Inteligencia de Negocios

Tema 1
La implementación de un
proyecto de Inteligencia
de Negocio
Índice
Esquema 3
Ideas clave 4
1.1. Introducción y objetivos 4
1.2. La estrategia empresarial impulsa los proyectos
de Inteligencia de Negocio 5
1.3. El líder del proyecto 8
1.4. Determinación de la cartera de proyectos 9
1.5. Promotores, dirección y participación
organizacional 12
© Universidad Internacional de La Rioja (UNIR)
1.6. Construcción del proyecto 16

1.7. Medición de los resultados del proyecto 18
1.8. Promoción interna del proyecto. 20
1.9. Referencias bibliográficas 22
A fondo 23
Test 25
IMPLEMENTACIÓN DE UN PROYECTO DE INTELIGENCIA DE NEGOCIO
PLANIFICACIÓN DESPLIEGUE ACCIÓN
Es tra tegia empresarial

Determinación de l a cartera Promotores, dirección y
como i mpulso a la
Inteligencia de Negocio de proyectos pa rti cipación Cons trucción del Medi ción de los
orga nizacional proyecto res ultados
El l íder del proyecto
Lo i deal es Es i mportante Promoci ón i nterna
Cues tiones
emprender un el «qué» y el del proyecto
cl a ve
proyecto por cada «cómo»
i ni ciativa
La s necesidades de la compañía Control ar e incluir en

deben ser prioritarias l os proyectos los data
shadow systems
Tema 1. Esquema
Esquema
3
Ideas clave
1.1. Introducción y objetivos
Las empresas son gestionadas estratégicamente por su alta dirección y

operativamente por grupos o departamentos, como marketing, ventas, finanzas o
recursos humanos. Esta división del trabajo permite la especialización y fomenta una
mayor productividad (Sherman, 2014). Aunque los departamentos citados pueden
tener una considerable autonomía en la toma de decisiones tácticas, la empresa
debe tener una visión estratégica general y un conjunto de pautas bajo las cuales
deben operar dichos grupos.
Los departamentos, para el desarrollo eficaz de sus funciones, necesitan analizar

datos para ejecutar sus operaciones diarias, por lo que tienden a promover proyectos
de Inteligencia de Negocio cortoplacistas. Aunque es comprensible que estos grupos
sientan la urgencia de iniciar dichos proyectos para obtener los datos y análisis que
necesitan, los proyectos a corto plazo de Inteligencia de Negocio tienden a crear
estructuras de datos, aplicaciones y tecnología que provocan pérdida de
productividad por trabajo redundante o superpuesto. En oposición a estos proyectos
tácticos separados, un proyecto de Inteligencia de Negocio debe ser estratégico para
no crear duplicidades de estructura de datos, aplicaciones y tecnología, y poder
aumentar la productividad y la probabilidad de éxito.
En la primera parte del tema se define la relación entre la estrategia empresarial y

los proyectos de Inteligencia de Negocio y, además, se definen los promotores de
dichos proyectos dentro de la organización.
En segundo lugar, se habla sobre la cartera de proyectos de Inteligencia de Negocio,

así como la participación que cada grupo de la organización debe tener en el proceso.
4
Tema 1. Ideas clave
En la última parte del tema se desarrolla una metodología para construir y promover
en la organización un proyecto de Inteligencia de Negocio.
En este contexto, con los conocimientos adquiridos, el alumno será capaz de:
 Entender la Inteligencia de Negocio como una herramienta importante en la

generación de conocimiento organizacional, así como en el establecimiento de
estrategias empresariales.
 Conocer la participación que cada grupo de la organización debe tener en un
proyecto de Inteligencia de Negocio.
 Detectar factores clave en la implementación y promoción de proyectos de
Inteligencia de Negocio.
1.2. La estrategia empresarial impulsa los

proyectos de Inteligencia de Negocio
El responsable de los sistemas de información de la empresa debe asegurarse de que

se establezca un programa general de Inteligencia de Negocio en el que se
enmarquen los distintos proyectos. En la actualidad, los datos son un activo
empresarial de alto valor y los análisis que propone la Inteligencia de Negocio son la
clave para aprovecharlos. Por ello, los esfuerzos de dicha disciplina deben ser
coordinados, sin importar el tamaño de la compañía.
Dado el alto valor con el que cuentan los datos en la actualidad, el análisis de éstos
debe ser coordinado, independientemente al tamaño de la empresa.
5
Tema 1. Ideas clave
Además, el programa general de Inteligencia de Negocio debe ser compatible con la
estrategia comercial de la empresa. En este contexto, está claro que dicho programa
debe enfocarse desde una perspectiva de negocio y no de tecnología. En multitud de
ocasiones, los proyectos de Inteligencia de Negocio son impulsados desde una
perspectiva tecnológica y es ese, precisamente, un factor clave en el fracaso de
implementación.
Históricamente, cuando los proyectos de Inteligencia de Negocio son impulsados

tácticamente por grupos empresariales individuales, cada proyecto determina sus
entregables y prioridades considerando únicamente el contexto de ese grupo. Este
enfoque «de abajo hacia arriba» ignora las prioridades de otros grupos e inhibe las
inversiones que pueden ser necesarias en ellos. Por ejemplo, los proyectos de
Inteligencia de Negocio requieren, a menudo, un importante trabajo de
administración de datos que debe ser considerado.
ESTRATEGIA EMPRESARIAL
1 2 3
Iniciativa empresarial Iniciativa empresarial Iniciativa empresarial
PROGRAMA DE INTELIGENCIA DE NEGOCIO
Figura 1. La estrategia empresarial impulsa la Inteligencia de Negocio.
Así, un programa general de Inteligencia de Negocio debe utilizar un enfoque «de

arriba hacia abajo» que aproveche la estrategia y las prioridades comerciales
existentes. No hay razón para que un programa no considere la visión estratégica de

la empresa, pues el uso de un enfoque «de arriba hacia abajo» para establecer la
dirección general del programa no implica que el programa se gestionará de forma
centralizada. La elección de la administración central o descentralizada del programa
se basará en la organización de la empresa.
6
Tema 1. Ideas clave
Vídeo. La estrategia empresarial como impulsora de la Inteligencia de Negocio.
Accede al vídeo a través del aula virtual
Ejemplo
Estrategia empresarial e Inteligencia de Negocio
Vapheat Company S.A., compañía dedicada a la venta de un determinado

bien, se ha marcado una estrategia clara de sustitución de su actual
cartera de productos por otros que, aunque cumplen la misma función,
se adaptan mejor al mercado actual.
Para ello, el CEO de la compañía reúne a los distintos departamentos para

consensuar la nueva estrategia y dividirla en distintas iniciativas. Así, tras
recabar toda la información necesaria, las iniciativas que se marcan son:
▸ Iniciativa A. En primer lugar, se pretende conocer la propensión a

sustituir un producto tradicional por otro de nueva generación en cada
una de las provincias en las que la compañía opera.
▸ Iniciativa B. En segundo lugar, se quiere agrupar a los distintos clientes
para poder concretar acciones distintas en cada agrupación.
▸ Iniciativa C. Por último, se propone predecir la demanda de los

productos de nueva generación para poder hacer estimaciones de
producción.
7
Tema 1. Ideas clave
1.3. El líder del proyecto
Aunque el establecimiento inicial de un programa de Inteligencia de Negocio puede

ser impulsado por el responsable de los sistemas de información, un elemento clave
del éxito será encontrar un promotor con visión estratégica de negocio. Como
sabemos, el objetivo principal debe ser aumentar el volumen de negocio, en lugar de
implementar tecnología. Por ello, el departamento de negocios es una parte
fundamental a la hora de impulsar el programa.
Aunque el responsable de los sistemas de información (perfil técnico) cuenta con

mucho peso en un proyecto de Inteligencia de Negocio, es fundamental que sea
acompañado por un perfil de negocio.
Uno de los perfiles de negocio que suele utilizarse en la implementación de un

proyecto de Inteligencia de Negocio es el Director Financiero. Estos perfiles son
candidatos naturales porque se responsabilizan de la precisión y la transparencia de
la información empresarial, al menos en lo que respecta a las finanzas, para las partes
interesadas de la empresa. Son legalmente responsables de los datos que se publican
fuera de la empresa y están sujetos al cumplimiento normativo y posibles auditorías
con respecto a los datos. Esta responsabilidad significa que tienen una perspectiva
interorganizacional que muchos otros perfiles pueden no tener. Además, son
responsables de impulsar la gestión de costes en toda la empresa, por lo que tienen
un gran interés en garantizar que las inversiones en Inteligencia de Negocio se
gestionen de manera adecuada. En consecuencia, la responsabilidad del este perfil
de dirigir el proceso presupuestario general de la empresa hace que sea integrado
muy a menudo como perfil de negocio de un proyecto de Inteligencia de Negocio.
8
Tema 1. Ideas clave
Aunque el Director Financiero es un candidato natural para ser el líder del proyecto,
hay otros responsables de alto rango que pueden tomar la iniciativa dependiendo de
la industria de la empresa o, simplemente, de la estructura organizacional. En
industrias orientadas al cliente, como servicios financieros, venta minorista y bienes
de consumo, el Director Comercial puede ser el líder del proyecto. En las industrias
de manufacturas, el Director de Operaciones puede ser el elegido. En todos los casos,
un ejecutivo de negocios de alto nivel con autoridad presupuestaria significativa
suele ser el principal perfil de negocio elegido para ser el líder. Aunque en realidad
puede haber más de un líder de negocio, es fundamental que al menos uno
acompañe al responsable de los sistemas de información en el liderazgo del
proyecto.
1.4. Determinación de la cartera de proyectos
Después de identificar la estrategia empresarial y las iniciativas de negocio que

respaldará el programa de Inteligencia de Negocio, el responsable de los sistemas de
información puede trabajar con los líderes de negocio para determinar qué cartera
de proyectos se requerirá para respaldar esas iniciativas.
El responsable de los sistemas de información generalmente impulsa la selección de

proyectos para el programa de Inteligencia de Negocio, pues es este perfil el que
homogeneiza la estructura de datos para todo el programa, garantizando su uso de
forma transversal. De todos los líderes implicados, es él quien debe preocuparse por
el «qué» y el «cómo» del programa: ¿cuáles son sus objetivos y cómo los va a lograr?
Es fundamental el desarrollo de una arquitectura general para guiar las soluciones
de Inteligencia de Negocio a corto plazo que necesita el negocio.
9
Tema 1. Ideas clave
La cartera de proyectos debe centrarse, primero, en las necesidades comerciales, no
en las necesidades de los sistemas de información. Darle a la empresa la información
que necesita es prioritario; la elección de herramientas de software y otros
problemas centrados en los sistemas de información son importantes solo en
términos de cómo ayudan a alcanzar los objetivos comerciales. Los departamentos
de sistemas de información a menudo crean su lista de proyectos y prioridades en
función de un punto de vista lógico y principalmente técnico. Su agenda está
impulsada por la actualización de hardware y software para aprovechar las nuevas
capacidades que los proveedores han incorporado a sus productos, junto con las
nuevas capacidades de soporte y mantenimiento. Nada de esto es necesariamente
relevante para el negocio, pues lo importante es obtener información. Lo más
probable es que cada iniciativa empresarial en la compañía necesite datos distintos,
por lo que cada proyecto debe estar directamente vinculado a una iniciativa
prioritaria.
1 2 3
1 2 3
Proyecto de Inteligencia Proyecto de Inteligencia Proyecto de Inteligencia

de Negocio de Negocio de Negocio
Figura 2. El programa de Inteligencia de Negocio: división en proyectos.
10
Tema 1. Ideas clave
Las necesidades de la compañía deben ser prioritarias en los proyectos. De no ser
así, no se puede esperar un alto nivel de participación de los implicados. Los
departamentos de una compañía se centran en sus objetivos prioritarios, por lo que
no pueden comprometerse con un proyecto de Inteligencia de Negocio que no
aborde dichos objetivos. Cuando esto ocurre, los departamentos crean sus propios
sistemas de informes (data shadow systems) y estas soluciones, que no son
transversales, pueden poner en riesgo el negocio por falta de coordinación.
Ejemplo
Determinación de la cartera de proyectos

Para ello, el CEO de la compañía reúne a los distintos departamentos para

consensuar la nueva estrategia y dividirla en distintas iniciativas. Así, tras
recabar toda la información necesaria, la compañía define las tres
iniciativas mostradas en el ejemplo anterior: conocer la propensión a
sustituir un producto tradicional por otro de nueva generación, agrupar
clientes para etiquetarlos, predecir la demanda.
En esta línea, se decide crear un programa de Inteligencia de Negocio que

cuenta con tres proyectos (uno por cada iniciativa empresarial):
▸ Proyecto A. La propensión provincial a sustituir un producto

tradicional por otro de nueva generación.
▸ Proyecto B. Agrupación y etiquetado de clientes.
▸ Proyecto C. Predicción de la demanda de productos de nueva
generación.
11
Tema 1. Ideas clave
Vídeo. Determinación de la cartera de proyectos.
1.5. Promotores, dirección y participación

organizacional
Una vez impulsado un programa general de Inteligencia de Negocio, este necesita

apoyo e influencia de ciertas áreas ajenas al equipo que lo lidera. Estos apoyos se
dividen normalmente en tres grupos: promotores, directores de proyectos y
participantes.
1 2 3
Promotores

Directores de
proyectos
1 2 3
Participación Proyecto de Inteligencia Proyecto de Inteligencia Proyecto de Inteligencia

organizacional de Negocio de Negocio de Negocio
Figura 3. El programa de Inteligencia de Negocio: partes involucradas.
12
Tema 1. Ideas clave
Promotores
Un programa de Inteligencia de Negocio necesita promotores de negocio para

justificar la necesidad, establecer las prioridades comerciales y comprometer los
recursos necesarios para diseñar, desarrollar, implementar y utilizar los resultados
obtenidos. Los promotores de negocio necesitan un continuo feedback de las partes
interesadas de la empresa, pues las capacidades del programa de Inteligencia de
Negocio y las necesidades de la empresa evolucionan con el tiempo. La aceptación
en toda la empresa de las prioridades del programa de Inteligencia de Negocio es
esencial; de lo contrario, los departamentos no se sienten integrados en él y crearán
sus propios sistemas de análisis de datos (shadow systems).
Dependiendo de la organización y los procesos presupuestarios de la empresa, la

financiación puede provenir directamente del presupuesto del promotor de negocio,
dividirse con el presupuesto del departamento de sistemas de información o ser una
combinación de presupuestos de varios departamentos. Independientemente de
dónde provengan los fondos, los promotores serán responsables de administrar
dicha financiación. De este modo se garantiza que las inversiones sean de estructura,
ya que se comparte en toda la empresa. Además, se reduce la probabilidad de
inversiones superpuestas o redundantes gracias a la visibilidad global de la empresa
con la que cuenta el promotor.
Aunque la figura del promotor es muy importante para garantizar la financiación y

eficiencia del programa de Inteligencia de Negocio, hay otras dos áreas que son muy
importantes para que la implementación sea exitosa: la dirección de los proyectos
individuales y la participación del resto de la organización.
13
Tema 1. Ideas clave
Directores de proyectos
El programa de Inteligencia de Negocio necesita una administración general para

garantizar que se cumplan los objetivos de todas las partes interesadas. En este
sentido, son los líderes y promotores los encargados de ello. No obstante, cada
proyecto debe contar con un director que garantice el cumplimiento de los objetivos
que marca el programa, pues un error común es concentrarse exclusivamente en las
responsabilidades del proyecto concreto, olvidando la estrategia general en la que
este se encuentra enmarcado. Cuando el director de proyecto tiene una visión
exclusiva de su área, el programa, generalmente, no obtiene el nivel de participación
o compromiso empresarial necesario para el éxito. Los directores de proyectos
también se deben encargar de aportar feedback a todas las partes interesadas. Estos
procesos deben ser transparentes y comunicarse a todos los interesados.
Participación organizacional
Además de aportar promotores y directores de proyectos, la organización debe

participar activamente en el programa y los proyectos individuales de Inteligencia de
Negocio. Esta participación, generalmente, puede implicar las siguientes tareas:
 Proporcionar información sobre financiación y priorización.

 Evaluación del análisis de datos realizado.
 Validación de los objetivos establecidos usando técnicas como brainstorming.
 Proporcionar feedback sobre las visualizaciones.
 Trabajar con prototipos.
 Entrenamiento de usuario.
Pruebas paralelas.
14
Tema 1. Ideas clave
Cuando la organización tiene los recursos de personal que pueden participar como
miembros activos del equipo, la probabilidad de éxito y la calidad del análisis de datos
mejora significativamente. No obstante, es importante que los participantes
comprendan qué se espera de ellos, el nivel de esfuerzo requerido y cuándo se planea
que su participación ocurra. Esto se debe a que, por lo general, los participantes más
valiosos ya están sobrecargados de trabajo y necesitan el compromiso de la dirección
para dedicar su tiempo a trabajar en el proyecto de Inteligencia de Negocio. Es tarea
del grupo de sistemas de información determinar de manera realista cuánto pueden
realmente contribuir los participantes al proyecto. El líder del proyecto debe evaluar
continuamente si la participación esperada se corresponde con la participación real.
Un factor clave en el fracaso de los proyectos de Inteligencia de Negocio es la
centralización de los esfuerzos en la parte técnica, olvidando la importancia de la
participación organizacional.
Vídeo. Promotores, dirección y participación organizacional.

15
Tema 1. Ideas clave
1.6. Construcción del proyecto
Un programa de Inteligencia de Negocio no es un esfuerzo de una sola vez; los

implicados deben comprometerse a largo plazo con él. Por lo tanto, dicho programa
debe construirse de forma iterativa y permitir que crezca de forma incremental. Los
programas de éxito agregan análisis de datos de forma incremental, haciendo que
los usuarios de dichos análisis aumenten con el paso del tiempo y, con ellos, la
infraestructura y el software de soporte.
A menudo hay presión para diseñar un proyecto de Inteligencia de Negocio de muy

alto nivel rápidamente y pasar de inmediato al desarrollo del algoritmo que analice
los datos. Esto sucede cuando existe la actitud de que es deseable entrar en el
desarrollo práctico lo antes posible y que los usuarios descubran los detalles del
proyecto a medida que avanzan. Este enfoque convierte cada proyecto en una unidad
independiente que necesita definir sus propias capacidades de infraestructura, datos
y análisis. Estos proyectos independientes generalmente invierten menos en
infraestructura y no aprovechan el feedback de otros proyectos. El proyecto de
Inteligencia de Negocio necesita planificar no solo los entregables, sino también el
«cómo» de esos entregables. Examinar el proyecto de manera integral permite
planificar los proyectos, creando un marco a largo plazo (arquitectura, datos,
integración, análisis y habilidades) de manera gradual, incremental y deliberada.
16
Tema 1. Ideas clave
Al igual que ocurre con un proyecto de Inteligencia de Negocio, un producto de
software evoluciona y se expande con el tiempo. La firma de software desarrollará y
lanzará un producto inicial V1.0, y seguirá con actualizaciones incrementales que
agregan características y corrigen errores. Se toman en cuenta los comentarios de los
usuarios cuando deciden qué nuevas funcionalidades deben agregarse. A medida que
avanza, anunciará su hoja de ruta del producto y el cronograma de lanzamiento del
software, presentando el crecimiento en cuanto a capacidad y características. Por lo
tanto, las empresas deben planificar y administrar sus proyectos de Inteligencia de
Negocio como si fueran productos de software: diseñar, programar y comunicar una
hoja de ruta del proyecto, y lanzarlo.
La Figura 4 ilustra una plantilla de muestra para un programa de lanzamiento del

Lanzamiento del
1.0 2.0
programa
Solución de negocio
Variables de interés
Datos necesarios
Tecnología requerida
Figura 4. Plantilla de lanzamiento del proyecto.

17
Tema 1. Ideas clave
Ejemplo
Lanzamiento del proyecto

Para ello, como se ha detallado en los ejemplos anteriores, la compañía

se plantea tres proyectos de Inteligencia de Negocio. Así, para cada uno
de los proyectos establece un programa de lanzamiento con el siguiente
detalle:
Lanzamiento del
1.0 2.0
programa
Solución de negocio Conocer zonas en las que se Saber la propensión a sustituir

concentra un mayor consumo el producto actual por otro de
del producto sustitutivo nueva generación
Variables de interés Consumo per cápita provincial Índice de sustitución provincial

del bien sustitutivo
Datos necesarios Ventas del producto Ventas del producto actual y

sustitutivo y población PIB
Tecnología requerida Matlab Matlab
Figura 5. Plantilla de lanzamiento del Proyecto A.
1.7. Medición de los resultados del proyecto
Como en cualquier proyecto, dado que el tiempo y los recursos económicos no son
ilimitados, debe medirse la relación entre dichos ítems y los resultados deseados.
Como se muestra en la Figura 6, el director del proyecto de Inteligencia de Negocio

debe equilibrar estas tres dimensiones: resultados, recursos y tiempo.
18
Tema 1. Ideas clave
Proyecto de
Inteligencia de
Negocio
Utilización de recursos
Figura 6. Relación entre resultados, recursos y tiempo dedicado.
 Resultados: los entregables de Inteligencia de Negocio son una combinación de datos

y su análisis. Debido a esto, el director del proyecto debe medir la funcionalidad de
dichos entregables, es decir, cuánto le ha «facilitado la vida» a los integrantes del
departamento.
 Recursos: los recursos del proyecto se pueden ajustar en función de la mano de obra
utilizada (trabajadores de la compañía y consultores externos).
 Tiempo: irónicamente, esta es la única variable que generalmente se determina

incluso antes que cualquier otra. Es muy común que los líderes asignen una fecha de
finalización antes de que ocurra, pues hay determinadas fechas críticas que a nivel
empresarial necesitan la solución de Inteligencia de Negocio que aporta el proyecto.
El segundo escenario más común, y uno que es muy razonable cuando se planifica un
programa de Inteligencia de Negocio completo, es establecer intervalos de tiempo
específicos para el lanzamiento de cada proyecto de Inteligencia de Negocio.
19
Tema 1. Ideas clave
Además de lo tratado, un proyecto de Inteligencia de Negocio es un proceso complejo
que cuenta con multitud de factores que influyen en los resultados, recursos y tiempo
empleado. Por ejemplo:
 Complejidad y variedad de funcionalidades analíticas.

 Complejidad y número de paneles, informes y visualizaciones.
 Cantidad de variables utilizadas.
 Cantidad de datos históricos.
 Complejidad de la integración de datos.
 Calidad de los datos.
 Volumen, variedad y velocidad de las fuentes de datos (internos y externos).
 Privacidad, seguridad y requisitos reglamentarios.
1.8. Promoción interna del proyecto.
Una tarea importante para el líder del programa de Inteligencia de Negocio es crear
y ejecutar una estrategia de comunicación interna durante la vida de los proyectos.
Esto incluye informes de estado y retroalimentación de las partes interesadas.
Además de programar reuniones, hay muchos tipos de herramientas de colaboración
que permiten la promoción interna del proyecto.
Es un error suponer que los participantes clave conocen los desarrollos actuales que
tienen lugar en el proyecto de Inteligencia de Negocio. A menudo es necesario
aumentar la conciencia interna y promover el proyecto dentro de la empresa. Los
resultados de esta promoción son clave para que un proyecto cuente con el personal
necesario para su implementación, por lo que una campaña interna de
concienciación y marketing puede ser esencial. Incluso después de que el proyecto

sea aprobado y presupuestado, es importante involucrar a promotores y futuros
usuarios de la solución de Inteligencia de Negocio para promover el entusiasmo y la
participación. De lo contrario, aunque se trate de un proyecto exitoso y con mucho
20
Tema 1. Ideas clave
recorrido, puede reducirse la financiación dedicada a él por la percepción de que ya
es lo suficientemente bueno y no necesita más mejoras.
Los beneficios del programa no siempre son obvios, por lo que es posible que se deba
aclarar el valor comercial de las inversiones realizadas en un proyecto de Inteligencia
de Negocio. Además, no se trata de un esfuerzo único, por lo que es posible que se
necesite tener un plan continuo para evaluar el éxito del proyecto mediante la
medición de las percepciones y expectativas de los usuarios de la compañía.
Además, aunque el «usuario avanzado» de la compañía esté a bordo y actualizado en

cuanto al proyecto de Inteligencia de Negocio, otros miembros críticos del grupo
empresarial podrían no estar tan bien informados. Puede haber una brecha de
comunicación dentro del grupo empresarial.
Antes de comenzar el trabajo de promoción, debe recibirse información de los

usuarios para determinar la percepción del proyecto y las expectativas que genera. A
continuación, debe realizarse un análisis de brechas para conocer dónde están las
necesidades. Por último, se formula la campaña interna de promoción para aumentar
la probabilidad de que su programa avance con éxito.
La campaña de promoción puede consistir en una serie de presentaciones, talleres o

sesiones de capacitación impartidas a usuarios y promotores. El contenido debe
cubrir los beneficios que genera a la compañía el proyecto de Inteligencia de Negocio
y debe incluir talleres para proporcionar información sobre lo que implica el proyecto
desde una perspectiva comercial y tecnológica. Estos talleres deberían ayudar a la
transferencia de conocimiento y a establecer las expectativas correctas.
21
Tema 1. Ideas clave
Los métodos de promoción más usados son los siguientes:
 Portal de la empresa, si corresponde, donde se publica la información de los

departamentos.
 Herramientas de colaboración utilizadas para compartir información, solicitar
comentarios y comunicar información entre las partes interesadas.
 Redes sociales.
 Estudios de casos o testimonios (al igual que los vendedores de productos).
 Almuerzo (o desayuno) y sesiones de aprendizaje (en persona o conferencias web).
 Tutoriales (videos web) publicados para aprender y comprender lo que está
disponible.
1.9. Referencias bibliográficas
Sherman, R. (2014). Business intelligence guidebook: From data integration to

analytics. Elsevier: Ámsterdam.
22
Tema 1. Ideas clave
A fondo
5 errores habituales al implementar Business Intelligence en las empresas
IEBS, Business School (7 de agosto de 2019). 5 errores habituales al implementar Business

Intelligence en las empresas [online]. Disponible en https://www.itop.es/blog/item/5-
errores-habituales-implementar-business-intelligence-en-empresas.html
Hay veces que los proyectos de Inteligencia de Negocio fracasan por errores de base
que nada tienen que ver con la parte técnica. En este documento encontrarás 5
errores habituales que se cometen en la implementación de proyectos de Inteligencia
de Negocio.
Business Intelligence vs Business Analytics
Prometeus Global Solutions (17 de marzo de 2019). Business Intelligence y Business

Analytics ¿dónde está la diferencia? [online]. Disponible en
https://prometeusgs.com/business-intelligence-y-business-analytics-donde-esta-la-
diferencia/
Aunque hay una línea muy fina que separa el Business Intelligence del Business
Analytics, el objetivo fundamental de estas disciplinas es el tratamiento de datos para
tomar decisiones eficientes en la empresa. En este documento puedes ver la
diferencia entre las dos materias.
23
Tema 1. A fondo
¿Qué es y para qué sirve un cuadro de mando integral o balanced scorecard?
Martín, J. (11 de febrero de 2020). ¿Qué es y para qué sirve un cuadro de mando integral
o balanced scorecard? [online]. Disponible en
https://www.unir.net/empresa/desarrollo-directivo/liderazgo/que-es-y-para-que-sirve-
un-cuadro-de-mando-integral-o-balanced-scorecard/
La mayor parte de análisis de Business Intelligence acaban en visualizaciones en

forma de cuadro de mando integral. En esta entrada de blog puedes ver la
importancia que tiene un balanced scorecard y para qué sirve.
24
Tema 1. A fondo
Test
1. La Inteligencia de Negocio es una disciplina:
A. Que genera conocimiento solo en el departamento de marketing de las
organizaciones.
B. Que solo tiene utilidad en el departamento de operaciones para optimizar el
consumo de materias consumibles.
C. Que tiene en cuenta solo los aspectos técnicos, y no la tecnología.
D. Que genera conocimiento y tiene en cuenta la estrategia empresarial
motivante fundamental.
2. El liderazgo de un proyecto de Inteligencia de Negocio:

