![](3D"24Articuloalexalta_archivos/image025.gif")
Plataformas de
visualización de datos e indicadores financieros y de gestión=
Data visualization platforms and financial and
management indicators
Margarita Alejandra Aucancela=
Guamán[1].,
Jimena Catalina Viteri Ojeda,[2]
& Christián Andrés Castro Vit=
eri.[3]
Recibido: 18-04-2019 / Revisado: 15-05-2019
/Aceptado: 14-06-2019/ Publicado: 05-07-2019
Abstract: =
&nb=
sp; =
=
DOI:
The curre=
nt
research has got as objective to provide a real and specific scene about
potential platforms on data visualization and at the same time to establish
which ones are the financial indicators and of management which let them to
generate these novel tools by=
hence
it is presented some info compilation got as a result from an exhaustive
bibliography research in different scientifically basis of high impact, rep=
orts
about consulting enterprises and the marketing research about the new
technologies related to the business intelligence getting to present the
principal aspects from these info
software and their apportion
under reports which get easier the enterprises development getting
Keywords: Data
Visualization, Indicators, Technology, Platforms, Decisions
Resumen:
La
presente investigación tiene como objetivo el brindar un panorama re=
al y
concreto de las potencialidades de las plataformas de visualización =
de
datos y a la vez determinar cuales son los
indicadores financieros y de gestión que permiten generar estas
novedosas herramientas; para ello se presenta un compe=
dio
de información obtenida como resultado de una investigación b=
ibliográfica
exhaustiva en diferentes bases científicas de alto impacto, informes de empresas de
consultoría y de investigación del mercado de las nuevas
tecnologías de la información en relación con la intel=
igencia
de negocios, logrando presentar los principales aspectos de estos sistemas
automatizados de información y su aporte en la generación de
reportes que faciliten el desarrollo de los procesos empresariales, permiti=
endo
una rápida toma de decisiones, lo que repercute directamente en la
competitividad de las organizaciones, esencial en una época donde la
rapidez y la eficiencia marcan la diferencia entre el éxito o el
fracaso.
Palabras
claves: Visualización de Datos, Indicadores,
Tecnología, Plataformas, Decisiones
Introducción
La gestión=
en
el manejo de datos en el mundo, ha dinamizado la realización de los
procesos necesarios para la toma de decisiones en cualquier
organización, gracias al empleo de las Tecnologías de la
Información y Comunicación (TICS), lo que ha permitido
identificar 4 tendencias marcadas en el sector financiero (Kokina,
Pachamamova & Corbett<=
/span>,
2017):
·
Los márgenes de beneficio de la industria banc=
aria
se han visto penalizadas debido las bajas tasas de inflación y reduc=
idos
tipos de interés lo que ha desembocado en una coyuntura
macroeconómica caracterizada por un crecimiento débil, bajas
tasas de inflación y reducidos tipos de interés
·
Se hace necesario el establecimiento de reglas global=
es
con miras al fortalecimiento de gobiernos corporativos, protección d=
el
consumidor, prevención del fraude, estandarización de
información, entre otros.
·
La excelencia en el servicio es fundamental ya que ca=
da
vez más clientes presentan una mayor cultura financiera y
tecnológica.
·
El desarrollo de nuevos modelos de negocios y
especialmente la entrada de nuevos competidores que impactan en el statu qu=
o.
Estas
tendencias ponen en evidencia la creciente necesidad de una mayor eficienci=
a en
el uso de la información, permitiendo el ingreso en el sector financ=
iero
y administrativo a la Inteligencia de Negocios (BI por su sigla en
inglés) que tiene como principal objetivo encontrar patrones y
tendencias en datos procesados, analizados y/o visualizados (Prabhu, 2018).
Para
una organización de cualquier tipo, la BI actúa como un factor
estratégico al facilitar la generación rápida y confia=
ble
de información privilegiada, lo que genera una innegable ventaja
competitiva al momento de responder a las necesidades y requerimientos en e=
l sector
financiero la gestión empresarial, en el análisis especialmen=
te
de ventas cruzadas, análisis de ventas, segmentación de clien=
tes,
detección de fraude, optimización de logística (Murillo
& Cáceres, 2013).
El presente trabajo, pretende destacar la importan=
cia
y utilidad que poseen las plataformas de visualización de datos, las
mismas que son utilizadas para la generación de indicadores financie=
ros
y de gestión, como pilares fundamentales para una adecuada toma de
decisiones, por lo cual es importante conocer ¿Qué es la
visualización de datos?, ¿Cuáles son las técnic=
as
de visualización de datos?, ¿Cuáles son los componente=
s de
las plataformas de visualización de datos?, ¿Cómo apor=
tan
las plataformas de visualización de datos a la toma de decisiones?,
¿Cuál es la relación entre plataformas de
visualización de datos e inteligencia de negocios?, ¿Qu&eacut=
e;
indicadores financieros y de gestión se pueden obtener con las
plataformas de visualización de datos?
Metodología
Para el desarrollo
del presente trabajo de investigación se combinaron la
metodología de investigacion de tipo cua=
litativo
(Sampieri, 2010) y el mapeo
sistemático de literatura (Petersen, 2015), de donde surgieron las
preguntas base de la presente investigación sobre las plataformas de
visualización de datos, sus prestaciones técnicas, su
relación con BI y la generación de indicadores financieros y =
de
gestión.
