Business Analytics (Modulo 1)

Analtica de
negocio
Jordi Girons Roig
PID_00197283
CC-BY-NC-ND PID_00197283 Analtica de negocio
Los textos e imgenes publicados en esta obra estn sujetos excepto que se indique lo contrario a una licencia de
Reconocimiento-NoComercial-SinObraDerivada (BY-NC-ND) v.3.0 Espaa de Creative Commons. Podis copiarlos, distribuirlos
y transmitirlos pblicamente siempre que citis el autor y la fuente (FUOC. Fundacin para la Universitat Oberta de Catalunya),
no hagis de ellos un uso comercial y ni obra derivada. La licencia completa se puede consultar en http://creativecommons.org/
licenses/by-nc-nd/3.0/es/legalcode.es
CC-BY-NC-ND PID_00197283 Analtica de negocio
ndice
Introduccin............................................................................................... 5
1. Business analytics (aspectos generales)........................................ 7

1.1. Encaje en la historia ................................................................... 7
1.2. Business analytics, definicin ....................................................... 8
1.3. Niveles de madurez analtica en las organizaciones ................... 11
1.4. Actividades propias del BA ......................................................... 13
2. Dominios de aplicacin de business analytics............................ 16

2.1. Text mining.................................................................................... 17
2.1.1. Actividades de preprocesado del texto .......................... 17
2.1.2. Cmo dotar de estructura a un juego de datos no
estructurados? ................................................................ 18
2.2. Opinion mining o sentiment analysis.............................................. 23
2.3. Social network analysis................................................................... 27
2.4. Reputation management................................................................. 30
Resumen....................................................................................................... 33
Bibliografa................................................................................................. 35
CC-BY-NC-ND PID_00197283 5 Analtica de negocio
Introduccin
Inicialmente se respondern preguntas bsicas, como qu es, para qu sirve o

dnde podemos encontrar business analytics.
Todos los grandes fabricantes de software ofrecen soluciones analticas porque

las organizaciones, cada vez ms, son conscientes de que en los datos pueden
estar escondidas ventajas competitivas no despreciables en un entorno econ-
mico cada vez ms exigente.
El estudiante comprender la importancia de desarrollar habilidades analticas

en las organizaciones de hoy en da, igualmente, dispondr de herramientas
para distinguir las organizaciones en funcin de su grado de madurez respecto
al anlisis y conocer los aspectos clave que permitirn evolucionar a lo largo
de la pirmide analtica.
Como segundo objetivo del presente material didctico est el de conocer las
capacidades de business analytics en campos de conocimiento, como la minera
de textos, la minera de opiniones, la gestin del prestigio y el anlisis de redes
sociales.
A lo largo del documento veris que se utilizan muchas palabras en ingls, se

trata de conceptos clave sobre los que hay mucha literatura en la web y sobre
los que merece la pena investigar ms, en su idioma original de publicacin.
Con esta intencin se ha mantenido el trmino anglfono.
1. Business analytics (aspectos generales)
1.1. Encaje en la historia
Aristteles pensaba que la realidad o esencia de las cosas solo poda ser perci-
bida por lo que el ojo poda ver, la mano tocar, etc. El estudio detallado de lo
tangible era el camino para llegar a la verdad y bajo esta premisa pareca facti-
ble poder descomponer sistemas complejos en partes ms pequeas, estudiar-
las, comprenderlas, unirlas todas de nuevo y as entender finalmente el todo.
Platn, maestro de Aristteles, tena una visin de la realidad totalmente

opuesta. Platn defenda que la comprensin de la realidad resida en el mun-
do de las ideas, ms all de lo tangible, y que en cualquier caso el todo era
mucho ms que la suma de las partes.
Aparicindelaestadsticamoderna
La historia del conocimiento ha estado desde entonces basculando entre estas

dos visiones de la realidad. En la dcada de los ochenta se dieron cuenta de
que la visin aristotlica era demasiado restrictiva para poder estudiar relacio-
nes no lineales en grandes juegos de datos, aun as se siguieron desarrollando
versiones no lineales de mtodos parametrizables, como es el caso de la regre-
sin logstica, y aparecieron los primeros algoritmos inspirados en las redes
neuronales.
Sin embargo se iniciaba ya el camino a la tercera generacin de algoritmos.
Relaciones lineales y no lineales entre atributos
Antes, un pequeo inciso para aclarar el concepto de relaciones lineales y no lineales

entre atributos. Intuitivamente podemos entender una relacin lineal entre dos atributos
como aquella que es posible representarla grficamente mediante una recta. Sera el caso
de la relacin, por ejemplo, entre la dosis de medicamento que deberemos suministrar
a un nio y su peso corporal.
Por el contrario, una relacin no lineal, quedara grficamente representada mediante

figuras no rectas, es decir, parbolas, ondas y formas curvas en general. Siguiendo con el
ejemplo del medicamento, este puede ser beneficioso tomado en una dosis determinada
y por un espacio de tiempo concreto, fuera de estos lmites la relacin dosis-beneficio
deja de ser lineal.
Aparicindelainteligenciaartificialydelaprendizajeautomtico
La creciente necesidad por parte de las organizaciones de obtener conocimien-

to a partir de los datos obtenidos empuj al estudio de grandes juegos de da-
tos relacionados de forma no lineal y con distribuciones desconocidas. Una
tercera va, la inteligencia artificial vista como mezcla de la aproximacin de

Aristteles y de Platn, aport dos nuevas generaciones de algoritmos, las re-
des neuronales y los rboles de decisin.
1.2. Business analytics, definicin
Antes de entrar a ver las inevitables definiciones, una buena forma de aproxi-
marse al concepto BA es entender de qu cuestiones se ocupa.
Figura 1. Business analytics
Fuente: Analytics at work, smarter decisions, better results
En la figura vemos plasmadas seis de las preguntas que intenta afrontar BA,
organizadas en dos niveles: informacin y conocimiento.
La celda (informacin-pasado) corresponde al mbito tradicional de los infor-

mes explicativos a los que aadindoles las reglas adecuadas nos pueden dar
alertas en el presente y finalmente, con normas bsicas de extrapolacin pue-
den orientarnos en el futuro.
El segundo nivel requiere de herramientas ms avanzadas, como la estadstica,

para profundizar en los datos y obtener mejor conocimiento sobre el cmo y
el porqu del pasado. Este conocimiento en el presente toma forma de reco-
mendaciones y en el futuro, y con la ayuda de tcnicas propias de la inteligen-
cia artificial y la estadstica avanzada, se traduce en capacidad de prediccin,
optimizacin y simulacin.
Ahora s, hagamos una aproximacin a diferentes definiciones.
Entendemos por business analytics el uso intensivo de datos, de la estadstica y del an-
lisis cuantitativo, de los modelos predictivos y explicativos, y de la toma de decisiones
basadas en hechos y evidencias. BA puede ser un input para la toma de decisiones por
parte de personas o bien puede ser motor para la toma de decisiones automatizada.
Thomas H. Davenport, Competing on Analytics