A. Debe tener un perfil técnico, preferentemente un ingeniero informático.
B. Debe contar con un perfil de negocio que acompañe al técnico.
C. Debe ser el director financiero, para que no haya desviaciones en costes.
D. Ninguna de las anteriores es correcta.
3. John Heatnotburn, CEO de una compañía, quiere emprender un proyecto de

Inteligencia de Negocio consistente en predecir la demanda de un producto que
se encuentra al final del ciclo de su vida. Los responsables de marketing les indican
que sería más interesante predecir la demanda de un nuevo lanzamiento que se
acaba de realizar, pero el CEO no accede. ¿Ha actuado de forma correcta?
A. Sí, siempre que sea útil para el departamento de operaciones.
B. Sí, pero solo si no implica al departamento de marketing, para no entorpecer
su trabajo.
C. Solo si ese proyecto cuenta con viabilidad financiera.
25
Tema 1. Test
4. Los data shadow systems:
A. Nacen como consecuencia de la falta de implicación de toda la organización
en el desarrollo de un proyecto de Inteligencia de Negocio.
B. Son transversales para toda la compañía.
C. Provocan una unificación global de la información que es eficiente.
5. En un proyecto de Inteligencia de Negocio:

A. Solo es relevante la figura del promotor.
B. Solo necesita directores concretos para los proyectos. Si ellos canalizan toda
la información e imponen sus ideas sobre cada proyecto, el éxito está
asegurado.
C. Solo necesita la participación organizacional de todos los miembros que
componen la compañía.
D. Debe contar con promotores, directores de proyectos. Además, la
participación de la organización es muy importante.
6. La promoción interna de un proyecto de Inteligencia de Negocio:

A. No es necesaria, pues solo el usuario avanzado de la solución de Inteligencia
de Negocio debe conocer el funcionamiento de la solución aportada.
B. Es importante para que toda la organización se sienta partícipe.
C. Es importante solo en grandes empresas.
7. La intuición basada en el know-how de los miembros de la empresa:

A. Debe ser tenida en cuenta para establecer estrategias basadas en datos, pero
es fundamental que esta intuición esté apoyada por los datos.
B. Es fundamental y prevalece sobre la información generada basándose en

datos.
C. No debe ser tenida en cuenta, lo ideal es que se tomen decisiones solo
basándose en técnicas estadísticas tradicionales o avanzadas.
26
Tema 1. Test
8. El uso de distintas versiones según avanza la solución de Inteligencia de Negocio:
A. Es ineficiente. Lo ideal es crear la solución final sin versiones previas.
B. Es una metodología razonable para la construcción de un proyecto.
C. Es razonable solo en pymes que necesitan desarrollar la solución poco a
poco.
9. Las redes sociales:

A. No deben utilizarse nunca para promocionar un proyecto de Inteligencia de
Negocio. De hacerlo, se le está aportando mucha información a la competencia.
B. Son el único canal para promocionar un proyecto de Inteligencia de Negocio
en la compañía.
C. No deben utilizarse para promocionar un proyecto de Inteligencia de
Negocio por motivos de seguridad.
10. La rentabilidad de un proyecto de Inteligencia de Negocio:

A. Se mide comparando los recursos económicos destinados al proyecto con el
resultado obtenido.
B. Es indiferente, pues lo importante es que la solución de Inteligencia de
Negocio sea acorde al problema planteado.
C. Se mide solo considerando el tiempo dedicado al proyecto.
27
Tema 1. Test
Tema 2
Evaluación de un
de Negocio
Índice
Esquema 3
Ideas clave 4
2.2. Fase de descubrimiento: evaluar el entorno
actual 6
2.3. Fase de análisis: identificar los gaps 8

2.4. Fase de recomendaciones: alcance, prioridades y
presupuesto. 9
A fondo 12
Test 14
E VA L UA C I Ó N D E UN P R O Y E C T O D E I N T E L I G E N C I A D E N E G O C I O
D E S C UB R I MI E N T O A N Á LI SI S R E C O ME N D A C I O N E S
Se revisarán las conversaciones, discusiones y entrevistas de Se presentarán los resultados del análisis junto
Informes y análisis
la fase de descubrimiento con una hoja de ruta del proyecto de
deseados
Inteligencia de Negocio
Informes actuales, Tareas

Tareas
deficiencias de datos y
► Requisitos de los informes y necesidades de limpieza ► Revisar la hoja de ruta.
soluciones alternativas
de datos. ► Promocionar el proyecto.
► Lista de capacidad de los informes actuales.
► Revisar las skills de los miembros de la
Detección de gaps ► Examinar habilidades del personal. organización.
► Lista corta de proveedores de productos.
Prioridades
► Desarrollo de demostraciones.
► Desarrollo de plan de cronología.
Tema 2. Esquema
Esquema
3
Ideas clave
Antes de comenzar cualquier proyecto de Inteligencia de Negocio, hay muchas

preguntas por responder: ¿cuál es su alcance?, ¿cuál es la mejor manera de
proceder?, ¿cuánto tiempo necesitará?, ¿cuánto costará en esfuerzo y dinero?,
¿quién debe estar involucrado?, ¿qué productos se requieren?, entre otras. La
evaluación ayuda a responder estas preguntas y así mantener una línea de trabajo
que minimice los imprevistos. Esta evaluación puede ser interna, o bien la
organización puede recurrir a un consultor externo.
El resultado final de esta evaluación es establecer una hoja de ruta o programa de

Inteligencia de Negocio para alcanzar los objetivos comerciales y técnicos de una
manera que sea lo más eficiente posible en cuanto a costes y otros recursos. Lo ideal
es que esta hoja de ruta incluya distintos escenarios potenciales que ofrezcan
diferentes capacidades, plazos y costes. Para desarrollar la hoja de ruta, se deberán
examinar las cuatro áreas temáticas que se muestran en la Figura 1 con suficiente
detalle para cuantificar y elaborar los planes, presupuestos y cronograma.
Req u is ito s d e n eg o c io A r q u itec tu r a : d a to s ,

y d e s is tema s d e tec n o lo g ía n ec es a r ia ,
in f o r ma c ió n in f o r ma c ió n g en er a d a
P r o g r a ma y p r o y ec to s
O r g a n iz a c ió n y
d e I n telig en c ia d e
h a b ilid a d es
Neg o c io : p r o c es o s y
n ec es a r ia s
p o lític a s
Figura 1. Evaluación de un proyecto de Inteligencia de Negocio por áreas.
4
Tema 2. Ideas clave
Así, hecha antes de que comience un proyecto, la evaluación ayudará a desarrollar el
alcance y el diseño de este, pues con información detallada sobre las áreas que
intervienen en él se puede medir de una forma más certera el cronograma y los
recursos, minimizando el riesgo. La evaluación trata de analizar el estado actual de
la compañía y cuál es el potencial con sus cualidades actuales.
La representación de las fases que intervienen en la evaluación de un proyecto de

Inteligencia de Negocio se proporciona en la Figura 2. Como vemos, la evaluación
cubre tres dimensiones:
 Arquitectura: información, datos y tecnología.

 Requisitos y prioridades: negocios y sistemas de información.
 Personas: organización, gobernanza, proyectos y habilidades.
Evaluación de un Proyecto de Inteligencia de Negocio
Soluciones actuales de Arquitectura Requisitos Personas

Evaluación del Proyecto de

Inteligencia de Negocio:
• Análisis situación actual. Futuro
Datos disponibles
deseado
• Gaps detectados.
• Recomendaciones.
Iniciativas de negocio
Figura 2. Marco general de la Evaluación de un proyecto de Inteligencia de Negocio.

En la primera parte del tema se muestran los detalles de la fase inicial de la

evaluación de proyectos de Inteligencia de Negocio: el análisis de la situación actual.
En segundo lugar, se habla sobre la identificación de gaps o distancia entre la
situación actual y la ideal para que el proyecto sea exitoso. En la última parte del tema
5
Tema 2. Ideas clave
se desarrolla una metodología para comunicar el alcance, las prioridades y el
presupuesto del proyecto.
 Entender que el análisis de la situación actual de una empresa es un elemento

clave para que un proyecto de Inteligencia de Negocio sea exitoso.
 Detectar gaps entre la situación actual y el entorno ideal en el que se maximizan
las posibilidades de éxito de un proyecto de Inteligencia de Negocio.
 Medir el alcance, las prioridades y el presupuesto de un proyecto de Inteligencia
de Negocio.
2.2. Fase de descubrimiento: evaluar el entorno

actual
La fase de descubrimiento consiste en analizar los requisitos comerciales y de

sistemas de información, las skills de los miembros de la organización que intervienen
y la arquitectura de datos y tecnología (Sherman, 2014).
Gran parte de la recopilación de información para esta fase se realiza a través de

entrevistas con personas del departamento de Sistemas de Información y Negocios,
como miembros del departamento comercial que probablemente usarán el
desarrollo de Inteligencia de Negocio a realizar y otros potenciales usuarios. Los
temas que se aconseja tratar en estas sesiones son:
Informes y análisis deseados: ¿qué herramientas de decisión se necesitan y qué

datos se precisan conocer?

 Informes actuales, deficiencias de datos y soluciones alternativas: esta
información ayudará para el análisis de los gaps.
6
Tema 2. Ideas clave
 Prioridades: ¿qué es lo más importante para ellos en cuanto a la información que
necesitan para la toma de decisiones?
 Habilidades analíticas: ¿qué habilidades tienen ya?
El personal del departamento de Sistemas de Información que se entrevistará debe

incluir a posibles miembros del equipo del proyecto. En las conversaciones se ha de
abordar también una descripción general de la aplicación existente y el entorno de
informes, y posteriormente revisar más detalles sobre las arquitecturas, los requisitos
y los planes futuros.
Las cuestiones ya implementadas para revisar durante la fase de descubrimiento

pueden incluir sistemas de fuentes de datos, modelado de datos, requisitos
comerciales y técnicos, muestras de informes existentes o análisis realizados que
serán reemplazados por la solución de Inteligencia de Negocio que aporta el nuevo
proyecto, la infraestructura técnica existente y las iniciativas comerciales.
Vídeo. Evaluación del entorno actual.

7
Tema 2. Ideas clave
2.3. Fase de análisis: identificar los gaps
Durante la fase de análisis, se revisarán las conversaciones, discusiones y entrevistas

junto con los requisitos de los Sistemas de Información y los materiales reunidos en
la fase de descubrimiento. El análisis implica examinar la arquitectura, la
organización y los requisitos en términos de dónde se encuentra ahora y a dónde le
gustaría llegar con el proyecto de Inteligencia de Negocio. Se debe determinar el gap
entre los dos estados (presente y futuro), validar la capacidad para lograr el estado
final y determinar lo que necesitaría en las tres dimensiones (arquitectura, requisitos
y personas) para lograr el éxito.
Las tareas para la fase de análisis incluyen:
 Desarrollar una lista de requisitos para los informes de toda la empresa, los datos
compartidos y las necesidades de limpieza de datos.
 Crear una lista de las capacidades de los informes actuales.
 Examinar las habilidades del personal de la organización y determinar qué
capacitación podría ser necesaria.
 Realizar un análisis de gaps de lo que se desea, lo que es razonable y lo que se
agrega a la lista de tareas para el proyecto de Inteligencia de Negocio.
 Elaborar una lista corta de proveedores de productos.
 Desarrollar demostraciones de soluciones para la fase de recomendación. Esto
puede implicar obtener una muestra de datos e informes de la empresa y solicitar
a los proveedores que creen las demostraciones.
 Crear un plan con cronología, costes y recursos.
8
Tema 2. Ideas clave
Vídeo. Identificar los gaps del proyecto.
2.4. Fase de recomendaciones: alcance,

prioridades y presupuesto.
Durante la fase de recomendación, se presentarán los resultados de la fase de

análisis junto con una hoja de ruta del proyecto de Inteligencia de Negocio. Lo ideal
es que también incluya una serie iterativa de tareas para lograr los objetivos
generales del proyecto.
La fase de recomendaciones incluirá comentarios y recomendaciones sobre el estado

actual en relación con los requisitos y capacidades de la organización. Estas
recomendaciones incluirán su arquitectura (información, datos y tecnología) y su
organización (proyecto, recursos/habilidades/capacitación y estimaciones
aproximadas de costes).
9
Tema 2. Ideas clave
Las tareas en esta fase incluyen:
 Revisar la hoja de ruta del proyecto con los perfiles de negocio y de sistemas de
información para garantizar la implementación iterativa del proyecto.
 Promocionar el proyecto de Inteligencia de Negocio en la empresa.
 Revisar las skills con las que cuentan los miembros de la organización, analizando
cómo afectan a la implementación iterativa.
 Revisión de la hoja de ruta con el departamento de Sistemas de información,
incluidas las demostraciones.
Ejemplo
Evaluación del proyecto

Para ello, la compañía se plantea tres proyectos de Inteligencia de

Negocio. Así, para cada uno de los proyectos establece un cuadro de
evaluación con el siguiente detalle:
Sustitución de Arquitectura Requisitos Personas

productos
Datos con frecuencia Solo se analiza la cuota de Los usuarios comprueban la

Situación actual mensual tratados con mercado mensual de la cuota de mercado mensual para
Excel. compañía. establecer objetivos.
No se cuenta con datos
No se conoce la propensión No se utiliza la solución actual
Gaps detectados diarios para darle
a sustituir el producto. para detectar oportunidades.
dinamismo a la solución.
Medir diariamente la Formar a los usuarios para que
Recoger datos diarios y
Recomendaciones propensión provincial a la todos los días revisen
tratarlos con Matlab.
sustitución. oportunidades de negocio.
Datos con frecuencia Solo se analiza la cuota de Los usuarios comprueban la
Situación actual mensual tratados con mercado mensual de la cuota de mercado mensual para
Excel. compañía. establecer objetivos.
Figura 3. Cuadro de evaluación del Proyecto A.
10
Tema 2. Ideas clave
Vídeo. Fase de recomendaciones del proyecto.

11
Tema 2. Ideas clave
A fondo
Evaluación de un Proyecto de Inteligencia de Negocio
Gonçalves Teixeira, A. (2016). Evaluation of Business Intelligence Project Succes in Tintas

Robbialac, SA: An Exploratory Case Study. Universidade Nova de Lisboa: Lisboa.
Disponible en
https://pdfs.semanticscholar.org/b2dd/6017dc3ed59d8cf181672d4ad8de3edac6e3.pd
f
En este documento podrás ver la evaluación de un caso real en el que se aplica una
solución de Inteligencia de Negocio.
Recomendaciones y tendencias de Business Intelligence
Iurillo, M. (2017). Business Intelligence: Tendencias y Recomendaciones [online].

Disponible en
http://www.synergo.es/business-intelligence-tendencias-y-recomendaciones/
En este documento encontrarás tendencias y recomendaciones del Business

Intelligence en cuanto a la arquitectura, la evolución de los datos y las necesidades
del personal de la compañía.
12
Tema 2. A fondo
Ranking de las mejores herramientas de gestión de proyectos
Sánchez, C. (11 de febrero de 2020). Ranking de las mejores herramientas de gestión de

proyectos [online]. Disponible en https://www.unir.net/empresa/desarrollo-
directivo/transformacion-digital/ranking-de-las-mejores-herramientas-de-gestion-de-
proyectos/
Un proyecto de Inteligencia de Negocio no deja de ser un proyecto empresarial. Por

ello, conocer herramientas de gestión de proyectos es muy importante para evaluar
un proyecto de Inteligencia de Negocio.
13
Tema 2. A fondo
Test
1. La comparación entre los informes deseados y los que actualmente genera el
sistema con el que cuenta la compañía:
A. Es una tarea propia de la fase de descubrimiento.
B. Es una tarea propia de la fase de análisis.
C. Es una tarea propia de la fase de recomendaciones.
2. Las habilidades analíticas que ya poseen los miembros de la organización:

A. No son relevantes, las soluciones de Inteligencia de Negocio no requieren de
habilidades analíticas por parte de los usuarios.
B. Se analizan en la fase de descubrimiento.
C. Se evalúan en la fase de análisis.
3. En la fase de descubrimiento se suelen mantener sesiones de discusión con los

involucrados en el proyecto de Inteligencia de Negocio. Esta información:
A. Solo se usa en esa fase, la de descubrimiento.
B. Se utiliza solo para contratar la tecnología necesaria para la solución.
C. No se vuelve a utilizar en ninguna fase posterior del proceso de evaluación.
4. En la fase de análisis:
A. Se estudian las tres dimensiones que se han de evaluar: arquitectura,
requisitos y personas.
B. Solo se estudian los requisitos y prioridades: negocios y sistemas de

información.
C. Solo se estudian las personas: organización, gobernanza, proyectos y
habilidades.
14
Tema 2. Test
5. El desarrollo de las demostraciones:
A. Es propio de la fase de descubrimiento.
B. Es propio de la fase de recomendaciones.
C. No es necesario en empresas con una dimensión pequeña.
D. Es propio de la fase de análisis.
6. En la fase de evaluación de un proyecto de Inteligencia de Negocio, ¿se estudian

los proveedores de productos que existen para poder acometer el proyecto?:
A. No.
B. Sí, concretamente es una de las tareas de la fase de análisis.
C. Sí, concretamente es una de las tareas de la fase de recomendaciones.
7. Tras el análisis, se elabora una hoja de ruta que se deba seguir. ¿Se utiliza esta
información con posterioridad?
A. Sí, las recomendaciones parten de esa hoja de ruta.
B. No.
C. Solo se debe tener en cuenta en grandes empresas.
8. La promoción del proyecto:

A. Es una tarea de la fase de descubrimiento.
B. Es una tarea de la fase de recomendaciones.
C. No es necesaria.
9. Las necesidades de limpieza de datos:

A. No tienen que considerarse en la evaluación de un proyecto.

B. Deben evaluarse solo en grandes empresas.
C. Deben evaluarse solo cuando se tiene más de una base de datos.
D. Es una de las tareas de la fase de análisis.
15
Tema 2. Test
10. La evaluación de un proyecto de Inteligencia de Negocio:
A. Ayuda a responder preguntas clave y así mantener una línea de trabajo que
minimice los imprevistos cuando es externa.
B. Ayuda a responder preguntas clave y así mantener una línea de trabajo que
minimice los imprevistos cuando la hace la empresa a nivel interno.
C. Ayuda a responder preguntas clave y así mantener una línea de trabajo que
minimice los imprevistos.
16
Tema 2. Test
Tema 3
Estructura de
descomposición del
trabajo (EDT)
Índice
Esquema 3
Ideas clave 4
3.2. Definición de la EDT 5
3.3. Principios para diseñar la EDT 6
3.4. Múltiples EDT para el proyecto de Inteligencia de
Negocio 8
3.5. Plan de arquitectura del proyecto de Inteligencia
de Negocio 12
3.6. Los proyectos de Inteligencia de Negocio son
diferentes 15
A fondo 18
Test 20
E S T R UC T UR A D E D E S C O MP O S I C I Ó N D E L T R A B A J O ( E D T )
D EF I NI C I Ó N D E LA ED T
Subdividir el proyecto en componentes más Se debe elegir a una Cada componente debe tener un alcance, un
pequeños y manejables persona responsable marco de tiempo, un presupuesto
P RI NCI P I O S
Regla del 100 por 100 Exclusividad mutua Entregables del plan Regla 8/80
C L AV E S
Múltiples EDT para el proyecto Plan de arquitectura
- EDT del programa de Inteligencia de Negocio. - Arquitectura de la información.

- EDT de cada proyecto de Inteligencia de Negocio. - Arquitectura de datos.
- EDT de la arquitectura de la solución de - Arquitectura de la tecnología.
Inteligencia de Negocio. - Arquitectura del proyecto.
Tema 3. Esquema
Esquema
3
Ideas clave
En ocasiones, el director del proyecto de Inteligencia de Negocio es un perfil

orientado a la Inteligencia de Negocio sin mucha experiencia en administración de
proyectos o un perfil de proyecto sin mucha experiencia en aplicación de Inteligencia
de Negocio. Además, cuando las empresas son nuevas en Inteligencia de Negocio, es
probable que este director no tenga experiencia en ninguno de los dos ámbitos
mencionados.
Existe una tendencia en los proyectos de Inteligencia de Negocio que consiste en

exigir que el director del proyecto desarrolle un programa detallado de este antes de
comenzar cualquier trabajo. Si el director tiene una experiencia limitada o nula en
Inteligencia de Negocio o gestión de proyectos, será una tarea imposible. Incluso si la
persona tiene experiencia solo en la gestión de proyectos, debido a la complejidad
de un proyecto de Inteligencia de negocio, resulta un trabajo complicado. A menudo
hay muchas incógnitas al comienzo, lo que dificulta la creación de un cronograma
detallado del proyecto. El mejor enfoque de gestión de proyectos al comienzo del
programa general de Inteligencia de Negocio y de cualquier proyecto es definir una
estructura de descomposición del trabajo (EDT) antes de desarrollar cualquier
cronograma del proyecto (Sherman, 2014).
En la primera parte del tema se muestran distintos aspectos de la EDT: su definición,

los principios para diseñarla y las múltiples EDT que es necesario diseñar en un
proyecto de Inteligencia de Negocio. En segundo lugar, se habla de plan te

arquitectura técnica del proyecto de Inteligencia de Negocio. En la última parte del
tema habla de las diferencias que existen entre un proyecto de Inteligencia de
Negocio y un proyecto tradicional de Sistemas de Información.
4
Tema 3. Ideas clave
 Desarrollar la EDT de un proyecto de Inteligencia de Negocio.

 Detectar los puntos críticos en la arquitectura del proyecto de Inteligencia de
Negocio.
 Identificar las diferencias entre un proyecto de Inteligencia de Negocio y otros
proyectos de Sistemas de Información.
3.2. Definición de la EDT
El concepto EDT fue desarrollado por el Departamento de Defensa de Estados Unidos

a principios de la década de 1960 y luego documentado por el Project Management
Institute para su uso fuera de la industria de defensa. La EDT es una técnica de
gestión de proyectos que descompone gradualmente un proyecto en componentes
más pequeños en función de sus resultados. Se representa visualmente como una
estructura jerárquica o de árbol (Sherman, 2014).
Para ello, se debe comenzar con el objetivo final del proyecto para subdividirlo en
componentes más pequeños y manejables. Cada componente o nodo en la
estructura de árbol debe tener un alcance, un marco de tiempo, un presupuesto,
recursos y una persona responsable de su entrega.
La EDT proporciona un marco para planificar, programar y administrar un programa

de Inteligencia de Negocio y los proyectos individuales que componen dicho
programa. Es importante tener en cuenta que el propósito principal de la EDT es
descomponer el proyecto por entregables en lugar de definir un cronograma de

proyecto detallado y orientado a tareas (Sherman, 2014). El desarrollo de un
cronograma detallado del proyecto es una continuación natural tras la definición de
la EDT (Sherman, 2014).
5
Tema 3. Ideas clave
La definición de la EDT conlleva la elaboración de órdenes de trabajo que deben ser
entregadas al responsable de Sistemas de Información para cuantificar el coste y
recursos que supondrá cada entregable.
3.3. Principios para diseñar la EDT
Hay varios principios que ayudan con el diseño y desarrollo de la EDT. Estos principios,
que usan una terminología padre-hijo (cada entregable tiene como punto de partida
una base previa), pueden resumirse, fundamentalmente, en cinco (Sherman, R.,
2014):
 Regla del 100 por 100: una EDT contiene el 100 % del trabajo requerido para poder
realizar todos los entregables del proyecto. La suma de cada nivel en la jerarquía
debe ser igual al 100 % del proyecto, y los hijos de cada padre deben representar
la totalidad de su padre.
 Exclusividad mutua: cada nodo de la EDT debe ser exclusivo para el padre y no
superponerse con ninguna otra rama en la estructura de árbol. Además de hacer
cumplir la regla del 100 por 100, el propósito es eliminar ambigüedades y
duplicidades.
 Entregables del plan: una EDT es un desglose de los entregables o el alcance del
proyecto, y no las tareas. Concentrarse en lo que se entregará en lugar de como
se entregará evita que una EDT se atasque en demasiados detalles y se pierda
demasiado tiempo.
 Regla 8/80: los componentes de la EDT en el nivel de detalle más bajo no deben
requerir menos de 8 horas de esfuerzo, o la EDT será demasiado detallada.
Además, los componentes más detallados no deberían requerir más de 80 horas
de trabajo; de lo contrario, los componentes tendrían un nivel demasiado alto para
6
Tema 3. Ideas clave
gestionarlos. La regla 8/80 no es una regla absoluta, sino más bien una «regla de
oro» que los gerentes de proyectos experimentados y exitosos siguen.
Un proyecto puede tener múltiples EDT que representan diferentes puntos de vista
del proyecto desde las distintas perspectivas de las partes interesadas. Las dos
estructuras de EDT más comunes para un proyecto de desarrollo de aplicaciones son:
 Desglose orientado a funciones: representa el punto de vista de una o más

categorías de partes interesadas. Estas categorías pueden ser los promotores y los
usuarios de la solución de Inteligencia de Negocio.
 Desglose orientado al proyecto: representa la perspectiva de las partes

involucradas en la gestión diaria de la ejecución del proyecto.
Cuando se crean múltiples EDT, cada una debe seguir las reglas especificadas
anteriormente y, además, deben estar conectadas con el programa general para
garantizar la integridad y el control. El uso de EDT múltiples permite una
comunicación más efectiva y una mejor gestión de programas y proyectos con una
comunidad diversa de partes interesadas del proyecto.
Vídeo. Principios para diseñar una EDT.
7
Tema 3. Ideas clave
3.4. Múltiples EDT para el proyecto de Inteligencia
de Negocio
El uso de las EDT es una herramienta de gestión de proyectos muy eficaz para
planificar y desarrollar soluciones de Inteligencia de Negocio. Con demasiada
frecuencia, la planificación y programación de un proyecto de Inteligencia de Negocio
se convierte en un proyecto en sí mismo, que consume una gran parte del tiempo
que se pensaba utilizar para diseñar, desarrollar y desplegar la solución (Sherman,
2014). Debido a que la EDT no implica la creación de un cronograma orientado a las
tareas del proyecto, el director del proyecto de Inteligencia de Negocio puede
determinar el alcance del proyecto y estimar el tiempo, el coste y los recursos
necesarios descomponiendo los entregables, sin atascarse en las minucias de las
tareas. Además, dado que la EDT es independiente de cualquier metodología de
proyecto específica, el director del programa general no se ve obligado a adoptar un
enfoque único para todos los proyectos que lo integran. El director del programa
puede adaptar la elección de la metodología según el alcance del proyecto y la
madurez de la empresa. De hecho, para proyectos más complejos o grandes, se
recomienda utilizar un enfoque híbrido para la metodología del proyecto (Sherman,
2014). Esto se describe más adelante en este capítulo.
Existen varias EDT para elaborar el diseño, desarrollo, implementación y expansión

de una solución de Inteligencia de Negocio empresarial:
 EDT del programa de Inteligencia de Negocio.

