Recibido: 06/05/2021
Aceptado: 20/06/2021
Publicado: 19/07/2021
La inteligencia
de negocios y la analítica de datos en los procesos empresariales
Business intelligence and
data analytics in business processes
1 Universidad
Nacional de San Martín. Tarapoto, Perú cgarcia@unsm.edu.pe
Resumen. La inteligencia de negocios
y la analítica de datos en los procesos empresariales se aplican en varios
sectores organizacionales, este último representa un factor de ventaja
competitiva, para este fin es necesario utilizar herramientas tecnológicas y
definir los procesos que permitan generar modelos maduros de gestión, mientras
que la inteligencia de negocios y la analítica de datos representan, como
estrategia empresarial, es un factor importante de rendimiento y toma de
decisiones. El objetivo fue establecer un marco de referencia teórica de la
inteligencia de negocios y la analítica de datos en los procesos empresariales,
en este artículo se revisaron artículos de revista indizadas en SCOPUS, Web of
Science y Scielo a través del uso de google académico, el rango de revisión fue
entre los años 2017 y 2021. Los resultados revelaron que el sector empresarial
es donde se aplican con mayor frecuencia las soluciones en inteligencia de
negocios y analítica de datos, además la metodología empírica es la más
aplicada. Se concluyó que este estudio constituye un marco de referencia
teórica para futuras investigaciones sobre la inteligencia de negocios y la
analítica de datos en los procesos empresariales.
Palabras clave: Empírico,
empresa, metodología, modelo, sector
Abstract. Business
intelligence and data analytics in business processes are applied in sever-al
organizational sectors, the latter represents a competitive advantage factor,
for this purpose it is necessary to use technological tools and to define the
processes that allow generating mature management models, while business
intelligence and data analytics represent, as a business strategy, an important
factor in performance and decision-making. The objective was to establish a
theoretical framework of business intelligence and data analytics in business processes,
in this article journal, articles indexed in SCOPUS, Web of Science and Scielo
were reviewed through the use of academic google, the review range was between
2017 and 2021. The results revealed that the business intelligence and data
analytics solutions are most frequently applied in the business sector and
empirical methodology is more-over the most widely applied. It was concluded
that this study constitutes a theoretical framework for future research on business
intelligence and data analytics in business processes.
Keywords: Empirical, company,
methodology, model, sector
1
Introducción
A raíz de la pandemia declarada por la enfermedad del
COVID-19, muchas organizaciones empresariales decidieron migrar definitivamente
sus procesos a entornos digitales, tomando en consideración, de manera
especial, con los sistemas de información, los portales web y las redes
sociales (Polyvyanyy, Ouyang, Barros y van der Aalst, 2017), los cuales han
permitido la continuidad y resiliencia de los procesos empresariales frente a
la pandemia, además, han sido de
utilidad para mantener la comunicación en las organizaciones, estas han tenido
que normar todos estos elementos como medios oficiales para mantener activos a
los procesos empresariales (Margherita y Heikkilä, 2021), por esta razón, la
digitalización colabora con el distanciamiento social y el bienestar social
(Kumar, Luthra, Mangla y Kazançoğlu, 2020).
El proceso de digitalización ha permitido a los
procesos empresariales generar una gran cantidad de información, una de las
formas de aprovechar esta información genera-da es a través de la inteligencia
de negocios, el cual debe estar alineados a los objetivos organizacionales de
las empresas para tener el éxito deseado (Huerta-Riveros, Gaete-Feres y
Pedraja-Rejas, 2020).
La inteligencia de negocios es un proceso estratégico para
generar ventajas competitivas en las organizaciones, a través de la comprensión
de los datos generados en los procesos internos de las organizaciones, llámense
sistemas de información, tecnologías, herramientas informáticas, páginas web,
redes sociales y todo tipo de datos, por esta razón, estos utilizan fuentes de
datos heterogéneas para la predicción del comportamiento en los procesos
empresariales (Khatibi, Keramati y Shirazi, 2020) y por consiguiente la toma de
decisiones, estas deben generen valor con competencias en estos procesos, a
través de la analítica de datos y los sistemas de información involucrados con
la organización, los resultados obtenidos estimulan a los equipos de trabajo y
generan mejores estrategias empresariales y una visión analítica de los datos
(Niño, Niño, y Ortega, 2020), en la actualidad existen los intentos de
desarrollar soluciones de inteligencia con datos de las redes sociales y de
sistemas de datos abiertos (Choi, Yoon, Chung, Coh y Lee, 2020).
Para el presente artículo de revisión nos planteamos
las siguientes preguntas: ¿Cuáles son las tendencias actuales de la
inteligencia de negocios y la analítica de datos en los procesos
empresariales?, ¿Cuáles son las metodologías utilizadas para la implementación
de soluciones de inteligencia de negocios? ¿Cómo se realizan los intentos por
establecer una metodología única para el desarrollo de la inteligencia de
negocios y analítica de datos en los procesos empresariales?
El objetivo de la investigación es realizar una
revisión sistemática de la literatura para establecer un marco de referencia
teórica de la inteligencia de negocios y la analítica de datos en los procesos
empresariales.
Teniendo en cuenta la diversidad de aplicaciones en
sus formas y sus métodos de la inteligencia de negocios, ha sido complicado
establecer un solo marco de trabajo de implementación en los procesos
empresariales, dado que cada organización posee su forma particular de
abordarlos, otra de las limitaciones en esta investigación fue debido al estado
de salud de los autores producto de la pandemia generada por la COVID-19.
