����������������������������������������������������������������������������������

 

 

Del excel a la inteligencia artificial: un marco estrat�gico para la anal�tica de datos prescriptiva y la transformaci�n de la toma de decisiones empresariales

 

From Excel to Artificial Intelligence: A Strategic Framework for Prescriptive Data Analytics and the Transformation of Business Decision Making

 

Do Excel � Intelig�ncia Artificial: Uma Estrutura Estrat�gica para An�lise de Dados Prescritiva e a Transforma��o da Tomada de Decis�es Empresariais

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: fernanda.santos.samaniego@utelvt.edu.ec

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 19 octubre de 2025 *Aceptado: 11 de noviembre de 2025 * Publicado: �09 de diciembre de 2025

 

        I.            Universidad T�cnica Luis Vargas Torres de Esmeraldas, Ecuador.

      II.            Universidad T�cnica Luis Vargas Torres de Esmeraldas, Ecuador.

   III.            Universidad T�cnica Luis Vargas Torres de Esmeraldas, Ecuador.

   IV.            Universidad T�cnica Luis Vargas Torres de Esmeraldas, Ecuador.

     V.            Universidad T�cnica Luis Vargas Torres de Esmeraldas, Ecuador.

Resumen

Relacionar el cambio del almacenamiento de datos convencional a trav�s de hojas de c�lculo con la anal�tica y la inteligencia artificial es la principal direcci�n estrat�gica para la transformaci�n digital de la toma de decisiones empresariales. Este documento examina la evoluci�n de dicha madurez anal�tica adoptando una perspectiva que consolida cuatro niveles de madurez en anal�tica descriptiva, diagn�stica, predictiva y prescriptiva. Se discuten las limitaciones estructurales de software tradicional como Excel y el efecto en la eficiencia, seguridad y escalabilidad de los procesos organizacionales. Luego, se aborda la institucionalizaci�n de la inteligencia empresarial (BI) como una infraestructura para la gobernanza de datos, la calidad y la democratizaci�n del an�lisis y el fomento de una cultura orientada a los datos. Adem�s, se analiza el papel estrat�gico que la inteligencia artificial (IA) y el aprendizaje autom�tico (ML) pueden desempe�ar como motores para la anal�tica prescriptiva, proporcionando toma de decisiones autom�tica, permitiendo una operaci�n optimizada y un retorno de inversi�n medible al predecir riesgos y recomendar posibles mejores soluciones. Tambi�n se discuten los problemas �ticos y de gobernanza relacionados con el despliegue de la IA, como el fen�meno de la caja negra, los sesgos algor�tmicos y c�mo necesitamos incorporar modelos XAI para la transparencia, explicabilidad y confianza. El informe determina que la ventaja competitiva contempor�nea no se encuentra solo en la adopci�n de m�todos modernos, sino en la capacidad de las empresas para encontrar un equilibrio entre su innovaci�n y responsabilidad. Es as� que la anal�tica prescriptiva se establece como una piedra angular estrat�gica de la toma de decisiones inteligente y sostenible alineada con los objetivos de transformaci�n digital.

Palabras clave: Anal�tica prescriptiva; inteligencia artificial; inteligencia empresarial; gobernanza de datos; toma de decisiones.

 

Abstract

Linking the shift from conventional data storage via spreadsheets to analytics and artificial intelligence is the primary strategic direction for the digital transformation of business decision-making. This document examines the evolution of analytical maturity by adopting a perspective that consolidates four levels of maturity in descriptive, diagnostic, predictive, and prescriptive analytics. It discusses the structural limitations of traditional software such as Excel and their impact on the efficiency, security, and scalability of organizational processes. The document then addresses the institutionalization of business intelligence (BI) as an infrastructure for data governance, data quality, and the democratization of analytics, as well as the fostering of a data-driven culture. Furthermore, it analyzes the strategic role that artificial intelligence (AI) and machine learning (ML) can play as drivers for prescriptive analytics, enabling automated decision-making, optimized operations, and a measurable return on investment by predicting risks and recommending potential best solutions. The report also discusses the ethical and governance issues related to AI deployment, such as the black box phenomenon, algorithmic biases, and the need to incorporate XAI models for transparency, explainability, and trust. It concludes that contemporary competitive advantage lies not only in adopting modern methods but also in companies' ability to balance innovation with responsibility. Thus, prescriptive analytics is established as a strategic cornerstone of intelligent and sustainable decision-making aligned with digital transformation goals.

Keywords: Prescriptive analytics; artificial intelligence; business intelligence; data governance; decision-making.

