Aplicacin del Big Data como estrategia de negocio en proyectos de emprendimiento en Ecuador

 

Ing. Mildred Vernica Merizalde Medina, Ingeniera en Sistemas Computacionales de la Universidad de Guayaquil Docente del Instituto Tecnolgico Vicente Rocafuerte

mmerizalde@itsvr.edu.ec

2Ing. Elizabeth Margoth Ballagn Guambo, Ingeniera en Marketing de la Universidad de Guayaquil Docente del Instituto Tecnolgico Vicente Rocafuerte

eballagan@itsvr.edu.ec

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

RESUMEN

El presente artculo tiene como objetivo analizar la aplicacin del Big Data en negocios de emprendimiento, diferenciar los trminos de Big Data, Data Analytics y Data Mining, su relacin y que deben considerar los emprendedores al momento de aplicarlos en sus modelos de negocios. Existen variedad de modelos relacionados al Big Data, estos se enfocan en procesos de negocio y marketing, los cuales fundamentan los criterios de decisin de una empresa. Se analizaran diferentes modelos, criterios relacionados al Big Data y estadsticas del emprendimiento en el Ecuador presentando como resultado, la consolidacin de los principios que definen el almacenamiento y procesamiento de grandes volmenes de informacin y la relacin entre los factores crticos del emprendimiento, el ciclo de vida de los negocios emprendedores y los diferentes modelos Big Data que pueden aplicarse a lo largo del mismo.

Palabras clave: Big Data, Data Analytics, Data Mining, modelo de negocio, innovacin, negocios emprendedores.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ABSTRACT

 

This paper analyzes the application of Big Data on entrepreneurial businesses, differentiates the terms Big Data, Data Analytics and Data Mining; their relationship and how entrepreneurs need to consider them before applying them to their business models. There are many Big Data models focused primarily on business and marketing processes given that these are the fundamentals a company uses to make their decisions. We analyze different models, criteria related to Big Data and statistics with entrepreneurs in Ecuador; presenting as a result the consolidation of best practices to store and process large amounts of data, the relationship between critical factors in the business, the lifecycle of a given business and the different Big Data models which can be applied thought the entire process.

Palabras clave: Big Data, Data Analytics, Data Mining, modelo de negocio, innovacin, negocios emprendedores.

 

 

1.   DESARROLLO

 

1.1.        Emprendimiento en el Ecuador

 

Hablar de emprendimiento es hablar de innovacin, la innovacin no significa crear algo original; tambin significa reinventar, o tambin llamado, mejora de un producto o servicio. La innovacin consiste en la implementacin prctica de una idea en un nuevo producto o proceso; por lo tanto, juegan un papel muy importante la creatividad y las ideas. 1

 

En el Ecuador el emprendimiento ha tomado ms fuerza en los ltimos aos, en el 2011, constaba ya entre los 15 pases con mayor tendencia a iniciar negocios nuevos e innovadores.2 Para el 2015, en un estudio comparativo de la TEA3 entre pases vecinos, Ecuador ocupaba un 33.6%, seguido por Chile 25.9%, Colombia 22.7% y Per 22.2%.4 Las estadsticas ms representativas del Ecuador en cuanto a emprendimiento son:

 

 

 

 

 

1 Schilling Melissa A. (2013). Administracin Estratgica de la Innovacin Tecnolgica. Cuarta Edicin. McGraw-Hill. New York: Estados Unidos.

 

2 Robayo Vera Gabriel Dr. (2011). Los tres desafos del emprendedor ecuatoriano: Capital, Capacitacin, Confianza. Edicin Enero 2011. Revista IDE. IDE Business School Universidad de los Hemisferios. Ecuador.

 

Disponible en: http://investiga.ide.edu.ec/images/pdfs/2011enero/IDE_Enero2011_los_tres_desafios_del_emprendedor.pdf

3            ndice de Actividad Emprendedora Temprana.

