Factores Asociados al Éxito en la Adopción de Business Intelligence en Organizaciones: un Enfoque Exploratorio Basado en Análisis Multivariante.

Lucas Brandão Garcia; Miguel Ângelo Lellis Moreira

DOI: 10.22167/2675-6528-202603176

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

La adopción de soluciones de Business Intelligence (BI) en organizaciones corporativas se ha ampliado en los últimos años; sin embargo, muchos proyectos no han alcanzado los resultados esperados. En este contexto, se investigaron los factores asociados al éxito en la adopción de BI, considerando que el proceso involucra aspectos tecnológicos, organizacionales y conductuales. La investigación adoptó un carácter aplicado, un enfoque cuantitativo y una naturaleza exploratoria, utilizando una base de datos simulada con variables técnicas y organizacionales relacionadas con el uso de soluciones de BI. Para el análisis, se emplearon el Análisis de Correspondencia Múltiple (ACM) y técnicas de agrupamiento, con el fin de identificar perfiles distintos de adopción. Los resultados indicaron que organizaciones con estructuras técnicas similares pueden presentar niveles de éxito distintos, asociados a factores como el compromiso de los usuarios, la madurez de la cultura de datos y la intensidad de utilización de la solución. Se observó que una mayor escala operativa y una mayor intensidad de uso no garantizaron, por sí solas, un mayor éxito en la adopción. Los hallazgos reforzaron la naturaleza multidimensional del éxito en la adopción de BI y la contribución de enfoques multivariados exploratorios para diagnósticos organizacionales y el perfeccionamiento de la gestión de estas iniciativas.

Palabras clave: Adopción organizacional; Análisis multivariante; Business Intelligence; Cultura de datos; Madurez analítica.

1. Introducción

El uso de datos como apoyo a la toma de decisiones se ha vuelto cada vez más común en el entorno corporativo. En este contexto, las soluciones de Business Intelligence desempeñan un papel central al permitir la integración, el tratamiento y la visualización de información estratégica proveniente de diferentes fuentes de datos (Wixom; Watson, 2010; Mikalef et al., 2021; Grover et al., 2022). A pesar de los avances tecnológicos y de la amplia oferta de herramientas analíticas, muchas organizaciones todavía enfrentan dificultades para extraer valor efectivo de estas soluciones.

La literatura sobre Business Intelligence señala que el éxito de estas iniciativas no depende exclusivamente de la infraestructura tecnológica implementada. Factores organizacionales, como una cultura orientada a datos, la gobernanza de la información y el compromiso de los usuarios, también son cruciales (Yeoh; Koronios, 2010; Ransbotham et al., 2021; Olszak, 2022). La ventaja competitiva asociada al uso de datos reside menos en la tecnología en sí y más en la capacidad de las organizaciones para incorporar análisis y evidencias cuantitativas a los procesos de toma de decisiones (Davenport; Harris, 2007; Davenport, 2023).

Estudios recientes, tanto en el contexto brasileño como internacional, refuerzan que el éxito de iniciativas analíticas y de Business Intelligence resulta de la articulación entre factores técnicos, organizacionales y de gestión. La madurez analítica y la cultura orientada a datos son importantes para la generación de valor a partir de las soluciones de BI (Mikalef et al., 2021; Wamba et al., 2021; Olszak, 2022). Se observa que organizaciones con estructuras tecnológicas y recursos similares pueden presentar niveles bastante distintos de uso, compromiso y retorno percibido a partir de las herramientas analíticas.

La experiencia profesional en el seguimiento técnico de organizaciones corporativas durante procesos de adopción y sostenimiento de soluciones de Business Intelligence evidencia que el éxito de estas iniciativas resulta de la interacción entre factores técnicos y humanos. Esta complejidad sugiere que la adopción exitosa es un fenómeno multidimensional, que no puede ser comprendido a través de análisis aislados de variables.

Ante este escenario, resulta relevante emplear enfoques analíticos capaces de examinar simultáneamente múltiples factores asociados a la adopción de Business Intelligence. Los métodos estadísticos multivariados permiten identificar patrones, asociaciones y perfiles de comportamiento entre variables, posibilitando el análisis de fenómenos organizacionales complejos que difícilmente serían capturados por análisis univariados o descriptivos aislados (Hair et al., 2019; Shmueli et al., 2020). Así, este trabajo tiene como objetivo identificar factores asociados al éxito en la adopción de soluciones de Business Intelligence en organizaciones corporativas mediante la aplicación de técnicas de análisis estadístico multivariado en una base de datos simulada.

2. Material y Métodos

La presente investigación tiene carácter aplicado, con enfoque cuantitativo y naturaleza exploratoria. Estudios de esta naturaleza son apropiados para comprender relaciones entre variables e identificar patrones en contextos organizacionales complejos, especialmente cuando el objetivo involucra la exploración de fenómenos aún poco estructurados en la literatura (HAIR et al., 2019).

El estudio se llevó a cabo a partir de la construcción de una base de datos simulada, elaborada para representar unidades organizacionales usuarias de soluciones corporativas de Business Intelligence. La adopción de datos simulados se debió a la restricción de acceso a bases organizacionales reales, incluso después de intentos de anonimización. El uso de datos sintéticos es reconocido como una alternativa metodológica pertinente en contextos de confidencialidad y protección de la privacidad (PATEL, 2024; BEDUSCHI, 2024; MENDES et al., 2025).

La base de datos se generó en un entorno Python, utilizando las bibliotecas NumPy para la generación de distribuciones estadísticas y Pandas para la estructuración. Las variables continuas de comportamiento de uso se simularon a partir de distribuciones plausibles, y las variables categóricas, como madurez organizacional y compromiso, se generaron para representar diferentes niveles. Se crearon registros ficticios con atributos técnicos y organizacionales observados en proyectos de BI. Para garantizar la reproducibilidad, se definió una semilla aleatoria fija en los procedimientos de generación. El script completo se encuentra documentado en el Apéndice A del trabajo original.

La base de datos contenía registros de 500 unidades organizacionales ficticias, que representaban diferentes perfiles de adopción de soluciones de Business Intelligence. Las variables se dividieron en dos grupos: técnicas y organizacionales. Las técnicas incluyeron el costo de la solución, el número de usuarios, el volumen de uso de la plataforma, la cantidad de llamadas de soporte, el tiempo de implementación y la antigüedad de la cuenta. Las organizacionales contemplaron el nivel de compromiso de los usuarios, la madurez de la cultura de datos, el riesgo de descontinuación de la solución y el modelo de soporte adoptado.

Para complementar el análisis, se construyó un indicador sintético de éxito en la adopción de Business Intelligence, combinando la tasa de adopción de la solución entre usuarios potenciales, el tiempo de uso de la plataforma analítica y el riesgo de descontinuación (churn risk). Los indicadores continuos se normalizaron mediante la transformación Min-Max, según la ecuación (1), para que los valores variaran entre cero y uno (SHMUELI et al., 2020). Tras la normalización, las tres dimensiones se combinaron por media aritmética simple, según la ecuación (2).

Antes de la aplicación de las técnicas de análisis estadístico multivariado, se realizó la preparación y categorización de las variables. Las variables cuantitativas simuladas se transformaron en categorías ordinales, como niveles bajos, medios y altos, para representar diferentes niveles observados en el contexto organizacional. Variables como número de usuarios, volumen de utilización y costo de la solución se categorizaron con base en intervalos definidos a partir de la distribución de los datos simulados. Indicadores de compromiso, madurez de la cultura de datos y riesgo de discontinuidad se representaron por niveles categóricos.

Tras la preparación y categorización, se aplicó el Análisis de Correspondencia Múltiple (ACM), una técnica estadística multivariada para examinar asociaciones entre múltiples variables categóricas y representarlas en un espacio dimensional reducido (GREENACRE, 2017). El ACM parte de la construcción de una matriz indicadora completa o matriz de Burt, que sintetiza las frecuencias cruzadas entre categorías, según la ecuación (3). La técnica realiza una descomposición en valores singulares (SVD), según la ecuación (4), para identificar dimensiones latentes que sintetizan los principales patrones de asociación (GREENACRE, 2017; HAIR et al., 2019).

Con base en las coordenadas factoriales obtenidas por el ACM, se aplicó un análisis de agrupamiento con el algoritmo K-means, para identificar perfiles homogéneos de adopción de Business Intelligence. El K-means busca minimizar la variabilidad interna de los grupos y maximizar la separación entre agrupamientos distintos (HAIR et al., 2019; KAUFMAN; ROUSSEEUW, 2005). El criterio de optimización consiste en la minimización de la suma de los cuadrados de las distancias entre cada observación y el centroide de su respectivo grupo, conforme a la ecuación (5).

La definición del número adecuado de agrupaciones se apoyó en el análisis del coeficiente medio de silueta y el método del codo (elbow method). El coeficiente de silueta evalúa la cohesión interna de los grupos y la separación entre clústeres distintos, según la ecuación (6). El análisis conjunto de estas métricas evidenció un trade-off entre calidad estadística y detalle analítico, lo que llevó a la elección de ocho clústeres (k = 8) para la segmentación, buscando mayor granularidad e interpretación gerencial.

3. Resultados y Discusión

El análisis exploratorio de los datos simulados reveló patrones consistentes relacionados con la adopción y el uso de soluciones de Business Intelligence en unidades organizacionales corporativas. La aplicación del Análisis de Correspondencia Múltiple (ACM) demostró ser una técnica adecuada para examinar asociaciones entre variables categóricas, permitiendo reducir la complejidad del conjunto de datos y preservar las relaciones más relevantes entre los atributos analizados. Este enfoque multivariado fue fundamental para comprender la naturaleza compleja del fenómeno, como se destaca en la metodología, alineándose con la necesidad de explorar fenómenos organizacionales multifacéticos.

La interpretación de las dimensiones generadas por el ACM indicó la existencia de dos ejes principales de diferenciación entre las unidades organizacionales estudiadas. La primera dimensión presentó una asociación predominante con variables relacionadas con la escala y la complejidad operacional. Las unidades caracterizadas por categorías de costo elevado, mayor volumen de uso de la solución, mayor número de usuarios activos y mayor cantidad de llamadas de soporte se concentraron en un extremo de este eje, reflejando el tamaño y la intensidad de utilización del Business Intelligence. En el polo opuesto, se agruparon unidades con menor intensidad de uso, menor base de usuarios y menor complejidad operacional, sugiriendo diferencias estructurales claras entre los entornos analizados.

La segunda dimensión evidenció un patrón distinto, asociado principalmente a factores organizacionales y comportamentales. Se observó que categorías relacionadas con bajo nivel de compromiso de los usuarios, madurez analítica inicial y mayor riesgo de descontinuidad de la solución presentaron mayor contribución en uno de los polos de la dimensión. En contrapartida, unidades con niveles más elevados de compromiso, madurez analítica más consolidada y menor riesgo percibido de descontinuidad de la solución se concentraron en el polo opuesto. Estos resultados indican que, independientemente de la escala operacional, factores ligados a la cultura analítica y al relacionamento organizacional con la solución ejercen un papel relevante en la diferenciación de los perfiles observados, corroborando la literatura que apunta la importancia de aspectos no tecnológicos para el éxito del BI (Yeoh; Koronios, 2010; Ransbotham et al., 2021).

En conjunto, las dos dimensiones obtenidas por el ACM evidencian que la adopción de Business Intelligence no puede ser comprendida a partir de un único factor aislado. Mientras la primera dimensión refleja diferencias estructurales y operacionales entre las unidades organizacionales, la segunda dimensión indica la relevancia de factores organizacionales asociados a la cultura de datos y al compromiso de los usuarios. La proyección de las unidades organizacionales en el espacio bidimensional del ACM mostró una separación visual consistente entre diferentes grupos, indicando que las asociaciones entre las variables categóricas son eficaces para distinguir patrones distintos de adopción de Business Intelligence, lo que fue un paso crucial para la etapa de segmentación.

Para identificar perfiles organizacionales con características similares de adopción de la solución analítica, se aplicaron métodos de agrupamiento sobre las dimensiones obtenidas por el Análisis de Correspondencia Múltiple. La definición del número adecuado de clusters fue apoyada por dos enfoques complementarios: el coeficiente medio de silueta y el método del codo. El coeficiente de silueta, que evalúa la cohesión interna y la separación entre clusters, indicó que valores menores de k, especialmente k igual a dos y k igual a tres, presentaron mayores índices de silueta, sugiriendo mejor separación estadística entre los agrupamientos. Sin embargo, el coeficiente de silueta presentó una reducción gradual a medida que el número de clusters aumentaba, reflejando mayor complejidad y superposición entre los grupos formados.

El método del codo, a su vez, permitió analizar la reducción de la variabilidad interna de los agrupamientos a medida que aumentaba el número de clusters. Se observó una marcada reducción de la variabilidad interna de los clusters hasta aproximadamente k igual a cuatro o k igual a cinco, a partir de los cuales la curva comenzó a presentar un comportamiento más estable. Este patrón indicó un punto de inflexión que sugiere ganancias marginales decrecientes en la calidad de la segmentación para valores más altos de k. El análisis conjunto de estas dos métricas evidenció un compromiso entre la calidad estadística de la segmentación y el nivel de detalle analítico.

Ante este escenario, la elección final por k igual a ocho se basó en la combinación de criterios estadísticos y analíticos. Aunque los gráficos indicaban un mejor desempeño estadístico para valores menores de k, la configuración con ocho clusters posibilitó una mayor granularidad en la identificación de los perfiles organizacionales, favoreciendo la interpretación gerencial de los resultados. Configuraciones con un menor número de clusters tenderían a agrupar unidades organizacionales con características heterogéneas en categorías amplias, reduciendo la capacidad de diferenciación entre patrones de adopción. Por otro lado, valores muy elevados de k podrían comprometer la estabilidad de los agrupamientos y dificultar su interpretación práctica, lo que justificó la elección por un número intermedio de clusters para optimizar la relevancia práctica de los hallazgos.

Tras la definición del número de agrupaciones, se procedió al análisis de la distribución de las unidades organizacionales entre los clústeres identificados. Esta distribución permitió observar la cantidad de organizaciones asignadas a cada grupo y evaluar el equilibrio entre las agrupaciones obtenidas por el modelo. El análisis de las agrupaciones reveló la existencia de perfiles heterogéneos de adopción de Business Intelligence, lo que indica que las organizaciones no siguen un camino uniforme en la implementación y uso de estas soluciones.

Se identificaron grupos caracterizados por alta escala y elevada complejidad operativa, así como grupos de tamaño mediano con un uso más estable de la solución. También se observaron agrupaciones asociadas a entornos organizacionales con adopción limitada, en los cuales bajos niveles de compromiso y madurez analítica estuvieron asociados a una mayor inestabilidad en el uso de BI. Estos resultados indican que la adopción de Business Intelligence no puede explicarse exclusivamente por factores técnicos o estructurales, siendo fuertemente influenciada por la interacción entre características organizacionales y comportamentales, una perspectiva alineada con la visión de DeLone y McLean (2003) sobre el éxito de los sistemas de información.

El análisis de los clústeres también permitió interpretar las agrupaciones como diferentes perfiles organizacionales de adopción de Business Intelligence, representando distintas etapas de madurez e intensidad de uso de la solución analítica. Para examinar las diferencias de escala operativa entre las agrupaciones, se analizó el costo promedio mensual de la solución en cada clúster. La distribución de los costos promedio entre los clústeres refuerza la interpretación de que los diferentes perfiles de adopción también se distinguen en términos de escala operativa e intensidad de utilización de la solución analítica, presentando el Clúster 2 el mayor costo promedio mensual, lo que indica una mayor inversión y, presumiblemente, una mayor escala.

La puntuación media de éxito para cada clúster identificado reveló que ciertos agrupamientos concentran unidades organizacionales con niveles más altos del indicador, sugiriendo entornos con mayor madurez analítica y mayor consolidación del uso de las herramientas de Business Intelligence en los procesos decisorios. Por otro lado, algunos clústeres presentaron valores significativamente menores del indicador, reflejando contextos organizacionales en los que la adopción de la solución ocurre de forma más limitada o aún en etapa inicial. Por ejemplo, el Clúster 7 presentó la puntuación media de éxito más alta, mientras que el Clúster 5 presentó la más baja.

Para comprender de forma más detallada las características de cada clúster, se realizó un análisis del perfil medio de las principales variables consideradas en el estudio, incluyendo número de usuarios, volumen de uso de la solución, frecuencia de soporte e indicadores de desempeño. El Clúster 2, por ejemplo, concentró el mayor número de organizaciones (122 unidades) y presentó los valores medios más altos de usuarios (260,02), volumen de uso (1470,78 horas mensuales) y tickets de soporte (9,96 por mes), indicando entornos de mayor complejidad operativa. Sin embargo, su puntuación media de éxito fue de 0,45, manteniéndose relativamente inferior a la observada en clústeres con menor escala operativa.

En contraste, el Clúster 7, con 38 organizaciones, presentó la mayor puntuación media de éxito (0,72), junto con una alta tasa media de adopción (0,74) y un bajo volumen de tickets de soporte (0,24 por mes), sugiriendo entornos organizacionales más estables y con mayor madurez en el uso de la solución analítica. Por su parte, el Clúster 5, con 49 organizaciones, presentó la menor puntuación media de éxito (0,27) y la menor edad media de la cuenta (21,00 meses), indicando un perfil organizacional más reciente y aún poco consolidado en términos de adopción analítica. Estas comparaciones directas entre los clústeres revelan la diversidad de escenarios de adopción.

Un resultado particularmente relevante emerge del análisis del Clúster 2. Aunque este agrupamiento presenta los mayores valores medios de número de usuarios, volumen de uso de la plataforma y frecuencia de llamadas de soporte, su puntuación media de éxito permanece inferior a la observada en clústeres menores. Este resultado sugiere que una mayor escala operativa y una mayor intensidad de uso de la solución no garantizan, por sí solas, un mayor éxito en la adopción del Business Intelligence. En entornos organizacionales más complejos, la ampliación de la escala de uso puede ocurrir sin la correspondiente consolidación de la madurez analítica, del compromiso de los usuarios y de la estabilidad de la adopción de la solución, lo que resalta la importancia de factores cualitativos.

Otro aspecto analizado en este estudio fue la relación entre la tasa de adopción de la solución analítica y el riesgo de churn, entendido como la probabilidad de descontinuación del uso de la herramienta. Se observó que niveles más elevados de adopción tienden a estar asociados con menor probabilidad de descontinuación del uso de la plataforma. Sin embargo, la dispersión observada indica que esta relación no ocurre de forma perfectamente lineal, sugiriendo que otros factores organizacionales, como la madurez de la cultura analítica, la calidad del soporte técnico y la integración de las herramientas analíticas a los procesos de decisión, también ejercen influencia relevante sobre la continuidad del uso de la solución, según lo señalado por Ransbotham et al. (2021) y Olszak (2022).

En términos generales, los clústeres identificados pueden interpretarse como la representación de tres patrones principales de comportamiento organizacional en relación con el uso de Business Intelligence. El primero corresponde a entornos organizacionales de adopción avanzada, caracterizados por una mayor estabilidad en el uso de la solución y una mayor madurez analítica. El segundo patrón corresponde a entornos con adopción intermedia, en los cuales el Business Intelligence presenta un uso relativamente estable, pero con niveles moderados de compromiso y madurez aún en desarrollo. Finalmente, se identificaron agrupaciones asociadas a contextos organizacionales de adopción inicial o limitada, caracterizadas por una menor intensidad de uso y un mayor riesgo de descontinuación de la solución, evidenciando la naturaleza multidimensional del éxito en la adopción.

Estos resultados indican que el éxito en la adopción de Business Intelligence no depende exclusivamente de la escala operativa o de la intensidad de uso de la solución, sino también de la presencia de factores organizacionales relacionados con la cultura de datos y el compromiso de los usuarios. La combinación entre Análisis de Correspondencia Múltiple y métodos de agrupamiento permitió reducir la complejidad del conjunto de datos, identificar dimensiones relevantes de diferenciación y segmentar las unidades organizacionales en perfiles distintos de adopción. El análisis evidenció que factores técnicos, como la escala de uso y la complejidad operativa, coexisten con factores organizacionales, como el compromiso de los usuarios y la madurez de la cultura de datos, en la configuración de los diferentes niveles de éxito observados, confirmando el objetivo del estudio.

4. Conclusión

Este estudio tuvo como objetivo identificar factores asociados al éxito en la adopción de soluciones de Business Intelligence en organizaciones corporativas, empleando un enfoque exploratorio basado en análisis multivariado en una base de datos simulada. Se verificó que el éxito en la adopción de Business Intelligence es un fenómeno multidimensional, influenciado por una interacción compleja de factores. La aplicación del Análisis de Correspondencia Múltiple reveló dos ejes principales de diferenciación entre las unidades organizacionales: uno relacionado con la escala y complejidad operacional, y otro asociado a factores organizacionales y comportamentales, como el compromiso de los usuarios y la madurez de la cultura de datos. Se observó que organizaciones con estructuras técnicas similares pueden presentar niveles de éxito distintos, y que mayor escala operacional o intensidad de uso de la solución no garantizan, por sí solas, mayor éxito en la adopción. La segmentación en clusters permitió identificar perfiles organizacionales heterogéneos, desde entornos de adopción avanzada y estable hasta contextos de adopción inicial o limitada, con mayor riesgo de discontinuidad.

La principal contribución de este trabajo reside en la demostración de que enfoques analíticos multivariados, como la combinación de Análisis de Correspondencia Múltiple y métodos de agrupamiento, son eficaces para producir diagnósticos relevantes sobre los patrones de adopción de Business Intelligence. Esta capacidad de identificar perfiles y asociaciones complejas ofrece soporte a la toma de decisiones gerenciales y a la formulación de estrategias para consolidar la cultura analítica en las organizaciones. Sin embargo, el estudio presenta limitaciones importantes, como el uso de una base de datos simulada, lo que implica que los patrones identificados deben interpretarse como asociaciones plausibles y no como evidencias empíricas definitivas para contextos reales. Además, el carácter exploratorio de la metodología no permite establecer relaciones causales directas entre las variables analizadas, y dimensiones subjetivas, como la percepción de valor por parte de los usuarios, no fueron incorporadas. Se sugiere para estudios futuros la aplicación de la metodología en bases de datos reales, la inclusión de nuevas variables organizacionales y el desarrollo de modelos explicativos que profundicen el análisis de los factores asociados al éxito en la adopción de Business Intelligence.

Referencias Bibliográficas

BEDUSCHI, 2024 [Referência completa não encontrada no documento original]

DAVENPORT, T. Competing on analytics revisited. Harvard Business Review, 2023.

DAVENPORT, Thomas H.; HARRIS, Jeanne G. Competing on analytics: the new science of winning. Boston: Harvard Business School Press, 2007.

DELONE, William H.; MCLEAN, Ephraim R. The DeLone and McLean model of information systems success: a ten-year update. Journal of Management Information Systems, Armonk, v. 19, n. 4, p. 9–30, 2003.

GREENACRE, 2017 [Referência completa não encontrada no documento original]

GROVER, V. et al. Creating strategic business value from big data analytics. MIS Quarterly Executive, 2022.

HAIR, Joseph F. et al. Multivariate data analysis. 8. ed. Boston: Cengage Learning, 2019.

KAUFMAN; ROUSSEEUW, 2005 [Referência completa não encontrada no documento original]

MENDES et al., 2025 [Referência completa não encontrada no documento original]

MIKALEF, P. et al. Big data analytics capabilities and firm performance. Information & Management, 2021.

OLSZAK, C. Business intelligence systems and organizational performance. Information Systems Management, 2022.

PATEL, 2024 [Referência completa não encontrada no documento original]

RANSBOTHAM, S. et al. Expanding Al’s impact with organizational learning. MIT Sloan Management Review, 2021.

SHMUELI, Galit; BRUCE, Peter; GEDECK, Peter; PATEL, Nitin. Data mining for business analytics. Hoboken: Wiley, 2020.

WAMBA, S. F. et al. Big data analytics and firm performance. Journal of Business Research, 2021.

WIXOM, Barbara H.; WATSON, Hugh J. The BI-based organization. International Journal of Business Intelligence Research, v. 1, n. 1, p. 13–28, 2010.

YEOH, William; KORONIOS, Andy. Critical success factors for business intelligence systems. Journal of Computer Information Systems, Stillwater, v. 50, n. 3, p. 23–32, 2010.

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, haz clic aquí y accede a la plataforma MBX Academy