 

Resumo
A transi��o do armazenamento convencional de dados em planilhas para a an�lise de dados e a intelig�ncia artificial � a principal dire��o estrat�gica para a transforma��o digital da tomada de decis�es empresariais. Este documento examina a evolu��o da maturidade anal�tica adotando uma perspectiva que consolida quatro n�veis de maturidade: an�lise descritiva, diagn�stica, preditiva e prescritiva. Discute as limita��es estruturais de softwares tradicionais, como o Excel, e seu impacto na efici�ncia, seguran�a e escalabilidade dos processos organizacionais. Em seguida, o documento aborda a institucionaliza��o da intelig�ncia de neg�cios (BI) como infraestrutura para governan�a de dados, qualidade de dados e democratiza��o da an�lise de dados, bem como o fomento de uma cultura orientada a dados. Al�m disso, analisa o papel estrat�gico que a intelig�ncia artificial (IA) e o aprendizado de m�quina (ML) podem desempenhar como impulsionadores da an�lise prescritiva, permitindo a tomada de decis�es automatizada, a otimiza��o de opera��es e um retorno mensur�vel sobre o investimento, por meio da previs�o de riscos e da recomenda��o das melhores solu��es potenciais. O relat�rio tamb�m aborda as quest�es �ticas e de governan�a relacionadas � implementa��o da IA, como o fen�meno da caixa preta, os vieses algor�tmicos e a necessidade de incorporar modelos de IA extensiva (XAI) para garantir transpar�ncia, explicabilidade e confiabilidade. Conclui que a vantagem competitiva contempor�nea reside n�o apenas na ado��o de m�todos modernos, mas tamb�m na capacidade das empresas de equilibrar inova��o e responsabilidade. Assim, a an�lise prescritiva se estabelece como um pilar estrat�gico para a tomada de decis�es inteligentes e sustent�veis, alinhadas aos objetivos da transforma��o digital.

Palavras-chave: An�lise prescritiva; intelig�ncia artificial; intelig�ncia de neg�cios; governan�a de dados; tomada de decis�es.

 

Introducci�n

La transformaci�n digital ha provocado una transformaci�n fundamental en el mundo empresarial moderno, convirtiendo los datos de un subproducto operativo a un recurso estrat�gico crucial para la sostenibilidad y ventaja competitiva de las organizaciones (Fishman & Stryker, 2020).

En el contexto donde la digitalizaci�n ha penetrado todos los sectores, la capacidad de las instituciones para gestionar, analizar y convertir grandes cantidades de informaci�n en decisiones efectivas (Lytras et al., 2023) ha surgido como el principal diferenciador competitivo del siglo XXI. A escala global, los datos han crecido exponencialmente en la �ltima d�cada con grandes vol�menes disponibles para el procesamiento que no pueden ser satisfechos por las estructuras tecnol�gicas tradicionales. Aunque en 2018 el mundo produjo aproximadamente 33 zettabytes, este n�mero se dispar� a aproximadamente 59 zettabytes en 2020 y se proyecta que aumente a 149 zettabytes en un per�odo limitado, impulsado por la proliferaci�n de plataformas IoT, comercio digital, inteligencia artificial, servicios en la nube (Sarker, 2021).
El an�lisis empresarial ya no es algo que se pueda considerar un lujo, sino una necesidad para la supervivencia de la empresa y la innovaci�n sostenida. La anal�tica de datos tiene un papel clave en permitir que las empresas tomen decisiones eficientes, relevantes y basadas en evidencia. Adoptar la misma permitir� a las empresas convertir datos brutos en informaci�n estrat�gica y monitorear y responder a tendencias emergentes, ajustar operaciones internas, reducir sus costos operativos (Sharma et al., 2014).

Significa un estudio m�s profundo del comportamiento del comprador, preferencias y h�bitos de compra, lo que aumenta la lealtad del cliente y expande las oportunidades de desarrollo competitivo. En un mundo as�, el cambio de modelos tipo Excel a herramientas de BI, seguido de sistemas m�s sofisticados basados en IA y ML, apunta hacia la etapa m�s cualitativa de la madurez de la anal�tica corporativa. Estas tecnolog�as abren espacio no solo para la automatizaci�n de tareas, sino para la previsi�n del futuro e incluso para acciones recomendadas, lo que ha llevado a la anal�tica prescriptiva como el siguiente nivel de toma de decisiones empresariales (Bari & Ara, 2024; Liu et al., 2025).

Pero la transici�n a ecosistemas anal�ticos m�s inteligentes requiere no solo inversi�n tecnol�gica, sino tambi�n un enfoque integral de gobernanza, una calidad bien establecida, liderazgo estrat�gico, talento espec�fico y procesos con un enfoque en la �tica para que se mantenga tanto la transparencia como la responsabilidad de los algoritmos. La creciente importancia de los modelos de IA en particular ha destacado la necesidad de plataformas explicables (XAI), que puedan proporcionar decisiones auditables y libres de sesgos (Haque, 2025).

En este sentido, este documento tiene la intenci�n de proporcionar un marco estrat�gico detallado, caracterizando el cambio de la aplicaci�n cl�sica de Excel a la anal�tica prescriptiva con soluciones basadas en IA para el poder de toma de decisiones, impacto organizacional, �tico, de cumplimiento y de gobernanza de la toma de decisiones empresariales mientras se promueve la transformaci�n digital en las organizaciones contempor�neas.

 

Desarrollo

Los sistemas tradicionales de gesti�n de datos son una limitaci�n

Aunque el r�pido desarrollo tecnol�gico y la digitalizaci�n de las empresas han hecho que todo el mundo empresarial y las organizaciones sean cada vez m�s digitales, muchas empresas, que son firmas de gesti�n, consultor�as y peque�as empresas, todav�a funcionan manualmente y utilizan herramientas tradicionales como la tecnolog�a inform�tica, como Microsoft Excel. En muchas peque�as organizaciones, hay una brecha en el desarrollo de software que no puede mantenerse sin usar herramientas tradicionales con programas de software heredados. Excel ha sido una herramienta m�s vers�til para tareas operativas/b�sicas en el pasado, pero actualmente hay algunas limitaciones estructurales que no pueden ser abordadas por Excel como la columna vertebral de otras plataformas para gestionar datos en un negocio (Fishman & Stryker, 2020).