Para la
inmersión inicial en el campo y la concepción del diseñ=
;o
del estudio, se definió la cadena de búsqueda en internet: data visualizatio=
n
platforms and financial and
management indicators,
para una revisión sistémica, específicamente en bases =
de
datos científicas que se especializan en la publicación de
artículos de alto impacto, dando como resultado que en Springer se
encontraron 44, en ScienceDirect, 28, en IEEE =
no se
encontró ni un solo artículo y en ACM se encontraron 12.
A continuaci&oacu=
te;n,
se aplicaron criterios de inclusión y exclusión, considerando
únicamente los artículos publicados a partir del año 2=
015,
enfocados al área financiera y de gestión, que integren conce=
ptos
de inteligencia de negocios y visualización de datos. Como resultado=
de
este proceso se obtuvieron 10 artículos, los cuales aportaron para
responder a las interrogantes planteadas en la investigación.
Además, se utilizaron fuentes bibliográficas como informes de
empresas de consultoría e investigación del mercado de las
Resultados
¿=
;Qué
es la visualización de datos?
La
visualización de datos es una gráfica o un método visu=
al
de presentación de datos. En el contexto de la inteligencia de negoc=
ios,
se lo puede llamar visualización de datos comerciales o
información empresarial. La visualización de datos es la
exploración visual, interactiva y gráfica de la
representación de datos de cualquier tamaño, tipo u origen. L=
os
propósitos de visualización de datos son múltiples, que
van desde una comprensión general de las ideas hasta informaci&oacut=
e;n
de apoyo. Los objetivos de visualización de datos comerciales se cen=
tran
en la búsqueda de información humana y los comportamientos de
toma de decisiones, particularmente en dos objetivos generales: la
visualización de métricas para una comprensión
fácil y rápida de los datos e información que facilita=
la
toma de decisiones y la forma visual e interactiva de explorar los datos,
utilizando diagramas y gráficos mediante la aplicación de
técnicas de interfaz (back-end) que faci=
litan
el trabajo por parte del usuario final.
La visualización de datos es la
formación de un proceso concreto y directo. Una imagen perceptible p=
or
la visión en la mente humana utilizando una combinación de
elementos visuales, formas y diferentes variables como color, posició=
;n,
etc. El poder visualizar facilita el entendimiento de las cosas que nos rod=
ean
que incluyen cuatro tipos de realidades:
1. Vi=
sible de
las personas como mundo y naturaleza.
2. Oc=
ulta que
normalmente no está a la vista como el núcleo de la tierra,
sangre, universo.
3. In=
visible
pero que es innegable su existencia como el viento, aire, calor,
electrón, sonido, olfato.
4. Ab= stracta o intangible como datos, idea, jerarquía, proceso, relación.<= o:p>
Los expertos en desarrollo de plataformas de visualización de datos son capaces de ocultar toda la complejidad y el arduo trabajo que implica el permitir visualizaciones elegantes, bien diseñadas y fáciles = de realizar. Para los profesionales de la inteligencia de negocios y de análisis de negocios, el comunicarse tan eficazmente en formas visua= les como lo hacen con sus habilidades de comunicación verbal y escrita es una necesidad cada vez más creciente (TDWI, 2018), así como el facilitar la interpretación de patrones de datos mediante unidades de información resumidas que incluyen atributos y/o variables, lo que se constituye en una de las mayores bondades de la visualización de datos (Bih-Ru Lea, 2018), = es también de vital importancia el cómo presentar sus datos, a l= as personas adecuadas, en el momento adecuado, permitiendo que la información obtenida sea más eficaz (Marr, 2017).<= o:p>
En general, la visualiza=
ción
de datos está diseñada para decodificar y presentar datos
complejos en un formato gráfico o pictórico que permite al
responsable de la toma de decisiones comprender claramente conceptos y/o id=
eas
difíciles. Su filosofía subyacente es "una imagen vale
más que mil palabras".
¿=
;Cuáles
son las técnicas de visualización de datos?
Las técnicas de
visualización se sustentan en las teorías de
visualización, las mismas que postulan que las plataformas de
visualización amplían las
capacidades cognitivas humanas, permitiendo al ser humano obtener una mayor conocimiento a partir de la percepción
visual de los datos (Assadi, 2016). Entre las
técnicas más importantes que priorizan las actividades y
administran el crecimiento de las organizaciones son (=
Dilla,
2015):
·
Arboles de decisión: Es un método
analítico que permite la representación de las alternativas
facilitando la toma de mejores decisiones, en especial cuando existen riesg=
os, costos,
beneficios, y múltiples opciones.
·
Agrupación de datos: Organiza ascendentemente =
los
datos recogidos y muestra la cantidad de veces en que se genera un elemento=
o
valor (Frecuencia).
Un=
a parte
crítica del análisis y las comunicaciones de negocios es sin =
duda
la visualización de datos. Sin visualización, los
números y las estadísticas son difíciles de interpreta=
r e
incomprensibles para muchos, lo que se requiere es convertir los datos en
conocimiento. Si bien la visualización de datos ayuda a generar vistas
útiles de situaciones específicas, estas podrían resul=
tar
engañosas al no facilitar la generación de datos que compleme=
nten
el entendimiento de la situación.
