1
Gerencia Contemporánea: Estrategias para la Sostenibilidad Financiera a través del Análisis de
Datos
Tonny de Jesús Rivero Doria
Seminario de Investigación I
Universidad Pontificia Bolivariana
Claudia Patricia Vélez Zapata
Marzo 3, 2024
2
[Link] del título.
El análisis y la ciencia de datos están generando una transformación global en industrias y
negocios al proporcionar una comprensión más precisa y profunda de los mercados y sus operaciones.
Por consiguiente, es esencial que los líderes empresariales fomenten la inversión y la formación en
nuevas tecnologías enfocadas en los datos y la información para identificar nuevas oportunidades de
crecimiento, prever tendencias y optimizar procesos que mejorarán la sostenibilidad financiera de las
organizaciones en el largo plazo.
3. Descripción del problema
La sostenibilidad financiera se refiere a la capacidad de una organización para mantener un
equilibrio entre sus ingresos y gastos, mantener su viabilidad y competitividad a largo plazo. Por ello, en
la actualidad, los gerentes deben considerarla como un componente primordial para garantizar la
supervivencia de la empresa y crear oportunidades para su éxito y desarrollo continuo (Villacreses,
Baque & Delgado, 2022). Del mismo modo, en un entorno cada vez más globalizado y digitalizado, la
gerencia contemporánea debe demostrar flexibilidad, adaptabilidad y visión estratégica al generar datos
e información que permitan evaluar y asegurar la rentabilidad de las compañías.
La analítica de datos ayuda a las empresas a tomar decisiones financieras más precisas y
eficientes, lo que contribuye a su sostenibilidad financiera a largo plazo. De acuerdo con Montoya y
Barbosa (2022) las bases de datos son extremadamente útiles porque permiten almacenar, organizar y
acceder a grandes volúmenes de información. A su vez, al comprender y utilizar ágilmente los datos, se
obtienen modelos de tendencias y la optimización de procesos que se pueden aplicar en distintas áreas
de la empresa. Adicionalmente, el hecho de mantener el flujo de información organizado contribuye a
eliminar la redundancia, conectar con clientes potenciales y anticipar futuros resultados en aspectos
claves como ventas, riesgo financiero y estrategias de marketing (Lemus et al, 2020).
3
La gestión efectiva de grandes volúmenes de datos, conocidos como Big Data, confiere a las
empresas una ventaja competitiva porque impulsa la innovación y facilita la expansión hacia nuevos
mercados. Según Camargo et al. (2015), el término "Big Data" se refiere a herramientas y
procedimientos que permiten manejar datos grandes y complejos que superan la capacidad de los
programas de software tradicionales. Por ende, el análisis de datos a gran escala es esencial para
desbloquear todo el potencial de la información disponible y potenciar la operación de los negocios.
León (2023) ilustró lo anterior en su estudio de caso: "El impacto de las capacidades de análisis de Big
Data en la innovación empresarial" en este, se realizó un análisis descriptivo y de correlación que evaluó
el efecto de las capacidades del análisis de macrodatos sobre el desempeño innovador de 91 pequeñas
empresas (Pymes) en la ciudad de Bogotá. Los resultados revelaron que las pymes que invirtieron en
nuevas herramientas de análisis de datos a gran escala y capacitaron a su personal, obtuvieron un
rendimiento innovador de 15.8% en los primeros 3 meses al reducir sus costos operativos y crear
estrategias teniendo en cuenta modelos predictivos. Además, les brindó a los gerentes la oportunidad de
liberar recursos para crear nuevos productos y expandir su actividad comercial.
