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.