You are on page 1of 5

Tal y como lo describi Mintzberg desde 1987, una estrategia se puede definir como un plan

de accin que requiere la toma de decisiones, basado en el uso eficiente de los recursos
disponibles. En este sentido, existen diversas preguntas fundamentales que toda organizacin
debe responder: quines son los clientes a los que nos debemos dirigir?, qu productos y
servicios debemos incluir en nuestro portafolio?, qu posicin nica nos conviene tomar
dentro del mercado?, qu procesos nos ayudan a diferenciarnos de nuestra competencia?
Sin un contexto estratgico, una organizacin no puede decidir en qu datos, informacin y
anlisis enfocarse, ni cmo manejar o sacar provecho de los mismos. Por esta razn, el
valorar la toma de decisiones basada en datos es crtica para el xito de las organizaciones en
el mundo actual.
En una organizacin, los participantes en el AMDPTD pueden realizar tres tareas
fundamentales: producir datos e informacin, consumirlos o habilitar la creacin de los mismos
(Chandles, Hostmann, Rayner & Herschel, 2011). El marco presentado se enfoca en tareas en
lugar de roles que la gente puede representar. Mientras producir se refiere a tareas realizadas
por analistas que definen y ejecutan el anlisis, consumir indica la utilizacin del anlisis para
la toma de decisiones. Habilitar incluye todas las tareas de tecnologa de informacin
tradicionales que se requieren para realizar el anlisis y la toma de decisiones.
Diversas tecnologas son necesarias para apoyar tres tipos de capacidades fundamentales en
el AMDPTD: decisin, anlisis e informacin. Las capacidades de decisin se refieren a
herramientas que apoyan la entrega de informacin utilizada para la toma de decisiones,
como reportes y tableros de control. Estas herramientas no son slo una representacin virtual
de los conocimientos sino tambin la colaboracin necesaria para la toma de decisiones. Las
capacidades de anlisis se refieren al portafolio de metodologas y herramientas de anlisis, e
incluyen herramientas que apoyan las consultas adecuadas tradicionales: estadstica
inferencial, anlisis predictivo, simulacin y optimizacin, apoyando el anlisis descriptivo,
diagnstico, predictivo y prescriptivo. Finalmente, las capacidades de informacin se refieren a
las tecnologas que ayudan a describir, organizar, integrar y compartir activos de informacin.

AMDPTD: Por qu ahora?


Aunque se considera que el anlisis de grandes datos indica un parteaguas de cambio e
innovacin, en realidad este fenmeno se ha estado desarrollando en las ltimas dcadas.
Sus aplicaciones en diferentes reas como finanzas, cadena de suministro, y mercadotecnia
donde se trabajan grandes cantidades de datos han estado en uso por muchos aos
utilizando tcnicas estadsticas y algoritmos desde mediados del siglo XX. Lo que lo hace
diferente hoy en da es la gran cantidad de oportunidades y lo prctico que es explotarlas
gracias a la gran rapidez de las computadoras en procesar grandes cantidades de datos con
cada vez menos tiempo, poder y la reduccin del costo de los aparatos de almacenaje masivo;
la extensiva red para la transmisin de datos en internet; y la disponibilidad de software

poderoso, econmico y amigable con el usuario para el anlisis. Estos facilitadores de la