El actual dinamismo de los negocios y los rápidos cambios en el consumo implican que las
empresas utilicen métodos de análisis de datos avanzados como la inteligencia artificial (IA) y el
Machine Learning (ML). Según Quinto et al (2021) la IA es la capacidad de los programas informáticos
para replicar la manera en la que el pensamiento humano realiza sus procesos de aprendizaje. Por su
parte, el ML se especializa en la valoración de patrones complejos en conjuntos de datos (Valverde,
2019). Es decir, mientras que el Big Data proporciona los datos, el ML se enfoca en los algoritmos que
permiten a la IA extraer conocimientos y tomar decisiones automatizadas. Para Jarrahi (2018), la
analítica de datos y la IA pueden ayudar a los gerentes a detectar anomalías al brindar información en
tiempo real sobre señales tempranas de problemas, propiciando la toma de acciones correctivas
4
oportunas. También, las tecnologías inteligentes construyen análisis predictivos, generan ideas frescas e
identifican relaciones entre factores, lo que proporciona un mayor control sobre clientes, activos y
operaciones (Quinto et al, 2021).
En el ámbito organizacional, los métodos analíticos son valorados por muchos negocios exitosos
dada su contribución para maximizar la eficiencia operativa. Por ejemplo, Amazon es una plataforma
líder en comercio electrónico, servicios en la nube, entretenimiento digital y tecnología. Esta compañía
usa la ciencia de datos para generar sistemas de aprendizaje automático que permiten ampliar su
actividad comercial, mejorar la experiencia de los consumidores, y optimizar su calidad logística
(Morales, 2021). Análogamente, posee Amazon Redshift, su propio almacén de datos y creó AWS un
programa que ofrece servicios de computación en la nube, incluyendo almacenamiento, bases de datos,
IA y ML. Este caso ejemplifica una expansión de mercado notable, considerando que comenzó en 1994
como una librería en línea y ahora es un líder global en el comercio electrónico y el desarrollo de nuevos
dispositivos y servicios de streaming digital como Alexa, Amazon Music y Prime Video. Según Morales
(2021) estas diversificaciones de Amazon no habrían sido posibles sin una inversión sólida en tecnología
e información, que le han permitido personalizar contenidos, detectar fraudes y continuar innovando en
valor.
La analítica de datos es un campo versátil y cualquier industria se puede beneficiar de su
implementación. En la actualidad, la ejecución de grandes volúmenes de información se está aplicando a
una amplia gama de actividades humanas, incluyendo la robótica, la visión artificial, el aprendizaje
académico y la medicina (Valverde, 2019). Conviene destacar el uso de esta disciplina en la mitigación
del riesgo financiero, en el cual, según Montoya y Yáñez (2022), la creación de bases de datos es
primordial para comprender y organizar los índices y balances contables históricos. Asimismo, Garcés
(2019) alega que todo gerente debe incentivar la creación de modelos predictivos de liquidez, solvencia,
gestión y rentabilidad para el estudio de créditos, fijación de precios y segmentación de clientes.
5
También es importante considerar sus efectos sobre la industria del marketing y la publicidad, dado que
el uso de herramientas de macrodatos como Google Analytics para comprender el comportamiento del
tráfico en la web, incluyendo estadísticas en tiempo real sobre las preferencias de los consumidores, son
aspectos necesarios que moldean las decisiones directivas y afectan la competitividad.
En síntesis, la analítica de datos es algo en lo que los gerentes deben invertir porque les permite
tomar decisiones estratégicas informadas y basadas en evidencia, lo que conduce a una mayor eficiencia
operativa al tener mejor comprensión del cliente, una optimización de recursos y una ventaja
competitiva. Además, invertir y capacitar a trabajadores sobre la analítica de datos fomenta la
innovación, mejora la toma de decisiones en tiempo real y fortalece la capacidad de la organización para
adaptarse a los cambios y tendencias emergentes en el mercado.
En última instancia, teniendo en cuenta los casos de éxito en cuanto a su uso se puede confirmar
que la analítica de datos es vital para el éxito actual de una empresa y para garantizar su sostenibilidad
financiera en el futuro.
4. Preguntas de investigación.
¿Cómo puede la analítica de datos contribuir a mantener la sostenibilidad financiera de las empresas?
¿Cuáles son las estrategias de inversión en analítica de datos más efectivas para que los gerentes puedan
propiciar la sostenibilidad financiera de las empresas?
