descansan, esencialmente, sobre dos grandes pilares: la tecnología y la gestión de la estructura organizacional y el personal. Para lograr un alto desempeño en ambos aspectos, es preciso contar con información oportuna, confiable, limpia y alineada con las metas y el plan estratégico de la compañía, así como disponer de una estructura que la acoja y permita mejorar su accionar.

Recuerda Un proyecto analítico debe de hallarse estrechamente vinculado con la estrategia, es decir, con dónde quiere estar la organización. De lo contrario, la compañía no se acercará al cumplimiento de sus objetivos y, por consiguiente, no podrá garantizarse el éxito del primero.

En línea con lo expuesto anteriormente, Stair y Reynolds (2010) hacen hincapié en los elementos esenciales de un DSS: - BASE DE MODELOS: grupo de modelos utilizado para brindarles soporte a quien toma las decisiones y los usuarios, por medio de análisis matemáticos o cuantitativos. Asimismo, permite explorar diversos escenarios y ver sus efectos. Puede gestionarse a través de un sistema de administración de modelos (MMS, por sus siglas en inglés: model management system), que variará según las necesidades: - Modelo financiero: proporciona flujo de efectivo, tasas de rendimiento interno y otros análisis de inversión. Software: hoja de cálculo, como Microsoft Excel. - Modelo estadístico: brinda resúmenes de estadísticas, proyecciones de tendencias, prueba de hipótesis y demás. Software: programas estadísticos, como SPSS y SAS. - Modelo gráfico: auxilia a quienes toman decisiones en cuestiones de diseño, desarrollo y despliegues gráficos de datos e información. Software: programas gráficos, como Microsoft PowerPoint. - Modelo de administración de proyecto: maneja y coordina proyectos grandes, e identifica actividades y tareas críticas que podrían demorar o poner en riesgo un proyecto si no se completan en forma oportuna y con un costo eficiente. Software: software de administración de proyecto, como Microsoft Project.

5

- BASE DE DATOS: conjunto de hechos e información para ayudar a la toma de decisiones, a partir de análisis cualitativos. Puede gestionarse a través de un sistema de administración de bases de datos (DBMS, por sus siglas en inglés: database management system), que consiste en un grupo de programas que manipulan la base de datos y brindan una interfaz entre ésta, sus usuarios y otros programas. Algunos conceptos importantes a tener en cuenta son: - Almacén de datos: base de datos que guarda información organizacional proveniente de muchas fuentes internas y que abarca todos lo referido a sus procesos, productos y clientes. - Datos departamentales: subgrupo de un almacén de datos que lleva este último concepto a las medianas y pequeñas empresas, y los departamentos de grandes organizaciones. En lugar de almacenar todos los datos corporativos en una base de datos monolítica, aquí se almacena un subgrupo de datos relacionados con un solo aspecto del negocio, por ejemplo, las finanzas. Por tal motivo, puede proporcionar información más detallada que el almacén de datos. - Base de datos distribuida: almacenamiento de los datos en varias bases más pequeñas, conectadas a través de dispositivos de telecomunicaciones. - INTERFAZ DE USUARIO O ADMINISTRADOR DE DIÁLOGOS: sistema y procedimientos les que permiten a quienes toman las decisiones y otros usuarios interactuar con el DSS, es decir, acceder a él, manipularlo y emplear frases y términos de uso común en los negocios. - ACCESO A INTERNET E INTRANET CORPORATIVA, REDES Y OTROS SISTEMAS DE CÓMPUTO: le permiten al DSS ligarse con otros sistemas poderosos, incluidos el TPS o subsistemas de función específica. - ACCESO A BASES DE DATOS EXTERNAS: incluyen Internet, bibliotecas y bases de datos gubernamentales, entre otras herramientas que les brindan a los administradores y quienes toman decisiones todavía más información y apoyo.

6

Figura Nº 1: Elementos esenciales de un DSS

Base de datos

Base de modelo

DBMS

Acceso a internet, intranets, extranets, redes corporativas y a otros sistemas de cómputo

MMS

Acceso a bases de datos externas

Base de datos externa

Interfaz de usuario Administrador de diálogos

Fuente: Stair y Reynolds (2010). Elementos esenciales de un DSS [Figura].

Importante No todos los sistemas de soporte a las decisiones cuentan con todos estos componentes.

1.1.2 FACTORES CRÍTICOS DEL ÉXITO EN LA ADOPCIÓN DE SISTEMAS ANALÍTICOS Antes de proceder a analizar los elementos a tener en cuenta para lograr el éxito en los proyectos analíticos, resulta necesario responder la siguiente pregunta: ¿por qué fallan las iniciativas analíticas? Realmente, las causas pueden ser muchas y variar de organización en organización. Sin embargo, es posible encontrar ciertos patrones presentes en la mayoría de las compañías, los cuales han llevado a concluir que existen ciertas carencias, tanto internas como externas, que provocan que no se genere el beneficio esperado. La siguiente imagen resume las más destacadas. 7

Figura Nº 2: ¿Por qué fallan los proyectos analíticos? Desconocimiento del uso de las herramientas analíticas Falta de habilidades internas en la línea de negocio Capacidad para obtener datos Datos no claros y la estructura de gobierno inefectiva Cultura que no promueve el intercambio de información Falta de apoyo por parte de la gerencia Problemas relacionados con los datos No hay oportunidades para el cambio No saber por dónde empezar 0%

5%

10% 15% 20% 25% 30%

35% 40%

Fuente: elaboración propia.