 EDT de cada proyecto de Inteligencia de Negocio.
EDT de la arquitectura de la solución de Inteligencia de Negocio.
8
Tema 3. Ideas clave
EDT del programa de Inteligencia de Negocio
La EDT es una herramienta de planificación efectiva para un programa general de

Inteligencia de Negocio. Del mismo modo que una empresa de software planearía el
desarrollo de su producto a través de una serie de lanzamientos que ampliarían su
funcionalidad de forma incremental e iterativa, también debería planificarse así un
programa de Inteligencia de Negocio. La EDT del programa de Inteligencia de Negocio
descompone el programa en una serie de lanzamientos con su propio alcance, es decir,
entregables, plazos y costes, como se muestra en la Figura 1. Cada una de las versiones
se descompone en la funcionalidad y los datos que se entregarán.
Programa de Inteligencia de Negocio
Entregable 1.0 Entregable 2.0 Entregable 3.0
Figura 1. EDT del programa de Inteligencia de Negocio.
EDT del proyecto de Inteligencia de Negocio
Una vez creada la EDT del programa, debe crearse la EDT de cada proyecto. Como se
muestra en la Figura 2, la EDT del proyecto de Inteligencia de Negocio se desglosa en el
nivel más alto por fases del proyecto. Cada una de las fases se desglosa por sus
entregables clave. Cada uno de los entregables se desglosa en entregas subyacentes
más detalladas, pero como se mencionó anteriormente, la descomposición no debe
descender al nivel de tarea ni debe ser demasiado detallada, dada la regla 8/80
(Sherman, 2014).
Entregable 1.0
Alcance y Definición y Diseño y Construcción y Implementación

planificación análisis arquitectura prueba y despliegue
Figura 2. EDT del proyecto de Inteligencia de Negocio.
9
Tema 3. Ideas clave
Esta EDT es una herramienta de planificación efectiva para desarrollar una lista de los
entregables clave mostrando sus interdependencias, nivel de esfuerzo, coste estimado,
recursos planificados y fechas clave. Esta EDT describe qué se construirá y qué recursos
se necesitan, pero aún no aborda el cómo se construirá, lo que se difiere para otras
actividades de gestión de proyectos (Sherman, 2014).
Esta EDT es una herramienta de comunicación efectiva entre las partes interesadas
porque trata con el «qué» y no con el «cómo». El proyecto de WBS de la BI se utiliza
para solicitar compromisos de presupuesto y recursos junto con un acuerdo sobre los
hitos del cronograma (Sherman, 2014).
EDT de la arquitectura de la solución de Inteligencia de Negocio
La tercera EDT está vinculada a la arquitectura informática, y ha demostrado ser muy

útil para planear entregables arquitectónicos y componentes para el programa de
Inteligencia de Negocio y sus proyectos individuales. Como se muestra en la Figura 3, el
programa o proyecto de EDT se divide en las cuatro arquitecturas de BI: información,
datos, técnica y proyecto.
Entregable 1.0
Arquitectura de la Arquitectura de la Arquitectura del

Arquitectura de datos
información tecnología proyecto
Figura 3. EDT de la arquitectura.
Cada uno de los nodos arquitectónicos se divide en los entregables y componentes de

esa arquitectura específica (Sherman, 2014):
 La arquitectura de la información contiene las aplicaciones de Inteligencia de

Negocio que se desarrollarán y luego se desglosarán aún más hasta que el nivel
más bajo de detalle conste de paneles de control, visualizaciones o informes
específicos.
10
Tema 3. Ideas clave
 La arquitectura de datos se divide en entregas de integración de datos
relacionadas con el abastecimiento de datos y las estructuras de datos utilizadas
para análisis, como almacenes de datos (data warehouse), data marts y cubos.
 La arquitectura de la tecnología se divide en las tecnologías subyacentes que se

utilizan para crear los productos de Inteligencia de Negocio. Las tecnologías
pueden incluir análisis, integración de datos, bases de datos, perfiles de datos,
modelado de datos y limpieza de datos.
 La arquitectura del proyecto se desglosa por la entrega y disponibilidad de

productos específicos. En el nivel más alto, esto puede incluir categorías de
productos, mientras que en el nivel más bajo puede enumerar productos
específicos.
Vídeo. EDT de la arquitectura.

11
Tema 3. Ideas clave
3.5. Plan de arquitectura del proyecto de
La EDT de la arquitectura de la solución de Inteligencia de Negocio define los entregables

y componentes clave para el programa general de Inteligencia de Negocio, y es el
complemento de la EDT del programa de Inteligencia de Negocio, que define los
entregables comerciales clave para el programa. Esto permite que el director del
programa de Inteligencia de Negocio examine los entregables del programa de manera
integral y luego determine la mejor secuencia para desarrollar la arquitectura de forma
incremental. Una vez hecho esto, el director puede asignar el componente
arquitectónico a proyectos individuales para diseñar, desarrollar e implementar. Como
se muestra en la Figura 4, las cuatro arquitecturas abarcan cada una de las fases de los
proyectos individuales de Inteligencia de Negocio (Sherman, 2014).
Etapas de un proyecto de Inteligencia de Negocio
1. Alcance y 2. Definición y 3. Diseño y 4. Construcción y 5. Implementación

planificación análisis arquitectura prueba y despliegue
Arquitectura de la información.
Arquitectura de datos.
Arquitectura de la tecnología.
Arquitectura del proyecto.

Figura 4. Intervención de las 4 arquitecturas en las etapas de un proyecto.
Por lo tanto, el director del programa de Inteligencia de Negocio debe definir cuatro
planes de arquitectura: información, datos, tecnología y proyecto.
12
Tema 3. Ideas clave
El plan de arquitectura de la información define qué solución de Inteligencia de Negocio
se debe construir y a qué datos se accederá en el contexto de negocio. Este plan debe
detallar lo siguiente (Sherman, 2014):
 Aplicaciones comerciales a las que se accede.

 Procesos comerciales impactados.
 Datos del negocio utilizados.
 Departamentos y responsables que utilizarán la solución de Inteligencia de
Negocio.
 Capacidades analíticas que se requieren para usar la solución.
El plan de arquitectura de datos define qué datos se utilizan según la arquitectura de

información. Este plan debe detallar lo siguiente (Sherman, 2014):
 Fuentes de datos.
 Aplicaciones de origen, bases de datos y archivos.
 Subconjunto de datos a los que se accede: tablas, columnas, campos.
 Requisitos de datos históricos.
 Integración y transformación de datos.
 Calidad y limpieza de datos.
 Requisitos de procesamiento.
 Métricas y monitoreo.
 Definir requisitos para cambios en datos históricos.
 Manejo de errores, omisiones y excepciones.
El plan de arquitectura de la tecnología enumera qué tecnología se necesita para

soportar las arquitecturas de información y datos (Sherman, 2014):
 Herramientas analíticas.
 Integración de datos o extracción, transformación y carga (ETL).
 Integración de aplicaciones.
 Base de datos.
13
Tema 3. Ideas clave
 Modelado de datos.
 Perfiles de datos.
 Gestión de metadata.
 Desarrollo de aplicaciones: gestión de código fuente, programación de trabajos,
copias de seguridad y recuperación.
El plan de arquitectura del proyecto enumera qué productos son necesarios para
soportar la arquitectura tecnológica anterior. Los productos seleccionados deben
cumplir con los estándares empresariales apropiados, aunque a menudo el proyecto de
Inteligencia de Negocio introduce muchas nuevas tecnologías y productos en la empresa.
Ejemplo
Plan de arquitectura

Se decide crear un programa de Inteligencia de Negocio que cuenta con

tres proyectos. Así, en plan de arquitectura que define para cada proyecto
es:
Arquitectura Arquitectura Datos Arquitectura Arquitectura Proyecto Arquitectura

Información Tecnología Información
Proyecto A. Los da tos históricos La extra cción de datos del Se necesita Matlab
Se a ccede a datos de
deben ser diarios. Ca da Data Warehouse s e ha rá pa ra modelar y
Sustitución venta s sell in. La solución
va ri a ble se representa en us a ndo lenguaje SQL. El PowerBI para
de l a utilizará el
una columna y ca da día Data Mart res ultante será vi s ualizar l os
productos departamento de ventas.
en una fila. tra ta do con Ma tlab. res ultados.
Se a ccede a datos de Ca da cliente se La extra cción de datos del Se necesita Matlab
Proyecto B. venta s y tes orería representa en una fila y Data Warehouse s e ha rá pa ra modelar y
Agrupación (moros idad). La l a s columnas son los us a ndo lenguaje SQL. El PowerBI para
de clientes a pl icación la utilizará el i ndicadores de ca da uno Data Mart res ultante será vi s ualizar l os
departamento de ventas. de el los. tra ta do con Ma tlab. res ultados.
Los da tos históricos

Proyecto C. La extra cción de datos del Se necesita Matlab
Se a ccede a datos de deben ser s emanales.
Data Warehouse s e ha rá pa ra modelar y
Predicción venta s sell in y sell out. La Ca da va riable se
us a ndo lenguaje SQL. El PowerBI para
de la a pl icación la utilizará el representa en una
Data Mart res ultante será vi s ualizar l os
demanda departamento de ventas. col umna y ca da semana
tra ta do con Ma tlab. res ultados.
en una fila.
Figura 5. Plan de arquitectura de los proyectos.
14
Tema 3. Ideas clave
3.6. Los proyectos de Inteligencia de Negocio son
diferentes
A grandes rasgos, los proyectos de Inteligencia de Negocio se parecen mucho a un

proyecto típico de desarrollo de aplicaciones de Sistemas de Información. De hecho, las
fases del proyecto pueden ser idénticas. Sin embargo, existen diferencias
fundamentales entre la Inteligencia de Negocio y las aplicaciones típicas de Sistemas de
Información que afectan significativamente a la selección de la metodología de proyecto
apropiada y el desglose detallado de su plan de proyecto. Estas diferencias se resumen
en la Figura 5 (Sherman, 2014).
Soluciones empresariales vs soluciones de Inteligencia de Negocio

SOLUCIÓN INTELIGENCIA
CRITERIO SOLUCIÓN EMPRESARIAL
NEGOCIO
PROPÓSITO Crear y almacenar datos Consultar y analizar datos
Gestión y planificación
ENFOQUE EMPRESARIAL Operaciones empresariales
empresarial
Por lo general, se consultan Normalmente une muchas

TIPOS DE CONSULTAS datos específicos para un tablas de datos que abarcan un
período de tiempo concreto período de tiempo extendido
Miembros de la organización en
Miembros que realizan todos los niveles, con especial
USUARIOS
operaciones empresariales importancia para los que toman
decisiones
Departamento de Sistemas Un mix entre el departamento

DESARROLLADORES de Información o un de Sistemas de Información y
desarrollador externo perfiles empresariales
Figura 6. Diferencias entre soluciones empresariales y soluciones de Inteligencia de Negocio.

Mientras que la mayoría de las empresas estandarizan su procesamiento transaccional

comercial y seleccionan la planificación de recursos empresariales (ERP) para
implementar ese procesamiento, la Inteligencia de Negocio aporta una solución
altamente personalizada. A primera vista, puede parecer que hay soluciones de
15
Tema 3. Ideas clave
Inteligencia de Negocio y áreas generadoras de datos que son comunes dentro de los
departamentos comerciales, finanzas o recursos humanos. Sin embargo, los detalles y
las implementaciones específicas de esas funciones y estructuras de datos varían
ampliamente de una empresa a otra. Las métricas de rendimiento empresarial y los
datos detallados utilizados en el cálculo variarán enormemente no solo entre las
empresas, sino a veces entre los departamentos dentro de la misma empresa. Aunque
una empresa puede traer a un experto en una aplicación ERP particular para
implementar su aplicación con mucha certeza para los requisitos empresariales y de
datos, esa certeza no existe cuando se implementa una solución de Inteligencia de
Negocio específica para una empresa que es altamente personalizada (Sherman, 2014).
No solo cada implementación de Inteligencia de Negocio está altamente personalizada

en el nivel de detalle, sino que, por lo general, los detalles no serán evidentes al
comienzo del proyecto, independientemente de cuán exhaustivos sean los procesos de
descubrimiento para los requisitos de datos. Hasta que no se comience realmente a usar
las soluciones de Inteligencia de Negocio junto con los datos asociados, el equipo que
desarrolla la solución no podrá completar los requisitos detallados de negocio y datos.
Así, gran parte del procesamiento de detalles que la empresa está utilizando para
recopilar y analizar datos se halla oculto en hojas de cálculo y silos de datos no
documentados.
La principal diferencia entre seleccionar una metodología de proyecto y definir un plan

de proyecto detallado es la incertidumbre en los requisitos que deben cumplir los datos
al comienzo del proyecto. Esto significa que la metodología típica en cascada, en la que
los empresarios comunican sus requisitos y luego el departamento de Sistemas de
Información implementa un proyecto para satisfacerlos, no funcionará. Esta es una de
las razones clave por las que la mayoría de los proyectos de Inteligencia de Negocio no
cumplen con las expectativas comerciales (Sherman, 2014).
16
Tema 3. Ideas clave
Vídeo. Diferencias entre soluciones empresariales y de Inteligencia de Negocio.

17
Tema 3. Ideas clave
A fondo
Amplía tus conocimientos sobre la estructura de descomposición del trabajo
Work Breakdown Structure. Página web. https://www.workbreakdownstructure.com/
Esta web se dedica, en su totalidad, a la EDT, por lo que aquí podrás ampliar tus
conocimientos sobre esta disciplina.
¿Sabías que la EDT también se conoce como estructura de desglose del trabajo?
RIB Spain. (2020). EDT Estructura de Desglose del Trabajo. RIB Spain: Madrid. Disponible
en https://www.rib-software.es/pdf/Notas-tecnicas/EDT-Estructura-de-Desglose-del-
Trabajo.pdf
En este documento tienes algunas claves sobre la estructura de descomposición del

trabajo, también denominada estructura de desglose del trabajo.
18
Tema 3. A fondo
Refinería de datos. Reinventando el Business Intelligence
Torrado, A. (2018). Refinería de datos. Reinventando el Business Intelligene [Archivo de

vídeo]. Disponible en https://www.youtube.com/watch?v=3zjXZok6_CA#action=share
La arquitectura de datos es una de las descomposiciones que se hacen en un proyecto

de Inteligencia de Negocio. Refinar los datos es importante, y en esta openclass
puedes ver la importancia de limpiar los datos en el entorno Big Data actual.
19
Tema 3. A fondo
Test
1. Cuando se define la EDT de un proyecto de Inteligencia de Negocio:
A. Solo se debe subdividir en tareas la parte tecnológica del mismo.
B. Solo se debe subdividir el modelado de datos en distintas tareas.
C. No es necesario descomponer el área relacionada con la tecnología.
D. Se debe subdividir todo el proyecto en subconjuntos.
2. La responsabilidad de las subdivisiones realizadas tras la definición de la EDT:

A. Debe ser solidaria, sin contar con una figura concreta.
B. Debe recaer en una persona concreta.
C. Toda la responsabilidad es del director general de la compañía.
3. El presupuesto de un proyecto de Inteligencia de Negocio:

A. Debe ser general, sin dividirlo en distintos aparatados.
B. Debe estar atomizado para que cada subdivisión creada con la definición de
la EDT cuente con sus recursos.
C. Debe ser general, consensuado con el Departamento Financiero.
4. La regla del 100 por 100:

A. Determina que el 100 por 100 del proyecto debe dividirse en distintos hitos
que tengan un peso específico.
B. Determina que el 100 por 100 del proyecto debe ser realizado por el
departamento de Sistemas de Información.
C. Determina que el 100 por 100 del proyecto debe ser realizado por el área de
negocio, sin contar con el departamento de Sistemas de Información.
20
Tema 3. Test
5. La regla de exclusividad mutua:
A. Establece que cada parte de la EDT es independiente, aunque a veces puede
superponerse con otras partes.
B. Establece que cada parte de la EDT debe ser independiente, sin
superposiciones con otras partes del proyecto.
C. Establece que la información de un departamento no puede fluir hacia otro.
6. El director de Marketing de una conocida marca de cerveza está realizando las

previsiones de ventas para el año 2019 en Rusia. Para ello ha diseñado un proyecto
de Inteligencia de Negocio y ahora se encuentra en la fase de descomposición EDT.
Para ello, ha diseñado un protocolo centrado en cómo hacer las entregas de cada
parte de la EDT, sin detallar en qué consiste cada entrega. En esta línea, ha
incumplido el principio:
A. Regla del 100 por 100.
B. Exclusividad mutua.
C. Entregables del plan.
D. Regla del 8/80.
7. El director de Marketing de una conocida marca de cerveza está realizando las

previsiones de ventas para el año 2019 en Rusia. Para ello ha diseñado un proyecto
de Inteligencia de Negocio y ahora se encuentra en la fase de descomposición EDT.
Para ello, ha diseñado una EDT que incluye tareas que conllevan una hora de
trabajo. En esta línea, ha incumplido el principio:
A. Regla del 100 por 100.
B. Exclusividad mutua.
C. Entregables del plan.
D. Regla del 8/80.
21
Tema 3. Test
8. Mientras las soluciones empresariales tradicionales se centran en crear y
almacenar datos, las soluciones de Inteligencia de Negocio:
A. No se diferencian de las soluciones tradicionales.
B. Lo hacen en la consulta y análisis.
C. Se centran solo en la consulta.
9. El modelado de datos es propósito de:

A. Arquitectura de la información.
B. Arquitectura de datos.
C. Arquitectura de la tecnología.
10. Los usuarios de una solución empresarial tradicional y una de Inteligencia de

Negocio:
A. Son los mismos, no existe diferencia entre ambas soluciones.
B. Mientras que en la primera los usuarios tienen especial interés en la toma de
decisiones, en la segunda solo realizan operaciones empresariales.
C. Mientras que en la segunda los usuarios tienen especial interés en la toma
de decisiones, en la primera solo realizan operaciones empresariales.
22
Tema 3. Test
Tema 4
Metodologías de
proyecto
Índice
Esquema 3
Ideas clave 4
4.2. La batalla de las metodologías de proyecto 6
4.3. La falsa elección entre metodologías de proyecto
10
4.4. Metodología híbrida para proyectos de
Inteligencia de Negocio 13
A fondo 16
Test 17
METODOLOGÍAS DE PROYECTO
WATERFALL AGILE OTROS
La metodología de cascada
La fa lta de una Des arrollo Des arrollo en
uti l iza un enfoque La a l ternativa principal a la
a rquitectura y un ma rco i ncremental es piral
s ecuencial o lineal para el ca s cada es la metodología ágil
des arrollo de la s olución de generales pueden dar
del proyecto. Agile es un Des arrollo
Inteligencia de Negocio. como res ultado, en el
enfoque iterativo basado en rá pi do Crea ci ón de
mejor de los casos, un
equipo donde l os requisitos y prototi pos
di s eño i neficiente y, en el
entregables evolucionan a Ori entado a
peor, un sistema cuyas
tra vés de la colaboración objetos
pa rtes no funcionan
A menudo es difícil, tra ns versal.
junta s.
pa rti cularmente en
Inteligencia de Negocio,
obtener l os requisitos
comerci ales completos por
a delantado en un proyecto.
Tema 4. Esquema
Esquema
3
Ideas clave
El ciclo de vida de desarrollo de sistemas (SDLC), a veces denominado metodología

de desarrollo de aplicaciones, es el término utilizado por ingenieros de software y
profesionales de Sistemas de Información para describir el proceso utilizado para
planificar, diseñar, desarrollar, probar e implementar aplicaciones de software. Los
ingenieros de software que trabajan dentro de una empresa de tecnología siempre
usarán un SDLC cuando desarrollen y mantengan productos de software que se
venden a clientes. Los profesionales de Sistemas de Información, por otro lado,
podrían no utilizar una metodología de proyecto formal al desarrollar sus
aplicaciones. Esto es especialmente común en las pequeñas y medianas empresas,
pero también es evidente incluso en las grandes empresas (Sherman, 2014).
La razón principal de la diferencia entre los ingenieros de software y los profesionales

de Sistemas de Información es que los ingenieros de software desarrollan y
mantienen los productos que vende su empresa. Por lo tanto, estos productos de
software son activos de las empresas tecnológicas y deben tratarse como tales. El uso
de una metodología de proyecto común es la mejor manera para que las empresas
de tecnología diseñen, mantengan, respalden y expandan sus productos (Sherman,
2014). El uso de una metodología permite que una empresa de tecnología administre
mejor sus recursos, facilita la planificación y establece la documentación como parte
de los entregables.
Por el contrario, las aplicaciones que el grupo de Sistemas de Información de una

compañía desarrolla para su empresa generalmente no se consideran un activo
empresarial, y el grupo de TI a menudo se considera como gastos generales o un
centro de costes de la empresa. Además, los empresarios suelen querer su aplicación
lo antes posible y, por lo general, no les preocupa o desconocen cómo se ha creado
4
Tema 4. Ideas clave
esa aplicación. Desde este punto de vista, no es sorprendente que la metodología de
un proyecto de desarrollo de software no esté generalmente en la lista de
prioridades de muchos departamentos de Sistemas de Información.
Otra diferencia entre los desarrolladores de Sistemas de Información y de software

es el fenómeno de aplicación «accidental». Es una situación muy común el que un
empresario le pida a Sistemas de Información que desarrolle algo «rápido y sin pulir».
Sin embargo, el empresario comienza a usarlo, y luego regresa y le pide que agregue
algo más. La situación continúa, y el resultado es una aplicación que nunca fue
diseñada porque nunca fue planeada en primer lugar. Este es el mismo fenómeno
que ocurre cuando una hoja de cálculo se convierte en un data shadow system que
cubre una necesidad completa (Sherman, 2014). Cuando esto ocurre, el
departamento de Sistemas de Información no utiliza una metodología de proyecto
formal para construir la solución de Inteligencia de Negocio.
Sin una metodología de proyecto de desarrollo de software, es común que los

proyectos grandes lleguen tarde, sobrepasen el presupuesto o no generen valor al
negocio. Los proyectos más pequeños pueden generar elogios a corto plazo, pero
generalmente crean información redundante o fragmentada.
Para tener éxito tanto en el corto plazo administrando proyectos individuales de

Inteligencia de Negocio como a largo plazo con un programa general en expansión,
los grupos de Sistemas de Información deben usar metodologías de proyectos de
desarrollo de software. La clave para que esto suceda es que una empresa debe
considerar que la información generada tras su análisis es un activo corporativo, al
igual que las aplicaciones utilizadas que transforman los datos en esa información
comercial. Cuando se consideran activos corporativos tanto las aplicaciones como la
información, queda clara la necesidad de metodologías de proyectos de desarrollo

de software (Sherman, 2014).
5
Tema 4. Ideas clave
Así pues, en la primera parte del tema se muestran varias metodologías de proyecto.
En segundo lugar, se aportan consejos para elegir la metodología adecuada. En la
última parte del tema se propone una metodología de proyecto para Inteligencia de
Negocio híbrida que maximiza las probabilidades de éxito.
 Distinguir entre varias metodologías de proyecto.

 Elegir la metodología adecuada según la situación.
 Aplicar una metodología híbrida para proyectos de Inteligencia de Negocio.
4.2. La batalla de las metodologías de proyecto
Ha habido una batalla en los últimos años con respecto a qué metodología de
proyecto debe usar una empresa para desarrollar un proyecto de Inteligencia de
Negocio: waterfall (en cascada) o agile. La metodología waterfall ha sido el enfoque
tradicional utilizado en la industria, mientras que agile es un enfoque más novedoso
que es especialmente popular en el desarrollo web (Sherman, 2014).
Waterfall (en cascada)
La metodología en cascada utiliza un enfoque secuencial o lineal para el desarrollo

de la solución de Inteligencia de Negocio. El proyecto se divide en una secuencia de
tareas con distintas fases cada una. Un verdadero enfoque en cascada requiere fases
que se completen en secuencia y tengan criterios de salida formales, típicamente una
aprobación de los interesados del proyecto. Una lista típica de tareas en cascada
incluye (Sherman, 2014):
 Alcance y proyecto del plan.

 Recopilar y documentar los requisitos.
6
Tema 4. Ideas clave
 Diseño de la aplicación.
 Desarrollar aplicaciones y realizar pruebas unitarias.
 Realizar pruebas del sistema.
 Corregir la aplicación según corresponda.
 Implementar la aplicación.
La metodología en cascada es un proceso formal, en el que cada fase comprende una

lista de tareas detalladas con documentación y criterios de salida. Este es también el
enfoque que utilizan los desarrolladores al crear aplicaciones para sus clientes, ya que
el presupuesto, los recursos, los resultados y el alcance deben administrarse de
manera muy disciplinada.
Las ventajas de la metodología en cascada son las siguientes (Sherman, 2014):
 Los requisitos se completan al principio del proyecto, lo que permite al equipo

definir el alcance completo del proyecto, crear un cronograma y diseñar la
aplicación general.
 Mejora la utilización de los recursos porque las tareas se pueden dividir para
trabajar en paralelo o agruparlas para aprovechar las habilidades de los recursos.
 Es un mejor diseño de la aplicación porque hay una comprensión más completa

de todos los requisitos y entregables.
 El estado del proyecto se mide más fácilmente según un cronograma completo y

un plan de recursos.
7
Tema 4. Ideas clave
Las desventajas de la metodología en cascada son las siguientes (Sherman, 2014):
 A menudo es difícil, particularmente en Inteligencia de Negocio, obtener los

requisitos comerciales completos por adelantado en un proyecto, porque los
empresarios realmente no han pensado detalladamente lo que necesitan y los
requisitos comerciales pueden cambiar durante el proyecto.
 Requiere un desglose muy detallado de las tareas y entregables para la aplicación

de Inteligencia de Negocio general, que puede estar más allá de la capacidad o
experiencia del equipo del proyecto al inicio del mismo.
 Aunque los proyectos en cascada no tienen que abarcar inherentemente largos

períodos de tiempo, es muy común que estos abarquen meses o trimestres debido
al énfasis en tratar de hacer todo de una vez, es decir, el enfoque de big bang. La
probabilidad de que los proyectos lleguen tarde, superen el presupuesto o no
cumplan con las expectativas aumenta a medida que aumenta el plazo para un
Agile
La alternativa principal a la cascada es la metodología ágil del proyecto. Agile es un

enfoque iterativo basado en trabajo de equipo, en el que los requisitos y
entregables evolucionan a través de la colaboración transversal. En lugar de crear
cronogramas con tareas detalladas, se define una lista de entregas, con lo que el
equipo reúne los requisitos y crea las entregas en fases de tiempo llamada sprints.
Time boxing es una técnica de planificación de proyectos en la que se asigna un
período de tiempo fijo a los entregables (alcance) y recursos, en lugar de hacerlo
como en el enfoque tradicional (en cascada), que fija el alcance y luego determina el
tiempo y los recursos necesarios que se han de implementar. Con el típico flujo de
trabajo ágil (Sherman, 2014):
 El consumidor comercial prioriza los entregables, que se asignan a un sprint.
8
Tema 4. Ideas clave
 La recopilación de requisitos, el diseño, el desarrollo y las pruebas se completan
durante el sprint.
 Los usuarios de la solución de Inteligencia de Negocio están activos en cada sprint,
revisando y evaluando el trabajo.
 Cualquier trabajo no completado se vuelve a priorizar para futuros entregables.
 El trabajo itera en el próximo sprint y recorre la misma secuencia.
El énfasis de la metodología ágil es el desarrollo rápido e iterativo con una

interacción considerable entre los desarrolladores y los empresarios, que serán los
usuarios de la aplicación.
Las ventajas de la metodología ágil son las siguientes (Sherman, 2014):
 Al aislar las entregas individuales, el trabajo se centra mucho y se acelera el tiempo

de finalización.
 Los usuarios están muy involucrados, lo que permite una mayor interacción en el
desarrollo.
 Los requisitos comerciales se comunican durante el desarrollo, en lugar de por
adelantado, como se haría en cascada, debido al compromiso del usuario de la
solución de Inteligencia de Negocio.
Las desventajas de la metodología ágil son las siguientes (Sherman, 2014):
 Los entregables individuales son muy rápidos, pero para lograr esto, el alcance
podría reducirse y la calidad de los entregables podría verse comprometida.
 Si el proyecto general requiere muchos entregables interdependientes, entonces
la falta de una arquitectura y un marco generales pueden dar como resultado, en
el mejor de los casos, un diseño ineficiente y, en el peor, un sistema cuyas partes

no funcionan juntas.
 Con proyectos más grandes, puede haber una gran variación en las expectativas
sobre los costes del proyecto, la funcionalidad general y la calidad.
9
Tema 4. Ideas clave
Vídeo. Metodología waterfall vs agile.
4.3. La falsa elección entre metodologías de

proyecto
La batalla de las metodologías de proyecto no es tan clara como los defensores de

cada metodología proclaman. Hay suposiciones sobre la selección de una
metodología única que son falsas o engañosas (Sherman, 2014):
 Una metodología específica funcionará en cualquier tipo de proyecto de

 Una metodología específica funcionará en proyectos de cualquier tamaño con
respecto al alcance, recursos, entregables y tiempo.
 Solo hay dos opciones de metodologías: en cascada o ágil.
Solo una metodología puede ser utilizada por una empresa.
10
Tema 4. Ideas clave
Ejemplos engañosos
Al debatir el uso de la metodología en cascada frente a la ágil, los defensores basan

su elección en la experiencia con casos concretos de aplicación de Inteligencia de
Negocio. Los defensores de waterfall basan su experiencia en el desarrollo de
aplicaciones empresariales que están orientadas a las transacciones, mientras que
los defensores de agile suelen utilizar la creación de paneles, informes o
visualizaciones de Inteligencia de Negocio independientes. La comparación de las
características del proyecto entre estos dos tipos de aplicaciones se describe en la
Figura 1.

