Actividad No.

3 Conceptos Básicos en la Inteligencia de Negocios

1. Aprendizaje automático (todo aprendizaje autónomo es IA, no toda IA

es aprendizaje autónomo)

El aprendizaje automático es el subconjunto de inteligencia artificial (IA) que se

centra en desarrollar sistemas que aprenden, o mejoran el rendimiento, en función
de los datos que consumen. Inteligencia artificial es un término amplio que se
refiere a sistemas o máquinas que imitan la inteligencia humana. Se suele
mencionar al aprendizaje autónomo y a la IA en las mismas conversaciones, y los
términos a veces se usan indistintamente, pero no significan lo mismo. Un aspecto
importante para destacar es que aunque todo aprendizaje autónomo es IA, no
toda IA es aprendizaje autónomo.1

Hoy en día, el aprendizaje autónomo funciona en todo nuestro alrededor. Cuando

interactuamos con bancos, compramos en línea o usamos redes sociales, los
algoritmos de aprendizaje autónomo entran en juego para hacer que nuestra
experiencia sea eficiente, fluida y segura. El aprendizaje automático y la
tecnología a su alrededor se desarrollan rápidamente, y apenas estamos
empezando a conocer la superficie de sus capacidades. 1

En principio, las máquinas, los ordenadores y los programas funcionan solo de la

manera en que previamente han sido programados, por ejemplo, si se establece la
orden “en caso de A, haz B” los sistemas siempre responderán B a A. No
obstante, nuestras expectativas para con los sistemas de computación modernos
son cada vez mayores y los programadores no pueden prever todos los casos
posibles y dictar una solución en consecuencia. Por ello es necesario que el
software sea capaz de tomar decisiones por sí mismo y reaccione de forma
apropiada a situaciones desconocidas, para lo que se requieren algoritmos que
permitan al programa aprender, o lo que es lo mismo, que el programa sea dotado
en un primer momento de datos para que este pueda entender un segundo patrón
y establezca asociaciones.2
 2. Big data

En principio, el término big data sirve para describir la incontable información de la

que se dispone, sin que realmente exista un punto de inflexión entre lo que se
considera data y lo que se estima como big data. El motivo de que en los últimos
años haya crecido la atención de los medios con respecto a los macro datos
reside en su origen, ya que en muchos casos el flujo de información proviene
de los propios datos de usuarios (intereses, perfiles de movimiento, datos
personales, etc.).3

Esto permite a las empresas personalizar la oferta todo lo posible a los clientes al
obtener esta información de Google, Amazon o Facebook. Además, los sistemas
de computación tradicionales no son capaces de analizar correctamente este
volumen de información, dado que el software tradicional solo encuentra lo que el
usuario busca, motivo por el que se necesitan en primer lugar sistemas de
aprendizaje autónomo que puedan encontrar relaciones previamente
desconocidas.3

Con este término, o con su equivalente en español “datos masivos”, se designa a

un volumen de datos tan complejo que no puede ser procesado con ningún tipo
de software y hardware tradicional. En sí, es un concepto neutro, ya que también
puede referirse a una cantidad inabarcable de datos procedente de la
investigación. Sin embargo, y dado que los datos recopilados pueden ser de
carácter personal (hábitos de comunicación o de consumo de los usuarios), el
término ha acabado por adquirir un tono negativo. Sus detractores ven en la
recolección de datos y, en especial, en su evaluación, una clara agresión a los
derechos personales.

El big data no hace referencia únicamente a los datos en sí, sino también a
su análisis y a su utilización. En este proceso de evaluación se intentan
buscar patrones y conexiones para contextualizarlos correctamente. El desafío
no es solamente el ingente volumen de datos, sino también su velocidad y su
variedad (las tres “v” del big data), ya que estos acuden de forma constante a un
archivo desestructurado y deben ser, idealmente, registrados, almacenados y
procesados en tiempo real. Para leerlos correctamente y poder conectarlos es
necesaria una sofisticada infraestructura de datos.

