Capitulo 1 Business Analytics

Machine Translated by Google
Capítulo 1
Introducción
Contenido
1.1 TOMA DE DECISIONES
1.2 ANÁLISIS DE NEGOCIO DEFINIDO
1.3 UNA CATEGORIZACIÓN DE MÉTODOS ANALÍTICOS

Y MODELOS
Análisis descriptivo
Análisis predictivo
Análisis prescriptivo
1.4 BIG DATA
Volumen
Velocidad
Variedad
Veracidad
1.5 ANÁLISIS DE NEGOCIOS EN LA PRÁCTICA
Análisis financiero
Análisis de recursos humanos (RRHH)
Análisis de marketing
Análisis de atención médica
Análisis de la cadena de
suministro Análisis para gobiernos y organizaciones
sin fines de lucro
Análisis de deportes Análisis web
1.6 CUESTIONES LEGALES Y ÉTICAS EN EL USO DE DATOS
Y ANÁLISIS
Resumen 16
Glosario 16
Disponible en MindTap Reader:

Apéndice: Introducción a R y Rstudio
Apéndice: Manipulación básica de datos CON R
Copyright 2021 Cengage Aprendizaje. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, es posible que algunos contenidos de terceros se supriman del libro electrónico y/o de los capítulos electrónicos.
La revisión editorial ha considerado que cualquier contenido suprimido no afecta materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si restricciones de derechos posteriores así lo requieren.
2 Capítulo 1 Introducción
Solicitas un préstamo por primera vez. ¿Cómo evalúa el banco el riesgo del préstamo que podría otorgarle?
¿Cómo sabe Amazon.com qué libros y otros productos recomendarle cuando inicia sesión en su sitio web?
¿Cómo determinan las aerolíneas qué precio cotizarle cuando compra un boleto de avión? ¿Cómo pueden
los médicos diagnosticarlo y tratarlo mejor cuando está enfermo o lesionado?
Puede que estés solicitando un préstamo por primera vez, pero millones de personas en todo el mundo
haber solicitado préstamos antes. Muchos de estos beneficiarios de préstamos han pagado sus préstamos
en su totalidad y a tiempo, pero otros no. El banco quiere saber si usted se parece más a los que han
pagado sus préstamos o a los que han incumplido sus pagos. Al comparar su historial crediticio, situación
financiera y otros factores con la amplia base de datos de beneficiarios de préstamos anteriores, el banco
puede evaluar de manera efectiva la probabilidad de que usted no pague un préstamo.
De manera similar, Amazon.com tiene acceso a datos de millones de compras realizadas por clientes.
en su sitio web. Amazon.com examina sus compras anteriores, los productos que ha visto y las
recomendaciones de productos que haya proporcionado. Luego, Amazon.com busca en su enorme base de
datos clientes que sean similares a usted en términos de compra de productos, recomendaciones e
intereses. Una vez que se han identificado clientes similares, sus compras forman la base de las recomendaciones
que se le brindan.
Los precios de los billetes de avión se actualizan con frecuencia. El precio que se le cotizará hoy para
un vuelo entre Nueva York y San Francisco podría ser muy diferente del precio que se cotizará mañana. Estos
cambios se producen porque las aerolíneas utilizan una estrategia de precios conocida como gestión de
ingresos. La gestión de ingresos funciona examinando grandes cantidades de datos sobre compras anteriores
de clientes de aerolíneas y utilizando estos datos para pronosticar compras futuras. Estos pronósticos luego se
introducen en sofisticados algoritmos de optimización que determinan el precio óptimo a cobrar por un vuelo en
particular y cuándo cambiar ese precio. La gestión de ingresos ha dado lugar a aumentos sustanciales en los
ingresos de las aerolíneas.
Finalmente, considere el caso de ser evaluado por un médico por un problema médico potencialmente
grave. Cientos de artículos médicos pueden describir estudios de investigación realizados en pacientes que
enfrentan diagnósticos similares, y existen miles de puntos de datos sobre sus resultados. Sin embargo, es
extremadamente improbable que su médico haya leído cada uno de estos artículos de investigación o esté al
tanto de todos los resultados anteriores de los pacientes. En lugar de depender únicamente de su formación
médica y los conocimientos adquiridos de su limitado conjunto de pacientes anteriores, ¿no sería mejor para
su médico tener acceso a la experiencia y los historiales de pacientes de miles de médicos de todo el mundo?
Un grupo de científicos informáticos de IBM inició un proyecto para desarrollar una nueva tecnología de
decisión que ayude a responder este tipo de preguntas. Esa tecnología se llama Watson, en honor al
fundador de IBM, Thomas J. Watson. El equipo de IBM se centró en un objetivo: cómo se pueden utilizar las
grandes cantidades de datos ahora disponibles en Internet para tomar decisiones más inteligentes y basadas
en datos. Watson es un ejemplo del campo en expansión de la inteligencia artificial (IA). En términos
generales, la IA es el uso de datos y computadoras para tomar decisiones que en el pasado habrían requerido
inteligencia humana. A menudo, el software de computadora imita la forma en que entendemos las funciones
del cerebro humano.
Watson se convirtió en un nombre familiar en 2011, cuando ganó el famoso programa de televisión
Jeopardy! Desde esa prueba de concepto en 2011, IBM ha llegado a acuerdos con el proveedor de seguros
médicos WellPoint (ahora parte de Anthem), la empresa de servicios financieros Citibank, el Memorial Sloan
Kettering Cancer Center y el fabricante de automóviles General Motors para aplicar Watson a los problemas de
decisión. que enfrentan.
Watson es un sistema de hardware informático, procesamiento de datos de alta velocidad y análisis.
algoritmos que se combinan para hacer recomendaciones basadas en datos. A medida que se recopilan
más y más datos, Watson tiene la capacidad de aprender con el tiempo. En términos simples, según IBM,
Watson reúne cientos de miles de posibles soluciones de un enorme banco de datos, las evalúa utilizando
técnicas analíticas y propone sólo las mejores soluciones para su consideración. Watson proporciona no
sólo una solución única, sino más bien una gama de buenas soluciones con un nivel de confianza para
cada una.
Por ejemplo, en un centro de datos de Virginia, para deleite de médicos y pacientes, Watson
ya se está utilizando para acelerar la aprobación de procedimientos médicos. Citibank está comenzando a
explorar cómo utilizar Watson para servir mejor a sus clientes y a los especialistas en cáncer de
1.1 Toma de decisiones 3
Más de una docena de hospitales en América del Norte utilizan Watson para ayudar con el diagnóstico y tratamiento
de los pacientes.1
Este libro se ocupa de la toma de decisiones basada en datos y del uso de enfoques analíticos en el
proceso de toma de decisiones. Tres acontecimientos estimularon el reciente crecimiento explosivo en el
uso de métodos analíticos en aplicaciones empresariales. En primer lugar, los avances tecnológicos, como
la tecnología mejorada de escáneres en los puntos de venta y la recopilación de datos a través del comercio
electrónico y las redes sociales, datos obtenidos mediante sensores en todo tipo de dispositivos mecánicos,
como motores de aviones, automóviles y maquinaria agrícola. a través del llamado Internet de las cosas y los
datos generados a partir de dispositivos electrónicos personales, producen cantidades increíbles de datos para
las empresas. Naturalmente, las empresas quieren utilizar estos datos para mejorar la eficiencia y la rentabilidad
de sus operaciones, comprender mejor a sus clientes, fijar precios a sus productos de manera más efectiva y
obtener una ventaja competitiva. En segundo lugar, la investigación en curso ha dado lugar a numerosos avances
metodológicos, incluidos avances en enfoques computacionales para manejar y explorar de manera efectiva
cantidades masivas de datos, algoritmos más rápidos para la optimización y simulación, y enfoques más
efectivos para visualizar datos. En tercer lugar, estos avances metodológicos fueron acompañados de una
explosión en la potencia informática y la capacidad de almacenamiento. Un mejor hardware informático, la
computación paralela y, más recientemente, la computación en la nube (el uso remoto de hardware y software
a través de Internet) han permitido a las empresas resolver grandes problemas con mayor rapidez y precisión
que nunca.
En resumen, la disponibilidad de cantidades masivas de datos, las mejoras en las metodologías

analíticas y los aumentos sustanciales en la potencia informática se han unido para dar como resultado un
aumento dramático en el uso de métodos analíticos en los negocios y una dependencia de la disciplina en la
que se centran. de este texto: analítica empresarial. Como se indica en el Prefacio, el propósito de este texto es
brindar a los estudiantes una comprensión conceptual sólida del papel que desempeña la analítica empresarial
en el proceso de toma de decisiones. Para reforzar la orientación del texto hacia las aplicaciones y proporcionar
una mejor comprensión de la variedad de aplicaciones en las que se han utilizado con éxito los métodos
analíticos, a lo largo del libro se presentan artículos de Análisis en acción. Cada artículo de Analytics in Action
resume una aplicación de métodos analíticos en la práctica.
1.1 Toma de decisiones