SOLUCIÓN INTELIGENCIA NEGOCIO
SOLUCIÓN EMPRESARIAL
CRITERIO (paneles, informes o visualizaciones
(orientadas a transacciones)
independientes)
METODOLOGÍA Waterfall Agile
Un grupo o departamento concreto

ALCANCE Toda la compañía
de la organización
Conocidos por el departamento

DATOS Bien definidos
concreto
Necesita ser definida por el

FUNCIONALIDAD Bien definida
departamento concreto
Figura 1. Diferencias entre metodologías para soluciones empresariales y de Inteligencia de

Negocio.
El punto clave de la comparación es que ninguna de las aplicaciones que se utilizan

para la comparación realmente refleja un proyecto de Inteligencia de Negocio
completo que incluye el abastecimiento de datos, la integración de datos, el diseño
de la base de datos y probablemente múltiples paneles de control, informes o
visualizaciones. Basándonos en estas características, parece que ni la cascada ni las

metodologías ágiles son apropiadas para un proyecto de BI.
11
Tema 4. Ideas clave
Vídeo. Diferencias entre metodologías para soluciones empresariales y de Inteligencia de Negocio.
Una talla a medida de todos
Los equipos de proyectos de Inteligencia de Negocio van desde docenas de personas

de Sistemas de Información con roles concretos, como desarrollador de ETL, analista
de negocios o desarrollador de Inteligencia de Negocio en una gran empresa, hasta
un equipo de dos a tres personas en el que cada una de ellas está involucrada en todo
tipo de roles de desarrollo. Waterfall funciona bien con equipos grandes, pero no
tanto con un equipo pequeño, en el que las personas cambian de roles con
frecuencia. Por otro lado, agile funciona extremadamente bien con equipos
pequeños, dedicados e independientes, pero su fuerza juega en su contra cuando
muchos equipos pequeños tienen que trabajar juntos de manera interdisciplinaria
(Sherman, 2014).
En función de estas características, la selección de waterfall frente a agile está más

influenciada por el tamaño del equipo y el que muchas personas que trabajan en
grupos pequeños necesiten trabajar de forma transversal.
12
Tema 4. Ideas clave
Más de dos opciones
En cascada y ágil no son las únicas metodologías disponibles entre las que un gerente
de proyecto puede elegir. Las diversas opciones incluyen (Sherman, 2014):
 Desarrollo incremental: combinación de metodologías de desarrollo en cascada e

iterativas.
 Desarrollo en espiral: combinación de metodologías de desarrollo en cascada y
creación de prototipos.
 Desarrollo rápido de aplicaciones (RAD): metodología de desarrollo iterativo
utilizando prototipos.
 Creación de prototipos: no es una metodología formal para grandes proyectos,
sino un enfoque para el desarrollo iterativo.
 Orientado a objetos: análisis orientado a objetos y metodología de diseño.
 Proceso unificado: un marco de metodología de desarrollo iterativo basado en
modelado unificado (UML).
4.4. Metodología híbrida para proyectos de

Nuestra metodología de proyecto de Inteligencia de Negocio recomendada es un

enfoque híbrido que utiliza la metodología de desarrollo incremental y alguna
variación del desarrollo iterativo, como la creación de prototipos, RAD o ágil. Nos
referiremos a este híbrido como la metodología de desarrollo iterativo e
incremental de Inteligencia de Negocio (Sherman, 2014). La comparación de la

metodología híbrida en cascada y ágil se muestra en la Figura 2.
13
Tema 4. Ideas clave
SOLUCIÓN
SOLUCIÓN
SOLUCIÓN INTELIGENCIA
INTELIGENCIA
EMPRESARIAL NEGOCIO (paneles,
CRITERIO NEGOCIO (con
(orientadas a informes o
necesidad de
transacciones) visualizaciones
integración de datos)
independientes)
METODOLOGÍA Waterfall Agile Híbrida
Un grupo o
Toda la departamento
ALCANCE Toda la compañía
compañía concreto de la
organización
Conocidos por el Datos corrientes e

DATOS Bien definidos departamento históricos sobre todos
concreto los departamentos
Es definida
Necesita ser definida inicialmente, pero la
FUNCIONALIDAD Bien definida por el departamento funcionalidad analítica
concreto aumentará con el
tiempo.
Figura 2. Metodología híbrida.
Vídeo. Metodología de proyectos híbrida.

14
Tema 4. Ideas clave
La metodología de Proyectos de Inteligencia de Negocio utiliza:
 Metodología incremental para definir el programa general con sus lanzamientos,

es decir, proyectos de Inteligencia de Negocio.
 Metodología en cascada para definir un marco general para un proyecto de
Inteligencia de Negocio individual y establecer interdependencias entre
subproyectos.
 Enfoque iterativo para diseñar y desarrollar aplicaciones dentro de un
subproyecto.
La elección del enfoque de desarrollo iterativo se basará en la cultura de gestión de

proyectos de la empresa, la experiencia de los equipos de proyecto y el alcance del
subproyecto.
Independientemente de cuánto tiempo se dedique a reunir los requisitos del negocio,

es inherente a la naturaleza del desarrollo de la solución de Inteligencia de Negocio
que los empresarios comprendan cuáles son sus necesidades analíticas y de datos.
Muchos equipos que siguen la metodología en cascada se sienten frustrados con los
empresarios que cambian de opinión y agregan nuevas funcionalidades o modifican
los requisitos; sin embargo, esos cambios son inevitables. Los equipos de proyectos
de Inteligencia de Negocio deben comprender que los empresarios son los usuarios
y que estos cambios aumentan el valor comercial de las soluciones de Inteligencia de
Negocio. Por lo tanto, deberían adoptar mejores metodologías para permitir mejoras
en las aplicaciones en lugar de retrasarlas (Sherman, 2014).


15
Tema 4. Ideas clave
A fondo
Cómo gestionar proyectos ágiles: tres modelos
Empresa Actual. (15 de julio de 2018). Cómo gestionar proyectos ágiles: 3 modelos
[online]. Disponible en https://www.empresaactual.com/metodologias-agiles-gestion-
de-proyectos/
En esta web podrás profundizar en lo siguiente: las metodologías ágil y en cascada no

son las únicas que se pueden utilizar.
El concepto Scrum en la metodología agile
Cognodata. (30 de abril de2019). 12 principios de la metodología agile en el desarrollo

de proyectos [online]. Disponible en https://www.cognodata.com/blog/principios-
metodologia-agile-desarrollo-proyectos/
Scrum es un proceso en el que se aplican de manera regular un conjunto de buenas

prácticas para trabajar colaborativamente, en equipo, y así obtener el mejor
resultado posible de un proyecto. En esta web podrás profundizar más acerca de ello.
Metodología agile: por qué revolucionará la forma de trabajo en tu empresa
Desarrollo directivo. (12 de febrero de 2020). Metodología agile: por qué revolucionará
la forma de trabajo en tu empresa. Disponible en
https://www.unir.net/empresa/desarrollo-directivo/transformacion-
digital/metodologia-agile-por-que-revolucionara-la-forma-de-trabajo-en-tu-empresa/
La organización del trabajo, a través de métodos que optimicen la relación entre

directivos, empleados y clientes, resulta esencial. Agile destaca por su versatilidad,
velocidad y flexibilidad en el desarrollo de proyectos.
16
Tema 4. A fondo
Test
1. Antón Burn, CEO de una compañía dedicada a la fabricación de carbón, quiere
medir la propensión de los clientes a cambiar el carbón tradicional por otro
producto sustitutivo. Para ello, reúne a toda la compañía y les propone trabajar de
forma secuencial. Es decir, primero el departamento encargado de la extracción
de datos hará su trabajo, después el modelado, y así sucesivamente. Dado el
enfoque, Antón se ha decantado por la metodología:
A. Agile.
B. Una metodología híbrida.
C. Waterfall.
2. Una de las ventajas del método waterfall es:

A. Todos los miembros involucrados trabajan en cada sprint.
B. Se puede hacer un seguimiento fácilmente sobre si los objetivos se están
cumpliendo o no.
C. Los usuarios de la solución de Inteligencia de Negocio la tienen disponible
durante todo el proceso, sin interrupciones.

producto sustitutivo. Para ello, reúne a toda la compañía y les propone trabajar
por sprint para que la aplicación esté disponible para los usuarios de forma
ininterrumpida. Dado el enfoque, Antón se ha decantado por la metodología:
A. Agile.
B. Una metodología híbrida.
C. Waterfall.
17
Tema 4. Test
4. Una de las ventajas del método agile es:
A. Los entregables son priorizados por el técnico encargado de extraer los
datos.
B. Los entregables son priorizados por el usuario de negocio y cada prioridad se
asigna a un sprint.
C. No hay entregables, todo se entrega al final del proyecto.
5. Una de las desventajas de la metodología waterfall es:

A. La falta de arquitectura común crea ineficiencias.
B. Los entregables individuales son muy rápidos, pero para lograr esto, el
alcance podría reducirse y la calidad de los entregables podría verse
comprometida.
C. El detalle que se debe hacer de las tareas a veces excede la experiencia con
la que cuentan los implicados en el proyecto.
6. Una de las desventajas de la metodología agile es:

A. La falta de arquitectura común crea ineficiencias.
B. A menudo es difícil, particularmente en Inteligencia de Negocio, obtener los
requisitos comerciales completos por adelantado en un proyecto.
C. El detalle que se debe hacer de las tareas a veces excede la experiencia con
la que cuentan los implicados en el proyecto.
18
Tema 4. Test
producto sustitutivo. Para ello, reúne a toda la compañía para el desarrollo del
proyecto, pues entiende que el alcance de este es toda la compañía, sin excepción.
En ese caso, la metodología que mejor se adapta al alcance propuesto es:
A. Agile.
B. Es imposible hacer un proyecto que impacte a toda la compañía.
C. Waterfall.
8. Si el CEO de una compañía opta por dividir el programa general en lanzamientos

que evolucionan con el tiempo, ha optado por la metodología:
A. Desarrollo en espiral.
B. Desarrollo rápido.
C. Desarrollo incremental.
9. Cuando se combina la metodología en cascada y la creación de prototipos, se está

utilizando:
A. Desarrollo incremental.
B. Desarrollo orientado a objetos.
C. Desarrollo en espiral.
19
Tema 4. Test
producto sustitutivo. Para ello, investiga acerca de dos metodologías: agile y
waterfall, pues afirma que son los dos únicos enfoques posibles en metodologías
de proyectos de Inteligencia de Negocio. Es correcta su afirmación:
A. Sí, solo es posible utilizar una de esas dos metodologías.
B. Sí, pues todas las demás nacen de estas dos.
C. No, existen metodologías híbridas que mezclan el enfoque de las dos que
propone.
20
Tema 4. Test
Tema 5
Fases de un proyecto de
Índice
Esquema 3
Ideas clave 4
5.2. Alcance y planificación 6
5.3. Definición y análisis 8
5.4. Diseño y arquitectura 10

5.5. Construcción y prueba 13
5.6. Implementación y despliegue 15
A fondo 20
Test 22
FA S E S D E UN P R O Y E C T O D E I N T E L I G E N C I A D E N E G O C I O
1. Alcance y planificación 2. Definición y análisis 3. Diseño y arquitectura 4. Construcción, prueba 5. Implementación
Incluye: Desde la perspectiva de Incluye: La clave del éxito es Se trata de:

los datos, el análisis del involucrar al empresario
- Requisitos generales. - Integración de datos. - Migración de
sistema fuente es la en el examen de las
- Plazos. tarea clave para - Modelado de datos. software al entorno
soluciones. No importa de prueba.
- Recursos. determinar qué datos se - Fundamentos cuánto tiempo se
necesitan, las fuentes tecnológicos. - Prueba del sistema.
- Costes. actuales de esos datos y, dedique a reunir
lo más importante, el requisitos, pues los
estado de los datos: usuarios aumentarán o
consistencia, integridad modificarán esos
y calidad. requisitos una vez que
comiencen a interactuar
con los datos en la
solución de Inteligencia
de Negocio.
Tema 5. Esquema
Esquema
3
Ideas clave
A grandes rasgos, un proyecto de Inteligencia de Negocio comparte las mismas fases

que un proyecto típico de desarrollo de aplicaciones de Sistemas de Información.
Estas fases son:
 Alcance y plan.
 Definición y análisis.
 Diseño y arquitectura.
 Construcción y prueba.
 Implementación y despliegue.
Las fases recomendadas para desarrollar una solución de Inteligencia de Negocio se

parecen a un proyecto que sigue una metodología en cascada; sin embargo, se desvía
de esa metodología en varios aspectos clave.
En primer lugar, la metodología en cascada requiere que se complete una fase antes
de que comience la siguiente fase. Por lo tanto, la estructura que se propone en este
tema tiene fases superpuestas y, como un proyecto se descompone aún más en
agrupaciones funcionales que se pueden realizar en paralelo, puede haber varias
fases superpuestas. Los grupos funcionales pueden asemejarse a «carriles de
natación», pues cada grupo trabaja a su ritmo y cada uno alcanzará el objetivo en un
momento distinto.
4
Tema 5. Ideas clave
En segundo lugar, a diferencia de la metodología tradicional en cascada, que funciona
secuencialmente desde el principio, la metodología recomendada incorpora tres
bucles de retroalimentación o iteración:
 Alcance: la iteración inicial que examina los requisitos comerciales, técnicos y

presupuestarios siempre se realiza a grandes rasgos, sin mucho nivel de detalle.
Se necesitan más detalles para refinar esos requisitos y ajustar los entregables, los
costes, los recursos y el cronograma. Bloquear el alcance en la primera fase y sin
suficientes detalles es uno de los indicadores clave para que un proyecto exceda
el presupuesto o no alcance el objetivo propuesto. Por otro lado, es esencial
establecer algunos límites en los requisitos, costes y plazos al comienzo del
proyecto, aunque se permita la iteración y retroalimentación.
 Creación de prototipos o desarrollo: es muy común en los proyectos de

Inteligencia de Negocio tener que comenzar a trabajar con los datos y su analítica
antes de tener la oportunidad de trabajar en el diseño funcional o comprender
realmente su complejidad. Escribir especificaciones detalladas completas antes de
que los desarrolladores tengan acceso a los datos es una tarea hecha en vano.
Como se ha indicado anteriormente, el ciclo de retroalimentación de desarrollo
utiliza un enfoque iterativo. Las técnicas específicas dependen en gran medida de
la complejidad del proyecto, así como del tamaño y la experiencia del equipo de
desarrollo.
 Pruebas: esta fase incluye retroalimentación e interacción informal por parte del
departamento que vaya a utilizar la solución de Inteligencia de Negocio que se va
a desarrollar. Cuando se trabaja con una gran variedad de datos es esencial
construir el ciclo de retroalimentación para lidiar con errores, omisiones y
sorpresas. Muchos de los problemas encontrados durante las pruebas requieren

cambiar los programas y luego volver a probarlos. Además, los perfiles de negocio
a menudo identifican soluciones que olvidaron pedir durante el proceso de
recopilación de requisitos. Este ciclo de retroalimentación permite incorporar
algunos de estos cambios en los entregables, aunque no todos.
5
Tema 5. Ideas clave
En cada uno de los epígrafes del tema se desarrollan las distintas fases de un proyecto
de Inteligencia de Negocio.
 Conocer las distintas fases que intervienen en un proyecto de Inteligencia de

Negocio.
 Desarrollar cada una de las fases de un proyecto de Inteligencia de Negocio
propuesto.
5.2. Alcance y planificación
Esta fase implica definir el alcance del proyecto en términos de requisitos generales,
plazos, recursos y costes. Incluye crear el presupuesto del proyecto y obtener los
recursos para llevarlo a cabo. Una decisión clave será elegir quién llevará a cabo el
proyecto, un equipo interno, uno externo, o un mixto de los dos (Sherman, 2014).
Si se va a utilizar un equipo externo, normalmente se completará un proceso de

solicitud de propuesta durante esta fase para seleccionar el equipo. Este proceso de
selección generalmente implicará una solicitud de propuesta por escrito enviada a
los candidatos, que más tarde enviarán sus propuestas con una memoria que incluya
entregables, cronograma del proyecto, plan de recursos y estimaciones de costes. El
criterio de salida será un acuerdo firmado que incorpore dicha memoria como base
para el proyecto.
Cuando se desarrolla la solución con personal interno no es necesario elaborar la

memoria, aunque es una buena práctica hacerla, incluyendo el mismo contenido que
proporcionaría un proveedor externo.
6
Tema 5. Ideas clave
Puede haber riesgos significativos en esta fase si los detalles de la solución, a nivel
de negocio, y los requisitos de datos no están claros. El análisis de los detalles puede
revelar problemas inesperados con respecto a la calidad e integridad de los datos,
como también puede conducir a cambios en los requisitos analíticos que afectarán el
alcance y el cronograma del proyecto. Para proyectos de Inteligencia de Negocio con
requisitos demasiado generales, una de las mejores prácticas es realizar una
evaluación. La evaluación es una combinación de las dos primeras fases del
proyecto de Inteligencia de Negocio con un ciclo de retroalimentación que lo
acompaña. La evaluación permite un refinamiento iterativo y gradual de los
requisitos, lo que reduce significativamente la incertidumbre y, a un nivel más formal,
hace posible la revisión del alcance y los plazos en las fases iniciales del proyecto, lo
cual reduce significativamente la probabilidad de que el proyecto supere el plazo y el
presupuesto, al tiempo que se establecen mejor las expectativas de entregables.
Ejemplo
Alcance y planificación de un proyecto

Para ello, se propone realizar varios proyectos, entre los que se encuentra
el «Proyecto B. Agrupación de clientes». Con el objetivo de cumplir todas
sus fases de elaboración, lo primero que hace la compañía es definir el
alcance y la planificación. Así, a grandes rasgos, determina:
▸ Requisitos generales. Se debe tener acceso a todos los datos que

caractericen a los clientes (volumen de compras, localización,
morosidad, etc.).
▸ Plazos. El proyecto se realizará durante un período de seis meses.
▸ Recursos. Se requiere la implicación a tiempo completo de dos
perfiles: uno de negocio y otro técnico. Además, se necesita tener
acceso a Matlab.
▸ Costes. El coste total de los recursos empleados será de 30.000 €.
7
Tema 5. Ideas clave
Vídeo. Alcance y planificación de un proyecto de Inteligencia de Negocio.
5.3. Definición y análisis
Los entregables clave en esta fase son los requisitos detallados de la solución que se
aporta, y los datos y la calidad derivados de los aspectos generales documentados en
las fases de alcance y plan. Las tareas de análisis examinan lo que se solicita y lo
comparan con el estado actual de los datos en los informes. La comparación en
profundidad da como resultado un análisis de gaps que revela qué se puede
aprovechar, qué se debe reemplazar o retirar y qué se debe construir.
Desde la perspectiva de los datos, el análisis del sistema fuente es la tarea clave para
determinar qué datos se necesitan, las fuentes actuales de esos datos y, lo más
importante, el estado de los datos: consistencia, integridad y calidad.
Es fundamental, cuando se recaban los datos, examinar en detalle la evolución

histórica de estos. Hay veces en que los datos «no envejecen bien». Muchos
proyectos de Inteligencia de Negocio se encuentran con sorpresas desagradables de
última hora cuando los datos históricos difieren de los datos actuales y el equipo
desarrollador del proyecto no lo tuvo en cuenta.
8
Tema 5. Ideas clave
Aunque los encargados de Sistemas de Información y los empresarios deberían
interactuar durante todo el proyecto, esta fase será la parte más intensiva en cuanto
a trabajo colaborativo. Además, analizar y definir los requisitos detallados incluye
una interacción intensiva entre los usuarios de la solución y los desarrolladores.
Ejemplo
Definición y análisis

sus fases de elaboración, la segunda fase que acomete es la de definición
y análisis. Así, a grandes rasgos, determina:
Actualmente se cuenta con datos que se usan para etiquetar clientes. Los
datos tienen la siguiente estructura:
Figura 1. Datos y solución actual.
9
Tema 5. Ideas clave
La etiqueta «Rating» se otorga en función a una serie de aspectos
observados por el comercial que visita al cliente. No obstante,
actualmente se desconoce qué aspectos son los más relevantes en cada
uno de los grupos para poder llevar a cabo acciones concretas para cada
uno de ellos.
Por ello, se propone hacer un modelo de clasificación con todos los datos
disponibles sin necesidad de sustituir nada de la información adicional.
Vídeo. Definición y análisis de un proyecto de Inteligencia de Negocio.
5.4. Diseño y arquitectura
En esta fase, el equipo desarrollador comienza a sentir que está sentando las bases
para implementar las soluciones de Inteligencia de Negocio. Los entregables clave
son: información que se quiere generar, datos disponibles y tecnología necesaria.
Estos incluyen el diseño para el procesamiento de integración de datos, modelado de
datos y sus fundamentos tecnológicos.
Este es un recordatorio de que nuestra metodología de proyecto no es una cascada

estricta en la que las fases anteriores deben completarse antes de que puedan
comenzar las fases posteriores. De esta manera, la arquitectura puede diseñarse, si
10
Tema 5. Ideas clave
hay recursos disponibles, mientras la fase de análisis y definición está en marcha. Los
marcos arquitectónicos no necesitan todos los detalles de la fase de análisis para ser
diseñados. Los marcos son similares al plano de una casa de un arquitecto que
establece todas las especificaciones críticas, pero deja detalles, como accesorios de
baño y muebles para un diseño posterior.
La suposición en esta fase es que la tecnología necesaria ya ha sido adquirida por la

compañía. Si es necesario seleccionar y comprar nuevos productos, el proceso de
solicitud de propuesta debe ampliarse para incorporar dicha necesidad.
Ejemplo
Diseño y arquitectura

sus fases de elaboración, la tercera fase que acomete es la de diseño y
arquitectura. Así, a grandes rasgos, determina:
Para poder analizar la posibilidad de implementar un modelo de

clasificación, se representan gráficamente los clientes para conocer si
tienen características comunes:
11
Tema 5. Ideas clave
Figura 2. Representación de clientes.
Como puede observarse, dada la agrupación por colores (etiquetas)

parece que hay un patrón de comportamiento común en los clientes
dependiendo de la categoría a la que pertenecen.
Por ello, se acuerda modelar los datos mediante un modelo de

clasificación haciendo uso de Matlab.
Vídeo. Diseño y arquitectura de un proyecto de Inteligencia de Negocio.
12
Tema 5. Ideas clave
5.5. Construcción y prueba
A medida que avanza la fase de arquitectura y diseño, puede comenzar la fase de

construcción, es decir, construir, probar y refinar. A lo largo de los años, ha habido
muchos avances en las tecnologías y productos utilizados para construir, probar e
implementar soluciones de Inteligencia de Negocio. Estos avances no solo han
ampliado la funcionalidad de la Inteligencia de Negocio, sino que han mejorado la
productividad y la calidad.
Además, la tecnología actual ha permitido una interacción mucho mejor entre los
desarrolladores y los usuarios de la solución de Inteligencia de Negocio en el diseño,
las pruebas y el refinamiento. Existen varias metodologías de proyecto alternativas
para alentar esta interacción. Independientemente de la metodología utilizada, la
clave del éxito es involucrar al empresario en el examen de las soluciones. No
importa cuánto tiempo se dedique a reunir requisitos, pues los usuarios aumentarán
o modificarán esos requisitos una vez que comiencen a interactuar con los datos en
la solución de Inteligencia de Negocio. Es una idea bastante común que el empresario
haya olvidado los pasos detallados realizados o los datos necesarios en el proceso de
negocio respaldado por la aplicación de Inteligencia de Negocio que se está creando.
La mejor manera de obtener realmente un conjunto completo de requisitos de
proceso y datos es hacer que el usuario empresarial interactúe con la solución a
medida que se construye y se integran los datos.
Ejemplo
Construcción y prueba

13
Tema 5. Ideas clave
Para ello, se ha propuesto varios proyectos, entre los que se encuentra el
«Proyecto B. Agrupación de clientes». Con el objetivo de cumplir todas
sus fases de elaboración, la cuarta fase que acomete es la de construcción
y prueba. Así, a grandes rasgos, determina:
Dado que se acordó modelar los datos haciendo uso de un modelo de

clasificación, se va a entrenar con los datos disponibles para elegir el
mejor modelo de clasificación de entre todos los posibles. Así, tras probar
varios modelos, la compañía se decanta por un modelo de clasificación
de árbol de decisión, puesto que es este el que más veces coincide con la
etiqueta asociada a cada cliente (72,80 % de coincidencia).
Figura 3. Matriz de confusión del modelo.