Uno de los principales puntos a considerar al hablar de esta problemática es la falta de claridad respecto del beneficio tangible que las iniciativas analíticas pretenden brindar. En organizaciones lucrativas, se entiende por este a la reducción de costos, el aumento de los ingresos o ambos aspectos en su mejor proporción. En otras palabras, se trata de un incremento de valor en la entidad que, finalmente, se transfiere al recurso financiero disponible.

Tabla Nº 2: Diferencia entre beneficios tangibles e intangibles

BENEFICIOS TANGIBLES

BENEFICIOS INTANGIBLES Ventajas u oportunidades que, por su naturaleza, son difíciles de medir, pero que igualmente son importantes. Por ejemplo: mejora del proceso de toma de decisiones, mayor competitividad en el servicio al cliente, mantener una buena imagen del negocio e incremento de la satisfacción laboral de los empleados mediante la eliminación de tareas tediosas.

Fuente: elaboración propia a partir de los aportes de Kendall y Kendall (2005), y Rodríguez y Martínez (2006). Retomando el planteo anterior, se destaca que la claridad para responder qué se busca con la iniciativa analítica constituye un reto clave para alcanzar el éxito y que no siempre es posible sortear en un primer intento. Se necesita, para ello, tener muy en claro cuál es el objetivo estratégico organizacional al cual la misma se encuentra ligada. Al respecto, es preciso considerar que, normalmente, los proyectos analíticos se justifican por medio de beneficios intangibles, tales como la transparencia en la rendición de cuentas, la mejora en el conocimiento del cliente y 8

las oportunidades de información. Tal como se señala en la tabla Nº 2, si bien estos son importantes para la empresa, al igual que ocurre con cualquier otra inversión que se realice, es deben de orientarse a generar más valor, es decir, a introducir mejoras en el proceso, mediante el análisis informativo o la automatización de ciertas partes de las soluciones analíticas.

Recuerda Ligar las iniciativas a los procesos primarios permite, por un lado, cumplir con el alineamiento estratégico y, por el otro, definir de modo tangible cuál es el valor se espera lograr.

Otro aspecto a tener en cuenta en la consecución del éxito es la selección de la tecnología idónea, es decir, la adopción de las soluciones que se ajusten a las necesidades analíticas de la institución. En relación a este aspecto, se observa que con frecuencia los proveedores de tecnología extienden las funcionalidades de sus herramientas para que calcen con los requerimientos de la organización, hecho que provoca que no logren cumplir totalmente con las expectativas. Por tal motivo, si la empresa precisa, por ejemplo, realizar una predicción, entonces, debe de adquirir una herramienta predictiva o de minería de datos. Un tercer elemento a considerar es la gestión del cambio y, por consiguiente, de la resistencia a él. Abordar este reto adecuadamente implica que los líderes de las iniciativas se pongan en el lugar de los colaboradores y comprendan que a nadie le gusta que lo midan. Pasar por un proceso de medición, normalmente, causa estrés y preocupaciones en el personal, que tiende a asociarlo con despidos, recortes o eliminación de áreas. Sin embargo, este temor también alcanza al área gerencial, ya que su razón de ser se basa en centralizar la toma de decisiones y focalizar el día a día, y la automatización de indicadores de gestión, análisis y reportes la lleva a cuestionarse si es verdaderamente necesaria para la compañía. Por supuesto que sí lo es, pero debe de experimentar un cambio en su rol y estilo de liderazgo para adoptar una mentalidad de empoderamiento de las personas. Otro cambio a considerar y gestionar, y que normalmente tiende a obviarse, es el cambio en los procesos, que es el que implica mayor costo de inversión y rigurosidad. Por ejemplo, una empresa de transportes puede detectar, a través de un analítico, que la capacidad de sus camiones es insuficiente. Entonces, llega a la conclusión de que, para aumentar o maximizar su rentabilidad, necesita invertir en cambiar la capacidad de su flota y el sistema de distribución. Por supuesto, esto supone importantes costos y depende de la disponibilidad de recursos del momento. Por otra parte, para alcanzar el éxito, también es necesario tener en cuenta la gestión del proyecto o las buenas prácticas. En relación a ella, cabe destacar que no basta con contar con una idea innovadora y alineada con los objetivos organizacionales, gozar de la ayuda de los departamentos de mejora continua ni disponer de prácticas formales y estándares de gestión del cambio, sino que también es necesario tener una excelente administración del proyecto. Esta última debe de partir del hecho de que las necesidades de información desempeñan un papel fundamental en cualquier implementación tecnológica, dado que las mismas permiten llegar a buen puerto.