En un momento en que los vol�menes de datos se expanden exponencialmente, las hojas de c�lculo son simplemente inadecuadas para apoyar esta l�nea de trabajo, impulsada por evidencia en la que se puede confiar. Las hojas de c�lculo nunca fueron construidas como bases de datos confiables. La aplicaci�n intensiva en estos procesos esenciales conduce a errores humanos, inconsistencias y fallos sist�micos. Esta dependencia inhibe la competitividad y una mayor expansi�n, particularmente en empresas con el deseo de avanzar hacia la automatizaci�n y an�lisis avanzados (Sharma et al., 2014).

Fallo de Escalabilidad y Seguridad

Llevar un volumen de informaci�n en Excel resulta en un fallo estructural de escalabilidad. A medida que los vol�menes de datos y la complejidad aumentan, tambi�n lo hace la velocidad, algo que ha sido explicado a fondo en la literatura sobre transformaci�n digital, las organizaciones se encuentran en una condici�n de baja madurez anal�tica que les impide transformarse (Sarker, 2021). En el momento de la introducci�n de tales sistemas, los controles de seguridad en los sistemas inform�ticos, los permisos de acceso y la auditor�a formal est�n ausentes, las empresas corren un riesgo potencial muy alto de perder datos o permitir modificaciones accidentales o fugas de datos.

Vulnerabilidad y Errores

El error humano es uno de los principales factores de riesgo de los sistemas de gesti�n manuales. Peque�as inconsistencias de datos, duplicaci�n de datos por error y errores de tipeo pueden resultar en una mala toma de decisiones empresariales y enormes p�rdidas econ�micas (Fishman & Stryker, 2020). En ausencia de sistemas que confirmen, estructuren y gobiernen la circulaci�n de datos que los verifiquen y controlen, la calidad de los datos disminuye r�pidamente y afecta la capacidad anal�tica.

Latencia Operativa

Los procesos manuales no pueden adaptarse a la demanda actual de informaci�n en tiempo real; no son lo suficientemente �giles. La latencia operativa, es decir, el tiempo entre la generaci�n de datos y su disponibilidad para ser utilizados en la toma de decisiones, limita la efectividad y competitividad de la organizaci�n. Ante oportunidades o riesgos, la ausencia de inmediatez dificulta la reacci�n r�pida y crea respuestas impulsivas en lugar de un pensamiento estrat�gico (Lytras et al., 2023).

Ocultamiento de Informaci�n Clave

Cuando la informaci�n se agrupa en hojas de c�lculo, cuando la informaci�n se dispersa por todas partes en grandes hojas de c�lculo, la exploraci�n se vuelve m�s computacionalmente dif�cil e ineficaz y cognitivamente exigente. Hacen que el an�lisis intuitivo ya no sea posible, debido a un pobre an�lisis intuitivo, y los l�deres no tienen una direcci�n clara y una visi�n consolidada que les permita tomar decisiones cr�ticas para la direcci�n del negocio. La saturaci�n visual no ayuda, especialmente con problemas relevantes y patrones en los datos.

Sesgos Cognitivos y Actitudes Subjetivas durante el An�lisis Descriptivo

El an�lisis manual no solo es lento y engorroso, sino que tambi�n est� sujeto a sesgos cognitivos que distorsionan la interpretaci�n. Dos de los m�s frecuentes son:

1.      Apofenia: la tendencia a percibir patrones inexistentes.

2.      Sesgo de confirmaci�n: datos elegidos basados en la preferencia por los datos que apoyan patrones de pensamiento existentes.

Estos sesgos son reconocidos como una de las causas ra�z de malas decisiones empresariales donde no hay enfoques autom�ticos disponibles para reducir la subjetividad en el an�lisis (Haque, 2025).

La dependencia de Excel no solo reduce la efectividad interna, sino que cuando los clientes y socios est�n detr�s de un proceso manual que tambi�n est� en marcha, exacerba la inmadurez digital. Esto presenta un riesgo sist�mico que afecta sist�micamente a toda la cadena de valor que impide la trazabilidad, aumenta la vulnerabilidad a errores y reduce el potencial anal�tico.

Inteligencia de Negocios (BI): Establecimiento de Instituciones y Gobernanza de Datos

A medida que pasamos de las hojas de c�lculo a un sistema de inteligencia de negocios estructurado, este es un punto de inflexi�n importante en la maduraci�n anal�tica corporativa. La Inteligencia de Negocios (BI) utiliza datos para transformarlos en informaci�n integrada y eficiente que es accesible y valiosa para la toma de decisiones estrat�gicas.

La definici�n y elementos centrales de BI

La tecnolog�a central, m�todos y procesos de BI nos permiten recopilar, integrar, analizar y visualizar datos para la toma de decisiones informadas. Su operaci�n permite a las organizaciones obtener una visi�n completa del rendimiento general de la organizaci�n, aumenta la eficiencia y encuentra las oportunidades y el rendimiento que emergen al tener una visi�n hol�stica (Sharma et al., 2014).