La=
llegada
de Big Data, con el aumento del volumen y la velocidad de los datos, requie=
re
de la visualización como una técnica para comprimir grandes
volúmenes de datos en presentaciones digeribles, que permitan observ=
ar
la transmisión de datos en movimiento. Es importante reconocer la
facilidad de uso que brindan estas plataformas, para administrar e implemen=
tar
informes, crear, consumir e interactuar con el contenido, así como el
atractivo visual y la integración del flujo de trabajo.
Los objetivos de crecimi=
ento
de la empresa reciben un gran soporte mediante la utilización de las
plataformas de visualización de datos ya que permiten diseñar=
un
sistema de gestión del rendimiento que se alinee con los objetivos de
crecimiento empresariales (Kokina, Pachamamova &=
Corbett, 2017),
contribuyendo a generar información vital para la toma de decisiones=
, gracias
a que se puede realizar (Marr, Forbes, 2016):
· Experimentos de Negocios: La
aplicación del diseño experimental y de las pruebas A/B para
probar la validez de una hipótesis
estratégica, un nuevo paquete de productos o incluso un enfoque de
marketing, son de vital importancia ya que se trata de probar algo en una
sección o departamento de la organización y luego compararlo con otro en el q=
ue
no se realizaron los cambios (utilizados como grupo de control), si se tiene
entre dos o más opciones entre las cuales decidir, resulta en verdad=
muy
útil.
· Analítica
visual: Los datos se pueden analizar de diferentes maneras y la forma
más sencilla es crear una imagen visual o gráfica y observarla
para detectar patrones. Este es un enfoque integrado que combina el
análisis de datos con la visualización de datos y la
interacción humana. Es especialmente útil cuando se inte=
nta
dar sentido a un gran volumen de datos.=
· Análisis =
de
correlación: Es una técnica estadística que permite
determinar si existe una relación entre dos variables separadas y
qué tan fuerte puede ser esa relación. Es más
útil cuando se "sabe" o se sospecha que existe una
relación entre dos variables y se desea comprobar esa suposici&oacut=
e;n.
· Análisis =
de
regresión: Es una herramienta estadística para investigar la
relación entre variables; por ejemplo, ¿existe una
relación causal entre el precio y la demanda del producto?.
Puede utilizarse si se cree que una variable está afectando a otra y=
se
desea establecer la hipótesis como verda=
dera.
· Análisis =
de
escenarios: También conocido como análisis de horizonte o
análisis de rendimiento total, es un proceso analítico sobre =
una
variedad de posibles eventos o escenarios futuros al considerar posibles
resultados alternativos. Se lo utiliza cuando no se está seguro=
de
qué decisión tomar o qué curso de acción seguir=
.
· Predicció=
n/análisis
de series de tiempo: Los datos de series de tiempo son datos que se
recopilan a intervalos espaciados uniformemente, el análisis de seri=
es
de tiempo explora estos datos para extraer estadísticas significativ=
as o
características de datos. Es útil cuando se desee evaluar
cambios a lo largo del tiempo o predecir eventos futuros en función =
de
lo que sucedió en el pasado.=
· Minería de
datos: Es un proceso analítico diseñado para explorar datos
dentro de un gran volumen de datos, es también conocidos como 'big data', se utiliza para buscar información,
patrones o relaciones comercialmente relevantes entre las variables que pue=
den
mejorar el proceso de toma de decisiones.
· Análisis =
de
sentimientos: El análisis de sentimientos, también conoc=
ido
como minería de opiniones, busca extraer opiniones subjetivas o
sentimientos de datos de texto, video=
o audio, el
objetivo básico es determinar la actitud de un individuo o grupo con
respecto a un tema particular o contexto general.
· =
Análisis de texto: También conocido como minería=
de
texto, el análisis de texto es un proceso de extracción de va=
lor
de grandes cantidades de datos de texto no estructurados. Puede ser us=
ado de
varias formas, incluida la recuperación de información, el
reconocimiento de patrones, el etiquetado y la anotación, la
extracción de información, la evaluación de sentimient=
os y
el análisis predictivo.
· =
Análisis de imágenes: El análisis
de imágenes es el proceso de extracción de
información de imágenes como fotografías, imáge=
nes
médicas o gráficos. Este proceso, se basa en gran medida=
en
el reconocimiento de patrones, la geometría digital y el procesamien=
to
de señales. El análisis de imágenes se puede util=
izar
de varias maneras, como por ejemplo el reconocimiento facial.
· =
Análisis de video: Es el proceso de extracción de
información, significado y perspectivas de las secuencias de
video. Incluye todo lo que el análisis de imágenes puede
hacer y también puede medir y rastrear el comportamiento. Puede
usarlo si desea saber más sobre quién visita su tienda o loca=
l y
qué está haciendo cuando llega allí.
