El Análisis y Manejo de Datos para la Toma de

Decisiones (AMDPTD): beneficios, retos y

oportunidades en el mundo actual. Dr. Marco
Serrato (2015)
Tal y como lo describió Mintzberg desde 1987, una estrategia se puede
definir como un plan de acción que requiere la toma de decisiones, basado
en el uso eficiente de los recursos disponibles. En este sentido, existen
diversas preguntas fundamentales que toda organización debe responder:
¿quiénes son los clientes a los que nos debemos dirigir?, ¿qué productos y
servicios debemos incluir en nuestro portafolio?, ¿qué posición única nos
conviene tomar dentro del mercado?, ¿qué procesos nos ayudan a
diferenciarnos de nuestra competencia? Sin un contexto estratégico, una
organización no puede decidir en qué datos, información y análisis enfocarse,
ni cómo manejar o sacar provecho de los mismos. Por esta razón, el valorar la
toma de decisiones basada en datos es crítica para el éxito de las
organizaciones en el mundo actual.
En una organización, los participantes en el AMDPTD pueden realizar tres
tareas fundamentales: producir datos e información, consumirlos o habilitar
la creación de los mismos (Chandles, Hostmann, Rayner & Herschel, 2011). El
marco presentado se enfoca en tareas en lugar de roles que la gente puede
representar. Mientras producir se refiere a tareas realizadas por analistas
que definen y ejecutan el análisis, consumir indica la utilización del análisis
para la toma de decisiones. Habilitar incluye todas las tareas de tecnología de
información tradicionales que se requieren para realizar el análisis y la toma
de decisiones.
Diversas tecnologías son necesarias para apoyar tres tipos de capacidades
fundamentales en el AMDPTD: decisión, análisis e información. Las
capacidades de decisión se refieren a herramientas que apoyan la entrega de
información utilizada para la toma de decisiones, como reportes y tableros
de control. Estas herramientas no son solo una representación virtual de los
conocimientos sino también la colaboración necesaria para la toma de
decisiones. Las capacidades de análisis se refieren al portafolio de
metodologías y herramientas de análisis, e incluyen herramientas que
apoyan las consultas adecuadas tradicionales: estadística inferencial, análisis
predictivo, simulación y optimización, apoyando el análisis descriptivo,
diagnóstico, predictivo y prescriptivo. Finalmente, las capacidades de
información se refieren a las tecnologías que ayudan a describir, organizar,
integrar y compartir activos de información.

AMDPTD: ¿Por qué ahora?

