Draft:Inteligencia de negocio
| Clarification activity | Sistemas e información |
| Author(s) | José María Díaz Nafría, Rodrigo Silván Martínez |
| Creation date | 5 dic 2025 |
| Status | 🔵 Listo para publicar |
| Reviews | Rev.1 |
1. Definición
La inteligencia de negocio (a menudo abreviada como BI por sus siglas en inglés Business Intelligence) es un conjunto o de procesos, tecnologías, metodologías y arquitecturas que convierten datos brutos en información relevante y que se puede utilizar para fomentar la toma de decisiones estratégicas, operativas y tácticas dentro de una entidad[1].
El término proviene de la combinación de "inteligencia" (la habilidad de obtener y utilizar conocimiento) y "negocio" (el ámbito de la actividad económica y organizativa). No solo pretende mostrar datos, sino también encontrar patrones, identificar tendencias y conseguir puntos de vista que posibiliten una comprensión profunda del desempeño pasado y una predicción bien fundamentada del futuro.[2]
1.1 Ciclo de valor de la inteligencia de negocio
La función de la inteligencia de negocio sigue un ciclo de valor que integra dos fuerzas funcionales complementarias que garantizan su efectividad:[3]
- Integración: Refleja la tendencia del sistema a consolidar, limpiar y estructurar datos de múltiples fuentes heterogéneas en un repositorio único y coherente, lo que podría ser un almacén de datos (a menudo designado como DW por sus siglas en inglés Data Warehouse).
- Análisis y Acción: Manifiesta la disposición a transformar los datos integrados en insights (conocimiento profundo) mediante estructuras de procesamiento analítico en línea (Online Analytical Processing, OLAP), comúnmente denominadas cubos OLAP, que se traducen en acciones o decisiones empresariales concretas.
El valor de la inteligencia de negocio depende de una función de equilibrio entre ambas fuerzas. Un desequilibrio donde la integración excede al análisis conduce a un cementerio de datos (es decir un almacén de datos en el que éstos no se utilizan). Si el análisis excede la Integración, se producen análisis aislados o inconsistentes (el caos de las hojas de cálculo). Por lo tanto, la inteligencia de negocio óptima depende de un equilibrio dinámico entre coherencia de datos y agilidad analítica.[4]
2. La arquitectura de la inteligencia de negocio
La arquitectura de la inteligencia de negocio organiza el flujo de datos desde su origen hasta su consumo estratégico garantizando la escalabilidad y la robustez analítica.[5]
En una arquitectura de BI, los niveles superiores (informes ejecutivos y cuadros de mando) dependen de los inferiores (bases de datos y procesos de extracción, transformación y carga ó ETL), creando un orden inclusivo donde cada capa posee autonomía en su función, pero contribuye a la finalidad cooperativa del conjunto.
Entre sus componentes y propiedades principales destacan:
- Capa de Origen (Source Layer): Incluye todos los sistemas transaccionales (ERP, CRM, logs, redes sociales). Esta capa es la fuente de datos primarios.
- Capa de Integración (ETL/ELT): El proceso de Extracción, Transformación y Carga (ETL, por sus siglas en inglés), cuando la transformación se realiza antes del almacén –que es una solución clásica–, o Extracción, Carga y Transformación (ELT) cuando la transformación se hace dentro del almacén –más característico de entornos en la nube–, se encarga de depurar, transformar y normalizar los datos con fines analíticos.
- Almacén de datos (Data Warehouse, DW): Es el repositorio centralizado, desnormalizado y orientado a temas para el almacenamiento histórico de datos. Su diseño se enfoca en la consulta y el análisis rápido, no en la transacción.
- Mercado de datos (Data Marts): Subconjuntos del almacén de datos enfocados en un área de negocio específica (ventas, finanzas, marketing), permitiendo análisis departamentales sin sobrecargar la estructura central.
