La Madurez en la Gestión de Indicadores y la Efectividad de las Decisiones Data-driven en Empresas Brasileñas

Aser Gomes; Fabiano Sannino

DOI: 10.22167/2675-6528-202602692

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

Un estudio investigó la relación entre la gobernanza de KPIs, la cultura data-driven, las capacidades técnicas y la efectividad decisoria en organizaciones brasileñas. El objetivo fue identificar perfiles de madurez analítica y analizar la correlación entre estas dimensiones y la efectividad decisoria. Se realizó una encuesta con 42 respondientes, utilizando un cuestionario Likert de 20 ítems. Se aplicaron análisis descriptivos, correlación de Spearman, regresión múltiple, análisis de clústeres k-medoides y análisis factorial exploratorio (AFE), con pruebas de multicolinealidad y sesgo de método común. Las dimensiones de madurez se correlacionaron fuertemente con la efectividad decisoria. La regresión explicó el 79,5% de la varianza, con capacidades analíticas y cultura data-driven como predictores significativos. La gobernanza de KPIs no presentó efecto directo debido a la multicolinealidad. La AFE extrajo tres factores, que divergieron del modelo teórico original. El análisis de clústeres identificó perfiles Principiante, Intermedio y Avanzado, demostrando que las organizaciones avanzadas alcanzaron una efectividad 2,02 veces superior. La prueba de Harman indicó un sesgo de método común moderado. Se concluyó que las capacidades analíticas y la cultura data-driven fueron los determinantes centrales de la efectividad decisoria, evidenciando un desajuste entre aspectos formales y conductuales. Las limitaciones incluyeron la muestra por conveniencia, el diseño transversal y el sesgo de método común moderado.

Palabras clave: Análisis factorial exploratorio; Capacidades analíticas; Cultura orientada a datos; Gobernanza de indicadores de desempeño; Madurez analítica.

1. Introducción

La aceleración de la transformación digital, impulsada por la emergencia de herramientas de Inteligencia Artificial generativa, ha redefinido los paradigmas competitivos de las organizaciones. En el escenario global, la llamada cuarta revolución industrial ha impuesto a las empresas la necesidad de reconfigurar modelos de negocio, procesos decisorios y estructuras de gobernanza, asumiendo los datos centralidad (Schwab, 2016).

En el mercado brasileño, esta transición presentó contornos específicos. Si bien la adopción de tecnologías avanzadas, como la Inteligencia Artificial generativa, es reportada por una parte significativa de las empresas, la integración centralizada y estratégica de estas tecnologías aún es un desafío. Investigaciones históricas ya indicaban una heterogeneidad considerable entre sectores y tamaños organizacionales en la capacidad de convertir inversiones en tecnología en resultados de gestión (Bain & Company, 2024; Diniz et al., 2009).

En este contexto, la gestión de Key Performance Indicators (KPIs) emergió como un pilar fundamental de la transformación organizacional. Los KPIs representan el proceso sistemático de definición, monitoreo y análisis de métricas que traducen objetivos estratégicos en resultados medibles, funcionando como traducciones operacionales de la estrategia (Fleury y Fleury, 2001). Sistemas como el Balanced Scorecard, por ejemplo, operacionalizaron este alineamiento, distribuyendo objetivos estratégicos en indicadores por diversas perspectivas organizacionales (Kaplan y Norton, 1997).

La toma de decisiones basada en datos, a su vez, constituye la etapa más avanzada de la decisión organizacional, donde las elecciones estratégicas y operativas se fundamentan en el análisis sistemático de evidencias, con el objetivo de minimizar sesgos cognitivos e incertidumbres. Este enfoque trasciende la mera utilización de herramientas tecnológicas, configurándose como una cultura organizacional multidimensional (Pereira, 2023), alineada a enfoques integrados de gestión de procesos y tecnología de la información (Laurindo y Rotondaro, 2006).

Sin embargo, la implementación madura de estos sistemas en Brasil enfrentó desafíos particulares. Investigaciones empíricas en empresas industriales brasileñas demostraron que, si bien la adopción formal de sistemas de indicadores se asoció con una mayor claridad estratégica y mejores resultados operativos, la madurez en la implementación varió significativamente entre los sectores (Hourneaux Junior et al., 2005). La literatura nacional ya señalaba, desde finales de los años 90, dificultades estructurales de integración entre los niveles estratégico, táctico y operativo de los sistemas de medición de desempeño (Martins y Salerno, 1998). Además, el marco regulatorio, incluida la Ley General de Protección de Datos (LGPD), exigió que la gobernanza de KPIs incorporara dimensiones de cumplimiento legal y ético en el tratamiento de información (Bioni, 2021; Hirano, 2024).

