Inteligencia de Negocio

Inteligencia empresarial (BI) comprende las estrategias y tecnologías utilizadas por las empresas para el análisis de datos y la gestión de la información empresarial. Las funciones comunes de las tecnologías de inteligencia comercial incluyen informes, procesamiento analítico en línea, análisis, desarrollo de tableros, minería de datos, minería de procesos, procesamiento de eventos complejos, gestión del desempeño comercial, evaluación comparativa, minería de texto, análisis predictivo y análisis prescriptivo.

Las herramientas de BI pueden manejar grandes cantidades de datos estructurados y, a veces, no estructurados para ayudar a identificar, desarrollar y crear nuevas oportunidades comerciales estratégicas. Su objetivo es permitir la fácil interpretación de estos grandes datos. Identificar nuevas oportunidades e implementar una estrategia efectiva basada en conocimientos puede proporcionar a las empresas una ventaja competitiva en el mercado y estabilidad a largo plazo, y ayudarlos a tomar decisiones estratégicas.

Las empresas pueden utilizar la inteligencia comercial para respaldar una amplia variedad de decisiones comerciales, desde las operativas hasta las estratégicas. Las decisiones operativas básicas incluyen el posicionamiento o el precio del producto. Las decisiones comerciales estratégicas involucran prioridades, objetivos y direcciones en el nivel más amplio. En todos los casos, BI es más eficaz cuando combina datos derivados del mercado en el que opera una empresa (datos externos) con datos de fuentes internas de la empresa, como datos financieros y de operaciones (datos internos). Cuando se combinan, los datos internos y externos pueden proporcionar una imagen completa que, en efecto, crea una "inteligencia" que no puede derivarse de ningún conjunto singular de datos.

Entre innumerables usos, las herramientas de inteligencia comercial permiten a las organizaciones obtener información sobre nuevos mercados, evaluar la demanda y la idoneidad de los productos y servicios para diferentes segmentos del mercado y medir el impacto de los esfuerzos de marketing.

Las aplicaciones de BI utilizan datos recopilados de un almacén de datos (DW) o de un data mart, y los conceptos de BI y DW se combinan como "BI/DW" o como "BIDW". Un almacén de datos contiene una copia de los datos analíticos que facilita el apoyo a la toma de decisiones.

Historia

El primer uso conocido del término inteligencia de negocios está en Richard Millar Devens' Cyclopædia of Commercial and Business Anecdotes (1865). Devens usó el término para describir cómo el banquero Sir Henry Furnese obtuvo ganancias al recibir y actuar sobre información sobre su entorno, antes que sus competidores:

A lo largo de Holanda, Flandes, Francia y Alemania, mantuvo un completo y perfecto tren de inteligencia empresarial. La noticia de las muchas batallas luchadas fue recibida primero por él, y la caída de Namur añadió a sus ganancias, debido a su recepción temprana de las noticias.

—Devens, pág. 210

La capacidad de recopilar y reaccionar en consecuencia en función de la información recuperada, dice Devens, es fundamental para la inteligencia comercial.

Cuando Hans Peter Luhn, un investigador de IBM, usó el término inteligencia empresarial en un artículo publicado en 1958, empleó la definición del Diccionario Webster de inteligencia: "la capacidad de aprehender las interrelaciones de los hechos presentados de tal manera que guíe la acción hacia una meta deseada"

En 1989, Howard Dresner (luego analista de Gartner) propuso inteligencia de negocios como un término general para describir "conceptos y métodos para mejorar la toma de decisiones de negocios mediante el uso de sistemas de soporte basados en hechos. " No fue hasta finales de la década de 1990 que este uso se generalizó.

Los críticos ven a BI simplemente como una evolución de los informes comerciales junto con la llegada de herramientas de análisis de datos cada vez más poderosas y fáciles de usar. En este sentido, también ha sido criticado como una palabra de moda de marketing en el contexto del "big data" aumento.

Definición

Según Solomon Negash y Paul Gray, la inteligencia empresarial (BI) se puede definir como sistemas que combinan:

• Reunión de datos
• Almacenamiento de datos
• Gestión de los conocimientos

con análisis para evaluar información corporativa y competitiva compleja para su presentación a planificadores y tomadores de decisiones, con el objetivo de mejorar la oportunidad y la calidad de los insumos para el proceso de decisión."