En este caso tenemos una definicin de BA a partir de las actividades que le

son propias y adems ubica perfectamente BA dentro del paraguas business
intelligence como aquella parte del BI centrada en:
El anlisis explicativo, respondiendo a preguntas tipo: por qu se da cier-

to resultado? (estadstica).
El descubrimiento de patrones y relaciones en los datos (data mining).
El anlisis predictivo (data mining).
La optimizacin, respondiendo a preguntas tipo cmo mejorar? C-

mo incrementar.? (data mining).
La visualizacin de datos con funcionalidades de diseo y agregacin

avanzadas.
Business analytics es la constante e iterativa exploracin y estudio del rendimiento pa-

sado del negocio, con el objetivo de ganar conocimiento til para la consecucin de los
objetivos estratgicos de la organizacin.
Michael Beller; Alan Barnett; Lightship Partners (2009). Next Generation business analy-
tics. Technology Trends.
El propio autor explica y desarrolla su definicin del siguiente modo:
Es constante porque forma parte de una rutina peridica en lugar de ser

una tarea espordica y puntual.
Es iterativa porque las respuestas generan nuevas preguntas y nuevas res-

puestas y nuevas preguntas,
Hablamos de exploracin porque se trata de buscar algo desconocido, nue-

vos patrones, nuevos descubrimientos y nuevas mtricas.
Se refiere al estudio porque BA se trata de investigar excepciones y anoma-

las y de plantear nuevas hiptesis.
El rendimiento pasado del negocio es la materia prima para ganar conoci-

miento y comprensin del ecosistema, entendido como entorno organi-
zativo complejo que funciona como una unidad.
Y finalmente, los objetivos estratgicos deben centrar permanentemente

nuestra atencin para con la planificacin y el desarrollo y mejora del
negocio.
Si releemos las dos definiciones anteriores, veremos que se empiezan a entrever

aspectos clave del business analytics, que estudiaremos con ms profundidad
en los prximos captulos. Veamos cules son:
Calidadtotal
Observemos que esta definicin empieza con dos adjetivos constante e iterativa;
de hecho BA se mueve en un ciclo cerrado de extraccin, depuracin, estudio,
anlisis de los datos y verificacin.
Losobjetivosdebensermediblesyestaralineados
Otro aspecto clave es la alineacin de las actividades BA al servicio de los ob-

jetivos estratgicos de la organizacin. La definicin clara de los objetivos que
se persiguen es clave y nos debe facilitar en el futuro medir el grado de cum-
plimiento de los mismos, as como corregir peridicamente el rumbo hasta
llegar al objetivo deseado.
Los objetivos del proyecto BA deben estar alineados con los objetivos de la
organizacin y todos ellos deben ser medibles y cuantificables, de lo contrario,
no ser posible determinar el grado de cumplimiento de los mismos.
Visincomplejadeltodo
El estudio del rendimiento pasado enlaza con una visin de la realidad que se
intenta explicar en forma de ecosistema complejo que requiere ser observado
en su totalidad.
Las empresas orientadas a la toma de decisiones en funcin de evidencias da-

ta-driven decision-making obtendrn ventajas competitivas. Por supuesto, las
organizaciones no deben tomar todas sus decisiones estratgicas basndose
solo en datos, pero cada vez va a ser ms interesante contar con datos fiables
antes de tomar decisiones.
El modelo DELTA descrito en el libro Analytics at Work utiliza esta palabra para
fortalecer los aspectos clave del BA: data management, enterprise-wide visin. Li-
derazgo a varios niveles para llevar a cabo iniciativas en torno a BA, y estable-
cimiento de objetivos (targets) concretos del BA y finalmente, contar con bue-
nos analistas en la organizacin es crucial para el xito de una estrategia BA.
Como el mundo analtico no es perfecto, nos es ms cmodo basar nuestras

decisiones en intuiciones, prejuicios, modas o consejos. Este material docente
tratar de mostrar que no en vano se han invertido aos de ciencia en probar
que datos, evidencias y anlisis son excelentes herramientas de ayuda en la
toma de decisiones.
Si le preguntramos a un piloto de avin cmo de importante es la inform-

tica en su trabajo, nos dira que tecnologas como el piloto automtico o el
aterrizaje asistido son imprescindibles, sin embargo, probablemente aadira
que de vez en cuando sigue siendo til echar un vistazo por la ventana. En
el mundo de las organizaciones, sin duda, es aconsejable tomar decisiones ba-
sndose en evidencias y en datos, pero no es menos cierto que el vistazo por
la ventana seguir siendo necesario. Es aconsejable evitar los dogmatismos.
1.3. Niveles de madurez analtica en las organizaciones
Thomas H. Davenport clasifica las organizaciones en funcin de su grado de

orientacin estratgica al business analytics, asimismo, identifica cinco factores
crticos a la hora de llevar a la prctica las actividades analticas en nuestras
organizaciones y sern precisamente estos factores crticos los que nos permi-
tirn transitar de un nivel de la pirmide analtica al siguiente.
Figura 2. Tipos de organizacin BA
Fuente: Analytics at work, smarter decisions, better results
Noconsideranelanlisis
Se trata de organizaciones insensibles al BA, las razones pueden ser varias: no

gestionan datos estructurados, no disponen de personal cualificado para el
anlisis o simplemente no hay inters por parte de la direccin.
Actividadesdeanlisisaisladas
Hay actividad analtica en la organizacin, pero estas carecen de coordinacin

entre s y tampoco estn alineadas con las necesidades estratgicas de la mis-
ma.
Aspiranteanaltico
En este caso la organizacin tiene la visin estratgica de potenciar el BA, ha

iniciado el camino tomando varias iniciativas, pero encuentra escollos al desa-
rrollar plenamente alguno de los factores delta crticos.
Organizacinanaltica
La organizacin dispone de personal cualificado, de herramientas adecuadas,