Arquitectura de BI

Un sistema de BI se divide en los siguientes 3 elementos b�sicos de un sistema de BI:

1.      Integraci�n de Datos (ETL/ELT): la recopilaci�n y procesamiento de datos de diversas fuentes.

2.      Almac�n de Datos: repositorio central que almacena informaci�n de manera estructurada.

3.      Capa de Informes y Visualizaci�n: paneles de control e interfaces gr�ficas que apoyan la exploraci�n y an�lisis visual.

El desarrollo de tecnolog�as como OLAP permite an�lisis multidimensionales de grandes cantidades de datos para una generaci�n de informaci�n m�s r�pida (Sarker, 2021).

La democratizaci�n del an�lisis / Liderazgo tecnol�gico y democratizaci�n de la tecnolog�a

A trav�s de la creciente aceptaci�n de plataformas como Tableau, Power BI, Looker, la democratizaci�n del an�lisis avanzado ha facilitado un alto nivel de acceso al an�lisis avanzado y ha democratizado la toma de decisiones de alto nivel para que los consumidores no t�cnicos participen en pr�cticas basadas en evidencia. Este tipo de descentralizaci�n anal�tica facilita una cultura organizacional basada en datos y rica en informaci�n en la cultura de toma de decisiones anal�ticas (Fishman & Stryker, 2020).

Calidad de Datos y Buena Gobernanza como Base

La adopci�n de BI por s� sola no deber�a asegurar el �xito anal�tico. La gobernanza de datos es un componente clave de esa infraestructura. Seg�n Kakhki & Nemati (2024), ninguna arquitectura anal�tica es sostenible sin est�ndares de calidad, metadatos, control de acceso y pol�ticas de integridad. Un asombroso 20% de los datos empresariales est�n estructurados y listos para ser analizados, lo que hace que el desaf�o sea significativamente mayor.

La Llamada al Liderazgo y Talento (Cultura Basada en Datos)

El modelo DELTA destaca que el liderazgo estrat�gico es fundamental para la consolidaci�n de una cultura basada en datos. Las organizaciones con mayor madurez anal�tica son aquellas que lideran el camino en el papel de promover la Alfabetizaci�n de Datos, capacitar al personal y adoptar una variedad de tecnolog�as anal�ticas avanzadas (Davenport & Harris, citado en Fishman & Stryker, 2020).

BI es importante, s�, pero principalmente descriptivo y diagn�stico en naturaleza. Antes de que las organizaciones obtengan una ventaja competitiva, deben pasar a an�lisis predictivos y prescriptivos; IA y ML (Bari & Ara, 2024).

La Taxonom�a de la Anal�tica de Datos: El Salto a la Prescripci�n Estrat�gica

La anal�tica de datos se estructura en cuatro niveles evolutivos que representan un continuo de madurez y valor estrat�gico para la toma de decisiones. Cada nivel incrementa la capacidad de la organizaci�n para comprender su entorno, anticipar escenarios y automatizar respuestas mediante tecnolog�as avanzadas como la Inteligencia Artificial (IA) y el Machine Learning (ML) (Sarker, 2021; Sharma et al., 2014).

 

 

Anal�tica Descriptiva y Diagn�stica: Reacci�n y Exploraci�n

Los niveles descriptivo y diagn�stico son los pilares del an�lisis empresarial. Ambos se centran en eventos que ocurrieron en el pasado, proporcionando informaci�n retrospectiva que permite entender qu� sucedi� y por qu�. Su sustituci�n por el an�lisis manual los convierte en medios reactivos de evaluaci�n y, por lo tanto, no son �tiles para las empresas interesadas en la predicci�n de cambios en el mercado (Fishman & Stryker, 2020; Sharma et al., 2014). El an�lisis descriptivo abstrae datos de ventas, inventarios o operativos. Sin embargo, el an�lisis diagn�stico intenta encontrar relaciones de causa y efecto y patrones para explicar una anomal�a o una tendencia. Pero los dos niveles anteriores no incluyen proyecciones futuras que son cruciales para mercados turbulentos y ferozmente competitivos.

Anal�tica Predictiva: Visualizaci�n y anticipaci�n del futuro

La anal�tica predictiva es el salto del an�lisis 'detr�s de escena' a la predicci�n de resultados, lo cual es mucho m�s estrat�gico. Este nivel emplea datos hist�ricos y algoritmos sofisticados de aprendizaje autom�tico para descubrir tendencias y anticipar resultados con un grado razonable de probabilidad (Bari & Ara, 2024; Liu et al., 2025). El modelado predictivo responde a preguntas como:

�         �Qu� pasa si las tendencias actuales se mantienen?

�         �Qu� clientes podr�an incumplir con los pagos?

�         �Qu� productos demandar�n m�s?

Su valor es especialmente notable en la gesti�n de riesgos, finanzas, log�stica y marketing, donde la anticipaci�n permite tomar medidas antes de que los problemas empeoren. Nuevos enfoques predictivos utilizan t�cnicas como redes neuronales, �rboles de decisi�n, modelos de regresi�n sofisticados y m�todos de optimizaci�n impulsados por aprendizaje autom�tico para identificar patrones complejos entre varias variables (Sarker, 2021).