Los resultados de la revisión evidencian que el sector
empresarial es el que más desarrolló la inteligencia de negocios y analítica de
datos, seguido de los sectores de salud, educación, gobernanza y el sector
turismo, además, la metodología empírica es la que más se aplica en las
soluciones de inteligencia de negocios, seguidas del modelo de DeLone y McLean,
modelo de Seddon y Seddon Modificado, metodología CRISP-DM, metodología Kimball
y el Proceso Unificado Ágil.
2
Materiales y Métodos
Para
el desarrollo del presente artículo se tuvo en cuenta la técnica de la revisión
documental aplicada de manera sistemática, en este proceso se ha considerado a
Google Académico, como herramienta tecnológica inicial de búsqueda. Además, se
tomaron en cuenta los artículos de revista indexadas internacionales, para el
proceso de validación de la calidad de las revistas se utilizaron los filtros
de los buscadores de SCOPUS y Web of Science así como su calidad en el portal
de SCImago Journal & Country Rank, a su vez, se tuvieron en cuenta las
siguientes bases de datos: SCOPUS, ScienceDirect, Web of Science y Scielo.
En
esta investigación, fueron necesarios ubicar como ejes centrales de la revisión
los conceptos de inteligencia de negocios, analítica de datos y procesos
empresariales, los artículos científicos revisados considerados fueron entre
los años 2017 y 2021, para la obtención de los metadatos fue necesario utilizar
el referenciador bibliográfico Mendeley y las palabras clave de la presente
revisión fueron: business intelligence, bi, business processes, companies,
inteligencia de negocios, empresas, methodology, metodología, data warehouse,
analytics, análisis de datos, implementación, implementation, inteligen-cia
empresarial, framework, model y modelo.
3
Resultados
3.1
Procesos empresariales
La
implementación de procesos empresariales en las organizaciones deben ser
consideradas como un factor de ventaja competitiva y del fortalecimiento de sus
mecanismos internos de desarrollo, para ello es necesario utilizar herramientas
tecnológicas que nos permitan generar modelos maduros de gestión de las
organizaciones (Meidan, García-García, Escalona y Ramos, 2017), cabe mencionar
que, las estructuras orgánicas empresariales que apoyan la cultura de mejora,
genera el empoderamiento de los colaboradores constituyendo un factor clave de
éxito, ya que permite que estos se centren en las necesidades de los clientes
en el momento de la atención para ofrecerles un bien o un servicio (Ibrahim,
Hanif, Jamal y Ahsan, 2019).
Es
importante que antes de realizar cualquier mejora en las organizaciones, es
preciso conocer los procesos empresariales internos propios de la organización
(Medina, Nogueira, Hernández-Nariño, y Rodríguez, 2019) y a partir de ellos
desarrollar los procesos de mejora, así como la aplicación de cualquier
herramienta tecnológica que se desee implementar. Existen casos de éxito en el
que se aplicaron métodos para la mejora de los procesos empresariales
(Mehdouani, Missaoui, y Ghannouchi, 2019) permitiendo demostrar la utilidad de
la mejora de los procesos empresariales desde su inicio, ejecución y control
del mismo para garantizar la calidad y mejora.
Los
procesos empresariales muestran en cualquiera de los métodos que se utilice
dentro de la organización una evolución del mismo (Krishna, Ajay, 2019)
buscando la mejora en la calidad de los procesos. Sin duda pretender
implementar soluciones de TI en las organizaciones para ciertos procesos es
necesario la implementación previa de procesos empresariales (Cruz, Yuliet
Espinosa, 2020).
Uno de los
métodos para desarrollar procesos empresariales definidos es a través de
herramientas de modelado como Bonita, ProcessMaker, YAWL, Camunda, Activiti,
JBPM, uEngine, estas herramientas de código abierto, utilizan métodos de
representa-ción a través de notaciones y reglas de conexión entre procesos,
además, utilizan algo-ritmos para generar procesos de simulación y obtener
resultados del flujo de procesos a través de tabla de decisiones desarrollados
en pruebas unitarias, dependerá mucho, de la herramienta que se utilizará para
el diseño de los procesos empresariales (Kluza y Nalepa, 2017).
3.2
Inteligencia de negocios y la analítica de datos
La
inteligencia de negocios junto a la analítica de datos representan un factor
importante de rendimiento en escenarios donde la competencia empresarial para
ganar liderazgo en el mercado es alta (Jaklič, Grublješič, y Popovič, 2018),
este se basa en la capacidad de brindar alta rotación de datos bases de datos
de fuentes internas y externas, por lo que es necesario, poseer altos
estándares de tecnología para consolidar la compleja estructura de los datos en
cuanto a su volumen, a su variedad y a su velocidad (Souibgui, Atigui, Zammali,
Cherfi, y Yahia, 2019), al respecto, Rikhardsson y Yigitbasioglu (2018) establecen
que la relación entre la inteligencia de negocios y la analítica de datos
realizan un acercamiento con el proceso contable de las organizaciones, debido
a que las mismas reconfiguran sus procesos para aprovechar las tecnologías y
los sistemas de información, que a su vez, alimentan a los sistemas de
información para que de esta manera establezcan de manera clara una serie de
ventajas competitivas en la gestión empresarial.
El
proceso contable es el principal en el apoyo para la toma de decisiones y el
control en una organización, la inteligencia de negocios y la analítica de
datos colabora con la presentación de informes especializados para la toma de
decisiones y mejorar el desempeño organizacional (Rikhardsson y Yigitbasioglu,
2018)
Todo
lo anterior mencionado, puede crear valor para las organizaciones en la generación
de nuevo conocimiento (Medina, Fariña, y Castillo-Rojas, 2018). Además, Fink,
Yogev, y Even (2017) consideran que la creación de valor que aporta la
inteligencia de negocios se relacionan con los activos como el capital humano,
las estrategias empresa-riales y el valor comercial de sus productos y
servicios, sin embargo es necesario que la organización sea capaz de
interiorizar y dominar las prácticas de inteligencia de negocios y el análisis
de datos para pasar de la creación de valor al valor competitivo (Božič y
Dimovski, 2019) y asociar el componente de innovación para generar ganancias en
el desempeño organizacional (Božič y Dimovski, 2019) considerando las
condiciones individuales, colectivas y culturales del capital humano quien toma
las decisiones (Porto y Sili, 2020).