La premisa teórica de que la gobernanza de KPIs, la cultura data-driven y las capacidades técnicas convergen sinérgicamente para mejorar la toma de decisiones es ampliamente reconocida en la literatura de gestión de analytics (Davenport y Harris, 2007; Hirano, 2024). Sin embargo, la persistencia de un “formalismo estructural” y lagunas conductuales en organizaciones brasileñas, como la baja autonomía y la aversión al error, sugieren un desajuste entre la existencia de sistemas formales y su efectiva apropiación por el equipo (Caldas y Wood Jr., 1999; Barros y Prates, 1996). Esta brecha práctica y teórica en el contexto nacional justifica la necesidad de investigar cómo estos elementos se relacionan e influyen en la efectividad decisoria. Ante este contexto, el presente trabajo tuvo como objetivo general investigar la correlación entre la madurez en la gestión de KPIs y la percepción de efectividad de la toma de decisiones data-driven en empresas que operan en Brasil.

2. Material y Métodos

La investigación adoptó un enfoque cuantitativo, descriptivo y correlacional, utilizando un diseño de encuesta transversal. El objetivo metodológico fue probar relaciones hipotéticas entre constructos teóricos, siguiendo un enfoque deductivo basado en el marco revisado. El estudio implicó la recopilación de datos de participantes humanos a través de un cuestionario estructurado, con consentimiento libre e informado. El Formulario de Direccionamiento Ético fue validado por el supervisor, y el proyecto, al tratar percepciones profesionales sin datos sensibles, no requirió presentación a un Comité de Ética en Investigación. Los datos se trataron de forma agregada, garantizando el anonimato de los participantes.

El instrumento de recolección se desarrolló basándose en la literatura de madurez analítica (Pereira, 2023) y gestión del desempeño (Fleury y Fleury, 2001; Kaplan y Norton, 1997). Los constructos se operacionalizaron en ítems medibles, descomponiendo la madurez en la gestión de KPIs en tres dimensiones: gobernanza, cultura y capacidades técnicas. La operacionalización siguió validación de contenido (Sordi y Meireles, 2011), con constructos adaptados de la literatura, sin derivación directa de instrumentos validados por Análisis Factorial Confirmatorio. El cuestionario final se estructuró en seis secciones, incluyendo datos demográficos, 20 ítems sobre las dimensiones de madurez (Gobernanza de KPIs, Cultura, Capacidades Técnicas) y cuatro ítems para Efectividad Decisoria. Todos los ítems de madurez y efectividad utilizaron escala Likert de cinco puntos (1 = Totalmente en Desacuerdo; 5 = Totalmente de Acuerdo), con opción “No Aplicable” para reducir el sesgo de respuesta forzada (Bortolotti et al., 2012).

La recolección de datos se realizó entre el 18 y el 30 de marzo de 2026, mediante difusión en LinkedIn y contactos profesionales del investigador. Se obtuvieron 44 registros, de los cuales 42 se consideraron válidos tras la exclusión de casos que presentaron respuestas “No Aplicable” en cuatro o más ítems estructurales. Inicialmente, la investigación estaba planificada para abarcar a profesionales de analytics y gestión, pero se amplió después del 26 de marzo a grupos no especializados debido a la baja adhesión, lo que introdujo heterogeneidad intencional en el perfil de los encuestados.

Los datos fueron procesados y analizados siguiendo un protocolo estructurado. Las respuestas “No Aplicable” fueron recodificadas como nulas, y los registros con cuatro o más ítems omitidos fueron descartados. Se calcularon puntuaciones compuestas para cada constructo (media aritmética) y se verificaron valores atípicos. El análisis descriptivo incluyó estadísticas básicas y el coeficiente alfa de Cronbach para la fiabilidad interna (Hair et al., 2009; Field, 2009). Para puntuaciones y correlaciones, se adoptó el método pairwise deletion, que maximiza el aprovechamiento de los datos en presencia de valores omitidos dispersos. En el análisis inferencial, se empleó la Correlación de Spearman (Field, 2009), Regresión Lineal Múltiple (Hair et al., 2009) y Análisis de Clústeres k-medoides (Partitioning Around Medoids – PAM) (Kaufman y Rousseeuw, 1990), robusto para datos ordinales.

Para controlar el sesgo de varianza común (CMV), se siguieron las recomendaciones de Podsakoff et al. (2003), incluyendo anonimato, información sobre la ausencia de respuestas correctas o incorrectas, la opción “No Aplicable” y la separación estructural de las secciones predictora y de criterio. Como procedimiento estadístico post hoc, se aplicó la Prueba de Factor Único de Harman, sometiendo los 20 ítems a un Análisis de Componentes Principales (ACP) sin rotación. El primer factor explicó el 58,76% de la varianza total, lo que indica un CMV moderado. También se realizó un Análisis Factorial Exploratorio (AFE) con PCA y rotación promax (Hair et al., 2009; Field, 2009), evaluando la adecuación de la matriz de correlaciones mediante las pruebas de Bartlett y KMO (Malhotra, 2019). El AFE indicó una solución de tres factores, que explica el 61,6% de la varianza total después de la rotación. Los análisis se procesaron en el entorno Google Colab con la biblioteca `factor_analyzer`.