9

Usualmente, las soluciones analíticas surgen o bien desde el área tecnológica, o bien desde el área de negocios. Ambos casos son susceptibles de presentar una serie de cuestiones que pueden atentar contra el logro de los resultados esperados: en el primero, suelen verse aspectos tales como automatizar reportes, pero no necesariamente el enfoque estratégico buscado; en el segundo, puede dejarse de lado al departamento tecnológico, lo cual implica, en algunas oportunidades, cierto incumplimiento de regulaciones y políticas de tecnología. Para combatir estas situaciones, el elemento fundamental es garantizar una excelente comunicación entre ambos sectores. Otro de los aspectos a considerar en la búsqueda del éxito es enseñarles a las personas a tomar decisiones basándose en la información. Al respecto, se debe de hacer hincapié en que es erróneo pensar que, al ver un reporte o un dashboard, automática e intuitivamente, el colaborador sabe cómo actuar. Nada de eso. Aquí entran en escena los protocolos de acción, que transfieren conocimiento, a través de la información, y establecen claras directrices respecto de las acciones inmediatas a tomar para los KPI fundamentales. Ese es el verdadero empoderamiento del personal, ese es el verdadero liderazgo al que deben de aspirar las organizaciones digitales.

Recuerda No basta con implementar la solución analítica: también se debe de que acompañar a las diferentes áreas en el desarrollo de protocolos de acción o estrategias para mejorar su desempeño. El último punto a tener en cuenta es no dejar de lado al talento humano: si la organización está logrando beneficios concretos y tangibles, debe de compartirlos con sus colaboradores. Asimismo, si no ha llegado a la meta esperada, todos deben de ser conscientes de esa situación. La siguiente imagen resume los mencionados factores que permiten alcanzar el éxito en la adopción de soluciones analíticas. Figura Nº 3: Factores de éxito en soluciones analíticas CLARIDAD EN CUANTO AL BENEFICIO TANGIBLE QUE SE BRINDARÁ

SELECCIÓN DE LA TECNOLOGÍA IDÓNEA

GESTIÓN DEL CAMBIO FACTORES DE ÉXITO

SISTEMAS ANALÍTICOS

GESTIÓN DEL PROYECTO O LAS BUENAS PRÁCTICAS COMUNICACIÓN EXCELENTE ENTRE EL ÁREA TECNOLÓGICA Y EL ÁREA DE NEGOCIOS TOMA DE DECISIONES BASADA EN LA INFORMACIÓN

INCLUSIÓN DEL TALENTO HUMANO

Fuente: elaboración propia.

10

1.2 BUSINESS ANALYTICS Para comprender el mundo de la inteligencia analítica, es necesario partir de dos conceptos claves los datos estructurados y los datos no estructurados. Los primeros parten de “la agrupación de varias informaciones bajo un mismo identificador. Por decirlo así, son tipos de datos compuestos por otros tipos de datos, que pueden ser todos iguales, o distintos”, explican Jorge Badenas Carpio, (Badenas Carpio, José Luis Llopis Borrás y Óscar Coltell Simón (2001, p. 95). Los segundos, como su nombre lo indica, no tienen una estructura predecible o uniforme y no pueden ser controlados (Ávila Jiménez, 2015; Joyanes Aguilar, 2013).

Tabla Nº 3: Comparación entre datos estructurados y datos no estructurados

DATOS ESTRUCTURADOS

DATOS NO ESTRUCTURADOS

Fuente: elaboración propia, a partir de los aportes de Joyanes Aguilar (2013) y Coronel, Morris y Rob (2011).

Importante El 80% de la información que radica en las organizaciones corresponde a datos no estructurados.

11

El business intelligence (BI) o inteligencia de negocio utiliza ambos tipos de datos (Ávila Jiménez, 2015). Pero ¿qué es el BI? Stair y Reynolds se encargan de definir este concepto: Inteligencia de negocios (BI, por sus siglas en inglés: business intelligence) involucra la recopilación de información correcta, oportuna y en un formato que se pueda usar, y su análisis de tal forma que tenga un efecto positivo en la estrategia, tácticas y operaciones del negocio. […] La inteligencia de negocios convierte datos en información útil que después es distribuida en toda la organización. Proporciona una idea acerca de las causas de los problemas, y cuando se implanta puede mejorar las operaciones de negocio e, inclusive, salvar vidas. (2010, p. 208)

La separación entre datos estructurados y no estructurados ha conducido a diferenciar las tecnologías de business intelligence de las tecnologías orientadas al Big Data. Sin embargo, lejos están de contraponerse: la información estructurada provista por el BI puede complementarse con la información no estructurada que puede analizarse a través de plataformas de Big Data. Ello se logra desarrollando una estrategia integradora de ambas y que permite tener una visión integral. Se trata del business analytics o análisis de negocios, que consiste en una amplia categoría de aplicaciones y técnicas para recoger, almacenar, analizar y proveer acceso a la información que ayuda a los usuarios de la empresa a hacer mejores negocios y mejorar la toma de decisiones (Turban, Aronson, Liang, & Sharda, 2007, citados por Goyzueta Rivera, 2015).

