Inteligencia de negocios

Inteligencia de negocios, inteligencia empresarial o business intelligence 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 gama de decisiones comerciales que van 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 externos e internos pueden proporcionar una imagen completa que, en efecto, crea una "inteligencia" que no puede derivarse de ningún conjunto singular de datos.

Entre una miríada de 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 empresarial se encuentra en la Cyclopædia of Commercial and Business Anecdotes de Richard Millar Devens (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 tren completo y perfecto de inteligencia comercial. Así, él recibió primero las noticias de las muchas batallas libradas, y la caída de Namur se sumó a sus ganancias, debido a que recibió las noticias antes de tiempo.—  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 de inteligencia del Diccionario Webster: "la capacidad de comprender las interrelaciones de los hechos presentados de tal manera que guíe la acción hacia una meta deseada".

En 1989, Howard Dresner (más tarde analista de Gartner) propuso inteligencia comercial como un término general para describir "conceptos y métodos para mejorar la toma de decisiones comerciales 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 el advenimiento 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 auge de los "grandes datos".

Definición

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

• Recopilación de datos
• Almacenamiento de datos
• Conocimiento administrativo

con análisis para evaluar información corporativa y competitiva compleja para su presentación a los 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 una toma de decisiones y conocimientos estratégicos, tácticos y operativos más efectivos". 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 y el uso de datos como dos segmentos separados pero estrechamente vinculados de la pila arquitectónica de inteligencia empresarial.

Algunos elementos de la inteligencia de negocios son:

• Agregación y asignación multidimensional
• Desnormalización, etiquetado y estandarización
• Informes en tiempo real con alerta analítica
• Un método de interfaz con fuentes de datos no estructurados
• Consolidación de grupos, elaboración de presupuestos y pronósticos continuos
• 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 de negocios, que son "solo las capas superiores de la pila arquitectónica de BI, como informes, análisis y tableros".

En comparación con la inteligencia competitiva

Aunque el término inteligencia de negocios a veces es sinónimo de inteligencia competitiva (porque ambos respaldan la toma de decisiones), BI utiliza 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 tópico en 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 de negocios

La inteligencia comercial y el análisis comercial 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), una herramienta de "alertas" y análisis comercial. 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 imagen, archivos de video 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 no resuelto 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 correctamente 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 comerciales tienen sobre las tendencias comerciales 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 los datos semiestructurados y no estructurados

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

• Acceder físicamente a datos textuales no estructurados: los datos no estructurados se almacenan en una gran variedad de formatos.
• Terminología: entre los investigadores y analistas, existe la necesidad de desarrollar una terminología estandarizada.
• Volumen de datos: como se indicó anteriormente, hasta el 85% de todos los datos existen como datos semiestructurados. Combine eso con la necesidad de un análisis semántico y palabra por palabra.
• Capacidad de búsqueda de datos textuales no estructurados: una búsqueda simple en algunos datos, por ejemplo, Apple, da como resultado enlaces donde hay una referencia a ese término de búsqueda preciso. (Inmon & Nesavich, 2008) da un ejemplo: “se realiza una búsqueda sobre el término felony. En una búsqueda simple, se utiliza el término felony, y en todas partes donde hay una referencia a felony, se da un acierto a un documento no estructurado. Pero una búsqueda simple es tosca, no encuentra referencias a delitos, incendios, asesinatos, desfalcos, homicidios vehiculares y demás, a pesar de que estos delitos son tipos de delitos graves”.

Metadatos

Para resolver problemas de capacidad 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 (por ejemplo, nombre de archivo, autor, tamaño, etc.), pero serían más útiles los metadatos sobre el contenido real, por ejemplo, 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 propósitos comerciales:

• Las métricas de rendimiento y la evaluación comparativa informan a los líderes empresariales sobre el progreso hacia los objetivos comerciales (gestión de procesos comerciales).
• Los análisis cuantifican los procesos para que una empresa llegue a decisiones óptimas y realice el descubrimiento de conocimiento empresarial. Los análisis pueden involucrar de diversas formas la minería de datos, la minería de procesos, el análisis estadístico, el análisis predictivo, el modelado predictivo, el modelado de procesos comerciales, el linaje de datos, el procesamiento de eventos complejos y el análisis prescriptivo. Por ejemplo, dentro de la industria bancaria, la investigación académica ha explorado el potencial del análisis basado en BI en la evaluación crediticia, la gestión de la rotación de clientes para la adopción gerencial.
• Los informes comerciales pueden usar datos de BI para informar la estrategia. Los informes comerciales pueden incluir tableros, visualización de datos, sistema de información ejecutiva y/u OLAP.
• BI puede facilitar la colaboración tanto dentro como fuera del negocio al permitir el intercambio de datos y el intercambio electrónico de datos.
• La gestión del conocimiento se ocupa de la creación, distribución, uso y gestión de la inteligencia empresarial y del conocimiento empresarial en general. La gestión del conocimiento conduce a la gestión del aprendizaje y al cumplimiento normativo.

Roles

Algunas funciones técnicas comunes para los desarrolladores de inteligencia comercial son:

• Analista de negocios
• Analista de datos
• ingeniero de datos
• científico de datos
• Administrador de base de datos

Riesgo

En un informe de 2013, Gartner clasificó a los proveedores de inteligencia comercial como un proveedor independiente de "juego puro" o un "megaproveedor" 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 futuras oportunidades utilizando personalización y proveedores de BI externos para aumentar la participación de mercado.