La suficiencia muestral para la regresión lineal múltiple con tres predictores fue evaluada por el método de Cohen (1988), que considera el tamaño del efecto esperado, el nivel de significancia y el poder estadístico deseado. El R² observado de 0,795 (f² = 3,878), clasificado como un efecto muy grande, indicó que la muestra de 42 encuestados fue más que suficiente para detectar el efecto encontrado, dado un n mínimo de siete para un poder de 0,80.

3. Resultados y Discusión

La presente sección detalla los hallazgos de la investigación, interpretándolos a la luz del problema de investigación y del marco teórico adoptado. Inicialmente, se presenta la caracterización de la muestra, seguida por las estadísticas descriptivas de las dimensiones de madurez analítica y efectividad decisoria. A continuación, se discuten los análisis de correlación, regresión lineal múltiple, clústeres y factorial exploratorio, que permitieron probar las hipótesis e identificar patrones. Finalmente, se abordan las implicaciones gerenciales y proposiciones estratégicas para cada perfil de madurez, culminando en una síntesis interpretativa de los resultados y sus contribuciones a la comprensión de la madurez analítica en el contexto brasileño.

Caracterización de la Muestra

La muestra válida del estudio estuvo compuesta por 42 encuestados, predominantemente de organizaciones de gran tamaño, con el 61,9% de los participantes trabajando en empresas con más de 300 empleados. Las empresas de tamaño mediano (101 a 300 empleados) representaron el 19,0%, mientras que las de pequeño tamaño (31 a 100 empleados) y las microempresas (hasta 30 empleados) sumaron el 14,3% y el 4,8%, respectivamente. En términos de sector de actividad, los Servicios fueron el más representativo, con el 31% de los encuestados, seguidos por Tecnología e Industria, ambos con el 14,3% cada uno. Minorista y Salud contribuyeron con el 9,5% cada uno, y Fintech, Logística y Educación con el 7,1% cada uno. La mayoría de los encuestados tenía hasta seis años de experiencia en la función, con el 42,9% teniendo hasta tres años y el 38,1% entre tres y seis años. Solo el 19,0% tenía más de seis años de experiencia. En cuanto a la función, el 31,0% trabajaba en puestos operativos no relacionados con analytics/tecnología, y el 21,4% en puestos de liderazgo no relacionados con estas áreas, lo que indica una diversidad de perspectivas.

Estadísticas Descriptivas y Fiabilidad

Los análisis descriptivos de las dimensiones revelaron que las Capacidades en Analítica presentaron la mayor media (3,03), seguidas por la Efectividad Decisoria (3,22), Gobernanza de KPIs (2,98) y Cultura Data-Driven (2,86). Los valores del alfa de Cronbach para todas las dimensiones se situaron entre 0,817 y 0,908, indicando alta confiabilidad interna de los constructos, conforme a los criterios de Hair et al. (2009). El análisis detallado de los ítems de gobernanza mostró que los procesos formales de definición y revisión de KPIs (media de 3,15) y el monitoreo regular (media de 3,10) obtuvieron las mayores puntuaciones. En contraste, la comprensión de los KPIs por parte de los colaboradores registró la menor media (2,67), sugiriendo una brecha entre la formalización de los sistemas y la apropiación efectiva por parte del equipo, un hallazgo que resuena con la literatura sobre barreras conductuales en el contexto brasileño (Caldas y Wood Jr., 1999; Barros y Prates, 1996).

La dimensión de efectividad decisoria tuvo su ítem de mejora en el desempeño operacional con la media más alta (3,40), mientras que la inversión en capacitación analítica (CULT5) obtuvo la media general más baja (2,51). Esta comparación sugiere que, si bien la gestión de KPIs está asociada a mejoras en el desempeño, la inversión en el desarrollo de habilidades analíticas de los colaboradores sigue siendo un punto débil. La proximidad entre las medias y las medianas en todas las dimensiones indicó una distribución de respuestas relativamente simétrica, con una ligera asimetría positiva en las Capacidades, lo que puede reflejar una percepción ligeramente más optimista o una mayor variabilidad en las evaluaciones de esta dimensión.