· =
Análisis de voz: Es el proceso de extracción de
información de grabaciones de audio de conversaciones. Esta for=
ma
de análisis puede analizar los temas, las palabras y frases reales,
así como el contenido emocional de la conversación. Se p=
uede
usar el análisis de voz en un centro de llamadas para ayudar a
identificar quejas recurrentes de los clientes o problemas técnicos.=
· =
Simulación de Monte Carlo: Es una técnica matemá=
tica
de resolución de problemas y evaluación de riesgos que aproxi=
ma
la probabilidad y el riesgo de ciertos resultados, utilizando simulaciones
computarizadas de variables aleatorias. Es útil si desea compre=
nder
mejor las implicaciones y ramificaciones de un curso particular de
acción o decisión.
· =
Programación lineal: También conocida como
optimización lineal, este es un método para identificar el me=
jor
resultado basado en un conjunto de restricciones utilizando un modelo
matemático lineal, permite resolver problemas relacionados con la
minimización y la maximización de las condiciones, como la fo=
rma
de maximizar las ganancias y minimizar los costos.
Es út=
il
si tiene una serie de limitaciones como el tiempo, las materias primas, ent=
re
otras y desea conocer la mejor combinación o dónde dirigir sus
recursos para obtener el máximo beneficio.
· =
Análisis de cohorte: Es un subconjunto de análisis de
comportamiento, que permite estudiar el comportamiento de un grupo a lo lar=
go
del tiempo. Es especialmente útil si desea saber sobre el
comportamiento de grupos como clientes o empleados.
· =
Análisis factorial: Es el nombre colectivo dado a un grupo de
técnicas estadísticas que se utilizan principalmente para la
reducción de datos y la detección de estructuras, puede reduc=
ir
la cantidad de variables para ayudar a que sea más útil. =
;Es
muy útil si se necesita analizar y comprender más sobre las
interrelaciones entre un gran número de variables.
· =
Análisis de redes neuronales: Una red neuronal es un programa =
de
computadora modelado en el cerebro humano, que puede procesar una gran cant=
idad
de información e identificar patrones de una manera similar a los
humanos, por lo tanto, el análisis de redes neuronales es el proceso=
de
analizar el modelo matemático que constituye una red neuronal. =
Esta
técnica es particularmente útil si tiene una gran cantidad de
datos.
·
Metaanálisis/análisis de literatura: Meta anális=
is
es el término que describe la síntesis de estudios previos en=
un
área con la esperanza de identificar patrones, tendencias o relacion=
es
interesantes entre la literatura preexistente y los resultados del estudio,=
es
el estudio de estudios previos. Es útil siempre que se desee ob=
tener
información relevante.
¿=
;Cuáles
son los componentes de las plataformas de visualización de datos?
De=
ntro de
las plataformas existentes en el mercado entre las más importantes
tenemos: Tableau, Google Charts, SAP Lumira, QlikView, SAS JMP=
y
Visual Analytics, MicroStr=
ategy,
Microsoft PowerBI, entre ot=
ros <=
/span>(Bih-Ru Lea,=
2018). =
Para la
valoración de las plataformas de visualización de datos, las
empresas de consultorías e investigación de nuevas
tecnologías establecen criterios diferentes en lo que respecta a las=
prestaciones
deseables en este tipo de software, es así que para TDWI se considera
los criterios que a continuación se detallan, como los de mayor
importancia:
- La visualización de d=
atos
como medio de comunicación.
- Preparación de datos =
para
su visualización.
- Componentes<=
span
lang=3DEN-US style=3D'font-size:12.0pt;line-height:115%'> de visualización.
- Elegir y utilizar tablas y
gráficos.
- Exploración<=
/span> visual y
- Técnicas de diseño visual
- Ampliando la
visualización con infografías.
- Narración visual
- Herramientas de
visualización de datos.
Para (Trustradius, 2019) los criterios de mayor relevancia son:
·
Formatos de visualización preconstruídos
(mapas de calor, diagramas de dispersión, etc.)
·
Análisis de ubicación /
visualización geográfica.
·
Analítica predictiva
·
Soporte para modelos de aprendizaje automático=
.
· Reconocimiento de patrones y minería de datos<= o:p>
·
Integració=
;n
con R u otros paquetes estadísticos.
Y para Gartner son de importancia los siguientes=
:
·
Infraestructura: Plataforma de BI Administració=
;n,
Seguridad y Arquitectura, Cloud BI y la Fuente de datos de conectividad e
ingestión.
·
Gestión de datos, metadatos, la Extracci&oacut=
e;n
autónoma, transformación y carga (ETL) y almacenamiento de da=
tos.
Preparación de datos de autoservicio. La Escalabilidad y
complejidad del modelo de datos.
·
Análisis y creación de contenidos: en
función de la Analítica avanzada para el ciudadano de datos
científicos, Cuadros de mando analíticos, la Exploració=
;n
visual interactiva. Descubrimiento de datos aumentados, la
exploración móvil y autoría.
·
Facilidad de incrustar y compartir contenido
analítico
·
Facilidad de uso: atractivo visual e integració=
;n
de flujo de trabajo.
¿=
;Cómo
aportan las plataformas de visualización de datos a la toma de
decisiones?