 

4            Lasio Virginia, Caicedo Guido, Ordeana Xavier, Izquierdo Edgar. (2016). GEM Ecuador 2015. Espae-Espol. Ecuador. Disponible en: http://www.eltelegrafo.com.ec/especiales/Documentos/GEM-2015-Ecuador.pdf

 

Tabla 1: ndices TEA en Ecuador para los aos 2015 y 2016

 

 

ndice

 

 

 

 

Porcentaje

 

 

 

 

 

 

 

 

 

 

 

2015

 

 

TEA 2015

 

 

 

33.6%

 

 

Personas

con

negocio

 

17.4%

 

 

establecido

(ms

de

42

 

 

 

 

meses)

 

 

 

 

 

 

 

Emprendimientos

en

el

65%

 

 

comercio

 

 

 

 

 

 

 

 

 

 

2016

 

 

Negocios nacientes

 

 

25.9%

 

 

Negocios Nuevos

 

 

 

9.8%

 

Fuente: Estudio GEM Ecuador 2015

 

Elaborado por: ESPAE-ESPOL 2016

 

 

 

 

 

Tabla 2: Emprendedores por nivel de educacin

 

 

ndice de Emprendedores

 

 

Porcentaje

 

 

 

 

 

 

Con educacin secundaria

 

 

30.4%

 

 

completa

 

 

 

 

 

Con educacin primaria

38.6%

 

 

Profesionales

 

 

13.7%

 

Fuente: Estudio GEM Ecuador 2015

 

Elaborado por: ESPAE-ESPOL 2016

 

 

 

 

Tabla 3: Emprendedores por situacin econmica

ndice

Porcentajes

Emprendedores menores a

45.1%

45 aos auto-empleados

 

Emprendedores menores a

17.6%

45 aos con ingresos

 

familiares superiores a $850

 

Fuente: Estudio GEM Ecuador 2015

 

Elaborado por: ESPAE-ESPOL 2016

 

 

 

 

 

 


 

1.2.        Big data

 

Big Data es considerado el siguiente nivel del Data Warehousing y el anlisis de negocios, un fenmeno que crece aceleradamente y da lugar a la innovacin y al cambio; su concepto no es nuevo, se ha ido madurando a lo largo de las dos ltimas dcadas gracias a la informacin colectada por diferentes fuentes.5

 

Hablar de Big Data, es hablar de data multi-estructurada; aquella que se presenta en mltiples formatos y/o tipos y es generada por la interaccin entre las personas y las mquinas, por medio de redes sociales o aplicaciones web (Arthur Lisa, 2013)6; su concepto se expande a la situacin donde la logstica de almacenamiento, el procesamiento y el anlisis han sobrepasado los lmites tradicionales de operacin, por lo cual, las organizaciones han llegado a un punto en donde no saben cuanta data van a generar ni el cmo procesarla adecuadamente.( EMC Education Services, 2015)7.

 

Los grandes volmenes de informacin del Big Data, se presentan en distintos niveles de complejidad, que no pueden ser procesados por herramientas comerciales o tecnologas comunes que pueden ser aplicadas a una base de datos

 

tradicional; sta data proviene de sensores, equipos mdicos, aeropuertos, redes sociales, datos de clientes en compaas de marketing, legales, de ventas, servicios, etc.8

 

Considerar Big Data dentro de los procesos de negocio de una compaa sea esta grande, mediana o pequea, constituye en un reto poco explorado hasta el momento; y surgen mucha interrogantes sobre cmo incluirlo de la manera ms eficaz; o si sta aportar en beneficios a los objetivos estratgicos; segn Russell y Callahan (2014), existen 11 principios que toda compaa debe considerar para introducir Big Data como parte de sus procesos: 9

 

 

 

5            Minelli Michael, Chambers Michele, Dhiraj Ambiga. (2013). Big Data, Big Data Analytics Emerging Business Intelligence and Analytic Trends For Todays Businesses. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

6            Arthur Lisa. (2013). Big Data Marketing. Engage your customers More effectively and Drive Value. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

7            EMC Education Services. (2015). Data Science and Big Data Analytics. Discovering, Analyzing, Visualizing and Presenting Data. John Wiley & Sons, Inc. Indiana: Estados Unidos.

8           Krishnan Krish. (2013). Data Warehousing in the Age of Big Data. Elsevier Inc. Estados Unidos.

 

9           Glass Russell, Sean Callahan. (2014). The Big Data-Driven Business. How To use Big Data to win Customers, Beat competitors and Boost Profits. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

 

Enfocarse en el cliente para definir las preguntas que sus datos van a responder.

 

Es Big Data, pero se debe iniciar con poco. La tecnologa no lo es todo.

 

Contratar al personal apropiado, creativo y con habilidades analticas. Mantener control sobre la tecnologa.

 

Definir Mtricas, mtricas y ms mtricas.

 

Mantenerse al frente de los procesos y los datos que los involucran.

 

Realizar una auditora de datos y esforzarse por integrar los silos de datos. Cooperar con los departamentos de tecnologa, recursos humanos y otros

 

usuarios interesados.

 

Aplicar buenas prcticas de Limpieza de datos.

 

Desarrollar una estrategia, un camino a seguir, sin descuidar el deterioro de los datos.

 

1.3.        Data Analytics

 

Data Analytics, busca definir el valor de vida til del cliente (CVL), a partir de su anlisis desde diferentes perspectivas. Como parte del Data Analytics, se consideran nuevos tipos de anlisis de datos tales como:10

 

Anlisis Web.- Medicin, coleccin, anlisis y reporte de internet de los datos para propsitos de entendimiento y optimizacin de la web. (Definicin de la Asociacin de Anlisis Digital, DAA)

 

Anlisis de Redes Sociales.- Consiste en capturar informacin de los usuarios a travs de sitios de redes sociales, permitiendo la personalizacin de la publicidad, ofertar servicios, definir presupuestos y medir impactos.

 

 

Big Data Analytics se forma de dos conceptos: el anlisis predictivo y prescriptivo. El anlisis predictivo, consiste en describir el futuro tomando en consideracin informacin del pasado; esto se realiza con herramientas estadsticas tradicionales. El anlisis prescriptivo, consiste en definir directrices futuras, actividades u obtener ptimos resultados evaluando la informacin pasada.11

 

1.4.        Data Mining

 

El Data Mining es un conjunto de tcnicas aplicadas con el propsito de descubrir una estructura o definir un patrn, difiere de la estadstica y los mtodos tradicionales utilizados para el anlisis de los datos y se est consolidando en un nuevo paradigma que, con la ayuda de estrategias y herramientas, busca maximizar el poder de la prediccin por medio de modelados estadsticos (Attewel, Monaghan, 2015)12.

 

Definir un modelo predictivo en base a algoritmos estadsticos, es el objetivo ms comn en la aplicacin de esta tcnica; existen muchos campos de desarrollo para data mining, tales como: bases de datos, ciencia, estadsticas, patrones de reconocimiento, neurociencia computacional, aprendizaje de computadores, inteligencia artificial, procesos de extraccin de conocimiento (KDD).13

 

Para asumir los retos de un proyecto en Data Mining, se deben considerar las siguientes fases: (Attewel, Monaghan, 2015)14:

 

Anlisis de datos.- aunque sea un volumen de datos considerable, sta debe ser analizada de una manera rpida por medio de la definicin de pequeos casos, los mismos que nos presentarn patrones de conducta.

 

Construccin de variables.- consiste en definir variables o caractersticas que se convertirn en fuertes criterios de prediccin o clasificacin.

 

Seleccin de caractersticas.- Identificar las variables ms representativas, aquellas que nos van a permitir resolver mayor nmero de problemas.

 

Extraccin de las caractersticas.- consiste de tres procesos principales: el anlisis de los componentes principales (PCA), anlisis de los componentes independientes (ICA), combinaciones aleatorias y descomposicin de los valores.

 

Construccin del modelo.- con los datos analizados y evaluados de las etapas anteriores, definir varios modelos, compararlos y seleccionar aquel que muestre mayor precisin de prediccin.

 

 

1.5. Modelos relacionados al Big Data, Data Analytics y Data Mining

 

Con el nacimiento del Big Data, ya se analizan muchos modelos de aplicacin con el objetivo de aprovechar al mximo la informacin generada:

 

Modelo Big Data Marketing.- Consiste en el proceso de colectar, analizar y ejecutar los datos obtenidos para fomentar la participacin del cliente, maximizar los resultados de mrketing y poder obtener mtricas que nos permitan llevar una contabilidad efectiva. La idea de ste modelo es como utilizar el Big Data ms eficiente. (Arthur Lisa, 2013).15

 

 

 

10         Baesens Bart. (2014). Analytics in a Big Data World. The essential Guide to Data Science and its Applications. The Wiley & SAS Business Series. Estados Unidos

 

11 Minelli Michael, Chambers Michele, Dhiraj Ambiga. (2013). Big Data, Big Data Analytics Emerging Business Intelligence and Analytic Trends For Todays Businesses. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

11         Attewell Paul, Monaghan David. (2015). Data Mining for the social sciences. An introduction. University of California Press. California: Estados Unidos.