Análisis de Correlaciones

Las tres hipótesis de investigación fueron confirmadas, ya que todas las dimensiones de madurez (Gobernanza de KPIs, Cultura Data-Driven y Capacidades en Analytics) presentaron correlaciones positivas y fuertes con la Efectividad Decisoria, con coeficientes de Spearman superiores a 0,6. Este resultado está en consonancia con modelos teóricos que conciben la madurez analítica como un fenómeno multidimensional, donde la sinergia entre estos elementos es crucial para mejorar la toma de decisiones (Pereira, 2023; Hirano, 2024). La correlación más baja se observó entre Gobernanza y Efectividad (0,738), lo que puede indicar una limitación del formalismo aislado, corroborando el informe de Bain & Company (2024) sobre el exceso de indicadores sin acción efectiva en Brasil. Por otro lado, la correlación más fuerte, entre Capacidades y Efectividad (0,874), refuerza la idea de que la capacidad analítica es un prerrequisito fundamental para la competitividad basada en datos (Davenport y Harris, 2007; Hirano, 2024).

Análisis de Regresión Lineal Múltiple

El modelo de regresión lineal múltiple demostró un excelente poder predictivo, con un R² ajustado de 0,779, lo que indica que las dimensiones de Gobernanza, Cultura y Capacidades explicaron conjuntamente alrededor del 79,5% de la varianza en la Efectividad Decisoria. El análisis de diagnóstico reveló multicolinealidad severa, con un VIF medio superior a 5, derivada de las altas correlaciones entre las variables independientes (p entre 0,809 y 0,866). Aunque esta condición es esperada en constructos teóricamente interrelacionados (Hair et al., 2009; Field, 2009), infla los errores estándar de los coeficientes, exigiendo cautela en la interpretación de los efectos individuales. Adoptando un nivel de significancia del 5% (p < 0,05), las Capacidades en Analytics (β = 0,515; p < 0,001) y la Cultura Data-Driven (β = 0,408; p = 0,017) fueron predictores estadísticamente significativos de la Efectividad Decisoria.

En contrapartida, la Gobernanza de KPIs (β = 0,012; p = 0,936) no alcanzó significancia estadística directa en el modelo de regresión. Este resultado sugiere que, en el contexto analizado, la inversión en infraestructura tecnológica, la experiencia profesional y la gobernanza de datos (Capacidades) fueron los predictores más robustos, seguidos por la cultura de toma de decisiones basada en datos. La no significancia directa de la Gobernanza, a pesar de su correlación con la Efectividad (0,738), puede interpretarse como un efecto mediado por las demás dimensiones. Es decir, la gobernanza formal parece traducirse en efectividad solo cuando va acompañada por una cultura y capacidades analíticas efectivas, tal como señalaron Caldas y Wood Jr. (1999) y Barros y Prates (1996) sobre la necesidad de alineación entre indicadores, competencias y comportamiento organizacional (Kaplan y Norton, 1997; Laurindo y Rotondaro, 2006).

Análisis de Clústeres

La segmentación por clústeres k-medoides identificó tres perfiles de madurez organizacional, con diferencias estadísticamente significativas entre ellos (p < 0,05). El perfil Principiante, que agrupó a 19 organizaciones (45% de la muestra), presentó medias inferiores a 2,10 en todas las dimensiones y una efectividad decisoria de 2,30. El perfil Intermedio, con 13 organizaciones (31%), registró medias entre 2,95 y 3,35, y una efectividad de 3,35. Finalmente, el perfil Avanzado, compuesto por 10 organizaciones (24%), exhibió medias superiores a 4,10 en todas las dimensiones y una efectividad decisoria de 4,65. Las organizaciones del perfil Avanzado alcanzaron una efectividad decisoria 2,02 veces superior a las del perfil Principiante (4,65 frente a 2,30), corroborando hallazgos de la literatura sobre la capacidad analítica como fuente de ventaja competitiva (Davenport y Harris, 2007).

La predominancia del perfil Principiante (45%) y la menor proporción del perfil Avanzado (24%) indican que la mayoría de las organizaciones investigadas aún se encuentran en etapas iniciales de su viaje analítico. Se observaron brechas notables en aspectos culturales, como la baja inversión en capacitación analítica (promedio de 2,51) y la falta de autonomía para ajustes en los KPIs (promedio de 2,98). Estos resultados son consistentes con las barreras conductuales para la gestión orientada por datos en Brasil, según lo discutido por Caldas y Wood Jr. (1999) y Barros y Prates (1996). El informe de Bain & Company (2024) también corrobora este escenario, señalando que, a pesar de la existencia de infraestructura analítica, persisten deficiencias en competencias humanas y en la cultura de experimentación.