Para
que una solución de inteligencia y analítica de datos sea de calidad, es
necesario que los datos y la experiencia del capital humano colaboren con el
efectivo uso y contribuyan de manera eficiente a la organización ya que se asegura
la calidad de la información en el registro de los sistemas de información (Torres,
Sidorova, y Jones, 2018).
De
todos los estudios realizados sobre la inteligencia de negocios se ha
determinado que cada implementación es única para cada proceso empresarial,
existen muchos intentos por determinar patrones de comportamiento para
generalizar casos de éxito y buenas prácticas (Arnott, Lizama, y Song, 2017),
así como la posibilidad de desarrollar modelos empresariales para evaluar la
previsibilidad de los datos (Delen y Zolbanin, 2018). Además, se espera a corto
plazo que las técnicas de análisis de procesos optimicen los resultados
obtenidos en futuras investigaciones sobre la inteligencia de negocios (Polyvyanyy,
Ouyang, Barros, y Van Der Aalst, 2017).
En
cuanto a la metodologías desarrolladas para la implementación de una solución
de inteligencia de negocios Hindle y Vidgen (2018), plantean 4 fases
elementales, en primer lugar la estructuración de la situación problemática que
enfrenta la organización con referencia a su proceso de análisis de datos, en
segundo lugar, el mapeo correspondiente a los procesos del negocio, es
importante identificar cada proceso para una mejor comprensión de la realidad
organizacional, en tercer lugar, el fortalecimiento del análisis de negocios
que definen los metadatos esenciales para el proceso de interpretación, el cual
se convertirán en conocimiento para las organizaciones, finalmente, la
implementación de la analítica de datos con indicadores y metas definidos en su
totalidad (Calle y Valles, 2021) para fortalecer la estrategia comercial.
Ain,
Vaia, DeLone, y Waheed (2019) afirman que los métodos cuantitativos son las más
usados y efectivos en la implementación de soluciones de inteligencia de
negocios, además establecen 3 categorías elementales como son la adopción, la
utilización y el éxito en los procesos empresariales, esto se debe a que los
factores organizativos se relacionan directamente con los sistemas de
información, sin embargo, la literatura está fragmentada y carece de un marco
general para integrar hallazgos y guiar sistemática-mente las soluciones en inteligencia
de negocios y analítica de datos (Trieu, 2017).
Existen
estudios que determinan los sectores donde se aplica la inteligencia de negocios
y la analítica de datos, así como la aplicación de modelos y metodologías para
su desarrollo y los procesos empresariales involucrados para este fin, de esta
manera se sistematiza la literatura encontrada en el presente artículo.
Sectores |
Estudios |
Grandes Empresas |
(Trieu,
2017), (Pappas,
Mikalef, Giannakos, Krogstie, y Lekakos, 2018), (Amankwah-Amoah
y Adomako, 2019), (Torres
et al., 2018), (Ghashami,
Alborzi, Movahedi Sobhani, y Radfar, 2019), (Grytz
y Krohn-Grimberghe, 2017), (Verma,
Yurov, Lane, y Yurova, 2019), (Moreno,
Cavazotte, y de Souza Carvalho, 2020) |
|
|
PYME |
(Gonzales
y Wareham, 2019a), (Ali,
Khan, y Miah, 2017), (Llave,
2017), (Guitarra
Romero, 2019), (Cerda-Leiva,
Araya-Castillo, y Barrientos Oradini, 2020), (Popovič,
Puklavec, y Oliveira, 2019) |
|
|
Múltiples sectores |
(Ain,
Vaia, DeLone, y Waheed, 2019), (Gonzales
y Wareham, 2019a), (Ahmad,
Miskon, Alkanhal, y Tlili, 2020) |
|
|
Salud |
(Lopes,
Guimarães, y Santos, 2020), (Gaardboe,
Nyvang, y Sandalgaard, 2017), (Zheng,
Wu, y Chen, 2018), (Sigler,
Morrison, y Moriarity, 2020), (Muñoyerro-Muñiz
et al., 2020) |
|
|
Educación |
(Combita
Niño, Cómbita Niño, y Morales Ortega, 2020), (Lokaadinugroho,
Girsang, y Burhanudin, 2021) |
|
|
Tecnología |
(Vanegas,
Tarazona Bermudez, y Rodriguez Rojas, 2020), (Balachandran
y Prasad, 2017), (Choi
et al., 2020) |
|
|
Instituciones públicas |
(Mansell
y Ruhode, 2019), (Espinosa
Zúñiga, 2020) |
|
|
Turismo |
(Barrera-Narváez,
González-Sanabria, y Cáceres-Castellanos, 2020), (Vajirakachorn
y Chongwatpol, 2017) |
|
|
Energía |
(Radenković,
Lukić, Despotović-Zrakić, Labus, y Bogdanović, 2018), (Lea,
Yu, y Min, 2018) |
|
|
Otros sectores (Agricultura, Transportes,
Industrial, Bibliotecas virtuales, Realidad aumentada) |
(Morales
y Carrión, 2020), (Morales
Lugo, Figueroa Millán, Farías Mendoza, y Chávez Valdez, 2020), (Francia,
Golfarelli, y Rizzi, 2020), (Václav,
Gabriel, Blanka, Libor, y Michal, 2021), (Vallurupalli
y Bose, 2018) |
Fuente: elaboración propia.
