Inteligencia de Negocio - Business intelligence

Administración de Empresas
Gestión de una empresa
Contabilidad
Entidades de negocios
Gobierno corporativo
Derecho Corporativo
Título Corporativo
Ciencias económicas
Finanzas
Tipos de manejo
Organización
Comercio

La inteligencia empresarial ( BI ) comprende las estrategias y tecnologías utilizadas por las empresas para el análisis de datos de la información empresarial . Las tecnologías de BI proporcionan vistas históricas, actuales y predictivas de las operaciones comerciales .

Las funciones comunes de tecnologías de inteligencia de negocio incluyen la presentación de informes , procesamiento analítico en línea , análisis , tablero del desarrollo, la minería de datos , minería de procesos , procesamiento de eventos complejos , gestión del rendimiento empresarial , la evaluación comparativa , la minería de textos , análisis predictivo y análisis preceptivos .

Las tecnologías de BI pueden manejar grandes cantidades de datos estructurados y, a veces, no estructurados para ayudar a identificar, desarrollar y crear nuevas oportunidades comerciales estratégicas . Su objetivo es permitir una interpretación sencilla de estos macrodatos . Identificar nuevas oportunidades e implementar una estrategia eficaz basada en conocimientos puede proporcionar a las empresas una ventaja competitiva en el mercado y estabilidad a largo plazo.

Las empresas pueden utilizar la inteligencia empresarial para respaldar una amplia gama de decisiones empresariales que van desde las operativas hasta las estratégicas. Las decisiones operativas básicas incluyen el posicionamiento o el precio del producto . Las decisiones comerciales estratégicas involucran prioridades, objetivos y direcciones en el nivel más amplio. En todos los casos, BI es más eficaz cuando combina datos derivados del mercado en el que opera una empresa (datos externos) con datos de fuentes internas de la empresa, como datos financieros y operativos (datos internos). Cuando se combinan, los datos externos e internos pueden proporcionar una imagen completa que, en efecto, crea una "inteligencia" que no puede derivarse de ningún conjunto de datos singular.

Entre los innumerables usos, las herramientas de inteligencia empresarial permiten a las organizaciones obtener información sobre nuevos mercados, evaluar la demanda y la idoneidad de los productos y servicios para diferentes segmentos del mercado y medir el impacto de los esfuerzos de marketing.

Las aplicaciones de BI utilizan datos recopilados de un almacén de datos (DW) o de un data mart , y los conceptos de BI y DW se combinan como "BI / DW" o como "BIDW". Un almacén de datos contiene una copia de los datos analíticos que facilitan la toma de decisiones .

Historia

El primer uso conocido del término inteligencia empresarial se encuentra en la Cyclopaedia de anécdotas comerciales y empresariales de Richard Millar Devens (1865). Devens usó el término para describir cómo el banquero Sir Henry Furnese obtuvo ganancias al recibir y actuar sobre la información sobre su entorno, antes que sus competidores:

A lo largo de Holanda, Flandes, Francia y Alemania, mantuvo un tren completo y perfecto de inteligencia empresarial. La noticia de las muchas batallas libradas fue así recibida primero por él, y la caída de Namur se sumó a sus ganancias, debido a su temprana recepción de la noticia.

-  Devens, pág. 210

La capacidad de recopilar y reaccionar en consecuencia en función de la información recuperada, dice Devens, es fundamental para la inteligencia empresarial.

Cuando Hans Peter Luhn , un investigador de IBM , utilizó el término inteligencia empresarial en un artículo publicado en 1958, empleó la definición de inteligencia del Diccionario Webster : "la capacidad de aprehender las interrelaciones de los hechos presentados de tal manera que oriente la acción hacia un objetivo deseado ".

En 1989, Howard Dresner (más tarde analista de Gartner ) propuso la inteligencia empresarial como un término general para describir "conceptos y métodos para mejorar la toma de decisiones empresariales mediante el uso de sistemas de apoyo basados ​​en hechos". No fue hasta finales de la década de 1990 que este uso se generalizó.

Los críticos ven la BI simplemente como una evolución de los informes comerciales junto con el advenimiento de herramientas de análisis de datos cada vez más poderosas y fáciles de usar . A este respecto, también ha sido criticada como una palabra de moda de marketing en el contexto del auge del " big data ".

Definición

Según Solomon Negash y Paul Gray, la inteligencia empresarial (BI) se puede definir como sistemas que combinan:

con análisis para evaluar información corporativa compleja y competitiva para su presentación a planificadores y tomadores de decisiones, con el objetivo de mejorar la oportunidad y la calidad de los insumos al proceso de decisión ".

Según Forrester Research , la inteligencia empresarial es "un conjunto de metodologías, procesos, arquitecturas y tecnologías que transforman los datos sin procesar en información significativa y útil que se utiliza para permitir una toma de decisiones y conocimientos estratégicos, tácticos y operativos más eficaces". Según esta definición, la inteligencia empresarial abarca la gestión de la información ( integración de datos , calidad de los datos, almacenamiento de datos, gestión de datos maestros, análisis de texto y contenido, etc.). Por lo tanto, Forrester se refiere a la preparación y el uso de datos como dos segmentos separados pero estrechamente vinculados de la pila de arquitectura de inteligencia empresarial.

Algunos elementos de la inteligencia empresarial son:

Forrester distingue esto del mercado de inteligencia empresarial , que es "solo las capas superiores de la pila de arquitectura de BI, como informes , análisis y paneles de control ".

Comparado con la inteligencia competitiva

Aunque el término inteligencia empresarial a veces es sinónimo de inteligencia competitiva (porque ambos apoyan la toma de decisiones ), BI utiliza tecnologías, procesos y aplicaciones para analizar principalmente datos estructurados internos y procesos empresariales, mientras que la inteligencia competitiva recopila, analiza y difunde información con un enfoque de actualidad en los competidores de la empresa. Si se entiende de manera amplia, la inteligencia empresarial se puede considerar como un subconjunto de la inteligencia competitiva.

Comparado con la analítica empresarial

La inteligencia empresarial y la analítica empresarial a veces se utilizan indistintamente, pero existen definiciones alternativas. Thomas Davenport , profesor de tecnología y gestión de la información en Babson College, sostiene que la inteligencia empresarial debe dividirse en consultas , informes , procesamiento analítico en línea (OLAP), una herramienta de "alertas" y análisis empresarial. En esta definición, la analítica empresarial es el subconjunto de BI que se centra en las estadísticas, la predicción y la optimización, en lugar de la funcionalidad de informes.

Datos

Las operaciones comerciales pueden generar una gran cantidad de datos en forma de correos electrónicos, notas, notas de centros de llamadas, noticias, grupos de usuarios, chats, informes, páginas web, presentaciones, archivos de imágenes, archivos de video y material de marketing. Según Merrill Lynch , más del 85% de toda la información comercial existe en estos formularios; es posible que una empresa solo utilice un documento de este tipo una sola vez. Debido a la forma en que se produce y almacena, esta información no está estructurada o es semiestructurada .

La gestión de datos semiestructurados es un problema no resuelto en la industria de las tecnologías de la información. Según las proyecciones de Gartner (2003), los trabajadores de cuello blanco dedican entre el 30% y el 40% de su tiempo a buscar, encontrar y evaluar datos no estructurados. BI utiliza datos estructurados y no estructurados. El primero es fácil de buscar y el segundo contiene una gran cantidad de información necesaria para el análisis y la toma de decisiones. Debido a la dificultad de buscar, encontrar y evaluar adecuadamente los datos no estructurados o semiestructurados, las organizaciones pueden no aprovechar estas vastas reservas de información, que podrían influir en una decisión, tarea o proyecto en particular. En última instancia, esto puede conducir a una toma de decisiones mal informada.

Por lo tanto, al diseñar una solución de inteligencia empresarial / DW, se deben tener en cuenta los problemas específicos asociados con los datos semiestructurados y no estructurados, así como los de los datos estructurados.

Datos no estructurados frente a datos semiestructurados

Los datos no estructurados y semiestructurados tienen diferentes significados según su contexto. En el contexto de los sistemas de bases de datos relacionales, los datos no estructurados no se pueden almacenar en columnas y filas ordenadas de manera predecible . Un tipo de datos no estructurados generalmente se almacena en un BLOB (objeto binario grande), un tipo de datos general disponible en la mayoría de los sistemas de administración de bases de datos relacionales . Los datos no estructurados también pueden referirse a patrones de columnas repetidos de manera irregular o aleatoria que varían de una fila a otra o archivos de lenguaje natural que no tienen metadatos detallados.

Sin embargo, muchos de estos tipos de datos, como correos electrónicos, archivos de texto de procesamiento de texto, PDF, PPT, archivos de imagen y archivos de video, cumplen con un estándar que ofrece la posibilidad de metadatos. Los metadatos pueden incluir información como el autor y la hora de creación, y esto se puede almacenar en una base de datos relacional. Por lo tanto, puede ser más exacto hablar de esto como documentos o datos semiestructurados, pero no parece que se haya alcanzado un consenso específico.

Los datos no estructurados también pueden ser simplemente el conocimiento que los usuarios comerciales tienen sobre las tendencias comerciales futuras. La previsión empresarial se alinea naturalmente con el sistema de BI porque los usuarios empresariales piensan en su negocio en términos agregados. La captura del conocimiento empresarial que solo puede existir en la mente de los usuarios empresariales proporciona algunos de los puntos de datos más importantes para una solución de BI completa.

Limitaciones de los datos semiestructurados y no estructurados

Existen varios desafíos para desarrollar BI con datos semiestructurados. Según Inmon & Nesavich, algunos de ellos son:

  • Acceso físico a datos textuales no estructurados: los datos no estructurados se almacenan en una gran variedad de formatos.
  • Terminología  : entre los investigadores y analistas, existe la necesidad de desarrollar una terminología estandarizada.
  • Volumen de datos: como se indicó anteriormente, hasta el 85% de todos los datos existen como datos semiestructurados. Combine eso con la necesidad de análisis semántico y palabra por palabra.
  • Capacidad de búsqueda de datos textuales no estructurados: una búsqueda simple en algunos datos, por ejemplo, apple, da como resultado enlaces donde hay una referencia a ese término de búsqueda preciso. (Inmon & Nesavich, 2008) da un ejemplo: "Se realiza una búsqueda sobre el término delito grave. En una búsqueda simple, se utiliza el término delito grave, y en todos los lugares donde hay una referencia a delito grave, se realiza un acierto a un documento no estructurado". Pero una simple búsqueda es tosca. No encuentra referencias a delito, incendio premeditado, asesinato, malversación de fondos, homicidio vehicular, etc., aunque estos delitos son tipos de delitos graves ”.

Metadatos

Para resolver problemas de búsqueda y evaluación de datos, es necesario saber algo sobre el contenido. Esto se puede hacer agregando contexto mediante el uso de metadatos . Muchos sistemas ya capturan algunos metadatos (por ejemplo, nombre de archivo, autor, tamaño, etc.), pero serían más útiles los metadatos sobre el contenido real, por ejemplo, resúmenes, temas, personas o empresas mencionadas. Dos tecnologías diseñadas para generar metadatos sobre el contenido son la categorización automática y la extracción de información .

Aplicaciones

La inteligencia empresarial se puede aplicar a los siguientes fines empresariales:

Roles

Algunos roles técnicos comunes para los desarrolladores de inteligencia empresarial son:

Riesgo

En un informe de 2013, Gartner clasificó a los proveedores de inteligencia empresarial como un proveedor independiente "puro" o un "megaproveedor" consolidado. En 2019, el mercado de BI se sacudió en Europa por la nueva legislación de GDPR (Reglamento general de protección de datos) que pone la responsabilidad de la recopilación y el almacenamiento de datos en el usuario de datos con leyes estrictas para asegurarse de que los datos cumplan. El crecimiento dentro de Europa ha aumentado constantemente desde mayo de 2019 cuando se presentó el RGPD. La legislación reorientó a las empresas para que vean sus propios datos desde una perspectiva de cumplimiento, pero también reveló oportunidades futuras utilizando personalización y proveedores de BI externos para aumentar la participación de mercado.

Ver también

Referencias

Bibliografía

  • Ralph Kimball y col. "The Data warehouse Lifecycle Toolkit" (2.ª edición) Wiley ISBN  0-470-47957-4
  • Peter Rausch, Alaa Sheta, Aladdin Ayesh: Inteligencia empresarial y gestión del rendimiento: teoría, sistemas y aplicaciones industriales , Springer Verlag Reino Unido, 2013, ISBN  978-1-4471-4865-4 .
  • Muñoz, JM (2017). Inteligencia empresarial global. Routledge: Reino Unido. ISBN  978-1-1382-03686

enlaces externos