Es responsabilidad de los gerentes planificar, coordinar, organizar y conducir sus organizaciones hacia un
mejor desempeño. En última instancia, las responsabilidades de los gerentes requieren que tomen decisiones
estratégicas, tácticas u operativas. Las decisiones estratégicas involucran cuestiones de nivel superior
relacionadas con la dirección general de la organización; estas decisiones definen los objetivos generales y
las aspiraciones de la organización para el futuro. Las decisiones estratégicas suelen ser competencia de
ejecutivos de nivel superior y tienen un horizonte temporal de tres a cinco años. Las decisiones tácticas se
refieren a cómo la organización debe lograr las metas y objetivos establecidos por su estrategia y, por lo general,
son responsabilidad de la gerencia de nivel medio. Las decisiones tácticas suelen abarcar un año y, por tanto, se
revisan anualmente o incluso cada seis meses. Las decisiones operativas afectan la forma en que se gestiona la
empresa día a día; son el dominio de los gerentes de operaciones, que son los más cercanos al cliente.
Consideremos el caso de Thoroughbred Running Company (TRC). Históricamente, TRC había sido un
vendedor minorista de calzado y ropa para correr por catálogo. Los ingresos por ventas de TRC crecieron
rápidamente a medida que cambió su énfasis de las ventas basadas en catálogos a las ventas basadas en Internet.
Recientemente, TRC decidió que también debería establecer tiendas minoristas en los centros comerciales y en
las zonas céntricas de las principales ciudades. Esta decisión estratégica llevará a la empresa en una nueva
dirección que espera complementará su estrategia basada en Internet. Por lo tanto, los mandos intermedios
de la CVR tendrán que tomar una variedad de decisiones tácticas en apoyo de esta decisión estratégica, incluyendo
1 “Watson de IBM está aprendiendo cómo salvar vidas”, sitio web de Fastcompany, 8 de diciembre de 2012; H. Landi, “IBM Watson
Health promociona estudios recientes que muestran que la IA mejora la forma en que los médicos tratan el cáncer”, sitio web FierceHealthcare,
4 de junio de 2019.
cuántas tiendas nuevas se abrirán este año, dónde abrir estas nuevas tiendas, cuántos centros de distribución
se necesitarán para respaldar las nuevas tiendas y dónde ubicar estos centros de distribución. Los gerentes
de operaciones en las tiendas necesitarán tomar decisiones diarias con respecto, por ejemplo, cuántos pares
de cada modelo y talla de zapatos pedir en los centros de distribución y cómo programar el tiempo de trabajo
de su personal de ventas.
Independientemente del nivel dentro de la empresa, la toma de decisiones se puede definir como lo siguiente
proceso:
1. Identificar y definir el problema.

2. Determinar los criterios que se utilizarán para evaluar soluciones alternativas.
3. Determinar el conjunto de soluciones alternativas.
4. Evaluar las alternativas.
5. Elija una alternativa.
El paso 1 de la toma de decisiones, identificar y definir el problema, es el más crítico.

Sólo si el problema está bien definido, con métricas claras de éxito o fracaso (paso 2), se puede diseñar un
enfoque adecuado para resolver el problema (pasos 3 y 4). La toma de decisiones concluye con la elección de
una de las alternativas (paso 5).
Hay varios enfoques para tomar decisiones: la tradición (“Siempre hemos hecho
hacerlo de esta manera”), intuición (“intuición”) y reglas generales (“Como propietario de un restaurante,
programo el doble de camareros y cocineros durante los días festivos”). No se debe subestimar el poder de
cada uno de estos enfoques. La experiencia gerencial y la intuición son aportes valiosos para la toma de
decisiones, pero ¿qué pasaría si existieran datos relevantes disponibles para ayudarnos a tomar decisiones
más informadas? Con las enormes cantidades de datos que ahora se generan y almacenan electrónicamente, se
estima que la cantidad de datos almacenados por las empresas se duplica con creces cada dos años. ¿Cómo
pueden los administradores convertir estos datos en conocimiento que puedan utilizar para ser más eficientes
y eficaces en la gestión de sus negocios?
1.2 Definición de análisis empresarial

¿Qué hace que la toma de decisiones sea difícil y desafiante? La incertidumbre es probablemente el desafío
número uno. Si supiéramos cuál será la demanda de nuestro producto, podríamos hacer un trabajo mucho
mejor al planificar y programar la producción. Si supiéramos exactamente cuánto tiempo llevará completar cada
paso de un proyecto, podríamos predecir mejor el costo y la fecha de finalización del proyecto. Si supiéramos
cómo se comportarán las acciones, invertir sería mucho más fácil.
Otro factor que dificulta la toma de decisiones es que a menudo nos enfrentamos a un número tan enorme
de alternativas que no podemos evaluarlas todas. ¿Cuál es la mejor combinación de acciones para ayudarme
a alcanzar mis objetivos financieros? ¿Cuál es la mejor línea de productos para una empresa que quiere
maximizar su participación de mercado? ¿Cómo debería una aerolínea fijar el precio de sus billetes para
maximizar los ingresos?
Algunas empresas e industrias La analítica empresarial es el proceso científico de transformar datos en conocimiento para tomar mejores
Utilice el término más decisiones.2 La analítica empresarial se utiliza para la toma de decisiones basada en datos o hechos, que a
simple, análisis. A menudo se
menudo se considera más objetiva que otras alternativas para la toma de decisiones.
piensa que la analítica es
una categoría más amplia Como veremos, las herramientas de análisis de negocios pueden ayudar a la toma de decisiones al
que la analítica empresarial, crear conocimientos a partir de datos, al mejorar nuestra capacidad de pronosticar con mayor precisión la
y que abarca también planificación, al ayudarnos a cuantificar el riesgo y al generar mejores alternativas a través del análisis y la
el uso de técnicas analíticas optimización. Un estudio basado en una gran muestra de empresas realizado por investigadores de la Sloan
en las ciencias y la ingeniería.
School of Management del MIT y la Universidad de Pensilvania concluyó que las empresas guiadas por la
En este texto utilizamos
análisis y análisis de negocios. toma de decisiones basada en datos tienen mayor productividad y valor de mercado y mayor producción y
como sinónimo. rentabilidad.3
2 Adoptamos la definición de análisis desarrollada por el Instituto de Investigación Operativa y Ciencias de la Gestión (INFORMS).
3 E. Brynjolfsson, LM Hitt y HH Kim, “La fuerza en los números: ¿Cómo afecta la toma de decisiones basada en datos al
desempeño de la empresa?” Trigésima Segunda Conferencia Internacional sobre Sistemas de Información, Shanghai, China,
diciembre de 2011.
1.3 Una categorización de métodos y modelos analíticos 5
1.3 Una categorización de métodos y modelos analíticos