6
5. Objetivo General
Analizar el impacto de las estrategias de analítica de datos en la sostenibilidad financiera y la
competitividad a largo plazo de las organizaciones mediante la investigación documental para proponer
prácticas orientadas a optimizar las capacidades de toma de decisiones, optimizar los recursos y mejorar
la eficiencia operativa en las empresas.
6. Objetivos Específicos
● Evaluar casos empresariales que sirvan de referente para evidenciar que el análisis de datos ha
sido fundamental en la identificación de oportunidades de mercado y la anticipación de cambios
en el entorno empresarial.
● Realizar una revisión comparativa de los diferentes enfoques y metodologías utilizados por las
organizaciones para implementar estrategias de analítica de datos.
● Elaborar recomendaciones prácticas y concretas para mejorar la toma de decisiones y la
eficiencia operativa en las empresas a través de la analítica de datos.
7. Marco Teórico
¿Qué es la analítica de datos?
De acuerdo con Treviño, Rivera y Garza (2020), el origen de la analítica de datos se remonta a la
necesidad de comprender al consumidor en términos de sus preferencias y comportamientos. La
conversión de estos aspectos cualitativos y cuantitativos en datos procesables y analizables ha sido el
7
núcleo central de la revolución digital que ha marcado el ámbito empresarial en los últimos años. Según
Coronado (2019), algunos autores consideran la analítica de datos como el proceso de examinar
conjuntos de información para descubrir patrones, tendencias y relaciones significativas que pueden
ayudar a tomar decisiones más informadas. Para Greiner (2011), el análisis de los datos puede incluir
funciones sencillas de consulta y elaboración de informes, análisis estadísticos, análisis
multidimensionales más complejos y minería de datos a través de algoritmos algebraicos.
Por su parte, Morales, Aguilar y Marín (2016) definen la analítica como el proceso de recopilar
datos fundamentales de las principales fuentes de información para su posterior procesamiento. Este
proceso tiene un impacto directo en la toma de decisiones estratégicas, en el funcionamiento en el
mercado y en la productividad de cualquier organización. En este sentido, para las empresas, el análisis
de datos representa un medio crucial para comprender e interpretar de manera precisa las necesidades de
los consumidores.
A su vez, Amini, Pusala, Katukuri, Xie y Raghavan (2016) clasifican el análisis de datos en tres
tipos principales: análisis descriptivo, análisis predictivo y análisis prescriptivo. El análisis descriptivo
sirve como etapa inicial en la que los responsables de la toma de decisiones profundizan en los datos
históricos para descubrir patrones de comportamiento en las variables mediante análisis de regresión o
estudios de correlación. El análisis predictivo consiste en comprender acontecimientos pasados para
generar modelos de previsión sobre tendencias o sucesos. Por último, el análisis prescriptivo permite a
las empresas desarrollar modelos de simulación, estrategias de optimización y modelos numéricos para
abordar diversas áreas de interés.
8
¿Cuáles son los beneficios que el Big Data y la analítica de datos avanzada ofrecen para mejorar la
toma de decisiones gerenciales?
La analítica de datos ha evolucionado hasta convertirse en una herramienta fundamental para las
empresas, ya que les permite comprender su estado presente y pasado, así como tomar decisiones
estratégicas acordes con sus objetivos futuros. Aunque estas prácticas han sido empleadas durante
mucho tiempo, la integración de tecnologías de la información como el Big Data y la IA han
simplificado el proceso, permitiendo el análisis de datos y facilitando la toma de decisiones en tiempo
real.
● Big Data.
Según Laynez (2017) el concepto de Big Data abarca un vasto conjunto de datos acumulados que
se procesan mediante una variedad de herramientas, facilitando la transformación y comprensión de esta
gran cantidad de información al extraer sus aspectos más significativos.
Similarmente, para Camargo et al (2015) el Big Data es la manipulación de grandes conjuntos de
datos que exceden la capacidad de programas de base de datos convencionales y que es fundamental en
el entorno empresarial dado que permite extraer información realmente valiosa.
De acuerdo con León (2023) las principales características del Big Data son el volumen,
variedad y velocidad:
● Gracias a esta técnica de análisis de datos se pueden analizar grandes cantidades de información.
