Rev. Cient. Sist. Inform. 4(1), e612, doi: 10.51252/rcsi.v4i1.612
Artículo de revisión
Review article
Ene-Jun, 2024
https://revistas.unsm.edu.pe/index.php/rcsi
e-ISSN: 2709-992X
Este es un artículo de acceso abierto distribuido bajo los términos de la licencia de atribución de Creative Commons, que permite el uso sin restricciones, distribución y
reproducción en cualquier medio, siempre que se cite debidamente la obra original.
Metodologías para la construcción de soluciones de
inteligencia de negocios
Methodologies for the construction of business intelligence solutions
Perales-Domínguez, Cristian1*
Sánchez-Calle, Jeison Eli1
Lévano-Rodriguez, Danny1
Gallegos-Carrillo, Katherine2
1Universidad Peruana Unión, Tarapoto, Perú
2Escuela Superior Politécnica del Chimborazo, Riobamba, Ecuador
Recibido: 08 Sep. 2023 | Aceptado: 30 Oct. 2023 | Publicado: 10 Ene. 2024
Autor de correspondencia*: cristian.perales@upeu.edu.pe
Como citar este artículo: Perales-Domínguez, C., Sánchez-Calle, J. E., Lévano-Rodriguez, D. & Gallegos-Carrillo, K. (2024). Metodologías
para la construcción de soluciones de inteligencia de negocios. Revista Científica de Sistemas e Informática, 4(1), e612.
https://doi.org/10.51252/rcsi.v4i1.612
RESUMEN
En las organizaciones, la inteligencia de negocios es una herramienta tecnológica por excelencia para el análisis
y procesamiento de datos históricos internos explotados a favor de la organización, generando información
oportuna y confiable. Nuestro objetivo fue identificar cuáles son las metodologías para la implantación de
soluciones de inteligencia de negocios basadas en data warehouse, así como la adaptabilidad de las mismas a los
diferentes tipos de empresas. Para ello realizamos una revisión del estado del arte de artículos publicados en
revistas indexadas en base de datos bibliográficas como: Web of Science, Scopus, ScienceDirect, SciELO a través
de Google Scholar con el propósito de tener una selección de información de calidad que nos proporcionen
aportes importantes para esta revisión. Identificamos que las metodologías permiten una construcción de la
solución de manera eficiente mediante fases apoyadas en herramientas, modelos y frameworks para su
construcción; siendo la metodología empírica la más utilizada para la construcción de estas soluciones de
inteligencia de negocios.
Palabras clave: datos; integración; metodologías; procesamiento; soluciones; warehouse
ABSTRACT
In organizations, business intelligence is a technological tool par excellence for the analysis and processing of
internal historical data exploited in favor of the organization, generating timely and reliable information. Our
objective is to identify the methodologies for the implementation of business intelligence solutions based on data
warehouse, as well as their adaptability to different types of companies. To do this, we carry out a review of the
state of the art of articles published in journals indexed in bibliographic databases such as: Web of Science,
Scopus, ScienceDirect, SciELO through Google Scholar with the purpose of having a selection of quality
information that they provide us. important contributions to this review. We identify that the methodologies
allow the construction of the solution efficiently through phases supported by tools, models and frameworks for
its construction; The empirical methodology being the most used for the construction of these business
intelligence solutions.
Keywords: data; integration; methodologies; prosecution; solutions; warehouse
Perales-Domínguez, C. et al.
2 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
1. INTRODUCCIÓN
En la actualidad podemos identificar que en las organizaciones existen brechas entre la información que
necesitan los altos directivos y la cantidad de datos recopilados en la ejecución de las actividades operativas
de la organización (Y. Xu et al., 2022). Es un hecho que al procesar estos datos y generar información, esta
puede formar la base de conocimientos que se necesita para que los gerentes o las partes interesadas tomen
decisiones objetivas basados en criterios determinísticos antes que probabilísticos (Castillo Abarca et al.,
2020).
Así mismo, las organizaciones tienen alta demanda de análisis, interpretación y procesamiento de datos
que les genera la necesidad de sistemas de información que combinen información de fuentes heterogéneas
para crear información homogénea, de fácil interpretación, disponible y transparente (Tunowski, 2020).
Para este propósito, la inteligencia de negocios es altamente efectiva, pues permite la explotación de la data
de los procesos operativos obtenida a través de sus sistemas transaccionales (Yiu et al., 2020).
Según una encuesta realizada por Figalist et al. (2022), ponen en evidencia que el 37% de trabajadores a
menudo incorporan inteligencia de negocios en sus proyectos y un 4% nunca la han aplicado ya que no
satisfacen sus necesidades, puesto que eventualmente aplican técnicas analíticas básicas, estadísticas
complejas y aprendizaje automático. En contraste Wang et al, (2022) manifiestan que estos sistemas son
incapaces de satisfacer las expectativas de los responsables de la toma de decisiones en las organizaciones.
Según Duque et al. (2021) las organizaciones dependen cada vez más de las soluciones de inteligencia de
negocios para extraer, transformar, procesar y organizar los datos. Ello nos permite afirmar lo importante
que es aplicar metodologías adecuadas para desarrollar estas soluciones que ayuden a agilizar y a hacer
más eficiente el proceso de toma de decisiones (Viteri et al., 2022). Por su parte, Cruz et al. (2022) detallan
la aplicación de la metodología de Hefesto V2.0 como guía para el desarrollo de su solución que proporciona
información relevante y precisa para los directivos, seguir la metodología garantiza una implantación
exitosa.
Por su parte, Vanegas et al. (2020) usan el análisis de datos históricos, la discusión del análisis con panel
de expertos y la unificación de la información recolectada como metodología para su construcción,
proporcionando ventajas competitivas, reducción de tiempos de horas a minutos en la obtención de
información y precisión de la información para la empresa.
La revisión de García Estrella et al. (2021) descubre que en Perú, en el sector empresarial se desarrolla más
la inteligencia de negocios y analítica de datos, siendo la metodología empírica la que más se aplica en las
soluciones de inteligencia de negocios, seguida de CRISP-DM y la metodología de Ralph Kimball.
Por otro lado, Azevedo et al. (2021) proponen implementar dos instancias metodológicas en la
construcción de la solución de inteligencia de negocios, tanto para el tratamiento de los datos en DW (Data
Warehouse) con la metodología Kimball y la metodología para la creación de indicadores. La primera
consta de 12 fases, desde los requerimientos del negocio hasta la solución de BI, la segunda consta de cuatro
fases para supervisar el rendimiento de las diversas actividades de la organización. La solución extrae,
almacena y procesa completamente los datos, brinda información en tiempo real a través de una interfaz
visual con un conjunto de métricas para satisfacer las necesidades de los tomadores de decisiones.
Luego de revisar la bibliografía disponible, y a fin de comprender el proceso constructivo de las soluciones
de inteligencia de negocios, llegamos a preguntarnos: ¿cuáles son las metodologías más empleadas?,
¿cuáles sus características, fases y procesos que son más utilizados para la construcción de este tipo de
soluciones?, ¿cómo se adaptan a las metodologías de construcción de inteligencia de negocios? Para ello,
realizamos una revisión sistemática de la literatura sobre las metodologías usadas para la construcción
exitosa de soluciones de inteligencia de negocios.
Perales-Domínguez, C. et al.
3 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
2. MATERIALES Y MÉTODOS
A fin de lograr nuestro objetivo planteado, aplicamos dos (2) etapas metodológicas: a) búsqueda de la
literatura, y b) revisión y selección de estudios.
2.1. Búsqueda de la literatura
En la Fase I, se siguieron las recomendaciones presentadas por Castiblanco Montañez et al. (2022) y Zheng
et al. (2018), se sugieren cuatro (4) fases para este proceso: en la primera fase, sugiere la elaboración de la
pregunta que se pretende investigar, en la segunda fase, la formulación de las ecuaciones de búsqueda, y la
tercera fase, la revisión de literatura adecuada (Tabla 1).