Control del Sesgo de Método Común

Dado el diseño transversal y la recopilación de datos de autoinforme de una sola fuente, la investigación fue susceptible al sesgo del método común (CMV). Para mitigar sus efectos, se implementaron controles procedimentales recomendados por Podsakoff et al. (2003), incluida la garantía de anonimato y confidencialidad, la información explícita sobre la ausencia de respuestas correctas o incorrectas, y la inclusión de la opción “No Aplicable” en los ítems Likert. La separación estructural de las secciones del cuestionario, posicionando los constructos predictores antes de la variable criterio, también fue un control parcial. La Prueba de Factor Único de Harman, aplicada como procedimiento estadístico post hoc, reveló que el primer factor no rotado explicó el 58,76% de la varianza total de los 20 ítems. Este valor, superior al punto de corte del 50% recomendado, indicó una amenaza moderada de CMV, lo que sugiere que el sesgo puede haber inflado las correlaciones y los coeficientes de regresión. Sin embargo, la literatura reconoce que la Prueba de Harman es conservadora y puede verse influenciada por la alta correlación teórica entre constructos interdependientes, lo que se espera en modelos de madurez organizacional (Richardson et al., 2009).

Suficiencia Muestral y Poder Estadístico

La evaluación de la suficiencia muestral para la regresión lineal múltiple con tres predictores, utilizando el método de Cohen (1988), indicó que, para el R² observado de 0,795 (f² = 3,878), un efecto considerado muy grande, el número mínimo de encuestados para un poder estadístico de 0,80 sería de solo siete. Con 42 encuestados, la muestra se mostró más que suficiente para detectar el tamaño del efecto efectivamente encontrado en los datos. Sin embargo, esta evaluación debe interpretarse con cautela, ya que el f² observado es excepcionalmente elevado, posiblemente inflado por el CMV diagnosticado y la baja variabilidad de la escala Likert. En caso de que el efecto real fuera de magnitud moderada (f² = 0,15), la muestra de 42 encuestados sería insuficiente, necesitando un mínimo de 68, conforme a las recomendaciones de Hair et al. (2009) para efectos medios con alfa de 0,05 y poder de 0,80.

Análisis Factorial Exploratorio

Para verificar la estructura dimensional del instrumento, se realizó un Análisis Factorial Exploratorio (AFE) basado en los 20 ítems de la escala, utilizando extracción por componentes principales y rotación oblícua promax. La adecuación de la matriz de correlaciones se confirmó mediante la prueba de esfericidad de Bartlett (χ²(190) = 757,96; p < 0,001) y la medida de adecuación muestral de Kaiser-Meyer-Olkin (KMO = 0,848), clasificada como excelente (Malhotra, 2019). El análisis de los autovalores, siguiendo el criterio de Kaiser, indicó la retención de tres factores, que explicaron acumulativamente el 61,6% de la varianza total después de la rotación. El Factor 1, denominado Infraestructura Analítica y Autonomía, explicó el 19,1% de la varianza y reunió ítems de capacidades tecnológicas (infraestructura, gobernanza de datos), autonomía para ajustes de KPIs y agilidad decisoria, sugiriendo una dimensión centrada en recursos técnicos y libertad de acción. El Factor 2, Formalización y Compartición, explicó el 17,7% de la varianza, agrupando ítems de procesos formales de gestión de KPIs (definición, monitoreo), comprensión de los indicadores por los colaboradores y compartición de insights, reflejando el carácter estructural y colectivo de la gestión de desempeño. El Factor 3, Efectividad y Cultura de Aprendizaje, explicó el 24,8% de la varianza, capturando ítems de resultado (ROI, reducción de incertidumbre, mejora operativa) combinados con liderazgo data-driven, experimentación e inversiones continuas, indicando la integración entre cultura analítica y efectividad percibida.

Las correlaciones entre los factores variaron de 0,544 a 0,646, confirmando la interdependencia teórica de los constructos y justificando la elección de la rotación oblicua (Hair et al., 2009). La solución tridimensional identificada divergió parcialmente del modelo teórico original de cuatro dimensiones (gobernanza, cultura, capacidades y efectividad), pero fue consistente con la alta multicolinealidad diagnosticada en la regresión y con la literatura que señala la superposición empírica entre gobernanza, cultura y capacidades en etapas iniciales de madurez analítica (Davenport y Harris, 2007; Hirano, 2024). Esta divergencia entre el modelo teórico y la solución factorial empírica representa una limitación importante, sugiriendo que los encuestados pueden no haber distinguido claramente las cuatro dimensiones conceptuales propuestas, lo que refuerza la necesidad de futuras validaciones psicométricas del instrumento.