Lo anterior es vital para una compañía porque el volumen es un reto importante en bases de datos
9
convencionales y es necesario tener acceso siempre a la información histórica, aunque esta sea
escalable y se actualice de forma continua.
● La velocidad es una característica crucial del Big Data porque se refiere a la capacidad de
procesar y analizar datos en tiempo real o de manera muy rápida (León, 2023). En entornos
empresariales y de toma de decisiones, la velocidad permite a las organizaciones responder de
manera ágil a eventos en curso, identificar tendencias emergentes, detectar anomalías o
problemas de manera inmediata. Al respecto Camargo et al (2015) consideran que el Big Data es
esencial para mantener la relevancia y utilidad de la información en un mundo donde la dinámica
del mercado y las condiciones pueden cambiar rápidamente.
● No todos los datos están estructurados de la misma manera y estos pueden venir en una variedad
de formatos y tipos, como texto, imágenes, videos, audios, datos geoespaciales, datos de redes
sociales, entre otros. Para León (2023) la capacidad del Big data al manejar esta diversidad de
datos, tanto estructurados como no estructurados, es esencial para obtener una comprensión
completa y precisa de los problemas y oportunidades que enfrenta una organización.
Adicionalmente (León, 2023) considera que la diversidad de datos permite una mayor
profundidad en el análisis, ya que la variedad de estos puede proporcionar perspectivas únicas
sobre un problema o situación. Por ejemplo, los datos de redes sociales pueden ofrecer
información sobre las opiniones y sentimientos de los clientes, mientras que los datos
transaccionales pueden revelar patrones de compra. Al integrar y analizar diversas fuentes de
información las organizaciones pueden obtener una imagen más completa y detallada de su
entorno operativo y la gerencia puede tomar decisiones más informadas y estratégicas.
10
● Machine Learning (ML)
Para Maisueche (2019) no hay una definición exacta de lo que es el ML, sin embargo, varios
autores lo describen como disciplina dentro del campo de la inteligencia artificial (IA) cuyo propósito es
crear algoritmos que posibiliten que las máquinas adquieran conocimiento y habilidades a través de la
experiencia. También, Hinestroza (2018) concibe al ML como la aplicación de la inferencia estadística
en entornos computacionales, dado que se basa en algoritmos que tienen la capacidad de aprender y
resolver problemas.
En síntesis, el funcionamiento del ML se basa en el uso de algoritmos y modelos matemáticos
que permiten a las máquinas aprender patrones y realizar predicciones o tomar decisiones sin ser
explícitamente programadas para cada tarea (Maisueche, 2019). Considerando lo expuesto por Centeno
(2020) en su trabajo “Big Data. Técnicas de Machine Learning para la creación de modelos predictivos
para empresas.” describe los siguientes beneficios del ML para las empresas:
● Predecir tendencias: a través del análisis de hábitos de compra, permite predecir qué productos
tendrán más demanda y cuándo será el momento adecuado para subir o bajar precios.
● Mejora la segmentación del público objetivo: los algoritmos de aprendizaje no supervisado
encuentran patrones en la información que recopilan las empresas sobre los consumidores.
11
● Mejora la segmentación de anuncios: Los algoritmos de ML pueden predecir qué contenidos
son más eficientes para cada público objetivo y hacer recomendaciones respecto a cada época del
año.
● Reducción de costos: el ML automatiza tareas repetitivas que ahorran capital humano y
optimiza tiendas en línea de acuerdo con los datos de navegación y flujo de clientes.
● Mejora la relación con el cliente: el ML ha permitido la creación de los “chatbox”, programas
de computadora diseñados para simular conversaciones con seres humanos a través de interfaces
de chat. Este tipo de herramientas permiten responder a los clientes siempre y recoger datos para
profundizar en el conocimiento del consumidor.