despliega actividades analticas con regularidad y consigue que estas mejoren
el rendimiento de la organizacin, sin embargo BA sigue sin estar en los ci-
mientos de sus visiones estratgicas.
Competidoranaltico
La organizacin utiliza BA de forma regular como una capacidad estratgica de

la misma. Esta se desarrolla con una visin integral dentro de la estructura or-
ganizativa, adems, la direccin se encuentra comprometida e involucrada en
esta dinmica y finalmente los resultados obtenidos son claramente notorios.
Para mayor ilustracin, empresas que pueden estar en este nivel podran ser
Amazon, Tesco, Google, Netflix, FedEx, CEMEX, John Deere, Barclays Bank y
O2.
Factoresdelta,factorescrticos
Delta fue la palabra que la cultura griega cedi a la comunidad cientfica para
cuantificar el cambio o el incremento y nos servir como acrnimo para iden-
tificar los cinco factores crticos a tener en cuenta en BA.
DataEnterpriseLeadershipTargetsAnalysts
Los datos deben ser accesibles, precisos y con unos niveles de calidad. Se trata
de una premisa inicial e irrenunciable, sin datos no hay anlisis posible.
Muchas organizaciones tienden a estructurarse departamentalmente y estos a

su vez tienden a tener una visin sesgada y fracturada de todo el conjunto.
La e de enterprise se enmarca en un mbito integral que va ms all de dispo-

ner de datos de calidad, analistas capacitados o plataformas tecnolgicamente
punteras. Esta e debe superar los miedos y egosmos del pequeo grupo para
llevarnos a una visin nica y holstica de toda la organizacin. Analistas y
directivos deben ser capaces de mirar en todas las direcciones, lneas de pro-
ductos, unidades de negocio, reas geogrficas, departamentos, etc. con el ob-
jetivo nico de potenciar los factores de xito de la organizacin, previamente
identificados
El leader tiene una gran influencia en la organizacin y es capaz de movilizar

gente, tiempo y dinero para lograr una organizacin orientada a la toma de
decisiones en funcin de datos (analytical decision making). La afirmacin an-
terior se refiere claramente al CEO (chief executive officer), sin embargo hay que
hacer hincapi en que la tendencia debera ser que esta cultura analtica se ex-
tendiera al resto de lderes de la organizacin y por supuesto, a cada miembro

individual de la misma. Todos en mayor o menor grado trabajamos y aporta-
mos para la consecucin de objetivos corporativos.
Con la t de targets llegamos a los objetivos. Los recursos son limitados y tener
objetivos concretos es el primer paso para:
aprovechar adecuadamente los recursos disponibles;
focalizar esfuerzos y facilitar la obtencin de conocimiento frente a infor-

macin;
lograr que nuestro esfuerzo repercuta directamente en beneficio de la or-

ganizacin;
en entornos cambiantes, conseguir que la organizacin sepa adaptarse.

En este sentido, los objetivos deben reformularse o al menos replantearse
peridicamente para asegurar que son los adecuados.
Finalmente, tenemos la a de analista, que se refiere tanto a la persona como

a sus capacidades, as como al gerente capaz de valorar habilidades analticas
en sus subordinados. Tener talento en casa es decisivo para asegurar la conse-
cucin de objetivos analticos. Este talento se puede incorporar de fuera, con-
tratando personal cualificado, se puede construir desde dentro, formando al
personal existente, o se pueden hacer ambas cosas.
Una vez constituido el grupo de analistas, se debern cuidar aspectos como

el crecimiento del grupo para hacerlo cuanto ms eficiente mejor. Fomentar
la cultura de compartir conocimiento, fomentar la cultura de la rotacin en
las distintas posiciones, cuidar el coaching, evaluar en positivo el rendimiento
de los analistas, proporcionar formacin avanzada, integrar ms si cabe los
equipos de desarrollo de proyectos BA y el de gobierno de servicios BA en la
propia organizacin.
En definitiva, el factor humano forma parte de los valores crticos en una or-
ganizacin que aspira a subir escalones en la pirmide analtica.
1.4. Actividades propias del BA
La siguiente figura nos muestra cmo las tareas de anlisis de datos pueden
tener ms o menos contenido analtico y ms o menos ventaja competitiva.
Los informes, por ejemplo, pueden considerarse herramientas analticas, sin

embargo, al tratarse hoy en da una funcionalidad tan bsica, no suponen
prcticamente ventaja alguna respecto de nuestros competidores.
En el otro extremo tenemos actividades de optimizacin, prediccin y extra-

polacin, basadas en algoritmos ms o menos complejos que requieren de un
esfuerzo analtico importante y que por supuesto tambin aportan ms, al ser
capaces de dar respuesta a preguntas mucho ms exigentes.
Figura 3. Actividades propias del BA
Fuente: Competing on Analytics, The new Science of Winning
Una ltima forma de aproximarse a la comprensin de lo que es BA es me-

diante la descripcin de algunas de las actividades que le son propias.
Informes. Se trata de aquellas actividades de exploracin de datos que

nos permiten interactuar con estos mediante grficos, estadsticas bsicas
y vistas.
Modeladodescriptivo. Se refiere a un uso ms intensivo de la estadstica

en busca de:
Distribuciones generales de probabilidad (density estimations).
Descripcin de las relaciones entre las variables (dependency modeling).
Particionado de los datos mediante tcnicas de asignado a un nmero

determinado de nodos (clustering) o mediante tcnicas de bsqueda de
grupos homogneos (segmentation).
Modelado predictivo. Se trata de modelos que persiguen predecir una

variable a partir de valores de otras variables. La clasificacin se usa para
variables categricas y la regresin para variables continuas.
Descubrimientodepatronesyreglas. Se trata de la bsqueda de asocia-

ciones, es decir, combinaciones de entradas que se dan con cierta frecuen-
cia. Este es el caso de productos sustitutivos y de productos que se consu-
men conjuntamente.
Clasificacinyrecuperacindecontenidos. Son actividades orientadas

a extraer contenido de documentos de texto, artculos, libros, contenidos
web, con el objetivo de evaluarlos y clasificarlos.
2. Dominios de aplicacin de business analytics
Los mbitos de competencia de business analytics se extienden a cualquier sec-

tor organizativo y dentro de este, a cualquier departamento o rea funcional.
En este apartado queremos centrarnos en lo que puede aportar la minera de
datos y business analytics ante el problema de la recuperacin de contenidos.
La necesidad de interpretar por medio de automatismos el lenguaje escrito ha