Implicaciones Gerenciales y Proposiciones Estratégicas por Perfil de Madurez

Perfil Principiante

El perfil Principiante, que representa el 45% de la muestra, se caracteriza por medias inferiores a 2,10 en todas las dimensiones y una efectividad decisoria de 2,30, indicando organizaciones que aún no han estructurado su viaje analítico. Sus fortalezas incluyen una “tabula rasa estratégica”, que permite la adopción de buenas prácticas sin el costo de la reingeniería de sistemas heredados, y una baja complejidad organizacional, que favorece la implementación de cambios culturales con menor inercia burocrática (Barros & Prates, 1996). Las debilidades son la carencia crítica de infraestructura, la inexistencia de gobernanza formal y una cultura de aversión al error, que inhibe la experimentación. Las oportunidades residen en la apropiación de herramientas de código abierto, que pueden generar ganancias rápidas de visibilidad con baja inversión, y en la capacitación básica en alfabetización de datos, que puede elevar la comprensión de los colaboradores sobre el valor de los datos. Las amenazas incluyen el escepticismo del liderazgo, que puede inviabilizar iniciativas analíticas, y el “síndrome del piloto eterno”, donde los proyectos piloto no escalan por falta de recursos o gobernanza (Bain & Company, 2024).

Para este perfil, la proposición estratégica es la “Fundación Analítica”, enfocada en el establecimiento de un producto mínimo viable (MVP) analítico. Se recomienda la definición de un conjunto básico de hasta cinco KPIs críticos, acompañado de un panel ejecutivo simple. Simultáneamente, se debe implementar un programa de “campeones de datos” para diseminar la cultura de experimentación en los equipos. La métrica de éxito inicial no debe ser el ROI contable, sino la reducción de incertidumbres y la frecuencia de uso de los dashboards. La trampa a evitar es la inversión en tecnología compleja antes de consolidar la disciplina de gobernanza, lo que podría agravar la carencia de infraestructura y la inexistencia de gobernanza formal.

Perfil Intermediario

El perfil Intermedio, que abarca el 31% de la muestra, representa organizaciones con una infraestructura razonable (Capacidades = 3,30) y procesos formales (Gobernanza = 3,20), pero que se han estancado en su evolución, con promedios entre 2,95 y 3,35 y una efectividad de 3,35. La cultura (2,95) es el principal cuello de botella, especialmente la baja inversión en capacitación (CULT5 = 2,51) y el intercambio limitado de insights (CULT4). Sus fortalezas incluyen una infraestructura operativa, con herramientas analíticas que ya satisfacen las necesidades básicas, y procesos de monitoreo estructurados, que generan datos históricos. Las debilidades son una cultura de aprendizaje frágil, donde los errores no se ven como insumos para la mejora, baja autonomía para ajustes de KPIs tácticos y subinversión en talento. Las oportunidades implican apalancar la infraestructura existente para centrarse en la interpretación y acción de los datos, y programas de Data Literacy a escala para toda la organización. Las amenazas son el estancamiento en la mediocridad y la rotación de talentos insatisfechos con la falta de autonomía y aprendizaje.

La proposición estratégica para este perfil es la “Activación Conductual”, con el objetivo de romper el aislamiento de los datos. La estrategia debe centrarse en la creación de comunidades de práctica para estimular el intercambio de ideas (Nonaka & Takeuchi, 1995) y en la implementación de horas dedicadas a la experimentación, animando a los colaboradores a probar hipótesis sin miedo a equivocarse. En la gobernanza, se sugiere la descentralización controlada, otorgando autonomía para ajustes de KPIs tácticos, pero manteniendo la gobernanza central para indicadores estratégicos. El indicador clave para este perfil es el ROI de analytics, que debe medirse para justificar la inversión en capacitación y evitar que el área de datos sea vista como un centro de costos, combatiendo la subinversión en talentos y la cultura de aprendizaje frágil.

Perfil Avanzado

El perfil Avanzado, que comprende el 24% de la muestra, presenta medias superiores a 4,10 y una efectividad decisoria de 4,65, representando el benchmark del estudio. La sinergia entre gobernanza, cultura y capacidades es evidente, resultando en decisiones más ágiles y un mejor desempeño operacional. Sus fortalezas incluyen alta efectividad decisoria, una cultura de liderazgo data-driven, donde los ejecutivos utilizan datos para elecciones estratégicas, y una infraestructura robusta con gobernanza madura. Las debilidades son una posible complacencia, que puede reducir el ímpetu innovador, y la capacitación aún no ideal, indicando que el desarrollo de personas no acompañó el desarrollo tecnológico. Las oportunidades incluyen la innovación con IA Generativa, aprovechando la base de datos limpia y gobernada, y la creación de una ventaja competitiva sostenible, convirtiendo la madurez analítica en una capacidad distintiva (Teece, 2007). Las amenazas son la pérdida de talentos para el mercado y la rigidez procesal, que puede sofocar la creatividad y la adaptación rápida a los cambios.

