Traducido del inglés al español - www.onlinedoctranslator.

com

Inteligencia empresarial y análisis en

pequeñas y medianas empresas
 Marilex Rea Llave

Inteligencia empresarial y análisis en

pequeñas y medianas empresas

Disertación para el grado de doctor philosophiae

Facultad de Ciencias
Sociales de la
Universidad de Agder
2020
Tesis de Doctorado en la Universidad de Agder 282

ISSN: 1504-9272
ISBN: 978-82-7117-984-7

 Marilex Rea Llave, 2020

Impreso por 07
Media Kristiansand
 Esta tesis ha sido presentada al

Departamento de Sistemas de Información,

Facultad de Ciencias Sociales,

Universidad de Agder, Kristiansand,

Noruega

Fecha de defensa: 28 de agosto de 2020

Comité de Evaluación

Jos van Hillegersberg, profesor de

la Universidad de Twente, Países
Bajos

Anne Mette Fuglseth, profesora

NHH Escuela Noruega de Economía, Noruega

Bjørn Erik Munkvold, profesor

de la Universidad de Agder,
Noruega

Supervisores

Dag H. Olsen, profesor de la

Universidad de Agder,
Noruega

Eli Hustad, profesor de la

Universidad de Agder,
Noruega
 Esta tesis está dedicada a

mi amado difunto padre, Alexander Sacramento

Llave y mi amada madre, Celia Rea Llave.

Agradecimientos
El largo y tortuoso camino hacia un doctorado ha sido una experiencia notable.
Fue un viaje de desafíos incesantes pero interesantes. Por esto, me gustaría
agradecer a la Universidad de Agder y al Departamento de Sistemas de
Información.

Quiero expresar mi más sincero agradecimiento a mis supervisores, el profesor

Dag H. Olsen y el profesor Eli Hustad. Dag, eres un gran pensador y oyente.
Leíste pacientemente mi trabajo y respondiste mis interminables preguntas. Eli,
me ayudaste con tus habilidades excepcionales y me recuerdaste que podía
superar esto. Me motivaste y fuiste un rayo de sol. Siempre estaré agradecido por
su paciencia, aliento y orientación a lo largo de este viaje. Su inquebrantable
entusiasmo por la investigación me ha mantenido comprometido con mi estudio
de doctorado. Soy realmente afortunado de tenerlos como mis "padres de
investigación".

Extiendo mi agradecimiento a la increíble gente del Departamento de Sistemas

de Información. Al profesor Maung Kyaw Sien y al profesor Devinder Thapa,
gracias por los consejos profesionales y por tener "almuerzos filipinos" conmigo.
Gracias por las entretenidas charlas sobre la vida, Hans Olav Egeland Omland y
Hallgeir Nilsen. Y al resto de mis colegas, Amna, Anna-Lene, Ilias, Janis,
Charlotte, Tonje, Even, Jaziar, Terje, Margunn, Xenia, Tim, Niels, Sara, Tom,
Ivan, Cathrine, Kristine, Lucia, Sindi, Tumaini y Tove, todos ustedes son
personas maravillosas. A mis compañeros estudiantes de doctorado que me
apoyaron y apoyaron durante todo mi esfuerzo, Anne Kristin, Tafiqur, Geir Inge,
Aleksandra, Kirsti, Peter, Nam, Tika, Frank, Jan Helge, Narayan y Ole Kristian.
Hubiera sido un viaje solitario sin ustedes.