Según Forrester Research, la inteligencia empresarial es "un conjunto de metodologías, procesos, arquitecturas y tecnologías que transforman los datos sin procesar en información significativa y útil que se utiliza para permitir conocimientos y decisiones estratégicas, tácticas y operativas más efectivas. haciendo." Según esta definición, la inteligencia empresarial abarca la gestión de la información (integración de datos, calidad de datos, almacenamiento de datos, gestión de datos maestros, análisis de texto y contenido, etc.). Por lo tanto, Forrester se refiere a la preparación de datos y al uso de datos como dos segmentos separados pero estrechamente vinculados de la pila arquitectónica de inteligencia empresarial.

Algunos elementos de la inteligencia empresarial son:

• Distribución y asignación multidimensional
• Denormalización, etiquetado y estandarización
• Presentación de informes en tiempo real con alerta analítica
• Un método de enlace con fuentes de datos no estructuradas
• Consolidación de grupos, presupuestación y pronósticos de ejecución
• Inferencia estadística y simulación probabilística
• Optimización de indicadores clave de rendimiento
• Control de versiones y gestión de procesos
• Gestión de elementos abiertos

Forrester distingue esto del mercado de inteligencia empresarial, que es "solo las capas superiores de la pila arquitectónica de BI, como informes, análisis y tableros".

Comparado con inteligencia competitiva

Aunque el término inteligencia de negocios a veces es sinónimo de inteligencia competitiva (porque ambos respaldan la toma de decisiones), BI usa tecnologías, procesos y aplicaciones para analizar principalmente datos estructurados internos y procesos de negocios, mientras que la inteligencia competitiva recopila, analiza y difunde información con un enfoque temático sobre los competidores de la empresa. Si se entiende en términos generales, la inteligencia empresarial puede considerarse como un subconjunto de la inteligencia competitiva.

En comparación con el análisis empresarial

La inteligencia empresarial y el análisis empresarial a veces se usan indistintamente, pero existen definiciones alternativas. Thomas Davenport, profesor de tecnología de la información y administración en Babson College, argumenta que la inteligencia comercial debe dividirse en consultas, informes, procesamiento analítico en línea (OLAP), y "alertas" herramienta y análisis de negocios. En esta definición, el análisis empresarial es el subconjunto de BI que se centra en las estadísticas, la predicción y la optimización, en lugar de la funcionalidad de generación de informes.

Datos

Las operaciones comerciales pueden generar una gran cantidad de datos en forma de correos electrónicos, memorandos, notas de centros de llamadas, noticias, grupos de usuarios, chats, informes, páginas web, presentaciones, archivos de imágenes, videos. archivos y material de marketing. Según Merrill Lynch, más del 85% de toda la información comercial existe en estos formularios; una empresa solo puede usar dicho documento una sola vez. Debido a la forma en que se produce y almacena, esta información es no estructurada o semiestructurada.

La gestión de datos semiestructurados es un problema sin resolver en la industria de las tecnologías de la información. Según las proyecciones de Gartner (2003), los trabajadores administrativos dedican entre un 30% y un 40% de su tiempo a buscar, encontrar y evaluar datos no estructurados. BI utiliza datos estructurados y no estructurados. El primero es fácil de buscar y el segundo contiene gran cantidad de información necesaria para el análisis y la toma de decisiones. Debido a la dificultad de buscar, encontrar y evaluar adecuadamente datos no estructurados o semiestructurados, es posible que las organizaciones no recurran a estos vastos depósitos de información, lo que podría influir en una decisión, tarea o proyecto en particular. En última instancia, esto puede conducir a una toma de decisiones mal informada.

Por lo tanto, al diseñar una solución de Business Intelligence/DW, se deben tener en cuenta los problemas específicos asociados con los datos semiestructurados y no estructurados, así como los de los datos estructurados.

Datos no estructurados frente a datos semiestructurados

Los datos no estructurados y semiestructurados tienen diferentes significados según su contexto. En el contexto de los sistemas de bases de datos relacionales, los datos no estructurados no se pueden almacenar en columnas y filas ordenadas de manera predecible. Un tipo de datos no estructurados generalmente se almacena en un BLOB (objeto binario grande), un tipo de datos comodín disponible en la mayoría de los sistemas de administración de bases de datos relacionales. Los datos no estructurados también pueden referirse a patrones de columnas repetidos de forma irregular o aleatoria que varían de una fila a otra o archivos de lenguaje natural que no tienen metadatos detallados.

Sin embargo, muchos de estos tipos de datos, como correos electrónicos, archivos de texto de procesamiento de texto, PDF, PPT, archivos de imagen y archivos de video, se ajustan a un estándar que ofrece la posibilidad de metadatos. Los metadatos pueden incluir información como el autor y la hora de creación, y esto se puede almacenar en una base de datos relacional. Por lo tanto, puede ser más exacto hablar de esto como documentos o datos semiestructurados, pero no parece haberse alcanzado un consenso específico.