La prueba del modelo se muestra en esta matriz de confusión. En ella

podemos ver que el modelo ha clasificado correctamente a 388 clientes
de la categoría A, a 280 de la categoría AA, a 535 de la categoría AAA, y
así sucesivamente. El modelo comete determinados errores entre
categorías que son muy cercanas, por ejemplo, ha catalogado a 158
clientes BB como BBB. No obstante, existe algo llamativo en la categoría
14
Tema 5. Ideas clave
A, pues a 128 clientes, de los 575 que tienen esta etiqueta, el modelo los
ha catalogado como BBB. Esta advertencia es muy importante que conste
en el informe de construcción y prueba.
Vídeo. Construcción y prueba.
5.6. Implementación y despliegue
La fase de implementación involucra, casi en su totalidad, al departamento de

Sistemas de Información, pues se trata de la migración de software y datos a entornos
de prueba, prueba del sistemas y migración de software y datos a los entornos de
producción.
Históricamente, el equipo del proyecto de Inteligencia de Negocio trabajaba con el

grupo de soporte de producción interno de la empresa para completar estas tareas.
Hoy en día, es mucho más común tener uno o varios componentes de la solución de
Inteligencia de Negocio y entornos alojados en la nube que almacenarlos tan solo en

centros de datos locales. Cuando la solución de Inteligencia de Negocio o partes de
la misma residen fuera de las instalaciones, el equipo del proyecto probablemente
coordinará tanto con su soporte de producción interno como con el soporte de
producción fuera de las instalaciones.
15
Tema 5. Ideas clave
Es fundamental que, para cada una de las tareas, los procesos estén definidos y los
criterios de éxito documentados. Nada debe ser ambiguo con respecto al éxito o el
fracaso de ninguno de los procesos de prueba. Antes del comienzo de cada una de
estas pruebas, los departamentos y Sistemas de Información deben participar en el
compromiso de cumplir con los criterios acordados. Los criterios de éxito deben
estar consensuados por el equipo desarrollador y los usuarios.
Tanto las tecnologías de nube como las de virtualización han permitido a las
organizaciones realizar pruebas más completas y exhaustivas de manera mucho más
rentable que en el pasado. Las pruebas exitosas son absolutamente esenciales antes
de implementar soluciones de Inteligencia de Negocio y evitar los costes que genera
tomar decisiones erróneas por usar soluciones de Inteligencia de Negocio erróneas.
La migración de software -a veces denominada promoción- del entorno de desarrollo

al de prueba y posteriormente a un entorno de producción, debe seguir un proceso
documentado con una lista de verificación para garantizar su finalización exitosa. Se
recomienda que tanto el software de la aplicación como los datos migren juntos de
un nivel a otro, junto con cualquier documentación y procedimientos de respaldo.
Los canales de comunicación del proyecto de Inteligencia de Negocio (herramientas

de colaboración, correos electrónicos, redes sociales y reuniones) deberían hacer una
transición natural en la fase de implementación a una perspectiva general del
programa de Inteligencia de Negocio. La comunicación con las partes interesadas
debe incluir el estado, los horarios, los mecanismos de apoyo y la disponibilidad de
capacitación.
La capacitación de Inteligencia de Negocio para los usuarios debe incluir formación

sobre cómo usar la aplicación de Inteligencia de Negocio y qué información está

disponible con ella. El plan de formación desarrollado durante la fase de construcción
se ejecutará durante esta fase. Se debe animar a los empresarios a aprender a utilizar
la aplicación antes de comenzar a usarla, ya que esto mejorará su productividad y
reducirá significativamente el mal uso y la incomprensión de los datos del sistema.
16
Tema 5. Ideas clave
La solución de Inteligencia de Negocio debe aprovechar los procesos de soporte
estándar existentes; de lo contrario, se debe establecer una estructura de apoyo
efectiva para los usuarios, para evitar que la solución se convierta en un data shadow
system.
Es una buena práctica proporcionar al menos dos niveles de soporte. El primer nivel
maneja problemas de soporte básicos: cómo obtener acceso al software, problemas
de conectividad y una explicación de las capacidades básicas. Este primer nivel
maneja la mayor parte de las consultas de soporte relacionadas con la solución de
Inteligencia de Negocio. Si las instrucciones básicas se segmentan en explicaciones
fáciles de encontrar en un portal o sitio web, o incluso se presentan en un vídeo corto,
los usuarios pueden usar más rápidamente la solución desarrollada. Por supuesto, a
menudo será necesario un proceso de mesa de ayuda dirigido por el personal de
Sistemas de Información porque puede que el empresario ni siquiera sepa qué
preguntas hacer. La interacción con el soporte de ayuda puede ser por teléfono,
correo electrónico, chat o un paquete de software de mesa de ayuda más formal.
Los niveles de segundo o más alto nivel brindan un soporte más profundo. Por lo
general, un analista de sistemas empresariales del equipo de Inteligencia de Negocio
es el primer punto de contacto del usuario que solicita asistencia.
La solución de Inteligencia de Negocio debe promocionarse durante la etapa de

implementación para los empresarios, así como para cualquier departamento y
personas a las que se dirige el despliegue. Los empresarios están ocupados, y no
importa cuál sea el valor de la solución de Inteligencia de negocio, tomará un
compromiso de su tiempo para capacitarlos y comenzar a usarla. Es necesario
promocionar proactivamente el valor comercial para ellos.
17
Tema 5. Ideas clave
Ejemplo
Implementación y despliegue

sus fases de elaboración, la quinta fase que acomete es la de
implementación y despliegue. Así, a grandes rasgos, determina:
Dado que se acordó modelar los datos haciendo uso de un modelo de

clasificación de árbol de decisión (72,80 % de coincidencias), se utiliza ese
modelo para etiquetar 11 clientes de acuerdo con los valores observados
de todas las variables explicativas:
Figura 4. Predicción de etiqueta para 11 clientes.
18
Tema 5. Ideas clave

19
Tema 5. Ideas clave
A fondo
Data shadow systems en Excel
Microsoft. (s/f). Funcionalidades BI en Excel y Office 365 [online]. Disponible en

https://support.office.com/es-es/article/funcionalidades-bi-en-excel-y-office-365-
26c0548e-124c-4fd3-aab3-5f64568cb743
Como hemos visto, los data shadow systems ponen en peligro la implementación de
un proyecto global de Inteligencia de Negocio. Entre otros motivos, el gran desarrollo
de Excel para adaptarse a la Inteligencia de Negocio ha hecho que florezcan multitud
de data shadow systems en las compañías.
Ventajas de fusionar el ERP y la Inteligencia de Negocio
Datadec. (3 de diciembre de 2018). ¿Qué ventajas tiene la integración de ERP y BI?

[online]. Disponible en https://www.datadec.es/blog/que-ventajas-tiene-la-integracion-
de-erp-y-bi
Para evitar los data shadow systems es recomendable que las soluciones de
Inteligencia de Negocio estén integradas en el software ERP de la compañía. En este
artículo puedes ver las ventajas de dicha integración.
20
Tema 5. A fondo
Herramientas para la gestión de proyectos que te ayudarán a agilizar tu trabajo
Desarrollo Directivo. (12 de febrero de 2020). Herramientas para la gestión de proyectos

que te ayudarán a agilizar tu trabajo [online]. Disponible en
https://www.unir.net/empresa/desarrollo-directivo/transformacion-
digital/herramientas-gestion-proyectos/
Si eres un profesional de la gestión o te interesa ampliar tus conocimientos, aquí te

contamos algunas de las metodologías y herramientas más comunes a la hora de
dirigir un proyecto con éxito que te permitirán incrementar la eficacia en tu
estrategia.
21
Tema 5. A fondo
Test
1. Vapheat Company S.A., compañía dedicada a la venta de un determinado bien, se
ha marcado una estrategia clara de sustitución de su actual cartera de productos
por otros que, aunque cumplen la misma función, se adaptan mejor al mercado
actual. Pare ello, el CEO determina los requisitos, plazos, recursos y costes del
proyecto que desea emprender. Esto forma parte de la fase de:
A. Implementación.
B. Construcción y prueba.
C. Diseño y arquitectura.
D. Alcance y planificación.

actual. Como el proyecto será llevado a cabo por la propia compañía, el CEO
determina que no es necesario hacer una memoria con los requisitos, plazos,
recursos y costes del proyecto a emprender. ¿Actúa de forma correcta?
A. Sí, no es necesario hacer la memoria.
B. No, es una buena práctica hacerla.
C. Sí, es ineficiente hacerla.
22
Tema 5. Test
actual. Para ello, se utilizarán datos de ventas mensuales a determinados clientes
del año inmediatamente anterior, sin analizar la evolución histórica. ¿Actúa de
forma correcta?
A. No, debe analizar hasta dos años.
B. No, debe analizar los últimos cinco años.
C. Sí.
4. Cuando más interaccionan los perfiles de sistemas de información con los de

negocio es en la fase de:
A. Definición y análisis.
B. Implementación.
C. Alcance y planificación.
5. La tecnología necesaria en un proyecto de Inteligencia de Negocio se detalla en la

fase de:
A. Alcance y planificación.
B. Definición y análisis.
C. Implementación.
D. Diseño y arquitectura.
6. En la fase de diseño y arquitectura, como norma general, ¿ya se ha adquirido la

tecnología necesaria?:
A. No.
B. Como norma general, sí.
C. Como norma general, no.
23
Tema 5. Test
7. En la fase de construcción y prueba, ¿es necesario hacer partícipes a los perfiles
de negocio?:
A. Sí, es un factor clave para el éxito.
B. No, pues en ese caso entorpecerán la construcción.
C. Sí, pero solo si tienen muchas habilidades analíticas para tomar decisiones.
8. En la fase de construcción y prueba, ¿los requisitos son inamovibles?

A. Sí.
B. No, pueden aumentar con la participación de los perfiles de negocio.
C. No, pero solo se pueden modificar en soluciones comerciales.
9. La migración del software al entorno forma parte de la fase de:

A. Alcance y planificación.
B. Definición y análisis.
C. Construcción y prueba.
D. Implementación.
10. ¿A qué nos referimos cuando decimos que cada grupo funcional se asemeja a un
«carril de natación» cuando se desarrolla un proyecto de Inteligencia de Negocio?
A. A que cada grupo funcional puede trabajar a su ritmo.
B. A que todos los grupos funcionales deben trabajar al mismo ritmo.
C. A que todos los grupos deben acabar el proyecto en la misma fecha.
24
Tema 5. Test
Tema 6
Cronograma de un
de Negocio
Índice
Esquema 3
Ideas clave 4
6.2. Swim lane de Inteligencia de Negocio 6
6.3. Swim lane de datos y base de datos 8
6.4. Swim lane de la integración de datos 10

6.5. Swim lane de la infraestructura 13
6.6. Swim lane de la gestión del proyecto 15
A fondo 17
Test 18
CRONOGRAMA DE UN PROYECTO DE INTELIGENCIA DE NEGOCIO
Inteligencia de Datos y bases Gestión de programas y

Integración de datos Infraestructura
Negocio de datos proyectos
Examinar Análisis de
Prioridades y Tecnología Justificación de
fuentes de procesos actuales
presupuesto necesaria negocio
datos de integración
Adquisición de
Requisitos de Modelado Mapeos de origen
tecnología Gestión del cambio
negocio y datos de datos a destino
necesaria
Swim lane
Solución Almacenar Integración de Instalación de la Comunicación con las
preliminar datos datos diseñados tecnología partes interesadas
Acceso a Coordinación entre el

Feedback de Prueba de Integración de
usuarios equipo del proyecto y
usabilidad datos datos probados
seleccionados los usuarios
Pruebas de Análisis de Garantía del

Integración de Gestión de riesgos y
aceptación de datos cumplimiento
datos validados contingencias
usuarios actuales e normativo
históricos
Tema 6. Esquema
Esquema
3
Ideas clave
Un proyecto de Inteligencia de Negocio se compone de cinco fases. Estas fases

representan el ciclo de vida completo de un proyecto, desde la planificación hasta la
implementación. Un enfoque efectivo para crear el cronograma de un proyecto de
Inteligencia de Negocio es descomponerlo de acuerdo con su estructura de
descomposición del trabajo (EDT) en mayores niveles de detalle hasta que sea
suficiente para programar tareas, asignar recursos y seguir el progreso. El nivel de
detalle variará según la complejidad del proyecto, la interactividad de la solución
desarrollada, las habilidades del director del proyecto y la experiencia previa en
Independientemente del nivel de detalle, se deben dividir las tareas y los hitos del
proyecto en agrupaciones funcionales. Las agrupaciones, que se representan
visualmente mediante swim lane en la Figura 1, son las siguientes:
 Inteligencia de negocios.
 Datos y base de datos.
 Integración de datos.
 Infraestructura.
 Gestión de programas y proyectos.
4
Tema 6. Ideas clave
1. Alcance y 2. Definición y 3. Diseño y 4. Construcción 5. Implementación

planificación análisis arquitectura y prueba y despliegue
Datos y bases de datos
Integración de datos
Infraestructura
Gestión de programas y proyectos
Figura 1. Agrupaciones funcionales de las tareas del proyecto.
Las agrupaciones funcionales se basan en las tres principales categorías de tecnología

(Inteligencia de Negocio, datos e integración de datos) y las dos categorías
habilitantes de infraestructura y gestión de proyectos. Esto es muy útil en la
planificación y gestión de tareas y habilidades relacionadas (Sherman, 2014). Estas
agrupaciones tienen el propósito de organizarse por conjuntos de habilidades de
equipo y tareas relacionadas. A medida que los equipos crecen, es probable que se
organicen según estos mismos conjuntos de habilidades.
Un gráfico swim lane ilustra visualmente la secuencia de tareas a medida que

avanzan de manera iterativa e incremental a través de un proyecto. A partir de este
nivel de detalle, el gerente del proyecto debe construir un plan detallado del proyecto
con tareas, dependencias y asignaciones de recursos (Sherman, 2014).
En cada uno de los epígrafes del tema se desarrollan los distintos swim lane de cada
una de las cinco agrupaciones propuestas para dividir las tareas y los hitos de un
5
Tema 6. Ideas clave
 Conocer los distintos swim lane que se han de desarrollar para cada una de las
agrupaciones de tareas de un proyecto de Inteligencia de Negocio.
 Desarrollar el swim lane de cada agrupación para maximizar la probabilidad de
éxito.
6.2. Swim lane de Inteligencia de Negocio
La agrupación funcional de Inteligencia de Negocio se encarga de las actividades

primarias (Figura 2) en el que el equipo del proyecto. Es la agrupación que interactúa
con los usuarios de negocio que utilizarán la solución. El gerente del proyecto asume,
en esta agrupación, un rol fiscalizador para los usuarios de negocio, que son las partes
interesadas de este proyecto, actuando como su defensor para garantizar que sus
puntos de vista y comentarios estén debidamente representados (Sherman, 2014).

1. Prioridades 2. Requisitos 3. Solución 4. Feedback de 5. Pruebas de

y presupuesto de negocio y preliminar la usabilidad aceptación de

datos usuarios
Figura 2. Swim lane de Inteligencia de Negocio.
6
Tema 6. Ideas clave
Esta agrupación es responsable de los dos entregables principales (Sherman, 2014):
 Requisitos comerciales y de datos.

 Entregas de Inteligencia de Negocio como paneles, visualizaciones, informes o
análisis avanzados.
Además, esta agrupación trabaja con los usuarios para recopilar, priorizar y
documentar los requisitos comerciales, incluidas las capacidades analíticas y los datos
necesarios. Esta agrupación también profundiza en otras cuestiones, como las
normas de negocio, las transformaciones, los algoritmos, los indicadores clave de
rendimiento (KPI) y los requisitos métricos de calidad de datos. Es probable que estos
requisitos se refinen y modifiquen durante las distintas fases.
El desarrollador de esta agrupación diseña, desarrolla y prueba las soluciones

creadas, es decir, los entregables solicitados por los usuarios. Si se utiliza una
metodología iterativa, como agile, se crean prototipos y se trabaja estrechamente
con un conjunto seleccionado de usuarios a lo largo del proceso para obtener
retroalimentación y desarrollar de forma iterativa la solución.
Los cuatro hitos clave durante este proceso son (Sherman, 2014):
 Diseñar soluciones de BI preliminares.

 Recopilar comentarios de los usuarios y realizar pruebas unitarias.
 Refinar y publicar entregables.
 Realizar sesiones de feedback con usuarios seleccionados.
7
Tema 6. Ideas clave
Vídeo. Swim lane de Inteligencia de Negocio.
6.3. Swim lane de datos y base de datos
La agrupación funcional de datos y bases de datos se encarga de las actividades

centradas en los datos (Figura 3) para diseñar y completar (cargar) todas las
estructuras de datos necesarias para la solución de Inteligencia de Negocio. Los
perfiles del equipo responsables de estas tareas son el arquitecto de datos, el
modelador de datos y el administrador de la base de datos. El arquitecto de datos
supervisa todas las actividades centradas en datos y coordina con el personal de
Inteligencia de Negocios las actividades interdependientes.
8
Tema 6. Ideas clave

Datos y bases de datos
1. Examinar 2. Modelado 3. Almacenar 4. Prueba de 5. Análisis de datos

fuentes de de datos datos datos actuales e
datos históricos
Figura 3. Swim lane de datos y bases de datos.
Los dos entregables principales de esta agrupación son:
 Diseño de datos: lógico y físico.

 Datos cargados en todas las estructuras de datos de la solución desarrollada.
El arquitecto de datos y el modelador de datos examinan los requisitos comerciales

y de datos para comenzar a diseñar la arquitectura de datos y los modelos de datos.
Si ya existe una solución, examinarán qué datos se necesitan, qué datos existen en el
data warehouse y qué datos faltan. Diseñarán nuevas estructuras de datos y
modificarán las existentes para cubrir las carencias que identifiquen (Sherman, 2014).
Si la empresa es nueva en el desarrollo de proyectos de Inteligencia de Negocio, se
diseñará una arquitectura de datos seguida de modelos de datos compatibles.
Los hitos clave para el diseño de datos son (Sherman, 2014):

 Examinar las fuentes de datos actuales e históricas.

 Modelar los datos: diseño lógico.
 Almacenar datos: diseñar y crear físicamente.
9
Tema 6. Ideas clave
Esta agrupación funcional es responsable de suministrar los modelos de datos y la
arquitectura de datos al grupo e Inteligencia de Negocio, integración de datos e
infraestructura. El grupo depende del grupo de Inteligencia de Negocio para
satisfacer los requisitos empresariales y de datos, la agrupación de integración de
datos para cargar los datos y la agrupación de infraestructura para configurar y
administrar la tecnología para soportar las estructuras de datos (Sherman, R., 2014).
El grupo funcional de datos y bases de datos valida que se hayan completado las
siguientes cargas de datos correctamente (Sherman, 2014):
 Datos de muestra que se utilizarán para la creación de prototipos.

 Datos de prueba que se utilizarán para prototipos y validación más extensos.
 Datos actuales e históricos que se utilizarán para el desarrollo, las pruebas de
sistemas y la implementación.
6.4. Swim lane de la integración de datos
La agrupación funcional de integración de datos (DI) se encarga de los procesos

técnicos y de negocio que se utilizan para unificar datos de diferentes fuentes y
convertirlos en fiables y valiosos (Figura 4). Los roles del equipo responsable de estas
tareas son el arquitecto DI y los desarrolladores DI. El arquitecto DI supervisará todas
las actividades centradas en la integración y se coordinará con el personal de BI
responsable de las actividades interdependientes (Sherman, 2014).
10
Tema 6. Ideas clave

Integración de datos
1. Análisis de 2. Mapeos de 3. Integración 4. Integración 5. Integración de

procesos origen a de datos de datos datos validados
actuales de destino diseñados probados
integración
Figura 4. Swim lane de integración de datos.
Los dos entregables principales de este grupo son:
 Análisis de sistemas fuente.

 Procesos de integración de datos.
El arquitecto DI y el desarrollador DI examinan los requisitos comerciales y de datos

para determinar qué sistemas de origen deben integrarse. Si ya existe una solución
de Inteligencia de Negocio, determinan qué datos se obtienen ya en comparación
con los datos necesarios, para identificar las brechas en la fuente de datos (Sherman,
2014). Si la empresa es nueva en la aplicación de Inteligencia de Negocio, deben
examinar todas las fuentes de datos.
El siguiente paso es realizar un análisis de los sistemas fuente. El equipo de DI trabaja

con los sistemas fuente, si están disponibles, para comprender mejor lo que está
disponible y la calidad de sus datos. Después de esas discusiones, el equipo de DI

debe realizar perfiles de datos prácticos para profundizar en los detalles de los datos
actuales e históricos.
11
Tema 6. Ideas clave
Después del análisis del sistema de origen, los desarrolladores de DI utilizan los
resultados para obtener los esquemas para las estructuras de datos para diseñar las
asignaciones de origen a destino y los flujos de trabajo de datos que lo acompañan
(Sherman, 2014). Las asignaciones y los flujos de trabajo son la base de las
especificaciones DI.
Los hitos del sistema fuente son:
 Requisitos del sistema de origen.

 Mapeos de origen a destino.
Los desarrolladores de DI utilizan las especificaciones para diseñar, desarrollar y

probar los procesos de integración. Si se trata de un proyecto grande, el desarrollo
de DI se agrupa por tema comercial y luego por fuente de datos para mejorar la
coherencia y la productividad. El enfoque iterativo e incremental es el mejor para
realizar este trabajo de integración de datos, porque hay muchas interdependencias
en todo el código y los desarrolladores deben confiar en gran medida en estándares
comunes.
Los hitos clave para la integración de datos son (Sherman, 2014):
 Procesos de integración de datos diseñados y desarrollados.

 Procesos de integración de datos probados.
 Procesos de integración de datos validados.
El equipo de DI carga las estructuras de datos y trabaja con los equipos de datos e
Inteligencia de Negocio para validar los datos. Además, el equipo de DI trabaja con
el equipo de infraestructura, a fin de obtener soporte para la integración de datos,

las bases de datos y la tecnología que necesitan para realizar su trabajo (Sherman,
2014).
12
Tema 6. Ideas clave
6.5. Swim lane de la infraestructura
La agrupación funcional de infraestructura es responsable de todas las actividades

que involucran el cuidado y la alimentación de las tecnologías utilizadas en el
proyecto, como se muestra en la Figura 5. Por lo general, el equipo está compuesto
por personal de Sistemas de Información de la empresa. Esta agrupación administra
la infraestructura de la empresa, como redes, hardware (servidores, PC, tabletas),
almacenamiento y bases de datos, que hoy en día pueden hallarse alojados en
entornos de nube fuera de las instalaciones, en cuyo caso esta agrupación es el enlace
con el proveedor externo que proporciona la solución de alojamiento (Sherman,
2014).
Los dos entregables principales de esta agrupación son:
 Arquitecturas: diseño e implementación de la tecnología y arquitecturas de

productos.
 Operaciones: operación, monitoreo y ajuste del entorno.

Infraestructura
1. Tecnología 2. Adquisición 3. Instalación 4. Acceso a 5. Garantía de

necesaria de tecnología de la usuarios cumplimiento
necesaria tecnología seleccionados normativo
Figura 5. Swim lane de infraestructuras.
13
Tema 6. Ideas clave
La interacción principal de esta agrupación con el resto del equipo con el arquitecto
DI. Es ese arquitecto quien diseñará la tecnología inicial y las arquitecturas de datos.
La agrupación de infraestructura trabaja con el arquitecto de DI para desarrollar la
tecnología detallada y las arquitecturas que se implementarán (Sherman, 2014).
Una vez que se han diseñado las arquitecturas, las responsabilidades de la agrupación
de infraestructura incluyen la configuración de los entornos tecnológicos, incluidos
los entregables como:
 Adquirir productos apropiados con licencias.

 Instalación y configuración de los productos.
 Permitir el acceso al producto y su usabilidad por parte del equipo del proyecto de
Inteligencia de Negocio y los usuarios apropiados.
 Garantizar la privacidad, la seguridad y el cumplimiento normativo adecuados.
La agrupación de infraestructura es responsable de las operaciones en curso, incluida

la supervisión y el ajuste del rendimiento.
Vídeo. Swim lane de la infraestructura.

14
Tema 6. Ideas clave
6.6. Swim lane de la gestión del proyecto
Esta agrupación funcional es responsable de todo el programa de Inteligencia de

Negocio y las actividades de planificación y gestión de proyectos. El principal
responsable es el director de proyectos de Inteligencia de Negocio. Si el proyecto de
Inteligencia de Negocio es pequeño, esta persona también puede ser el gerente del
programa general de Inteligencia de Negocio; en una organización más grande,
puede haber dos figuras: una para el programa y otra para cada proyecto.

Gestión del proyecto
1. Justificación 2. Gestión del 3. Comunicación 4. Coordinación 5. Gestión de

de negocio cambio con las partes entre el equipo riesgos y
interesadas del proyecto y contingencias
usuarios
Figura 6. Swim lane de gestión del proyecto.
Es una buena práctica que el director del programa designe a una persona
responsable de coordinar cualquier actividad entre los usuarios de negocio y el
equipo del proyecto de Inteligencia de Negocio. Además, esta persona administra
cualquier entrega de la que el negocio sea responsable (Sherman, 2014). Por lo
general, se considera que esta persona es quien sustituye al director del proyecto de
15
Tema 6. Ideas clave
A veces, hay un tercer individuo que forma una tríada de gestión de proyectos: el
asesor técnico de Inteligencia de Negocio. Este rol es necesario cuando el director
del programa y el coordinador no tienen mucho conocimiento sobre cuestiones
técnicas. Los candidatos típicos para este rol son el arquitecto DI o un consultor
externo con mucha experiencia. Además de proporcionar experiencia técnica al
director del programa de BI y al coordinador, esta persona administra las actividades
cotidianas del personal técnico.
Las actividades relacionadas con la gestión del proyecto incluyen (Sherman, 2014):
 Justificación de negocio.
 Programación y planificación de recursos.
 Gestión del cambio.
 Informe de estado.
 Resolución de problemas.
 Comunicación con todas las partes interesadas.
 Coordinación entre el equipo del proyecto y otras personas involucradas.
 Gestión de riesgos y planificación de contingencias.
 Planificación de capacitación empresarial y de Sistemas de información.

16
Tema 6. Ideas clave
A fondo
Swim lane: qué es y cómo crear uno
e-Manuales. (s/f). Diagrama Swim Lane: ¿qué es y cómo crear uno? [online]. Disponible
en https://www.e-manuales.com/diagrama-swim-lane/
Durante el tema se ha hablado de los swim lane de cada una de las partes interesadas
en un proyecto de Inteligencia de Negocio. En esta página puedes ver qué es un
diagrama swim lane y cómo crearlo.
Fotos de ejemplos reales de tableros ágiles con swim lane
Garzas, J. (19 de marzo de 2014). 12 fotos de tableros ágiles [online]. Disponible en

https://www.javiergarzas.com/2014/03/tableros.html
En esta página podrás ver 12 fotos de ejemplos reales de taleros ágiles que permiten
ver de un solo vistazo cómo se avanza cada swim lane.
Cuatro mecanismos para la toma de decisiones ágiles en un proyecto
Sánchez, C. (12 de febrero de 2020). Cuatro mecanismos para la toma de decisiones

ágiles en un proyecto [online]. Disponible en https://www.unir.net/empresa/desarrollo-
directivo/estrategia-de-negocio/cuatro-mecanismos-para-la-toma-de-decisiones-agiles-
en-un-proyecto/
Disponer de esquemas de toma de decisiones (decision making framework) en una

empresa es un tema esencial, ya que su ausencia puede suponer bloqueos y retrasos
en proyectos relevantes.
17
Tema 6. A fondo
Test
1. En la fase de alcance, la agrupación funcional de Inteligencia de Negocio debe:
A. Examinar las fuentes de datos.
B. Establecer la tecnología necesaria.
C. Hacer las pruebas de aceptación de usuarios.
D. Establecer las prioridades y presupuestos.
2. En la fase de construcción y prueba:

A. La agrupación funcional de Inteligencia de Negocio debe examinar los
requisitos de negocio y datos.
B. La agrupación funcional de Inteligencia de Negocio debe aportar feedback
de usabilidad.
C. La agrupación funcional de Inteligencia de Negocio debe adquirir la
tecnología necesaria.
3. En la fase de construcción y prueba, la agrupación funcional de datos y bases de

datos debe:
A. Almacenar los datos.
B. Modelar los datos.
C. Examinar las fuentes de datos.
D. Hacer una prueba de datos.
4. Examinar las fuentes de datos es una tarea propia de:

A. La agrupación funcional de datos y bases de datos.
B. La agrupación funcional de infraestructura.

C. La agrupación funcional de integración de datos.
18
Tema 6. Test
5. En la fase de definición y análisis:
A. La agrupación funcional de integración de datos debe hacer un análisis de
procesos actuales de integración.
B. La agrupación funcional de integración de datos debe hacer mapeos de
origen a destino.
C. La agrupación funcional de integración de datos no interviene.
6. Hacer mapeos de origen a destino, para hacer un seguimiento de los datos, es

propio de:
B. La agrupación funcional de infraestructura.
C. La agrupación funcional de integración de datos.
7. Adquisición de la tecnología necesaria es una labor de la agrupación funcional de:

A. Infraestructura.
B. Integración de datos.
C. Inteligencia de Negocio.
8. Cuando se lleva a cabo un proyecto de Inteligencia de Negocio, se debe cumplir

con la normativa en materia de datos. ¿A quién corresponde esa tarea?
A. A la agrupación funcional de Inteligencia de Negocio.
B. A la agrupación funcional de Infraestructura.
C. A la agrupación funcional de integración de datos.
19
Tema 6. Test
9. La gestión de los contratiempos surgidos, así como los potenciales, es una labor
de:
B. La agrupación funcional de Inteligencia de Negocio.
C. La agrupación funcional de infraestructura.
10. La coordinación entre el equipo que desarrolla el proyecto y los usuarios es una
tarea de:
A. La agrupación funcional de gestión de programas y proyectos.
B. La etapa de construcción y prueba del proyecto.
C. Es muy importante para que la solución se adapte a la realidad empresarial.
D. Todas las anteriores son correctas.
20
Tema 6. Test
Tema 7
Aplicación de proyectos
de Inteligencia de
Negocio en Marketing
Índice
Esquema 3
Ideas clave 4
7.2. Modelos de marketing relacional 5

7.3. Gestión de la fuerza de ventas 16
7.4. Casos empresariales 23
A fondo 32
Test 34
INTELIGENCIA DE MARKETING
US O S MA R K E T I N G F UE R Z A D E
RELA CI ON A L V E N TA S
PRI MERO
La Inteligencia de Marketing ayuda La Inteligencia de Marketing ayuda
Respaldar estrategias de a decidir sobre: a decidir sobre:
marketing relacional.
1 Ciclo de vida cliente 1 Estructura
SEGUNDO
2 Adquisición 2 Dimensión
Gestionar de forma eficiente
la fuerza de ventas.
3 Retención 3 Territorio
4 Venta cruzada y ascendente 4 Evaluación
5 Análisis cesta de productos 5 Funciones de respuesta
Tema 7. Esquema
Esquema
3
Ideas clave
Los procesos de decisión de marketing se caracterizan por un alto nivel de

complejidad debido a la presencia simultánea de múltiples objetivos e innumerables
acciones alternativas posibles. Por lo tanto, no debería sorprender que se hayan
desarrollado y aplicado con éxito en las últimas décadas una gran cantidad de
modelos matemáticos para explicar comportamientos de variables de marketing. La
importancia de estos modelos se ha fortalecido aún más por la disponibilidad de
bases de datos masivas de transacciones de ventas que proporcionan información
precisa sobre cómo los clientes compran productos o hacen uso de los servicios
(Vercellis, 2009).
La posibilidad de contar con bases de datos masivas ha acelerado la presencia

de modelos matemáticos orientados a tomar decisiones de marketing.
Este capítulo se centrará en dos cuestiones destacadas en el campo de la inteligencia

de marketing. La primera se refiere a la aplicación de modelos predictivos para
respaldar estrategias de marketing relacional, cuyo propósito es personalizar y
fortalecer la relación entre una empresa y sus clientes. Después de una breve
introducción al marketing relacional, describiremos las principales corrientes de
análisis que se pueden tratar en este ámbito de aplicación, indicando para cada una
de ellas los modelos predictivos que son más adecuados para tratar los problemas
considerados. La segunda cuestión se refiere a la gestión de la fuerza de ventas.
Primero, proporcionaremos una visión general de los principales procesos de toma

de decisiones que surgen en la organización del personal de ventas. A continuación,
ilustraremos algunos modelos de optimización que ayudan a asignar un conjunto de
territorios geográficos a los agentes de ventas, así como a planificar sus tareas.
4
Tema 7. Ideas clave
Finalmente, se expondrán algunos casos de modelos de marketing aplicados. Por
tanto, cuando hayas cursado este tema serás capaz de (Vercellis, 2009):
 Conocer los principales modelos de marketing relacional.