3. Analítica financiera

La analítica financiera, también conocida como análisis financiero, proporciona

diferentes perspectivas sobre los datos financieros de una empresa, aportando
conocimientos que pueden facilitar la toma de decisiones y acciones estratégicas
que mejoren su rendimiento. En pocas palabras, se trata de convertir los datos en
una comprensión de lo que contienen para una mejor toma de decisiones
empresariales con la ayuda de visualizaciones, informes, análisis predictivos, entre
otras cosas.4

Relacionada con la inteligencia empresarial y la gestión del rendimiento,

la analítica financiera afecta a prácticamente todos los aspectos de un negocio, ya
que desempeña un papel fundamental en el cálculo de los beneficios, la respuesta
a preguntas sobre un negocio y la posibilidad de realizar previsiones
empresariales.

Para garantizar que los departamentos se basen en los datos, los directores
financieros trabajan de la mano del departamento IT para aprovechar la analítica
financiera de manera que aproveche la integración y maximice la automatización.

Muchas organizaciones financieras alcanzan este estado rediseñando sus

arquitecturas de sistemas financieros teniendo en cuenta algunas capacidades
básicas como son la agilidad, la sostenibilidad, la extensibilidad, la previsibilidad y
la responsabilidad.

En el contexto de la analítica financiera, el Business Intelligence ayuda a

responder a preguntas basándose en información real. Cuando el BI y la analítica
trabajan juntas, las empresas también trabajan con los datos que tienen en el
momento, lo que les permite dirigirse hacia la gestión de datos, predicciones y
decisiones futuras.
Es específicamente crucial para la industria de las finanzas, ya que las
herramientas de inteligencia empresarial y la analítica son instrumentos que
ayudan a ver la realidad con datos e información.

4. Inteligencia de mercados

La inteligencia de mercados (IM) o Marketing Intelligence (en inglés) es una

herramienta que utilizan las organizaciones, la que mediante un proceso de
recolección, interpretación y análisis de los datos tomados del consumidor o el
cliente permite una mejor toma de decisiones y atender el medio que les rodea
respecto a los problemas y oportunidades que ofrece el mercado en el mundo
globalizado.

Por eso mismo comprende la importancia de la información diaria relacionada con

el área comercial de la organización, donde el propósito principal es el de hacer
una toma de decisiones precisa y confiable basada en la necesidades, deseos y
anhelos de los consumidores sobre el producto prestado para determinar una
estrategia de penetración en el mercado y desarrollar métricas al mercado
objetivo.

La inteligencia de mercados es necesaria cuando una empresa desea entrar al

mercado internacional o a un país extranjero en específico, para que logren ser
competitivas y sostenibles en el tiempo.5

La IM le permite a las empresas implementar mejoras en los procesos productivos,

procedimientos que conlleven a generar valor agregado, que los procesos de
gestión se desarrollen efectivamente y permita la participación de los
colaboradores en el crecimiento de las mismas, centrándose en la competitividad y
productividad.

La implementación de la IM en la estrategia organizacional conlleva a un uso

eficiente de las capacidades tecnológicas, de los recursos físicos y del capital
humano; integrando todas las áreas o departamentos que compongan a la
organización.

Esto le genera a las organizaciones la oportunidad de escalar a un mayor

posicionamiento sostenible en el mercado, o incursionando tanto en nuevos
mercados relacionados con su actividad económica como en mercados
inexplorados.5

5. Analítica de la cadena de suministro

La administración de la cadena de suministro (en inglés, Supply chain

management, SCM) es el proceso de planificación, puesta en ejecución y control
de las operaciones de la red de suministro con el propósito de satisfacer las
necesidades del cliente con tanta eficacia como sea posible.6 La gerencia de la
cadena de suministro atraviesa todo el movimiento y almacenaje de materias
primas, el correspondiente inventario que resulta del proceso, y las mercancías
acabadas desde el punto de origen al punto de consumo. La correcta
administración de la cadena de suministro debe considerar todos los
acontecimientos y factores posibles que puedan causar una interrupción. 7

La logística es la parte del proceso de la cadena de suministros que planea, lleva

a cabo y controla el flujo y almacenamiento eficientes y efectivos de bienes y
servicios, así como de la información relacionada, desde el punto de origen hasta
el punto de consumo, con el fin de satisfacer los requerimientos de los clientes.