 

12         Dean Jared. (2014). Big Data, Data Mining and Machine Learning. Value Creation for Business Leaders and Practitioners. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

13         Attewell Paul, Monaghan David. (2015). Data Mining for the social sciences. An introduction. University of California Press. California: Estados Unidos.


 

Modelo Data Analytics.- Consiste en definir el/los problemas a ser resueltos mediantes anlisis de los datos necesarios identificados y seleccionados para un fin especfico. Toda la data debe ser compilada en un rea o repositorio ya sea un datamart o un datawarehouse. (Baesens Bart, 2014).16

 

Ciclo de vida de los Negocios de Emprendimiento.- Consiste en definir las fases operacionales de las empresas emprendedoras y las caractersticas de las mismas.17

 

Modelo de Negocio de Big Data.- Consiste en definir los diferentes aspectos del negocio aplicando Big Data, desde la generacin de la idea hasta la creacin del producto y su valor.18

 

Procesos de Negocio Big Data.- Consisten en definir los modos de anlisis, recoleccin e integracin de los datos; los mismos que pueden ser personalizados y acoplarse a la diversidad de la informacin.19

 

Modelo de Procesamiento de Datos.- Define la aplicacin los procesos tcnicos para Big Data, Data Analytics o Data Mining, dependiendo de la naturaleza y los requerimientos del negocio. 20

 

 

2.  RESULTADOS

En base al anlisis de los puntos de vista estudiados, podemos observar que existen muchos criterios para determinar una definicin completa del trmino Big Data, los autores concuerdan en la recoleccin de un gran volumen de datos que provienen de distintas fuentes, por lo cual no presentan una sola estructura, ms bien se muestran en formatos diferentes.

 

Los autores, concuerdan en la definicin del Big Data bajo tres principios fundamentales: Volumen, Velocidad, Variedad; sin embargo, existen algunos que los amplan, considerando Veracidad, Valor, Variabilidad y Visualizacin.

 

 

 

 

15                                    Arthur Lisa. (2013). Big Data Marketing. Engage your customers More effectively and Drive Value. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

16                                    Baesens Bart. (2014). Analytics in a Big Data World. The essential Guide to Data Science and its Applications. The Wiley & SAS Business Series. Estados Unidos.

 

17                                    Lasio Virginia, Caicedo Guido, Ordeana Xavier, Izquierdo Edgar. (2016). GEM Ecuador 2015. Espae-Espol. Ecuador. Disponible en: http://www.eltelegrafo.com.ec/especiales/Documentos/GEM-2015-Ecuador.pdf

 

18                                    Schmarzo Bill. (2016). Big Data MBA. Driving Business Strategies with Data Science. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

19                                    Baesens Bart. (2014). Analytics in a Big Data World. The essential Guide to Data Science and its Applications. The Wiley & SAS Business Series. Estados Unidos.

 

20 Krishnan Krish. (2013). Data Warehousing in the Age of Big Data. Elsevier Inc. Estados Unidos.


En cuanto a la veracidad, se considera la realidad de los datos, es decir que aquellos reflejen la situacin o el aspecto que se est analizando; el valor, implica el nivel de influencia que ejerce la informacin proveniente del Big Data sobre una compaa, no solamente en cuanto al aspecto financiero, tambin en decisiones estratgicas; la visualizacin, implica las herramientas en las cuales la informacin es tratada y los resultados reflejados, de manera que los usuarios puedan entenderlos y definir estrategias en base a los mismos; por ltimo, la variabilidad, consiste en el cambio continuo de estos resultados por efectos de nueva data obtenida o cambios de tendencias resultantes de los primeros anlisis.

 

Tabla 4: Anlisis de los principios del Big Data definidos por diferentes autores.