 Usar modelos que permiten optimizar la fuerza de ventas.
 Decidir la opción más acertada tras el know how que permite la lectura de los
casos de marketing aplicados.
7.2. Modelos de marketing relacional
Para comprender a fondo las razones por las cuales las empresas desarrollan
iniciativas de marketing relacional, vamos a considerar tres ejemplos: una compañía
de seguros que desea seleccionar el segmento de mercado más apropiado para un
nuevo tipo de póliza; un proveedor de telefonía móvil que desea identificar a los
clientes con mayor probabilidad de cambiar de compañía, es decir, de interrumpir su
servicio y contratar un nuevo servicio con un competidor, para desarrollar iniciativas
de retención específicas, y un banco que emite tarjetas de crédito que necesita
identificar un grupo de clientes a los que se les pueda ofrecer un nuevo servicio de
gestión de ahorros. Las tres situaciones planteadas comparten algunas características
en común: una empresa propietaria de una base de datos masiva que describe el
comportamiento de compra de sus clientes y la forma en que utilizan los servicios, y
que desea extraer de estos datos información útil y precisa para desarrollar campañas
de marketing dirigidas y efectivas.
El objetivo de una estrategia de marketing relacional es iniciar, fortalecer,

intensificar y retener en el tiempo las relaciones entre una empresa y sus partes
interesadas, representadas principalmente por sus clientes. La consecución de este
objetivo implica el análisis, planificación, ejecución y evaluación de las actividades
realizadas (Vercellis, 2009).
5
Tema 7. Ideas clave
El marketing relacional se hizo popular a finales de la década de 1990 como un
enfoque para aumentar la satisfacción del cliente con el fin de lograr una ventaja
competitiva sostenible. Aunque las empresas de servicios financieros y de
telecomunicaciones han sido pioneras en esta tendencia de marketing relacional,
esta filosofía ha calado en todo tipo de compañías, llegando incluso hasta los
fabricantes, que tradicionalmente centraban su interés en el producto en lugar del
cliente.
El valor del ciclo de vida del cliente
La figura 1 muestra las etapas principales de la vida del cliente, representando el valor
acumulado por el cliente a lo largo del tiempo. La figura también ilustra las diferentes
acciones que una empresa puede emprender hacia un cliente.
Figura 1. Ciclo de vida del cliente. Fuente: Vercellis, C. (2009).
En la fase inicial, un individuo es un cliente potencial que aún no ha comenzado a

comprar o utilizar los productos o servicios que ofrece la empresa. Las acciones de
captación de clientes potenciales se llevan a cabo directamente (contactos
telefónicos, correos electrónicos, conversaciones con agentes de ventas) e
indirectamente (anuncios, avisos en el sitio web de la empresa). Estas acciones
6
Tema 7. Ideas clave
incurren en un coste que se puede asignar a cada cliente y determinan una pérdida
acumulada que dura hasta que se produce un evento crítico en esta relación: cuando
un cliente potencial se convierte en un cliente real. Este evento puede tomar diversas
formas en diferentes situaciones: puede consistir en una suscripción de servicio, la
apertura de una cuenta bancaria o la primera compra en un punto de venta minorista
con la activación de una tarjeta de fidelidad. Antes de convertirse en un nuevo
cliente, un cliente potencial puede recibir de la empresa propuestas repetidas para
adquirir su producto, que se muestran en la figura como propuestas perdidas, que
tienen un resultado negativo. Desde el momento de la adquisición, cada cliente
genera ingresos, lo que produce un aumento progresivo a lo largo de la curva de
pérdidas y ganancias acumuladas. Esta fase, que corresponde al vencimiento de la
relación con la empresa, generalmente conlleva acciones de venta cruzada, ventas
ascendentes y de retención alternas, en un esfuerzo por extender la duración y la
rentabilidad de la relación para maximizar los beneficios que aporta cada cliente. El
último evento en la vida del cliente es la interrupción de la relación, que puede ser
voluntaria, cuando un cliente interrumpe los servicios de una empresa y cambia a los
de un competidor; forzada, cuando, por ejemplo, un cliente no cumple con los
términos de pago, o involuntaria, como cuando un cliente cambia su lugar de
residencia (Vercellis, 2009).
El progreso de la vida del cliente resalta las tareas principales del marketing
relacional. Primero, el propósito es aumentar la capacidad de adquirir nuevos
clientes a través del análisis de la información disponible para aquellos clientes que
en el pasado han adquirido productos o servicios, tales como características
sociodemográficas personales, productos comprados, uso de servicios, contactos
anteriores y la comparación con las características de estos. Si no han aceptado las
ofertas de la empresa, es posible identificar los segmentos con el mayor potencial.
Esto, a su vez, permite a la empresa optimizar las campañas de marketing, aumentar

la efectividad de las iniciativas de adquisición y reducir el desperdicio de recursos
debido a las ofertas dirigidas a segmentos del mercado poco prometedores.
7
Tema 7. Ideas clave
Además, las estrategias de marketing relacional pueden mejorar la fidelidad de los
clientes, con lo que se extiende la duración de su relación con la empresa y, por lo
tanto, aumenta la rentabilidad. En este caso, también, el análisis comparativo de las
características de aquellos que se han mantenido fieles a lo largo del tiempo con
respecto a los que se han cambiado a un competidor conduce a predicciones de la
probabilidad de pérdida de clientes para cada cliente. Por lo tanto, las acciones de
retención pueden dirigirse a los segmentos más relevantes, representados por
clientes de alto valor con el mayor riesgo de agitación.
Finalmente, los análisis de marketing relacional se pueden usar para identificar a los
clientes que tienen más probabilidades de aceptar la oferta de servicios y productos
adicionales (venta cruzada), o de servicios y productos alternativos de un nivel más
alto y con una mayor rentabilidad para la empresa (venta ascendente).
Las tareas de adquisición, retención, venta cruzada y venta superior, que se muestran
en la figura 2, se hallan en la base de las estrategias de marketing relacional y su
objetivo es maximizar la rentabilidad de los clientes durante su vida. Estas tareas de
análisis, que se describirán en las siguientes secciones, son claramente susceptibles
de problemas de clasificación con una variable objetivo binaria. Hay que tener en
cuenta que la selección de atributos juega un papel crítico en este contexto, ya que
el número de variables explicativas disponibles suele ser bastante grande y es
aconsejable que los modelos de aprendizaje utilicen un subconjunto limitado de
características predictivas para generar reglas de clasificación significativas y útiles
para la segmentación o clusterización precisa de los clientes (Vercellis, 2009).
Selección de clientes
potenciales
Venta cruzada y
ascendente I n te l i gen cia d e N e go ci o Adquisición
Retención
Figura 2. Principales tareas del marketing relacional.
8
Tema 7. Ideas clave
Vídeo. Ejemplos de productos en distintas fases del ciclo de vida.
El efecto de la latencia en modelos predictivos
La figura 3 ilustra la lógica de desarrollo de un modelo de clasificación para un

análisis de marketing relacional, teniendo también en cuenta la dimensión
temporal. Supongamos que t es el período de tiempo actual y que deseamos
desarrollar un modelo de aprendizaje automático para un problema de clasificación.
Por ejemplo, a principios de octubre, un proveedor de telefonía móvil podría querer
desarrollar un modelo de clasificación para predecir la probabilidad de cambiar de
operador de sus clientes. El mercado de datos contiene los datos de períodos
pasados, actualizados hasta el período t - 1. En nuestro ejemplo, contiene datos hasta
septiembre inclusive (Vercellis, 2009).
9
Tema 7. Ideas clave
Datos
recientes
(período t)
Datos
pasados
hasta t-1 Aprendizaje Modelo
Predicción
(período t+h)
Figura 3. Desarrollo y aplicación de un modelo predictivo.
Además, supongamos que la compañía desea predecir la probabilidad de que se

cambien de compañía meses antes, ya que de esta manera cualquier acción de
retención tiene más posibilidades de éxito. En nuestro ejemplo, deseamos predecir a
principios de octubre la probabilidad de cambio de compañía en noviembre,
utilizando datos hasta septiembre. Por lo tanto, tenemos que tener en cuenta que los
datos para el período t no se pueden usar para la predicción, ya que claramente no
están disponibles al comienzo del período t.
Para desarrollar un modelo de clasificación utilizamos el valor de la variable objetivo

para el último período conocido t - 1, que corresponde a los clientes que formaban
parte de la cartera durante el mes de septiembre. Debe quedar claro que para
entrenar y probar el modelo no se deben usar las variables explicativas para el
período t - 2, ya que en la fase de entrenamiento es necesario reproducir la misma
situación que se afrontará cuando se use el modelo en la etapa de predicción. En
realidad, la variable objetivo debe predecirse h = 2 períodos por adelantado, y, por lo
tanto, hay un período intermedio de datos futuros que aún se desconocen en el
momento t (el mes de octubre en nuestro ejemplo). Para reflejar estas dinámicas, la
fase de entrenamiento debe llevarse a cabo sin utilizar los datos de agosto.
En general, los períodos h - 1 correspondientes a datos aún desconocidos durante la

fase de predicción, y no utilizados durante la fase de entrenamiento, se conocen
como la latencia del modelo (Vercellis, 2009).
10
Tema 7. Ideas clave
Vídeo. Latencia de un modelo predictivo.
Adquisición
Si bien la retención juega un papel prominente en las estrategias de marketing

relacional, para muchas empresas la adquisición de nuevos clientes también
representa un factor crítico para el crecimiento. El proceso de adquisición requiere
la identificación de nuevos clientes potenciales, ya que son clientes potenciales que
pueden desconocer total o parcialmente los productos y servicios ofrecidos por la
compañía, que no poseían en el pasado las características para convertirse en clientes
o que eran clientes de los competidores (Vercellis, 2009). También puede suceder
que algunos de los clientes potenciales hayan sido antiguos clientes que cambiaron
para ser clientes de competidores, en cuyo caso generalmente hay mucha más
información disponible sobre ellos.
Una vez que se hayan identificado las perspectivas, la empresa debe dirigir campañas
de adquisición a segmentos con una alta rentabilidad potencial y una alta
probabilidad de adquisición, con el fin de optimizar los recursos de marketing. Las

técnicas de marketing tradicionales identifican segmentos interesantes utilizando
criterios de presentación predefinidos, basados en encuestas de mercado y análisis
sociodemográficos, de acuerdo con una perspectiva «de arriba hacia abajo». Este
11
Tema 7. Ideas clave
enfoque puede integrarse con éxito o incluso reemplazarse por una lógica de
segmentación descendente que analiza los datos disponibles en el data mart
(información demográfica, contactos con clientes potenciales, uso de productos y
servicios de los competidores), y deriva reglas de clasificación que caracterizan los
perfiles cuya adquisición es más probable.
Retención
La etapa de madurez alcanzada por la mayoría de los productos y servicios, y la

consiguiente saturación de sus mercados, han provocado condiciones competitivas
más severas. Este fenómeno es particularmente evidente en las industrias de
servicios, como las telecomunicaciones, la banca, la administración de ahorros y los
seguros, aunque también ocurre en la manufactura, tanto para bienes de consumo
como para productos industriales. Por esta razón, muchas empresas invierten
cantidades importantes de recursos en el análisis y la caracterización del fenómeno
de desgaste, que es el motivo por el que los clientes cambian de su empresa a un
competidor (Vercellis, 2009).
También hay razones económicas para dedicar esfuerzos sustanciales a la retención

de clientes: de hecho, se ha observado empíricamente que el coste de adquirir un
nuevo cliente, o recuperar a un cliente perdido, suele ser mucho mayor (del orden de
5 a 9 veces mayor) que el coste de las acciones de marketing destinadas a retener a
los clientes considerados en riesgo de deserción. Además, una acción para recuperar
a un cliente perdido corre el riesgo de llegar demasiado tarde y no lograr el resultado
deseado. En muchos casos, recuperar a un cliente requiere inversiones que no
generan un rendimiento.
12
Tema 7. Ideas clave
Una de las principales dificultades en el análisis de fidelidad es, en realidad, reconocer
un abandono. Para los servicios de suscripción, hay señales inequívocas, como un
aviso formal de retiro, mientras que en otros casos es necesario definir indicadores
adecuados que estén correlacionados, unos pocos períodos de antelación, con la
rotación real. Un cliente que reduce en más de un porcentaje determinado sus
compras en un punto de venta seleccionado utilizando una tarjeta de fidelidad, o un
cliente que reduce por debajo de un umbral determinado la cantidad retenida en su
cuenta corriente y el número de transacciones, representan dos ejemplos de
desafecto (Vercellis, 2009).
Por lo tanto, para optimizar los recursos de marketing dirigidos a la retención es

necesario orientar los esfuerzos solo hacia clientes de alto valor considerados en
riesgo de deserción. Predecir el riesgo de cambio de compañía requiere el análisis de
los registros de transacciones para cada cliente e identificar los atributos más
relevantes para explicar con precisión la variable objetivo. Una vez más, nos
enfrentamos a un problema de clasificación binaria. Una vez que se han identificado
los clientes con el mayor riesgo de agitación, se puede dirigir una acción de retención
hacia ellos. Cuanto más precisa sea la acción de este tipo, más baratas serán las
acciones.
Venta cruzada y venta ascendente
La Inteligencia de Negocio también se puede usar para respaldar un análisis de

marketing relacional destinado a identificar segmentos de mercado con una mayor
propensión a comprar servicios adicionales u otros productos de una empresa. Por
ejemplo, un banco que también ofrece servicios de seguros puede identificar entre
los segmentos de sus clientes interesados en comprar una póliza de seguro de vida.
En este caso, la información demográfica sobre los clientes y sus transacciones

pasadas registradas en un data mart puede usarse como atributos explicativos para
derivar un modelo de clasificación para predecir la variable objetivo, que consiste en
este ejemplo de una variable binaria que indica si el cliente aceptó la oferta o no
(Vercellis, 2009).
13
Tema 7. Ideas clave
El término venta cruzada se refiere al intento de vender un producto o servicio
adicional a un cliente activo, ya involucrado en una relación comercial duradera con
la empresa. Por medio de modelos de clasificación es posible identificar a los clientes
caracterizados por una alta probabilidad de aceptar una oferta de venta cruzada, a
partir de la información contenida en los atributos disponibles.
En otros casos, es posible desarrollar una iniciativa de venta, convenciendo a un

cliente para que compre un producto o servicio de nivel superior, más rico en
funciones para el usuario y más rentable para la empresa, y, por lo tanto, capaz de
aumentar el valor de la curva de vida de un cliente. Por ejemplo, un banco que emite
tarjetas de crédito puede ofrecer a los clientes que poseen una tarjeta estándar una
actualización a una tarjeta dorada, que es más rentable para la empresa, al tiempo
que puede ofrecer una serie de servicios complementarios y ventajas para los clientes
interesados. También en este caso, nos enfrentamos a un problema de clasificación
binaria, que requiere la construcción de un modelo basado en los datos de
capacitación de los atributos demográficos y operativos de los clientes. El propósito
del modelo es identificar los segmentos más interesantes, correspondientes a los
clientes que han aceptado el servicio de oro en el pasado y que, por lo tanto, parecen
ser más propensos a contratar servicios adicionales (Vercellis, 2009).
Análisis de la cesta de productos
El propósito del análisis de la canasta de mercado es obtener una perspectiva de las

compras realizadas por los clientes con el fin de extraer conocimientos útiles para
planificar acciones de marketing. Se utiliza principalmente para analizar las compras
en la industria minorista y en las actividades de comercio electrónico, y generalmente
es susceptible de problemas de aprendizaje no supervisados. También se puede
aplicar en otros dominios para analizar las compras realizadas con tarjetas de crédito,
los servicios complementarios activados por los clientes de telefonía fija o móvil, las
políticas o las cuentas corrientes abiertas en un mismo hogar.
14
Tema 7. Ideas clave
Los datos utilizados para este propósito se refieren principalmente a transacciones
de compra y pueden asociarse con la dimensión temporal si se puede rastrear al
comprador a través de una tarjeta de fidelidad o la emisión de una factura. Cada
transacción consiste en una lista de artículos comprados. Esta lista se llama cesta, al
igual que las cestas disponibles en los puntos de venta minoristas (Vercellis, 2009).
Si las transacciones no se pueden conectar entre sí, por ejemplo, porque el

comprador es desconocido, se pueden aplicar reglas de asociación para extraer
correlaciones interesantes entre las compras de grupos de artículos. Las reglas
extraídas de esta manera se pueden usar para respaldar diferentes procesos de toma
de decisiones, como asignar la ubicación de los artículos en los estantes, determinar
el diseño de un punto de venta o identificar qué artículos deben incluirse en los
folletos promocionales.
Minería web
La web es un canal crítico para la comunicación y promoción de la imagen de una

empresa. Además, los sitios de comercio electrónico son importantes canales de
venta. Por lo tanto, es natural utilizar métodos de minería web para analizar datos
sobre las actividades realizadas por los visitantes de un sitio web (Vercellis, 2009).
Minería de contenidos. La extracción de contenido implica el análisis del contenido

de las páginas web para extraer información útil. Los motores de búsqueda realizan
principalmente actividades de minería de contenido para proporcionar los enlaces
que se consideran interesantes en relación con las palabras clave proporcionadas por
los usuarios.
Minería de estructura. El objetivo de este tipo de análisis es explorar y comprender

la estructura topológica de la web. Usando los enlaces presentados en las distintas
páginas, es posible crear gráficos donde los nodos se correspondan con las páginas
web y los arcos orientados estén asociados con enlaces a otras páginas.
15
Tema 7. Ideas clave
Minería de uso. Los análisis dirigidos a la minería de uso son sin duda los más
relevantes desde el punto de vista del marketing relacional, ya que exploran los
caminos seguidos por los navegadores y sus comportamientos durante una visita al
sitio web de una empresa. Los métodos para la extracción de reglas de asociación son
útiles para obtener correlaciones entre las diferentes páginas visitadas durante una
sesión.
7.3. Gestión de la fuerza de ventas
La mayoría de las compañías tienen una red de ventas y, por lo tanto, dependen de
un número sustancial de personas empleadas en actividades de ventas, que
desempeñan un papel fundamental en la rentabilidad de la empresa y en la
implementación de una estrategia de marketing relacional. El término fuerza de
ventas generalmente se toma como todo el conjunto de personas y roles
involucrados, con diferentes tareas y responsabilidades, en el proceso de ventas. Una
taxonomía preliminar de las fuerzas de ventas se basa en el tipo de actividad
realizada, como se indica a continuación (Vercellis, 2009).
 Residencial. Las actividades de ventas residenciales se llevan a cabo en uno o más

sitios físicos administrados por una compañía que suministra algunos productos o
servicios, donde los clientes van a realizar sus compras. Esta categoría incluye las
ventas en puntos de venta, centros de comercio al por mayor y tiendas de efectivo
y transporte.
 Móvil. En las ventas móviles, los agentes de la empresa proveedora van a las casas
u oficinas de los clientes para promocionar sus productos y servicios y recoger

pedidos. Las ventas en esta categoría ocurren principalmente dentro de las
relaciones business to business, aunque también se pueden encontrar en
contextos business to consumer.
16
Tema 7. Ideas clave
 Teléfono. Las ventas telefónicas se realizan a través de una serie de contactos
telefónicos con clientes potenciales.
Existen varios problemas relacionados con la administración de la gestión de una

fuerza de ventas móvil, que serán el enfoque principal de esta sección. Se pueden
subdividir en algunas categorías principales (Vercellis, 2009):
 Diseño de la red de ventas.

 Planificación de las actividades de los agentes.
 Gestión de contactos.
 Gestión de oportunidades de ventas.
 Gestión de clientes.
 Gestión de la actividad.
 Gestión de pedidos.
 Gestión de área y territorio.
 Soporte para la configuración de productos y servicios.
 Gestión del conocimiento en productos y servicios.
El diseño de la red de ventas y la planificación de las actividades de los agentes

implican tareas de toma de decisiones que pueden aprovechar el uso de la
Inteligencia de Negocio, como los que se describirán en las siguientes secciones. Las
actividades restantes son de naturaleza operativa y pueden beneficiarse del uso de
herramientas de software para la automatización de la fuerza de ventas, hoy en día
ampliamente implementadas.
Procesos de decisión en la gestión de la fuerza de ventas

El diseño y la gestión de una fuerza de ventas plantean varios problemas de toma de

decisiones, en particular, estos procesos se pueden agrupar en tres categorías:
diseño, planificación y evaluación.
17
Tema 7. Ideas clave
Diseño
El diseño de la fuerza de ventas se trata durante la fase de inicio de una actividad

comercial o durante las fases de reestructuración posteriores, por ejemplo, después
de la fusión o adquisición de un grupo de empresas.
La fase de diseño suele ir precedida por la creación de segmentos de mercado a

través de la aplicación de métodos de extracción de datos y por la articulación de la
oferta de productos y servicios, que a su vez se subdividen en clases homogéneas.
Este diseño incluye tres tipos de decisiones (Vercellis, 2009):
 Estructura organizativa. La estructura organizativa puede tomar diferentes

formas, correspondientes a aglomeraciones jerárquicas de los agentes por grupo
de productos, marca o área geográfica. En algunas situaciones, la estructura
también puede ser diferenciada por los mercados. Para determinar la estructura
organizativa es necesario analizar la complejidad de los clientes, los productos y
las actividades de ventas, y decidir si los agentes deben especializarse y en qué
medida.
 Dimensión. El tamaño de la red de ventas es una cuestión que trata de determinar

el número óptimo de agentes que deben operar dentro de la estructura
seleccionada, y depende de varios factores, como el número de clientes reales y
clientes potenciales, el nivel deseado de cobertura del área de ventas, el tiempo
estimado para cada llamada y el tiempo de viaje de los agentes. Una mejor
asignación de la fuerza de ventas existente, diseñada durante la fase de
planificación por medio de modelos de optimización, suele ser más efectiva que
una variación en el tamaño de la fuerza de ventas, en caso de querer reducir
costes.
18
Tema 7. Ideas clave
 Territorios de venta. Diseñar un territorio de ventas significa agrupar las áreas
geográficas en las que se ha dividido una región determinada y asignar cada
territorio a un agente. El diseño y la asignación de territorios de ventas deben
tener en cuenta varios factores, como el potencial de ventas de cada área
geográfica, el tiempo requerido para viajar de un área a otra y el tiempo total que
cada agente tiene a su disposición. El propósito de la asignación consiste en
determinar una situación equilibrada entre las oportunidades de ventas
integradas en cada territorio, a fin de evitar disparidades entre los agentes. La
asignación de las áreas geográficas debe revisarse periódicamente, ya que el
equilibrio del potencial de ventas en los distintos territorios tiende a variar con el
tiempo.
Planificación
Los procesos de toma de decisiones de planificación implican la asignación de

recursos de ventas, estructurados y dimensionados durante la fase de diseño, a las
entidades del mercado.
La asignación debe tener en cuenta el tiempo dedicado para conseguir la venta a cada
cliente, el tiempo y coste de viaje, y la probabilidad de éxito de la acción que se ha de
llevar a cabo para cada producto, servicio o segmento de mercado.
Evaluación
El propósito de las actividades de evaluación y control es medir la efectividad y

eficiencia de las personas empleadas en la red de ventas, a fin de diseñar planes
adecuados de remuneración e incentivos. Para medir la eficiencia de los agentes de
ventas es necesario definir criterios de evaluación adecuados que tengan en cuenta

la contribución personal real de cada agente, eliminando los efectos debidos a las
características que pueden hacer que un área o producto sea más o menos ventajoso
que otros.
19
Tema 7. Ideas clave
Las funciones de respuesta
Las funciones de respuesta desempeñan un papel clave en la formulación de modelos

para diseñar y planificar una red de ventas. En términos generales, una función de
respuesta describe la elasticidad de las ventas en términos de la intensidad de las
acciones de ventas y es un método formal para describir la compleja relación
existente entre las acciones de ventas y las reacciones del mercado (Vercellis, 2009).
Las ventas a las que se refiere la función de respuesta se expresan en unidades de

producto o unidades monetarias, como ingresos o márgenes. Además, la intensidad
de una acción de ventas puede relacionarse con diferentes variables, como la
cantidad de llamadas a un cliente en cada período, la cantidad de menciones de un
producto en cada período y el tiempo dedicado a cada cliente en cada período.
En principio, es posible considerar una función de respuesta en relación con cada

factor que se considera crítico para las ventas: las características de los clientes y los
territorios de ventas, la experiencia, la educación, las habilidades personales de los
agentes o las promociones, precios y políticas de rebajas llevadas a cabo por la
compañía.
Las figuras 4 y 5 muestran dos formas posibles de la función de respuesta, obtenidas