hecho que aparezcan nuevas disciplinas de estudio. Aunque muy relacionadas,
cada una trata de dar respuesta a un paradigma especfico y para ello se nutren
de tcnicas propias de data mining y de analytics.
Figura 4. Dominios de aplicacin de BA
En los siguientes apartados se describirn los distintos paradigmas que han

motivado la aparicin de las especializaciones de la minera de datos en el
campo de la gestin de contenidos.
Asimismo, se abordar extensamente el proceso de abstraccin del problema

sin llegar a entrar en el detalle de los algoritmos, que se tratarn en un captulo
aparte, por la complejidad que conllevan y por lo que tiene de comn con
todas las especialidades DM.
Asimismo, para cada seccin se abordar el tema del preprocesado de datos,

que en muchos casos consistir en reescribirlas en un formato fcilmente
procesable por parte de los algoritmos.
2.1. Text mining
El trabajo del data mining se hace sobre juegos de datos estructurados, bien
numricos o categricos, pero en cualquier caso, estructurados por atributos
y valores. Un documento de texto podemos verlo como un juego de datos no
estructurado y es aqu donde aparecen actividades especficas para text mining.
A continuacin estudiaremos las actividades de preprocesado del texto y el

paso de juego de datos no estructurado a juego de datos estructurado, centrn-
donos en el caso particular de una opinin. Tambin estudiaremos la casus-
tica de las redes sociales, donde los algoritmos nos ayudarn a entender las
relaciones entre los diferentes actores mediante los conceptos de prestigio y
centralidad.
2.1.1. Actividades de preprocesado del texto
Antes de afrontar el problema de recuperacin y valoracin de la informacin,

deben llevarse a cabo tareas previas para eliminar ruido en el texto, enten-
diendo por ruido aquello que es superfluo, prescindible (no aporta informa-
cin nueva) y engaoso (se aleja de lo real).
Las categoras gramaticales
Antes de continuar, merecer la pena hacer un alto en el camino y repasar las categoras
gramaticales que descomponen un idioma en estructuras ms pequeas, que sern la
unidad de trabajo en muchos procesos de text mining.
Los sustantivos o nombres los utilizamos para referirnos a personas, animales, plantas,
cosas, sentimientos y cualidades.
Los adjetivos son palabras que acompaan a los nombres y expresan cualidades del mis-
mo.
Los determinantes tambin acompaan a los nombres y nos sirven para concretarlo y
determinarlo.
Los verbos son palabras que expresan accin, existencia, condicin o estado del sujeto.
Los pronombres son palabras que sustituyen a los nombres para evitar su repeticin.
Los adverbios son palabras que modifican a un verbo, a un adjetivo o a otro adverbio.
Las conjunciones nos sirven para unir palabras o para unir oraciones simples.
Las preposiciones tienen el objetivo de relacionar palabras o grupos de palabras.
Eliminadodelasstopwords
Las conjunciones y las preposiciones ayudan a conectar palabras y frases, pero

carecen de sentido propio. Cada idioma suele tener su propio diccionario de
conjunciones y este se usa para eliminarlas del texto a analizar.
Eliminadodelaspalabrasderivadas(stemming)
En esta actividad trataremos de identificar la raz de la palabra, por ser esta

la parte que mayor contenido alberga. Con este proceso simplificamos deriva-
ciones como plurales, conjugaciones de verbos, sufijos, prefijos, etc.
caminante, camino, caminata camino
Por supuesto esta tcnica tiene sus inconvenientes y desventajas ya que en

realidad estamos simplificando nuestro vocabulario de trabajo y por ende lo
estamos empobreciendo en cierto modo.
Gestindesignosdepuntuacin,maysculas,nmeros,
Otra posible simplificacin es la eliminacin de nmeros, excepto en casos

especiales como fechas y horas, eliminacin de guiones y otros signos de pun-
tuacin, y unificacin de maysculas y minsculas.
preprocesado preproceso
Objetosespecficosdepginasweb
Cuando el texto que se quiere procesar en lugar de estar almacenado en do-

cumentos lo est en pginas web, aparecen algunas actividades especficas a
realizar, como la eliminacin del cdigo HTML o identificar los tags propios
de categorizacin de texto como <body>, <metadata>, <h1>, <h2>, <b>.
2.1.2. Cmo dotar de estructura a un juego de datos no

estructurados?
La clave consiste en convertir palabras en nmeros y una vez en el reino de los

nmeros, utilizar tcnicas data mining para lograr nuestros objetivos. Veamos
algunos modelos de recuperacin de informacin.
Modelobooleano
Supongamos que partimos de un conjunto de documentos ,

en el que veremos cada documento como una bolsa de palabras o trminos,
entendiendo como trmino, por ejemplo, una palabra que nos ayuda a recordar
el contenido del documento.
Sea la coleccin de trminos distintivos del conjunto de docu-

mentos D.
El siguiente paso ser asociar a cada trmino un peso. Esto nos permitir cons-
truir un vector por documento, donde en cada celda colocaremos un 0 si el
trmino no aparece y un 1 si el trmino aparece:
Nuestro vector en realidad es un simple vector de pesos con peso 1 si el atributo

(palabra) t aparece en el documento d, y con peso 0 si no aparece:
La combinacin de los vectores asociados a cada documento dar como resul-

tado la siguiente matriz de pesos:
Para este modelo la recuperacin de la informacin se hace basndose en coin-

cidencias exactas de trozos de vector, lo que la convierte en un sistema muy ru-
dimentario y pobre en resultados, ya que no acepta el concepto de relevancia.
Modelodelvectorespacio
Mejora el modelo anterior asignando un peso relativo a la frecuencia de apa-

ricin de la palabra o atributo en el documento, superando as el paradigma
de presente o ausente y pasando a cmo de relevante es.
Veamos algunas variantes de este modelo.
Termfrequency: Tomamos como peso la frecuencia de aparicin del atri-

buto i en el documento j, sobre la frecuencia mxima de entre todos los
atributos i del documento j.
Inversedocumentfrequency: Tomamos como peso una medida que nos

permite tener en cuenta que si un atributo aparece en muchos documen-
tos, entonces ese atributo no es importante o discriminante.
Si es la frecuencia del atributo i en todo el juego de N docu-
mentos, es decir, nmero de documentos que contienen el trmino i.
Si es la frecuencia inversa del atributo i en el juego de N do-
cumentos.
El peso que tomaremos es el producto .
Ejemplodematrizdepesos
Un ejemplo nos ayudar a entender mejor las definiciones de frecuencia, de