El Tipo Avanzado de Automatizaci�n Inteligente

La anal�tica prescriptiva es el �pice de la madurez anal�tica. No solo predice lo que puede suceder, sino que tambi�n recomienda la mejor manera para que la organizaci�n logre resultados o evite peligros (Bari & Ara, 2024). En este nivel, los algoritmos se combinan con lo siguiente:

�         Optimizaci�n matem�tica

�         Inteligencia Artificial

�         Simulaci�n avanzada

�         Sistemas de recomendaci�n

Los modelos predictivos pronostican escenarios mientras que los modelos prescriptivos proporcionan un ejemplo: qu� acci�n tomar, cu�ndo y con qu� probabilidad.

Integraci�n de Sistemas de ML/IA en Ejecuci�n en Tiempo Real

Para ser efectiva, la anal�tica prescriptiva debe funcionar en tiempo real. Esto requiere:

�         Procesamiento de flujo de datos

�         Capacidades de computaci�n bajo demanda

�         Generaci�n de escenarios por adelantado

�         Integraci�n continua de dise�os arquitect�nicos

"La toma de decisiones automatizada es crucial en la log�stica inteligente, la manufactura 4.0 y la gesti�n financiera mejorada" (Santos et al., 2025).

Funci�n Anal�tica Transformada

Las soluciones derivadas de la anal�tica prescriptiva no solo nos permiten operar eficientemente. Act�a como un generador de ingresos al mejorar las tasas de conversi�n, facilitar la utilizaci�n de recursos y favorecer las oportunidades de mercado (Haque, 2025). Su aplicaci�n incluye:

�         Predicci�n de incumplimientos de pago

�         Maximizaci�n del valor de vida del cliente (CLV)

�         Optimizaci�n de precios

�         Automatizaci�n de decisiones complejas

Sin embargo, este salto marca un cambio cognitivo enorme: el cambio de marcha de la organizaci�n hay una transici�n del an�lisis de datos a la ejecuci�n de recomendaciones algor�tmicas. Por lo tanto, la Inteligencia Artificial integra la percepci�n y la acci�n para lograr una reducci�n completa de la latencia de decisi�n a casi cero total.

IA y Aprendizaje Autom�tico: Ser la Rueda al Final de la Toma de Decisiones Empresariales

La anal�tica prescriptiva se basa en la adopci�n tecnol�gica de la IA y el aprendizaje autom�tico. Mediante sistemas inteligentes que son inteligentes y aprenden, se ajustan y recomiendan una acci�n buena y �ptima (Milchman, 2025), la Inteligencia Artificial facilita la automatizaci�n de procesos, disminuye errores y acelera la toma de decisiones estrat�gicas.

IA Inteligente y Automatizaci�n Inteligente (IAI)

La IAI se caracteriza por la combinaci�n de flujos de trabajo automatizados, agentes inteligentes y sistemas de toma de decisiones aut�nomos que optimizan tareas repetitivas y procesos cr�ticos. Estos permiten:

�         Reducci�n de costos

�         Minimizaci�n de errores humanos

�         Mayor precisi�n

�         Escalabilidad en tiempo real

El beneficio potencial de la automatizaci�n inteligente tambi�n ha sido ilustrado por varios informes de investigaci�n con organizaciones de alto rendimiento que logran reducciones significativas en los tiempos de operaci�n y una mejor eficiencia general (Santos et al., 2025).

Fusi�n y Aceleraci�n Operativa

La IA re�ne sistemas desconectados y aislados, recopila datos y mejora la agilidad general. Seg�n informes recientes en gesti�n digital (Kakhki & Nemati, 2024), una de las principales barreras para la madurez digital es la integraci�n insuficiente, por lo que la IA act�a como un enlace entre procesos y plataformas dispersas.

 

 

El Lugar de la IA Generativa (GenAI)

GenAI, una de las �pocas tecnol�gicas m�s importantes de la �ltima d�cada, est� cambiando el paradigma para la automatizaci�n de procesos en las empresas:

�         Generaci�n de contenido

�         Automatizaci�n mediante el uso del lenguaje

�         Resumen y an�lisis de datos a gran escala

�         Mejor acceso a informaci�n complicada

El impacto transversal de GenAI es la observaci�n de que la adopci�n de GenAI por los diversos sectores aument� al doble en menos de un a�o (Haque, 2025).

Resultados medibles y el retorno estrat�gico de la inversi�n (ROI)

El an�lisis de datos se ha convertido en un motivador estrat�gico para impulsar el ROI, facilitar procesos empresariales m�s efectivos y aumentar la ventaja competitiva. Es cuantificable en forma de crecimiento de ingresos, reducci�n de costos, eficiencia operativa, mitigaci�n de riesgos, aceleraci�n del tiempo de respuesta, etc. (Fishman & Stryker, 2020). La mayor�a de las empresas utilizan an�lisis para �reas que generan retornos r�pidos, especialmente ventas, marketing, experiencia del cliente y gesti�n financiera; por eso el 78% de las empresas priorizan estas �reas al implementar inteligencia anal�tica de alto rendimiento (Sarker, 2021). Es a trav�s de casos documentados de organizaciones que adoptaron soluciones descriptivas, predictivas y prescriptivas y lograron resultados medibles en sus operaciones que se ve que el an�lisis tiene un impacto real:

 

 

Estos hallazgos proporcionan evidencia para una conclusi�n consistente: la importancia estrat�gica de la anal�tica predictiva y prescriptiva radica m�s en evitar costos futuros (evitaci�n de costos) que en simplemente reducir los costos actuales (Bari & Ara, 2024). Aquellas empresas que predicen fallos operativos, como demuestra Pfizer, aseguran el futuro y optimizan el capital, proporcionando m�s que automatizaci�n y convirti�ndose en una ventaja competitiva a sus ojos.