 

 

Autor

 

 

Ao

 

 

Volumen

 

 

Velocidad

 

 

Variedad

 

 

Veracidad

 

 

Valor

 

 

Variabilidad

 

 

Visualizacin

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Lisa Arthur

 

 

2013

 

 

X

 

 

X

 

 

X

 

 

X

 

 

X

 

 

 

 

 

 

 

 

Krish

2015

 

X

 

X

 

X

 

 

 

 

 

 

 

 

 

 

 

 

 

Krishnan

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Fernando

 

 

2015

 

 

X

 

 

X

 

 

X

 

 

 

 

 

X

 

 

 

 

 

 

 

 

Lafrate

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Minelli,

2013

 

X

 

X

 

X

 

 

 

 

 

 

 

 

 

 

 

 

 

Chambers,

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Dhiraj

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Frank

 

 

2013

 

 

X

 

 

X

 

 

X

 

 

X

 

 

 

 

 

 

 

 

 

 

 

Ohlhorst

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Mark Van

2014

 

X

 

X

 

X

 

X

 

X

 

X

 

X

 

Rijmenam

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Fuente: Criterios de diferentes autores y sus estudios sobre Big Data, Data Mining, Data Analytics

 

Elaborado por: los autores de esta investigacin

 

Big Data, Data Analytics y Data Mining, no solo son considerados en aspectos tcnicos; estos trminos, son parte importante del negocio y su concepcin, es por ello que muchos procesos relacionados al negocio y la generacin del valor; son considerados como parte de las fases de anlisis para la toma de decisiones estratgicas que permitan la creacin de un proyecto o servicio exitoso y por supuesto, participan activamente a lo largo de la construccin de la empresa.


Existen procesos para cada una de estas especialidades, para el emprendimiento y la administracin, concepcin y creacin del negocio con el objetivo de lograr la madurez de una empresa.

 

 

Tabla 5: Definicin de modelos de negocio, procesamiento de datos y emprendimiento.

Autor Ao Modelo Procesos

Negocios

Bart Baesens

2014

 

Procesos de Negocio

 

Procesos inteligentes

 

 

 

 

 

 

Big Data

 

 

Procesos

de

 

descubrimiento

 

 

 

 

 

 

 

(minera de datos y anlisis)

 

 

 

 

 

 

 

Integracin con Data Analytics.

GEM

 

2015

 

Modelo del ciclo

de

 

Proceso

de

Concepcin.-

 

 

 

 

vida de los negocios

 

oportunidades,

 

conocimientos,

 

 

 

 

emprendedores

 

 

habilidades.

 

 

 

 

 

 

 

 

 

 

Proceso de construccin de la

 

 

 

 

 

 

 

empresa.-

Actividad

Emprendedora

 

 

 

 

 

 

 

Temprana

 

 

 

 

 

 

 

 

 

 

 

Proceso de Cierre del Negocio

Bill Schmarzo

2016

 

Modelo de Negocio

 

Monitoreo de Negocio

 

 

 

 

 

Big Data

 

 

Definir Ideas de Negocio

 

 

 

 

 

 

 

 

Optimizacin del Negocio

 

 

 

 

 

 

 

 

Financiamiento del Negocio

 

 

 

 

 

 

 

Evolucin del Negocio

 

 

 

 

 

 

 

 

 

 

 

 

Marketing

 

 

 

 

 

 

 

 

 

 

Lisa Arthur

2013

 

Big Data Marketing

 

 

Administracin

del

Marketing

 

 

 

 

 

 

 

Integrado

 

 

 

 

 

 

 

 

 

 

 

Administracin

del

Marketing de

 

 

 

 

 

 

 

Operaciones

 

 

 

 

 

 

 

 

 

 

Administracin de la interaccin del

 

 

 

 

 

 

 

cliente.

 

 

 

 

 

 

 

 

 

 

 

Mensajera Digital

 

 

 

 

 

 

 

 

 

Marketing Digital

 

 

 

 

 

 

 

 

 

 

 

Procesamiento y anlisis de datos

 

 

 

 

 

 

 

Krishnan Krish

2015

 

Modelo

de

 

Colectar informacin

 

 

 

 

 

 

Procesamiento

de

 

Procesar informacin

 

 

 

 

 

 

Datos

 

 

Administrar informacin

 

 

 

 

 

 

 

 

Generar informacin

 

 

Bart

Krishnan

2014

 

Data Analytics

 

 

Definir la data a utilizar para la

Krish

 

 

 

 

 

 

aplicacin.

 

 

 

 

 

 

 

 

 

 

 

Seleccionar la data

 

 

 

 

 

 

 

 

 

Procesar y limpiar la data.

 

 

 

 

 

 

 

 

Analizar la data

 

 

 

 

 

 

 

 

 

 

Interpretar y evaluar los resultados.

Fuente: Estudios del GEM 2015 Ecuador, criterios de diferentes autores y sus estudios sobre Big

Data, Data Mining, Data Analytics e Innovacin.

Elaborado por: los autores de esta investigacin


 

Analizando los diferentes modelos expuestos para reas de negocios, marketing y procesamiento de datos, podemos observar que, para los casos de emprendimiento, la aplicacin del Big Data puede ser aprovechada si se considera para reas tales como: negocio y marketing.

 

En el rea de negocios, se puede observar que el modelo de negocio Big Data, tiene mucha relacin el ciclo de vida de los negocios emprendedores; es decir, puede convertirse en un factor clave para el xito o fracaso de una compaa puesto que, durante sus primeras fases se pueden aplicar modelos de anlisis con datos provenientes de redes sociales, estudios de mercado u otras compaas para determinar tendencias y lograr predecir si un producto puede o no lograr la acogida deseada.

 

En el rea de marketing se puede determinar, en base a los cuadros anteriores, que los modelos de procesamiento de datos y marketing en Big Data guardan estrecha relacin; puesto que en todos ellos, se pueden permitir los cambios de estrategias a medida que las tendencias varen, logrando que los emprendimientos se vayan edificando sobre pilares slidos de conocimiento del mercado y su producto logre la evolucin deseada.

 

Analizando los modelos planteados por los autores y el ciclo de vida de los emprendedores, obtenemos como resultado la aplicacin de los diferentes modelos, por cada fase del Ciclo de Vida de los Negocios Emprendedores y la influencia de los factores crticos del emprendimiento presentada en el siguiente cuadro:


Cuadro 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Tema: Relacin entre los factores crticos para el emprendimiento, el ciclo de vida de los negocios emprendedores y los modelos Big Data.

 

Fuente: Factores definidos en el estudio del GEM 2015 Ecuador, criterios de diferentes autores y sus estudios sobre Big Data, Data Mining, Data Analysis e Innovacin.

Elaborado por: los autores de esta investigacin.

 

Los modelos de Negocio y Marketing en Big Data presentan mayor aplicacin en las fases de concepcin y construccin de la empresa, puesto que es vital un mayor esfuerzo en la definicin y el monitoreo de las estrategias mientras la empresa se est solidificando hasta llegar a una posicin un tanto estable en el mercado.

 

Los modelos de Data Analytics y Procesamiento de datos, se convierten en procesos netamente tcnicos que involucran herramientas y el cmo los datos recolectados van a ser analizados, por ello vemos que su aplicacin inicia desde finales de la concepcin y presenta la mayor carga de esfuerzo en la etapa de construccin.

 

Los procesos de negocio, son aquellos que van a aplicarse de forma constante a lo largo de las etapas del ciclo de vida, puesto que se convierten en un soporte a los modelos anteriores.

 

Por ltimo, podemos observar que a lo largo del ciclo de vida de las empresas de emprendimiento existen factores crticos que ejercen influencias externas sobre las actividades internas de una compaa emprendedora; y, stos pueden ejercer una influencia positiva o negativa, a lo largo de las diferentes fases de un negocio emprendedor.


3.  CONCLUSIONES

 

En la actualidad Big Data, Data Analytics y Data Mining estn muy relacionados a la innovacin; con la creciente proliferacin de las redes sociales, el internet y la digitalizacin de la informacin de las compaas, la evaluacin de estrategias debe considerar muchos factores, ndices, resultados y estudios generados en tiempo real, por lo cual la definicin y ajuste de las mismas requiere un tiempo mnimo de respuesta. Los modelos de anlisis de grandes volmenes de informacin y las definiciones tcnicas de cmo almacenarla nacen para satisfacer esa necesidad.

 

La informacin es el bien de valor en una empresa, y sta puede servir como referencia para el nacimiento de nuevos productos y servicios; con ello se genera el emprendimiento. La aplicacin de los modelos Big Data y el anlisis de dicha informacin pueden influir positivamente en la consolidacin de una empresa, puesto que al utilizar stas tcnicas, estamos asegurando la construccin de una estructura soportada en datos reales que permitir tomar decisiones a tiempo en base a patrones definidos y tendencias obtenidas.