- Recursividad funcional: La información fluye de los detalles operativos (nivel inferior) a las métricas clave (nivel superior), y la estrategia (nivel superior) define las métricas que deben ser capturadas (retroalimentación al nivel inferior).
- Emergencia de conocimiento accionable (insights): El conocimiento estratégico no es directamente observable en las tablas de las bases de datos, sino que emerge como resultado del análisis multidimensional de hechos y dimensiones contenidos en los mercados de datos y el almacén de datos.
3. Formalización del Modelo: Componentes Analíticos
Para asegurar modularidad, interoperabilidad y enfoque en el usuario, se puede formalizar el modelo de inteligencia de negocio mediante una pila de componentes que separan la administración de datos en la capa de presentación.[6]
3.1 Tipología de Herramientas de Consumo
Las herramientas de BI se categorizan en función de su finalidad en la creación de ideas:
- Informes y cuadros de mandos (Reporting): Proporcionan una vista histórica y en tiempo real del estado de la organización. Responden a la pregunta: "¿Qué pasó?".
- Procesamiento Analítico en Línea (Online Analytical Processing, OLAP): Permite a los usuarios realizar análisis multidimensionales interactivos. Responde a la pregunta: "¿Por qué pasó?".
- Minería de Datos (Data Mining): Utiliza algoritmos estadísticos y de Aprendizaje Automático (ML) para descubrir patrones ocultos, anomalías y relaciones. Responde a la pregunta: "¿Qué patrones existen?".
- Análisis Predictivo (Predictive Analytics): Aplica modelos estadísticos a los datos históricos para hacer predicciones sobre eventos futuros. Responde a la pregunta: "¿Qué pasará?".
3.2 Marco de las preguntas Analíticas
La comunicación en inteligencia de negocio sigue un protocolo basado en la complejidad de las preguntas que nos hacemos:[7]
- Descriptivo: ¿Qué ocurrió?
- Diagnóstico: ¿Por qué ocurrió?
- Predictivo: ¿Qué ocurrirá?
- Prescriptivo: ¿Qué debemos hacer al respecto?
Este mecanismo soporta la evolución de una organización, desde la reacción a los hechos hasta la proactividad basada en la predicción.
4. BI vs Data Science
La Inteligencia de Negocio (BI) y la Ciencia de Datos (DS) son disciplinas complementarias que difieren en su objeto de análisis y en la forma en que estructuran el tratamiento de los datos.[8]
| Característica | Inteligencia de negocio | Ciencia de datos |
|---|---|---|
| Foco principal | Rendimiento Histórico y Actual | Predicción y Descubrimiento |
| Tipos de datos | Datos Organizados y Estructurados | Datos Estructurados y No Estructurados |
| Herramientas clave | Dashboards, OLAP | Python, Modelos Estadísticos |
| Preguntas | ¿Qué paso y por qué? | ¿Qué pasará y cómo optimizamos? |
| Objetivo | Proporcionar visión coherente del negocio | Generar creación de ideas |
Bibliografía
- ↑ Sharda, R., Delen, D., & Turban, E. (2020). Business intelligence, analytics, and data science: A managerial perspective. Pearson Education.
- ↑ Popovič, A., Hackney, R., Tassabehji, R., & Castelli, M. (2018). The future imperative and the role of the business intelligence (BI) system in organisational decisions. Journal of Business Research, 90, 257-267.
- ↑ Eckerson, W. W. (2011). The secrets to a successful business intelligence program. Addison-Wesley.
- ↑ Olap Council. (2019). OLAP and Business Intelligence. Obtenido de http://www.olapcouncil.org/
- ↑ Kimball, R., & Ross, M. (2013). The data warehouse toolkit: The definitive guide to dimensional modeling (3.a ed.). Wiley.
- ↑ Inmon, W. H. (2005). Building the data warehouse (4.a ed.). Wiley.
- ↑ Davenport, T. H. (2014). Big data at work: Dispelling the myths, uncovering the opportunities. Harvard Business Review Press.
- ↑ Provost, F., & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O'Reilly Media.