al colocar las ventas de un producto o servicio en el eje vertical y la intensidad de la
acción de ventas de interés en el eje horizontal. Vamos a considerar como acción de
ventas el número de llamadas a un cliente.
20
Tema 7. Ideas clave
Figura 4. Función de respuesta cóncava. Fuente: Vercellis, C. (2009).
La función de respuesta cóncava que se muestra en la figura 4 se puede interpretar

de la siguiente manera: a medida que aumenta el número de llamadas, los ingresos
crecen a una tasa decreciente que se aproxima a 0, de acuerdo con el principio de la
disminución de los ingresos marginales. En general, la falta de acciones de ventas
hacia un cliente determinado no implica una falta de ventas, al menos durante un
cierto número de períodos. Este es un efecto de las acciones ejecutadas en períodos
anteriores que perdura en el tiempo. Por esta razón, la función de respuesta es mayor
que 0 en Xh = 0.
Figura 5. Función de respuesta sigmoidea. Fuente: Vercellis, C. (2009).
21
Tema 7. Ideas clave
La función de respuesta sigmoidea de la figura 5 refleja una hipótesis diferente del
crecimiento de las ventas en función de las acciones llevadas a cabo. El supuesto en
este caso es que el intervalo central de valores en el eje horizontal corresponde a una
mayor tasa de crecimiento de las ventas, mientras que fuera de esa área la tasa de
crecimiento es menor (Vercellis, 2009).
Las funciones de respuesta pueden estimarse considerando dos tipos de

información. Por un lado, se pueden usar los datos anteriores disponibles con
respecto a la intensidad de las acciones realizadas y las ventas correspondientes, para
desarrollar un modelo de regresión. Por otro lado, se pueden realizar entrevistas con
agentes y gerentes de ventas para obtener información subjetiva que luego se
incorpora al procedimiento para calcular la función de respuesta.
Ahora mostraremos por medio de un ejemplo cómo funciona el procedimiento para

estimar la función de respuesta. Sea rh (xh) el valor de ventas para el cliente h asociado
con un número xh de llamadas durante un período determinado. Más generalmente,
la variable que determina la función de respuesta r expresa la intensidad de la acción
de ventas que se ha llevado a cabo. Primero se debe seleccionar una forma
paramétrica para expresar la dependencia funcional. Se puede usar la siguiente
función, que puede asumir formas tanto cóncavas como sigmoideas variando los
parámetros:
𝑥𝑥ℎ𝜎𝜎
𝑟𝑟ℎ (𝑥𝑥ℎ ) = 𝑟𝑟0 + (𝑟𝑟∞ − 𝑟𝑟0 )
𝛾𝛾 + 𝑥𝑥ℎ𝜎𝜎
Los parámetros en la expresión rh (xh) tiene el siguiente significado: r0 representa el

nivel de ventas que se obtendría a una intensidad de acción de ventas igual a 0, como
un efecto prolongado de acciones previas; r∞ representa el nivel máximo de ventas,

independientemente de la intensidad de la acción de ventas; γ y σ son dos
parámetros para estimar.
22
Tema 7. Ideas clave
Para obtener una estimación de los cuatro parámetros que aparecen en la expresión
para rh (xh) es posible proceder de dos maneras complementarias. Los datos de ventas
pasadas se pueden usar para configurar un modelo de regresión y determinar los
valores a través del método de mínimos cuadrados ordinarios. Para aumentar el valor
de las opiniones de los agentes de ventas, también es posible pedir a los agentes y
gerentes de ventas que estimen el valor de los parámetros r0 y r∞, así como los valores
de las ventas esperadas en otros tres puntos críticos de la función de respuesta: rh
(xh), y se obtiene una estimación por interpolación de los parámetros de escala γ y σ.
7.4. Casos empresariales
En esta sección describiremos brevemente algunos estudios de casos de negocios

que ilustran la aplicación a problemas del mundo real de los métodos de análisis de
mercadeo presentados anteriormente. Por razones de confidencialidad, no se darán
datos numéricos para los ejemplos presentados. El propósito de estos estudios de
caso es ofrecer algunas ideas sobre los posibles campos de aplicación de los sistemas
de inteligencia empresarial en los procesos de toma de decisiones relacionados con
el marketing.
Retención en telecomunicaciones
Las compañías que operan en la industria de la telefonía móvil fueron de las primeras
en utilizar modelos de aprendizaje y métodos de extracción de datos para respaldar
las estrategias de marketing relacional. Uno de los objetivos principales ha sido la
retención de clientes, también conocido como análisis de abandono. El efecto de la
saturación del mercado y la fuerte competencia se han combinado para causar

inestabilidad y desafecto entre los consumidores, quienes pueden elegir una
compañía según las tarifas, los servicios y los métodos de acceso que consideren más
convenientes (Vercellis, 2009). Este fenómeno es particularmente crítico con
respecto a las tarjetas telefónicas de prepago, muy popular en la industria de la
23
Tema 7. Ideas clave
telefonía móvil de los últimos veinte años, ya que hacen que el cambio de proveedor
de servicios telefónicos sea bastante fácil y de bajo coste. Debido a la naturaleza de
los servicios ofrecidos, los proveedores de telefonía poseen una amplia gama de
datos sobre sus clientes y están en la mejor posición para lograr el máximo beneficio
de la extracción de datos con el fin de orientar las acciones de marketing y optimizar
el uso de los recursos.
Compañía y objetivos
Una empresa de telefonía móvil desea modelar la propensión a la rotación de sus

clientes, es decir, un modelo predictivo capaz de asociar a cada cliente con un valor
numérico (o puntaje) que indique su probabilidad de discontinuar el servicio, en
función del valor de las variables explicativas disponibles (Vercellis, 2009). El modelo
debe ser capaz de identificar, en función de las características del cliente, segmentos
homogéneos en relación con la probabilidad de cambio de compañía, para luego
concentrar en estos grupos las acciones de marketing que deben realizarse para la
retención, reduciendo así el desgaste y aumentando la efectividad general.
La figura 6 muestra los posibles segmentos derivados de un modelo de clasificación,

utilizando solo dos atributos predictivos para crear un gráfico bidimensional con fines
ilustrativos. Los segmentos con la mayor densidad de clientes con posibilidad de
cambiar de compañía permiten identificar a los destinatarios de las acciones de
marketing.
Figura 6. Segmentación para detectar clientes fieles. Fuente: Vercellis, C. (2009).
24
Tema 7. Ideas clave
Después de un análisis de datos exploratorio inicial, se toma la decisión de desarrollar
más de un modelo predictivo, determinando a priori algunos macrosegmentos de
mercado que parecen heterogéneos. De esta manera es posible obtener varios
modelos precisos en lugar de un solo modelo relacionado con toda la base de
clientes. El análisis realizado utilizando métodos de agrupación confirma la idoneidad
de los segmentos considerados y conduce a la subdivisión de los clientes en grupos
según las siguientes dimensiones (Vercellis, 2009):
 Tipo de cliente (comercial o privado).

 Tipo de tarjeta telefónica (suscripción o prepago).
 Años de prestación del servicio, ya sea por encima o por debajo de un umbral
determinado.
 Área de residencia.
El mercado de datos de marketing asigna a cada cliente una gran cantidad de datos:
 Información personal (sociodemográfica).

 Información administrativa y contable.
 Tráfico telefónico entrante y saliente, subdividido por período (semanas o meses)
y dirección del tráfico.
 Acceso a servicios adicionales, como fax, correo de voz y números de servicios
especiales.
 Llamadas a centros de atención al cliente.
 Notificaciones de mal funcionamiento y daños.
 Correos electrónicos y solicitudes a través de páginas web.
Hay aproximadamente 100 variables explicativas disponibles para construir modelos

predictivos.
25
Tema 7. Ideas clave
Análisis y resultados
Una vez que el conjunto de datos para desarrollar los modelos se ha extraído del
mercado de datos, se puede llevar a cabo un análisis exploratorio detallado. Por un
lado, muestra un cierto número de anomalías, en forma de valores atípicos y valores
perdidos, cuya eliminación mejora la calidad de los datos. Por otro lado, se pueden
generar variables adicionales a través de transformaciones apropiadas para resaltar
las tendencias relevantes y las correlaciones identificadas por el análisis de datos
exploratorios (Vercellis, 2009). Después de aplicar la reducción y extracción de
características, el nuevo conjunto de datos contiene aproximadamente 150 variables
predictivas, después de la adición de las variables derivadas y la eliminación de
algunas variables originales consideradas no influyentes en el objetivo.
Tras el estudio, se canalizaron las acciones de marketing hacia los clientes que tenían
más probabilidad de cambiar de operador.
Adquisición en industria automovilística
Las empresas de la industria automovilística se esfuerzan por desarrollar iniciativas

dirigidas a fortalecer la competitividad y aumentar la participación de mercado. En
este escenario, se han iniciado proyectos de marketing relacional con el fin de
optimizar las acciones de marketing y ofrecer productos que se hallen en línea con
las necesidades de los clientes, anticipando la evolución de los mercados y la
demanda.
En particular, el uso de métodos de Inteligencia de Negocio es un factor clave para

fortalecer el conocimiento de clientes y clientes potenciales, y, por lo tanto, de este
modo mejorar los nuevos procesos de adquisición de clientes y la fidelidad de la base

de clientes. Vale la pena observar que, para algunos mercados en la industria
automovilística, es posible integrar los datos internos contenidos en el mercado de
datos de mercadeo con fuentes de datos externas, que proporcionan una descripción
completa de las compras de automóviles y vehículos industriales realizadas por
26
Tema 7. Ideas clave
clientes privados y empresas, que se encuentran fácilmente en los registros de
vehículos motorizados. Tal oportunidad se puede utilizar para mejorar los análisis de
segmentación (Vercellis, 2009).
Compañía y objetivos
Una empresa que fabrica vehículos industriales desea desarrollar un modelo

predictivo que pueda asignar a cada cliente potencial una puntuación que indique su
propensión a responder positivamente a una acción de marketing dirigida a la
adquisición. El objetivo principal del modelo es proporcionar orientación para las
acciones de promoción llevadas a cabo por la red de concesionarios. Pero, también,
para mantenerse un paso por delante de los competidores, hay que entender mejor
las tendencias de la demanda futura, refinando el conocimiento de la base de clientes
y de los escenarios del mercado, e identificando las características distintivas que
caracterizan a los clientes actuales para diseñar iniciativas dirigidas a fomentar las
nuevas adquisiciones (Vercellis, 2009).
Los datos disponibles para el análisis de adquisición se subdividen en tres categorías.
 Perspectivas y clientes. El primer grupo de datos se refiere a los clientes actuales

o potenciales de la empresa, incluidos los clientes que poseen vehículos que no
son necesariamente producidos por la empresa. Además de la información
demográfica, los datos incluyen 15 variables explicativas que recopilan
información significativa, como el tipo de vehículo mejor calificado que posee cada
cliente potencial, la cantidad de vehículos nuevos y usados producidos por
competidores y propiedad de cada cliente potencial, y la cantidad de vehículos

nuevos y usados comprados en el pasado por cada cliente potencial.
27
Tema 7. Ideas clave
 Vehículos. El segundo grupo de datos incluye 16 atributos que permiten identificar
los vehículos que son propiedad de cada cliente potencial, entre ellos, el modelo,
la categoría de peso, las características opcionales, el tipo de combustible, la
primera y última fecha de registro, y el estado (vehículo nuevo o usado). Estos
atributos definen para cada vehículo el momento de las transacciones de ventas o
transferencias de propiedad.
 Trabajos. El tercer grupo de datos se refiere a los trabajos de mantenimiento y

reparación realizados para los vehículos durante el período de garantía y más allá.
En particular, estos datos indican el tipo de trabajo realizado, una descripción del
problema, el kilometraje del vehículo en el momento del servicio, la tienda de
automóviles donde se realizó la reparación y la fecha de admisión y entrega del
vehículo reparado.
Después del análisis de los datos exploratorios, que condujo a la eliminación de una
serie de anomalías y valores atípicos, se llevó a cabo la selección de variables. El
análisis condujo a la adición de nuevas variables explicativas para el intervalo de
tiempo que normalmente transcurre entre dos compras subsiguientes, el número de
vehículos de propiedad de cada cliente potencial, subdividido por clase de peso, la
proporción de vehículos de otras marcas de propiedad de cada cliente potencial, y la
proporción de vehículos de cada clase incluida en la cartera de vehículos de cada
cliente potencial.
Los modelos de clasificación fueron desarrollados utilizando diferentes métodos.

Consideraciones similares a las de la sección anterior sobre el análisis de retención
también se aplican en este caso (Vercellis, 2009).
Venta cruzada en industria minorista
La compañía considerada en esta sección opera en la electrónica de consumo

minorista, y desea segmentar su base de clientes para optimizar las acciones de
comercialización dirigidas a promover un producto o grupo de productos específico.
28
Tema 7. Ideas clave
Por lo tanto, el objetivo es desarrollar un modelo predictivo capaz de asignar a cada
cliente una puntuación que indique su propensión a responder positivamente a una
oferta de venta cruzada. Además de los propósitos de predicción, el modelo debe
usarse también para interpretar los factores explicativos que tienen un mayor efecto
en la compra del producto promocionado. Finalmente, el modelo se utilizará para
evaluar la existencia de correlaciones causales y temporales entre la compra del
producto promocionado y la compra de otros artículos (Vercellis, 2009).
Los datos disponibles para el análisis de ventas cruzadas son principalmente

transaccionales, en referencia a los clientes que se han registrado para obtener una
tarjeta de fidelidad en una de las tiendas minoristas de la compañía. Estos datos
incluyen la siguiente información:
 Información personal (sociodemográfica).

 Fecha de registro en la tarjeta de fidelidad, que puede considerarse como la fecha
de inicio de la relación entre cliente y empresa.
 Fechas de la primera y última compra, marcando el límite del intervalo de tiempo
dentro del cual cada cliente individual ha realizado las compras.
 Recibos de efectivo, que indican qué artículos, y en qué cantidades, ha sido
comprado por cada cliente.
 Compras de artículos en venta realizados por cada cliente.
 Participación en programas de obtención de puntos y premios relacionados
ganados.
 Financiación al consumo solicitada para realizar compras.
29
Tema 7. Ideas clave
Por lo tanto, se puede formular un problema de clasificación binaria, donde la
variable objetivo corresponde a la compra del producto específico que se
promocionará. Dado que la predicción debe estar disponible con un mes de
antelación, los modelos de clasificación deben tener en cuenta la latencia
correspondiente. El análisis exploratorio de datos permitió la detección y eliminación
de anomalías y datos erróneos. Luego se llevó a cabo una etapa de preparación de
datos en la que se eliminaron aquellas variables que mostraron una baja correlación
con el objetivo. Finalmente, se generaron algunas nuevas variables explicativas a
través de las transformaciones de los atributos originales, con el propósito de resaltar
las tendencias en la secuencia temporal de los montos del gasto (Vercellis, 2009).
Al final del análisis exploratorio, el conjunto de datos utilizado para desarrollar los
modelos de clasificación incluía aproximadamente 120 atributos explicativos. Luego,
la atención se dirigió a la hipótesis de una correlación causal entre la compra del
producto promocionado y otros artículos, identificados por los analistas de marketing
de forma subjetiva. Se procedió a evaluar las reglas de asociación que relacionan el
producto promocionado con cada uno de los otros elementos, en una serie de
relaciones diádicas. El análisis mostró que la presencia del producto promovido en la
cabeza o el cuerpo de la regla proporciona valores de confianza y apoyo similares.
Esto llevó al rechazo de la hipótesis de una correlación significativa entre las
compras. Para confirmar aún más esta conclusión, se analizaron las reglas
secuenciales para evaluar si la compra del artículo promovido fue precedida por la
compra de uno de los otros artículos considerados, o si el primero fue precedido por
el segundo. También en este caso, el análisis permitió descartar la existencia de
relaciones causales entre compras.
30
Tema 7. Ideas clave
Vídeo. Aplicación de Inteligencia de Marketing.
Vercellis, C. (2009). Business intelligence: data mining and optimization for decision
making. Wiley: New York.
31
Tema 7. Ideas clave
A fondo
A vueltas con el «churn», la tasa más temida de la telefonía móvil
Muñoz, R. (22 de agosto de 2018). A vueltas con el «churn», la tasa más temida de la
telefonía móvil [online]. El País. Disponible en
https://elpais.com/economia/2018/08/21/actualidad/1534879773_322716.html
Con este recurso se pone de manifiesto la necesidad de enfoque relacional en

mercados maduros como el de las telecomunicaciones y cómo se mide el índice de
fidelidad a través de la tasa de abandono.
Los grandes beneficios que el CRM aporta a la empresa
PuroMarketing. (8 de abril de 2019). Los grandes beneficios que el CRM aporta a la

empresa [online]. Disponible en https://www.puromarketing.com/20/31920/grandes-
beneficios-crm-aporta-empresa.html
Podrás descubrir cómo el CRM es una herramienta que afecta positivamente no solo
al departamento de marketing, sino a toda la empresa.
32
Tema 7. A fondo
La guerra de las telecos por los clientes: 8,5 millones de cambios de compañía en
un año
Page, D. (22 de enero de 2018). La guerra de las telecos por los clientes: 8,5 millones de
cambios de compañía en un año [online]. El Independiente. Disponible en
https://www.elindependiente.com/economia/2018/01/21/la-guerra-las-telecos-
quitarse-clientes-se-dispara-85-millones-cambios-compania-ano/
Este artículo periodístico ilustra la guerra por conseguir clientes en un mercado

maduro dominado por empresas con enfoque a corto plazo de la relación con los
clientes.
33
Tema 7. A fondo
Test
1. Aunque la aplicación de modelos matemáticos a bases de datos de marketing no
es algo nuevo, la posibilidad de contar con bases de datos masivas:
A. Ha frenado la expansión de la aplicación de modelos matemáticos.
B. No ha influido en la expansión de la aplicación de modelos matemáticos.
C. Ha acelerado la expansión de la aplicación de modelos matemáticos.
2. El marketing relacional:
A. Solo se preocupa de retener en el tiempo a los clientes.
B. Solo se preocupa de captar nuevos clientes.
C. Solo se preocupa de hacer ventas cruzadas para clientes ya existentes.
3. En el ciclo de vida del cliente, la empresa incurre en pérdidas en la fase inicial,

sobre todo, cuando el cliente es aún potencial y no real. Por otro lado, la última
fase del proceso consiste en:
A. La interrupción voluntaria.
B. La interrupción involuntaria.
C. La interrupción de la relación.
D. La interrupción unilateral.
4. Los modelos predictivos se ven influenciados por el efecto latencia, siendo este:
A. El efecto que genera en la variable explicada el hecho de que se usen
variables binarias como explicativas.
B. El efecto que genera en la variable explicada el hecho de que se usen para

predecir datos no utilizados en la fase de entrenamiento del modelo.
C. El efecto que genera en la variable explicada el hecho de que se usen para
predecir datos que ya se han utilizados en la fase de entrenamiento del modelo.
34
Tema 7. Test
5. Cuando una empresa de telefonía vende servicios de televisión a un cliente que ya
es usuario de telefonía móvil en esa misma compañía, esa venta se denomina:
A. Venta ascendente.
B. Venta cruzada.
C. Venta cautiva.
6. Si una empresa quiere hacer un mapa con los enlaces a otras webs que sigue un
cliente, debe utilizar:
A. Minería de estructura.
B. Minería de contenidos.
C. Minería de uso.
7. Las técnicas de econometría espacial son muy útiles para tomar decisiones en la
fuerza de ventas del tipo:
A. Territorios de venta.
B. Estructura organizativa.
C. Dimensión.
8. Las funciones de respuesta en marketing relacional miden:

A. La elasticidad de las ventas con relación al precio.
B. La elasticidad de las ventas con relación a la intensidad de las acciones de
marketing.
C. La elasticidad de las ventas con relación al gasto de personal.
35
Tema 7. Test
9. Si se hace un análisis que agrupe, en función a algunas variables, a clientes fieles
con aquellos con mucha probabilidad de cambiar de proveedor. Este estudio es
útil para:
A. Analizar la evolución temporal de las ventas.
B. Analizar la elasticidad precio del producto.
C. Canalizar los recursos a clientes con más probabilidad de cambiar de
operador.
10. La Inteligencia de Negocio:

A. Apoya todas las acciones de marketing relacional.
B. Solo apoya a las actividades de retención.
C. Solo apoya a las actividades de venta cruzada y ascendente.
36
Tema 7. Test
Tema 8
Casos de implementación
de proyectos de
Índice
Esquema 3
Ideas clave 4
8.2. El caso de Google 4
8.3. El caso de Facebook 9

8.4. El caso de Kaggle 13
8.5. El caso de Cornerstone 17
A fondo 21
Test 22
CASOS DE INTELIGENCIA DE NEGOCIO
PageRank fue una

Apl i can el concepto de
revol ución: Google cambió Fa cebook facilitó l a
contra tación colectiva a l Muy úti l para mejorar l a s
l a forma de tratar los datos segmentación de cl ientes,
a nálisis de datos, y es tán métri cas de rendimiento y
pa ra ofrecer a cada cl iente permi tiendo dirigir l os
ayudando a promover la reduci r los niveles de estrés
l os sitios webs que busca es fuerzos a perfiles muy
investigación científica y de l os trabajadores.
de una manera más concretos.
médi ca.
certera .
Ha y críti cos que cuestionan La s competiciones

La críti ca fundamental a La críti ca fundamental a
l a ca pacidad de los datos preempaquetadas de
Fa cebook es la privacidad Corners tone es la
pa ra predecir el futuro, Ka ggl e eliminan la
de l os datos. privacidad de l os datos.
como pretende Google. improvisación.
Esquema
Tema 8. Esquema
3
Ideas clave
La Inteligencia de Negocio, sin dudas, es una disciplina creadora de valor cuando se

cumplen todos lo requisitos para el éxito. En este tema, veremos cómo algunas
empresas aprovechan los grandes datos para impulsar su rendimiento. El uso de
datos, como ya sabemos, no está ligado al tamaño de la compañía, pues los casos de
éxito en el análisis de datos van desde gigantes de la industria como Google, Amazon,
Facebook, General Electrics y Microsoft, hasta pequeñas empresas que han puesto
los datos en el centro de su modelo de negocio, como Kaggle y Cornerstone.
En esta línea, este tema está dedicado a exponer casos de éxito en los que la
aplicación de Inteligencia de Negocio ha reportado beneficios empresariales. Por ello,
los objetivos de este tema son:
 Entender la importancia que tiene el análisis de datos en las empresas.

 Conocer cómo han creado valor determinadas compañías usando los datos.
 Adaptar lo que han hecho otras compañías al día a día de una empresa tradicional.
8.2. El caso de Google
Google ha influido significativamente en la forma en que ahora podemos analizar

grandes datos (Marr, 2015). Por ejemplo, ha desarrollado, entre otras aplicaciones,
BigQuery, un almacén de datos en la nube que permite aplicar técnicas de
aprendizaje automático a grandes cantidades de datos, en tiempo real. Además,
probablemente sea en gran parte debido a Google el que los datos formen parte de
4
Tema 8. Ideas clave
nuestra vida cotidiana. Sin duda, en los próximos años habrá otras empresas que
sigan muchas de las innovaciones que Google está haciendo actualmente.
Según Marr (2015), muchas personas, particularmente aquellas que no se conectaron

hasta inicios del siglo XXI, han tenido su primera experiencia directa en la
manipulación de grandes datos a través de Google. Aunque actualmente la
innovación de análisis de datos de Google va mucho más allá de la búsqueda básica,
esta última sigue siendo su negocio principal. Procesan 3.500 millones de solicitudes
por día, y cada solicitud consulta una base de datos de 20.000 millones de páginas
web.
La base de datos de páginas web con la que cuenta Google se actualiza diariamente,
ya que los robots de Google rastrean la web, copian lo que ven y lo almacenan de
nuevo en la base de datos del índice de Google (Marr, 2015). La clave del éxito de
Google frente a otros motores de búsqueda ha sido su capacidad de analizar mayores
conjuntos de datos para mostrar las páginas web sugeridas.
Antes de 1999, los principales motores de búsqueda trabajaban casi por completo
haciendo coincidir las palabras clave relevantes en la consulta de búsqueda con los
sitios que contienen esas palabras (Marr, 2015). Sin embargo, ese año Google
revoluciona la forma de sugerirnos las webs que tiene en su base de datos, nace
PageRank. Este método de asignar una serie de páginas web a una búsqueda
concreta incluye información sobre los vínculos que existen entre sitios web para
ayudar a medir la importancia de esos sitios en el gran esquema de cosas. De este
modo, el algoritmo que Google usa para calcular el PageRank de un determinado sitio
es el siguiente:
𝑛𝑛
𝑃𝑃𝑃𝑃(𝑖𝑖)
𝑃𝑃𝑃𝑃(𝐴𝐴) = (1 − 𝑑𝑑) + 𝑑𝑑 �
𝐶𝐶(𝑖𝑖)
𝑖𝑖=1
5
Tema 8. Ideas clave
Donde:
 𝑃𝑃𝑃𝑃(𝐴𝐴) es el PageRank de la Página A.

 𝑑𝑑 es la probabilidad de que un usuario continúe pulsando links para navegar por
Internet en vez de escribir una URL directamente en la barra de direcciones.
 𝑃𝑃𝑃𝑃(𝑖𝑖) son los valores de PageRank que tienen cada una de las páginas 𝑖𝑖 que se
enlazan a A.
 𝐶𝐶(𝑖𝑖) es el número total de enlaces salientes de la página 𝑖𝑖 (sean o no hacia A).
Aunque PageRank supuso una revolución, el objetivo de Google siempre ha sido

hacer que la mayor cantidad de información del mundo esté disponible para tantas
personas como sea posible, y la forma en que funciona la búsqueda de Google se ha
revisado y actualizado constantemente para mantenerse al día con esta misión.
PageRank fue una revolución: Google cambió la forma de tratar los datos para
ofrecer a cada cliente los sitios webs que busca de una manera más certera. En
otras palabras, modificó el modelado de datos para adaptarse mejor a las
necesidades del cliente.
El objetivo actual es alejarse aún más de la búsqueda basada en palabras clave y

avanzar hacia la búsqueda semántica. Esto implica analizar no solo los «objetos»
(palabras) de la consulta, sino también la conexión entre ellos, para determinar lo
que significa con la mayor precisión posible.
Con este fin, en 2007 lanzó Universal Search, que extrae datos de cientos de fuentes,
incluidas bases de datos de idiomas, pronósticos meteorológicos y datos históricos,
datos financieros, información de viajes, tipos de cambio de divisas, estadísticas
deportivas y una base de datos de funciones matemáticas (Marr, 2015).
Continuó evolucionando en 2012 hacia el gráfico de conocimiento, que muestra

información sobre el tema de la búsqueda desde una amplia gama de recursos
directamente a los resultados de búsqueda.
6
Tema 8. Ideas clave
El siguiente paso fue aplicar lo que sabe sobre el historial de búsqueda del usuario
(si ha iniciado sesión), que puede incluir información sobre su ubicación, así como
datos de su perfil de Google+ y mensajes de Gmail, para llegar a su mejor conjetura
de qué se está buscando.
Sin embargo, la búsqueda no es lo único que hace Google. Después de todo, es gratis,
¿verdad? Y Google es una de las empresas más rentables del planeta. Ese beneficio
proviene de lo que obtiene a cambio de sus búsquedas: información sobre la
población.
Google acumula grandes cantidades de datos sobre las personas que lo usan.
Esencialmente, es capaz de unir empresas con clientes potenciales, a través de su
algoritmo Adsense. Las compañías pagan generosamente por estas presentaciones,
que aparecen como anuncios en los navegadores de los clientes.
En 2010, Google lanzó BigQuery, su servicio comercial para permitir a las empresas
almacenar y analizar conjuntos de grandes datos en sus plataformas en la nube. Las
empresas pagan por el espacio de almacenamiento y el tiempo de computadora
utilizado para ejecutar las consultas (Marr, 2015).
Figura 1. Logo de Google BigQuery. Fuente: https://cloud.google.com

Otro proyecto en el que Google está trabajando es el coche sin conductor. El uso y la
generación de cantidades masivas de datos de sensores, cámaras, dispositivos de
rastreo y el acoplamiento con el análisis de datos a bordo y en tiempo real de Google
Maps, Streetview y otras fuentes permite que el automóvil de Google conduzca de
manera segura en las carreteras sin necesidad de un conductor humano.
7
Tema 8. Ideas clave
Quizás el uso más sorprendente que Google ha encontrado para sus enormes datos
es la capacidad de predecir el futuro. En 2008, la compañía publicó un artículo en la
revista científica Nature alegando que su tecnología tenía la capacidad de detectar
brotes de gripe con más precisión que las técnicas médicas actuales para detectar la
propagación de epidemias.
Los resultados fueron controvertidos: el debate continúa sobre la precisión de las

predicciones. No obstante, la publicación reveló la posibilidad de una «predicción de
multitudes», que probablemente sea una realidad en el futuro a medida que la
analítica se vuelva más sofisticada.
Es posible que Google aún no esté listo para predecir el futuro, pero su posición como
jugador principal e innovador en el espacio de Big Data parece una apuesta segura
(Marr, 2015).
Vídeo. PageRank como revolución de Google.