Importante En la edición 2018 del CIO Agenda Report, la consultora Gartner halló que el BI y el business analytics continúa siendo, como desde hace casi una década, la prioridad número uno en inversión tecnológica en todas las organizaciones a nivel mundial ¿A qué se debe esto? A que las empresas han entendido que, para dirigir su negocio, necesitan disponer de información y apartarse de la toma de decisiones basada en la intuición.

Dentro del business analytics, se identifican cuatro tipos de tecnologías, que, en algunos casos, pueden considerarse evolutivas, ya que responden a un desarrollo de las capacidades analíticas y la incursión en nuevas tecnologías. Estas son: - Tecnologías de analítica o inteligencia descriptiva > ¿qué pasó? - Tecnologías de analítica o inteligencia predictiva > ¿qué pasará? - Tecnologías de analítica o inteligencia prescriptiva > ¿qué debería de hacerse para que pase? - Tecnologías de analítica o inteligencia cognitiva > entiende, razona y actúa.

12

Figura Nº 4: Progresión de la analítica

Inteligencia descriptiva

Inteligencia predictiva

Inteligencia prescriptiva

Inteligencia cognitiva

Fuente: adaptación de Gartner (2013, citado por Decide, 2016). Presente y futuro de la analítica avanzada [Figura]. Es natural pensar que la organización podría comenzar por la adopción de tecnologías propias de la inteligencia descriptiva e ir avanzando hasta llegar a la incorporación de la inteligencia cognitiva. Sin embargo, en la actualidad, los requisitos de información provocan que los proyectos, prácticamente, sean transversales a cada una de las cuatro analíticas mencionadas. Por tal motivo, es preciso pensar en cuál es la respuesta de negocio que se busca y cómo las diferentes tecnologías interactúan entre sí para dar con la mejor alternativa posible.

1.2.1 INTELIGENCIA DESCRIPTIVA La inteligencia descriptiva fue una de las primeras soluciones analíticas que aparecieron en el mercado. Su uso se masificó a fines de la década de 1900 y durante la primera del nuevo milenio gracias a la adopción o la compra de empresas de nicho por parte de los grandes fabricantes y distribuidores de tecnología a nivel mundial, conocidos bajo el nombre de megavendors. Algunas de las principales adquisiciones fueron: - Siebel Systems: este software de CRM fue comprado por Oracle en 2006. - Cognos: esta herramienta de BI fue adquirida por IBM en 2008. - Business Objects: este software especializado en BI fue comprado por SAP en 2008. En su concepto más básico, la inteligencia descriptiva detalla qué ocurrió, por lo que se centra, principalmente, en la historia. Por consiguiente, se vuelven clave aquí preguntas tales como cuánto se vendió y dónde, qué productos fueron los más rentables, cuál fue el vendedor estrella por región o por producto, cuáles fueron los tiempos de entrega de los proveedores en X o Y zona. Estas soluciones presentan numerosos beneficios, ya que permiten dejar de lado los silos informacionales, situación en la que el área comercial y la de marketing contaban cada una con información por separado. Gracias a estas tecnologías, ha sido posible mantener una única versión de la realidad porque todos los datos están integrados y limpios, lo que permite dejar de invertir tiempo en construir reportes o análisis y destinarlo al proceso de toma de decisiones.

13

Recuerda Invertir el tiempo en analizar, no en construir.

Inicialmente, las soluciones analíticas descriptivas surgieron en el mundo de la tecnología y se trasladaron luego al universo de los negocios, donde poco a poco fueron diversificándose y adoptándose a las organizaciones. En un comienzo, requirieron para ello de la participación del área tecnológica para su instalación, configuración y puesta en operación. Sin embargo, en la mayoría de los casos, fueron implementadas mediante la contratación de consultores o firmas proveedoras, ya que, en su momento, era escasa la disponibilidad de ese conocimiento en las compañías. Conforme fue pasando el tiempo, se dio paso a las herramientas de visualización de datos o data visualization, que, prácticamente, han dominado el mercado de la inteligencia descriptiva. Este concepto puede explicarse del siguiente modo: La visualización de información de acuerdo con Card, Mackinlay y Shneiderman (1999), se define como “el uso de representaciones visuales interactivas de datos abstractos, no físicos, para ampliar el conocimiento”. En otras palabras, se centra en la extracción de estructuras de grandes conjuntos de datos, que puedan ser representadas de forma visual a los usuarios. En consecuencia, en las visualizaciones de información intervienen distintos procesos. Hay una transformación de datos brutos en abstracciones analíticas que, a continuación, se transforman en un modelo espacial-visual abstracto, para que finalmente, mediante procesos de diseño visual, el modelo visual se presente al usuario de forma gráfica y visible. […] Se supone que la obtención de visualizaciones de información puede ayudar al reconocimiento de patrones, de estructuras, tendencias y relaciones que ayuden a la comprensión de los datos y del fenómeno que representen, que de otro modo serían incomprensibles por su complejidad. (Olmeda-Gómez, 2014, p. 213) El siguiente gráfico expone los principales competidores en el mercado de plataformas de BI y business intelligence, de acuerdo con investigaciones que anualmente lleva a cabo Gartner. Los mismos son clasificados, a partir de las variables ability to exectute (habilidad para ejecutar) y completeness of vision (integridad de la visión), en cuatro categorías: leaders (líderes), visionaries (visionarios), niche players (jugadores de nicho) y challengers (retadores). En el esquema, se observa que tecnologías de visualización de datos como Tableau, Power BI (Microsoft) y QlikView se destacan por su liderazgo, mientras que corporaciones como Oracle e IBM, realmente, han tenido un papel secundario en el mundo de la inteligencia descriptiva.