● Inteligencia Artificial (IA)
Suarez (2018) argumenta que la IA se centra en investigar y entender cómo los seres humanos
comprenden, perciben, resuelven problemas y toman decisiones, con el propósito de replicar estos
procesos utilizando la capacidad computacional. Por ende, las aplicaciones de la IA se enfocan
principalmente en emular actividades intelectuales humanas, es decir, replicar a través de máquinas,
usualmente electrónicas, la mayor cantidad posible de funciones mentales, y posiblemente potenciar las
capacidades humanas en estas áreas.
Similarmente, González, Estévez y Flores (2023) definen la IA como la habilidad de las
máquinas para emplear algoritmos, aprender de los datos y aplicar ese aprendizaje en la toma de
decisiones.
De acuerdo con su artículo, estos tipos de aprendizaje automático pueden ser:
12
● Aprendizaje supervisado: implica la realización de tareas específicas con datos que han sido
previamente organizados y etiquetados. Este enfoque demanda la intervención humana para
proporcionar retroalimentación.
● Aprendizaje no supervisado se fundamenta únicamente en la entrada de datos que no están
etiquetados u organizados de antemano. No necesita intervención humana, y la inteligencia
artificial debe encontrar formas de clasificar la información proporcionada.
● Aprendizaje profundo: se logra mediante el empleo de redes neuronales, las cuales están
estructuradas en capas para identificar patrones complejos.
Respecto al impacto de la IA en las empresas Valverde (2019) alega que su atractivo radica en su
costo, disponibilidad tecnológica, el conjunto de herramientas de desarrollo existentes y su probado
potencial, lo que la convierte en una disciplina con una influencia significativa en la industria y el
comercio. generado un gran interés entre los gerentes. En este sentido, la IA ha contribuido a la esfera de
cambios de la revolución tecnológica hasta el punto en que están desafiando los paradigmas
tradicionales sobre cómo se deben abordar las operaciones empresariales (Suarez, 2018).
Suárez (2018) demuestra el impacto de la IA sobre las empresas de e-commerce. Compañías de
gran envergadura como Facebook, Google, Amazon y Netflix están utilizando la IA en sus sistemas para
personalizar las recomendaciones de productos para cada cliente. Esta personalización se basa en
diversos datos como el historial de navegación, preferencias, fotos, películas y otros, lo que resulta en
beneficios como una experiencia de compra más eficiente y un aumento en las ventas al ofrecer
productos relevantes a cada usuario; aspectos clave que ha permitido que estas empresas tengan una
ventaja competitiva sobre la competencia.
13
Para Valverde (2019) el uso de la IA es imprescindible en las empresas porque de no utilizar esta
técnica de análisis de datos avanzada la competitividad puede debilitarse debido a que los empleados
tienen que realizar tareas que requieren análisis, investigación y comprensión de amplios conocimientos.
Estas actividades pueden consumir mucho tiempo y recursos financieros, lo que resulta en una
disminución de la eficiencia y la eficacia operativa de la organización (Valverde, 2019).
También, Sossa (2020) argumenta que, en la era del Big Data, las organizaciones se encuentran
con desafíos en la gestión de la información debido a la enorme cantidad de datos y la IA emerge como
una solución viable para organizar, categorizar y analizar eficazmente esta gran cantidad de información.
Otra ventaja de la IA para la empresa es la automatización. De acuerdo con Suarez (2018)
Cuando un proceso empresarial es repetitivo, sigue reglas simples y tiene un conjunto limitado de
resultados, la IA puede automatizarlo, eliminando la necesidad de intervención humana. De esta manera,
el personal solo necesitaría supervisar y mantener el sistema, liberando tiempo para actividades más
estratégicas. Además, la inteligencia artificial tiene el potencial de mejorar la toma de decisiones al
trabajar rápidamente con grandes volúmenes de datos de diversas fuentes (Suarez, 2018). Por ende, su
capacidad para proporcionar apoyo en tiempo real en la toma de decisiones es uno de sus principales
beneficios, razón por la cual tiene un amplio uso en diversos sectores comerciales.
Influencia de la analítica de datos en la inteligencia de negocios y la sostenibilidad financiera.
En la actualidad, la mayoría de las empresas cuentan con un sistema de información que apoya
una gran parte de sus operaciones diarias en el sector donde se desempeñan. Estos sistemas pueden tener
diferentes niveles de complejidad, ajustándose a las necesidades particulares de cada negocio, y con el
tiempo, acumulan un historial de la organización al almacenar datos que pueden ser utilizados para
respaldar las decisiones que deban tomarse (Gomez & Bautista, 2010).
14
De acuerdo con Gomez y Bautista (2010) la inteligencia de negocios se puede definir como la
capacidad de una empresa para tomar decisiones de manera efectiva. Esto se consigue empleando
metodologías, aplicaciones y tecnologías que posibilitan la recopilación, limpieza y transformación de
datos, así como la aplicación de técnicas analíticas para extraer conocimiento de ellos (Ramírez, Estrella
& Gárate, 2021).
Rikhardsson y Yigitbasioglu (2018) sugieren que la conexión entre la inteligencia empresarial y
el análisis de datos se entrelaza con el flujo contable de las empresas porque estas ajustan sus
operaciones para capitalizar las tecnologías y sistemas de información con el fin de establecer ventajas
competitivas. Por tanto, así como el proceso contable es vital para el control en una organización, la
inteligencia de negocios a través de la analítica de datos colabora con la presentación de informes
especializados que mejoran el desempeño y facilitan la toma de decisiones empresariales (Rikhardsson y
Yigitbasioglu, 2018).
Adicionalmente, la importancia de la analítica de datos para la inteligencia y sostenibilidad
empresarial ha sido un tema de estudio de reconocidas empresas de investigación y prestigiosas
instituciones educativas a nivel internacional:
● Un estudio llevado a cabo en Europa por Information Builders Ibéric (2008) reveló el costo
asociado a la ausencia de sistemas efectivos de toma de decisiones en las empresas. Según estos
hallazgos, el empleado promedio en Europa dedicaba aproximadamente 67 minutos al día en la
búsqueda de información dentro de la compañía, lo que representaba un 15.9% de su jornada
laboral. Para una organización de 1.000 empleados que gane unos 50.000 euros al día esto
equivale a 7,95 millones de euros al año de salario perdido. Por ende, se invitaba a las empresas a
15
implementar modelos avanzados de analítica de datos para optimizar procesos y mejorar el
rendimiento (Gómez et al, 2010).
● Una investigación realizada por la Escuela de Negocios Saïd en la Universidad de Oxford y el
International Business Machines Corporation (IBM) en 2012 descubrió que las compañías
emplean el Big Data para generar resultados orientados al cliente, aprovechar los datos internos y
establecer un entorno de información más eficaz. Al aplicar una encuesta a 1.144 profesionales
procedentes de 95 países y 26 sectores se obtuvo que el 63% de los participantes que utilizaron el
Big Data obtuvieron una ventaja competitiva para sus organizaciones (Moreno, 2014).
● Un estudio de caso más reciente como el Global State of Enterprise Analytics (2020) realizado
por MicroStrategy concluyen que la analítica de datos es importante para la inteligencia de
negocios y, por lo tanto, para el crecimiento empresarial (Zhang & Chen 2020). La investigación
realizada en 500 empresas con el fin de evaluar cómo el Big Data afecta sus operaciones arrojó
los siguientes resultados: el 64% de la muestra indicó que su aplicación mejoró la eficiencia y
productividad; 56% fue testigo de un aumento notable en la rapidez y efectividad en la toma de
decisiones; 51% reportó una mejora en su rendimiento financiero; 46% logró diversificar su
portafolio de productos y servicios; 44% potenció la satisfacción de sus clientes y 43% obtuvo
una ventaja competitiva.
La combinación de inteligencia empresarial y análisis de datos constituye un elemento crucial
para el éxito en entornos altamente competitivos, donde alcanzar el liderazgo en el mercado es un
desafío constante. Para autores como Fink, Yogev y Even (2017), la generación de valor facilitada por
la inteligencia empresarial está vinculada a los activos como el talento humano, las estrategias
16
empresariales y el valor comercial de los productos y servicios. No obstante, es fundamental que la
organización pueda asimilar y dominar las metodologías de inteligencia empresarial y análisis de datos
para avanzar de la generación de valor a la obtención de una ventaja competitiva (Ramírez et al, 2021).
Similarmente, para Lago y Cantero (2013), la digitalización de las empresas por sí sola no
asegura un respaldo efectivo para el proceso de toma de decisiones gerenciales. Es fundamental disponer
de un sistema que combine las herramientas informáticas necesarias, capital humano e inversiones que
prioricen la analítica de datos para garantizar decisiones acertadas a largo plazo (Lago & Cantero, 2013)
Las empresas generan vastas cantidades de datos que, por sí solos, carecen de utilidad para el
negocio. Estos datos se encuentran dispersos en diversas fuentes, carecen de coherencia y no son
fácilmente accesibles en tiempo real. Ante esta problemática, los gerentes impulsarán la sostenibilidad
financiera de su empresa recurriendo a la inteligencia de negocio fundamentada en la analítica de datos
para aprovechar al máximo la información y convertirla en conocimiento accionable que ayude a
mejorar el rendimiento y la eficiencia operativa.
8. Metodología
Esta investigación se basó en una revisión documental sistemática, utilizando Google Académico
como la herramienta inicial de búsqueda. Asimismo, se empleó una metodología cualitativa de carácter
exploratorio y descriptivo. En lugar de establecer relaciones entre variables, el objetivo fue describir
cómo la implementación de herramientas de analítica de datos afecta la sostenibilidad financiera y la
competitividad a largo plazo de las empresas.
17
Dado que se trata de un diseño de investigación cualitativo, el enfoque adoptado de esta
investigación es inductivo, y se fundamenta en la observación, el estudio y la experimentación de
eventos reales para llegar a conclusiones que abarcan los casos analizados. Es decir, no se sometieron a
prueba modelos o hipótesis.
Para llevar a cabo esta investigación, se establecieron criterios específicos para la búsqueda de
documentos y se diseñaron ecuaciones de búsqueda en Google Académico. Para encontrar artículos
académicos y libros que abordan directamente la implementación de herramientas de analítica de datos y
su impacto en la sostenibilidad empresarial se incluyeron términos en las ecuaciones de búsqueda como
"herramientas de analítica de datos", "sostenibilidad financiera" y "competitividad empresarial", así
como sinónimos y conceptos relacionados como "inteligencia de negocios", "Big Data", "Machine
Learning" e "Inteligencia Artificial". Se estableció un rango de tiempo entre los años 2000 y 2023 para
incluir investigaciones recientes y observar el avance de la temática a lo largo del tiempo, finalmente se
consideraron documentos en inglés y español para garantizar una amplia cobertura de la literatura
disponible.
Una vez recopilados los documentos, se procedió al procesamiento de los datos extrayendo
cuidadosamente información relevante de cada investigación, así como la identificación de patrones,
tendencias y relaciones entre los diferentes conceptos y hallazgos presentados en la literatura revisada.
Los datos se analizaron en profundidad para comprender mejor cómo la implementación de herramientas
de analítica de datos afecta la sostenibilidad financiera y la competitividad empresarial a largo plazo.
Referencias
Centeno Martín-Romero, A. (2020). Big Data. Técnicas de machine learning para la creación de
modelos predictivos para empresas.
18
Coronado Medina, L. A. (2019). Analítica de datos: un estudio de caso de su uso para identificar
riesgos estratégicos en grandes compañías de Medellín.
Camargo-Vega, J. J., Camargo-Ortega, J. F., Joyanes-Aguilar, L. (2015). Conociendo big data.
Revista Facultad de Ingeniería, 24(38), 63-77.
Fink, L., Yogev, N., & Even, A. (2017). Business intelligence and organizational learning: An
empirical investigation of value creation processes. Information & management, 54(1), 38-56.
González, Á. R. P., Estévez, C. J. V., & Flores, E. R. S. (2023). Inteligencia artificial como
estrategia de innovación en empresas de servicios: Una revisión bibliográfica. Revista
Publicando, 10(38), 74-82.
Greiner, L. (2011). What is Data Analysis and Data Mining. Data Base Trends and Applications.
Hinestroza Ramírez, D. (2018). El Machine Learning a través de los tiempos, y los aportes a la
humanidad.
Gómez, A. A. R., & Bautista, D. W. R. (2010). Inteligencia de negocios: Estado del arte.
Scientia et technica, 1(44), 321-326.
Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in
organizational decision making. Business Horizons, 61(4), 577–586.
[Link]
19
León García, O. A. (2023). Impacto de las capacidades de análisis de big data en la innovación
empresarial. Ingeniería y competitividad, 25(2).
[Link]
Lemus et al, D. (2020). Ciencia de datos y estudios globales: aportaciones y desafíos
metodológicos. Revista Uniandes, 41-62. doi:[Link]
Laynez Quirós, M. (2017). Estudio del Big Data. (Trabajo Fin de Grado Inédito). Universidad de
Sevilla, Sevilla.
Lago, E. V., & Cantero, L. M. G. (2013). Sistema de inteligencia de negocios para el apoyo al
proceso de toma de decisiones. Revista Ingeniería UC, 20(3), 25-34.
Montoya Suárez, E., & Yáñez Barbosa, D. Y. (2022). Analítica de datos: Una tendencia para la
toma de decisiones empresariales en las organizaciones.
Morales, C. A. (2021). La Inteligencia Artificial en empresas peruanas e impactos laborales en
los trabajadores. Iberoamerican Business Journal, 5(1), 83-105.
Maisueche Cuadrado, A. (2019). Utilización del Machine Learning en la industria 4.0.
Morales, M. D. O., Aguilar, L. J., & Marín, L. M. G. (2016). Los desafíos del marketing en la era
del big data. E-Ciencias de la Información, 1-31.
Moreno, J. P. (2014). Una aproximación a Big Data. Revista de Derecho de la UNED
(RDUNED), (14), 471-506.
20
Pusala, M., Amini, M., Katukuri, J., Xie, Y., & Raghavan, V. (2016). Massive Data Analysis:
Tasks, Tools, Applications, and Challenges. En S. Pyne, P. Rao & S. Rao (eds.). Big Data Analytics, pp.
11-40. Nueva Delhi: Springer.
Quinto, N. M. D., Villodas, A. J. C., Montero, C. P. C., Cueva, D. L. E., & Vera, S. A. N. (2021).
La inteligencia artificial y la toma de decisiones gerenciales. Revista de Investigación Valor Agregado,
8(1), 52-69.
Ramírez, E. B., Estrella, C. W. G., & Gárate, S. K. S. (2021). La inteligencia de negocios y la
analítica de datos en los procesos empresariales. Revista científica de sistemas e informática, 1(2), 38-
53.
Rikhardsson, P., & Yigitbasioglu, O. (2018). Business intelligence & analytics in management
accounting research: Status and future focus. International Journal of Accounting Information
Systems, 29, 37-58.
Sossa Azuela, J. H. (2020). El papel de la inteligencia artificial en la industria 4.0.
Suarez Prieto, J. E. (2018). Los beneficios de la inteligencia artificial en el sector empresarial
(Doctoral dissertation, Universidad Santo Tomás).
Treviño-Reyes, R., Rivera-Rodríguez, F. S., & Garza-Alonso, J. A. (2020). La analítica de datos
como ventaja competitiva en las organizaciones. Vinculategica Efan, 6(2), 1063-1074.
Villacreses, T. L. M., Baque, W. M. D., & Delgado, A. M. D. (2022). Modernización de las
empresas: Importancia para la sostenibilidad financiera económica. Dominio de las Ciencias, 8(3), 40.l
21
Valverde Bourdié, S. (2019). Aplicaciones de la inteligencia artificial en la empresa.
Zhang, C., & Chen, Y. (2020). A review of research relevant to the emerging industry trends:
Industry 4.0, IoT, blockchain, and business analytics. Journal of Industrial Integration and
Management, 5(01), 165-180.