revolucin analtica han creado nuevas capacidades e inclusive generado nuevas empresas.
El surgimiento de negocios de anlisis como un tema en las reuniones de la agenda de Csuite ha resultado gracias a la convergencia de varias tendencias. En primer lugar se
encuentra la disponibilidad de grandes cantidades de datos (Manyika et al., 2011). En el
congreso Techonomy Conferece en Lake Tahoe en el 2010, el CEO Eric Schmitt dio esta
famosa perspectiva de los datos: Desde la creacin de la civilizacin hasta el 2013 se crearon
5 exabytes de informacin, pero actualmente esa cantidad de informacin es creada cada dos
das y el paso est aumentando (Kirkpatrick, 2010). Adems, existe un creciente
entendimiento de los datos como un recurso valioso (Levitin & Redman, 1998) y que debe ser
manejado como un aliado (Laney, 2011).
En segundo lugar, el crecimiento de la gestin del rendimiento empresarial en las ltimas
cinco dcadas ha ayudado a crear una conexin ms slida entre la estrategia de negocios y
los datos. La medicin del rendimiento de los negocios ha sido una parte integral del manejo
de una empresa (Bamard, 1962). En los 50s, General Electric con su proyecto de medicinfue el primero en usar figuras financieras para planear en lugar de controlar (Neely, 1999). Los
90s trajeron un reconocimiento creciente sobre usar un conjunto ms amplio de indicadores
en lugar de solo usar medidas financieras (Eccles, 1991).
Tradicionalmente las medidas financieras eran vistas a corto plazo, sin enfoque estratgico y
que alentaban la optimizacin local. Con el nfasis en las cuatro perspectivas -financiera, de
los clientes, proceso interno, aprendizaje y crecimientoKaplan and Norton (1992) sugirieron
que su cuadro de mando integral presentaba un enfoque de gestin del rendimiento
empresarial que traduca estrategias de alto nivel a un concreto conjunto de datos. As, las
medidas tambin pueden fomentar la implementacin de estrategia. (Neely, Mills, Platts,
Gregory, & Richards, 1994). El rea del manejo de rendimiento de negocios ha sido
examinada en casi todas las disciplinas de la gestin incluyendo, contabilidad, (Bromwich &
Bhimani, 1989), estrategia de negocios (Chakravarthy, 1986) manejo de operaciones (Neely,
Gregory & Platts, 1995) mercadotecnia (Fomell, 1992) y comportamiento organizacional
(Meyer & Gupta 1994).
Como resultado de una gran corriente de previa investigacin, las organizaciones ahora
pueden tomar una mejor decisin acerca de cul de las medidas de rendimiento adoptar y
monitorear y cmo manejar el rendimiento total del sistema de gestin, adems de habilitar el
aprendizaje sobre con el tiempo facilitado por la memoria organizacional apoyada por
medidas.
En tercer lugar, la comprensin de que las decisiones basadas en hechos son ms necesarias
en cada nivel de la organizacin ha resultado en el surgimiento de anlisis personal e
inteligencia en los negocios (Imhoff, & White, 2011) El acceso a grandes bases de datos y el

uso de herramientas amigables ha contribuido a la revolucin del anlisis que est sucediendo
actualmente.
En cuarto lugar, las tcnicas avanzadas de anlisis han sido incorporadas en sistemas a nivel
empresarial, convirtiendo incluso a los algoritmos ms sofisticados, algoritmos posibles de
analizar. Por supuesto que otro de los principales impulsores del fenmeno de los anlisis de
negocios ha sido el gran decreciente costo por nivel de desempeo de tres informaciones
claves de tecnologa: potencia de la informtica, almacenaje de datos y la banda ancha. La ley
de Moore contina operando en el poder de la informtica primaria con un costo de $222 por
milln de transistores rechazados en 1992 a $0.06 por milln de transistores en el 2012. El
almacenaje de datos ha seguido un curso similar decreciendo de $569 por gigabyte de
almacenaje en 1992 a $0.03 por gigabyte en 2012. El precio de las transmisiones tambin ha
bajado, de $1,245 por 1,000 megabits por segundo (MBPS) en 1999 a $23 por 1,000 Mbps en
2012 (Hagel, Brown, Samoylova, & Lui, 2013).

AMDPTD: Qu sigue?
La aplicacin del anlisis a los problemas en los negocios es una etapa prematura del
desarrollo de difusin. Las oportunidades del uso de la informacin como aliados activos para
mejorar los ingresos, reducir los costos, y el manejo de riesgos abundan y estas aplicaciones
seguirn creciendo. Por ejemplo, desde hace tiempo se ha reconocido que el cross-selling y el
up-selling a clientes actuales es ms rentable que encontrar a nuevos clientes. Instituciones
financieras, estn usando cada vez ms data mining para descubrir las tendencias y
comportamientos de sus clientes, con el propsito de entender mejor las necesidades futuras.
Por lo tanto los modelos predictores de anlisis estn siendo desarrollados para ajustarse a
las recomendaciones correctas con los segmentos de clientes correctos. Una gran rea para
el anlisis se encuentra en la reduccin de costos. En algunos casos, el camino a menores
costos involucra intercambios entre fuerzas opuestas. Por ejemplo la obtencin de
operaciones en corporaciones normalmente lleva al pago temprano a los proveedores para
obtener ventaja en los descuentos. Al mismo tiempo, los administradores financieros trataran
de retener el mayor tiempo posible. Se puede encontrar un balance ptimo entre la
optimizacin del anlisis junto con medidas cuidadosas.
Empezando con las aplicaciones ms antiguas en los 50s, el anlisis ha jugado un papel
importante en la deteccin y proteccin de fraude. Actividades financieras fraudulentas son
difciles de detectar cuando tienen capas o diferentes formas y diferentes bases de datos. Sin
embargo, un anlisis forense ms sofisticado est siendo desarrollado para descubrir
irregularidades en transacciones financieras, automatizando lo que an es una labor intensiva
y comnmente un proceso de suerte.

