10.1: Inteligencia de negocios
- Page ID
- 154320
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\(\newcommand{\avec}{\mathbf a}\) \(\newcommand{\bvec}{\mathbf b}\) \(\newcommand{\cvec}{\mathbf c}\) \(\newcommand{\dvec}{\mathbf d}\) \(\newcommand{\dtil}{\widetilde{\mathbf d}}\) \(\newcommand{\evec}{\mathbf e}\) \(\newcommand{\fvec}{\mathbf f}\) \(\newcommand{\nvec}{\mathbf n}\) \(\newcommand{\pvec}{\mathbf p}\) \(\newcommand{\qvec}{\mathbf q}\) \(\newcommand{\svec}{\mathbf s}\) \(\newcommand{\tvec}{\mathbf t}\) \(\newcommand{\uvec}{\mathbf u}\) \(\newcommand{\vvec}{\mathbf v}\) \(\newcommand{\wvec}{\mathbf w}\) \(\newcommand{\xvec}{\mathbf x}\) \(\newcommand{\yvec}{\mathbf y}\) \(\newcommand{\zvec}{\mathbf z}\) \(\newcommand{\rvec}{\mathbf r}\) \(\newcommand{\mvec}{\mathbf m}\) \(\newcommand{\zerovec}{\mathbf 0}\) \(\newcommand{\onevec}{\mathbf 1}\) \(\newcommand{\real}{\mathbb R}\) \(\newcommand{\twovec}[2]{\left[\begin{array}{r}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\ctwovec}[2]{\left[\begin{array}{c}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\threevec}[3]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\cthreevec}[3]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\fourvec}[4]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\cfourvec}[4]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\fivevec}[5]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\cfivevec}[5]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\mattwo}[4]{\left[\begin{array}{rr}#1 \amp #2 \\ #3 \amp #4 \\ \end{array}\right]}\) \(\newcommand{\laspan}[1]{\text{Span}\{#1\}}\) \(\newcommand{\bcal}{\cal B}\) \(\newcommand{\ccal}{\cal C}\) \(\newcommand{\scal}{\cal S}\) \(\newcommand{\wcal}{\cal W}\) \(\newcommand{\ecal}{\cal E}\) \(\newcommand{\coords}[2]{\left\{#1\right\}_{#2}}\) \(\newcommand{\gray}[1]{\color{gray}{#1}}\) \(\newcommand{\lgray}[1]{\color{lightgray}{#1}}\) \(\newcommand{\rank}{\operatorname{rank}}\) \(\newcommand{\row}{\text{Row}}\) \(\newcommand{\col}{\text{Col}}\) \(\renewcommand{\row}{\text{Row}}\) \(\newcommand{\nul}{\text{Nul}}\) \(\newcommand{\var}{\text{Var}}\) \(\newcommand{\corr}{\text{corr}}\) \(\newcommand{\len}[1]{\left|#1\right|}\) \(\newcommand{\bbar}{\overline{\bvec}}\) \(\newcommand{\bhat}{\widehat{\bvec}}\) \(\newcommand{\bperp}{\bvec^\perp}\) \(\newcommand{\xhat}{\widehat{\xvec}}\) \(\newcommand{\vhat}{\widehat{\vvec}}\) \(\newcommand{\uhat}{\widehat{\uvec}}\) \(\newcommand{\what}{\widehat{\wvec}}\) \(\newcommand{\Sighat}{\widehat{\Sigma}}\) \(\newcommand{\lt}{<}\) \(\newcommand{\gt}{>}\) \(\newcommand{\amp}{&}\) \(\definecolor{fillinmathshade}{gray}{0.9}\)Objetivos de aprendizaje
- Consulta datos de ventas para detectar tendencias significativas
- Distinguir entre informes estáticos, informes dinámicos y minería de datos
- Para una situación determinada, determinar qué tipo de reporte de inteligencia de negocios se requiere para resolver el problema
Introducción
Para tomar decisiones estratégicas sobre qué productos presentar en nuestra tienda, necesitamos analizar cuidadosamente los datos de ventas y clickstream. Este tipo de análisis de datos es una forma de inteligencia de negocios.
Si hay algo abundante en el mundo de hoy, son los datos. En el corazón de cada sistema de información se encuentra una base de datos que captura datos transaccionales. Por ejemplo, quién compró qué, cuándo, por cuánto, y así sucesivamente. Es útil conocer la arquitectura de los sistemas transaccionales para que no sea un completo misterio cómo se capturan los datos.
Sin embargo, es fundamental saber destilar y analizar los datos capturados para tomar decisiones gerenciales. Por ejemplo, después de resumir miles de registros podríamos encontrar un producto que se vende particularmente bien con mujeres de un rango de edad particular que viven en un área en particular. Esa información significativa podría ser procesable en términos de la cadena de suministro y las iniciativas de comercialización.
Si algo en el mundo hoy en día tal vez haya demasiados datos. Destilar esos datos en información significativa es una habilidad clave. Hay una serie de herramientas disponibles para realizar análisis de datos. Estos incluyen programas de hojas de cálculo como Excel y sistemas de bases de datos como Access. Aprender a usar estas herramientas mejorará tu comerciabilidad.
¿Dónde Estamos en el Ciclo de Vida?
Muchos proyectos de sistemas de información se conciben en un ciclo de vida que avanza por etapas desde el análisis hasta la implementación. El siguiente diagrama muestra las etapas que tocamos en el capítulo actual:
Kiva: Resumir datos para producir información
Para ilustrar el poder de los datos resumidos, primero mostraremos cómo se pueden usar como vehículo de marketing para un sitio web. Las estadísticas impresionantes pueden ayudar a fomentar la repetición de negocios. Los mismos principios de mercadotecnia operan incluso para organizaciones sin fines de lucro.
Kiva es un sitio web que te permite hacer pequeños préstamos (normalmente por debajo de $500) a emprendedores en países en desarrollo. El campo de los pequeños préstamos se llama microfinanzas. Las instituciones microfinancieras son un recurso increíblemente importante para ayudar a los ciudadanos del tercer mundo a salir de la pobreza. Sorprendentemente, la tasa de reembolso de los pobres del mundo oscila entre 95 y 98%, muy superior a la tasa de reembolso de préstamos en Estados Unidos. Más del 80% de los préstamos de Kiva se hacen a mujeres empresarias. Vuelven las ganancias a los negocios y mejoran la vida de sus familias.
Kiva trabaja aunando recursos para que por ejemplo 50 personas puedan prestar $10 cada una para sumar $500. Como parte de su esfuerzo de mercadotecnia Kiva mantiene datos rápidos sobre sus actividades hasta la fecha. Por ejemplo, reportan que tienen casi medio millón de prestamistas que juntos han prestado 161 millones de dólares en los últimos tres años. Estos datos rápidos se recogen de la base de datos del sitio web después de escanear millones de registros y representan inteligencia de negocios. La información no solo sirve a un propósito de marketing, sino que también es un cuadro de mando interno para rastrear el progreso de la misión de Kiva e influir en las decisiones.
La página de Datos e Historia de Kiva es un informe de inteligencia de negocios. Obsérvese la frase que aparece bajo “Últimas estadísticas”, la cual anuncia que las estadísticas se actualizan todas las noches (entre la 1 y las 3 de la mañana). Esto es típico de los sistemas de inteligencia de negocios. La búsqueda de millones de registros pone tal drenaje en el sistema que estas actividades generalmente se ejecutan durante las horas pico.
¿Qué es Business Intelligence?
El ejemplo de Kiva es una forma de inteligencia de negocios. La inteligencia de negocios (BI) es la entrega de información precisa y útil a los tomadores de decisiones apropiados dentro del plazo necesario para apoyar la toma de decisiones efectiva.
Por esta definición, todo el trabajo que hemos realizado con Excel calificaría como inteligencia de negocios ya que nuestros entregables contenían información precisa y útil para apoyar la toma de decisiones efectiva. Sin embargo, comúnmente se entiende que la inteligencia de negocios incluye la destilación y análisis de grandes conjuntos de datos como los que se encuentran en las bases de datos corporativas. Extraer y analizar la información almacenada en bases de datos es el tema de este capítulo. Es muy probable que en múltiples puntos de tu carrera laboral se te pida que te dediques solo a este tipo de análisis.
La inteligencia de negocios es parte de la arquitectura de sistemas de información de panorama general. La mayoría de los sistemas existentes pueden clasificarse como sistemas empresariales, sistemas de colaboración o sistemas de inteligencia de negocios. Los sistemas empresariales, tomando pedidos por ejemplo, alimentan sus datos al almacén de datos, que a su vez es consultado para apoyar la inteligencia de negocios.
Desde un punto de vista gerencial, hay tres factores necesarios para tomar una decisión efectiva:
- Construir un conjunto de metas para trabajar hacia.
- Determine una manera de medir si un camino elegido se está acercando o más lejos de esos objetivos.
- Presentar oportunamente información sobre esas medidas a los tomadores de decisiones
Por ejemplo, digamos que nuestros objetivos son desarrollar un negocio de confección que produzca productos de alta calidad al tiempo que disminuya los costos. Además, determinamos que mediremos la calidad del producto por el porcentaje de productos rechazados por los inspectores en cada estación. (Piensa en esas etiquetas del inspector 99 que encuentras en los bolsillos de tu ropa nueva. La ropa que llevas son las aceptadas por el inspector.) Una tasa de rechazo relativamente alta es una bandera roja para la gerencia que requiere un mayor análisis. ¿Es este un inspector demasiado celoso? ¿Hay algún patrón en los productos rechazados? ¿Una estación en la fábrica tiende a producir más rechazos que las otras?