La administración de la cadena de suministros encierra la esencia de la logística

integrada, enfatiza las interacciones de la logística que tienen lugar entre las
funciones de marketing; logística y producción en una empresa, y las interacciones
llevadas a cabo entre empresas independientes dentro del canal de flujo del
producto. Las oportunidades para mejorar el costo o el servicio al cliente se
alcanzan mediante la coordinación y colaboración entre los miembros de los
canales de flujo.
Según Mentzer, la administración de la cadena de suministros se define como la
coordinación sistemática y estratégica de las funciones tradicionales del negocio y
de las tácticas a través de estas funciones empresariales dentro de una empresa
en particular, y a través de las empresas que participan en la cadena de
suministros con el fin de mejorar el desempeño a largo plazo de las empresas
individuales y de la cadena de suministros como un todo. 8

6. Analítica de datos

El análisis o analítica de datos (DA) es el proceso de examinar conjuntos de datos

para encontrar tendencias y sacar conclusiones sobre la información que
contienen. La analítica de datos se utiliza cada vez más con la ayuda de sistemas
y software especializados. Las tecnologías y técnicas de análisis de datos se
utilizan ampliamente en las industrias comerciales para permitir a las
organizaciones tomar decisiones empresariales más informadas. También se
utiliza por científicos e investigadores para verificar o refutar modelos, teorías e
hipótesis científicas.

Como término, la analítica de datos se refiere predominantemente a un surtido de

aplicaciones, desde la inteligencia empresarial básica (BI), la elaboración de
informes y el procesamiento analítico en línea (OLAP), hasta diversas formas de
analítica avanzada. En este sentido, su naturaleza es similar a la de la analítica de
negocio, otro término que engloba los enfoques del análisis de datos. La diferencia
es que esta última está orientada a los usos empresariales, mientras que la
analítica de datos tiene un enfoque más amplio. Sin embargo, la visión expansiva
del término no es universal: en algunos casos, la gente utiliza la analítica de datos
específicamente para referirse a la analítica avanzada, tratando la BI como una
categoría separada.
Las iniciativas de análisis de datos pueden ayudar a las empresas a aumentar los
ingresos, mejorar la eficiencia operativa, optimizar las campañas de marketing y
los esfuerzos de servicio al cliente. También puede utilizarse para responder
rápidamente a las nuevas tendencias del mercado y obtener una ventaja
competitiva sobre sus rivales. Sin embargo, el objetivo final de la analítica de datos
es impulsar el rendimiento empresarial. Dependiendo de la aplicación concreta, los
datos que se analizan pueden consistir en registros históricos o en información
nueva que ha sido procesada para su análisis en tiempo real. Además, pueden
proceder de una mezcla de sistemas internos y fuentes de datos externas. 9

7. Inteligencia financiera

Durante gran parte de la historia, las finanzas y la contabilidad se centraron

principalmente en el mantenimiento de registros. Siempre hubo un retraso entre
los eventos que se registraron en los sistemas financieros (por ejemplo, la compra
de un producto o servicio) y la capacidad de poner esa información en contexto y
sacar conclusiones útiles de ella (por ejemplo, un informe de ventas semanal).

Sin embargo, durante las últimas décadas, la tecnología ha ido cerrando esa
brecha. En primer lugar, la contabilidad se trasladó a la era digital y permitió que
los datos se procesaran y resumieran de manera más eficiente. Las hojas de
cálculo permitieron a los profesionales de las finanzas acceder a los datos más
rápido y hacer cálculos con mucha mayor facilidad. Para organizaciones más
grandes, los almacenes de datos se han utilizado para recopilar, cotejar y
organizar grandes volúmenes de datos para su posterior análisis.

La tecnología actual lleva esta evolución un paso más allá. El nuevo paradigma
brinda la capacidad de acceder a datos que se encuentran en diferentes sistemas
de software, a veces incluso en diferentes continentes, tan pronto como se registra
una transacción en el sistema de origen. Esta capacidad de análisis en tiempo real
es transformadora. Es lo que distingue a las organizaciones financieras de primer
nivel del resto de la multitud. El análisis en tiempo real es la semilla de lo que
llamamos "inteligencia financiera".

En resumen, la inteligencia financiera es un proceso de pensamiento de orden

superior sobre las organizaciones y cómo consumen información tanto interna
como externa. En el corazón del paradigma FI está la capacidad de reunir datos
de múltiples sistemas y darle sentido a esa información de una manera que cree
valor para la organización.10

“Mientras que la inteligencia empresarial es táctica, la inteligencia financiera es

estratégica.“ 10

8. Gestión de talento y la inteligencia de negocios

Los Departamentos de Recursos Humanos generan y manejan hoy en día más

datos que nunca, pero al mismo tiempo les es extremadamente complicado
convertirlos en información relevante para apoyar la gestión diaria y ayudar a la
toma de decisiones estratégicas.