Extrapolando de tendencias actuales, los siguientes desarrollos en el anlisis de los negocios


que pueden ser llamados de una forma diferente en el futuro- incluirn aplicaciones
adicionales usando datos sin estructura de videos, imgenes, y sonido; esto comprende una
vasta mayora de la informacin guardada digitalmente. El anlisis muy probablemente se
mover a la nube ya que la actual preocupacin de seguridad privacidad se haya superado.
Plataformas mviles para el consumo del anlisis estn empezando a ser usadas, y esta
tendencia continuar indudablemente. El anlisis ha sido aplicado ms all de las reas
tradicionales de finanzas y mercadotecnia, a todas las reas que funcionan virtualmente en los
negocios. Por ejemplo, una tendencia emergente es el uso del anlisis en los recursos
humanos para trata con problemas emergentes, beneficios de optimizacin y manejo, plan de
sucesin, e incluso entrenamiento.

Referencias:
Acito, F., & Khatri, V. (2014). Business analytics: Why now and what next? Business
Horizons, 57(5), 565-570.
Gantz, J., & Reinsel, D. (2011, June). Extracting value from chaos. Recuperado de
http://www.emc.com/collateral/ analyst-reports/idc-extracting-value-from-chaos-ar.pdf
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., et al. (2011). Big data:
The next frontier for innovation, competition, and productivity. Recuperado de
http://www.mckinsey.com/insights/business_technology/
big_data_the_next_frontier_for_innovation
Davenport, T. H., & Patil, D. J. (2012). Data scientist: The sexiest jobofthe 21st
century. HarvardBusiness Review,90(10), 7076.
Mintzberg, H. (1987). The strategy concept I: Five Ps for strategy. California Management
Review, 30(1), 1124
Davenport, T. H., Harris, J. G., DeLong, F. W., & Jacobson, A. L. (2001). Data to knowledge to
results: Building an analytic capability. California Management Review, 43(2), 117138.
Weill, P., & Ross, J. W. (2004). IT governance: How top performers manage IT decision rights
for superior results. Boston: Harvard Business School Press
Neely, A. (1999). The performance measurement revolution: Why now and what
next? International Journal of Operations and Production Management, 19(2), 205228.
Drucker, P. F. (1990). The emerging theory of manufacturing. Harvard Business Review, 68(3),
94102.

Chandler, N., Hostmann, B., Rayner, N., & Herschel, G. (2011, September 20). Gartners
business analytics framework. Retrieved from http://www.gartner.com/imagesrv/
summits/docs/na/business-intelligence/gartners_business_ analytics__219420.pdf
Eccles, R. G., Jr. (1991). The performance measurement manifesto. Harvard Business
Review, 69(1), 131137.
Kirkpatrick, M. (2010, August 4). Google CEO Schmidt: People arent ready for the technology
revolution.Recuperado de http://readwrite.com/2010/08/04/google_ceo_schmidt_
people_arent_ready_for_the_tech#awesm=oCVcaSZEJssOa4
Levitin, A. V., & Redman, T. C. (1998). Data as resource: Properties, implications, and
prescriptions. Sloan Management Review, 40(1), 89102.
Barnard, C. I. (1962). The functions of the executive. Cambridge, MA: Harvard University
Press.
Kaplan, R. S., & Norton, D. P. (1992). The balanced scorecard measures that drive
performance. Harvard Business Review, 70(1), 7179.
Neely, A. D., Mills, J., Platts, K., Gregory, M., & Richards, H. (1994). Realising strategy through
measurement.International Journal of Operations and Production Management, 14(3), 140
152.
Bromwich, M., & Bhimani, A. (Eds.). (1989). Management accounting: Evolution not
revolution. London: Chartered Institute of Management Accountants.
Chakravarthy, B. S. (1986). Measuring strategic performance. Strategic Management
Journal, 7(5), 437458.
Neely, A. D., Gregory, M., & Platts, K. (1995). Performance measurement system design: A
literature review and research agenda. International Journal of Operations and Production
Management, 15(4), 80116.
Fornell, C. (1992). A national customer satisfaction barometer: The Swedish
experience. Journal of Marketing, 56(1), 621.
Meyer, M. W., & Gupta, V. (1994). The performance paradox. In B. M. Staw & L. L. Cummings
(Eds.), Research in organizational behavior (pp. 309369). Greenwich, CT: JAI Press.
Imhoff, C., & White, C. (2011, September 20). Self-service business intelligence: Empowering
users to generate insights.
Hagel, J., Brown, J. S., Samoylova, T., & Lui, M. (2013). From exponential technologies to
exponential innovation.Westlake, TX: Deloitte University Press.