Un agradecimiento especial al profesor Bjørn Erik Munkvold, quien me informó

sobre esta oportunidad de trabajo de doctorado. Gracias a nuestro antiguo jefe de
departamento, el profesor Leif Skiftenes Flak, que me dio la bienvenida en mi
primer día de trabajo. Gracias a nuestro jefe de departamento, el profesor Carl
Erik Moe, quien me confió las responsabilidades docentes durante mi doctorado.
Al profesor Øystein Sæbø, gracias por los diferentes estilos y técnicas de
enseñanza que me ha enseñado y por ayudarme a sobrevivir a mi primera
experiencia docente.
ix
A mi querida madre, Celia Rea Llave, gracias por el amor incondicional, la
paciencia y el apoyo que me han hecho la persona que soy hoy. Gracias por
esforzarse para darme la mejor vida que puede brindarme. Tengo mucha suerte
de tener una madre bondadosa pero fuerte. También quiero agradecer a mi amado
difunto padre, Alexander Sacramento Llave, quien trabajó duro e hizo todo lo
posible para darnos la vida que merecíamos. ¡Te extraño mucho, papá! Tú y
mamá sois mi mayor inspiración. Espero haberlos hecho sentir orgullosos a
ambos. Los amo a los dos hasta la luna y de regreso.

También quiero agradecer a mis dos hermanas por su amor y apoyo. A mi

hermana menor, gracias por cuidar a mamá y por ser una gran madre para mi
sobrino. Eres una de las personas más cariñosas que conozco. A mi hermana
mayor, gracias por todo su arduo trabajo y sacrificio para ayudar a mamá a poner
comida en nuestra mesa después de la muerte de nuestro padre. Eres una de las
personas más generosas que conozco. Tengo la suerte de tenerlos a los dos como
mis hermanas y en mi vida. A mi maravilloso sobrino y sobrina, gracias por traer
tanta alegría y felicidad a mi mundo. Prometo estar siempre ahí para los dos y ser
la "tía genial". Para el cuñado más amable que alguien pueda tener, gracias por
amar a mi hermana mayor, a mi sobrina y a toda la familia. Eres una persona
maravillosa con un gran corazón.

Por último, pero no menos importante, le debo las gracias a una persona muy
especial, por su amor, apoyo y comprensión continuos e inquebrantables.
Siempre estuviste cerca, a veces pensé que era casi imposible continuar. Estoy
realmente agradecido por todo lo que has hecho por mí. ¡Significas mucho para
mí!

x
lista de abreviaciones
BABnegocios Analítica
BIBnegocios Inteligencia
BI & ABusiness Intelligence and Analytics
CRMRelación con el cliente Gestión
Éxito crítico de CSFC Factor
Gestión de bases de datos DBMS Sistema
D & MDeLone y McLean
DOIDdifusión de la innovación Teoría
Soporte DSSDecision Sistema
DWData Depósito
EIS Sistema de información ejecutiva
Recurso ERPEnterprise Planificación
ETLExtract-Transform-Load
IoTInternet de Cosas
ISInformación Sistemas
Información Tecnología
KM Conocimiento Gestión
Indicador de rendimiento clave
Sistema de información de gestión incorrecta
PDSSP Soporte de decisiones personales
Sistema RBV Basado en recursos
Vista
SaaSSoftware como servicio
Cadena de suministro Analítica
Cadena de suministro SCMS Gestión
PYMESpequeñas y medianas Empresa
Modelo de aceptación de TAMTechnology
Tecnología, organización y Medio ambiente
UTAUT Teoría unificada de aceptación y uso de la tecnología VRIN
Valiosa, rareza, inimitable y Insustituible

xi
xii
Abstracto
Esta tesis presenta un estudio sobre la adopción de Business Intelligence and
Analytics (BI&A) en pequeñas y medianas empresas (Pymes). Aunque la
importancia de BI&A es ampliamente aceptada, la investigación empírica
muestra que las PyMEs todavía están rezagadas en la proliferación de BI&A. Por
tanto, es fundamental comprender el fenómeno de la adopción de BI&A en las
pymes.

Esta tesis investigará y explorará la adopción de BI&A en las pymes, abordando

la principal pregunta de investigación: ¿Cómo podemos entender el fenómeno de
la adopción de BI&A en las pymes? El término de adopción en esta tesis se
refiere a todas las etapas de adopción de SI, incluida la inversión,
implementación, utilización y creación de valor. Esta investigación utiliza una
combinación de una revisión de la literatura, un enfoque exploratorio cualitativo
y un estudio Delphi de tipo ranking con un enfoque Delphi fundamentado. La
parte empírica incluye entrevistas con 38 expertos y encuestas Delphi con 39
expertos de diversas industrias noruegas.