Para el perfil Avanzado, la proposición estratégica es “Innovación y Liderazgo de Mercado”, con la recomendación de migrar de data-driven a data-centric innovation. Esto implica transformar el área de datos en un centro de excelencia que anticipe necesidades de negocio, invertir en programas de capacitación enfocados en storytelling con datos y ética algorítmica, e institucionalizar la medición de ROI de cada proyecto analítico, vinculándolo a indicadores financieros objetivos. El gran desafío es equilibrar la gobernanza consolidada con la autonomía plena, permitiendo que los equipos experimenten libremente dentro de fronteras éticas y de seguridad de datos. La métrica de éxito aquí es la capacidad de generar nuevos negocios o modelos de ingresos a partir de datos, y no solo optimizar lo existente, superando la posible complacencia y la capacitación aún no ideal.

Síntesis Integrada y Patrones Transversales

El análisis de los resultados reveló un patrón transversal consistente en todos los perfiles de madurez: la dimensión cultural presentó sistemáticamente las puntuaciones más bajas en comparación con la gobernanza y las capacidades en la misma etapa. En el perfil Principiante, la cultura (2,05) fue inferior a la gobernanza (2,10); en el Intermedio, la cultura (2,95) quedó por detrás de las capacidades (3,30); y en el Avanzado, la cultura (4,10) fue el punto más bajo del trípode. Este hallazgo corrobora la tesis central de Caldas y Wood Jr. (1999) y Barros y Prates (1996), y también de Schein (2010), de que el cuello de botella de la transformación analítica no es primariamente tecnológico, sino comportamental. La mera existencia de sistemas y procesos formales no garantiza la efectividad si no existe un entorno que incentive la curiosidad, la experimentación y el intercambio de insights.

Independientemente del perfil, la investigación sugiere un enfoque integrado que combine inversiones continuas en infraestructura, gobernanza de datos y herramientas de visualización con programas de desarrollo de liderazgo, mecanismos de recompensa por compartir insights y la creación de un “presupuesto de error” que incentive la experimentación calculada. La transición del perfil Principiante al Avanzado depende menos del volumen de inversión en tecnología y más de cómo el liderazgo modela el comportamiento de uso de los datos en el día a día. Las proposiciones estratégicas delineadas para cada perfil proporcionan un punto de partida contextualizado, que debe ser adaptado a la realidad sectorial y de tamaño de cada organización, con el objetivo de superar las barreras conductuales y culturales identificadas como los principales obstáculos para la efectividad decisoria data-driven.

4. Conclusión

El presente estudio investigó la correlación entre la madurez en la gestión de KPIs y la percepción de efectividad de la toma de decisiones data-driven en empresas que operan en Brasil. Se verificó que las dimensiones de gobernanza de KPIs, cultura data-driven y capacidades en analytics se correlacionaron positiva y fuertemente con la efectividad decisoria. El análisis de regresión múltiple indicó que las capacidades en analytics y la cultura data-driven fueron predictores estadísticamente significativos de la efectividad decisoria, explicando conjuntamente cerca del 79,5% de la varianza. La gobernanza de KPIs, aunque correlacionada, no presentó un efecto directo significativo en el modelo de regresión, sugiriendo que su influencia puede ser mediada por las demás dimensiones. El análisis de clusters identificó tres perfiles de madurez — Principiante, Intermedio y Avanzado — demostrando que las organizaciones en la etapa avanzada alcanzaron una efectividad decisoria 2,02 veces superior a las principiantes. Un hallazgo transversal relevante fue la constatación de que la dimensión cultural sistemáticamente obtuvo las menores puntuaciones en todos los perfiles, evidenciando un desajuste entre el formalismo estructural y los aspectos conductuales en la jornada analítica de las organizaciones brasileñas.

La principal contribución del estudio reside en la proposición de una hoja de ruta estratégica contextualizada para cada perfil de madurez, con el objetivo de superar las barreras conductuales y culturales identificadas como los principales obstáculos para la efectividad decisoria basada en datos. Las limitaciones incluyeron la muestra por conveniencia y el diseño transversal, que impiden inferencias causales definitivas y la generalización a pequeñas empresas u otros sectores. Adicionalmente, el sesgo de método común moderado y la multicolinealidad severa impusieron cautela en la interpretación de los coeficientes de regresión individuales, y el análisis factorial exploratorio reveló una estructura tridimensional divergente del modelo teórico original, sugiriendo una superposición empírica entre los constructos. Para estudios futuros, se recomienda la realización de investigaciones longitudinales para examinar la causalidad, la utilización de muestreo estratificado y la inclusión de variables dependientes objetivas, además de la aplicación de Análisis Factorial Confirmatorio y Modelado de Ecuaciones Estructurales para mejorar la validación psicométrica del instrumento y la comprensión de los efectos mediadores.

Referencias Bibliográficas

Bain & Company. 2024. State of Data 2023–2024: um raio-x dos profissionais de dados do Brasil. Disponível em: <https://www.bain.com/pt-br/insights/state-of-data-2023_profissionais_dados/>. Acesso em: 20 fev. 2026.