14

Figura Nº 5: Cuadrante mágico de Gartner para plataformas de business analytics y business intelligence

Fuente: Gartner (2018, citada por Microsystem, 2018). Magic Quadrant for Analytics and Business Intelligence Platforms [Figura]. a. Características de la inteligencia descriptiva Las principales características de estas soluciones son: - Análisis de información dirigido a personas de negocios: tradicionalmente, las tecnologías descriptivas han trabajado en el análisis de información estructurada, es decir, de aquella que, normalmente, radica en fuentes de datos internas o externas. Sin embargo, en la actualidad, han incorporado el análisis de información no estructurada. - No demandan un conocimiento profundo: este tipo de herramientas permite desarrollar, prácticamente, cualquier tipo de gráfico, análisis o función matemática. - Inclusión de reglas de negocio o monitoreo: permiten incorporar ciertas reglas o condiciones que, cuando se presentan, arrojan una alarma, la cual facilita el control del negocio. Básicamente, las herramientas tienen la capacidad de enviar, por ejemplo, un correo electrónico para dar aviso de algún cambio o alguna situación. 15

- Capacidad de ver los dashboards y análisis de información en dispositivos móviles: años atrás era necesario comprar una licencia de escritorio y adquirir aparte una para el teléfono inteligente, lo cual, lógicamente, encarecía las soluciones. Sin embargo, hoy en día se cuenta con soluciones analíticas de código abierto. - Capacidad de integrarse con herramientas de ofimática: descargar los análisis, por ejemplo, en una presentación es cuestión de segundos. Cabe destacar que estas herramientas casi siempre pueden hallarse en los dos formatos: on premise u on cloud. Asimismo, se caracterizan por ser abiertas, dado que la organización puede tener una base de datos (fuente) en una tecnología o una marca y, sin ningún problema, el software analítico.

Importante Las soluciones analíticas que se implementen deben de permitir la incorporación o integración de otra clase de herramientas, por ejemplo, predictivas, para responder preguntas complejas del negocio.

b. Arquitectura de la inteligencia descriptiva A partir de la siguiente imagen, se analizará la arquitectura de una solución descriptiva, donde los procesos ETL (Extract, Transform and Load) desempeñan un papel crucial.

Figura Nº 6: Arquitectura de una solución descriptiva

Fuente: Bista (2015). Depicts the Traditional ETL Process [Figura]. El primer componente que interviene en la arquitectura de la inteligencia descriptiva y que da comienzo al proceso son las fuentes de información: CRM (Customer Relationship Management o gestión de la relación con el cliente), ERP (Enterprise Resource Planning o planificación de los recursos empresariales) y website traffic (tráfico del sitio web). Dichas fuentes son las bases de 16

datos de la información almacenada en la compañía y se nutren de los sistemas transaccionales. Tal como señala María Victoria Pequeño Collado (2015), se identifican dos clases de ellas: - Fuentes internas de datos: se generan y mantienen dentro del ámbito organizacional. Contienen datos que provienen de los sistemas operacionales, que quedaron almacenados en aplicaciones que ya están en desuso o que son generados directamente por aplicaciones (por ejemplo, hojas de cálculo). - Fuentes externas de datos: se utilizan en la empresa, pero no son generadas ni mantenidas por ella. Pueden contener datos maestros de organizaciones gubernamentales, por ejemplo, o datos adquiridos, resultado de informes, auditorías, etcétera. Cuando la información ya se encuentra digitalizada en las bases de datos, aparece el segundo componente de tecnología analítica: los procesos ETL, que se encargan de la extracción (extract), la transformación (transform), la limpieza y la carga (load) de los datos en el repositorio de datos o data warehouse (DW).

La idea esencial de aplicar el proceso ETL es sencilla, la propia aplicación ETL leerá los datos de la base de datos […], realizará ciertas transformaciones en los datos, los validará y los filtrará para acabar escribiéndolos en el almacén de datos en un formato adecuado que permita que estén disponibles para su análisis. (Pequeño Collado, 2015, p. 32)

Concepto “El DW es el sistema que genera información integrada válida para la toma de decisiones, a partir de la información que recoge del ERP, el CRM y de otras bases de datos y aplicaciones”, explica Pequeño Collado (p. 31).