El análisis empresarial puede incluir cualquier cosa, desde simples informes hasta las técnicas de optimización más
avanzadas (métodos para encontrar el mejor curso de acción). Generalmente se piensa que el análisis comprende tres
categorías amplias de técnicas: análisis descriptivo, análisis predictivo y análisis prescriptivo.
Análisis descriptivo
La analítica descriptiva engloba el conjunto de técnicas que describen lo sucedido en el pasado. Algunos ejemplos son
consultas de datos, informes, estadísticas descriptivas, visualización de datos, incluidos paneles de datos, algunas técnicas
de extracción de datos y modelos básicos de hojas de cálculo hipotéticas.
El Apéndice B, al final de Una consulta de datos es una solicitud de información con determinadas características a una base de datos.
este libro, describe cómo Por ejemplo, una consulta a la base de datos de una planta de fabricación podría ser para todos los registros de envíos a
utilizar Microsoft Access
un centro de distribución en particular durante el mes de marzo. Esta consulta proporciona información descriptiva sobre
para realizar consultas de datos.
estos envíos: la cantidad de envíos, cuánto se incluyó en cada envío, la fecha en que se envió cada envío, etc. Un informe
que resuma información histórica relevante para la gestión podría transmitirse mediante el uso de estadísticas
descriptivas (medias, medidas de variación, etc.) y herramientas de visualización de datos (tablas, gráficos y mapas).
Se pueden utilizar estadísticas descriptivas simples y técnicas de visualización de datos para encontrar patrones o
relaciones en una base de datos grande.
Los paneles de datos son colecciones de tablas, gráficos, mapas y estadísticas resumidas que se
actualizado a medida que haya nuevos datos disponibles. Los paneles se utilizan para ayudar a la gerencia a monitorear
aspectos específicos del desempeño de la empresa relacionados con sus responsabilidades de toma de decisiones.
Para los gerentes a nivel corporativo, los paneles de datos diarios pueden resumir las ventas por región, los niveles de
inventario actuales y otras métricas de toda la empresa; Los gerentes de primera línea pueden ver paneles que contienen
métricas relacionadas con los niveles de personal, los niveles de inventario local y los pronósticos de ventas a corto plazo.
La minería de datos es el uso de técnicas analíticas para comprender mejor los patrones y relaciones que existen en
grandes conjuntos de datos. Por ejemplo, al analizar texto en plataformas de redes sociales como Twitter, las empresas
utilizan técnicas de extracción de datos (incluido el análisis de conglomerados y el análisis de sentimientos) para
comprender mejor a sus clientes. Al clasificar ciertas palabras como positivas o negativas y realizar un seguimiento de
la frecuencia con la que aparecen esas palabras en los tweets, una empresa como Apple puede comprender mejor cómo se
sienten sus clientes acerca de un producto como el Apple Watch.
Análisis predictivo
El análisis predictivo consiste en técnicas que utilizan modelos construidos a partir de datos pasados para predecir el futuro
o determinar el impacto de una variable sobre otra. Por ejemplo, los datos pasados sobre ventas de productos pueden usarse
para construir un modelo matemático para predecir ventas futuras.
Este modo puede tener en cuenta la trayectoria de crecimiento y la estacionalidad del producto basándose en patrones
pasados. Un fabricante de alimentos envasados puede utilizar datos de escáneres de puntos de venta de establecimientos
minoristas para ayudar a estimar el aumento de las ventas unitarias debido a cupones o eventos de ventas. Los datos de
encuestas y el comportamiento de compra anterior se pueden utilizar para ayudar a predecir la participación de mercado de
un nuevo producto. Todas estas son aplicaciones del análisis predictivo.
La regresión lineal, el análisis de series temporales, algunas técnicas de extracción de datos y la simulación, a
menudo denominadas análisis de riesgos, caen bajo el estandarte del análisis predictivo. Analizaremos todas estas
técnicas con mayor detalle más adelante en este texto.
La minería de datos, anteriormente analizada como una herramienta de análisis descriptivo, también se utiliza a
menudo en el análisis predictivo. Por ejemplo, una gran cadena de supermercados podría estar interesada en desarrollar
una campaña de marketing dirigida que ofrezca un cupón de descuento en patatas fritas. Al estudiar los datos históricos
de los puntos de venta, la tienda puede utilizar la minería de datos para predecir qué clientes tienen más probabilidades
de responder a una oferta de chips con descuento comprando artículos de mayor margen, como cerveza o refrescos, en
además de las patatas fritas, aumentando así los ingresos generales de la tienda.
La simulación implica el uso de probabilidad y estadística para construir un modelo informático para estudiar el
impacto de la incertidumbre en una decisión. Por ejemplo, los bancos suelen utilizar la simulación para modelar el
riesgo de inversión y de impago con el fin de poner a prueba los modelos financieros. La simulación también se utiliza
a menudo en la industria farmacéutica para evaluar el riesgo de introducir un nuevo fármaco.
Análisis prescriptivo
El análisis prescriptivo se diferencia del análisis descriptivo y predictivo en que el análisis prescriptivo indica un curso
de acción a seguir; es decir, el resultado de un modelo prescriptivo es una decisión. Los modelos predictivos
proporcionan un pronóstico o predicción, pero no proporcionan una decisión. Sin embargo, un pronóstico o
predicción, cuando se combina con una regla, se convierte en un modelo prescriptivo. Por ejemplo, podemos desarrollar
un modelo para predecir la probabilidad de que una persona incumpla con un préstamo. Si creamos una regla que
dice que si la probabilidad estimada de incumplimiento es superior a 0,6, no debemos otorgar un préstamo, ahora el
modelo predictivo, junto con la regla, es análisis prescriptivo. Estos tipos de modelos prescriptivos que se basan en
una regla o conjunto de reglas a menudo se denominan modelos basados en reglas.
Otros ejemplos de análisis prescriptivo son los modelos de cartera en finanzas, los modelos de diseño de redes de
suministro en operaciones y los modelos de rebaja de precios en el comercio minorista. Los modelos de cartera utilizan
datos históricos de rendimiento de las inversiones para determinar qué combinación de inversiones producirá el mayor
rendimiento esperado y al mismo tiempo controlar o limitar la exposición al riesgo. Los modelos de diseño de redes
de suministro proporcionan ubicaciones de plantas y centros de distribución que minimizarán los costos y al mismo
tiempo cumplirán con los requisitos de servicio al cliente. Teniendo en cuenta los datos históricos, los modelos de
rebajas de precios minoristas producen niveles de descuento que maximizan los ingresos y el momento de las ofertas
de descuento cuando los bienes no se han vendido según lo planeado. Todos estos modelos se conocen como
modelos de optimización, es decir, modelos que dan la mejor decisión sujeta a las limitaciones de la situación.
Otro tipo de modelado en la categoría de análisis prescriptivo es la optimización de la simulación , que combina el
uso de probabilidad y estadísticas para modelar la incertidumbre con técnicas de optimización para encontrar buenas
decisiones en entornos altamente complejos y altamente inciertos.
Finalmente, las técnicas de análisis de decisiones se pueden utilizar para desarrollar una estrategia óptima.
Cuando quien toma decisiones se enfrenta a varias alternativas de decisión y a un conjunto incierto de
eventos futuros. El análisis de decisiones también emplea la teoría de la utilidad, que asigna valores a los resultados
en función de la actitud de quien toma las decisiones hacia el riesgo, las pérdidas y otros factores.
En este texto cubrimos las tres áreas de la analítica empresarial: descriptiva, predictiva y
preceptivo. El Cuadro 1.1 muestra cómo los capítulos cubren las tres categorías.
1.4 Grandes datos

En un día cualquiera, se envían 500 millones de tweets y 294 mil millones de correos electrónicos, se comparten 95
millones de fotos y videos en Instagram, se publican 350 millones de fotos en Facebook y se realizan 3,5 mil
millones de búsquedas en Google.4 Es a través de la tecnología que Realmente hemos sido empujados a la era
de los datos. Como ahora los datos pueden recopilarse electrónicamente, las cantidades disponibles son
asombrosas. Internet, los teléfonos móviles, los escáneres de las cajas registradoras de las tiendas minoristas, los
vídeos de vigilancia y los sensores instalados en todo tipo de objetos, desde aviones hasta automóviles y
puentes, nos permiten recopilar y almacenar grandes cantidades de datos en tiempo real.
En medio de toda esta recopilación de datos, se ha creado el término big data . No existe una definición
universalmente aceptada de big data. Sin embargo, probablemente la definición más aceptada y general es que big
data es cualquier conjunto de datos que es demasiado grande o demasiado complejo para ser manejado mediante
técnicas de procesamiento de datos estándar y software de escritorio típico. IBM describe el fenómeno del
big data a través de las cuatro V: volumen, velocidad, variedad y veracidad, como se muestra en la Figura 1.1.5
4 J. Desjardins, "¿Cuántos datos se generan cada día?" Sitio web de Visual Capitalist, 15 de abril de 2019.
5 Sitio web de IBM: www.ibmbigdatahub.com/sites/default/files/infographic_file/4Vsofbigdata.jpg.
1.4 Grandes datos 7
Tabla 1.1 Cobertura de temas de análisis empresarial en este texto
Capítulo Título Descriptivo Profético Preceptivo

1 Introducción • • •
2 Estadísticas descriptivas •
3 Visualización de datos •
4 Probabilidad: una introducción a •
Modelado de la incertidumbre
5 Minería de datos descriptivos •
6 Inferencia estadística •
7 Regresión lineal •
8 Series temporales y pronósticos •
9 Minería de datos predictiva •
10 Modelos de hoja de cálculo • • •
11 Simulación del Monte Carlo • •
12 Modelos de optimización lineal •
13 Optimización lineal entera •
Modelos
14 Modelos de optimización no lineales •
15 Análisis de decisión •
FIGURA 1.1 Las cuatro V del Big Data
Los datos en reposo
Terabytes a exabytes de
Volumen
datos existentes para procesar
Datos en movimiento
Transmisión de datos, milisegundos