Aunque se considera que el análisis de grandes datos indica un parteaguas de
cambio e innovación, en realidad este fenómeno se ha estado desarrollando
en las últimas décadas. Sus aplicaciones en diferentes áreas como finanzas,
cadena de suministro, y mercadotecnia donde se trabajan grandes
cantidades de datos han estado en uso por muchos años utilizando técnicas
estadísticas y algoritmos desde mediados del siglo XX. Lo que lo hace
diferente hoy en día es la gran cantidad de oportunidades y lo practico que es
explotarlas gracias a la gran rapidez de las computadoras en procesar
grandes cantidades de datos con cada vez menos tiempo y poder y la
reducción del costo de los aparatos de almacenaje masivo; la extensiva red
para la transmisión de datos en internet; y la disponibilidad de software
poderoso, económico y amigable con el usuario para el análisis. Estos
facilitadores de la revolución analítica han creado nuevas capacidades e
inclusive generado nuevas empresas.
El surgimiento de negocios de análisis como un tema en las reuniones de la
agenda de C-suite ha resultado gracias a la convergencia de varias
tendencias. En primer lugar se encuentra la gran disponibilidad de grandes
cantidades de datos (Manyika et al., 2011). En el congreso “Techonomy
Conferece” en Lake Tahoe en el 2010, el CEO Eric Schmitt dio esta famosa
perspectiva de los datos: “Desde la creación de la civilización hasta el 2003 se
crearon 5 exabytes de información, pero actualmente esa cantidad de
información es creada cada dos días y el paso está aumentando.”
(Kirkpatrick, 2010). Además existe un creciente entendimiento de que los
datos son un recurso valioso (Levitin & Redman, 1998) y que debe ser
manejado como un aliado. (Laney, 2011).
En segundo lugar el crecimiento de la gestión del rendimiento empresarial en
las últimas cinco décadas ha ayudado a crear una conexión más sólida entre
la estrategia de negocios y los datos. La medición del rendimiento de los
negocios ha sido una parte integral del manejo de una empresa (Bamard,
1962). En los 50’s, General Electric –con su proyecto de medición- fue el
primero en usar figuras financieras para planear en lugar de controlar (Neely,
1999). Los 90´s trajeron un reconocimiento creciente sobre usar un conjunto
más amplio de indicadores en lugar de solo usar medidas financieras (Eccles,
1991).
Tradicionalmente las medidas financieras eran vistas a corto plazo, sin
enfoque estratégico y que alentaban la optimización local. Con el énfasis en
las cuatro perspectivas --financiera, de los clientes, proceso interno,
aprendizaje y crecimiento—Kaplan and Norton (1992) sugirieron que su
cuadro de mando integral presentaba un enfoque de gestión del rendimiento
empresarial que traducía estrategias de alto nivel a un concreto conjunto de
datos. Así, las medidas también pueden fomentar la implementación de
estrategia. (Neely, Mills, Platts, Gregory, & Richards, 1994). El área del
manejo de rendimiento de negocios ha sido examinada en casi todas las
disciplinas de la gestión incluyendo, contabilidad, (Bromwich & Bhimani,
1989), estrategia de negocios (Chakravarthy, 1986) manejo de operaciones
(Neely, Gregory & Platts, 1995) mercadotecnia (Fomell, 1992) y
comportamiento organizacional (Meyer & Gupta 1994).
Como resultado de una gran corriente de previa investigación, las
organizaciones ahora pueden tomar una mejor decisión acerca de cuál de las
medidas de rendimiento adoptar y monitorear. Además de cómo manejar el
rendimiento total del sistema de gestión y de habilitar el aprendizaje sobre el
tiempo facilitado por la memoria organizacional.
En tercer lugar, la comprensión de que las decisiones basadas en hechos son
más necesarias en cada nivel de la organización ha resultado en el
surgimiento de análisis personal e inteligencia en los negocios (Imhoff, &
White, 2011) El acceso a grandes bases de datos y el uso de herramientas
amigables ha contribuido a la revolución del análisis que está sucediendo
actualmente.
En cuarto lugar, las técnicas avanzadas de análisis han sido incorporadas en
sistemas a nivel empresarial, convirtiendo incluso a los algoritmos más
sofisticados, algoritmos posibles de analizar. Por supuesto que otro de los
principales impulsores del fenómeno de los análisis de negocios ha sido el
gran decreciente costo por nivel de desempeño de tres informaciones claves
de tecnología: potencia de la informática, almacenaje de datos y la banda
ancha. La ley de Moore continúa operando en el poder de la informática
primaria con un costo de $222 por millón de transistores en 1992 a $0.06 por
millón de transistores en el 2012. El almacenaje de datos ha seguido un curso
similar decreciendo de $569 por gigabyte de almacenaje en 1992 a $0.03 por
gigabyte en 2012. El precio de las transmisiones también ha bajado, de
$1,245 por 1,000 megabits por segundo (MBPS) en 1999 a $23 por 1,000
Mbps en 2012 (Hagel, Brown, Samoylova, & Lui, 2013).

AMDPTD: ¿Qué sigue?

La aplicación del análisis a los problemas en los negocios es una etapa
prematura del desarrollo de difusión. Las oportunidades del uso de la
información como aliados activos para mejorar los ingresos, reducir los
costos, y el manejo de riesgos abundan y estas aplicaciones seguirán
creciendo. Por ejemplo, desde hace tiempo se ha reconocido que el cross-
selling y el up-selling a clientes actuales es más rentable que encontrar a
nuevos clientes. Instituciones financieras, están usando cada vez más data
mining para descubrir las tendencias y comportamientos de sus clientes, con
el propósito de entender mejor las necesidades futuras. Por lo tanto los
modelos predictores de análisis están siendo desarrollados para ajustarse a
las recomendaciones correctas con los segmentos de clientes correctos. Una
gran área para el análisis se encuentra en la reducción de costos. En algunos
casos, el camino a menores costos involucra intercambios entre fuerzas
opuestas. Por ejemplo la obtención de operaciones en corporaciones
normalmente lleva al pago temprano a los proveedores para obtener ventaja
en los descuentos. Al mismo tiempo, los administradores financieros trataran
de retener el mayor tiempo posible. Se puede encontrar un balance optimo
entre la optimización del análisis junto con medidas cuidadosas.
Empezando con las aplicaciones más antiguas en los 50’s, el análisis ha
jugado un papel importante en la detección y protección de fraude.
Actividades financieras fraudulentas son difíciles de detectar cuando tienen
capas o diferentes formas y diferentes bases de datos. Sin embargo, un
análisis forense más sofisticado está siendo desarrollado para descubrir
irregularidades en transacciones financieras, automatizando lo que aún es
una labor intensiva y comúnmente un proceso de suerte.
Extrapolando de tendencias actuales, los siguientes desarrollos en el análisis
de los negocios –que pueden ser llamados de una forma diferente en el
futuro- incluirán aplicaciones adicionales usando datos sin estructura de
videos, imágenes, y sonido; esto comprende una vasta mayoría de la
información guardada digitalmente. El análisis muy probablemente se
moverá a la nube ya que la actual preocupación de seguridad privacidad se
haya superado.
Plataformas móviles para el consumo del análisis están empezando a ser
usadas, y esta tendencia continuara indudablemente. El análisis ha sido
aplicado más allá de las áreas tradicionales de finanzas y mercadotecnia, a
todas las áreas que funcionan virtualmente en los negocios. Por ejemplo, una
tendencia emergente es el uso del análisis en los recursos humanos para
trata con problemas emergentes, beneficios de optimización y manejo, plan
de sucesión, e incluso entrenamiento.