Una vez que la información se encuentra en el data warehouse, es posible pasar al siguiente componente: los modelos de datos o cubos de información. Estos últimos corresponden a la capacidad de poder consultar información de diferentes fuentes relacionales. Una de las herramientas que usan los diseñadores de bases de datos para representar las relaciones lógicas entre éstos es el modelo de datos, que no es otra cosa que un diagrama que muestra las entidades y las relaciones que existen entre ellas. Por lo general, el modelado de datos involucra la comprensión de un problema específico de negocios y el análisis de los datos y la información necesaria para llegar a una solución. Cuando esta actividad se lleva a cabo a nivel de toda la organización, recibe el nombre de modelado de datos empresariales. Este es un método que comienza por la 17

investigación de las necesidades de datos e información generales de la organización a nivel estratégico para después analizar los requerimientos específicos de las diferentes áreas y departamentos funcionales de la organización. (Stair & Reynolds, 2010, p. 188) El último paso es la capa de explotación o visualización de datos, donde ya las personas de negocios pueden interactuar con las herramientas analíticas para visualizar la información.

Importante La extensión de este proceso depende de la cantidad de fuentes, la complejidad de los análisis y el nivel de calidad de la información. Este flujo se conoce como soluciones de primera generación.

Tableau, QlikView, Power BI, por ejemplo, son soluciones de segunda y tercera generación. Básicamente, estas herramientas incorporan conectores dentro de su empaquetamiento, lo cual permite pasar de los modelos de datos a las fuentes de información directamente. Esto les permite aportar grandes beneficios, dado que estas tecnologías disminuyeron en un 90% o más los costos de implementación. Sin embargo, se enfrentan al reto de cuando se trabaja con diferentes fuentes de información o la calidad de la información no se encuentra en un nivel apto, se vuelve necesario incorporar un repositorio de datos.

1.2.2 INTELIGENCIA PREDICTIVA La inteligencia predictiva, como su nombre lo indica, consiste en la aplicación de un conjunto de modelos matemáticos a la información para predecir el comportamiento de una variable. Básicamente, trabaja en la identificación de patrones de información que permiten definir luego un modelo para determinar el grado de probabilidad de ocurrencia de algo cuando ese algo se presente. El proceso de la analítica predictiva es en esencia muy simple: dadas unas variables conocidas, utilizar un modelo que nos permita estimar el valor de una variable desconocida, aprovechando el conocimiento de las relaciones subyacentes entre esas variables conocidas y la dependiente. El resultado será siempre una estimación y, por lo tanto, estará sujeto al error estadístico y a la solidez de las asunciones realizadas. (Delgado, 2016)

Importante Las soluciones predictivas son cápsulas de inteligencia que se inyectan en la organización.

18

La inteligencia predictiva se encuentra íntimamente vinculada al concepto de minería de datos o data mining, que Stair y Reynolds definen del siguiente modo: La minería de datos constituye una herramienta para el análisis de información que involucra el descubrimiento automático de patrones y relaciones en un almacén de datos. […] El objetivo de la minería de datos consiste en extraer patrones, tendencias y reglas de los almacenes de datos con el fi n de evaluar (es decir, predecir o valorar) estrategias de negocios propuestas que mejoren la competitividad, incrementen las ganancias y transformen los procesos de negocios. Esta herramienta se utiliza de una manera intensiva en marketing para mejorar la retención del cliente; oportunidades de ventas cruzadas; administración de campañas; análisis del mercado, del canal y de precios, y análisis de segmentación del cliente (en especial el mercadeo uno a uno). En pocas palabras, ayuda a los usuarios a encontrar respuestas a preguntas que nunca habían pensado formularse. […] El análisis predictivo es una forma de minería de datos que combina datos históricos con ciertos supuestos acerca de condiciones futuras para predecir los resultados de eventos como las ventas futuras de productos o la probabilidad de que un cliente no pague un préstamo. (2010, p. 206)

Uno de los principales usos de estas soluciones tiene lugar en la determinación de si una operación con tarjeta de crédito es fraudulenta. En este caso, las herramientas predictivas pueden arrojar listados de información y contar, incluso, con arquitecturas en real time, que le envían automáticamente el resultado de la predicción a un gestor de decisiones para que, en base a él, defina si deniega o acepta la transacción en cuestión. Las soluciones predictivas también son empleadas para la prevención del lavado de activos. Aquí, se procede, prácticamente, igual que en el caso anterior: se detecta si una transacción proviene de una actividad fraudulenta y se brinda la posibilidad de tomar decisiones en tiempo real. Organizaciones altamente reguladas, por ejemplo, las financieras, han ido incorporando con gran rapidez este tipo de tecnologías para poder cumplir con los estándares de seguridad requeridos. Esta clase de tecnologías han desempeñado, por otra parte, una función muy importante en los departamentos mercadológicos y comerciales, por ejemplo, en el análisis de venta cruzada y de la ampliación del ticket de compra. Asimismo, estas herramientas permiten llevar a cabo una segmentación de la clientela a partir de su comportamiento de compra y no meramente según criterios demográficos. De este modo, es posible segmentar clientes con características muy diferentes entre sí, pero con un comportamiento de compra muy similar, y pasarlos a una campaña mercadológica específica.