Velocidad a segundos para responder
Datos en muchas formas
Estructurado, no estructurado,
Variedad texto, multimedia
Datos en duda
Incertidumbre por los datos

inconsistencia e incompletud,
Veracidad ambigüedades, latencia, engaño,
aproximaciones del modelo
Fuente: IBM.
Volumen
Debido a que los datos se recopilan electrónicamente, podemos recopilar más. Para que sean útiles, estos datos
deben almacenarse, y este almacenamiento ha dado lugar a grandes cantidades de datos. Muchas empresas
almacenan actualmente más de 100 terabytes de datos (un terabyte equivale a 1.024 gigabytes).
Velocidad
La captura y el análisis de datos en tiempo real presentan desafíos únicos tanto en la forma en que se
almacenan los datos como en la velocidad con la que se pueden analizar esos datos para la toma de
decisiones. Por ejemplo, la Bolsa de Valores de Nueva York recopila 1 terabyte de datos en una sola sesión de
negociación, y contar con datos actualizados y reglas en tiempo real para las transacciones y modelos predictivos
es importante para gestionar las carteras de acciones.
Variedad
Además del gran volumen y la velocidad con la que las empresas recopilan datos actualmente, ahora hay disponibles
tipos de datos más complicados que están demostrando ser de gran valor para las empresas.
Los datos de texto se recopilan monitoreando lo que se dice sobre los productos o servicios de una empresa en
plataformas de redes sociales como Twitter. Los datos de audio se recopilan de las llamadas de servicio (en una
llamada de servicio, a menudo escuchará "esta llamada puede ser monitoreada para control de calidad"). Los datos
de vídeo recopilados por las cámaras de vídeo de las tiendas se utilizan para analizar el comportamiento de
compra. Analizar la información generada por estas fuentes no tradicionales es más complicado en parte debido al
procesamiento requerido para transformar los datos en una forma numérica que pueda analizarse.
Veracidad
La veracidad tiene que ver con cuánta incertidumbre hay en los datos. Por ejemplo, es posible que a los datos les
falten muchos valores, lo que dificulta el análisis fiable. Las inconsistencias en las unidades de medida y la falta
de confiabilidad de las respuestas en términos de sesgo también aumentan la complejidad de los datos.
Las empresas se han dado cuenta de que comprender el big data puede generar una ventaja competitiva.
Aunque big data representa oportunidades, también presenta desafíos en términos de almacenamiento y procesamiento
de datos, seguridad y talento analítico disponible.
Las cuatro V indican que los big data crean desafíos en términos de cómo se pueden capturar, almacenar y
procesar estos datos complejos; asegurado; y luego analizado. Las bases de datos tradicionales asumen más o
menos que los datos encajan en filas y columnas agradables, pero ese no siempre es el caso con big data. Además,
el gran volumen (la primera V) a menudo significa que no es posible almacenar todos los datos en una sola
computadora. Esto ha llevado a nuevas tecnologías como Hadoop, un entorno de programación de código abierto
que admite el procesamiento de big data mediante almacenamiento distribuido y procesamiento distribuido en
grupos de computadoras. Básicamente, Hadoop proporciona un enfoque de divide y vencerás para manejar
cantidades masivas de datos, dividiendo el almacenamiento y el procesamiento en varias computadoras.
MapReduce es un modelo de programación utilizado dentro de Hadoop que realiza los dos pasos principales
que le dan nombre: el paso de mapa y el paso de reducción. El paso del mapa divide los datos en subconjuntos
manejables y los distribuye a las computadoras del clúster (a menudo denominados nodos) para su almacenamiento
y procesamiento. El paso de reducción recopila respuestas de los nodos y las combina en una respuesta al
problema original. Tecnologías como Hadoop y MapReduce, combinadas con una potencia informática relativamente
económica, permiten un procesamiento rentable de big data; de lo contrario, en algunos casos, el procesamiento
podría ni siquiera ser posible.
Si bien algunas fuentes de big data están disponibles públicamente (Twitter, datos meteorológicos, etc.), muchas
de ella es información privada. Los registros médicos, la información de cuentas bancarias y las transacciones
con tarjetas de crédito, por ejemplo, son altamente confidenciales y deben protegerse de los piratas informáticos.
La seguridad de los datos, la protección de los datos almacenados contra fuerzas destructivas o usuarios no
autorizados, es de importancia crítica para las empresas. Por ejemplo, las transacciones con tarjeta de crédito son
potencialmente muy útiles para comprender el comportamiento del consumidor, pero el compromiso de estos datos
podría conducir al uso no autorizado de la tarjeta de crédito o al robo de identidad. Un estudio de 2016 de 383
empresas en 12 países realizado por el Instituto Ponemon e IBM encontró que el costo promedio de
1.4 Grandes datos 9
una filtración de datos cuesta 3,86 millones de dólares.6 Empresas como Target, Anthem, JPMorgan
Chase, Yahoo!, Facebook, Marriott, Equifax y Home Depot se han enfrentado a importantes vulneraciones de datos
que cuestan millones de dólares.
Las complejidades de las 4 V han aumentado la demanda de analistas, pero la escasez de
analistas calificados ha hecho que la contratación sea más desafiante. Cada vez más empresas buscan
científicos de datos que sepan cómo procesar y analizar eficazmente cantidades masivas de datos porque están
bien capacitados tanto en informática como en estadística. A continuación analizamos tres ejemplos de cómo las
empresas recopilan big data para obtener una ventaja competitiva.
Kroger entiende a sus clientes7 Kroger es la cadena minorista de comestibles más grande de Estados Unidos.
Envía más de 11 millones de mensajes de correo directo a sus clientes cada trimestre. Cada uno de los
sobres trimestrales contiene 12 cupones que se adaptan a cada hogar en función de varios años de datos
de compras obtenidos a través de su programa de tarjetas de fidelización de clientes. Al recopilar y analizar el
comportamiento del consumidor a nivel de hogar individual y hacer coincidir mejor sus ofertas de cupones con los
intereses de los compradores, Kroger ha podido obtener una tasa de canje mucho más alta en sus cupones. En
el período de seis semanas después de la distribución de los anuncios publicitarios, más del 70% de los hogares
canjean al menos un cupón, lo que genera unos ingresos por cupones estimados de 10 mil millones de dólares para Kroger.
MagicBand en Disney8 The Walt Disney Company ofrece una pulsera a los visitantes de su parque temático
Disney World en Orlando, Florida. Conocida como MagicBand, la pulsera contiene tecnología que puede
transmitir más de 40 pies y puede usarse para rastrear la ubicación de cada visitante en el parque en tiempo
real. La banda puede vincular información que permita a Disney brindar un mejor servicio a sus visitantes.
Por ejemplo, antes del viaje a Disney World, se le puede pedir a un visitante que complete una encuesta sobre
su fecha de nacimiento y sus atracciones favoritas, sus personajes y el tipo y ubicación de la mesa del
restaurante. Esta información, vinculada a MagicBand, puede permitir que los empleados de Disney que usan
teléfonos inteligentes lo saluden por su nombre cuando llegue, le ofrezcan productos que saben que prefiere, le
deseen un feliz cumpleaños y que sus personajes favoritos aparezcan mientras espera en la fila. o almorzar
en tu mesa favorita. La MagicBand se puede vincular a su tarjeta de crédito, por lo que no es necesario llevar
dinero en efectivo ni una tarjeta de crédito. Y durante su visita, se puede rastrear su movimiento por el parque y
se pueden analizar los datos para brindarle un mejor servicio durante su próxima visita al parque.
General Electric y el Internet de las Cosas9 El Internet de las Cosas (IoT) es la tecnología que permite que los
datos, recopilados por sensores en todo tipo de máquinas, se envíen a través de Internet a repositorios donde se
pueden almacenar y analizar. Esta capacidad de recopilar datos de productos ha permitido a las empresas que
producen y venden esos productos servir mejor a sus clientes y ofrecer nuevos servicios basados en análisis. Por
ejemplo, cada día General Electric (GE) recopila casi 50 millones de datos procedentes de 10 millones de
sensores instalados en equipos médicos y motores de aviones que ha vendido a clientes de todo el mundo. En el
caso de los motores de aviones, a través de un acuerdo de servicio con sus clientes, GE recopila datos cada vez
que despega y aterriza un avión propulsado por sus motores. Al analizar estos datos, GE puede predecir mejor
cuándo se necesita mantenimiento, lo que ayuda a los clientes a evitar mantenimientos no planificados y
tiempos de inactividad y ayuda a garantizar un funcionamiento seguro. GE también puede utilizar los datos para
controlar mejor cómo se vuela el avión, lo que lleva a una disminución en el costo del combustible al volar de
manera más eficiente. GE creó una nueva empresa llamada GE Digital 2.0 que opera como una empresa
independiente centrada en software que aprovecha los datos de IoT. En 2018, GE anunció que escindiría una
nueva empresa de su negocio GE Digital existente que se centraría en aplicaciones industriales de IoT.
Aunque el big data es claramente uno de los impulsores de la fuerte demanda de análisis, es importante
comprender que, en cierto sentido, los problemas de big data son un subconjunto del análisis. Muchas aplicaciones
de análisis muy valiosas no implican big data, sino conjuntos de datos tradicionales que son muy manejables
mediante software de análisis y bases de datos tradicionales. La clave para
6 S. Shepard, “The Average Cost of a Data Breach”, sitio web Security Today, 17 de julio de 2018.
7 Basado en “Kroger conoce sus patrones de compras mejor que usted”, Forbes.com, 23 de octubre de 2013.
8 Basado en “La apuesta de mil millones de dólares de Disney por una pulsera mágica”, Wired.com, 10 de marzo de 2015.
9 Basado en “GE Opens Its Big Data Platform”, NYTimes.com, 9 de octubre de 2014; "GE anuncia un nuevo negocio de software de IoT industrial", sitio web
de Forbes, 14 de diciembre de 2018.
La analítica es que proporciona información útil y una mejor toma de decisiones utilizando los datos
disponibles, ya sean “grandes” o “pequeños”.
1.5 Análisis empresarial en la práctica