No en vano los sistemas de BI están empezando a popularizarse también en el

área de RRHH. El control de la evolución de los principales indicadores de negocio
se está convirtiendo en una necesidad y pasa a formar parte del seguimiento
rutinario de los comités de dirección de las empresas,

Los sistemas de BI dotan a la dirección de RRHH de una herramienta de control al

más alto nivel gerencial, permitiéndole presentar resultados con el nivel de detalle
y concreción que la dirección general precisa.

Los sistemas de BI y el entorno analítico que nos proporcionan están pensados

para navegar por la información con total libertad y analizarla desde diferentes
dimensiones o perspectivas del negocio, partiendo de un cuadro de mandos
agregado hasta llegar al dato relevante. Se alimentan de los sistemas
transaccionales permitiendo correlacionar información proveniente de diversas
fuentes; permiten presentar la información agrupada por niveles de agregación
denominados “jerarquías”, y agrupar los datos por una o más de esas jerarquías.

En caso del área de RRHH, los datos manejados suelen proveer de tres tipos de
aplicaciones transaccionales tradicionalmente utilizadas: i) la planificación y el
control de RRHH, incluyendo sistemas de planificación de turnos de trabajo y
control de tiempo y asistencia; ii) la nómina, administración de personal y gestión
de la compensación, y iii) la gestión del talento en todo su ciclo, desde la selección
e incorporación del talento hasta su desarrollo y la evaluación del rendimiento.

Cada una de estas aplicaciones transaccionales maneja datos de diversa índole,

11
que podemos resumir en tiempo, dinero y talento (conocimiento y experiencia).

Referencias

1. Aprendizaje automático. (s. f.). https://www.oracle.com/. Recuperado 19 de agosto

de 2021, de https://www.oracle.com/mx/data-science/machine-learning/what-is-

machine-learning/

2. Machine learning: ¿en qué consiste el aprendizaje automático? (2019, 31 julio).

IONOS Digitalguide. https://www.ionos.mx/digitalguide/online-marketing/analisis-

web/machine-learning-asi-piensan-las-maquinas/

3. Big data: cómo se usan los datos que generamos. (2019, 20 marzo). IONOS

Digitalguide. https://www.ionos.mx/digitalguide/online-marketing/analisis-web/big-

data-nuestra-huella-en-forma-de-datos/

4. IEBS Business School. (2021, 22 julio). Cómo aplicar Business Intelligence a la

analítica financiera. Thinking for Innovation.

https://www.iebschool.com/blog/business-intelligence-analitica-financiera-

finanzas/#:%7E:text=en%20las%20finanzas-,%C2%BFQu%C3%A9%20es%20la
 %20anal%C3%ADtica%20financiera%3F,estrat%C3%A9gicas%20que

%20mejoren%20su%20rendimiento.

5. Córdoba Gutiérrez, Angie Lorena; González Palacios, Ana Milena (6 de julio de 2013). «La

inteligencia de mercado: una estrategia hacia la competitividad». 6 de julio de 2013. Consultado

el 19 de agosto de 2021.

6. Sunil Chopra and Peter Meindl (2006). Supply Chain Management. 3° Edition. Pearson/Prentice

Hall.

7. Paul Schönsleben (2000). Integral Logistics Management. Auerbach Publications, Taylor &

Francis Group.

8. John T. Mentzer, William DeWitt, James S. Keebler, Soonhong Min, Nancy W. Nix, Cario D.

Srnith YZach G.Zacharia, "Defining Supply Chain Management", Journal of Businees Logistics,

Vol. 22, Núm. 2 (2001), págs. 1-25.

9. Stedman, C. (2021, 19 mayo). Análisis o analítica de datos. SearchDataCenter en

Español. https://searchdatacenter.techtarget.com/es/definicion/Analisis-de-Datos

10. insightsoftware. (2021, 10 julio). Financial Intelligence vs. Business Intelligence:

What’s the Difference? https://insightsoftware.com/blog/financial-intelligence-vs-

business-intelligence-whats-the-difference/

11. La importancia del Business Intelligence en RRHH. (s. f.). rrhhdigital. Recuperado

19 de agosto de 2021, de http://www.rrhhdigital.com/editorial/124724/La-

importancia-del-Business-Intelligence-en-RRHH