Casos de la Cadena de Suministro

Las cadenas de suministro modernas involucran grandes cantidades de datos de inventario, transporte, clientes, sensores IoT, proveedores y log�stica inversa. En tales entornos multifac�ticos, la anal�tica de datos juega un papel vital en encontrar patrones, mejorar flujos de trabajo y predecir la demanda de los clientes. Mejora la calidad, la entrega, la experiencia de los clientes y la rentabilidad general de las operaciones (Santos et al., 2025).

Las empresas que utilizan el an�lisis del comportamiento del cliente son capaces de:

�         Aumentar la precisi�n de la planificaci�n,

�         Predecir la demanda futura,

�         Optimizar pol�ticas de inventario y log�stica,

�         Ajustar precios din�micamente,

�         Mejorar la colaboraci�n con proveedores.

Gracias a esta anal�tica, las organizaciones tienen cadenas de suministro m�s eficientes y resilientes alineadas con las tendencias del mercado, listas para responder a las condiciones cambiantes del mercado.

Desaf�os Estrat�gicos y de Gobernanza: Confianza, �tica y Explicabilidad

A pesar de ser m�s valiosa que nunca, la velocidad con la que se est� adoptando la inteligencia artificial y la anal�tica inteligente viene acompa�ada de amenazas �ticas, operativas y regulatorias que requieren estructuras de gobernanza efectivas. La velocidad a la que ha estado creciendo la nueva tecnolog�a como la IA Generativa (GenAI) contrasta marcadamente con los mecanismos insuficientes para mitigar riesgos como sesgos, inexactitudes y falta de transparencia. La madurez anal�tica debe ser vista como un proceso hol�stico que integra tecnolog�a, talento, cultura organizacional y regulaci�n.

El modelo DELTA, o el Marco de Madurez Anal�tica

Los modelos DELTA ampliamente descritos en la literatura miden que las organizaciones tienen acceso efectivo a los datos y ventaja competitiva. Las dimensiones consisten en:

�         D � Datos: calidad, accesibilidad y estructura.

�         E � Anal�tica a nivel empresarial: anal�tica distribuida en toda la organizaci�n.

�         L � Liderazgo: compromiso ejecutivo para tomar decisiones basadas en evidencia.

�         T � Objetivos: claridad en las metas y problemas anal�ticos.

�         A � Analistas: recursos capacitados para convertir datos en acci�n.

Las organizaciones con alta madurez anal�tica son tomadoras de decisiones m�s precisas, m�s efectivas en la gesti�n de riesgos, innovadoras y operativamente superiores (Fishman & Stryker, 2020).

Barreras Organizacionales y Escasez de Talento

El buen ROI no ayuda a convencerlos de adoptar la IA de manera efectiva. Entre las principales barreras est�n:

�         Preocupaci�n por la precisi�n de los datos y el sesgo (45%),

�         Falta de experiencia en GenAI (42%),

�         Problemas para justificar financieramente los proyectos de IA (42%) (Haque, 2025).

La clave est� en el talento humano. La escasez de experiencia en inteligencia artificial (IA), aprendizaje autom�tico (ML) y anal�tica prescriptiva dificulta a las empresas construir modelos confiables, validar algoritmos y mantener redes complejas (Liu et al., 2025). Por lo tanto, la empresa podr�a recurrir a proveedores de servicios que no son capaces de validar y ajustar modelos y, como tal, est�n perdiendo independencia tecnol�gica.

Riesgos �ticos y el Fen�meno de la "Caja Negra"

El potencial papel omnipresente de la IA plantea profundos desaf�os morales sobre c�mo abordar dilemas �ticos si se vuelve generalizada: las consecuencias de decisiones automatizadas en casos como si los robots pudieran afectar a consumidores, empleados, comunidades y otras partes interesadas. La inteligencia artificial puede absorber sesgos formados en diferentes fuentes:

1.      Sesgo de datos: se refiere a prejuicios hist�ricos trasladados a los datos utilizados para entrenar la plataforma.

2.      Sesgo algor�tmico: surge de la arquitectura del modelo o m�todo de optimizaci�n.

3.      Sesgo humano: se filtra a trav�s de m�todos de etiquetado y dise�o t�cnico.

La discriminaci�n, la toma de decisiones injusta o incluso la exclusi�n subconsciente de grupos de personas son posibles consecuencias (Haque, 2025) como resultado de estos sesgos. Por lo tanto, una IA confiable debe ser legal, �tica y confiable, justa y transparente, y liderada por humanos, as� como orientada a la autonom�a (Kakhki & Nemati, 2024).

Por qu� la XAI (Inteligencia Artificial Explicable) es un Imperativo de Confianza

La XAI surgi� como una reacci�n inmediata al problema de la caja negra. Se considera la colecci�n de m�todos para entender, auditar y explicar el proceso por el cual un modelo de IA llega a una decisi�n (Sarker, 2021).

Definici�n y Transparencia

La explicabilidad permite:

�         Conocer por qu� detr�s de una predicci�n,

�         Identificar sesgos y errores,

�         Aumentar la confianza del cliente,

�         Cumplir con regulaciones en sectores importantes como la salud o las finanzas,

�         Asegurar la trazabilidad y responsabilidad.

Al hacerlo, la XAI sirve como una estrategia de seguro anal�tico para sistemas algor�tmicos avanzados, que promueve la transparencia y la gobernanza (Milchman, 2025). M�todos como LIME, SHAP y modelos interpretables primero (�rboles de decisi�n, reglas simb�licas) permiten la interpretaci�n de las decisiones complejas de modelos profundos, reduciendo riesgos �ticos y regulatorios.

M�todos y Precisi�n

Algunas de las t�cnicas que pueden ayudarte a lograr niveles adecuados de explicabilidad en la Inteligencia Artificial Explicable (XAI) son:

-          T�cnicas metodol�gicas que permiten interpretar el comportamiento interno de los modelos y entender las razones detr�s de c�mo el modelo realiza una estimaci�n. Estos m�todos incluyen:

-          An�lisis de importancia de caracter�sticas

-          El uso de modelos interpretables de �rboles de decisi�n o regresiones lineales, y herramientas que proporcionan explicaciones locales y globales para la toma de decisiones algor�tmicas (Sarker, 2021). Uno de los m�todos m�s populares implementados es LIME (Explicaciones Locales de Modelos Agn�sticos Interpretables), que descompone las predicciones de un modelo no interpretable en explicaciones locales comparando la predicci�n con datos de entrada homog�neos. Este m�todo nos permite explorar qu� variables llevaron a qu� predicci�n, lo que puede hacer que el sistema sea m�s transparente y auditable. El an�lisis de sensibilidad, la descomposici�n del valor de Shapley (SHAP) y las elaboradas visualizaciones de gradientes proporcionan los aspectos complementarios de la precisi�n del sistema al aclarar las razones de cada decisi�n algor�tmica (Milchman, 2025). En contextos con intensa regulaci�n como la salud, la energ�a o los servicios financieros, la precisi�n interpretada es tan importante como la precisi�n estad�stica, porque mejora la alineaci�n con los requisitos �ticos y regulatorios, previniendo sesgos ocultos y decisiones injustificadas (Kakhki & Nemati, 2024).

XAI vs. IA Responsable

Existe una diferencia entre la Inteligencia Artificial Explicable (XAI) y la Inteligencia Artificial Responsable. Aunque ambos buscan reducir los riesgos �ticos y operativos, divergen en cuanto al per�odo de aplicaci�n y su objetivo a lo largo del ciclo de vida del sistema.

�         El objetivo principal de XAI es analizar y explicar los resultados una vez que el modelo ha aprendido las reglas y ha ejecutado la etapa de entrenamiento. Su objetivo es aclarar c�mo y por qu� llegamos a una predicci�n y sus predicciones, mejorando la transparencia, la confianza del usuario y la auditabilidad (Sarker, 2021).

�         Sin embargo, la IA Responsable trabaja desde la fase de dise�o. Eval�a la equidad, la justicia, la privacidad y la robustez del sistema antes de su realizaci�n, antes de implementar el modelo para asegurarse de que el modelo pueda desarrollarse en alineaci�n con los valores �ticos, legales y sociales relevantes (Haque, 2025).

Ambos enfoques son complementarios: la IA Responsable evita sesgos y problemas estructurales, mientras que XAI ayuda a identificar y remediar fallos mientras un sistema opera. Complementados, crean una arquitectura de gobernanza rigurosa en algoritmos, reforzando la seguridad, la responsabilidad y la fiabilidad en sistemas centrados en datos.

 

Conclusiones

El alejamiento de herramientas m�s convencionales como Excel hacia la anal�tica avanzada y la Inteligencia Artificial Prescriptiva es una hoja de ruta necesaria para alterar el mundo de la toma de decisiones empresariales en el siglo XXI. Es esta migraci�n la que, junto con las otras etapas asociadas al proceso de madurez anal�tica descritas en la mayor�a de los marcos acad�micos actuales como el modelo DELTA (Delivering Data, Actionable Task Force) (Siddam et al. 2015), se centra en datos estructurados, liderazgo estrat�gico, anal�tica transversal y talento especializado. El proceso de madurez es multifac�tico y puede dividirse en tres etapas principales:

1.      Combatir la fragilidad manual y los riesgos inherentes de la difusi�n y organizaci�n en hojas de c�lculo, lo que obstaculiza la escalabilidad, aumenta el riesgo de errores y limita la capacidad para una buena gesti�n de la informaci�n.

2.      Integrar la anal�tica a trav�s de la Inteligencia Empresarial y la gobernanza de datos que permite la integraci�n de informaci�n, la mejora de la calidad de los datos y la democratizaci�n del acceso a los conocimientos a trav�s de la visualizaci�n estrat�gica, resultando en una toma de decisiones poderosa y cohesiva.

3.      Automatizaci�n estrat�gica y optimizaci�n utilizando anal�tica predictiva y prescriptiva, impulsada por IA y ML, para predecir no solo situaciones futuras sino tambi�n apoyar la acci�n �ptima para obtener los mejores resultados y minimizar el riesgo futuro.

Tal evoluci�n se est� acelerando a�n m�s con la introducci�n de tecnolog�as de IA Generativa (GenAI), pero tambi�n nos muestra una brecha creciente entre la adopci�n de tecnolog�a y la madurez de la gobernanza. Para la mayor�a de las organizaciones, la innovaci�n avanza a un ritmo m�s r�pido que los marcos �ticos, los controles de precisi�n o los mecanismos de transparencia, todo lo cual aumenta los peligros de sesgo, opacidad algor�tmica o errores. Una prioridad estrat�gica en este sentido es asegurarse de que las prioridades estrat�gicas actuales de innovaci�n requieran un equilibrio con la responsabilidad, lo que implica la incorporaci�n de modelos de IA Responsable y XAI para garantizar sistemas justos, auditables y confiables. En cualquier caso, en ausencia de control, la dependencia de la IA puede socavar la toma de decisiones y da�ar la integridad de una instituci�n; mientras que, cuando se acompa�a de un control robusto, la anal�tica prescriptiva puede impulsar la ventaja competitiva, la resiliencia organizacional y el progreso a largo plazo.

 

Referencias

1.      Bari, MD Hasanujamman and Ara, Anjuman, The Impact Of Machine Learning On Prescriptive Analytics For Optimized Business Decision-Making (April 15, 2024). Available at SSRN: https://ssrn.com/abstract=5050060 or http://dx.doi.org/10.2139/ssrn.5050060

2.      Fishman, N., & Stryker, C. (2020). Smarter Data Science: Succeeding with Enterprise-grade Data and AI Projects. John Wiley & Sons.

3.      Grigoryan, K., Bauer, E., Fichtler, T., Asmar, L., K�hn, A., & Dumitrescu, R. (2025, June). A Structured Tool Landscape for Data-Driven ProductManagernent. In 2025 IEEE International Conference on Engineering, Technology, and Innovation (ICE/ITMC) (pp. 1-10). IEEE.

4.      Haque, Anamul, The Algorithmic Enterprise: Strategic Integration of Data Analytics, Generative AI, and Blockchain Technologies (September 22, 2025). Available at SSRN: https://ssrn.com/abstract=5519598 or http://dx.doi.org/10.2139/ssrn.5519598

5.      Kakhki, M. D., & Nemati, H. (2024). A temporal view of business analytics in interorganizational relationships: enablers and barriers to value creation. IEEE Transactions on Engineering Management, 71, 3554-3565.

6.      Liu, Y. M., Kim, E., & Allenby, G. M. (2025). Teaching Prescriptive Analytics in Business School: an inter-coherent case study in the suv market. Marketing Education Review, 35(3), 229�251. https://doi.org/10.1080/10528008.2025.2512758

7.      Lytras, M., Housawi, A., & Alsaywid, B. (Eds.). (2023). Digital Transformation in Healthcare in Post-COVID-19 Times. Elsevier.

8.      Melo, P.N., & Machado, C. (Eds.). (2018). Management and Technological Challenges in the Digital Age (1st ed.). CRC Press. https://doi.org/10.1201/9781351238922

9.      Milchman, A. (2025). Unit Oriented Enterprise Architecture: Constructing Large Sociotechnical Systems in the Age of AI. Springer Nature.

10.  Qaium Hossain, Md. Zafor Ikbal, & Md. Musfiqur Rahman. (2025). A META DATA-DRIVEN DECISION SUPPORT IN HUMAN CAPITAL MANAGEMENT: REVIEWING HRIS AND PREDICTIVE ANALYTICS INTEGRATION. ASRC Procedia: Global Perspectives in Science and Scholarship, 1(01), 215-246. https://doi.org/10.63125/xgew7q22

11.  R. Bargavi, Vasumathi Palaniswamy, 2025. "Mastering the Integration Landscape: The Interplay Between Data-driven Management and TechStrat Fusion", Innovate to Integrate: Data-driven Management and TechStrat Fusion Unveiled, Vishal Jain, Neema Gupta, Ambuj Kumar Agarwal, Girija Chetty, Ramani Kannan

12.  Sarker, I.H. Data Science and Analytics: An Overview from Data-Driven Smart Computing, Decision-Making and Applications Perspective. SN COMPUT. SCI. 2, 377 (2021). https://doi.org/10.1007/s42979-021-00765-8

13.  Santos, P. J., de Mattos Nascimento, D. L., Fontoura, L., Antony, J., Garza-Reyes, J. A., Small, A., � Alsmairat, M. A. K. (2025). Powering efficiency: a Lean Six Sigma 4.0 agenda and roadmap for sustainable energy enhancement. Production Planning & Control, 1�23. https://doi.org/10.1080/09537287.2025.2581725

14.  Sharma, R., Mithas, S., & Kankanhalli, A. (2014). Transforming decision-making processes: a research agenda for understanding the impact of business analytics on organisations. European Journal of Information Systems, 23(4), 433�441. https://doi.org/10.1057/ejis.2014.17

 

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).