El análisis empresarial implica herramientas tan simples como informes y gráficos hasta herramientas
tan sofisticadas como la optimización, la extracción de datos y la simulación. En la práctica, las
empresas que aplican análisis suelen seguir una trayectoria similar a la que se muestra en la Figura 1.2.
Las organizaciones comienzan con análisis básicos en la parte inferior izquierda. A medida que se dan
cuenta de las ventajas de estas técnicas analíticas, a menudo avanzan hacia técnicas más sofisticadas
en un esfuerzo por aprovechar la ventaja competitiva derivada. Por lo tanto, los análisis predictivos y
prescriptivos a veces se denominan análisis avanzados. No todas las empresas alcanzan ese nivel de
uso, pero aquellas que adoptan la analítica como estrategia competitiva suelen alcanzarlo.
La analítica se ha aplicado en prácticamente todos los sectores empresariales y gubernamentales.
Organizaciones como Procter & Gamble, IBM, UPS, Netflix, Amazon.com, Google, el Servicio de Impuestos
Internos y General Electric han adoptado la analítica para resolver problemas importantes o lograr una
ventaja competitiva. En esta sección, analizamos brevemente algunos de los tipos de aplicaciones de la
analítica por área de aplicación.
Análisis financiero
Las aplicaciones de la analítica en finanzas son numerosas y generalizadas. Los modelos predictivos se
utilizan para pronosticar el desempeño financiero, evaluar el riesgo de carteras y proyectos de inversión y
construir instrumentos financieros como derivados. Los modelos prescriptivos se utilizan para construir
carteras óptimas de inversiones, asignar activos y crear planes óptimos de presupuestación de capital.
Por ejemplo, Europcar, la empresa de alquiler de coches líder en Europa, utiliza modelos de previsión,
simulación y optimización para predecir la demanda, evaluar riesgos y optimizar el uso de su flota. Sus
modelos se implementan a través de un sistema de soporte de decisiones utilizado en nueve países
de Europa y ha llevado a una mayor utilización de su flota, menores costos y mayor rentabilidad.10 La
simulación también se usa a menudo para evaluar el riesgo en el sector financiero; un ejemplo es el
despliegue por parte de Hypo Real Estate International de modelos de simulación para gestionar con
éxito el riesgo de bienes raíces comerciales.11
FIGURA 1.2 El espectro del análisis empresarial
Mejoramiento
Análisis de decisión Preceptivo
Modelos basados en reglas
Simulación
Modelado predictivo
Profético
Previsión
neoV
avitiatejaptm c
Procesamiento de datos
Estadísticas descriptivas
Visualización de datos Descriptivo
Consulta de datos
Informes estándar
Grado de complejidad
Fuente: Adaptado de SAS.
10J. Guillén et al., “Europcar integra técnicas de previsión, simulación y optimización en un sistema de gestión de
capacidad e ingresos”, Revista INFORMS sobre análisis aplicado, 49, no. 1 (enerofebrero de 2019).
11 años. Jafry, C. Marrison y U. UmkehrerNeudeck, “Hypo International fortalece la gestión de riesgos con un marco
de gestión de hojas de cálculo seguro y a gran escala”, Interfaces 38, no. 4 (julioagosto de 2008).
1.5 Análisis empresarial en la práctica 11
Análisis de recursos humanos (RRHH)

Un área relativamente nueva de aplicación de la analítica es la gestión de los recursos humanos de una
organización. La función de RRHH se encarga de garantizar que la organización (1) tenga la combinación de
habilidades necesarias para satisfacer sus necesidades, (2) contrate el talento de la más alta calidad y
proporcione un entorno que lo retenga, y (3) logre sus objetivos de diversidad organizacional. Google se
refiere a su función HR Analytics como "análisis de personas". Google ha analizado datos sustanciales
sobre sus propios empleados para determinar las características de los grandes líderes, evaluar factores que
contribuyen a la productividad y evaluar posibles nuevas contrataciones. Google también utiliza análisis
predictivos para actualizar continuamente su pronóstico de rotación y retención futura de empleados.12
Análisis de marketing
El marketing es una de las áreas de más rápido crecimiento para la aplicación de análisis. Una mejor
comprensión del comportamiento del consumidor mediante el uso de datos de escáner y datos generados a
partir de las redes sociales ha llevado a un mayor interés en el análisis de marketing. Como resultado,
los análisis descriptivos, predictivos y prescriptivos se utilizan mucho en marketing. Una mejor comprensión del
comportamiento del consumidor a través de análisis conduce a un mejor uso de los presupuestos publicitarios,
estrategias de precios más efectivas, mejores pronósticos de la demanda, una mejor gestión de la línea de
productos y una mayor satisfacción y lealtad del cliente. Por ejemplo, Turner Broadcasting System Inc. utiliza
modelos de pronóstico y optimización para crear audiencias más específicas y programar mejor los
comerciales para sus socios publicitarios.
El uso de estos modelos ha dado lugar a un aumento interanual de los ingresos publicitarios de Turner del 186%
y, al mismo tiempo, ha aumentado espectacularmente las ventas de los anunciantes. Los anunciantes que
eligieron el punto de referencia encontraron un aumento en las ventas de 118 millones de dólares.13
En otro ejemplo de análisis de marketing de alto impacto, el fabricante de automóviles Chrysler
se asoció con JD Power and Associates para desarrollar un conjunto innovador de modelos predictivos para
respaldar sus decisiones de precios para automóviles. Estos modelos ayudan a Chrysler a comprender
mejor las ramificaciones de las estructuras de precios propuestas (una combinación de precio minorista
sugerido por el fabricante, ofertas de tasas de interés y reembolsos) y, como resultado, a mejorar sus
decisiones de precios. Los modelos han generado un ahorro anual estimado de 500 millones de dólares.14
Análisis de atención médica

El uso de análisis en la atención sanitaria está aumentando debido a la presión para controlar los costos y
proporcionar simultáneamente un tratamiento más eficaz. Se utilizan análisis descriptivos, predictivos y
prescriptivos para mejorar la programación de los pacientes, el personal y las instalaciones; flujo de pacientes;
adquisitivo; y control de inventarios. Un estudio realizado por McKinsey Global Institute (MGI) y
McKinsey & Company15 estima que el sistema de atención sanitaria de Estados Unidos podría ahorrar más
de 300 mil millones de dólares al año si se utilizaran mejor los análisis; Estos ahorros son aproximadamente el
equivalente de todo el producto interno bruto de países como Finlandia, Singapur e Irlanda.
El uso de análisis prescriptivos para el diagnóstico y el tratamiento es relativamente nuevo, pero puede
llegar a ser la aplicación más importante de los análisis en la atención sanitaria. Por ejemplo, un grupo de
científicos de Georgia utilizó modelos predictivos y optimización para desarrollar un tratamiento personalizado
para la diabetes. Desarrollaron un modelo predictivo que utiliza dinámica de fluidos y datos de seguimiento de
pacientes para establecer la relación entre la dosis del fármaco y el efecto del fármaco a nivel individual. Esto
alivia la necesidad de procedimientos más invasivos para controlar la concentración del fármaco. Luego
utilizaron un modelo de optimización que toma los resultados del modelo predictivo para determinar cómo funciona un
12J. Sullivan, “Cómo Google está utilizando People Analytics para reinventar completamente los recursos humanos”, sitio web de gestión de talentos y recursos
humanos, 26 de febrero de 2013.
13J. A. Carbajal, P. Williams, A. Popescu y W. Chaar, “Turner abre un camino para la segmentación de audiencias en televisión con investigación de
operaciones y análisis avanzado”, INFORMS Journal on Applied Analytics, 49, no. 1 (enerofebrero de 2019).
14J. SilvaRisso et al., “Chrysler y JD Power: personalización científica pionera de precios en la industria del automóvil”, Interfaces 38, no. 1 (enero
febrero de 2008).
15J. Manyika et al., “Big Data: La próxima frontera para la innovación, la competencia y la productividad”, Informe del McKinsey Global Institute, 2011.
el individuo logra un mejor control glucémico usando menos dosis. El uso de los modelos genera aproximadamente un ahorro
del 39 % en costos hospitalarios, lo que equivale a aproximadamente $40 880 por paciente.16
Análisis de la cadena de suministro

El servicio principal de empresas como UPS y FedEx es la entrega eficiente de bienes, y la analítica se ha utilizado
durante mucho tiempo para lograr eficiencia. La clasificación óptima de mercancías, la programación de vehículos y
personal y la ruta de los vehículos son claves para la rentabilidad de empresas de logística como UPS y FedEx.
Las empresas pueden beneficiarse de un mejor control de inventario y procesamiento y de un suministro más eficiente
cadenas. Las herramientas analíticas utilizadas en esta área abarcan todo el espectro de análisis. Por ejemplo, el
fabricante de ropa femenina Bernard Claus, Inc. ha utilizado con éxito análisis descriptivos para proporcionar a sus gerentes
una representación visual del estado de su cadena de suministro.17 ConAgra Foods utiliza análisis predictivos y
prescriptivos para planificar mejor la utilización de la capacidad incorporando la incertidumbre inherente en la fijación de
precios de las materias primas. ConAgra obtuvo un retorno del 100 % de su inversión en análisis en menos de tres meses,
un resultado sin precedentes para una inversión importante en tecnología.18
Análisis para gobiernos y organizaciones sin fines de lucro