Tabla 1.
Metodología de la revisión literaria
Fase
Método
Resultado
I
Elaboración de la
pregunta
¿Cuáles son las metodologías más empleadas, características, fases y procesos
en la construcción de soluciones de inteligencia de negocios?
II
Formulación de
ecuaciones de
búsqueda
Se formularon ecuaciones de búsqueda combinando operadores booleanos
AND y OR y palabras clave: business, intelligence, dashboard, solutions,
methodology, bi, developing, analytics, impact, case study, systems,
implementation, application, empirical, datamart.
Los artículos han sido tomados de bases de datos como: scopus, ScienceDirect,
Web of Science (WOS) y Google académico.
III
Selección y revisión de
literatura
Para los criterios de inclusión se consideraron los artículos publicados entre
los años 2018 y 2022, respectivamente, en idioma español, inglés y portugués.
Se obtuvieron un total de 84 artículos, entre los cuales comprenden
publicaciones nacionales e internacionales.
Fuente: Adaptado de Castiblanco Montañez et al. (2022) y (Zheng et al. (2018)
2.2. Selección y revisión de estudios
Los documentos tomados para esta revisión están clasificados como artículos de revistas indexadas, los
cuales fueron importados al gestor de referencias bibliográficas Mendeley Desktop, para luego ser leídos,
los párrafos más importantes subrayados para un mejor entendimiento y aplicamos la técnica de
paráfrasis.
Los criterios de inclusión se centraron en la idoneidad del contenido en relación con las metodologías para
la construcción de soluciones de inteligencia de negocios. Se consideró estudios que proporcionan una
contribución sustancial en términos de enfoques metodológicos, herramientas o prácticas publicados en
idioma inglés, español o portugués. Los estudios incluidos comprenden publicaciones entre el año 2018
hasta 2022.
Se excluyeron estudios aquellos estudios que carecieron de datos relevantes y no alcanzaron los estándares
de calidad metodológica requerida. Asimismo, trabajos de análisis cualitativo, descriptivo o documental,
investigaciones de otras cuestiones relacionadas con las metodologías para la construcción de soluciones
de inteligencia de negocios y publicaciones inferiores al año 2017.
3. RESULTADOS Y DISCUSIÓN
Cada día las organizaciones generan grandes volúmenes de información, las cuales demandan del uso de
herramientas y guías metodológicas para su construcción (Saura & Bennett, 2019). Existen diversos
estudios que detallan la aplicación de estas metodologías en diferentes unidades de negocio como
respuesta a sus objetivos organizacionales y de apoyo para la toma de decisiones. Asimismo, la capacidad
de adaptabilidad de las metodologías en la construcción de inteligencia de negocios en diversas
Perales-Domínguez, C. et al.
4 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
organizaciones y procesos que demandan de la implantación de herramientas solución de inteligencia de
negocios (Orcajo & Fonseca, 2022).
3.1. Metodologías para la construcción de soluciones de inteligencia de negocios
A través de la revisión efectuada, se han identificado diversas metodologías para la construcción de
soluciones de inteligencia de negocios que proporcionan un conjunto de pasos, luego de los cuales, es
posible proporcionar información confiable y en el momento oportuno, con el menor uso de recursos a los
tomadores de decisiones (Olszak, 2022). Una característica de estos resultados es que son muy
heterogéneos en su contexto de aplicación; sin embargo, tienen una particularidad en común: siempre hay
una tabla de hechos que acopia todas las dimensiones de análisis en función de las cuales se proporcionan
las métricas de evaluación del desempeño de la organización (Tešendić & Krstićev, 2019).
Así, es posible afirmar que los datos procesados son fundamentales para generar información de sus
productos y servicios, que no solo les ayude a crecer, sino que sean mejores que sus competidores (Al-
Okaily et al., 2022). Bajo este contexto, Fraihat et al. (2021) afirman la necesidad de incorporar
metodologías y marcos de solución de inteligencia de negocios para los datos procesados, brindando alta
calidad y fiabilidad de la información como apoyo en la toma de decisiones.
Metodología BAM: Un enfoque empírico para la inteligencia de negocios en organizaciones
benéficas
De acuerdo al estudio realizado por Hindle & Vidgen (2018), quienes a través de la implementación de su
metodología empírica business analytics methodology (BAM, por sus siglas en inglés) para una
organización benéfica del Reino Unido, proporcionan valor a las organizaciones, alineando sus proyectos
de análisis de negocio con su estrategia empresarial. Ellos proponen cuatro fases fundamentales:
- La primera fase consiste en la estructuración de la problemática que enfrenta la organización.
- La segunda fase consiste en el mapeo del modelo de negocio identificando procesos claves para su
comprensión eficiente.
- Como tercera fase se tiene el fortalecimiento del análisis del negocio.
- Como cuarta fase consiste en la implementación de la analítica de los datos representados en
indicadores y metas contempladas para fortalecer la estrategia comercial.
Para el desarrollo de sus dos (2) fases iniciales, la metodología BAM propone la técnica de soft systems
methodology (SSM, por sus siglas en inglés) para la diagramación de modelos mentales de una situación
problema del mundo real; y la técnica de business model canvas (BMC, por sus siglas en inglés), que apunta
a considerar cuidadosamente cada elemento estudiados en la técnica SSM, obteniendo como resultado el
lienzo del modelo de negocio.
Consecuentemente para la tercera fase usan los modelos generados por la técnica BMC y los sistemas
obtenidos de la segunda fase, para identificar aspectos de apoyo que ayuden a identificar datos,
herramientas y análisis para responder a los objetivos de la empresa.
Tabla 2.
Fases de la Metodología BAM
N°
Fase
Técnicas utilizadas
1
Estructuración de la
problemática de la
organización
Utilización de la técnica Soft Systems Methodology (SSM) para diagramar
modelos mentales de la situación problema del mundo real.
2
Mapeo del modelo de
negocio identificando
procesos clave
Aplicación de la técnica Business Model Canvas (BMC) para analizar y
considerar cuidadosamente cada elemento identificado en la técnica
SSM, resultando en el lienzo del modelo de negocio.
Perales-Domínguez, C. et al.
5 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
3
Fortalecimiento del análisis
del negocio
Utilización de los modelos generados por la técnica BMC y los sistemas
identificados en la fase 2 para identificar aspectos de apoyo, datos,
herramientas y análisis necesarios para cumplir los objetivos de la
empresa.
4
Implementación de la
analítica de datos
Realización de búsquedas preliminares de datos internos y públicos para
identificar la disponibilidad y calidad de los mismos. Creación de
modelos predictivos relacionados con el ciclo de madurez de los bancos
de alimentos para la toma de decisiones
La metodología BAM concluye con su cuarta fase con la implementación analítica, realizando búsquedas
preliminares de datos internos y públicos con la finalidad de conocer qué datos están disponibles y la
calidad de los mismos, realizaron modelos predictivos del ciclo de madurez de los bancos de alimentos para
la toma de decisiones (Moreno et al., 2020).
Metodología de Inteligencia Empresarial para Mipymes
Por su parte, la metodología planteada por Guitarra Romero (2019), provee un proceso metodológico
empírico de tres (3) fases, las cuales están vinculadas a los cuatro (4) procesos de inteligencia empresarial
(Figura 1) adecuadas a las características y necesidades de las Mipymes. La nueva metodología permite la
generación de estrategias de base sistémica a mediano y largo plazo para la toma de decisiones.
Figura 1. Adaptado de Guitarra Romero (2019)
Fases de la metodología propuesta:
La primera fase consiste en conocer a la empresa, que es relacionada con las dos primeras fases de la
inteligencia empresarial: “Planeación e investigación y recolección”, para identificar temas críticos de la
organización, descubrir los sectores de negocio en la cual desarrollan sus actividades, asimismo sus
procesos, productos o servicio que ofrecen.