Los datos no estructurados también pueden ser simplemente el conocimiento que los usuarios empresariales tienen sobre las tendencias empresariales futuras. La previsión empresarial se alinea naturalmente con el sistema de BI porque los usuarios empresariales piensan en su negocio en términos agregados. Capturar el conocimiento empresarial que puede existir solo en la mente de los usuarios empresariales proporciona algunos de los puntos de datos más importantes para una solución de BI completa.

Limitaciones de datos semiestructurados y no estructurados

Existen varios desafíos para desarrollar BI con datos semiestructurados. Según Inmon & Nesavich, algunos de ellos son:

• Acceso físico a datos textuales no estructurados – los datos no estructurados se almacenan en una gran variedad de formatos.
• Terminología – Entre investigadores y analistas, existe la necesidad de desarrollar terminología estandarizada.
• Volumen de datos – Como se indicó anteriormente, hasta el 85% de todos los datos existe como datos semiestructurados. Pareja que con la necesidad de análisis de palabra a palabra y semántica.
• Searchability of unstructured textual data – Una simple búsqueda de algunos datos, por ejemplo manzana, resulta en enlaces donde hay una referencia a ese término de búsqueda preciso. (Inmon & Nesavich, 2008) da un ejemplo: "una búsqueda se hace en el término delito. En una simple búsqueda, el término delito se utiliza, y en todas partes hay una referencia al delito, se hace un éxito a un documento no estructurado. Pero una simple búsqueda es cruda. No encuentra referencias al crimen, incendio, asesinato, malversación, homicidio vehicular, etc., aunque estos crímenes sean tipos de delitos".

Metadatos

Para resolver problemas de búsqueda y evaluación de datos, es necesario saber algo sobre el contenido. Esto se puede hacer agregando contexto mediante el uso de metadatos. Muchos sistemas ya capturan algunos metadatos (p. ej., nombre de archivo, autor, tamaño, etc.), pero serían más útiles los metadatos sobre el contenido real, p. resúmenes, temas, personas o empresas mencionadas. Dos tecnologías diseñadas para generar metadatos sobre el contenido son la categorización automática y la extracción de información.

Aplicaciones

La inteligencia comercial se puede aplicar a los siguientes fines comerciales:

• Las métricas de rendimiento y los parámetros de referencia informan a los líderes empresariales de los progresos hacia los objetivos empresariales (gestión de procesos institucionales).
• Análisis cuantifica los procesos para que un negocio llegue a decisiones óptimas, y para realizar el descubrimiento del conocimiento empresarial. Los análisis pueden implicar de manera diversa la minería de datos, la minería de procesos, el análisis estadístico, la analítica predictiva, el modelado predictivo, el modelado de procesos empresariales, el linaje de datos, el procesamiento complejo de eventos y la analítica prescriptiva. Por ejemplo, en la industria bancaria, la investigación académica ha explorado el potencial de análisis basados en BI en la evaluación de crédito, gestión de churn cliente para la adopción administrativa
• Los informes comerciales pueden utilizar datos de IB para informar de la estrategia. Los informes de negocios pueden incluir paneles de control, visualización de datos, sistema de información ejecutiva y/o OLAP
• BI puede facilitar la colaboración tanto dentro como fuera de la empresa mediante el intercambio de datos y el intercambio electrónico de datos
• La gestión del conocimiento se ocupa de la creación, distribución, utilización y gestión de la inteligencia empresarial y de los conocimientos empresariales en general. La gestión del conocimiento conduce a la gestión del aprendizaje y el cumplimiento reglamentario.

Funciones

Algunos roles técnicos comunes para los desarrolladores de inteligencia comercial son:

• Analista de negocios
• Analista de datos
• Ingeniero de datos
• Científicos de datos
• Administrador de bases de datos

Riesgo

En un informe de 2013, Gartner clasificó a los proveedores de inteligencia comercial como proveedores independientes de "juego puro" proveedor o un "mega-proveedor" consolidado. En 2019, el mercado de BI se vio sacudido en Europa por la nueva legislación de GDPR (Reglamento general de protección de datos) que asigna la responsabilidad de la recopilación y el almacenamiento de datos al usuario de datos con leyes estrictas para garantizar que los datos cumplan. El crecimiento dentro de Europa ha aumentado constantemente desde mayo de 2019 cuando se introdujo GDPR. La legislación reorientó a las empresas para que analicen sus propios datos desde una perspectiva de cumplimiento, pero también reveló oportunidades futuras utilizando personalización y proveedores de BI externos para aumentar la participación de mercado.