Las agencias gubernamentales y otras organizaciones sin fines de lucro han utilizado análisis para eliminar ineficiencias y
aumentar la efectividad y la responsabilidad de los programas. De hecho, gran parte de la analítica avanzada tiene sus
raíces en los militares estadounidenses e ingleses que se remontan a la Segunda Guerra Mundial. Hoy en día, el uso de
la analítica en el gobierno se está generalizando en todos los ámbitos, desde las elecciones hasta la recaudación de impuestos.
Por ejemplo, el Departamento de Impuestos y Finanzas del Estado de Nueva York ha trabajado con IBM para utilizar
análisis prescriptivos en el desarrollo de un enfoque más eficaz para la recaudación de impuestos.
El resultado fue un aumento en la recaudación de los pagadores morosos de 83 millones de dólares en dos años.19
El Servicio de Impuestos Internos de Estados Unidos ha utilizado la extracción de datos para identificar patrones que
distinguen las declaraciones anuales cuestionables del impuesto sobre la renta personal. En una aplicación, el IRS combina
sus datos sobre contribuyentes individuales con datos recibidos de los bancos sobre los pagos hipotecarios realizados
por esos contribuyentes. Cuando los contribuyentes declaran un pago hipotecario que es irrealmente alto en relación con
su ingreso imponible declarado, se les señala como posibles declarantes insuficientes del ingreso imponible. Luego, la
presentación se analiza más a fondo y puede desencadenar una auditoría.
Asimismo, las agencias sin fines de lucro han utilizado análisis para garantizar su eficacia y responsabilidad
ante sus donantes y clientes. Catholic Relief Services (CRS) es la agencia humanitaria internacional oficial de la
comunidad católica de Estados Unidos. La misión de CRS es brindar ayuda a las víctimas de desastres naturales y
provocados por el hombre y ayudar a las personas necesitadas en todo el mundo a través de sus programas de salud,
educativos y agrícolas. CRS utiliza un modelo de hoja de cálculo analítico para ayudar en la asignación de su presupuesto
anual en función del impacto que sus diversos esfuerzos y programas de ayuda tendrán en diferentes países.20
Análisis deportivo
El uso de la analítica en los deportes ha ganado considerable notoriedad desde 2003, cuando el renombrado autor
Michael Lewis publicó Moneyball. El libro de Lewis cuenta la historia de cómo los Oakland Athletics utilizaron un enfoque
analítico para la evaluación de jugadores con el fin de formar un equipo competitivo con un presupuesto limitado. El uso
de análisis para la evaluación de jugadores y la estrategia en el campo es ahora común, especialmente en los deportes
profesionales. Los equipos deportivos profesionales utilizan análisis para evaluar a los jugadores para los drafts amateurs y
decidir cuánto ofrecer a los jugadores en las negociaciones contractuales;21
16E. Lee et al., “Diseño de tratamiento personalizado basado en resultados para el control de la diabetes”, Interfaces, 48, no. 5
(septiembreoctubre de 2018).
17T. H. Davenport, ed., Enterprise Analytics (Upper Saddle River, Nueva Jersey: Pearson Education Inc., 2013).
18 “ConAgra Mills: Información de última hora impulsa decisiones de venta más inteligentes y grandes mejoras en la utilización de la
capacidad”, IBM Smarter Planet Leadership Series. Disponible en: www.ibm.com/smarterplanet/us/en/leadership /conagra/, consultado el
1 de diciembre de 2012.
19G. Miller et al., “Optimización de la recaudación de impuestos para el estado de Nueva York”, Interfaces 42, no. 1 (enerofebrero de 2013).
20I. Gamvros, R. Nidel y S. Raghavan, “Análisis de inversiones y asignación de presupuesto en Catholic Relief Services”,
Interfaces 36, núm. 5 (septiembreoctubre de 2006).
21N. Streib, SJ Young y J. Sokol, “Un equipo de béisbol de las Grandes Ligas utiliza la investigación de operaciones para mejorar la
preparación del draft”, Interfaces 42, no. 2 (marzoabril de 2012).
1.6 Cuestiones legales y éticas en el uso de datos y análisis 13
Los equipos profesionales de carreras de motos utilizan una optimización sofisticada en el diseño de la caja de cambios para obtener
una ventaja competitiva;22 y los equipos utilizan análisis para ayudar con las decisiones en el campo, como qué lanzadores usar en
varios juegos de una serie de playoffs de las Grandes Ligas de Béisbol.
El uso de análisis para decisiones comerciales fuera del campo también está aumentando rápidamente.
Garantizar la satisfacción del cliente es importante para cualquier empresa, y los aficionados son los clientes de los equipos
deportivos. El equipo de béisbol profesional de los Indios de Cleveland utilizó un tipo de modelo predictivo conocido como análisis
conjunto para diseñar su oferta de asientos premium en Progresssive Field basándose en datos de encuestas a los fanáticos.
Utilizando análisis prescriptivos, las franquicias de varios deportes importantes ajustan dinámicamente los precios de las entradas a
lo largo de la temporada para reflejar el atractivo relativo y la demanda potencial de cada juego.
analista de la red
La analítica web es el análisis de la actividad en línea, que incluye, entre otras, visitas a sitios web y sitios de redes sociales
como Facebook y LinkedIn. Obviamente, el análisis web tiene enormes implicaciones para la promoción y venta de productos y
servicios a través de Internet. Las empresas líderes aplican análisis descriptivos y avanzados a los datos recopilados en
experimentos en línea para determinar la mejor manera de configurar sitios web, posicionar anuncios y utilizar redes sociales
para la promoción de productos y servicios. La experimentación en línea implica exponer varios subgrupos a diferentes versiones
de un sitio web y realizar un seguimiento de los resultados. Debido al enorme grupo de usuarios de Internet, se pueden realizar
experimentos sin correr el riesgo de interrumpir el negocio general de la empresa. Estos experimentos están demostrando ser
invaluables porque permiten a la empresa utilizar el método de prueba y error para determinar estadísticamente qué marca la
diferencia en el tráfico y las ventas de su sitio web.
1.6 Cuestiones legales y éticas en el uso de