La segunda fase consiste en examinar las posibilidades de la empresa en cuanto a identificar tendencias y
formar escenarios futuros a nivel de nuevos mercados, productos, competidores, tecnología, etc. Esta fase
está relacionada con la segunda fase de inteligencia empresarial: “Análisis y producción”.
La tercera fase consiste en diseñar estrategias para la empresa, la cual vinculada a la fase de la inteligencia
empresarial: “Diseminación y explotación”, para el desarrollo de esta fase se utiliza la información obtenida
Perales-Domínguez, C. et al.
6 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
de la fase anterior con el propósito de generar productos y conocimiento operable de manera adecuada y
pertinente.
En la Figura 1 se observa el proceso metodológico propuesto, dividida en tres (3) fases: Conociendo la
empresa, Posibilidades de la empresa y Estrategias de la empresa. Estas fases se asocian a los procesos de
la inteligencia empresarial: Planeación, Investigación y recolección, Análisis y Producción y Diseminación
y Explotación, permitiendo la construcción de una nueva metodología dinámica y cíclica.
Tabla 3.
Fases de la metodología de inteligencia empresarial para Mipymes
N°
Fase
Técnicas utilizadas
1
Conocer a la empresa, identificar
temas críticos, sectores de negocio y
procesos.
Relacionada con las fases de "Planeación e investigación y
recolección" de la inteligencia empresarial.
2
Examinar las posibilidades de la
empresa y formar escenarios
futuros.
Relacionada con la fase de "Análisis y producción" de la
inteligencia empresarial
3
Diseñar estrategias para la empresa
utilizando la información obtenida
en la fase anterior.
Relacionada con la fase de "Diseminación y explotación" de la
inteligencia empresarial.
En efecto, esta nueva metodología permite construir una herramienta prospectiva de inteligencia de
negocios para generar estrategias a mediano y largo plazo para los tomadores de decisiones (Božič &
Dimovski, 2019). Así mismo, contribuye en la construcción de la solución de inteligencia de negocios futura.
Metodología de Inteligencia empresarial y desarrollo de soluciones de datos para Mipymes
Por su parte Viteri et al., (2022) plantean una “una nueva metodología para la inteligencia de negocios en
banca por internet” para la industria bancaria y financiera que como ya se mencionó en la introducción,
buscan proporcionar información que dinamice el proceso de toma de decisiones. Para definir la nueva
metodología se tomaron en cuenta factores críticos que influyen en el desarrollo de la solución como las
herramientas de software y sistemas de inteligencia de negocios.
Para el desarrollo de esta nueva metodología, ellos revisaron diferentes metodologías existentes como la
de Ralph Kimball, DWEP y SAS Rapid. Como parte del trabajo, analizaron factores críticos de éxito con una
matriz de ponderación, en la que Ralph Kimball y DEWEP fue la que obtuvo mayor puntaje en el meta-
análisis. Su resultado fue el desarrollo de una metodología empírica basada en las metodologías del meta-
análisis (Figura 2).
Respecto a los factores críticos de éxito los autores utilizaron la técnica de The Quantitative Strategic
Planning Matrix (QSPM, por sus siglas en inglés) desde un enfoque de gestión estratégica. La técnica designa
a cada factor crítico un peso (b) y una clasificación (c), la multiplicación de b * c designa el puntaje para
cada metodología. Luego de calcular, Ralph Kimball obtiene 29.4, DEWEP un 27.15 y SAS RAPID un 23.84.
A partir de ello, plantean una metodología que dividida en tres fases (Tabla 4), el cual se describe de la
siguiente manera:
En primer lugar, el análisis y diseño para la arquitectura de la solución, obteniendo el diseño de los casos
de uso, así como la arquitectura y el flujo de entrada y salida de datos.
En segundo lugar, el desarrollo de la base de datos y la construcción de procesos de extracción,
transformación y carga de datos (Extration, transformation and Load, ETL por sus siglas en inglés).
En tercer lugar, la integración a través de paneles de información.
Perales-Domínguez, C. et al.
7 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
Figura 2. Adaptado de Viteri et al. (2022)
Tabla 4.
Fases de la metodología de Inteligencia empresarial propuesta
N°
Fase
Herramientas/Enfoques Utilizados
1
Análisis y diseño para la arquitectura de la
solución. Incluye el diseño de casos de uso y la
arquitectura.
Análisis de casos de uso, diseño arquitectónico y la
definición de flujos de entrada y salida de datos.
2
Desarrollo de la base de datos y construcción de
procesos ETL.
Construcción de la base de datos. Procesos de Extracción,
Transformación y Carga (ETL).
3
Integración a través de paneles de información.
Creación e implementación de paneles de información.
La implementación de su nueva metodología tuvo resultados significativos en la banca por internet,
indicando una mayor productividad y reducción de tiempo, así como un número reducido de personas
involucradas y costos generados por el trabajo de cada persona en el proceso de toma de decisiones (Nithya
& Kiruthika, 2021).
Metodología de Ralph Kimball para la construcción de soluciones de inteligencia de negocios en
entidades territoriales
Para la construcción de la solución de inteligencia de negocios, Varona-Taborda et al., (2021) utilizaron la
metodología de Ralph Kimball que les permitió integrar y analizar la información de los programas de
secretarías de salud, educación y planeación para una entidad territorial.
La metodología consta de nueve (9) fases (5) que son: Definición de requerimientos del negocio, Diseño de
la arquitectura técnica, Selección de productos e implementación, Modelado Dimensional, Diseño Físico,
Diseño e implementación del Subsistema de ETL, Implementación, Especificaciones de aplicaciones de BI,
Desarrollo de aplicaciones de BI, Administración del proyecto de DW/BI.
Asimismo, presenta aspectos importantes para la construcción de la solución de inteligencia de negocios y
para el desarrollo de contenedores de datos DW; sin embargo, los autores consideraron usar seis (6) fases
de la metodología, puesto a que estas instituciones son ricas en datos, pero no cuentan con herramientas
necesarias para explotar al máximo las aplicaciones de inteligencia de negocios.
Las fases adoptadas por estos autores son: Planificación, Análisis de requisitos, Modelado dimensional,
Diseño físico, Diseño del sistema ETL, Especificación y desarrollo de aplicaciones de BI.
Tabla 5.
Fases de la metodología de Ralph Kimball
N°
Fase
Descripción
1
Planificación
Etapa inicial que implica la planificación general del proyecto de
inteligencia de negocios, incluyendo la definición de objetivos, alcance y
recursos.
2
Análisis de requisitos
Identificación y análisis de las necesidades y requisitos de la
organización para determinar qué datos y métricas son cruciales para la
toma de decisiones.
Perales-Domínguez, C. et al.
8 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
3
Modelado dimensional
Creación de modelos dimensionales para organizar y estructurar los
datos de manera que sean efectivos para el análisis.
4
Diseño físico
Diseño de la estructura física de la base de datos, incluyendo la
configuración de tablas y relaciones para el almacenamiento de datos.
5
Diseño del sistema ETL
Diseño e implementación del proceso de Extracción, Transformación y
Carga de datos, que garantiza la calidad y disponibilidad de los datos.
6
Especificación y
desarrollo de
aplicaciones de BI
Definición de los requisitos y desarrollo de aplicaciones y herramientas
para el análisis de datos y la generación de informes.
La implementación de su metodología les permite construir dimensiones, jerarquías y niveles de cubos,
que permite generar y visualizar la información en paneles de información con la herramienta de Pentaho
y Power BI. Asimismo, se logra obtener un correcto análisis de la información para la toma de decisiones y
aplicar nuevas estrategias para resolver problemas específicos mediante el uso de paneles, visualizaciones
de métricas e informes (Díaz Vásquez et al., 2022).