 

Existen muchos modelos que se relacionan al trmino Big Data, no necesariamente, stos son tcnicos, ms bien, se estn enfocando a ser partcipes de modelos y procesos de negocio y marketing puesto que su aplicacin genera mayor valor agregado en esas disciplinas.

 

Los grandes volmenes de informacin, ya no son ideas del pasado, estn aqu presentes y generndose diariamente; es decir, ya son una realidad para varias empresas; y, en Ecuador con mayor nivel de emprendimientos de la regin puede llegar a ser una herramienta valiosa para analizar el mercado interno.

 

Es vital para el emprendedor, la educacin y preparacin en estas tecnologas nacientes para que pueda ser aplicarla de la forma ms ptima; por ello, no solo deben contar con el optimismo y el financiamiento de un nuevo negocio, sino con los conocimientos necesarios para tomar el mejor provecho de la informacin generada a su alrededor.

 

No debe ser mandatorio aplicar todos los procesos en las mismas proporciones, se debe buscar un balance entre los mismos y seleccionar aquellos que aporten significativamente al negocio emprendedor, dependiendo de las necesidades de sus clientes objetivos.


4.   REFERENCIAS BIBLIOGRFICAS

 

Schilling Melissa A. (2013). Administracin Estratgica de la Innovacin Tecnolgica. Cuarta Edici McGraw-Hill. New York: Estados Unidos.

 

Robayo Vera Gabriel Dr. (2011). Los tres desafos del emprendedor ecuatoriano: Capital, Capacitacin, Confianza. Edicin Enero 2011. Revista IDE. IDE Business School Universidad de los Hemisferios. Ecuador.

 

Disponible en: http://investiga.ide.edu.ec/images/pdfs/2011enero/IDE_Enero2011_los_tres _desafios_del_emprendedor.pdf.

 

Lasio Virginia, Caicedo Guido, Ordeana Xavier, Izquierdo Edgar. (2016). GEM Ecuador 2015. Espae-Espol. Ecuador. Disponible en: http://www.eltelegrafo.com.ec/especiales/Documentos/GEM-2015-Ecuador.pdf

 

Minelli Michael, Chambers Michele, Dhiraj Ambiga. (2013). Big Data, Big Data Analytics Emerging Business Intelligence and Analytic Trends For Todays Businesses. John Wiley & Sons, Inc. New Jersey: Estados Unidos. Arthur Lisa. (2013). Big Data Marketing. Engage your customers More effectively and Drive Value. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

EMC Education Services. (2015). Data Science and Big Data Analytics. Discovering, Analyzing, Visualizing and Presenting Data. John Wiley & Sons, Inc. Indiana: Estados Unidos.

 

Krishnan Krish. (2013). Data Warehousing in the Age of Big Data. Elsevier Inc. Estados Unidos.

 

Glass Russell, Sean Callahan. (2014). The Big Data-Driven Business. How To use Big Data to win Customers, Beat competitors and Boost Profits. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

Baesens Bart. (2014). Analytics in a Big Data World. The essential Guide to Data Science and its Applications. The Wiley & SAS Business Series. Estados Unidos.

 

Attewell Paul, Monaghan David. (2015). Data Mining for the social sciences. An introduction. University of California Press. California: Estados Unidos.

 

Dean Jared. (2014). Big Data, Data Mining and Machine Learning. Value Creation for Business Leaders and Practitioners. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

Schmarzo Bill. (2016). Big Data MBA. Driving Business Strategies with Data Science. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

Lafrate Fernando.(2015). From Big Data to Smart Data. John Wiley & Sons, Inc. New Jersey: Estados Unidos.

 

Ohlhorst Frank. (2013). Big Data Analytics. Turning Big Data into Big Money. John Wiley & Sons, Inc.

Enlaces refback

  • No hay ningún enlace refback.


Dirección: Urdesa Central, Guayacanes 520 y la 5ta. Guayaquil - Ecuador | PBX ADMISIONES: (593) 4 6052450 PBX: (593) 4 6020400
Copyright © 2017 Universidad Tecnológica Empresarial de Guayaquil. Todos los Derechos Reservados.