frecuencia inversa y de matriz de pesos.
Disponemos de un documento , que podra ser un ejemplar de una revista

especializada en hostelera. En l aparecen los siguientes tres trminos con sus
respectivas frecuencias o nmero de veces que aparecen en el documento.
Restaurant A (3), Restaurant B (2), Restaurant C (1)
Supongamos ahora que disponemos de una coleccin de 10.000 documentos,

en el que hemos hecho un estudio de frecuencias para los mismos tres trmi-
nos.
Restaurant A (50), Restaurant B (1300), Restaurant C (250)
Calculemos las ratios tf e idf:
Para el trmino Restaurant A: ; ;
Para el trmino Restaurant B: ; ;
Para el trmino Restaurant C: ; ;
La matriz de pesos para nuestros tres trminos dentro de la coleccin de 10.000

documentos ser la siguiente:
Podemos observar que para el documento 2, el trmino con ms peso y en

consecuencia el ms relevante es el de Restaurant A.
Bsquedadecontenido
Introduciremos nuevas definiciones con el objetivo de entender cmo funcio-

na un proceso de bsqueda de contenidos.
Para buscar contenido en una coleccin de documentos, necesitamos disponer

de una matriz de pesos de trminos de los documentos, visto ya en el punto
anterior, y un vector query o consulta, con los pesos asociados al contenido
que hay que buscar, que construiremos de modo similar a la matriz de pesos.
En el fondo veremos el query como un documento ms, con su correspondien-
te vector de pesos .
Lo siguiente que necesitaremos es una medida de similitud, con el objetivo de

saber cmo de parecidos son los documentos y nuestra query o consulta.
Como similitud entre dos vectores, tomaremos la definicin de similitud del

coseno, por ser la ms extensamente utilizada en problemas de bsqueda de
contenidos:
Ejemplodebsquedadecontenidos
Siguiendo con el ejemplo anterior, vamos a trabajar con los trminos Restau-
rant A, Restaurant B y Restaurant C, con dos documentos y una query:
Haremos el ejercicio de comparar o medir el grado de similitud entre los dos

documentos y la query.
Para ello calcularemos la similitud del coseno del modo siguiente:
Claramente el documento 1 est ms cerca de la consulta.

Finalmente, estamos en disposicin de construir el vector espacio, que para

nuestro ejemplo sera: VectorEspacio(D,Q)=(0,81,0,13)
El siguiente esquema es una visualizacin simplificada de un proceso de bs-

queda y recuperacin de informacin.
Figura 5. Bsqueda y recuperacin de la informacin
Las siguientes son reas en las que text mining aporta su potencial.
Clasificacindedocumentos: Un ejemplo sencillo podra ser la clasifi-

cacin automtica en carpetas de correos recibidos en funcin de su con-
tenido. Para ello, deberemos disponer de una coleccin de documentos
genricos y de documentos organizados por temtica, con el fin de que
el sistema pueda identificar aquellas palabras que son ms comunes y en
consecuencia poco significativas.
Recuperacindeinformacin: Este sera el caso de los buscadores de In-

ternet a los que dndoles algunas palabras clave nos listan, por orden de
relevancia, los documentos encontrados. Un concepto importante en este
proceso es el de similitud (se estudiar ms adelante).
Organizacindedocumentos: En el caso de la clasificacin de documen-

tos, alguien crea una carpeta en la que querremos clasificar un juego de
documentos, pero y si a priori desconocemos la temtica de estos docu-
mentos? Necesitaremos entonces que sea el propio algoritmo el que nos
proponga las carpetas a crear.
2.2. Opinion mining o sentiment analysis
En la literatura se encuentran artculos que hablan de subjectivity analysis, opi-

nion mining y sentiment analysis entre otros, y todos ellos refirindose en el
fondo al mismo campo de estudio, o cuando menos, a campos de estudio muy
cercanos.
Pongamos un poco de orden a todos estos trminos. El campo de conocimien-

to al que pertenecen todos ellos es el que estudia la gestin informatizada de
texto, que contiene opiniones, sentimientos y subjetividad.
La proliferacin de todos estos trminos responde en parte a la voluntad de

enfatizar unas connotaciones por encima de otras y en parte tambin por las
distintas necesidades que impulsaron las primeras comunidades de analistas
que trataron con estos temas.
Subjectivityanalysis
A este respecto, inicialmente se trabaj con el concepto de subjetividad en

referencia a todo aquello que envolva los estados personales o privados, es
decir, opiniones, evaluaciones, emociones y especulaciones.
En este sentido, se reconoci como un ejemplo modelo de estudio la interpre-

tacin del lenguaje orientado a opinin, en contraposicin a la interpretacin
del lenguaje objetivo.
Opinionmining
Opinion mining surge inicialmente alrededor del mundo de las bsquedas web y
de la recuperacin de contenidos. Kushal Dave en su libro Mining of the peanut
gallery (2003), nos describe cmo debera ser una herramienta opinion mining
ideal:
Aquella que es capaz de procesar un juego de datos resultante de una bsqueda, gene-
rando a partir de ella dos cosas:
Una lista de atributos de producto, como calidad y funcionalidades entre otras.
Opiniones agregadas sobre cada uno de los atributos.
En definitiva, se trata de recuperar y analizar opiniones sobre distintos aspectos

de un mismo producto. Ms recientemente, opinion mining, se ha interpretado
de una forma ms extensa para incluir muchos tipos de textos evaluativos.
Sentimentanalysis
El trmino sentiment analysis se ha utilizado con frecuencia como sinnimo

de opinion minig. Su objeto de estudio es el anlisis automatizado de textos
evaluativos a partir de tcnicas de NLP (natural language processing).
Elproblemadevalorarunaopinin.
Estudiar en trminos numricos una opinin personal y valorar de forma au-

tomatizada si se trata de una opinin positiva o negativa parece a priori todo
un reto, a la vez que una fuente de conocimiento realmente til y prctica.
Opiniones, crticas, valoraciones, actitudes, emociones hacia entidades, per-

sonas, eventos, problemas, temas, productos, establecimientos, etc. el mbito
de estudio del opinion mining se centra en recolectar toda esta informacin y
presentarla de la forma ms inteligible posible. Veamos cmo lo hace.
Esquemadeunaopinin
La abstraccin de lo que es una opinin nos ayudar mucho a entender cmo

trabajan los modelos de opinion mining.
Tomemos como ejemplo de trabajo la siguiente frase.
El iphone de mi hermano tiene una pantalla con buena resolucin.
Definiremos como opinin al vector de cinco dimensiones formado por:
Una dimensin entidad, que es el objeto de la opinin: digamos que es

iphone aunque estrictamente es el iphone de mi hermano.
Una dimensin atributo, que detalla los componentes de la entidad: reso-

lucin de la pantalla.
Una dimensin orientacin de la opinin, que hace referencia a una enti-

dad concreta, a un atributo concreto, a un opinador concreto y a un mo-
mento concreto. En nuestro ejemplo se trata de una opinin positiva.
Una dimensin opinador, que es el que emite la opinin: Yo.
Una dimensin temporal, que posiciona la opinin en el eje del tiempo.
Es importante remarcar un par de obviedades, pero que encierran su comple-

jidad. Todos los componentes del vector opinin deben corresponderse entre
s, es decir, la dimensin opinin ha sido emitida sobre la entidad que aparece
en la primera dimensin, en el momento que aparece en la quinta dimensin
y as sucesivamente.
La segunda es para remarcar la importancia de que las cinco dimensiones del

vector estn informadas y que no tengamos vectores con dimensiones vacas.
Una de las dificultades del opinin mining radica en el proceso de construccin

de la base de datos de los vectores de opinin, garantizando su integridad en
el sentido mencionado anteriormente.
Figura 6. Esquema de una opinin
Donde hace referencia a la entidad objeto de la opinin y de la que dependen

los componentes y los atributos de los componentes y de la propia entidad. Es
decir, la entidad tiene atributos y los componentes tambin tienen atributos.
La entidad mvil tiene un componente altavoz y este, un atributo calidad del

sonido.
El componente pantalla del mvil tiene atributo tamao de la pantalla y

hace referencia a la opinion orientation de la entidad.
Para entender mejor el proceso de construccin de los vectores opinin, to-

memos el siguiente ejemplo planteado por bigXyz en noviembre del 2010.
(1) Ayer compr un mvil Motorola y mi novia compr un mvil Nokia. (2) Al llegar a
casa nos llamamos. (3) La voz en mi mvil Moto era difusa, pero la cmara no estaba
mal. (4) Mi novia estaba bastante satisfecha con su mvil y con su calidad de sonido.
(5) Quiero un mvil con buena calidad de sonido. (6) De modo que probablemente
no me quede con este.
Veamos las cinco actividades necesarias para construir nuestros vectores de

opinin:
Extraccinyagrupadodeentidades
Nokia Nokia | Motorola, Moto Motorola
Extraccinyagrupacindecomponentesyatributos
Voz, sonido sonido | Cmara cmara
Identificacindelautorydeltiempo
bigXyz | Noviembre 2010
Clasificacindelaopininformada
(3) Negativa para el atributo sonido del Motorola. Positiva para el atributo
cmara del Motorola.
(4) Positivo para Nokia en general. Positivo para el atributo sonido del Nokia.
Ensamblajedelosvectoresopinin
(Motorola, sonido, negativo, bigXyz, noviembre 2010)
(Motorola, cmara, positivo, bigXyz, noviembre 2010)
(Nokia, general, positivo, Novia de bigXyz, noviembre 2010)
(Nokia, sonido, positivo, Novia de bigXyz, noviembre 2010)
Llegados a este punto, estamos en disposicin de generar una base de datos de

opiniones y aplicarle modelos de clasificacin supervisada y no supervisada
que veremos en ms detalle en su correspondiente captulo.
Aclarar que los retos de interpretacin del lenguaje natural NLP se multiplican
en la fase de modelado, puesto que hay que abstraer los recursos del lenguaje
que afectan al proceso de emisin de opiniones. Adems, hay que interpretar
algunos estilos de escritura presentes en las opiniones y complejos de interpre-
tar automticamente debido a su ambigedad, como por ejemplo, el sarcasmo.
Adjetivos que expresan opiniones positivas y negativas, modelos de frases y ex-

presiones que indican una opinin, frases hechas, contextualizacin del con-
tenido, gestin de la irona, son algunas muestras de por qu este campo de
conocimiento tiene todava mucho recorrido por delante.
2.3. Social network analysis
El anlisis de redes sociales va ms all de lo que conocemos como comunida-

des sociales tipo Facebook o Twitter. El paradigma que estudia es una genera-
lizacin de estas famosas comunidades.
Hasta ahora nos hemos centrado en el problema de la recuperacin de la in-

formacin, basado en el concepto de similitud de los contenidos, y la cuestin
de valorar la relevancia de los mismos se ha afrontado de una forma muy sim-
ple y bsica.
La aparicin de la web ha generado nuevas necesidades, por ejemplo, si me-

diante Google buscamos cualquier concepto ms o menos genrico, segura-
mente habr decenas de miles de coincidencias, este hecho nos lleva a la si-
guiente cuestin:
Cmo decidir cules son las 20 o 30 entradas ms relevantes?
Adems, alterar la relevancia de una entrada no es difcil si se repiten algunas

palabras o se aaden comentarios artificialmente.
La respuesta a estos problemas es precisamente el mbito de estudio del social

network analysis, veamos cmo lo hace.
Objetodeestudio
Estudiaremos las interacciones y relaciones entre personas y organizaciones

que llamaremos actores. Esta estructura puede imaginarse como una red, don-
de los vrtices son los actores y las lneas de unin entre vrtices son las rela-
ciones entre ellos.
La web en s puede ser entendida como una gran comunidad de pginas o

actores que interacciona a travs de las menciones cruzadas. Una forma directa
de localizar estas menciones son los hipervnculos. En realidad ha sido en el
mbito de la web donde ms se ha desarrollado esta disciplina.
Dos conceptos son clave para proseguir en el camino de la abstraccin del

problema: la centralidad y el prestigio.
Centralidad
A un actor que se relaciona mucho con su entorno, parece lgico que le demos
ms importancia. La centralidad mide el nivel de relacin de un actor con su
entorno ms inmediato, la proximidad mide la distancia entre un actor y el
resto de actores de su entorno y finalmente, la intermediacin mide el grado
de influencia de un actor en las relaciones entre sus prximos.
Cabe destacar que para un actor existen dos tipos de relaciones: las de entrada
(terceros hablan del actor) y las de salida (el actor habla sobre terceros). En la
centralidad solo tenemos en cuenta las de salida.
Prestigio
Si solo tenemos en cuenta lo que terceros dicen de un actor, es decir, relaciones