Referencias:
Acito, F., & Khatri, V. (2014). Business analytics: Why now and what next?
Business Horizons, 57(5), 565-570.
Gantz, J., & Reinsel, D. (2011, June). Extracting value from chaos. Retrieved
from http://www.emc.com/collateral/ analyst-reports/idc-extracting-value-
from-chaos-ar.pdf
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., et al.
(2011). Big data: The next frontier for innovation, competition, and
productivity. Available at
http://www.mckinsey.com/insights/business_technology/
big_data_the_next_frontier_for_innovation
Davenport, T. H., & Patil, D. J. (2012). Data scientist: The sexiest jobofthe 21st
century.HarvardBusiness Review, 90(10), 70—76.
Mintzberg, H. (1987). The strategy concept I: Five Ps for strategy. California
Management Review, 30(1), 11—24
Davenport, T. H., Harris, J. G., DeLong, F. W., & Jacobson, A. L. (2001). Data to
knowledge to results: Building an analytic capability. California Management
Review, 43(2), 117—138.
Weill, P., & Ross, J. W. (2004). IT governance: How top performers manage IT
decision rights for superior results. Boston: Harvard Business School Press
Neely, A. (1999). The performance measurement revolution: Why now and
what next? International Journal of Operations and Production Management,
19(2), 205—228.
Drucker, P. F. (1990). The emerging theory of manufacturing. Harvard
Business Review, 68(3), 94—102.
Chandler, N., Hostmann, B., Rayner, N., & Herschel, G. (2011, September 20).
Gartner’s business analytics framework. Retrieved from
http://www.gartner.com/imagesrv/ summits/docs/na/business-
intelligence/gartners_business_ analytics__219420.pdf
Eccles, R. G., Jr. (1991). The performance measurement manifesto. Harvard
Business Review, 69(1), 131—137.
Kirkpatrick, M. (2010, August 4). Google CEO Schmidt: ‘‘People aren’t ready
for the technology revolution.’’ Retrieved from
http://readwrite.com/2010/08/04/google_ceo_schmidt_
people_arent_ready_for_the_tech#awesm=oCVcaSZEJssOa4
Levitin, A. V., & Redman, T. C. (1998). Data as resource: Properties,
implications, and prescriptions. Sloan Management Review, 40(1), 89—102.
Barnard, C. I. (1962). The functions of the executive. Cambridge, MA: Harvard
University Press.
Kaplan, R. S., & Norton, D. P. (1992). The balanced scorecard–— measures
that drive performance. Harvard Business Review, 70(1), 71—79.
Neely, A. D., Mills, J., Platts, K., Gregory, M., & Richards, H. (1994). Realising
strategy through measurement. International Journal of Operations and
Production Management, 14(3), 140—152.
Bromwich, M., & Bhimani, A. (Eds.). (1989). Management accounting:
Evolution not revolution. London: Chartered Institute of Management
Accountants.
Chakravarthy, B. S. (1986). Measuring strategic performance. Strategic
Management Journal, 7(5), 437—458.
Neely, A. D., Gregory, M., & Platts, K. (1995). Performance measurement
system design: A literature review and research agenda. International Journal
of Operations and Production Management, 15(4), 80—116.
Fornell, C. (1992). A national customer satisfaction barometer: The Swedish
experience. Journal of Marketing, 56(1), 6—21.
Meyer, M. W., & Gupta, V. (1994). The performance paradox. In B. M. Staw &
L. L. Cummings (Eds.), Research in organizational behavior (pp. 309—369).
Greenwich, CT: JAI Press.
Imhoff, C., & White, C. (2011, September 20). Self-service business
intelligence: Empowering users to generate insights.
Hagel, J., Brown, J. S., Samoylova, T., & Lui, M. (2013). From exponential
technologies to exponential innovation. Westlake, TX: Deloitte University
Press.