Metodología para la construcción de sistemas de inteligencia de negocios en instituciones de
educación superior
Por su parte Khatibi et al., (2020) proponen una metodología de cinco (5) fases (Tabla 6) para la
construcción de la solución de inteligencia de negocios, dando lugar al desarrollo de un modelo (¡Error! N
o se encuentra el origen de la referencia.) para monitorear los indicadores de educación superior y
posibilitar el análisis de tendencias futuras a través de la incorporación de diversas fuentes de datos.
Fases de la metodología propuesta:
La primera fase consiste en identificar las principales fuentes de datos internas y recopilar información.
La segunda fase consiste en extraer, transformar y cargar datos empleando el proceso de ETL.
La tercera fase consiste en integrar los datos recopilados en un almacén de datos.
La cuarta fase consiste en monitorear y pronosticar indicadores utilizando el online analytical processing
(OLAP por sus siglas en inglés).
La quinta fase consiste en explotar la información en paneles de información de informes basados en datos.
Figura 3. Adaptado de Khatibi et al. (2020)
Perales-Domínguez, C. et al.
9 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
Como se observa en la Figura 3, la metodología permite crear un sistema de inteligencia de negocios que
comprende desde la identificación de fuentes de datos internas y externas, mapeo de datos, depósitos de
datos orientados a procesos, seguimiento y control de informes dinámicos en paneles de información para
los tomadores de decisiones.
Tabla 6.
Fases de la metodología propuesta por Khatibi et al. (2020)
Fase
Descripción
1
Identificación de las principales fuentes de datos internas y recopilación de información.
2
Extracción, transformación y carga (ETL) de datos utilizando un proceso ETL para preparar los datos.
3
Integración de los datos recopilados en un almacén de datos centralizado para su fácil acceso y análisis.
4
Monitoreo y pronóstico de indicadores utilizando el proceso de Online Analytical Processing (OLAP).
5
Explotación de la información a través de paneles de información y generación de informes basados en
datos.
La implementación de la metodología permite construir sistemas de inteligencia de negocios que ayudan a
monitorear, analizar y pronosticar indicadores de las instituciones de educación superior y la integración
de diversas fuentes de datos (Mora-Vicarioli et al., 2021).
Metodología de implementación de CRISP-DM para la obtención de información efectiva en
pequeñas y medianas empresas
En contraste con lo anterior, Risco-Ramos et al., (2022) proponen la metodología de Cross-industry
Standard Process for Data Mining (CRISP-DM, por sus siglas en inglés) como base para la construcción de
la solución, compuesta de seis (6) fases (¡Error! No se encuentra el origen de la referencia.). Sin e
mbargo, los autores proponen incluir una fase previa a la preparación de los datos, siendo siete (7) fases
implementadas (Tabla 7), ya que es adaptable a pequeñas y medianas empresas permite mejores
resultados en la reducción de tiempo para la obtención de información.
Figura 4. Adaptado de Risco-Ramos et al. (2022)
Fases de comprendidas de la metodología:
La primera fase consiste en conocer el negocio, identificar objetivos del proyecto, definir el problema, el
plan preliminar y la estrategia a seguir. La segunda es la comprensión de los datos, es decir recopilar,
analizar, explorar y verificar la calidad de los datos. La tercera es definir el tipo de análisis, descriptivo o
diagnóstico. La cuarta es la preparación de los datos que implica todas las medidas necesarias para elaborar
Perales-Domínguez, C. et al.
10 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
el conjunto de datos. La quinta es la elaboración de un modelo de datos y la generación de diseños de
pruebas para evaluación de los mismos. La sexta es evaluar el modelo y una revisión del proceso de
construcción del mismo antes de su implantación, así mismo la evaluación de los resultados obtenidos. Y la
séptima es la aplicación del modelo generando informes online de manera que sean útiles para el usuario
final.
Tabla 7.
Fases de la metodología CRISP-DM para soluciones de inteligencia de negocios
Fases
Descripción
1
Conocer el negocio, identificar objetivos del proyecto, definir el problema, el plan preliminar y la
estrategia a seguir.
2
Comprender los datos, recopilar, analizar, explorar y verificar la calidad de los datos.
3
Definir el tipo de análisis, que puede ser descriptivo o diagnóstico.
4
Preparación de los datos, que incluye todas las medidas necesarias para elaborar el conjunto de
datos.
5
Elaboración de un modelo de datos y generación de diseños de pruebas para su evaluación.
6
Evaluar el modelo y revisar el proceso de construcción antes de su implantación, así como evaluar
los resultados obtenidos.
7
Aplicación del modelo, generación de informes en línea para que sean útiles para el usuario final.
La metodología se aplicó a los datos existentes de la organización, empleando Power BI para el proceso de
ETL, extracción, transformación y carga de datos. La implementación permite a las organizaciones una
óptima gestión de la calidad y un mejor rendimiento, asimismo la visualización de parámetros de
funcionamiento en paneles de información dinámicas en tiempo real.
Metodologías en la construcción de soluciones de inteligencia de negocios: Un análisis comparativo
y su impacto en la toma de decisiones empresariales
De las metodologías de Ralph Kimball, BAM, CRISP-DM y las metodologías empíricas empleadas en la
construcción de solución de inteligencia de negocios, la metodología BAM (business analytics
methodology) elaborada por Hindle & Vidgen (2018) empleada para organizaciones benéficas,
proporciona modelos predictivos para la toma de decisiones.
Por otro lado, Guitarra Romero (2019), con su metodología empírica de tres (3) fases, se orienta para el
sector de las Mipymes el cual permite desarrollar una herramienta prospectiva y la generación de
estrategias en base sistémica a mediano y largo plazo para la toma de decisiones.
En cuanto a su nueva metodología empírica de Viteri et al., (2022) orientada al sector financiero, permite
obtener resultados significativos en la banca por internet para la toma de decisiones en menos tiempo,
menos costes y poca intervención del personal.
Por su parte Varona-Taborda et al., (2021) implementó la metodología de Ralph Kimball, aplicada en una
entidad territorial para analizar e integrar información de los programas de secretaría de salud y
educación. La metodología les permitió obtener un correcto análisis de los datos explotados en paneles de
información con herramientas de Pentaho y Power BI.
En cuanto a su metodología empírica elaborada por Khatibi et al., (2020) orientada a instituciones de
educación superior, les permitió elaborar un sistema de inteligencia de negocios para el seguimiento y
control de indicadores mediante informes dinámicos. Por otro lado, Risco-Ramos et al., (2022) adoptó la
metodología CRISP-DM orientada a las Mipymes en una empresa de suministro eléctrico, el cual permitió
una óptima gestión de la calidad y un mejor rendimiento.
La implementación de metodologías para la construcción de soluciones de inteligencia de negocios
demuestra ser una guía que abarca desde la identificación de los datos hasta la explotación de las mismas
Perales-Domínguez, C. et al.
11 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
en paneles de información dinámicas, adaptándose a múltiples unidades de negocio usando herramientas
de inteligencia de negocios y analíticas de datos para generar estrategias, modelos y sistemas de
inteligencia de negocios que ayudan a reducir tiempos, costes y a mantener una óptima calidad de la
información en tiempo real para los tomadores de decisiones (Ali Qhal, 2022).
3.2. Adaptabilidad de las metodologías para la construcción de solución de inteligencia de negocios.
Existen estudios que establecen procesos donde se aplican metodologías para el desarrollo de solución de
inteligencia de negocios, aplicando modelos, arquitecturas, herramientas tecnológicas y frameworks como
un marco para determinar el análisis de actividades para su construcción (Schwade, 2021), de esta manera
se sistematiza la literatura encontrada en esta investigación.
Según Duarte et al., (2021) la metodología Ralph Kimball se adapta mejor a las necesidades del negocio que
demanda el proceso de atenciones médicas, debido a que permite tomar decisiones eficientes y responder
las necesidades de la institución y los profesionales de la salud aluden el acceso y la presentación de la
información de salud como uno de los principales desafíos. Existe necesidad continua de mejorar la calidad
de la atención y rendimiento clínico. Uno de los mayores problemas en las organizaciones de atención
médica es que la información está dispersa en diferentes fuentes de datos debido al uso de diferentes
herramientas implicadas.
La metodología se divide en siete (7) fases: planificación de proyectos, requisitos comerciales, definición
de arquitectura tecnológica, modelado dimensional, modelo físico, diseño y desarrollo de ETL de datos y
desarrollo de aplicaciones analíticas. Estas permiten identificar las tareas necesarias comprendidas desde
la identificación de los datos hasta el diseño de la solución final.
En cuanto a Lopes et al., (2020), para este mismo objetivo, usaron un sistema de inteligencia de negocios
de nombre Adaptive Business Intelligence juntamente con herramientas de minería de datos en el proceso
del sistema hospitalario que generan grandes cantidades de datos, el cual busca construir una arquitectura
de inteligencia de negocios adaptativa a nivel clínico y administrativo.
Este sistema basado en inteligencia de negocios, se compone de tres (3) niveles principales: el primer nivel
enfocado en el conjunto de operaciones fundamentales orientadas a normalizar y procesar los datos, el
segundo y tercer nivel que se enlazan paralelamente de previsión y optimización los cuales brindan un
conjunto de decisiones adaptadas al contexto de la organización y conocimiento relevante que no tenía,
estos sistemas han demostrado tener la capacidad para mejorar la toma de decisiones (Phillips-Wren et al.,
2021).
Por otro lado, para las entidades financieras Shao et al., (2022), proponen un framework de nombre IoT-
Efficient Data Visualization Framework (IoT-EDVF por sus siglas en inglés) para la construcción de una
solución de inteligencia de negocios juntamente con herramientas de analítica de datos aplicados a
procesos de gestión de análisis corporativo, para fortalecer el riesgo a fugas de datos, analizar diversas
fuentes de datos y gestión de la calidad de datos para la inteligencia de negocios en las finanzas corporativas
(Torres & Sidorova, 2019).
La gestión del análisis corporativo es introducida en el desarrollo del marco de visualización de datos para
identificar riesgos del sistema de análisis de datos de diferentes fuentes de datos (Bimonte et al., 2021). El
objetivo principal del marco en el análisis de datos es la estimación, la estadística, organización de datos,
experiencia del usuario y las tecnologías informáticas.
El marco de visualización de datos se compone de seis (6) elementos principales como: el crear un grupo
de expertos, establecer requisitos y describir la escala lingüística, establecer las evaluaciones de los
tomadores de decisión, normalizar el vector difuso de relaciones directas, estudio y revisión del modelo de
ecuaciones estructurales y la elaboración de un modelo de diagrama.
Perales-Domínguez, C. et al.
12 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
Para Khatibi et al., (2020) el proceso de gestión académica es el principal apoyo para la toma de decisiones
en los centros educativos y universidades, su metodología empírica dividida en cinco (5) fases para la
construcción de la solución, el cual permite diseñar modelos basados en inteligencia de negocios para
apoyar el seguimiento de indicadores de enseñanza que son presentados en informes de inteligencia de
negocios
Su modelo de inteligencia de negocios permite a las instituciones de educación superior realizar
seguimiento y previsión de las tendencias de los sistemas nacionales. El modelo integra datos de
indicadores extraídos desde fuentes heterogéneas mediante el proceso de extracción, transformación y
carga de datos y la ejecución de la misma mediante el procesamiento analítico en línea (online analytical
processing, OLAP por sus siglas en inglés).
Por su parte Xavier Reyes-Mena et al. (2018) incorporan la metodología de Ralph Kimball dividida en tres
(3) secciones: software para el análisis de los beneficios, diseño de los contenedores de datos y estructura
ETL, la aplicación de la inteligencia de negocios y el desarrollo en el proceso de gestión de incidencias del
equipo de respuesta ante incidentes de seguridad informática CSIRT (Computer Security Incident Response
Team, por sus siglas en inglés). Asimismo, la metodología SCRUM para el desarrollo del software que
integra alertas tempranas de vulnerabilidades para la toma de decisiones.
Durante el desarrollo de la solución ellos han identificado varios aspectos como la revisión de las redes
públicas de la institución, archivos de configuración de routers y firewalls, configuración y actualizaciones
de seguridad de los servidores Linux y Windows y el cumplimiento de políticas de las mismas.
El diseño de su solución implementada mediante la inteligencia de negocios el cual actúa como elemento
estratégico en el análisis de vulnerabilidad del CSIRT y la aplicación de la metodología Ralph Kimball y
SCRUM permitieron desarrollar un sistema de inteligencia de negocios con algoritmos aplicados al proceso
ETL explotadas mediante herramientas como Pentaho para la visualización de datos en paneles de
información.
De acuerdo a los estudios analizados en la adaptabilidad de las metodologías de construcción de
inteligencia de negocios hemos identificado que es aplicable en procesos tales como: atenciones médicas
(Duarte et al., 2021), sistema hospitalario (Lopes et al., 2020), gestión de análisis corporativo (Shao et al.,
2022), gestión académica (Khatibi et al., 2020), gestión de incidencias informáticas (Xavier Reyes-Mena et
al., 2018), asimismo las metodologías permiten trabajar juntamente con herramientas de minería de datos,
big data, frameworks de visualizaciones de datos (Vinicio et al., 2022) y en modelo de inteligencia de
negocios basados en Deep Learning y Support Vector Regression (SVR, por sus siglas en inglés) (Yasir et
al., 2021).
En nuestra revisión hemos identificado metodologías aplicadas en diferentes sectores y procesos donde
los sistemas de inteligencia de negocios son implementados.
En la Tabla 8, en los procesos de los sistemas de atenciones médicas se aplicaron la solución de inteligencia
de negocios a través del uso de metodologías de Ralph Kimball, BIM y DSRM, además la metodología
empírica en los procesos de sistemas hospitalarios.
En el sector financiero, los procesos del sistema financiero se usó la metodología empírica basado en el
framework IoT-EDVF, además para los procesos comerciales en el cual se usó la metodología PSP y
empírica. En el sector de tecnología se usó la metodología empírica para los procesos analíticos de Big Data,
para el proceso de logística en el sector transporte se usó la metodología empírica.
Según la Tabla 8, en el sector educación se tienen los procesos de sistema curricular el cual uso la
metodología empírica, además en el proceso de gestión académica se usó la metodología empírica y Ralph
Kimball. Por otro lado, en los procesos comerciales del sector PYME se usó la metodología empírica,
asimismo para los procesos de gestión de incidencias del sector industrial.
Perales-Domínguez, C. et al.
13 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
Tabla 8.
Metodologías empleadas en procesos organizacionales
Sector
Procesos
Metodología
Estudios
Salud
Sistema de atenciones
médicas
Metodología Ralph Kimball
Duarte et al., (2021)
Metodología BIM
Marzouk & Hanafy (2022)
Metodología DSRM
Basile et al. (2022)
Sistema Hospitalario
Adaptative Business Intelligence
Lopes et al. (2020)
Financiero
Sistema Financiero
Metodología Empírica
Shao et al. (2022)
Modelo de DeLone y McLean,
Modelo de Seddon Modificado
Gonzales & Wareham (2019)
Comercial
Metodología PSP
Tavera Romero et al. (2021)
Metodología Empírica
Tunowski (2020)
Tecnología
Big Data
Metodología Empírica
Niu et al. (2021)
Modelo TSP-DS
Tardío et al. (2022)
Gobernanza de TI
Metodología Empírica
Biagi et al. (2022)
Ciberseguridad
Metodología Ralph Kimball
Xavier Reyes-Mena et al. (2018)
Transporte
Logística
Metodología Empírica
Václav et al. (2021)
Educación
Sistema curricular
Metodología Empírica
J. J. Xu & Babaian (2021)
Gestión académica
Metodología Empírica
Freitas Júnior et al. (2022)
Metodología Ralph Kimball
Villegas-Ch et al. (2020)
Metodología Empírica
Hamoud et al. (2021)
Marketing
Metodología Ralph Kimball
Lokaadinugroho et al. (2021)
PYME
Comercial
Metodología Empírica
Cerda-Leiva et al. (2020)
Metodología Empírica
Guitarra Romero (2019)
Industrial
Gestión de incidencias
Metodología Empírica
Nakhal A et al. (2021)
Sistema fotovoltaico
Metodología E-BI
Antoniolli et al. (2022)
Gestión administrativa
Metodología Ralph Kimball
Ulloa et al. (2020)
Múltiples
Sectores
Administración
Metodología Empírica
Dahr et al. (2022)
Gestión de Riesgos
Metodología SCRM
Žigienė et al. (2022)
De acuerdo a la literatura revisada, la metodología de Ralph Kimball es una de las más utilizadas y
recomendadas por su enfoque dimensional para el modelado y diseño de la data warehouse, proporciona
un proceso detallado y estructurado. Sin embargo, puede resultar rígida para algunos contextos.
Las metodologías empíricas permiten adaptarse mejor a las necesidades específicas de cada organización
o sector. Son flexibles, pero requieren experiencia por parte del equipo de desarrollo. Su elección
dependerá del conocimiento del negocio.
Metodologías como CRISP-DM son genéricas y aplicables en distintos dominios, aportan buenas prácticas,
pero pueden necesitar adaptación. Son recomendables para equipos con poca experiencia en BI.
En efecto, no existe una metodología universalmente mejor. La elección debe basarse en aspectos como el
rubro, tamaño de la empresa, recursos disponibles y conocimientos del equipo de desarrollo. Siempre es
viable enriquecer el enfoque mediante la incorporación de técnicas de otras metodologías.
Es clave involucrar a los usuarios y stakeholders en el proceso para identificar correctamente los
requerimientos de información y análisis. Esto guiará la selección y aplicación de la metodología más
adecuada.
Es preciso llevar a cabo una validación que asegure que la metodología seleccionada sea idónea para
alcanzar los objetivos empresariales, aportando valor a través de información accionable que facilite el
proceso de toma de decisiones.
CONCLUSIONES
A través de esta investigación, se puede afirmar que las organizaciones implementan metodologías tales
como: Ralph Kimball, BIM, DSRM, Adaptative Business Intelligence, metodologías empíricas, PSP, TSP-DS,
Perales-Domínguez, C. et al.
14 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
BAM, E-BI, modelos DeLone, McLean, y Seddon modificado para la construcción de solución de inteligencia
de negocios.
Asimismo, se determinó que las metodologías empíricas son más usadas en la construcción de solución de
inteligencia de negocios, siendo las organizaciones benéficas, Mipymes, transportes y centros educativos
las cuales establecen su manera de implementar la solución, seguidas de Ralph Kimball en organizaciones
financieras, industriales, PYME, tecnología y salud.
Consecuentemente estas metodologías son adaptables a diferentes procesos tales como: atenciones
médicas, sistemas hospitalarios, gestión de análisis corporativos, gestión académica, gestión de incidencias
informáticas, además en el proceso de construcción del sistema de inteligencia de negocios se usan
herramientas de minería de datos, big data y frameworks manteniendo en la visualización de datos.
Las metodologías para la construcción de inteligencia de negocios demuestran ser guías que generan
conocimiento para las organizaciones y asistir en el análisis y construcción de sistemas de inteligencia de
negocios que abarcan desde la identificación de las fuentes de datos hasta la visualización en paneles de
información combinadas con herramientas de ciencia de datos generando jerarquías, modelos y
arquitecturas adaptativas para sus sistemas como apoyo para la toma de decisiones.
FINANCIAMIENTO
Los autores no recibieron patrocinio para llevar a cabo este estudio-artículo.
CONFLICTO DE INTERESES
No existe ningún tipo de conflicto de interés relacionado con la materia del trabajo.
CONTRIBUCIÓN DE LOS AUTORES
Conceptualización: Perales-Domínguez, C., Sánchez-Calle, J. E., Lévano-Rodriguez, D. y Gallegos-Carrillo, K.
Curación de datos: Perales-Domínguez, C. y Sánchez-Calle, J. E.
Análisis formal: Lévano-Rodriguez, D. y Gallegos-Carrillo, K.
Investigación: Perales-Domínguez, C., Sánchez-Calle, J. E., Lévano-Rodriguez, D. y Gallegos-Carrillo, K.
Administración del proyecto: Perales-Domínguez, C., Sánchez-Calle, J. E., Lévano-Rodriguez, D. y Gallegos-
Carrillo, K.
Software: Perales-Domínguez, C. y Sánchez-Calle, J. E.
Supervisión: Lévano-Rodriguez, D. y Gallegos-Carrillo, K.
Validación: Perales-Domínguez, C. y Gallegos-Carrillo, K.
Visualización: Sánchez-Calle, J. E. y Lévano-Rodriguez, D.
Redacción -borrador original: Perales-Domínguez, C. y Sánchez-Calle, J. E.
Redacción - revisión y edición: Lévano-Rodriguez, D. y Gallegos-Carrillo, K.
REFERENCIAS BIBLIOGRÁFICAS
Al-Okaily, A., Al-Okaily, M., Teoh, A. P., & Al-Debei, M. M. (2022). An empirical study on data warehouse
systems effectiveness: the case of Jordanian banks in the business intelligence era. EuroMed Journal
of Business, May. https://doi.org/10.1108/EMJB-01-2022-0011
Ali Qhal, E. M. (2022). Role of Business Intelligence and Knowledge Management in Solving Business
Problems. Tehnički Glasnik, 16(3), 371–378. https://doi.org/10.31803/tg-20220531145604
Antoniolli, A. F., Naspolini, H. F., de Abreu, J. F., & Rüther, R. (2022). Development of technical and
statistical algorithm using Business Intelligence tools for energy yield assessment of large rooftop
Perales-Domínguez, C. et al.
15 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
photovoltaic system ensembles. Sustainable Energy Technologies and Assessments, 49(November
2021). https://doi.org/10.1016/j.seta.2021.101686
Azevedo, J., Duarte, J., & Santos, M. F. (2021). Implementing a business intelligence cost accounting
solution in a healthcare setting. Procedia Computer Science, 198(2021), 329–334.
https://doi.org/10.1016/j.procs.2021.12.249
Basile, L. J., Carbonara, N., Pellegrino, R., & Panniello, U. (2022). Business intelligence in the healthcare
industry: The utilization of a data-driven approach to support clinical decision making.
Technovation, March 2021, 102482. https://doi.org/10.1016/j.technovation.2022.102482
Biagi, V., Patriarca, R., & Di Gravio, G. (2022). Business intelligence for IT governance of a technology
company. Data, 7(1). https://doi.org/10.3390/data7010002
Bimonte, S., Billaud, O., Fontaine, B., Martin, T., Flouvat, F., Hassan, A., Rouillier, N., & Sautot, L. (2021).
Collect and analysis of agro-biodiversity data in a participative context: A business intelligence
framework. Ecological Informatics, 61(December 2020).
https://doi.org/10.1016/j.ecoinf.2021.101231
Božič, K., & Dimovski, V. (2019). Business intelligence and analytics use, innovation ambidexterity, and
firm performance: A dynamic capabilities perspective. Journal of Strategic Information Systems,
28(4), 101578. https://doi.org/10.1016/j.jsis.2019.101578
Castiblanco Montañez, R. A., Coronado Veloza, C. M., Morales Ballesteros, L. V., Polo González, T. V., &
Saavedra Leyva, A. J. (2022). Hemorragia postparto: intervenciones y tratamiento del profesional de
enfermería para prevenir shock hipovolémico. Revista Cuidarte.
https://doi.org/10.15649/cuidarte.2075
Castillo Abarca, L., Vega Zepeda, V., & Meneses Villegas, C. (2020). Alineando el ciclo de vida de un
proyecto con un modelo de madurez BI: una propuesta para la etapa de análisis preliminar.
Ingeniare. Revista Chilena de Ingeniería, 28(4), 629–644. https://doi.org/10.4067/s0718-
33052020000400629
Cerda-Leiva, L., Araya-Castillo, L., & Barrientos Oradini, N. (2020). ¿Cuánto Se Ha Avanzado En
Proporcionar Analítica E Inteligencia De Negocios a Las Pymes? Investigacion & Desarrollo, 19(2),
167–175. https://doi.org/10.23881/idupbo.019.2-11e
Cruz, L. M. H., Lao, F. J. B., Alvarez, D. C. M., Téllez, M. C., Canul, R. C. C., May, J. I. S., & Guerrero, M. D. F.
(2022). Use of the Hefesto v2.0 methodology to implement a Data warehouse: Case applied COVID-
19. Iberian Conference on Information Systems and Technologies, CISTI, 2022-June.
https://doi.org/10.23919/CISTI54924.2022.9820132
Dahr, J. M., Hamoud, A. K., Najm, I. A., & Ahmed, M. I. (2022). Implementing Sales Decision Support System
Using Data Mart Based on Olap, Kpi, and Data Mining Approaches. Journal of Engineering Science and
Technology, 17(1), 275–293.
Díaz Vásquez, R. A., Espinoza Acosta, L. J., & Cabrera Checa, A. M. (2022). Power BI como herramienta de
apoyo a la toma de decisiones. Revista Universidad y Sociedad, 14(S3), 195–207.
Duarte, R., Guimarães, T., & Santos, M. F. (2021). A Business Intelligence Platform for Portuguese
Misericórdias. Procedia Computer Science, 198(2021), 341–346.
https://doi.org/10.1016/j.procs.2021.12.251
Duque, J., Godinho, A., & Vasconcelos, J. (2021). Knowledge data extraction for business intelligence A
design science research approach. Procedia Computer Science, 204(2022), 1301–139.
https://doi.org/10.1016/j.procs.2022.08.016
Perales-Domínguez, C. et al.
16 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
Figalist, I., Elsner, C., Bosch, J., & Olsson, H. H. (2022). Breaking the vicious circle: A case study on why AI
for software analytics and business intelligence does not take off in practice. Journal of Systems and
Software, 184, 111135. https://doi.org/10.1016/j.jss.2021.111135
Fraihat, S., Salameh, W. A., Elhassan, A., Tahoun, B. A., & Asasfeh, M. (2021). Business Intelligence
Framework Design and Implementation: A Real-estate Market Case Study. Journal of Data and
Information Quality, 13(2). https://doi.org/10.1145/3422669
Freitas Júnior, O. de G., de Carvalho, V. D. H., Barros, P. A. M., & Braga, M. de M. (2022). Uma Experiência
com Business Intelligence para apoiar a Gestão Acadêmica em uma Universidade Federal Brasileira.
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informacão, 46, 5–20.
https://doi.org/10.17013/risti.46.5
García Estrella, C. W., Barón Ramírez, E., & Sánchez Gárate, S. K. (2021). La inteligencia de negocios y la
analítica de datos en los procesos empresariales. Revista Científica de Sistemas e Informática, 1(2),
38–53. https://doi.org/10.51252/rcsi.v1i2.167
Gonzales, R., & Wareham, J. (2019). Analysing the impact of a business intelligence system and new
conceptualizations of system use. Journal of Economics, Finance and Administrative Science, 24(48),
345–368. https://doi.org/10.1108/JEFAS-05-2018-0052
Guitarra Romero, R. (2019). Prospectiva e Inteligencia Estratégica Aplicada a la Micro, Pequeña y Mediana
Empresa. Tendencias, 20(1), 107–129. https://doi.org/10.22267/rtend.192001.110
Hamoud, A. K., Hussein, M. K., Alhilfi, Z., & Sabr, R. H. (2021). Implementing data-driven decision support
system based on independent educational data mart. In International Journal of Electrical and
Computer Engineering (Vol. 11, Issue 6, pp. 5301–5314).
https://doi.org/10.11591/ijece.v11i6.pp5301-5314
Hindle, G. A., & Vidgen, R. (2018). Developing a business analytics methodology: A case study in the
foodbank sector. European Journal of Operational Research, 268(3), 836–851.
https://doi.org/10.1016/j.ejor.2017.06.031
Khatibi, V., Keramati, A., & Shirazi, F. (2020). Deployment of a business intelligence model to evaluate
Iranian national higher education. Social Sciences & Humanities Open, 2(1), 100056.
https://doi.org/10.1016/j.ssaho.2020.100056
Lokaadinugroho, I., Girsang, A. S., & Burhanudin, B. (2021). Tableau Business Intelligence Using the 9
Steps of Kimball’s Data Warehouse & Extract Transform Loading of the Pentaho Data Integration
Process Approach in Higher Education. Engineering, MAthematics and Computer Science (EMACS)
Journal, 3(1), 1–11. https://doi.org/10.21512/emacsjournal.v3i1.6816
Lopes, J., Guimarães, T., & Santos, M. F. (2020). Adaptive business intelligence: A new architectural
approach. Procedia Computer Science, 177, 540–545. https://doi.org/10.1016/j.procs.2020.10.075
Marzouk, M., & Hanafy, M. (2022). Modelling maintainability of healthcare facilities services systems
using BIM and business intelligence. Journal of Building Engineering, 46(December 2021), 103820.
https://doi.org/10.1016/j.jobe.2021.103820
Mora-Vicarioli, F. R., Arce-Solano, J. L., Padilla-Romero, K., & Muñiz-Umaña, G. (2021). Implementación de
un sistema de inteligencia de negocios. Escuela de Ciencias de la Administración UNED. Revista
Electrónica Calidad En La Educación Superior, 12(1), 76–103.
https://doi.org/10.22458/caes.v12i1.3520
Moreno, V., Cavazotte, F., & de Souza Carvalho, W. (2020). Business intelligence and analytics as a driver
of dynamic and operational capabilities in times of intense macroeconomic turbulence. Journal of
Perales-Domínguez, C. et al.
17 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
High Technology Management Research, 31(2), 100389.
https://doi.org/10.1016/j.hitech.2020.100389
Nakhal A, A. J., Patriarca, R., Di Gravio, G., Antonioni, G., & Paltrinieri, N. (2021). Investigating occupational
and operational industrial safety data through Business Intelligence and Machine Learning. Journal
of Loss Prevention in the Process Industries, 73(February), 104608.
https://doi.org/10.1016/j.jlp.2021.104608
Nithya, N., & Kiruthika, R. (2021). Impact of Business Intelligence Adoption on performance of banks: a
conceptual framework. Journal of Ambient Intelligence and Humanized Computing, 12(2), 3139–
3150. https://doi.org/10.1007/s12652-020-02473-2
Niu, Y., Ying, L., Yang, J., Bao, M., & Sivaparthipan, C. B. (2021). Organizational business intelligence and
decision making using big data analytics. Information Processing and Management, 58(6), 102725.
https://doi.org/10.1016/j.ipm.2021.102725
Olszak, C. M. (2022). Business Intelligence Systems for Innovative Development of Organizations.
Procedia Computer Science, 207, 1754–1762. https://doi.org/10.1016/j.procs.2022.09.233
Orcajo, J., & Fonseca, P. (2022). Business Intelligence’s Self-Service Tools Evaluation. Technologies.
https://doi.org/10.3390/technologies10040092
Phillips-Wren, G., Daly, M., & Burstein, F. (2021). Reconciling business intelligence, analytics and decision
support systems: More data, deeper insight. Decision Support Systems, 146(September 2020),
113560. https://doi.org/10.1016/j.dss.2021.113560
Risco-Ramos, R., Pérez-Aguilar, D., Casaverde-Pacherrez, L., & Vásquez-Díaz, E. (2022). Use of a business
intelligence framework in the management of the quality of electricity supply in small and medium-
sized companies. Revista DYNA, 89(221), 31–40.
Saura, J. R., & Bennett, D. R. (2019). A three-stage method for data text mining: Using UGC in business
intelligence analysis. Symmetry, 11(4). https://doi.org/10.3390/sym11040519
Schwade, F. (2021). Social Collaboration Analytics Framework: A framework for providing business
intelligence on collaboration in the digital workplace. Decision Support Systems, 148(July 2020),
113587. https://doi.org/10.1016/j.dss.2021.113587
Shao, C., Yang, Y., Juneja, S., & GSeetharam, T. (2022). IoT data visualization for business intelligence in
corporate finance. Information Processing and Management, 59(1), 102736.
https://doi.org/10.1016/j.ipm.2021.102736
Tardío, R., Maté, A., & Trujillo, J. (2022). Beyond TPC-DS, a benchmark for Big Data OLAP systems
(BDOLAP-Bench). Future Generation Computer Systems, 132, 136–151.
https://doi.org/10.1016/j.future.2022.02.015
Tavera Romero, C. A., Hamilton Ortiz, J., Khalaf, O. I., & Ríos Prado, A. (2021). Web application commercial
design for financial entities based on business intelligence. Computers, Materials and Continua, 67(3),
3177–3188. https://doi.org/10.32604/cmc.2021.014738
Tešendić, D., & Krstićev, D. B. (2019). Business intelligence in the service of libraries. Information
Technology and Libraries, 38(4), 98–113. https://doi.org/10.6017/ital.v38i4.10599
Torres, R., & Sidorova, A. (2019). Reconceptualizing information quality as effective use in the context of
business intelligence and analytics. International Journal of Information Management, 49(July 2018),
316–329. https://doi.org/10.1016/j.ijinfomgt.2019.05.028
Tunowski, R. (2020). Sustainability of commercial banks supported by business intelligence system.
Sustainability (Switzerland), 12(11), 1–17. https://doi.org/10.3390/su12114754
Perales-Domínguez, C. et al.
18 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
Ulloa, P. A. G., Castillo, D. V. C., Mena, V. M. P., & Jacome, D. J. R. (2020). Business Intelligence in the
Administrative Management of a Distribution Company in the Electricity Sector. 3C Tic, 9(3), 43–67.
Václav, C., Gabriel, F., Blanka, K., Libor, K., & Michal, T. (2021). Utilization of business intelligence tools in
cargo control. Transportation Research Procedia, 53(2019), 212–223.
https://doi.org/10.1016/j.trpro.2021.02.028
Vanegas, D. A., Tarazona Bermudez, G. M., & Rodriguez Rojas, L. A. (2020). Mejora de la toma de
decisiones en ciclo de ventas del subsistema comercial de servicios en una empresa de IT. Revista
Científica, 38(2), 174–183. https://doi.org/10.14483/23448350.15241
Varona-Taborda, M.-A., Mosquera-Ramírez, J.-C., Medina-Moreno, C.-A., Lemus-Muñoz, D.-F., Muñoz-
Hernández, C.-J., Arias-Iragorri, C.-G., Varona-Taborda, M.-A., Mosquera-Ramírez, J.-C., Medina-
Moreno, C.-A., Lemus-Muñoz, D.-F., Muñoz-Hernández, C.-J., & Arias-Iragorri, C.-G. (2021). Business
Intelligence for the Programs of the Secretaries of Health, Education and Planning in a Territorial
Entity. Revista Facultad de Ingeniería, 30(58), 2021.
Villegas-Ch, W., Palacios-Pacheco, X., & Luján-Mora, S. (2020). A business intelligence framework for
analyzing educational data. Sustainability (Switzerland), 12(14), 1–21.
https://doi.org/10.3390/su12145745
Vinicio, F., Pineda, C., & Nuñez, W. (2022). Revista Ciencias Pedagógicas e Innovación Aplicación de técnicas
de Business Intelligence ( BI ) y Big Data Analytics en entornos de aprendizaje virtual Applying Business
Intelligence ( BI ) and Big Data Analytics techniques in virtual learning environmen. IX, 7–19.
https://doi.org/10.26423/rcpi.v9i2.463
Viteri, A. E., Cruzado, J. G., & Huaman, L. A. (2022). Methodology for Business Intelligence Solutions in
Internet Banking Companies. International Journal on Advanced Science, Engineering and Information
Technology, 12(3), 1173–1181. https://doi.org/10.18517/ijaseit.12.3.13670
Wang, J., Omar, A. H., Alotaibi, F. M., Daradkeh, Y. I., & Althubiti, S. A. (2022). Business intelligence ability
to enhance organizational performance and performance evaluation capabilities by improving data
mining systems for competitive advantage. Information Processing and Management, 59(6), 103075.
https://doi.org/10.1016/j.ipm.2022.103075
Xavier Reyes-Mena, F., Marcelo Fuertes-Diaz, W., Enrique Guzman-Jaramillo, C., Perez-Estevez, E.,
Fernando Bernal-Barzallo, P., & Javier Villacis-Silva, C. (2018). Application of business intelligence
for analyzing vulnerabilities to increase the security level in an academic CSIRT. Revista Facultad De
Ingenieria, Universidad Pedagogica Y Tecnologica De Colombia, 27(47), 21–29.
Xu, J. J., & Babaian, T. (2021). Artificial intelligence in business curriculum: The pedagogy and learning
outcomes. International Journal of Management Education, 19(3), 100550.
https://doi.org/10.1016/j.ijme.2021.100550
Xu, Y., Li, X., Mustakim, F. bin, Alotaibi, F. M., & Abdullah, N. N. (2022). Investigating the business
intelligence capabilities’ and network learning effect on the data mining for start-up’s function.
Information Processing and Management, 59(5), 1–10. https://doi.org/10.1016/j.ipm.2022.103055
Yasir, M., Attique, M., Latif, K., Chaudhary, G. M., Afzal, S., Ahmed, K., & Shahzad, F. (2021). Deep-learning-
assisted business intelligence model for cryptocurrency forecasting using social media sentiment.
Journal of Enterprise Information Management, ahead-of-print(ahead-of-print).
https://doi.org/10.1108/JEIM-02-2020-0077
Yiu, L. D., Andy, C. Y., & Abe PL, J. (2020). Business Intelligence Systems and Operational Capability: An
Empirical Analysis of High- Tech Sectors. 120(6), 1–42.
Perales-Domínguez, C. et al.
19 Rev. Cient. Sist. Inform. 4(1): e612; (Ene-Jun, 2024). e-ISSN: 2709-992X
Zheng, W., Wu, Y. C. J., & Chen, L. (2018). Business intelligence for patient-centeredness: A systematic
review. Telematics and Informatics, 35(4), 665–676. https://doi.org/10.1016/j.tele.2017.06.015
Žigienė, G., Rybakovas, E., Vaitkienė, R., & Gaidelys, V. (2022). Setting the Grounds for the Transition from
Business Analytics to Artificial Intelligence in Solving Supply Chain Risk. Sustainability, 14(19),
11827. https://doi.org/10.3390/su141911827