de entrada, estaremos midiendo el prestigio que el actor tiene ante la comu-
nidad de terceros.
Merece la pena presentar la formulacin matemtica usada para calcular el

ranking del prestigio, puesto que obtendremos la ecuacin que en 1996 se us
para determinar el famoso algoritmo PageRank, que posteriormente adopt y
mejor Google en su motor de bsquedas web.
El rank prestige para una pgina i es la combinacin lineal de todos los rank
prestige de las pginas que apuntan a ella.
donde
Intuitivamente, tenemos que el prestigio de una pgina es la suma del prestigio

de las pginas que apuntan a ella. En el caso de que estemos evaluando n
pginas, podemos representar la ecuacin anterior en forma de matriz,
donde P es el vector propio de la matriz A transpuesta (ver el captulo lgebra

del anexo). De modo que P sera la matriz que contiene todos los valores rank
prestige y A sera la matriz que contiene los valores (1,0).
Poder representar nuestra ecuacin en una notacin matricial nos va a permitir

utilizar tcnicas de lgebra lineal para poder resolverla.
En el siguiente esquema se trata de resumir de una forma grfica y visual los

conceptos de centralidad y de prestigio.
Figura 7. Concepto de centralidad
Communitydiscovery
Una comunidad es simplemente un grupo de entidades (personas u organiza-

ciones) que comparten un inters comn o bien unas actividades en comn.
Una abstraccin de esta definicin nos lleva a definir comunidad como el par
(tema, miembros de la comunidad).
Aclaraciones a realizar sobre la anterior definicin:
El tema forma parte de la definicin de la comunidad.
Todos los miembros de una comunidad deben ser del mismo tipo. Todos
personas o todos organizaciones.
Esta definicin no considera la dimensin temporal de las comunidades,

de modo que se trata de una simplificacin de la realidad.
Las comunidades pueden ser jerarquizables en subcomunidades, por las

subdivisiones de sus miembros o de sus temas.
Encontrar comunidades en la web, en un conjunto de e-mails o en un con-

junto de documentos puede ser interesante por los siguientes motivos:
Permite a los publicistas identificar e interactuar ms fcilmente con su

pblico objetivo.
Las comunidades suelen ofrecer informacin de calidad y actualizada para

aquellos interesados en el mismo tema.
En cierto modo representan la sociologa de la web, de modo que enten-

derlas ofrece la posibilidad de adquirir conocimiento sobre la misma y por
ende, poder anticiparse y actuar ms eficientemente en ese entorno.
2.4. Reputation management
Vamos a pasar un fin de semana en un hotel de costa y nos conectamos a la web

para valorar distintas opciones, Tripadvisor, Booking, Holidaycheck, eDreams,
etc., un sinfn de buscadores ponen a nuestro alcance una gran variedad de
ofertas. Todos ellos tienen algo en comn: las opiniones de los usuarios sobre
sus experiencias en el hotel.
Figura 8. Visin del fabricante de

software ReviewPro
Imagen cedida por reviewpro.com
La disponibilidad del hotel, sus servicios y precios van a condicionar nuestra

decisin, sin duda, las opiniones tambin.
La gestin del prestigio recoge aspectos del text mining, opinion mining y del
social network analysis para recuperar informacin de artculos, blogs, pginas
especializadas, fotos, vdeos y comunidades en la web para poner en el centro
del anlisis al objeto de opinin y presentarle de una forma gil e intuitiva la
visin que Internet tiene de su negocio.
En el caso de nuestro hotel, le va a permitir pasar de tener una actitud pasi-

va ante las opiniones que al final van a condicionar su negocio, a tener una
actitud de conciencia de la imagen que est dando y le va a permitir pasar a
una posicin proactiva.
En nuestro contexto reputation management est muy orientado al negocio y

al retorno de la inversin, por este motivo, lo ubicamos de lleno en el mbito
de business analytics.
Gestionar la opinin de terceros quiere decir ponerse el objetivo de minimizar

las opiniones negativas y minimizar sus efectos, empujndolas a posiciones
menos relevantes en los resultados de bsqueda, con el objetivo de disminuir
su visibilidad.
Para Influir en Internet primero debo saber cmo funciona.
Actividadespropiasdelreputationmanagement
Tratar de reaccionar e influir sobre una Web 2.0 mucho ms colaborativa y

social requiere de actividades especficas.
Escuchar
Captadores de experiencia de consumo: Son lugares web en los que el con-

sumidor plasma su experiencia de uso del producto o servicio. Es desea-
ble que tambin el mismo sitio web facilite datos de fiabilidad del propio
opinador.
Influenciadores: En general son profesionales de la opinin, periodistas o

bloggeros, que publican en espacios capaces de llegar a una audiencia. Las
nuevas redes sociales permiten que gente annima puntualmente pueda
alcanzar niveles de audiencia importantes, tambin hay que gestionarlo.
Agregadores de influencia: Sitios de noticias, suscripcin de contenidos, en

general aglutinadores de actualidad, que proponen a la comunidad con-
tenidos de diversas fuentes.
Construir
Quiz sea la actividad ms compleja en cuanto a que hay que organizar, ana-
lizar y presentar:
Por un lado, la informacin generada por nuestra marca: Informacin cor-

porativa, campaas publicitarias, promociones de temporada, actividad
en redes sociales, etc.
Contenido generado por los medios de comunicacin y de opinin: Pren-

sa, sitios especializados, foros, etc.
Contenido generado por el usuario final: Experiencias de consumo pre-

sentes en las redes sociales y en foros de opinin especializados.
Imgenes y vdeos publicados sobre nuestro producto o servicio.
Participar,reaccionareinfluir
Por ejemplo, en el caso del hotel una crtica sobre la comida podra disparar
una alerta que solo afectar al responsable de cocina del mismo. O una queja
localizada en la recepcin del hotel podra emitir una recomendacin de me-
jora solo para ese departamento.
Las herramientas de online reputation management ya se utilizan hoy en da para

medir el grado de cumplimiento de objetivos de departamentos de marketing
y departamentos operativos de muchas empresas del sector hotelero.
Algoritmosutilizados
Reputation management requiere de tcnicas especficas de opinion mining y de

natural language processing, adems, por supuesto, requiere de algoritmos es-
pecficos, muchas veces propietarios del propio fabricante de la herramienta,
principalmente orientados a la construccin de rankings, dedicados al posicio-
nado de productos, servicios o instituciones en funcin de las opiniones sobre
ellos emitidas en un periodo de tiempo determinado.
Resumen
Para posicionar al estudiante en el mundo de business analytics se ha optado

por darle tres herramientas:
La clsica definicin acadmica.
El posicionamiento de las organizaciones ante BA.
Aplicaciones. Cmo BA da respuesta a problemas concretos.
Los factores delta de BA que nos propone Thomas H. Davenport nos propor-
cionan una visin organizativa de lo que es BA. Ms all de la clsica herra-
mienta, se plantea BA como parte de la cultura empresarial.
Una buena manera de saber qu es business analytics es entender alguna de sus

aplicaciones. En este material didctico hemos profundizado en el tratamiento
de textos.
Hemos visto cmo estructurar contenidos no estructurados como paso previo

a la bsqueda y comparacin de contenidos y la clasificacin y la organizacin
documental.
Hemos aprendido cmo gestionar la subjetividad en un texto, mediante el

anlisis de su estructura como herramienta imprescindible para posteriormen-
te poder clasificar una opinin.
Tambin se ha trabajado en el mbito del anlisis de las redes sociales, don-

de los conceptos de centralidad y prestigio juegan un papel importante. El
descubrimiento de comunidades se ha explicado como una de sus principales
aplicaciones.
En el captulo de gestin del prestigio en Internet hemos reflexionado sobre

dos aspectos importantes. Por un lado, la importancia de saber qu opina In-
ternet de nuestra organizacin, producto o servicio, y por otro lado, saber c-
mo podemos influir en estas opiniones.
Bibliografa
Bink Liu (2011). Web Data Mining. Exploring Hyperlinks, Contents and Usage. Springer.
Davenport, T. H.; Harris, J.; Morison, R. (2010). Analytics at Work: Smarter Decisions,
Better Results. Harvard Business Press.
Davenport, T. H. (enero, 2006). "Competing on Analytics". Harvard Business Review.
Artculos
Bisciglia, C. (2007). Distributed Computing Seminar (Lectura 4). Google.
Davenport, T. H. Analytics at Work: Q&A. www.informationweek.com/news/softwa-

re/bi/222200096

Business Analytics (Modulo 1)

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Business Analytics (Modulo 1)

Cargado por

Copyright:

Formatos disponibles

Analtica de

1. Business analytics (aspectos generales)........................................ 7

2. Dominios de aplicacin de business analytics............................ 16

Inicialmente se respondern preguntas bsicas, como qu es, para qu sirve o

Todos los grandes fabricantes de software ofrecen soluciones analticas porque

El estudiante comprender la importancia de desarrollar habilidades analticas

A lo largo del documento veris que se utilizan muchas palabras en ingls, se

1. Business analytics (aspectos generales)

1.1. Encaje en la historia

Platn, maestro de Aristteles, tena una visin de la realidad totalmente

La historia del conocimiento ha estado desde entonces basculando entre estas

Sin embargo se iniciaba ya el camino a la tercera generacin de algoritmos.

Relaciones lineales y no lineales entre atributos

Antes, un pequeo inciso para aclarar el concepto de relaciones lineales y no lineales

Por el contrario, una relacin no lineal, quedara grficamente representada mediante

La creciente necesidad por parte de las organizaciones de obtener conocimien-

tercera va, la inteligencia artificial vista como mezcla de la aproximacin de

1.2. Business analytics, definicin

Figura 1. Business analytics

Fuente: Analytics at work, smarter decisions, better results

La celda (informacin-pasado) corresponde al mbito tradicional de los infor-

El segundo nivel requiere de herramientas ms avanzadas, como la estadstica,

Ahora s, hagamos una aproximacin a diferentes definiciones.

Thomas H. Davenport, Competing on Analytics

En este caso tenemos una definicin de BA a partir de las actividades que le

El anlisis explicativo, respondiendo a preguntas tipo: por qu se da cier-

El descubrimiento de patrones y relaciones en los datos (data mining).

El anlisis predictivo (data mining).

La optimizacin, respondiendo a preguntas tipo cmo mejorar? C-

La visualizacin de datos con funcionalidades de diseo y agregacin

Business analytics es la constante e iterativa exploracin y estudio del rendimiento pa-

El propio autor explica y desarrolla su definicin del siguiente modo:

Es constante porque forma parte de una rutina peridica en lugar de ser

Es iterativa porque las respuestas generan nuevas preguntas y nuevas res-

Hablamos de exploracin porque se trata de buscar algo desconocido, nue-

Se refiere al estudio porque BA se trata de investigar excepciones y anoma-

El rendimiento pasado del negocio es la materia prima para ganar conoci-

Y finalmente, los objetivos estratgicos deben centrar permanentemente

Si releemos las dos definiciones anteriores, veremos que se empiezan a entrever

Otro aspecto clave es la alineacin de las actividades BA al servicio de los ob-

Las empresas orientadas a la toma de decisiones en funcin de evidencias da-

Como el mundo analtico no es perfecto, nos es ms cmodo basar nuestras

Si le preguntramos a un piloto de avin cmo de importante es la inform-

1.3. Niveles de madurez analtica en las organizaciones

Thomas H. Davenport clasifica las organizaciones en funcin de su grado de

Figura 2. Tipos de organizacin BA

Fuente: Analytics at work, smarter decisions, better results

Se trata de organizaciones insensibles al BA, las razones pueden ser varias: no

Hay actividad analtica en la organizacin, pero estas carecen de coordinacin

En este caso la organizacin tiene la visin estratgica de potenciar el BA, ha

La organizacin dispone de personal cualificado, de herramientas adecuadas,

La organizacin utiliza BA de forma regular como una capacidad estratgica de

Muchas organizaciones tienden a estructurarse departamentalmente y estos a

La e de enterprise se enmarca en un mbito integral que va ms all de dispo-

El leader tiene una gran influencia en la organizacin y es capaz de movilizar

tendiera al resto de lderes de la organizacin y por supuesto, a cada miembro

aprovechar adecuadamente los recursos disponibles;

focalizar esfuerzos y facilitar la obtencin de conocimiento frente a infor-

lograr que nuestro esfuerzo repercuta directamente en beneficio de la or-

en entornos cambiantes, conseguir que la organizacin sepa adaptarse.

Finalmente, tenemos la a de analista, que se refiere tanto a la persona como

Una vez constituido el grupo de analistas, se debern cuidar aspectos como

1.4. Actividades propias del BA

Los informes, por ejemplo, pueden considerarse herramientas analticas, sin