De
acuerdo a la Tabla 1, las grandes empresas es el sector donde más desarrollo
tiene la inteligencia de negocios y la analítica de datos en el primer lugar,
en segundo lugar, se ubican las PYME, en tercer lugar, se ubica el sector de
los múltiples sectores, en cuarto lugar, se ubica el sector salud, en quinto
lugar se ubica al sector educación, en sexto lugar al sector de tecnología, en
séptimo lugar a las instituciones públicas, en octavo lugar al sector turismo,
en noveno lugar al sector energético y finalmente a otros sectores como la
agricultura, el transporte, sector industrial, bibliometría y realidad aumentada.
Tabla 2.
Metodologías usadas inteligencia de
negocios y analítica de datos en procesos empresariales
Metodología de análisis de datos |
Estudios |
Metodología Empírica |
(Ali
et al., 2017), (Llave,
2017), (Guitarra
Romero, 2019), (Cerda-Leiva
et al., 2020), (Popovič
et al., 2019), (Ghashami
et al., 2019), (Vanegas
et al., 2020), (Vanegas
et al., 2020), (Torres
et al., 2018), (Amankwah-Amoah
y Adomako, 2019), (Grytz
y Krohn-Grimberghe, 2017), (Verma
et al., 2019), (Moreno
et al., 2020), (Muñoyerro-Muñiz
et al., 2020), (Combita
Niño et al., 2020), (Balachandran
y Prasad, 2017), (Choi
et al., 2020), (Mansell
y Ruhode, 2019), (Vajirakachorn
y Chongwatpol, 2017), (Václav
et al., 2021) |
|
|
Modelo de DeLone y McLean, Modelo
de Seddon y Seddon Modificado |
(Ain
et al., 2019), (Gonzales
y Wareham, 2019), (Gaardboe
et al., 2017) |
|
|
Metodología CRISP-DM |
(Espinosa
Zúñiga, 2020), (Barrera-Narváez
et al., 2020) |
|
|
Kimball |
(Radenković
et al., 2018), (Lokaadinugroho
et al., 2021) |
|
|
Proceso Unificado Ágil |
(Morales
Lugo et al., 2020), (Sigler
et al., 2020) |
|
|
Otras metodologías (Soh and Markus, DTS, TOE,
Adaptive Business Intelligence, DSRM, Poe, A-BI+, PMS, Cuadro de Mando
integral) |
(Trieu,
2017), (Pappas
et al., 2018), (Ahmad
et al., 2020), (Lopes
et al., 2020), (Zheng
et al., 2018), (Morales
y Carrión, 2020), (Francia
et al., 2020), (Vallurupalli
y Bose, 2018), (Lea
et al., 2018) |
Fuente: elaboración propia.
De acuerdo
a la Tabla 2, las metodologías empíricas se encuentran en el primer lugar, en
segundo lugar, se ubican el Modelo de DeLone y McLean, Modelo de Seddon y
Seddon Modificado, en tercer lugar se ubica la Metodología CRISP-DM, en cuarto
lugar, se ubica a la metodología Kimball, en quinto lugar, se ubica al Proceso
Unificado Ágil, finalmente a otras metodologías como el modelo de Soh and
Markus, la metodología DTS, la metodología TOE, el Adaptive Business
Intelligence, la metodología DSRM, la metodología de Poe, la metodología A-BI+,
la metodología PMS y Cuadro de Mando integral como proceso de presentación para
una solución de inteligencia de negocios con analítica de datos.
Tabla 3.
Sectores y procesos involucrados en las
metodologías utilizadas
Sectores |
Procesos involucrados |
Metodología de análisis de datos |
Estudios |
Grandes empresas |
Comercial |
Metodología Empírica |
(Ghashami
et al., 2019) |
|
Servicios de TI |
Metodología Empírica |
(Torres
et al., 2018) |
|
Big data |
Metodología Empírica |
(Amankwah-Amoah
y Adomako, 2019) |
|
|
Metodología DTS |
(Pappas
et al., 2018) |
|
Contabilidad |
Metodología Empírica |
(Grytz
y Krohn-Grimberghe, 2017) |
|
Telecomunicaciones |
Metodología Empírica |
(Moreno
et al., 2020) |
|
Recursos humanos |
Metodología Empírica |
(Verma
et al., 2019) |
|
Sistemas de información |
Modelo de Soh and Markus |
(Trieu,
2017) |
|
|
|
|
PYME |
Comercial |
Metodología Empírica |
(Llave,
2017) (Guitarra
Romero, 2019) (Cerda-Leiva
et al., 2020) (Popovič
et al., 2019) |
|
Sistemas de información |
Modelo de DeLone y McLean, Modelo
de Seddon y Seddon Modificado |
(Gonzales
y Wareham, 2019) |
|
Procesos ambientales |
Metodología Empírica |
(Ali
et al., 2017) |
|
|
|
|
Múltiples sectores |
Cadena de suministros |
Modelo de DeLone y McLean |
(Ain
et al., 2019) |
|
Sistema Financiero |
Modelo de DeLone y McLean, Modelo
de Seddon Modificado |
(Gonzales
y Wareham, 2019) |
|
Sistema Financiero |
Metodología
Technology-Organization -Environment (TOE) |
(Ahmad
et al., 2020) |
|
|
|
|
Salud |
Historial Clìnico |
Metodología Empírica |
(Muñoyerro-Muñiz
et al., 2020) |
|
Sistema Hospitalario |
Adaptive Business Intelligence |
(Lopes
et al., 2020) |
|
|
Modelo de DeLone y McLean |
(Gaardboe
et al., 2017) |
|
|
Metodología DSRM |
(Zheng
et al., 2018) |
|
Radiología |
Metodología AUP |
(Sigler
et al., 2020) |
|
|
|
|
Educación |
Universidad |
Metodología Empírica |
(Combita
Niño et al., 2020) |
|
|
Kimball |
(Lokaadinugroho
et al., 2021) |
|
|
|
|
Tecnología |
Comercial |
Metodología Empírica |
(Vanegas
et al., 2020) |
|
Redes sociales |
Metodología Empírica |
(Choi
et al., 2020) |
|