Las plataformas de visualización de datos <=
span
style=3D'color:black;mso-bidi-font-weight:bold'>presentan básicament=
e los
siguientes elementos a nivel de:
· =
Estructura: La estructura constituye el eje fundamental para la
visualización de datos debido a que la articulación de sus
elementos garantizará el adecuado funcionamiento de los procesos a s=
er
realizados por el usuario
![](3D"24Articuloalexalta_archivos/image027.gif")
Grafico N1.Estructura de datos
.
o Plataforma de Inteligencia de Negocios,
Administración, Seguridad y Arquitectura: Permite el acceso y la
administración de los usuarios, la seguridad y auditoría de la
plataforma, y la garantía de alta disponibilidad y recuperació=
;n
ante desastres.
o Plataforma de inteligencia de negocios: Se=
rvicio
para crear, implementar y administrar aplicaciones analíticas en la
nube, llamada también Cloud BI.
o Ingestión de datos y
conectividad: Permite a los usuarios conectarse a datos estructurados =
como
por ejemplo enteros, reales; y no estructurados como son los archivos de da=
tos,
audio, video entre otros almacenados en bases de datos, tanto locales como =
en
la nube.
· =
Gestión de datos: La
facilidad en la gestión de la información es fundamental al
hablar de plataformas de visualización de datos, ya que los
intrínsecos procesos que permiten el acceso y manipulación de
datos de diferentes fuentes ya sean relacionales o no relacionales, son tra=
nsparentes
para los profesionales de distintas disciplinas de la ciencia.
Grafico No2. Gestión de datos
![3D"Reservado:](3D"24Articuloalexalta_archivos/image028.gif")
![3D"Reservado:](3D"24Articuloalexalta_archivos/image029.gif")
![3D"Reservado:](3D"24Articuloalexalta_archivos/image030.gif")
![3D"Reservado:](3D"24Articuloalexalta_archivos/image031.gif")
=
&nb=
sp; =
o Gestión de metadatos: Que permitan a
los usuarios aprovechar un modelo semántico que se enfoque en el
contenido del archivo y metadatos comunes como son los nombres de los campo=
s de
un registro. Estos deberían proporcionar una forma robusta y
centralizada para que los administradores busquen, capturen, almacenen,
reutilicen y publiquen objetos de metadatos como dimensiones,
jerarquías, medidas, métricas de rendimiento / indicadores cl=
ave
de rendimiento (KPI),&=
nbsp;
que también informen sobre objetos de diseño,
parámetros, etc. Los administradores deben tener la capacidad de
promover una combinación de distintas plataformas (mashup)
de datos y metadatos que integren diferentes fuentes y plataformas, definid=
os
por el usuario empresarial a los metadatos en el sistema de registro (SOR).=
o Extracción autónoma,
transformación, carga (ETL) y almacenamiento de datos: Constituyen l=
as
capacidades de la plataforma para acceder, integrar, transformar y cargar d=
atos
en un motor de rendimiento autónomo, con la capacidad de indexar,
administrar cargas de datos y actualizar la programación.
o Preparación de datos de
autoservicio: "Arrastrar y soltar": Las capacidades
avanzadas incluyen autodetección semántica habilitada para el
aprendizaje automático, combinaciones inteligentes, creación =
de
perfiles inteligentes, generación de jerarquías, linaje de da=
tos
y combinación de datos en diversas fuentes de datos, incluidos datos=
de
múltiples estructuras, conjuntos, grupos y jerarquías definid=
as
por el usuario.
o Escalabilidad y complejidad del modelo de datos: Es el grado en que el motor en memoria o la arquitectura en base de datos manejan grandes volúmenes de datos, modelos de datos complejos, optimización de rendimiento y grandes implementaciones de usuarios.<= o:p>
· =
Análisis y creación de contenidos: Gracias a lo cual se
pueden generar las medidas básicas en BI, como son entre otras:
sumatorias, mínimos, máximos, promedios, desviación
estándar, contadores, que permiten realizar procesos como:
Grafico No3. Análisis y creación de
contenidos
=
![](3D"24Articuloalexalta_archivos/image032.gif")
![3D"Diagrama](3D"24Articuloalexalta_archivos/image033.gif")
![](3D"24Articuloalexalta_archivos/image034.gif")
![3D"Diagrama](3D"24Articuloalexalta_archivos/image035.gif")
![3D"Diagrama](3D"24Articuloalexalta_archivos/image036.gif")
=
=
=
=
=
&=
nbsp;
·
Analítica
avanzada para el ciudado de datos
científicos: Permite a los usuarios acceder fácilmente a=
las
capacidades analíticas avanzadas que son autónomas dentro de =
la
propia plataforma a través de opciones basadas en menús o
mediante la importación e integración de modelos desarrollado=
s externamente.
o Cuadros de mando analíticos: La
capacidad de crear cuadros de mando y contenido altamente interactivos con
exploración visual y analítica geoespacia=
l integrada para ser consumid=
os por
otros.
o Exploración visual interactiva:&nbs=
p;Permite
la exploración de datos a través de una variedad de opciones =
de
visualización que van más allá de los gráficos
básicos de pastel, barras y líneas para incluir mapas de calo=
r y
árboles, mapas geográficos, diagramas de dispersión y
otros elementos visuales de propósito especial. Estas herramien=
tas
permiten a los usuarios analizar y manipular los datos interactuando
directamente con una representación visual de los mismos para mostra=
rlos
como porcentajes, intervalos y grupos.