datos y análisis
Con la llegada del big data y el dramático aumento en el uso de análisis y ciencia de datos para mejorar la toma de decisiones, se
ha prestado mayor atención a las preocupaciones éticas en torno a la privacidad de los datos y el uso ético de modelos basados
en datos.
Dado que las empresas recopilan habitualmente datos sobre sus clientes, tienen la obligación de protegerlos y no hacer un mal
uso de ellos. Los clientes y los consumidores tienen la obligación de comprender las ventajas y desventajas entre permitir que sus
datos sean recopilados y utilizados, y los beneficios que obtienen al permitir que una empresa recopile y utilice esos datos. Por
ejemplo, muchas empresas cuentan con tarjetas de fidelización que recopilan datos sobre las compras de los clientes. A cambio
de los beneficios de utilizar una tarjeta de fidelidad, normalmente precios con descuento, los clientes deben aceptar permitir que
la empresa recopile y utilice los datos de las compras. Se debe firmar un acuerdo entre el cliente y la empresa, y el acuerdo debe
especificar qué datos se recopilarán y cómo se utilizarán. Por ejemplo, el acuerdo podría decir que todas las compras escaneadas
se recopilarán con la fecha, hora, ubicación y número de tarjeta, pero que la empresa se compromete a utilizar esos datos solo
internamente para la empresa y no darlos ni venderlos al exterior. empresas o individuos. La empresa tiene entonces la obligación
ética de respetar ese acuerdo y hacer todo lo posible para garantizar que los datos estén protegidos de cualquier tipo de acceso
no autorizado. El acceso no autorizado a los datos se conoce como violación de datos.
Las filtraciones de datos son una gran preocupación para todas las empresas en la era digital. Un estudio realizado por IBM y el
Instituto Ponemon estimó que el costo promedio de una violación de datos es de 3,86 millones de dólares.
Las leyes de privacidad de datos están diseñadas para proteger los datos de las personas para que no se utilicen en contra de sus
deseos. Una de las leyes de privacidad de datos más estrictas es el Reglamento General de Protección de Datos (GDPR) que
entró en vigor en la Unión Europea en mayo de 2018. La ley estipula que la solicitud de consentimiento para utilizar los datos de
un individuo debe ser fácilmente comprensible y accesible, la intención Se deben especificar los usos de los datos y debe ser
fácil retirar el consentimiento. La ley también estipula que un individuo tiene derecho a una copia de sus datos y el derecho “al olvido”,
es decir, el derecho a exigir que sus datos sean eliminados. Es el
22J. Amorós, LF Escudero, JF Monge, JV Segura y O. Reinoso, “TEAM ASPAR Uses Binary Optimization to
Obtain Optimal Gearbox Ratios in Motorcycle Racing,” Interfaces 42, no. 2 (marzoabril de 2012).
Es responsabilidad de los profesionales de análisis, de hecho, cualquier persona que maneje o almacene
datos, comprender las leyes asociadas con la recopilación, el almacenamiento y el uso de datos individuales.
Las cuestiones éticas que surgen en el uso de datos y análisis son tan importantes como las legales.
asuntos. Los profesionales de análisis tienen la responsabilidad de comportarse éticamente, lo que incluye
proteger los datos, ser transparentes sobre los datos y cómo se recopilaron, y qué contienen y qué no contienen.
Los analistas deben ser transparentes sobre los métodos utilizados para analizar los datos y cualquier
suposición que deba hacerse respecto de los métodos utilizados. Finalmente, los analistas deben proporcionar
conclusiones válidas y recomendaciones comprensibles a sus clientes.
El uso intencionado de datos y análisis con fines poco éticos es claramente poco ético. Para
Por ejemplo, utilizar análisis para identificar a quién dirigirse para el fraude es, por supuesto,
intrínsecamente poco ético porque la meta en sí misma no es un objetivo ético. El uso intencional de datos
sesgados para lograr un objetivo tampoco es inherentemente ético. Engañar a un cliente tergiversando los
resultados es claramente poco ético.
Por ejemplo, consideremos el caso de una aerolínea que publica un anuncio que dice que "el 84% de
los viajeros de negocios a Chicago prefieren esa aerolínea a sus competidores". Tal afirmación es válida si la
aerolínea encuestó aleatoriamente a los viajeros de negocios de todas las aerolíneas con destino a
Chicago. Pero, si por conveniencia la aerolínea encuestara sólo a sus propios clientes, la encuesta estaría
sesgada y la afirmación sería engañosa porque los pasajeros de otras aerolíneas no fueron encuestados. De
hecho, en todo caso, la única conclusión que se puede sacar legítimamente de la muestra sesgada de sus
propios clientes sería que el 84% de los clientes de esa aerolínea prefirieron esa aerolínea y el 16% de sus
propios clientes en realidad prefirieron otra aerolínea.23
En su libro, Weapons of Math Destruction, la autora Cathy O'Neil analiza cómo los algoritmos y modelos
pueden estar sesgados involuntariamente.24 Por ejemplo, consideremos un analista que está construyendo un
modelo de riesgo crediticio para otorgar préstamos. La ubicación de la casa del solicitante puede ser una
variable correlacionada con otras variables como los ingresos y el origen étnico. El ingreso es quizás una variable
relevante para determinar el monto de un préstamo, pero el origen étnico no lo es.
Por lo tanto, un modelo que utilice la ubicación del hogar podría generar un sesgo involuntario en el modelo
de riesgo crediticio. Es responsabilidad de los analistas asegurarse de que este tipo de sesgo del modelo y
de los datos no formen parte del modelo.
La investigadora y escritora de opinión Zeynep Tufecki25 examina las llamadas “consecuencias no
deseadas” de la analítica y, en particular, del aprendizaje automático y los motores de recomendación.
Tufecki ha señalado que muchos sitios de Internet que utilizan motores de recomendación a menudo
sugieren contenido más extremo, en términos de opiniones políticas y teorías de conspiración, a los
usuarios basándose en su historial de visualización. Tufecki y otros teorizan que esto se debe a que
los algoritmos de aprendizaje automático que se utilizan han identificado que el contenido más extremo
aumenta el tiempo de visualización de los usuarios en el sitio, que a menudo es la función objetivo que el
algoritmo de aprendizaje automático maximiza. Por lo tanto, si bien no es la intención del algoritmo promover
opiniones más extremas y difundir información falsa, esta puede ser la consecuencia no deseada del uso
de un algoritmo de aprendizaje automático que maximiza el tiempo de visualización de los usuarios en el sitio.
Los analistas y los tomadores de decisiones deben ser conscientes de las posibles consecuencias no
deseadas de sus modelos y deben decidir cómo reaccionar ante estas consecuencias una vez que se descubran.
Varias organizaciones, incluida la Asociación Estadounidense de Estadística (ASA) y el Instituto de
Investigación de Operaciones y Ciencias de la Gestión (INFORMS), proporcionan pautas éticas para los
analistas. En sus “Pautas éticas para la práctica estadística”,26 la ASA utiliza el término estadístico en todas
partes, pero afirma que esto “incluye a todos los profesionales de la estadística y las ciencias cuantitativas,
independientemente del puesto de trabajo o el campo de estudios—
compuesto por estadísticos de todos los niveles de la profesión y miembros de otras profesiones que utilizan e
informan análisis estadísticos y sus aplicaciones”. Sus pautas
23A. Barnett, “Reseñas de aplicaciones erróneas: Newswatch”, Interfaces 14, no. 6 (noviembrediciembre de 1984).
24C. O'Neil, Armas de destrucción matemática, cómo los grandes datos aumentan la desigualdad y amenazan la democracia (Nueva
York: Crown Publishing, 2016).
25Z. Tufecki. “YouTube, el gran radicalizador”, The New York Times, 10 de marzo de 2018.
26Pautas éticas para la práctica estadística, Asociación Estadounidense de Estadística, 14 de abril de 2018.
1.6 Cuestiones legales y éticas en el uso de datos y análisis 15
afirman que “las buenas prácticas estadísticas se basan fundamentalmente en supuestos

transparentes, resultados reproducibles e interpretaciones válidas”. Se brindan más detalles en ocho
secciones diferentes de las pautas y le recomendamos que las lea y se familiarice con ellas.
INFORMS es una sociedad profesional centrada en la investigación de operaciones y la gestión

ciencias, incluida la analítica. INFORMS ofrece una certificación de análisis llamada CAP:
profesional de análisis certificado. Todos los candidatos a CAP deben cumplir con el código de
ética/conducta proporcionado por INFORMS.27 Las directrices de INFORMS CAP establecen: “En
general, los profesionales de análisis están obligados a realizar sus actividades profesionales de
manera responsable, con especial atención a los valores de coherencia, respeto por las personas,
autonomía de todos, integridad, justicia, utilidad y competencia”. INFORMS también ofrece un
conjunto de Directrices de Ética para sus miembros, que cubren el comportamiento ético de los
profesionales de análisis en tres dominios: Sociedad, Organizaciones (empresas, gobierno,
organizaciones sin fines de lucro y universidades) y Profesión (investigación de operaciones
y análisis).28 Como Estas pautas son bastante fáciles de entender y al mismo tiempo bastante
completas; las enumeramos aquí en la Tabla 1.2 y lo alentamos como usuario/proveedor de
análisis a que las convierta en sus principios rectores.
Tabla 1.2 Pautas de Ética INFORMA
En relación con la sociedad

Los profesionales de la analítica deben aspirar a ser:
• Responsable de sus actuaciones profesionales y del impacto de su trabajo.
• Comunicarse sobre sus supuestos, intereses, patrocinadores, motivaciones, limitaciones y posibles conflictos de intereses.
• Honestos al informar sus resultados, incluso cuando no logran el resultado deseado.
• Objetividad en sus valoraciones de los hechos, independientemente de sus opiniones o creencias.
• Respetuoso de los puntos de vista y los valores de los demás. •
Responsable de realizar investigaciones y proyectos que proporcionen beneficios positivos al mejorar nuestra comprensión científica, contribuir
a mejoras organizacionales y apoyar el bien social.
En relación con el análisis de

organizaciones, los profesionales deben aspirar a ser:
• Precisos en nuestras afirmaciones, informes y presentaciones.
• Alertar sobre posibles consecuencias no deseadas o negativas que nuestros resultados y recomendaciones puedan tener en otros. • Informados
de los avances y novedades en los campos relevantes para nuestro trabajo. • Cuestionamiento
de si existen formas más efectivas y eficientes de alcanzar una meta.
• Realistas en nuestras afirmaciones de resultados alcanzables y en reconocer cuándo puede ser el mejor curso de acción.
dar por terminado un
proyecto. • Riguroso al apegarnos a adecuadas prácticas profesionales en el desarrollo y reporte de nuestro trabajo.
Relativo a la profesión
Los profesionales de la analítica deben aspirar a ser:
• Cooperativo al compartir mejores prácticas, información e ideas con colegas, jóvenes profesionales y estudiantes. • Imparciales en nuestros
elogios o críticas a los demás y sus logros, dejando de lado los intereses personales.
• Incluyendo a todos los compañeros y rechazando la discriminación y el acoso en cualquier forma.
• Tolerante con investigaciones bien realizadas y resultados bien razonados, que pueden diferir de nuestros propios hallazgos u opiniones.
• Veraz al brindar atribución cuando nuestro trabajo se basa en las ideas de otros.
• Vigilante al denunciar acciones que son perjudiciales para la profesión.
27Código de ética/conducta del profesional certificado en análisis. Disponible en www.certifiedanalytics.org/ethics.php.

28INFORMA Lineamientos Éticos. Disponible en www.informs.org/AboutINFORMS/Governance/INFORMSEthicsGuidelines.
dieciséis
Capítulo 1 Introducción
Resumen
Este capítulo introductorio comenzó con una discusión sobre la toma de decisiones. La toma de
decisiones se puede definir como el siguiente proceso: (1) identificar y definir el problema, (2) determinar
los criterios que se utilizarán para evaluar soluciones alternativas, (3) determinar el conjunto de soluciones
alternativas, (4) evaluar las alternativas, y (5) elegir una alternativa. Las decisiones pueden ser estratégicas
(alto nivel, relacionadas con la dirección general del negocio), tácticas (nivel medio, relacionadas con
cómo lograr los objetivos estratégicos del negocio) u operativas (decisiones cotidianas que deben
tomarse). para dirigir la empresa).
La incertidumbre y la abrumadora cantidad de alternativas son dos factores clave que dificultan la
toma de decisiones. Los enfoques de análisis de negocios pueden ayudar a identificar y mitigar la
incertidumbre y prescribir el mejor curso de acción entre un gran número de alternativas. En resumen, la
analítica empresarial puede ayudarnos a tomar decisiones mejor informadas.
Hay tres categorías de análisis: descriptivo, predictivo y prescriptivo.
El análisis descriptivo describe lo que sucedió e incluye herramientas como informes, visualización de
datos, paneles de datos, estadísticas descriptivas y algunas técnicas de extracción de datos.
El análisis predictivo consiste en técnicas que utilizan datos pasados para predecir eventos futuros o
determinar el impacto de una variable sobre otra. Estas técnicas incluyen regresión, extracción de datos,
previsión y simulación. El análisis prescriptivo utiliza datos para determinar un curso de acción. Esta clase
de técnicas analíticas incluye modelos basados en reglas, simulación, análisis de decisiones y
optimización. El análisis descriptivo y predictivo puede ayudarnos a comprender mejor la incertidumbre
y el riesgo asociados con nuestras alternativas de decisión. El análisis predictivo y prescriptivo, también
conocido como análisis avanzado, puede ayudarnos a tomar la mejor decisión ante un sinfín de
alternativas.
Big data es un conjunto de datos demasiado grande o demasiado complejo para ser manejado
mediante técnicas de procesamiento de datos estándar o software de escritorio típico. La creciente
prevalencia del big data está provocando un aumento en el uso de la analítica. Internet, los escáneres
minoristas y los teléfonos móviles están poniendo enormes cantidades de datos a disposición de las
empresas, y estas empresas quieren comprender mejor estos datos. El análisis empresarial les ayuda a
comprender estos datos y utilizarlos para tomar mejores decisiones.
También discutimos varias áreas de aplicación de la analítica. Nuestra discusión se centró en
análisis financieros, análisis de recursos humanos, análisis de marketing, análisis de atención médica,
análisis de la cadena de suministro, análisis para organizaciones gubernamentales y sin fines de lucro,
análisis de deportes y análisis web. Sin embargo, el uso de la analítica se está extendiendo rápidamente
a otros sectores, industrias y áreas funcionales de las organizaciones. Concluimos este capítulo con una
discusión sobre cuestiones legales y éticas en el uso de datos y análisis, un tema que debería ser de
gran importancia para todos los profesionales y consumidores de análisis. Cada capítulo restante de este
texto proporcionará una viñeta del mundo real en la que se aplica el análisis de negocios a un problema
que enfrenta una organización real.
G lo sario
Inteligencia artificial (IA) El uso de datos y computadoras para tomar decisiones que en el pasado habrían
requerido inteligencia humana.
Analítica avanzada Analítica predictiva y prescriptiva.
Big data Cualquier conjunto de datos que es demasiado grande o demasiado complejo para ser manejado
mediante técnicas de procesamiento de datos estándar y software de escritorio típico.
Análisis de negocios El proceso científico de transformar datos en conocimiento para tomar mejores
decisiones.
Panel de datos Una colección de tablas, gráficos y mapas para ayudar a la gerencia a monitorear
aspectos seleccionados del desempeño de la empresa.
Minería de datos El uso de técnicas analíticas para comprender mejor los patrones y relaciones que
existen en grandes conjuntos de datos.
Consulta de datos Solicitud de información con determinadas características a una base de datos.
Glosario 17
Científicos de datos Analistas formados tanto en informática como en estadística que saben cómo procesar y
analizar de forma eficaz cantidades masivas de datos.
Seguridad de los datos Proteger los datos almacenados de fuerzas destructivas o usuarios no autorizados.
Análisis de decisiones Técnica utilizada para desarrollar una estrategia óptima cuando quien toma decisiones se
enfrenta a varias alternativas de decisión y a un conjunto incierto de eventos futuros.
Análisis descriptivo Herramientas analíticas que describen lo que ha sucedido.
Hadoop Un entorno de programación de código abierto que admite el procesamiento de big data mediante
almacenamiento distribuido y procesamiento distribuido en grupos de computadoras.
Internet de las cosas (IoT) La tecnología que permite que los datos recopilados por sensores en todo tipo de
máquinas se envíen a través de Internet a repositorios donde se pueden almacenar y analizar.
MapReduce Modelo de programación utilizado dentro de Hadoop que realiza los dos pasos principales que dan
nombre: el paso de mapa y el paso de reducción. El paso del mapa divide los datos en subconjuntos
manejables y los distribuye a las computadoras del clúster para su almacenamiento y procesamiento. El paso
de reducción recopila respuestas de los nodos y las combina en una respuesta al problema original.
Decisiones operativas Decisión relacionada con cómo se gestiona la organización día a día.
Modelos de optimización Un modelo matemático que da la mejor decisión, sujeto a las limitaciones de la situación.
Análisis predictivo Técnicas que utilizan modelos construidos a partir de datos pasados para predecir el futuro o
determinar el impacto de una variable sobre otra.
Análisis prescriptivo Técnicas que analizan los datos de entrada y producen el mejor curso de acción.
Modelo basado en reglas Modelo prescriptivo que se basa en una regla o conjunto de reglas.
Simulación El uso de probabilidad y estadística para construir un modelo informático para estudiar el impacto de
la incertidumbre en la decisión en cuestión.
Optimización de simulación El uso de probabilidad y estadística para modelar la incertidumbre, combinado con
técnicas de optimización, para encontrar buenas decisiones en entornos altamente complejos y altamente
inciertos.
Decisión estratégica Decisión que involucra cuestiones de nivel superior y que tiene que ver con la dirección
general de la organización, definiendo las metas y aspiraciones generales para el futuro de la organización.
Decisión táctica Decisión relacionada con cómo la organización debe alcanzar las metas y objetivos
establecidos por su estrategia.
Teoría de la utilidad Estudio del valor total o la deseabilidad relativa de un resultado particular que refleja la actitud
de quien toma las decisiones hacia un conjunto de factores como ganancias, pérdidas y riesgos.

Capitulo 1 Business Analytics

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo 1 Business Analytics

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

1.1 TOMA DE DECISIONES

1.2 ANÁLISIS DE NEGOCIO DEFINIDO

1.3 UNA CATEGORIZACIÓN DE MÉTODOS ANALÍTICOS

Disponible en MindTap Reader:

1.1 Toma de decisiones 3

En resumen, la disponibilidad de cantidades masivas de datos, las mejoras en las metodologías

1.1 Toma de decisiones

1. Identificar y definir el problema.

El paso 1 de la toma de decisiones, identificar y definir el problema, es el más crítico.

1.2 Definición de análisis empresarial

1.3 Una categorización de métodos y modelos analíticos 5

1.3 Una categorización de métodos y modelos analíticos

a menudo en la industria farmacéutica para evaluar el riesgo de introducir un nuevo fármaco.

1.4 Grandes datos

1.4 Grandes datos 7

Tabla 1.1 Cobertura de temas de análisis empresarial en este texto

Capítulo Título Descriptivo Profético Preceptivo

FIGURA 1.1 Las cuatro V del Big Data

Los datos en reposo

Transmisión de datos, milisegundos

Datos en muchas formas

Incertidumbre por los datos

1.4 Grandes datos 9

1.5 Análisis empresarial en la práctica

FIGURA 1.2 El espectro del análisis empresarial

Fuente: Adaptado de SAS.

1.5 Análisis empresarial en la práctica 11

Análisis de recursos humanos (RRHH)

Análisis de atención médica

Análisis de la cadena de suministro

Análisis para gobiernos y organizaciones sin fines de lucro

1.6 Cuestiones legales y éticas en el uso de datos y análisis 13

1.6 Cuestiones legales y éticas en el uso de

1.6 Cuestiones legales y éticas en el uso de datos y análisis 15

afirman que “las buenas prácticas estadísticas se basan fundamentalmente en supuestos

INFORMS es una sociedad profesional centrada en la investigación de operaciones y la gestión

Tabla 1.2 Pautas de Ética INFORMA

En relación con la sociedad

En relación con el análisis de

27Código de ética/conducta del profesional certificado en análisis. Disponible en www.certifiedanalytics.org/ethics.php.

También podría gustarte