Cloud Computing |
Metodología Empírica |
(Balachandran
y Prasad, 2017) |
|
|
|
|
Instituciones públicas |
Gerencia |
Metodología Empírica |
(Mansell
y Ruhode, 2019) |
|
Sistema de información geográfica |
Metodología CRISP-DM |
(Espinosa
Zúñiga, 2020) |
|
|
|
|
Turismo |
Sistema de información
geográfica. |
Metodología CRISP-DM |
(Barrera-Narváez
et al., 2020) |
|
Gastronomía |
Metodología Empírica |
(Vajirakachorn
y Chongwatpol, 2017) |
|
|
|
|
Energía |
Industria Eléctrica |
Metodología de Kimball |
(Radenković
et al., 2018) |
|
Energía renovable |
Cuadro de Mando integral |
(Lea
et al., 2018) |
|
|
|
|
Agricultura |
Comercial |
Metodología AUP |
(Morales
Lugo et al., 2020) |
Transportes |
Logística |
Metodología Empírica |
(Václav
et al., 2021) |
Industrial |
Producción |
Metodología PMS |
(Vallurupalli
y Bose, 2018) |
Bibliotecas virtuales |
Biblioteca Minería de datos |
Metodología de Poe |
(Morales
y Carrión, 2020) |
Realidad aumentada |
Comercial |
Metodología A-BI+ |
(Francia
et al., 2020) |
Fuente: elaboración propia.
De acuerdo
a la Tabla 3, las grandes empresas en los sectores comerciales, servicios de
TI, big data, contabilidad, telecomunicaciones, recursos humanos aplicaron
soluciones de inteligencia de negocios con analítica de datos a través del uso
de una metodología empírica (metodología propia) de los estudios referenciados,
además en el sector de big data también se aplicó la metodología DTS y para el sector
de los sistemas de información se aplicó el modelo de Soh and Markus.
Según la Tabla 3, las PYME en los sectores comerciales y de
procesos ambientales se aplicó una metodología empírica y para el sector de
sistemas de información se aplicó el modelo de DeLone y McLean, modelo de
Seddon y Seddon Modificado, además, para múltiples sectores que involucran
procesos de cadena de suministros y sistema financie-ro se aplicaron los
modelos de DeLone y McLean, modelo de Seddon Modificado, así como la
metodología Technology-Organization-Environment (TOE).
Para el sector salud además de una metodología empírica,
según la Tabla 3, se aplica-ron la metodología Adaptive Business Intelligence de
Michalewicz, Schmidt, Michalewicz, Chiriac, se denota también la aplicación del
modelo de DeLone y McLean, la metodología DSRM y la Metodología AUP, además,
para el sector educación evidencia la aplicación de la Metodología Empírica y
la Metodología Kimball.
Para el sector tecnológico, la Tabla 3 muestra la aplicación
de la Metodología Empírica en procesos comerciales y redes sociales además de Cloud
Computing, para las instituciones públicas los procesos en Gerencia y Sistema
de Información Geográfica fueron tema de estudio para la aplicación de una
metodología empírica y la metodología CRISP-DM; estas dos metodologías
mencionadas, también se aplicaron para el sector turismo en procesos de Sistema
de Información Geográfica y Gastronomía.
Según la
Tabla 3, para el sector energía las metodologías que destacan en este sector
son la Metodología Kimball y el Cuadro de Mando Integral en procesos de
Industria Eléctrica y Energía renovable respectivamente, finalmente, para el
caso de otros sectores como agricultura, la metodología AUP fue aplicada a sus
procesos comerciales, en el sector de transportes, la metodología empírica fue
desarrollada en su procesos de logística, para el sector industrial se aplicó
la metodología PMS en su proceso de producción, en las bibliotecas virtuales se
muestra el uso de la metodología de Poe y en la realidad aumentada la
metodología A-BI+ es la aplicada para su proceso comercial.
4
Conclusiones
En
la presente revisión se ha determinado que el sector empresarial es donde más
se aplica la tecnología la inteligencia de negocios y analítica de datos en los
procesos empresariales, seguido del sector salud, educación, tecnología y el
sector turismo.
Luego,
las metodologías empíricas son las más utilizadas para la implementación de
soluciones de inteligencia de negocios, seguidas del modelo de DeLone y McLean,
modelo de Seddon y Seddon Modificado, además de las metodologías de CRISP-DM,
Kimball y el Proceso Unificado Ágil.
La
revisión demuestra que la metodología empírica es la más utilizada, esto
establece que cada estudio establece su forma de abordar e implementar una
solución de negocios con analítica de datos en procesos empresariales, por
tanto, todavía no se ha establecido en la literatura el desarrollo de una
metodología única en todos los sectores estudiados, finalmente, el presente
artículo establece un marco de referencia teórica para futuros estudios sobre
la inteligencia de negocios y la analítica de datos en los procesos
empresariales.
Referencias bibliográficas
Ahmad, S., Miskon, S., Alkanhal, T. A., & Tlili, I.