8
Tema 8. Ideas clave
8.3. El caso de Facebook
Facebook es la red social más grande del mundo y muchos de nosotros estamos
acostumbrados a usarla para compartir detalles de nuestra vida cotidiana con
nuestros amigos y familiares. Sin embargo, ya no es ningún secreto que también lo
estamos compartiendo con sus anunciantes. En este apartado se detalla cómo
Facebook ha sido una de las compañías más exitosas del mundo a la hora de recopilar
nuestros datos y convertirlos en ganancias (Marr, 2015).
Recientemente, Facebook ha estado causando revuelo entre los defensores de la

privacidad en línea y la protección de datos. Las últimas acusaciones son que se ha
llevado a cabo una investigación psicológica poco ética, experimentando con sus
usuarios sin su permiso. Los críticos dicen que al intentar alterar el estado de ánimo
de las personas mostrándoles publicaciones específicas con un ambiente positivo o
negativo, y luego midiendo su respuesta, se han violaado varias pautas éticas.
Sin embargo, la verdad es que Facebook (e Internet en general) está haciendo sus
propias reglas a medida que avanza. Poner en contacto a 1.250 millones de personas,
es decir, una quinta parte de la población mundial, tiene consecuencias de largo
alcance.
Sin embargo, aunque ahora parece estar dedicándose a experimentos psicológicos,

la principal motivación de Facebook para recopilar y analizar los datos de sus usuarios
siempre ha sido vender anuncios. Los anunciantes se benefician de los perfiles
altamente detallados que los usuarios acumulan con el tiempo a medida que usan el
sitio, lo que significa que sus mensajes, por ejemplo, pueden dirigirse precisamente
a «mujeres mayores de 40 años aficionadas a la lectura» u «hombres menores de 25

años residentes en el Reino Unido apasionados por el fútbol».
9
Tema 8. Ideas clave
El éxito enorme y rápido de Facebook fue impulsado por su interfaz simple y el énfasis
en la privacidad del usuario, lo que resulta algo irónico teniendo en cuenta cómo se
han desarrollado las cosas. Todo ello ayudó a que rápidamente se volviera más
popular que otras redes sociales anteriores como Myspace y Bebo. Pero, en
retrospectiva, está claro que siempre se han buscado objetivos mayores, como el
análisis de datos para la toma de decisiones.
Una gran diferencia entre Google y Facebook es que la información de Google sobre
quiénes son sus usuarios a menudo es una predicción realizada en función de los
sitios que se visitan. Desde el principio, Facebook les pregunta explícitamente a sus
usuarios quiénes son, dónde viven y qué les interesa. Google finalmente comenzó a
hacer lo mismo con Google+, pero, para entonces, era tarde. Los anunciantes valoran
claramente este enfoque directo: los ingresos publicitarios en Facebook crecieron un
129 % entre 2011 y 2013, en comparación con el 49 % en Google durante el mismo
período.
Al igual que para Google y las demás grandes empresas tecnológicas, la compra de
empresas más pequeñas para hacer uso de su IP y, especialmente, de los datos de su
base de usuarios, es una estrategia comercial central de Facebook. Las adquisiciones
notables han incluido Instagram y WhatsApp, ambos con comunidades de millones
de usuarios para agregar a Facebook. Curiosamente, su compra reciente de más alto
perfil fueron los fabricantes de los próximos auriculares de realidad virtual Oculus
Rift. Claramente están pensando en métodos más convenientes que las pantallas
existentes para ver nuestros datos (Marr, 2015).
10
Tema 8. Ideas clave
Figura 2. Tiempo semanal de uso de redes sociales en España. Fuente:
https://es.statista.com/grafico/7887/facebook-y-whatsapp-las-redes-con-mas-uso-en-espana/
Facebook siempre ha afirmado que las cuestiones de privacidad se resuelven al

compartir la información con el permiso de los usuarios, y que además dicha
información se anonimiza cuando se vende para fines de marketing. Sin embargo, eso
no ha impedido que muchos críticos cuestionen sus prácticas. Por ejemplo, muchos
sostienen que la configuración de privacidad es demasiado compleja o no se explica
claramente, por lo que muchas personas llegan a compartir cosas que no deseaban.
Facebook ha tratado de arreglar esto varias veces a lo largo de los años.
Facebook, a diferencia de Google, trata con datos personales. Si bien en EE.UU. el

gobierno es algo más permisivo, en Europa el tratamiento de esos datos está
supeditado a una fuerte restricción normativa. Además, el tratamiento de datos
personales no está exento de cuestionamientos éticos.
Otra característica que causó preocupación cuando se introdujo fue el

reconocimiento facial. Cuando un usuario carga una imagen, es posible que vea
sugerencias de personas que podría etiquetar en ella. Esto se basa en el análisis de
los datos de la imagen, que se compara con las imágenes de las personas de su lista
de amigos. Todo ello provocó una investigación por parte de los reguladores de
privacidad de la UE en 2011.
11
Tema 8. Ideas clave
Más recientemente, los cambios en la forma en que se controlan los hábitos de sus
usuarios han causado preocupación. Sus últimas herramientas de monitoreo
registran todo, desde cuánto tiempo un usuario «pasa» el cursor sobre ciertas partes
de la página hasta qué sitios web visita fuera de Facebook. El mismo anunció que esta
información se está utilizando en sus algoritmos, que determinan qué anuncios
mostrarnos (Marr, 2015).
Pero, al menos, ahora los usuarios pueden eliminar sus datos de forma permanente
si ya no desean que Facebook tenga acceso a ellos. Antes de 2010, ni siquiera se podía
eliminar realmente una cuenta; aunque el usuario podía eliminar su perfil, todo se
mantenía en sus servidores durante un período de tiempo no especificado, para fines
no especificados (difícilmente sería de utilidad dirigirle anuncios a alguien que ya no
tuviera una cuenta con la cual ver el sitio). El clamor cuando se descubrió, llevó a
Facebook a agregar la capacidad de borrarse por completo.
La estrategia de datos de Facebook está dirigida por su equipo de análisis de datos,

cuya página puedes consultar en la sección «A fondo». En ella publican regularmente
actualizaciones sobre los conocimientos que han obtenido al analizar los hábitos de
los millones de usuarios que navegan por el sitio.
En general, muchos de los problemas causados por Facebook son un síntoma de su

enorme éxito. Los reguladores y legisladores han resultado ser lentos a la hora de
enfrentarse a la revolución que Facebook ha supuesto en la forma en que nos
comunicamos, día a día. Y, al igual que ocurre con el caso de Google, muchas personas
piensan que vale la pena soportar los problemas, por la comodidad que brinda.
12
Tema 8. Ideas clave
Vídeo. El uso de datos de Facebook con fines comerciales.
8.4. El caso de Kaggle
En la búsqueda de una empresa que incorpore principios de emprendimiento e

Inteligencia de Negocio de forma simultánea, Kaggle parece ser la ganadora. Entre
otras cosas, esta compañía ha descubierto cómo obtener beneficios del modelado
predictivo y la gamificación.
La empresa otorga premios en efectivo a los equipos de «científicos ciudadanos» que

compiten entre sí y logran resolver los desafíos que supone el análisis de datos de
cualquier forma y tamaño.
Con ello, no solo se benefician las empresas, sino que, al aplicar el concepto de
contratación colectiva al análisis de datos, se ayuda a promover la investigación
científica y médica. Entre sus proyectos se encuentran la búsqueda de rastros de

materia oscura en el cosmos y la investigación del tratamiento del VIH (Marr, 2015).
13
Tema 8. Ideas clave
El científico jefe de Google (que se ha beneficiado de la investigación de Kaggle) y el
inversor de Kaggle, Hal Varian, lo describen como «una forma de organizar la
capacidad intelectual de los analistas más talentosos del mundo y hacerla accesible a
organizaciones de todos los tamaños».
Se trata, ciertamente, de un objetivo intrigante, y altamente rentable, en un mundo

en el que las empresas de todos los tamaños están comenzando a aprovechar los
beneficios de los grandes datos. Incluso si todas las empresas pudieran permitirse
establecer su propio departamento de análisis de datos, no habría suficientes
personas capacitadas para hacer el trabajo.
Al igual que ocurre con todas las ciencias emergentes, hay una escasez de científicos
de datos capacitados en este momento y, sin embargo, Kaggle tiene 150.000 de ellos,
listos para trabajar con el mejor postor.
Además de cobrarles a las compañías con las que trabajan (entre ellas, Amazon,
Facebook, Microsoft y Wikipedia) hasta 300 dólares por hora por un trabajo de
consultoría, la empresa organiza concursos, que es donde entra la gamificación.
Kaggle se apoya en la teoría de que es más fácil hacer que las personas participen en
algo si se les presenta como un desafío o competición de algún tipo.
Aunque con frecuencia se afirma que tienen «más de 100.000 científicos de datos»,
en realidad no son empleados, sino usuarios y competidores registrados. No hay
barreras de calificación o experiencia para registrarse como científico de datos de
Kaggle; de hecho, los ganadores anteriores han sido desde académicos y
profesionales de ciencias de datos hasta aficionados entusiastas. Sin embargo, ciertas
competencias están reservadas ocasionalmente para «maestros», es decir, aquellos
que han demostrado su bagaje mediante su trabajo anterior con Kaggle.
Kaggle tiene a más de 100.000 analistas trabajando sin cesar y sin necesidad de
contar con empleados que carguen su estructura fija, ya que se trata de usuarios
registrados en la plataforma.
14
Tema 8. Ideas clave
La compañía también recluta a su propio personal para trabajar en proyectos
internos. De hecho, últimamente se ha convocado una competición en la que se
solicitaban reclutas y, aunque no se enumeraban los requisitos (aparte de que los
solicitantes tuvieran experiencia), en el formulario de solicitud se preguntaba la
media y la desviación estándar de dos conjuntos de números.
El concepto está indudablemente inspirado en otros trabajos de análisis de datos de

abastecimiento público, como el proyecto de búsqueda de inteligencia extraterrestre
SETI@home y una competición que organizó Netflix en 2009, en la que ofreció un
millón de libras a la persona que ideará el mejor algoritmo para proporcionar
recomendaciones de películas.
Figura 3. Usuarios poniendo en práctica el análisis de datos. Fuente:

https://www.kaggle.com/macespinoza/kaggle-de-principiante-a-grandmaster-en-espa-ol
Kaggle ha adoptado esa misma idea y la ha expandido. Básicamente, actúa como

intermediario: una vez que las compañías u organizaciones plantean sus problemas,
Kaggle las presenta como competiciones, reúne a los concursantes y comparte las
recompensas (Marr, 2015).
15
Tema 8. Ideas clave
Los datos en sí a menudo se simulan, y los concursantes se enfrentan al desafío de
encontrar métodos o algoritmos que sean más eficientes que los métodos ya
existentes para resolver el problema en cuestión. Gracias al uso de datos simulados,
los problemas relacionados con el acceso a datos confidenciales pueden obviarse. Por
último, se paga la recompensa, que actualmente es de hasta 30.000 dólares, aunque
en ocasiones se ha ofrecido una cifra muy superior para grandes proyectos.
Uno de sus éxitos más conocidos fue el premio Heritage Health, que otorgó tres
millones de dólares al participante ganador, cuyo algoritmo predijo con mayor
precisión qué pacientes serían ingresados en el hospital en los siguientes doce meses,
a partir de un conjunto de datos médicos.
También ofrecen el servicio Kaggle In Class, un spin-off académico de la marca

principal que ofrece herramientas gratuitas de procesamiento de datos y desafíos
simulados. Está diseñado para su uso en escuelas y universidades que luchan por
enfrentar los desafíos de la capacitación de las primeras generaciones de científicos
de datos profesionales.
Por supuesto, no está exento de críticas. En concreto, se han planteado dudas acerca
de lo valiosa que pueda ser realmente la investigación a la que conduce; a menudo,
dicen, los mayores desafíos en el análisis de datos giran en torno a qué datos se
necesitan y qué preguntas deben formularse. Las competiciones preempaquetadas
de Kaggle eliminan este elemento de la ecuación. Sin embargo, los analistas de datos
de crowdsourcing podrían estar trabajando en la solución de un problema en
particular, pero ¿es el correcto? ¿Y podría haber datos más relevantes en otro lugar,
aparte de los suministrados en el paquete de la competición?
16
Tema 8. Ideas clave
Esto podría ser una limitación fundamental para el modelo de competición, hasta que
la recopilación y distribución de datos evolucione hasta el punto de que estos puedan
ponerse a disposición de los concursantes en tiempo real, lo que posteriormente
planteará serios problemas de privacidad y protección de datos que lo
obstaculizarán. Pero, tal y como es hoy en día, Kaggle supone una de las mayores
innovaciones en el análisis de datos y ha contribuido en gran medida a la toma de
conciencia sobre el poder que el análisis de datos de crowdsourcing puede brindar a
empresas y organizaciones de todos los tamaños (Marr, 2015).
8.5. El caso de Cornerstone
Los empleados son el mayor activo de una empresa, al tiempo que suponen su
mayor coste fijo. Por lo tanto, elegir la fórmula correcta para seleccionarlos y
mantenerlos es absolutamente esencial. Una empresa que ofrece soluciones únicas
a la hora de afrontar este desafío es Cornerstone.
Cornerstone es una herramienta de software que ayuda a evaluar y analizar a los

empleados y candidatos a partir de quinientos millones de puntos de datos, que
pueden abarcar, desde los precios de la gasolina y las tasas de desempleo hasta el
uso de las redes sociales.
Los clientes como Xerox lo usan, por ejemplo, para predecir cuánto tiempo se estima
que un empleado vaya a permanecer en su trabajo; entre las ideas más destacadas
se halla el hecho de que, en algunos puestos, como el trabajo en un centro de
atención telefónica, los empleados con antecedentes penales tienen un mejor
desempeño.
Su destreza ha convertido a Cornerstone en un gran éxito, con un crecimiento de las

ventas del 150 % entre 2012 y 2013 y el uso del software por parte de veinte de las
compañías Fortune 100.
17
Tema 8. Ideas clave
Los «puntos de datos» son mediciones tomadas de empleados que trabajan en 18
industrias en 13 países diferentes, que proporcionan información, como cuánto
tiempo tardan en llegar al trabajo, o cada cuánto tiempo hablan con sus gerentes.
Los métodos de recopilación de datos incluyen las controvertidas «insignias
inteligentes» que monitorean los movimientos de los empleados y rastrean qué
empleados interactúan entre sí (Marr, 2015).
Cornerstone, la piedra angular, ciertamente ha provocado un cambio positivo en las

empresas que lo usan: según los informes, Bank of America mejoró las métricas de
rendimiento en un 23 % y disminuyó los niveles de estrés (medidos al analizar las
voces de los trabajadores) en un 19 %, simplemente al permitir que más empleados
se tomaran sus descansos juntos.
Figura 4. Ejemplo de reporting de Cornerstone. Fuente:

https://www.cornerstoneondemand.fr/analytics-cornerstone-insights
Xerox redujo la rotación del centro de llamadas en un 20 % mediante la aplicación de

análisis a los posibles candidatos, con lo que descubrió, entre otras cosas, que las
personas creativas tenían más probabilidades de permanecer en la empresa durante
los seis meses necesarios para recuperar el coste de 6.000 dólares de su capacitación
que las personas curiosas.
18
Tema 8. Ideas clave
Hasta ahora, la recopilación y el análisis de datos se han centrado principalmente en
los miembros del personal orientados al cliente, que en las organizaciones más
grandes tenderán a ser aquellos con menos responsabilidad y poder de decisión. ¿Se
podrían obtener mayores beneficios si se aplican los mismos principios a los motores
y agitadores de la sala de juntas, que poseen las claves para un cambio comercial de
mayor alcance? Ciertamente, algunas compañías están empezando a pensar de esa
manera.
El director de investigación y estrategia de una empresa que utiliza el software, David

Lathrop de Steelcase, dijo al Financial Times que mejorar el desempeño de los altos
ejecutivos tiene un «efecto desproporcionado en la empresa». Aunque no reveló
detalles precisos de los métodos o resultados, se están llevando a cabo muchas
investigaciones en nombre de encontrar exactamente qué es lo que hace funcionar a los
voladores. Esto inevitablemente llegará a proyectos analíticos en grandes empresas que
gastan millones en la contratación de ejecutivos.
Cornerstone busca, usando la ciencia de datos, facilitar a los directivos de las

compañías la toma de decisiones.
Agrupar los datos de los empleados a este nivel brinda la oportunidad de aportar
enormes beneficios, pero también podría resultar desastroso si una empresa se
equivoca. No tener debidamente en cuenta los derechos de las personas a la privacidad
puede dar lugar a sanciones legales severas en algunas jurisdicciones (por ejemplo,
Europa) (Marr, 2015). Cualquier empresa que esté pensando en llevar a cabo la
recopilación y el análisis de datos para estos fines ha de estar atenta.
19
Tema 8. Ideas clave
Curiosamente, la política de privacidad de Cornerstone deja claro que sus clientes les
proporcionan información sobre los solicitantes de empleo, incluidos los nombres, el
historial laboral y los datos de contacto. ¿Cuántas personas saben que simplemente al
solicitar un trabajo con uno de estos clientes, sus datos personales estarán disponibles
para su análisis? Parece que Cornerstone se exime de responsabilidad al declararse a sí
mismo como un «mero procesador de datos», pues las empresas clientes son las que
deben obtener el permiso para distribuir los datos de sus solicitantes y empleados.
Es de vital importancia que el personal conozca con precisión qué datos se recopilan
de ellos y para qué se utilizan. Todos (y ciertamente aquellos que dirigen la operación)
deben ser conscientes de que el propósito es aumentar la eficiencia general de la
empresa, en lugar de evaluar o controlar a los miembros individuales del personal.
Teniendo en cuenta que más de la mitad de los departamentos de recursos humanos

han reportado un aumento en el análisis de datos desde 2010 según un informe de la
Unidad de Inteligencia de The Economist, es obvio que, nos guste o no, Cornerstone ha
llegado para quedarse. Es probable que las empresas que lo usan correctamente,
respetando la privacidad de sus empleados y comprendiendo a fondo el principio vital
anteriormente mencionado, prosperen.
Marr, B. (2015). Big Data Case Study Collection: 7 Amazing Companies That Really Get
Big Data. John Wiley & Sons: EE.UU.
20
Tema 8. Ideas clave
A fondo
Facebook Data Science
Facebook Data Science. Página web. Disponible en https://es-la.facebook.com/data/
En esta web podrás ver las iniciativas y análisis llevados a cabo por el departamento
de Data Science de Facebook.
Google PageRank no murió: por qué sigue siendo importante en 2019
Soulo, T. (21 de enero de 2019). Google PageRank no murió: por qué sigue siendo
importante en 2019 [online]. Disponible en https://ahrefs.com/blog/es/google-
pagerank/
En esta web se puede analizar por qué Google PageRank sigue siendo importante en
2019. Aunque se trata de una iniciativa pionera de Google, aún sigue contando con
mucha importancia en las empresas.
Kaggle Datasets
Kaggle Datasets. Página web. Disponible en https://www.kaggle.com/datasets
Kaggle, como se ha expuesto durante el tema, es una plataforma que otorga premios
en efectivo a sus equipos de «científicos ciudadanos» que compiten para desenredar
los desafíos de análisis de datos de todas las formas y tamaños. Para poder
enfrentarse a los desafíos que se plantean, los usuarios necesitan los datos. En esta
web puedes acceder a multitud de datasets que son públicos y de mucha utilidad
para practicar el análisis de datos.
21
Tema 8. A fondo
Test
1. Una de las iniciativas que hizo crecer a Google frente a otros buscadores fue
PageRank, que, concretamente, se trata de:
A. Una nueva técnica de modelado de datos para posicionar las webs que
buscan los usuarios.
B. Un nuevo lenguaje de programación.
C. Una nueva web que abrió Google de forma paralela.
2. En 2010, Google lanzó BigQuery, que se trata de:

A. Una nueva técnica de modelado de datos para posicionar las webs que
buscan los usuarios.
B. Un servicio de alojamiento que, además, permite aplicar a los datos técnicas
de aprendizaje automático.
C. Un nuevo lenguaje de programación.
3. El crecimiento de Facebook como compañía que aplica técnicas de modelado a los

datos de los que dispone no ha estado exento de críticas. Concretamente, la crítica
más común está relacionada con:
A. La venta de datos a cualquier compañía, sin importarles el uso que les vayan
a dar.
B. La utilización de técnicas de modelado antiguas.
C. El tratamiento de datos personales.
22
Tema 8. Test
4. Las adquisiciones de Instagram y WhatsApp por parte de Facebook les ha facilitado
controlar:
A. Las redes sociales a las que más horas dedica la población.
B. Las redes sociales de jóvenes.
C. Las redes sociales de población mayor a 40 años.
5. La revolución de Kaggle consiste en:

A. Contratar a muchos analistas de datos para prestar servicios de consultoría.
B. Hacer concursos entre los trabajadores que tiene contratados.
C. Prestar servicios de consultoría contratando personal y haciendo concursos
para encontrar el proyecto más brillante.
D. Utilizar a los usuarios registrados como analistas de datos.
6. Kaggle, como revolución en análisis de datos, no ha estado exento de crítica.

Concretamente, la crítica más activa es:
A. Que trata con datos personales.
B. Que guía demasiado el análisis aportando los datos y haciendo la pregunta
de investigación.
C. Que cobra servicios de consultoría.
7. Cornerstone nació para explicar el comportamiento de los trabajadores en función

a datos. No obstante, en la actualidad afronta un desafío que consiste en:
A. Predecir el comportamiento de directivos.
B. Predecir las ventas de productos.
C. Predecir el precio del petróleo.
23
Tema 8. Test
8. Cornerstone, como otros grandes casos de éxito, no es una compañía exenta de
críticas. Concretamente, la más común es:
A. Que cambia la localización de las fábricas.
B. Que trata con datos personales.
C. Que trata con datos de otras empresas, no los suyos propios.
9. La clave del éxito de Google es:

A. La imagen sencilla.
B. La publicidad en televisión.
C. La capacidad de tratamiento de datos.
10. La actividad inicial de Facebook ha sido la de vender anuncios, fundamentalmente,

porque:
A. Contaba con más mujeres que hombres, como usuarios, en sus inicios.
B. Contaba solo con mayores de edad, como usuario, en sus inicios.
C. Permitía una segmentación muy certera para dirigir los esfuerzos a
determinados colectivos.
24
Tema 8. Test

Inteligencia de Negocios

Cargado por

Información del documento

Título original

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

Inteligencia de Negocios

Cargado por

Copyright:

Formatos disponibles

Tema 1

1.6. Construcción del proyecto 16

IMPLEMENTACIÓN DE UN PROYECTO DE INTELIGENCIA DE NEGOCIO

PLANIFICACIÓN DESPLIEGUE ACCIÓN

Es tra tegia empresarial

La s necesidades de la compañía Control ar e incluir en

1.1. Introducción y objetivos

Las empresas son gestionadas estratégicamente por su alta dirección y

Los departamentos, para el desarrollo eficaz de sus funciones, necesitan analizar

En la primera parte del tema se define la relación entre la estrategia empresarial y

dichos proyectos dentro de la organización.

En segundo lugar, se habla sobre la cartera de proyectos de Inteligencia de Negocio,

 Entender la Inteligencia de Negocio como una herramienta importante en la

1.2. La estrategia empresarial impulsa los

El responsable de los sistemas de información de la empresa debe asegurarse de que

Históricamente, cuando los proyectos de Inteligencia de Negocio son impulsados

Iniciativa empresarial Iniciativa empresarial Iniciativa empresarial

PROGRAMA DE INTELIGENCIA DE NEGOCIO

Figura 1. La estrategia empresarial impulsa la Inteligencia de Negocio.

Así, un programa general de Inteligencia de Negocio debe utilizar un enfoque «de

existentes. No hay razón para que un programa no considere la visión estratégica de

Accede al vídeo a través del aula virtual

Estrategia empresarial e Inteligencia de Negocio

Vapheat Company S.A., compañía dedicada a la venta de un determinado

Para ello, el CEO de la compañía reúne a los distintos departamentos para

▸ Iniciativa A. En primer lugar, se pretende conocer la propensión a

▸ Iniciativa C. Por último, se propone predecir la demanda de los

Aunque el establecimiento inicial de un programa de Inteligencia de Negocio puede

Aunque el responsable de los sistemas de información (perfil técnico) cuenta con

Uno de los perfiles de negocio que suele utilizarse en la implementación de un

1.4. Determinación de la cartera de proyectos

Después de identificar la estrategia empresarial y las iniciativas de negocio que

El responsable de los sistemas de información generalmente impulsa la selección de

de Inteligencia de Negocio a corto plazo que necesita el negocio.

Iniciativa empresarial Iniciativa empresarial Iniciativa empresarial

PROGRAMA DE INTELIGENCIA DE NEGOCIO

Proyecto de Inteligencia Proyecto de Inteligencia Proyecto de Inteligencia

Figura 2. El programa de Inteligencia de Negocio: división en proyectos.

Determinación de la cartera de proyectos

Vapheat Company S.A., compañía dedicada a la venta de un determinado

Para ello, el CEO de la compañía reúne a los distintos departamentos para

En esta línea, se decide crear un programa de Inteligencia de Negocio que

▸ Proyecto A. La propensión provincial a sustituir un producto

Accede al vídeo a través del aula virtual

1.5. Promotores, dirección y participación

Una vez impulsado un programa general de Inteligencia de Negocio, este necesita

Iniciativa empresarial Iniciativa empresarial Iniciativa empresarial

PROGRAMA DE INTELIGENCIA DE NEGOCIO

Participación Proyecto de Inteligencia Proyecto de Inteligencia Proyecto de Inteligencia

Figura 3. El programa de Inteligencia de Negocio: partes involucradas.

Un programa de Inteligencia de Negocio necesita promotores de negocio para

Dependiendo de la organización y los procesos presupuestarios de la empresa, la

Aunque la figura del promotor es muy importante para garantizar la financiación y

El programa de Inteligencia de Negocio necesita una administración general para

Además de aportar promotores y directores de proyectos, la organización debe

 Proporcionar información sobre financiación y priorización.

Vídeo. Promotores, dirección y participación organizacional.

Accede al vídeo a través del aula virtual

Un programa de Inteligencia de Negocio no es un esfuerzo de una sola vez; los

A menudo hay presión para diseñar un proyecto de Inteligencia de Negocio de muy

La Figura 4 ilustra una plantilla de muestra para un programa de lanzamiento del

Figura 4. Plantilla de lanzamiento del proyecto.

Lanzamiento del proyecto