o Descubrimiento de datos
aumentados: Encuentra, visualiza y narra automáticamente los
hallazgos importantes, como correlaciones, excepciones, agrupaciones, enlac=
es y
predicciones en datos que son relevantes para los usuarios sin necesidad de=
que
construyan modelos o escriban algoritmos. Los usuarios exploran datos a
través de visualizaciones, narraciones generadas en lenguaje natural,
búsqueda y tecnologías de consulta en lenguaje natural (NLQ).=
o Exploración móvil y
autoría: Permite a las organizaciones desarrollar y entregar
contenido a dispositivos móviles en un modo de publicación y/o
interactivo, y aprovecha las capacidades nativas de los dispositivos
móviles, como la pantalla táctil, la cámara y el
reconocimiento de ubicación.
o Compartir los hallazgos
o Incrustar contenido
analítico: Capacidades que incluyen un kit de desarrollador de
software con API y compatibilidad con estándares abiertos para crear=
y
modificar contenido analítico, visualizaciones y aplicaciones,
integrándolas en un proceso empresarial y/o una aplicación o
portal. Estas capacidades pueden residir fuera de la aplicación,
reutilizando la infraestructura analítica, pero deben ser
fácilmente accesibles desde el interior de la aplicación sin
forzar a los usuarios a cambiar entre sistemas. Las capacidades para
integrar analítica y BI con la arquitectura de la aplicación
permitirán a los usuarios elegir en qué parte del proceso de
negocio deben integrarse las analíticas.
o Publica, comparte y colabora el contenido
analítico: Capacidades que permiten a los usuarios publicar,
implementar y operacionalizar contenido analítico a través de
diversos tipos de salida y métodos de distribución, con sopor=
te
para búsqueda de contenido, programación y alertas. Estas
capacidades permiten a los usuarios compartir, discutir y rastrear
información, análisis, contenido analítico y decisione=
s a
través de hilos de discusión, chat y anotaciones.
¿=
;Cuál
es la relación entre plataformas de visualización de datos e
inteligencia de negocios?
Las platafor=
mas
de visualización de datos se constituyen en el eslabón final =
de
la inteligencia de negocios, ya que son las encargadas de generar informes
gerenciales en base a indicadores financieros y de gestión, gracias a
sus componentes de análisis y la creación de contenidos, la
exploración visual interactiva principalmente.
Grafico No4.
Plataformas de
visualización
![](3D"24Articuloalexalta_archivos/image037.gif")
Fuente:
(Murillo M, 2019)
¿=
;Qué
indicadores financieros y de gestión se pueden obtener con las
plataformas de visualización de datos?
Son varios los indicadores financiero=
s y
de gestión que se pueden obtener con las plataformas de
visualización de datos, así por ej=
emplo:
·
Al usar una muestra de datos reales de
clientes, pedidos e ingresos, se pueden obtener indicadores de rendimiento(Kokina, Pachamamova=
&
Corbett, 2017).
· =
Se puede obtener el análisis
financiero de un periodo determinado de una organización el cual
iniciará con el estado=
de
resultados, que proporciona un resumen financiero de los resultados de las
operaciones de una organización; el balance general, en el cual se
presenta una declaración resumida de la situación financiera =
de
la empresa; el estado de utilidades retenidas, que muestra el ajuste entre =
las
utilidades netas obtenidas durante el periodo de análisis y todos los
dividendos pagados para mostrar su variación en un periodo de tiempo=
; y
el estado de flujos de efectivo, que es un resumen de los flujos de efectiv=
o (Murillo & Cáceres, 2013)<=
span
style=3D'mso-bidi-font-weight:bold'>.
Otros indicadores son (Arnott, 2017):
· =
Proceso de eficiencia de los empleados: Para determinar por ejemplo el
nivel de compromiso de los empleados con la organización y la
evaluación en el desempeño.
· =
Eficiencia de la tarea del empleado: Permite conocer los tiempos
empleados para la realización de los diferentes procesos.
· =
Eficiencia de entrenamiento: Para identificar situaciones de error en=
el
desarrollo de procesos definidos, para su posterior mejora.
· =
Mejora de la rentabilidad: Ya que permite conocer los beneficios que
proporciona una determinada operación y la inversión que impl=
ica.
· =
Mejora y Eficiencia de la Investigación y Desarrollo (I+D): Al
generar prototipos de van generando datos que facilitan la detección=
de
errores y las diferencias existentes entre la aplicación de uno u ot=
ro
modelo.
·
Nuevas aplicaciones de subproductos: El proceso de producción =
de
un producto genera datos, desde su etapa de diseño hasta su
comercialización, lo cual permite realizar diferentes comparaciones a
nivel de tipo de subproducto o incluso en el tiempo.
También se tienen los siguiente
· =
Margen Ebitda: Es la medida que se utiliza para valorar a una
organización en una compra apalancada y para la medición de f=
lujo
de efectivo en las industrias, ya que mide las ganancias netas de una empre=
sa
tomando en consideración los intereses, impuestos, depreciació=
;n y
la amortización.
· =
Valor Agregado (VA): Es el valor económico que adquieren los
bienes al ser transformados durante su proceso productivo.
· =
Crecimiento de utilidades: El valor de los bienes y servicios finales=
en
un lapso de tiempo específico.
· =
Crecimiento de ventas: Es importante debido a que se pueden realizar
comparaciones en diferentes periodos de tiempo permitiendo evaluar el
crecimiento o decrecimiento de esta actividad para analizar el comportamien=
to
positivo o negativo de la gestión.
· =
Rentabilidad sobre Patrimonio: Medida de eficiencia para evaluar la
capacidad de generar beneficios para la empresa a partir de la inversi&oacu=
te;n
realizada por los accionistas.
· =
Rentabilidad Financiera: Relaciona el beneficio económico con =
los
recursos necesarios para obtener lucro.
· =
Rentabilidad sobre activos o rentabilidad Económica: Es una me=
dida
de como las empresas manejan activos existentes mientras generan ganancias.=
Discusión de Resultados
El rápido cambio en las TICs ha permitido el desarrollo constante de aplicaci=
ones
que permitan un manejo de información rápido y confiable que
facilite la toma de decisiones, en un mundo donde la rapidez en la
realización de procesos y acciones pueden representar el éxit=
o o
fracaso para una organización, las plataformas de visualizació=
;n de
datos se presentan como una alternativa eficiente para la generación=
de
indicadores financieros y de gestión, gracias a sus potencializades
en lo referente a la facilidad en el manejo de sus int=
efaces
de usuario como en la versatilidad para la generación y presentaci&o=
acute;n
de información importante.
Del
análisis bibliográfico realizado se encontró que varios
autores coinciden con la definición de la visualización de da=
tos,
la cual se constituye en un proceso para representar información
empresarial o comercial, dependiendo del sector donde esta se aplique. Para=
la
representación de los datos se puede combinar los elementos visuales, formas y diferentes variables como
color, posición, tamaño, tipo u origen de datos.
Los componentes que ganan importancia=
y
funcionalidad en este tipo de plataformas son: la estructura, la gestión de datos, la creación de
contenidos y la analítica avanzada que permiten generar desde las
medidas básicas en BI, como son entre otras: sumatorias, míni=
mos,
máximos, promedios, desviación estándar, contadores ha=
sta
análisis descriptivos y prospectivos de los datos, esto lo ratifica =
Trustradius .
Del análisis realizado a las publicaciones de TDWI, Gartner y =
Trustradius se tiene que las plataformas de
visualización de datos se utilizan como medio de comunicación=
, de
narración visual, la exploración móvil de los datos, la
facilidad que poseen para incrustar datos y generar cuadros de mando
interactivos y la preparación de datos de autoservicio.
Del análisis realizado a los indicadores
financieros y de gestión que pueden obtenerse mediante el uso de est=
as
plataformas, se tiene que la mayoría de los autores coinciden en que
estos indicadores miden el rendimiento de los empleados, la rentabilidad
financiera, de activos, el crecimiento de las utilidades, el crecimiento de=
las
ventas, entre otros, lo que es sin duda de gran soporte para el desarrollo =
de
los procesos de toma de decisión.
Conclusiones
·
Las
plataformas de visualización de datos constituyen una tecnolog&iacut=
e;a
emergente que da soporte a la inteligencia de negocios permitiendo usuario =
final
evite una relación de dependencia con el técnico
informático para la gestión y generación de
información.
·
La inteligencia de negocios es el conjunto de procesos, aplicaciones,
infraestructura, arquitecturas, datos, metodologías, herramientas,
mejores prácticas y tecnologías, que se utilizan para la toma=
de
decisiones en una organización.
·
Los
indicadores financieros y de gestión que se pueden obtener con las
plataformas de visualización de datos permiten la agilización=
de
los procesos para la obtención rápida y confiable de
información, cruciales en la mejora del rendimiento, el desempe&ntil=
de;o
y la gestión de las organizaciones para la consecución de sus
objetivos estratégicos.
Referencias Bibliográficas
Asadi, Mohsen, Samaneh Soltani, Dragan <=
span
class=3DSpellE>Gašević, and Marek Hat=
ala.
2016. “The Effects of Visualization and Interaction Techniques on Fea=
ture
Model Configuration.” Empirical Software Engineering 21(4):
1706–43.
B=
ih-Ru
Lea, W.-B. Y. (2018). Data Visualization for Assessing the Biofuel
Commercialization Potential within the Business Intelligence Framework .
C=
urto,
J. (2016). Introducción al business intelligence. Editorial U=
OC.
D=
avid
Arnott, F. L. (2017). Patterns of business intelligence systems use in
organizations. Decision Support Systems, 58-68.
Dilla, William N., and Robyn L. Raschke. 2015.
“Data Visualization for Fraud Detection: Practice Implications and a =
Call
for Future Research.” International Journal of Accounting Informat=
ion
Systems 16: 1–22. http://dx.doi.org/10.1016/j.accinf.2015.01.001.=
E=
ckerson,
W. W., & Howson, C. (2005). Enterprise Business Intelligence: Strate=
gies
and Technologies for Deploying BI on an Enterprise Scale.
G=
artner.
(2017). Obtenido de IT Glossary: https://www.gartner.com/it-glossary/
G=
artner.
(2017). Gartner. Obtenido de IT Glossary: http://www.gartner.com/it-=
glossary/business-intelligence-bi
Gartner. (2018). Obtenido de Cuadrante mágico para
plataformas de analítica y inteligencia empresarial:
https://www.gartner.com/doc/reprints?id=3D1-4PUK79W&ct=3D180130&st=
=3Dsb
Gudivada, V. N. (2017). DATA ANALYTICS: FUNDAMENTALS. =
Análisis
de datos para sistemas de transporte inteligentes, Páginas 31-67=
.
Gulati, =
Hina. 2015. “Predictive Analytics Using Data Mi=
ning
Technique.” Computing for Sustainable Global Development (INDIACom), 2015 2nd International Conference on:
713–16.
INEC. (2017). Obtenido de Tecnologías de la Información y Comunicación: http://www.ecuadorencifras.gob.ec= /documentos/web-inec/Estadisticas_Sociales/TIC/2017/Tics%202017_270718.pdf<= o:p>
Kokina, Julia, Dessislava Pachamanova,
and Andrew Corbett. 2017. “The Role of Data Visualization and Analyti=
cs
in Performance Management: Guiding Entrepreneurial Growth Decisions.”=
Journal
of Accounting Education 38: 50–62.
http://dx.doi.org/10.1016/j.jaccedu.2016.12.005.
Management Solutions. (2015). Data Science y la
transformación del sector financiero.
Marr, B. (2016). Forbes. Obtenido de Las 18 mejores
herramientas de análisis que todo gerente de negocios debería
saber:
https://www.forbes.com/sites/bernardmarr/2016/02/04/the-18-best-analytics-t=
ools-every-business-manager-should-know/#66ce83255d39
Marr, B. (2017). Obtenido de Las 7 mejores herramientas de
visualización de datos disponibles en la actualidad: https://www.for=
bes.com/sites/bernardmarr/2017/07/20/the-7-best-data-visualization-tools-in=
-2017/#7cbe8c856c30
M=
in,
H. (2015). The Essentials of Supply Chain Management: New Business Conce=
pts
and Applications. Pearson
Education.
Murrillo, M., & Cáceres, G. (2013). Business
intelligence y la toma de decisiones financieras: una aproximación
teórica. Revista Logos, Ciencia & Tecnología, 119 -
138.
Pavis S.L. (2009). Qué es el Business Intellige=
nce.
Obtenido de http://www.buyto.es/general-business-intelligence/que-es-y-para=
-que-sirve-el-business-intelligence
P=
etersen,
K. (2015). Guidelines for conducting systematic mapping studies in software
engineering: An update. Information and Software Technology, 1-18.
P=
oenaru,
C. E., Merezeanu, D., Dobrescu, R., & Posdarascu, E. (2017). Advanced
solutions for medical information storing: Clinical data warehouse. E-He=
alth
and Bioengineering Conference (EHB) 2017, 37 - 40.
Prabhu,
Anirudh. 2018. “Data Discovery.” In Encyclopedia of Big Data=
,
eds. Laurie A Schintler and Connie L McNeely. <=
/span>Cham:
Springer International Publishing, 1–5.
https://doi.org/10.1007/978-3-319-32001-4_301-1.
Sampieri, R. (2010). Metodología de la
Investigación . México: McGRAW-HILL.
Sinergia e Inteligencia de Negocio S.L. (2017). &iques=
t;Qué
es Business Intelligence? Obtenido de
http://www.sinnexus.com/business_intelligence/
S=
M,
K., & Belwal, M. (2007). A Service Oriented Architecture for Business
Intelligence. IEEE International
Conference, 1201 - 1207.
TDWI. (2018). Obtenido de Principios y prácticas d=
e visualización
de datos de TDWI (actualizado):
https://tdwi.org/events/onsite-education/onsite/sessions/business-analytics=
/adv-all-tdwi-data-visualization-principles-and-practices.aspx
Trustradius. (2019). Obtenido de Descubrimiento de datos y
plataformas de visualización: https://www.trustradius.com/data-visua=
lization-bi#overview-3
Murillo, M. 2019 https://ingmmurillo-dwh-bi.blogsp=
ot.com/search/label/Arquitectura%20de%20Flujo%20de%20Datos
PARA CITAR EL
ARTÍCULO INDEXADO.
=
= Aucancela= Guamán, M., Viteri Ojeda, J., & = Castro Viteri, C. (2019). Plataformas de visualización de datos e indicador= es financieros y de gestión. Ciencia Digital, 3(3), 356-373. = https://doi.org/1= 0.33262/cienciadigital.v3i3.650
=
=
![3Deditorial1.png](3D"24Articuloalexalta_archivos/image038.jpg")
El artículo que se p=
ublica
es de exclusiva responsabilidad de los autores y no necesariamente reflejan=
el
pensamiento de la Revista Ciencia
Digital.
El artículo queda en propi=
edad
de la revista y, por tanto, su publicación parcial y/o total en otro
medio tiene que ser autorizado por el director de la Revista Ciencia Digital.
![3D"logo_catalogo3b.j=](3D"24Articuloalexalta_archivos/image039.jpg")
![3D"Logo_cicncia_digital](3D"24Articuloalexalta_archivos/image040.jpg")