19

Otro uso de estas soluciones es el mantenimiento predictivo, centrado en la confiabilidad. El mismo permite, como su nombre lo indica, predecir la probabilidad de que un componente estratégico falle en un determinado momento y, a partir de esa información, conducir o establecer las rutinas de mantenimiento para evitar averíos, fallas, cuellos de botella, tiempos muertos, etcétera. Organizaciones como los clubes deportivos también recurren a la inteligencia predictiva para orientar la compra de jugadores. Para ello, se basan en la probabilidad de que sufran una lesión o estadísticas en cuanto a su desempeño. La predicción de enfermedades constituye otro de los grandes usos de esta clase de tecnologías. Aquí, se toma en cuenta la probabilidad de que una persona sufra una enfermedad considerando variables tales como su peso, nacionalidad, características socioeconómicas y demográficas, entre otras.

Tabla Nº 4: Aplicaciones comunes de la minería de datos

APLICACIÓN

DESCRIPCIÓN

Ingeniería de marca (branding) y posicionamiento de productos y servicios

Pérdida del cliente Marketing directo

Detección de fraudes Análisis de la canasta de mercado

Análisis de la canasta de mercado Análisis de tendencias

Fuente: Stair y Reynolds (2010). Aplicaciones comunes de la minería de datos [Figura].

20

a. Características de la inteligencia predictiva Las soluciones predictivas o de minería de datos (data mining) brindan la posibilidad de integrarse a los repositorios de datos. Ello permite contar con información limpia y estructurada para ser analizada. Sin embargo, estas herramientas también pueden extraer la información de las fuentes de datos sin ningún tipo de problema. A diferencia de las tecnologías descriptivas, las predictivas sí necesitan de un conocimiento específico en lo que respecta a la ciencia de datos. En este sentido, la compañía precisa contar con economistas, analistas de información, matemáticos, programadores y/o ingenieros informáticos para predecir los patrones de comportamiento de las variables. En conclusión, estas soluciones no están orientada a cualquier usuario de la organización, sino a quienes poseen un profundo saber y entendimiento en el análisis de la información para poderla extraer. La última característica a considerar es que las soluciones predictivas no traen capas de visualización demasiado atractivas porque se considera que la información que proveen será insumo para otras áreas o que no tendrá una gran divulgación. Por lo tanto, es natural encontrar software de minería de datos que provean información para complementar o enriquecer los análisis de visualización de la información.

1.2.3 INTELIGENCIA PRESCRIPTIVA Como su nombre lo indica, la inteligencia prescriptiva se sustenta en prescribir, es decir, recomendar una acción a tomar. Este tipo de soluciones, también conocidas como soluciones de optimización u optimización de soluciones, consisten en softwares analíticos que trabajan bajo la aplicación de análisis matemáticos a un conjunto de datos para optimizar el resultado de una variable. Por ejemplo, pueden utilizarse para analizar cuál es la distribución espacial idónea que debería tener un almacén para maximizar la venta.

Importante Alrededor de las soluciones prescriptivas hay un ambiente algo gris, dado que algunos fabricantes se basan en sistemas de optimización, mientras que otros proveedores ven a la inteligencia prescriptiva como motores de inteligencia artificial o, incluso, de machine learning (aprendizaje de máquina).

De acuerdo con José Álverez Jareño y José Pavía (2017), este tipo de analítica es la más compleja de todos, ya que su objetivo es identificar qué se debe hacer para obtener un resultado. Una de las preguntas claves a responder aquí, según los autores, es ¿qué hacer para que los clientes no se marchen a la competencia?

21

Para poder llevar a cabo este análisis, se precisa de los dos anteriores (descriptivo y predictivo), ya que será necesario conocer la situación (historia) y haber realizado predicciones que permitan comprobar cómo han reaccionado los sujetos a determinadas acciones. Para realizar la analítica prescriptiva, se dispondrá de diferentes técnicas estadísticas que se podrán aplicar en función de las necesidades de la empresa. Será necesario la realización de experimentos para poder inferir que opción es mejor. Las pruebas A/B o los modelos de respuesta incremental (más conocidos por su expresión en inglés, uplift models) serán algunas de las soluciones más habituales. Para poder realizarlas será necesario establecer a priori un grupo de control. De esta forma se podrá observar que efecto causa la medida aplicada en comparación con el grupo de control, tal como indica Siegel (2014). (p. 14)