Barros, B.T.; Prates, M.A.S. 1996. O Estilo Brasileiro de Administrar. Atlas, São Paulo, SP, Brasil.

Bioni, B.R. 2021. Proteção de Dados Pessoais: a função e os limites do consentimento. 2. ed. Forense, Rio de Janeiro, RJ, Brasil.

Bortolotti, S.L.V.; Moreira Junior, F.J.; Bornia, A.C. 2012. Avaliação da satisfação: um estudo dos instrumentos de medida com escala Likert. Produção Online, Florianópolis, 12(2): 440-462.

Caldas, M.P.; Wood Jr., T. 1999. Transformação e Realidade Organizacional: uma perspectiva brasileira. Atlas, São Paulo, SP, Brasil.

Cohen, J. 1988. Statistical Power Analysis for the Behavioral Sciences. 2. ed. Lawrence Erlbaum, Hillsdale, NJ, EUA.

Davenport, T.H.; Harris, J.G. 2007. Competindo em Analytics: a nova ciência de vencer. Elsevier, Rio de Janeiro, RJ, Brasil.

Diniz, E.H.; Barbosa, A.F.; Junqueira, A.R.B.; Prado, O. 2009. O governo eletrônico no Brasil: perspectiva histórica a partir de um modelo estruturado de análise. Revista de Administração Pública, Rio de Janeiro, 43(1): 23-48.

Field, A. 2009. Descobrindo a Estatística Usando o SPSS. Artmed, Porto Alegre, RS, Brasil.

Fleury, A.; Fleury, M.T.L. 2001. Estratégias Empresariais e Formação de Competências: um quebra-cabeça caleidoscópico da indústria brasileira. Atlas, São Paulo, SP, Brasil.

Hair, J.F.; Black, W.C.; Babin, B.J.; Anderson, R.E.; Tatham, R.L. 2009. Análise Multivariada de Dados. 6. ed. Bookman, Porto Alegre, RS, Brasil.

Hirano, H.I. 2024. O processo de tomada de decisões organizacionais com o uso do Data Analytics. Tese de Doutorado. Universidade de São Paulo, São Paulo, SP, Brasil. Disponível em: <https://www.teses.usp.br/teses/disponiveis/12/12139/tde-14012025-124449/>. Acesso em: 15 dez. 2025.

Hourneaux Junior, F.; Rueda Elias Spers, V.; Correa, H.L. 2005. Avaliação de desempenho organizacional: estudo de casos de empresas do setor químico. Revista de Administração da USP (RAUSP), São Paulo, 40(4): 364-378.

Kaplan, R.S.; Norton, D.P. 1997. A Estratégia em Ação: Balanced Scorecard. Campus, Rio de Janeiro, RJ, Brasil.

Kaufman, L.; Rousseeuw, P.J. 1990. Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley & Sons, New York, NY, EUA.

Laurindo, F.J.B.; Rotondaro, R.G. (org.). 2006. Gestão Integrada de Processos e da Tecnologia da Informação. Atlas, São Paulo, SP, Brasil.

Malhotra, N.K. 2019. Pesquisa de Marketing: uma orientação aplicada. 7. ed. Bookman, Porto Alegre, RS, Brasil.

Martins, R.A.; Salerno, M.S. 1998. Sistemas de medição de desempenho: uma revisão da literatura. Gestão & Produção, São Carlos, 5(2): 136–158.

Nonaka, I.; Takeuchi, H. 1995. The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press, New York, NY, EUA.

Pereira, F.M. 2023. Cultura orientada a dados e Inteligência de negócios: avaliação da maturidade organizacional. Tese de Doutorado em Administração. Universidade Federal do Rio Grande do Norte, Natal, RN, Brasil.

Podsakoff, P.M.; MacKenzie, S.B.; Lee, J.-Y.; Podsakoff, N.P. 2003. Common method biases in behavioral research: a critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5): 879–903.

Richardson, H.A.; Simmering, M.J.; Sturman, M.C. 2009. A tale of three perspectives: examining post hoc statistical techniques for detection and correction of common method variance. Organizational Research Methods, 12(4): 762–800.

Schein, E.H. 2010. Organizational Culture and Leadership. 4th ed. Jossey-Bass, San Francisco, CA, EUA.

Schwab, K. 2016. A Quarta Revolução Industrial. Edipro, São Paulo, SP, Brasil.

Sordi, J.O.; Meireles, M. 2011. Análise de informações qualitativas: procedimentos e suas aplicações em pesquisas usando a técnica Delphi. Revista de Administração Mackenzie (RAM), São Paulo, 12(4): 67–97.

Teece, D. J. 2007. Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319-1350.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy