INTRO

Business intelligence and analytics (BI & A) se ha convertido en un rea

importante de estudio que refleja la magnitud y el impacto de los problemas
relacionados con los datos que hay que resolver en las organizaciones
empresariales contemporneas. Por lo tanto podemos BI & A 1.0, BI & A 2.0
y BI & A 3.0 se definen y describen en trminos de sus caractersticas y
capacidades clave. La investigacin actual en BI & A se analiza y los
desafos y oportunidades asociados con BI & A la investigacin y la
educacin son identificados. Tambin reportamos un estudio bibliomtrico
de publicaciones crticas BI & A, los investigadores y los temas de
investigacin sobre la base de ms de una dcada de publicaciones
acadmicas y de la industria relacionados.
Por ltimo, los seis artculos que componen este nmero especial se
introducen y se caracterizan en trminos de la propuesta de BI y un marco
de investigacin.
La inteligencia empresarial y anlisis (BI & A) y el campo relacionado de
anlisis de datos grandes se han vuelto cada vez ms importante, tanto en
la comunidad acadmica y la empresa en los ltimos dos decenios. Estudios
del sector han puesto de relieve este importante desarrollo. Por ejemplo,
con base en una encuesta de ms de 4000 de tecnologa de informacin (TI)
a profesionales de 93 pases y 25 industrias, el Tech Trends Informe IBM
(2011) identific anlisis de negocios como uno de los cuatro principales
tendencias de la tecnologa en la dcada de 2010. En una encuesta del
estado de anlisis de negocios por Bloomberg Businessweek (2011), 97
por ciento de las empresas con ingresos superiores a $ 100 millones se
encontraron a utilizar algn tipo de anlisis de negocios. Un informe del
McKinsey Global Institute (Manyika et al. 2011) predijo que para el ao
2018, los Estados Unidos solamente se enfrentar a una escasez de 140.000
a 190.000 personas con capacidad de anlisis profundos, as como un dficit
de 1,5 millones de gestores de datos inteligente con el know-how para
analizar grandes volmenes de datos para tomar decisiones efectivas.
Hal Varian, economista jefe de Google y profesor emrito de la Universidad
de California, Berkeley, coment sobre las oportunidades emergentes para
los profesionales de TI y los estudiantes en el anlisis de datos de la
siguiente manera:

Entonces, qu est haciendo ubicuo y barato? Datos. Y lo que es

complementaria a los datos? Anlisis. As que mi recomendacin es tomar
un montn de cursos sobre cmo manipular y analizar datos: bases de
datos, aprendizaje automtico, la econometra, estadstica, visualizacin y
etc.1
Las oportunidades asociadas con los datos y el anlisis de diferentes
organizaciones han ayudado a generar inters en BI & A, que se refiere a
menudo como las tcnicas, tecnologas, sistemas, prcticas, metodologas y
aplicaciones que analizan los datos crticos de negocio para ayudar a una
empresa entender su negocio mejor y el mercado y tomar decisiones

empresariales oportunas. Adems de las tecnologas de procesamiento de

datos y de anlisis subyacentes, BI & A incluye prcticas y metodologas que
se pueden aplicar a diversas aplicaciones de alto impacto tales como el
comercio electrnico, inteligencia de mercado, e-gobierno, salud, y
seguridad centrados en el negocio.
Esta introduccin al MIS Quarterly Edicin Especial sobre Inteligencia
Empresarial Investigacin proporciona una visin general de este campo
emocionante y de alto impacto, destacando sus mltiples retos y
oportunidades. La figura 1 muestra las secciones clave de este documento,
incluyendo BI & Una evolucin, aplicaciones y emergentes oportunidades de
investigacin de anlisis. A continuacin, informamos sobre un estudio
bibliomtrico de publicaciones crticas BI & A, los investigadores y los temas
de investigacin sobre la base de ms de una dcada de publicaciones
acadmicas y de la industria relacionados BI & A. Se presentan las
oportunidades de educacin y de desarrollo de programas de BI & A,
seguido de un resumen de los seis artculos que aparecen en este nmero
especial utilizando nuestro marco de investigacin. La seccin final concluye
el documento.
BI & A Evolucin: Caractersticas y Funciones clave
En la dcada de 1990 el trmino Inteligencia de Negocios se volvi muy
popular generando que a finales de la dcada del 200 fuera Anlisis de
negocios el trmino ms asertivo con la situacin en ese entonces ya que
el xito de las empresas se daba gracias a los anlisis de datos lo cual se
daba por medio de tecnologas de almacenamiento, gestin, anlisis y
visualizacin de los mismos.
BI & A 1.0
Esta versin tiene sus races en el campo de la gestin de base de datos de
larga data, es la versin que se utiliza actualmente en la industria. Los datos
son estructurados y almacenados en un sistema de gestin de bases de
datos relacionales comerciales (RDBMS).
Sus tcnicas de anlisis se basan en mtodos estadsticos (1970) y minera
de datos (1980) y su fundamento es considerado por la gestin y
almacenamiento de datos, por lo tanto surgieron herramientas que
permitan el procesamiento de los mismos como transformaciones,
consultas (OLAP), cuadros de mando, el modelado predictivo, minera de
datos e informes con grficos que describan caractersticas de los datos
importantes.
BI & A 2.0
Desde la dcada del 2000, la Web y la internet ofrecan recopilacin de
datos que usaban sistemas basados en HTTP Web 1.0 por lo que ya se haca
uso de buscadores como Google, Yahoo, Amazon o Ebay que permitan a los
negocios interactuar directamente con los clientes.
Los datos son almacenados en cookies y registos del servidor lo cual facilita
al cliente la obtencin de datos de diferentes empresas, por ejemplo Google

Analytics es una herramienta que nos ofrece Google para poder revelar
patrones de navegacin y compra de los usuarios .
A diferencia de la versin BI&A 1.0, requiere tcnicas maduras y escalables
en minera de texto, como la extraccin de datos, identificacin y anlisis de
los mismos.
A excepcin de las capacidades de consulta de base y de la bsqueda, no
hay anlisis de texto avanzadas para contenido no estructurado se
consideran actualmente en las 13 capacidades de las plataformas de
Gartner BI. Varios, sin embargo, figuran en el Gartner BI bombo Ciclo, BI &
A 3.0
Mientras BI & A 2.0 basada en web ha atrado la investigacin activa de la
academia y la industria, una nueva oportunidad de la investigacin en BI &
A 3.0 est emergiendo. Segn ha informado un lugar destacado en un
artculo octubre de 2011 en The Economist (2011), el nmero de telfonos
mviles y tabletas (alrededor de 480 millones de unidades) super el
nmero de ordenadores porttiles y PCs (unos 380 millones de unidades),
por primera vez en 2011. Aunque el nmero de PCs en uso super 1 mil
millones en 2008, el mismo artculo prev que el nmero de dispositivos
conectados mviles alcanzara 10 mil millones en 2020. Los dispositivos
mviles como el iPad, el iPhone y otros telfonos inteligentes y sus
ecosistemas completos de descargar applicationss, de advertencias a los
viajeros a juegos de varios jugadores, estn transformando las diferentes
facetas de la sociedad, desde la educacin a la asistencia sanitaria y de
entretenimiento para los gobiernos. Otros dispositivos habilitados para
Internet basados en sensores equipados con RFID, cdigos de barras y
etiquetas de radio (la "Internet de las cosas") se estn abriendo nuevas y
emocionantes vapores de aplicaciones innovadoras. La capacidad de este
tipo de dispositivos mviles y de Internet habilitado para soportar una gran
movilidad,, centrada en la persona reconoce la ubicacin, y las operaciones
y transacciones relevantes al contexto seguir ofreciendo desafos de
investigacin y oportunidades nicas en toda la dcada de 2010. Interfaz,
visualizacin y HCI (interaccin persona-ordenador) Diseo Mobile tambin
son prometedoras reas de investigacin. Aunque la llegada de la Web 3.0
era (mvil y basada en el sensor) parece seguro, la analtica mviles
subyacentes y ubicacin y sensibles al contexto tcnicas para la
recoleccin, procesamiento, anlisis y visualizacin de tal gran escala y los
datos mviles y sensores de fluidos son todava desconocidos.
No hay sistemas integrados, comerciales BI & A 3.0 se prevn para el futuro
prximo. La mayor parte de la investigacin acadmica sobre BI mvil se
encuentra todava en una fase embrionaria. Aunque no se incluye en las
capacidades actuales de ncleo plataforma de BI, BI mvil se ha incluido en
el anlisis del ciclo de Gartner BI bombo como una de las nuevas
tecnologas que tiene el potencial de alterar el mercado de BI de forma
significativa (Bitterer 2011). La incertidumbre asociada a BI & A 3.0 presenta
otra direccin nica de investigacin para la comunidad de SI.

La Tabla 1 resume las principales caractersticas de BI & A 1.0, 2.0 y 3.0 en

relacin con la capacidad de las plataformas principales y bombo ciclo de
Gartner BI.
La dcada de la dcada de 2010 promete ser muy emocionante para los de
alto impacto BI & A de investigacin y desarrollo para la industria y el
mundo acadmico. La comunidad empresarial y la industria ya han dado
pasos importantes para adoptar BI & A para sus necesidades. La comunidad
est enfrenta desafos nicos y oportunidades en la toma de impactos
cientficos y sociales que son (Chen 2011a) relevante y de larga duracin.
ES programas de investigacin y de educacin deben evaluar
cuidadosamente las direcciones futuras, planes de estudios y planes de
accin, desde BI & A 1,0 a 3,0.
Los trabajos en esta Edicin Especial
La idea de este nmero especial se inici en mayo de 2009, cuando Detmar
Straub, el Editor en Jefe de MIS Quarterly, solicit sugerencias para temas
especiales de los miembros del consejo editorial. Hemos presentado la
propuesta especial problema en Inteligencia de Negocios de Investigacin
en agosto de 2009, con la llamada-forpapers aprobados y distribuidos en la
30 Conferencia Anual Internacional sobre Sistemas de Informacin (ICIS) en
diciembre de ese ao. Contribuciones para este nmero especial necesario
para relacionan con la misin de MIS Quarterly con una fuerte gestin, la
organizacin, y la relevancia social e impacto. Adems del enfoque de
Diseo Ciencia (Hevner et al 2004;. De marzo y Planta de 2008), rigurosa y
relevante investigacin utilizando la ciencia administrativa (modelado,
optimizacin), economa de la informacin, y las metodologas de
organizacin y de conducta relacionados con el BI-(estudios de casos,
encuestas) Tambin fue recibido. Un total de 62 manuscritos se recibi en
octubre de 2010. En los siguientes 20 meses, seis de los manuscritos
pasaron por tres o cuatro rondas de revisin y luego fueron aceptadas para
este problema.
Los seis trabajos abordan diversos aspectos de la BI y un marco de
investigacin que se presenta en este documento introduccin (vase el
cuadro 7). Los seis trabajos se basan en BI & A 1.0, con tres tambin basado
en BI & A 2.0. Los tres primeros documentos por Chau y Xu, Park et al., Y
Lau et al. centrarse en BI & A 2.0 con aplicaciones en el comercio
electrnico y el mercado de inteligencia utilizando anlisis de texto, web y
red. En los prximos dos documentos, tanto Hu et al. y Abbasi et al. el
trabajo en la categora de BI & A 1,0 con un enfoque en la seguridad, pero
Hu et al. utilizar anlisis de red, mientras que Abbasi et al. destacar el
anlisis de seguridad y anlisis de datos. Finalmente, Sahoo et al. Tambin
trabajar en BI & A 1.0, con aplicacin directa al comercio electrnico y la
inteligencia de mercado utilizando la web y datos de anlisis.
En "Business Intelligence en Blogs: Interacciones Consumidor Comprensin
y Comunidades," Michael Chau y Jennifer Xu reconocieron el potencial "mina
de oro" del contenido del blog para inteligencia de negocios y desarrollando
un marco para la recopilacin de inteligencia de negocios mediante la
recopilacin automtica y el anlisis de contenido de los blogs y los

bloggers ' redes de interaccin. Un sistema desarrollado utilizando este

marco se aplic a dos estudios de caso, que revel nuevos patrones en las
interacciones blogger y comunidades.
Sung-Hyuk Park, Pronto-Young Eh, Wonseok Ah, y Sang Pil Han en su
artculo, "Un Inferencia Modelo Social Network-Based de Validacin del perfil
de los clientes de datos", argumentan que los sistemas de inteligencia de
negocios tienen un valor limitado cuando tratan con inexacta y datos poco
fiables. Los autores proponen un marco inferencia red impulsada social para
determinar la exactitud y fiabilidad de perfiles de clientes de auto-reporte.
El marco utilizado crculos sociales de los individuos y
patrones de comunicacin dentro de sus crculos. Para construir la inferencia
especfica y modelo de validacin, se utiliz una combinacin de mtodos,
incluyendo el procesamiento de consultas, la inferencia estadstica, anlisis
de redes sociales, y el perfil de usuario. Los autores analizaron ms de 20
millones de transacciones de llamadas mviles reales y su modelo de
inferencia basado en la red social propuesto superaron consistente los
enfoques alternativos.
En "Web 2.0 Escaneo Ambiental y Decisin adaptativa Soporte para
Fusiones y Adquisiciones de Negocios", Raymond Lau, Stephen Liao, KF
Wong, y Dickson Chiu analizan las fusiones y adquisiciones de empresas (M
& A). Barrido ambiental en lnea con la Web 2.0 ofrece altos ejecutivos la
oportunidad de aprovechar la inteligencia colectiva web para desarrollar
mejores ideas acerca de los factores socio-culturales y poltico-econmicos
que transfronteriza fusiones y cara. Fundamentada en cinco fuerzas modelo
de Porter, esta investigacin ha diseado un modelo de tarjeta de
puntuacin de diligencia debida que aprovecha la inteligencia colectiva para
mejorar la web de M & A la toma de decisiones. Los autores tambin
desarrollaron un sistema de inteligencia de negocios de adaptacin (BI) 2.0,
que se aplican a las actividades de fusiones y adquisiciones transfronterizas
de las empresas chinas.
En su artculo, "Network-Based Modelado y Anlisis de Riesgo Sistmico en
los sistemas bancarios," Daning Hu, J. Leon Zhao, Zhimin Hua, y Michael
Wong analizaron el riesgo sistmico en los sistemas bancarios mediante el
tratamiento de los bancos como una red vinculada con las relaciones
financieras, dando lugar a un enfoque de red para la gestin de riesgos
(NARM). Los autores utilizaron NARM para analizar el riesgo sistmico
atribuido a cada banco en particular a travs de simulacin basado en datos
del mundo real de la Federal Deposit Insurance Corporation. NARM ofreci
un nuevo medio por el cual las quiebras bancarias contagiosas podran
predecirse y prioridades de inyeccin de capital a nivel de banco individual
se pudo determinar a raz de una crisis financiera. Un estudio de simulacin
mostr que, en virtud de los shocks de mercado significativas, los enlaces
de pago interbancarios se hicieron ms influyentes que los bancos enlaces
cartera correlacionados en la determinacin de la supervivencia de un
banco individual.
Ahmed Abbasi, Conan Albrecht, Anthony Vance, y James Hansen en su
artculo, "MetaFraud: Un Marco Meta-Learning para la Deteccin de Fraude

Financiero," emplear un enfoque de ciencia del diseo para desarrollar

MetaFraud, un marco meta-aprendizaje para la deteccin del fraude
financiero mejorado. Se realiz una serie de experimentos sobre miles de
empresas legtimas y fraudulentas para demostrar la eficacia del marco de
referencia sobre los mtodos existentes. Los resultados de la investigacin
tienen implicaciones para los oficiales de cumplimiento, los inversores, las
empresas de auditora, y los reguladores.
El artculo de Nachiketa Sahoo, Param Vir Singh, y Tridas Mukhopadhyay,
"Un modelo de Markov ocultas para el filtrado colaborativo", informa en el
anlisis de la formulacin de recomendaciones personalizadas cuando las
preferencias de los usuarios estn cambiando. Los autores proponen un
modelo oculto de Markov basado en filtrado colaborativo para predecir las
preferencias del usuario y hacer las recomendaciones personalizadas ms
adecuados para la preferencia pronosticada. Los autores emplean conjuntos
y simulaciones de datos del mundo real para demostrar que, cuando las
preferencias del usuario estn cambiando, hay una ventaja de utilizar el
algoritmo propuesto ms de los ya existentes.
Los trabajos en esta Edicin Especial
La idea de este nmero especial se inici en mayo de 2009, cuando Detmar
Straub, el Editor en Jefe de MIS Quarterly, solicit sugerencias para temas
especiales de los miembros del consejo editorial. Hemos presentado la
propuesta especial problema en Inteligencia de Negocios de Investigacin
en agosto de 2009, con la llamada-forpapers aprobados y distribuidos en la
30 Conferencia Anual Internacional sobre Sistemas de Informacin (ICIS) en
diciembre de ese ao. Contribuciones para este nmero especial necesario
para relacionan con la misin de MIS Quarterly con una fuerte gestin, la
organizacin, y la relevancia social e impacto. Adems del enfoque de
Diseo Ciencia (Hevner et al 2004;. De marzo y Planta de 2008), rigurosa y
relevante investigacin utilizando la ciencia administrativa (modelado,
optimizacin), economa de la informacin, y las metodologas de
organizacin y de conducta relacionados con el BI-(estudios de casos,
encuestas) Tambin fue recibido. Un total de 62 manuscritos se recibi en
octubre de 2010. En los siguientes 20 meses, seis de los manuscritos
pasaron por tres o cuatro rondas de revisin y luego fueron aceptadas para
este problema.
Los seis trabajos abordan diversos aspectos de la BI y un marco de
investigacin que se presenta en este documento introduccin (vase el
cuadro 7). Los seis trabajos se basan en BI & A 1.0, con tres tambin basado
en BI & A 2.0. Los tres primeros documentos por Chau y Xu, Park et al., Y
Lau et al. centrarse en BI & A 2.0 con aplicaciones en el comercio
electrnico y el mercado de inteligencia utilizando anlisis de texto, web y
red. En los prximos dos documentos, tanto Hu et al. y Abbasi et al. el
trabajo en la categora de BI & A 1,0 con un enfoque en la seguridad, pero
Hu et al. utilizar anlisis de red, mientras que Abbasi et al. destacar el
anlisis de seguridad y anlisis de datos. Finalmente, Sahoo et al. Tambin
trabajar en BI & A 1.0, con aplicacin directa al comercio electrnico y la
inteligencia de mercado utilizando la web y datos de anlisis.

En "Business Intelligence en Blogs: Interacciones Consumidor Comprensin

y Comunidades," Michael Chau y Jennifer Xu reconocieron el potencial "mina
de oro" del contenido del blog para inteligencia de negocios y desarrollando
un marco para la recopilacin de inteligencia de negocios mediante la
recopilacin automtica y el anlisis de contenido de los blogs y los
bloggers ' redes de interaccin. Un sistema desarrollado utilizando este
marco se aplic a dos estudios de caso, que revel nuevos patrones en las
interacciones blogger y comunidades.
Sung-Hyuk Park, Pronto-Young Eh, Wonseok Ah, y Sang Pil Han en su
artculo, "Un Inferencia Modelo Social Network-Based de Validacin del perfil
de los clientes de datos", argumentan que los sistemas de inteligencia de
negocios tienen un valor limitado cuando tratan con inexacta y datos poco
fiables. Los autores proponen un marco inferencia red impulsada social para
determinar la exactitud y fiabilidad de perfiles de clientes de auto-reporte.
El marco utilizado crculos sociales de los individuos y
patrones de comunicacin dentro de sus crculos. Para construir la inferencia
especfica y modelo de validacin, se utiliz una combinacin de mtodos,
incluyendo el procesamiento de consultas, la inferencia estadstica, anlisis
de redes sociales, y el perfil de usuario. Los autores analizaron ms de 20
millones de transacciones de llamadas mviles reales y su modelo de
inferencia basado en la red social propuesto superaron consistente los
enfoques alternativos.
En "Web 2.0 Escaneo Ambiental y Decisin adaptativa Soporte para
Fusiones y Adquisiciones de Negocios", Raymond Lau, Stephen Liao, KF
Wong, y Dickson Chiu analizan las fusiones y adquisiciones de empresas (M
& A). Barrido ambiental en lnea con la Web 2.0 ofrece altos ejecutivos la
oportunidad de aprovechar la inteligencia colectiva web para desarrollar
mejores ideas acerca de los factores socio-culturales y poltico-econmicos
que transfronteriza fusiones y cara. Fundamentada en cinco fuerzas modelo
de Porter, esta investigacin ha diseado un modelo de tarjeta de
puntuacin de diligencia debida que aprovecha la inteligencia colectiva para
mejorar la web de M & A la toma de decisiones. Los autores tambin
desarrollaron un sistema de inteligencia de negocios de adaptacin (BI) 2.0,
que se aplican a las actividades de fusiones y adquisiciones transfronterizas
de las empresas chinas.
En su artculo, "Network-Based Modelado y Anlisis de Riesgo Sistmico en
los sistemas bancarios," Daning Hu, J. Leon Zhao, Zhimin Hua, y Michael
Wong analizaron el riesgo sistmico en los sistemas bancarios mediante el
tratamiento de los bancos como una red vinculada con las relaciones
financieras, dando lugar a un enfoque de red para la gestin de riesgos
(NARM). Los autores utilizaron NARM para analizar el riesgo sistmico
atribuido a cada banco en particular a travs de simulacin basado en datos
del mundo real de la Federal Deposit Insurance Corporation. NARM ofreci
un nuevo medio por el cual las quiebras bancarias contagiosas podran
predecirse y prioridades de inyeccin de capital a nivel de banco individual
se pudo determinar a raz de una crisis financiera. Un estudio de simulacin
mostr que, en virtud de los shocks de mercado significativas, los enlaces
de pago interbancarios se hicieron ms influyentes que los bancos enlaces

cartera correlacionados en la determinacin de la supervivencia de un

banco individual.
Ahmed Abbasi, Conan Albrecht, Anthony Vance, y James Hansen en su
artculo, "MetaFraud: Un Marco Meta-Learning para la Deteccin de Fraude
Financiero," emplear un enfoque de ciencia del diseo para desarrollar
MetaFraud, un marco meta-aprendizaje para la deteccin del fraude
financiero mejorado. Se realiz una serie de experimentos sobre miles de
empresas legtimas y fraudulentas para demostrar la eficacia del marco de
referencia sobre los mtodos existentes. Los resultados de la investigacin
tienen implicaciones para los oficiales de cumplimiento, los inversores, las
empresas de auditora, y los reguladores.
El artculo de Nachiketa Sahoo, Param Vir Singh, y Tridas Mukhopadhyay,
"Un modelo de Markov ocultas para el filtrado colaborativo", informa en el
anlisis de la formulacin de recomendaciones personalizadas cuando las
preferencias de los usuarios estn cambiando. Los autores proponen un
modelo oculto de Markov basado en filtrado colaborativo para predecir las
preferencias del usuario y hacer las recomendaciones personalizadas ms
adecuados para la preferencia pronosticada. Los autores emplean conjuntos
y simulaciones de datos del mundo real para demostrar que, cuando las
preferencias del usuario estn cambiando, hay una ventaja de utilizar el
algoritmo propuesto sobre los ya existentes