También necesitamos ver el rendimiento a lo largo del tiempo. ¿La calidad del producto está mejorando o empeorando progresivamente?
Digamos que nuestro análisis determina que la alta tasa de rechazo proviene de una sola fábrica en el sudeste asiático. Reportamos el problema a la gerencia. Despiden un equipo para revisar la planta. La revisión descubre trabajo infantil, condiciones abusivas y muy baja moral en la planta. Las horribles condiciones se revierten rápidamente y la tasa de rechazo vuelve a la media.
Inteligencia de negocios: Análisis de datos de ventas de aplicaciones
La parte de inteligencia de negocios de la arquitectura de sistemas de información. Tenga en cuenta que los sistemas de inteligencia de negocios generalmente operan fuera de un almacén de datos, un repositorio de datos para la corporación. Cada sistema empresarial contiene una o más bases de datos. El contenido de esas bases de datos se copia rutinariamente en el almacén de datos para permitir el análisis de BI. El proceso de copia se llama extraer, transformar y cargar (ETL).
Proceso de Inteligencia de Negocios
Analizaremos tres tipos de inteligencia de negocios: informes estáticos, informes dinámicos y minería de datos.
Los informes estáticos son, con mucho, la forma más común de inteligencia de negocios. La mayoría de las empresas han resumido informes estándar ya presentados e impresos para ayudar en la toma de decisiones gerenciales. Por ejemplo, las universidades utilizan informes de inscripción para medir qué departamentos podrían necesitar contratar más profesores. Las compañías de tarjetas de crédito solicitarán reportes de personas con altas puntuaciones de crédito para apuntar a promociones de tarjetas de crédito. De igual manera, las empresas podrían apuntar a estudiantes universitarios con un buen potencial de ingresos futuros. Los especialistas en marketing podrían ver las cifras de ventas de diferentes tiendas y regiones para determinar dónde hay oportunidades para ejecutar una promoción de ventas.
Los informes dinámicos se parecen a los informes estáticos pero en línea e interactivos. Un gerente curioso en cuanto a dónde viene un cierto número de resumen en su tablero puede profundizar para exponer el detalle que contribuyó a ese número. En esencia se trata de un recorrido de búsqueda de hechos donde la información descubierta en cada paso da pistas sobre dónde buscar a continuación la información. Por ejemplo, si las ventas en Norteamérica están bajando, entonces profundiza para descubrir un problema en la región del Medio Oeste. Luego profundiza más para descubrir un problema en la planta de Cleveland, Ohio.
La minería de datos utiliza programas informáticos y análisis estadísticos para buscar patrones inesperados, correlaciones, tendencias y agrupamiento en los datos. En esencia, es pescar a través de los datos para ver si hay patrones de interés. Un ejemplo frecuentemente citado de minería de datos fue el descubrimiento de que la cerveza y los pañales se compran frecuentemente en el mismo viaje a la tienda de comestibles. Tras una mayor indagación, los especialistas en marketing descubrieron que papá recoge algo de cerveza en su viaje a la tienda de abarrotes para comprar pañales. Los especialistas en marketing pueden usar esta información para colocar los dos artículos muy cerca de la tienda.
Aquí se describe el proceso de inteligencia de negocios para informes dinámicos. La mitad superior del diagrama muestra cómo los datos llegan al almacén de datos a través del proceso de extracción, transformación y carga. El informe dinámico comienza con un panel ejecutivo que proporciona una visión de alto nivel del negocio. Las flechas rojas discontinuas representan una perforación hacia abajo para encontrar una razón para un patrón en los datos. En este ejemplo, una recesión en las ventas norteamericanas se remonta a una planta de Cleveland, Ohio.
Claves para llevar
- La inteligencia de negocios es una forma de descubrir tendencias y patrones en los datos corporativos que pueden tener importancia estratégica u operativa.
- La mayoría de las corporaciones ya cuentan con los datos que necesitan para la inteligencia de negocios. Sin embargo, analizar los datos, presentar los resultados, y luego seguir a dónde conducen los datos, separa a los ganadores de los perdedores en un entorno competitivo.
- Los informes estáticos, los informes dinámicos y la minería de datos son tres formas diferentes de inteligencia de negocios.
Preguntas y ejercicios
- Los gerentes suelen estar más interesados en las excepciones, datos que no se ajustan a las expectativas preestablecidas. Describir cómo la inteligencia de negocios puede ayudar en este proceso.
- ¿Por qué los gerentes de nivel inferior requieren un mayor nivel de detalle en su información?
- ¿De qué manera el fútbol de fantasía se basa en la inteligencia de negocios?