(2020). Modeling of Business
Intelligence Systems Using the Potential Determinants and Theories with the
Lens of Individual, Technological, Organizational, and Environmental Contexts-A
Systematic Literature Review. Applied
Sciences, 10(9), 3208. https://doi.org/10.3390/app10093208
Ain, N. U., Vaia, G., DeLone, W. H., & Waheed, M.
(2019). Two decades of research on business intelligence system adoption,
utilization and success – A systematic literature review. Decision Support Systems, 125(July), 113113. https://doi.org/10.1016/j.dss.2019.113113
Ali, M. S., Khan, S., & Miah, S. J. (2017).
Understanding towards Interactions between Business Intelligence and SMEs:
Learn from Each Other. Journal of
Information Systems and Technology Management, 14(2), 151–168. https://doi.org/10.4301/s1807-17752017000200002
Amankwah-Amoah, J., & Adomako, S. (2019). Big data
analytics and business failures in data-Rich environments: An organizing
framework. Computers in Industry,
105, 204–212. https://doi.org/10.1016/j.compind.2018.12.015
Arnott, D., Lizama, F., & Song, Y. (2017). Patterns
of business intelligence systems use in organizations. Decision Support Systems, 97, 58–68. https://doi.org/10.1016/j.dss.2017.03.005
Balachandran, B. M., & Prasad, S. (2017). Challenges
and Benefits of Deploying Big Data Analytics in the Cloud for Business
Intelligence. Procedia Computer Science, 112,
1112–1122. https://doi.org/10.1016/j.procs.2017.08.138
Barrera-Narváez, C. F., González-Sanabria, J. S., &
Cáceres-Castellanos, G. (2020). Toma de decisiones en el sector turismo
mediante el uso de Sistemas de Información Geográfica e inteligencia de
negocios. Revista Científica, 38(2),
160–173. https://doi.org/10.14483/23448350.15997
Božič, K., & Dimovski, V. (2019a). Business intelligence and analytics for value creation: The role of
absorptive capacity. International
Journal of Information Management, 46(February 2018), 93–103. https://doi.org/10.1016/j.ijinfomgt.2018.11.020
Božič, K., & Dimovski, V. (2019b). Business intelligence and analytics use, innovation ambidexterity, and
firm performance: A dynamic capabilities perspective. Journal of Strategic Information Systems, 28(4), 101578. https://doi.org/10.1016/j.jsis.2019.101578
Calle Paz, I. I., & Valles Coral, M. A. (2021). Dashboard digital para
el monitoreo de indicadores y metas de los proyectos de consultores San Martín
E.I.R.L. Revista Científica de Sistemas e
Informática, 1(1), 24–36. https://doi.org/10.51252/rcsi.v1i1.94
Cerda-Leiva, L., Araya-Castillo, L., & Barrientos Oradini, N. (2020). ¿Cuánto
se ha avanzado en proporcionar analítica e inteligencia de negocios a las
pymes? Investigacion & Desarrollo,
19(2), 167–175. https://doi.org/10.23881/idupbo.019.2-11e
Choi, J., Yoon, J., Chung, J., Coh, B. Y., & Lee,
J. M. (2020). Social media
analytics and business intelligence research: A systematic review. Information Processing and Management,
57(6), 102279. https://doi.org/10.1016/j.ipm.2020.102279
Combita Niño, H. A., Cómbita Niño, J. P., & Morales
Ortega, R. (2020). Business intelligence governance framework in a university:
Universidad de la costa case study. International
Journal of Information Management, 50(October 2018), 405–412. https://doi.org/10.1016/j.ijinfomgt.2018.11.012
Delen, D., & Zolbanin, H. M. (2018). The analytics paradigm in business research. Journal of Business Research, 90(April),
186–195. https://doi.org/10.1016/j.jbusres.2018.05.013
Espinosa Zúñiga, J. J. (2020). Aplicación de metodología CRISP-DM para
segmentación geográfica de una base de datos pública. Ingeniería Investigación y Tecnología, 21(1), 1–13. https://doi.org/10.22201/fi.25940732e.2020.21n1.008
Fernando Medina, Q., Francisco Fariña, M., & Castillo-Rojas, W.
(2018). Data mart to obtain
indicators of academic productivity in a university. Ingeniare, 26, 88–101. https://doi.org/10.4067/S0718-33052018000500088
Fink, L., Yogev, N., & Even, A. (2017). Business
intelligence and organizational learning: An empirical investigation of value
creation processes. Information and
Management, 54(1), 38–56. https://doi.org/10.1016/j.im.2016.03.009
Francia, M., Golfarelli, M., & Rizzi, S. (2020).
A-BI+: A framework for Augmented Business Intelligence. Information Systems,
92, 101520. https://doi.org/10.1016/j.is.2020.101520
Gaardboe, R., Nyvang, T., & Sandalgaard, N. (2017).
Business Intelligence Success applied to Healthcare Information Systems. Procedia Computer
Science, 121, 483–490. https://doi.org/10.1016/j.procs.2017.11.065
Ghashami, A., Alborzi, M., Movahedi Sobhani, F., &
Radfar, R. (2019). Un modelo para la implementación de
soluciones empresariales inteligentes con base en el nivel de madurez en
inteligencia de negocios: una experiencia iraní. AD-Minister, 34, 149–165. https://doi.org/10.17230/ad-minister.34.8
Gonzales, R., & Wareham, J. (2019a). Analysing the
impact of a business intelligence system and new conceptualizations of system
use. Journal of Economics, Finance and
Administrative Science, 24(48), 345–368. https://doi.org/10.1108/JEFAS-05-2018-0052
Gonzales, R., & Wareham, J. (2019b). Analysing the
impact of a business intelligence system and new conceptualizations of system
use Impact of a business intelligence system 345. Finance and Administrative Science, 24(48), 2077–1886. https://doi.org/10.1108/JEFAS-05-2018-0052
Grytz, R., & Krohn-Grimberghe, A. (2017).
Service-Oriented Cost Allocation for Business Intelligence and Analytics. International Journal of Systems and
Service-Oriented Engineering, 7(2), 40–57. https://doi.org/10.4018/ijssoe.2017040103
Guitarra Romero, R. (2019). Prospectiva e Inteligencia Estratégica
Aplicada a la Micro, Pequeña y Mediana Empresa. Tendencias, 20(1), 107–129. https://doi.org/10.22267/rtend.192001.110
Hindle, G. A., & Vidgen, R. (2018). Developing a business analytics methodology: A case
study in the foodbank sector. European
Journal of Operational Research, 268(3), 836–851. https://doi.org/10.1016/j.ejor.2017.06.031
Huerta-Riveros, P. C., Gaete-Feres, H. G., & Pedraja-Rejas, L. M.
(2020). Strategic
management, information system and quality the case of a Chilean public
university. In Informacion Tecnologica (Vol. 31,
Issue 2, pp. 253–265). Centro de
Información Tecnológica. https://doi.org/10.4067/S0718-07642020000200253
Ibrahim, M. S., Hanif, A., Jamal, F. Q., & Ahsan,
A. (2019). Towards successful business process improvement – An extension of
change acceleration process model. PLOS ONE, 14(11),
e0225669. https://doi.org/10.1371/journal.pone.0225669
Jaklič, J., Grublješič, T., & Popovič, A. (2018). The role of compatibility in predicting business
intelligence and analytics use intentions. International
Journal of Information Management, 43(August), 305–318. https://doi.org/10.1016/j.ijinfomgt.2018.08.017
Khatibi, V., Keramati, A., & Shirazi, F. (2020).
Deployment of a business intelligence model to evaluate Iranian national higher
education. Social Sciences &
Humanities Open, 2(1), 100056. https://doi.org/10.1016/j.ssaho.2020.100056
Kluza, K., & Nalepa, G. J. (2017). A method for
generation and design of business processes with business rules. Information and Software Technology, 91,
123–141. https://doi.org/10.1016/j.infsof.2017.07.001
Kumar, A., Luthra, S., Mangla, S. K., & Kazançoğlu,
Y. (2020). COVID-19 impact on sustainable production and operations management.
Sustainable Operations and Computers,
1, 1–7. https://doi.org/10.1016/j.susoc.2020.06.001
Lea, B. R., Yu, W. Bin, & Min, H. (2018). Data
visualization for assessing the biofuel commercialization potential within the
business intelligence framework. Journal
of Cleaner Production, 188, 921–941. https://doi.org/10.1016/j.jclepro.2018.02.288
Llave, M. R. (2017). Business Intelligence and
Analytics in Small and Medium-sized Enterprises: A Systematic Literature
Review. Procedia Computer Science,
121, 194–205. https://doi.org/10.1016/j.procs.2017.11.027
Lokaadinugroho, I., Girsang, A. S., & Burhanudin,
B. (2021). Tableau Business Intelligence Using the 9 Steps of Kimball’s Data
Warehouse & Extract Transform Loading of the Pentaho Data Integration
Process Approach in Higher Education. Engineering,
MAthematics and Computer Science (EMACS) Journal, 3(1), 1–11. https://doi.org/10.21512/emacsjournal.v3i1.6816
Lopes, J., Guimarães, T., & Santos, M. F. (2020). Adaptive business intelligence: A new architectural
approach. Procedia Computer Science,
177, 540–545. https://doi.org/10.1016/j.procs.2020.10.075
Mansell, I. J., & Ruhode, E. (2019). Inhibitors of
business intelligence use by managers in public institutions in a developing
country: The case of a South African municipality. SA Journal of Information
Management, 21(1), 1–8. https://doi.org/10.4102/sajim.v21i1.1004
Margherita, A., & Heikkilä, M. (2021). Business
Continuity in the COVID-19 Emergency: A Framework of Actions Undertaken by
World-Leading Companies. Business Horizons. https://doi.org/10.1016/j.bushor.2021.02.020
Medina León, A., Nogueira Rivera, D., Hernández-Nariño, A., &
Rodríguez, R. C. (2019). Procedure for
process management: Methods and support tools. Ingeniare, 27(2), 328–342. https://doi.org/10.4067/S0718-33052019000200328
Mehdouani, K., Missaoui, N., & Ghannouchi, S. A.
(2019). An approach for Business Process Improvement Based on Simulation
Technique. Procedia Computer Science, 164,
225–232. https://doi.org/10.1016/j.procs.2019.12.176
Meidan, A., García-García, J. A., Escalona, M. J., & Ramos, I. (2017).