1.2.4 INTELIGENCIA COGNITIVA La inteligencia cognitiva parte de tecnologías que vienen a transformar el modo de interactuar con los sistemas de información. Esto se debe a que se fundamentan en metodologías o estrategias de aprendizaje de máquina (machine learning), dado que su objetivo es lograr que el sistema tenga la capacidad de aprender con cada interacción. En otras palabras, aquí se lleva adelante una suerte de entrenamiento, ya que se parte de un conjunto de conocimientos que permiten entrenar el software para que interactúe de manera natural con la persona. A esto se conoce como capacidad de entendimiento del lenguaje natural. Respecto de este último concepto, Stair y Reynolds explican que “el procesamiento de lenguaje natural permite a una computadora comprender y reaccionar a enunciados y comandos formulados en un lenguaje ‘natural’, como el inglés” (2010, p. 454). Por ejemplo, a través de este tipo de soluciones, pueden realizarse preguntas en texto. A partir de esa frase, las herramientas son capaces de generar un conjunto de analíticos y soluciones para brindar una respuesta. Incluso, pueden sugerir cuáles serían los análisis más idóneos a utilizar. Otra de las características de la analítica cognitiva es la posibilidad de utilizar la voz, que, por medio de un conjunto de aplicaciones o API (Application Programming Interface o interfaz de programación de aplicaciones), puede transformarse texto y, así, poder ser analizado. En algunos casos, el reconocimiento de voz se usa con procesamiento de lenguaje natural, e involucra convertir ondas sonoras en palabras. Después de convertir los sonidos en palabras, los sistemas de procesamiento de lenguaje natural reaccionan a las palabras o comandos realizando varias tareas. (Stair & Reynolds, 2010, p. 454)

22

Uno de los usos más difundidos de la inteligencia cognitiva son los chatbots, gracias a los cuales es posible interactuar con el cliente de manera automática. Aquí, se parte de un asesor cognitivo virtual, dotado de la capacidad de entender la necesidad o la intención del sujeto, es decir, qué está preguntando, y proveerle información o respuestas. Posteriormente, se pasa a un asesor humano. Esta aplicación puede ser utilizada en call centers, bancos (se le envía una invitación al para entrar en ciertas negociaciones, por ejemplo) y universidades (para resolver las consultas de los estudiantes), entre otras posibilidades. El uso que posee en la actualidad este tipo de tecnologías se encuentra en expansión, debido a que permiten la automatización de labores netamente operativas y la reducción de costos. Gracias a ello, los colaboradores que están ocupando estas tareas pasar a otras más estratégicas para la organización.

23

BIBLIOGRAFÍA Álvarez Jareño, J., & Pavía, J. (2017). El paradigma Big Data y el Aprendizaje Automático. Actuarios(40), 10-14. Ávila Jiménez, J. L. (2015). UF2215: Herramientas de los sistemas gestores de bases de datos. Pasarelas y medios de conexión. Málaga: Elearning. Badenas Carpio, J., Llopis Borrás, J. L., & Coltell Simón, Ó. (2001). Curso práctico de programación en C y C++ (Segunda ed.). Castelló de la Plana: Publicacions de la Universitat Jaume I. Bista. (22 de septiembre de 2015). How Hadoop Can Overcome the Challenges with Big Data Analytics. Recuperado el 20 de julio de 2018, de Bista: https://www.bistasolutions.com/resources/blogs/hadoop/ Coronel, C., Morris, S., & Rob, P. (2011). Bases de datos, diseño, implementación y administración (Novena ed.). México DF: Cengage Learning. Decide. (19 de abril de 2016). Presente y futuro de la analítica avanzada. Recuperado el 10 de julio de 2018, de Decide: https://decidesoluciones.es/presente-y-futuro-de-la-analitica-avanzada/ Delgado, A. (2016). Digitalízate: Cómo digitalizar tu empresa. Barcelona: Libros de Cabecera. García, M., Hernández, J., & Hernández, G. (2011). Una Metodología Integradora-Adaptable para desarrollar Sistemas de Apoyo a las Decisiones (MIASAD). En J. Valderrama (Ed.), Congreso Interamericano de Computación Aplicada a la Industria de Procesos CAIP2011 (págs. 753-760). España: Universidad de Girona y Centro de Información Tecnológica. Gartner. (2017). Mastering the New Business Executive Job of the CIO: Insights From the 2018 CIO Agenda Report. Gartner Executive Programs. Recuperado el 20 de julio de 2018, de https://www.gartner.com/imagesrv/cio-trends/pdf/cio_agenda_2018.pdf Goyzueta Rivera, S. I. (2015). Big Data Marketing: una aproximación. Perspectivas(35), 147-158. Joyanes Aguilar, L. (2013). Big Data, Análisis de grandes volúmenes de datos en organizaciones. México: Alfaomega. Kendall, K., & Kendall, J. (2005). Análisis y diseño de sistemas (Sexta ed.). México: Pearson Educación. Microsystem. (28 de febrero de 2018). Tableau lidera Cuadrante Mágico Gartner de BI 2018. Recuperado el 20 de julio de 2018, de Microsystem: https://www.microsystem.cl/tableau-lidera-gartner-bi-2018/ Olmeda-Gómez, C. (2014). Visualización de información,. Profesional de la Informacion, XXIII(3), 213-219. Pequeño Collado, M. V. (2015). UF1884 - Almacenamiento de datos en sistemas ERP-CRM. Málaga: Elearning.

24

Rodríguez, N., & Martínez, W. (2006). Planificación y evaluación de proyectos informáticos. San José de Costa Rica: EUNED. Stair, R., & Reynolds, G. (2010). Principios de sistemas de información: un enfoque administrativo (Novena ed.). México DF: Cengage Learning.

25