A survey on business processes
management suites. Computer Standards and
Interfaces, 51, 71–86. https://doi.org/10.1016/j.csi.2016.06.003
Morales Lugo, H. A., Figueroa Millán, P. E., Farías Mendoza, N., &
Chávez Valdez, R. E. (2020). Sistema de inteligencia de negocios para soporte
de decisiones en la comercialización de plantas ornamentales. 3C Tecnología. Glosas de innovación aplicadas
a la Pyme, 9(3), 17–45. https://doi.org/10.17993/3ctecno/2020.v9n3e35.17-45
Morales, M. F., & Carrión, R. B. (2020). Bibliomining, data, and the decision making process. Revista Interamericana
de Bibliotecología, 43(2). https://doi.org/10.17533/UDEA.RIB.V43N2EI8
Moreno, V., Cavazotte, F., & de Souza Carvalho, W. (2020). Business intelligence and analytics as a driver of
dynamic and operational capabilities in times of intense macroeconomic
turbulence. Journal of High Technology
Management Research, 31(2), 100389. https://doi.org/10.1016/j.hitech.2020.100389
Muñoyerro-Muñiz, D., Goicoechea-Salazar, J. A., García-León, F. J.,
Laguna-Téllez, A., Larrocha-Mata, D., & Cardero-Rivas, M. (2020). Health record linkage: Andalusian health population
database. Gaceta Sanitaria, 34(2),
105–113. https://doi.org/10.1016/j.gaceta.2019.03.003
Niño, H. A. C., Niño, J. P. C., & Ortega, R. M. (2020). Business intelligence governance framework in a
university: Universidad de la costa case study. International Journal of Information Management, 50(October 2018),
405–412. https://doi.org/10.1016/j.ijinfomgt.2018.11.012
Pappas, I. O., Mikalef, P., Giannakos, M. N., Krogstie,
J., & Lekakos, G. (2018). Big data and business analytics ecosystems:
paving the way towards digital transformation and sustainable societies. In
Information Systems and e-Business Management (Vol. 16, Issue 3, pp. 479–491). Springer Verlag. https://doi.org/10.1007/s10257-018-0377-z
Polyvyanyy, A., Ouyang, C., Barros, A., & van der
Aalst, W. M. P. (2017a). Process querying: Enabling business intelligence
through query-based process analytics. Decision
Support Systems, 100, 41–56. https://doi.org/10.1016/j.dss.2017.04.011
Popovič, A., Puklavec, B., & Oliveira, T. (2019). Justifying business intelligence systems adoption in
SMEs: Impact of systems use on firm performance. Industrial Management and Data Systems, 119(1), 210–228. https://doi.org/10.1108/IMDS-02-2018-0085
Porto, R. T., & Sili, M. E. (2020). Decision making
and productive management in the agricultural sector of the Northeast of La
Pampa (Argentina). Revista de Economia e Sociologia Rural, 58(2). https://doi.org/10.1590/1806-9479.2020.198357
Radenković, M., Lukić, J., Despotović-Zrakić, M., Labus, A., &
Bogdanović, Z. (2018). Harnessing
business intelligence in smart grids: A case of the electricity market. Computers in Industry, 96, 40–53. https://doi.org/10.1016/j.compind.2018.01.006
Rikhardsson, P., & Yigitbasioglu, O. (2018).
Business intelligence & analytics in management accounting research: Status
and future focus. International Journal
of Accounting Information Systems, 29(April), 37–58. https://doi.org/10.1016/j.accinf.2018.03.001
Sigler, R., Morrison, J., & Moriarity, A. K.
(2020). The Importance of Data Analytics and Business Intelligence for
Radiologists. Journal of the American
College of Radiology, 17(4), 511–514. https://doi.org/10.1016/j.jacr.2019.12.022
Souibgui, M., Atigui, F., Zammali, S., Cherfi, S., & Yahia, S. Ben. (2019). Data quality in ETL process: A preliminary
study. Procedia Computer Science,
159, 676–687. https://doi.org/10.1016/j.procs.2019.09.223
Torres, R., Sidorova, A., & Jones, M. C. (2018). Enabling firm performance through business intelligence
and analytics: A dynamic capabilities perspective. Information and Management, 55(7), 822–839. https://doi.org/10.1016/j.im.2018.03.010
Trieu, V. H. (2017). Getting value from Business
Intelligence systems: A review and research agenda. Decision Support Systems, 93, 111–124. https://doi.org/10.1016/j.dss.2016.09.019
Václav, C., Gabriel, F., Blanka, K., Libor, K., &
Michal, T. (2021). Utilization of Business Intelligence Tools in Cargo Control.
Transportation Research Procedia, 53,
212–223. https://doi.org/10.1016/j.trpro.2021.02.028
Vajirakachorn, T., & Chongwatpol, J. (2017).
Application of business intelligence in the tourism industry: A case study of a
local food festival in Thailand. Tourism
Management Perspectives, 23, 75–86. https://doi.org/10.1016/j.tmp.2017.05.003
Vallurupalli, V., & Bose, I. (2018). Business
intelligence for performance measurement: A case based analysis. Decision Support
Systems, 111, 72–85. https://doi.org/10.1016/j.dss.2018.05.002
Vanegas, D. A., Tarazona Bermudez, G. M., & Rodriguez Rojas, L. A.
(2020). Mejora de la toma de decisiones en ciclo de ventas del subsistema
comercial de servicios en una empresa de IT. Revista Científica, 38(2), 174–183. https://doi.org/10.14483/23448350.15241
Verma, A., Yurov, K. M., Lane, P. L., & Yurova, Y. V. (2019). An investigation of skill requirements for business and
data analytics positions: A content analysis of job advertisements. Journal of Education for Business,
94(4), 243–250. https://doi.org/10.1080/08832323.2018.1520685
Zheng, W., Wu, Y. C. J., & Chen, L. (2018).
Business intelligence for patient-centeredness: A systematic review. Telematics and Informatics, 35(4),
665–676. https://doi.org/10.1016/j.tele.2017.06.015
Conflicto de intereses.
No existe ningún conflicto de intereses para la publicación
del presente artículo.
Contribuciones de los autores
Barón
Ramírez, Edith, investigadora y redactora de la presente investigación; García
Estrella, Cristian Werner, investigador, facilitador y redactor de la presente
investigación. Sánchez Gárate, Silvia Karol, investigadora y redactora de la
presente investigación.