La estrategia de investigación investiga los factores que influyen en la adopción

de BI&A en las pymes. El estudio examinó la inversión, implementación,
utilización y creación de valor de las tecnologías BI&A en las PYMES. Se
adoptó un análisis temático para recopilar los datos cualitativos de las entrevistas
con los expertos y buscar temas potenciales. Los hallazgos de la encuesta Delphi
se examinaron más a fondo utilizando el método Delphi basado en la conexión a
tierra. Para comprender mejor los hallazgos del estudio, se aplicaron tres
perspectivas teóricas: teoría de la vista basada en recursos, capacidades
dinámicas y modelos de proceso de valor de SI.

Los resultados de la investigación de la tesis se presentan en cinco artículos

publicados en actas de congresos y revistas internacionales. Este resumen de tesis
integrará y discutirá coherentemente estos resultados.

La tesis hace cinco aportaciones. En primer lugar, proporciona una descripción

general de la adopción de BI&A en las pymes al sintetizar las contribuciones de
investigación existentes sobre este tema. En segundo lugar, el estudio contribuye
al flujo de investigación sobre la adopción de BI&A en las pymes al identificar
xiii
los impulsores e inhibidores centrales, centrándose en la falta de recursos para
explicar la lenta adopción o no adopción de BI&A. En tercer lugar, el estudio
demuestra cómo BI&A ayuda a generar valor comercial. Cuarto, la tesis sugiere
una iterativa

xiv
y enfoque gradual como es preferible para las PYMES y propone un modelo de
proceso de valor de SI revisado para representar la naturaleza iterativa y
dinámica de BI&A. Finalmente, el estudio ilustra la combinación de las tres
perspectivas teóricas, lo que contribuye a una mejor comprensión de los
hallazgos. Además, esta tesis presenta un conjunto de recomendaciones para
ayudar a las pymes a lograr la adopción exitosa de BI&A y la creación de valor.
Además, la combinación de un estudio Delphi de tipo ranking con un enfoque
Delphi fundamentado y entrevistas exploratorias cualitativas a expertos ofrece un
enfoque metodológico riguroso para obtener una comprensión más profunda de
la adopción de BI&A en las pymes.

xv
Tabla de contenido
1 Introducción1...................................................................................................
2 Teórico Antecedentes5....................................................................................
2.1 El basado en recursos Vista 5.....................................................................
2.2 Las capacidades dinámicas Vista8.............................................................
2.3 Valor de IS Modelos12.............................................................................
3 Relacionado Literatura19...............................................................................
3.1 Inteligencia empresarial y Analítica19.....................................................
3.1.1 Business Intelligence, Business Analytics y Big Datos20.................
3.1.2 BI&A Arquitectura22........................................................................
3.1.3 BI&A Evolution y Tendencias23......................................................
3.1.4 BI&A Business Creación de valor26.................................................
3.2 Pequeñas y medianas empresas e información Sistemas28......................
3.2.1 El contexto de las PYME y Medio Ambiente28................................
3.2.2 Único de las PYMES Características30.............................................
3.3 ES Adopción32........................................................................................
3.4 ES Adopción en PYMES36.....................................................................
3.5 BI&A Adopción39...................................................................................
3.6 Adopción de BI&A en PYMES43............................................................
4 Investigar Enfoque47.....................................................................................
4.1 Investigar Diseño47..................................................................................
4.2 Conseguir informantes Tablero49............................................................
4.3 Datos Colección53...................................................................................
4.3.1 Cualitativo Entrevistas53...................................................................
4.3.2 Delphi Estudio54...............................................................................
4.4 Datos Análisis58......................................................................................
4.5 Validez Problemas62................................................................................
5 Investigar Publicaciones65............................................................................
5.1 Documento 1: Revisión de la inteligencia empresarial y el análisis en
pequeñas y Talla media Empresas
sesenta y cinco
5.1.1 Presentación66..................................................................................
5.1.2 Hallazgos66.......................................................................................
5.2 Documento 2: Creación de valor a partir de inteligencia empresarial y
análisis en Pymes: perspectivas de Expertos...................................................67

xvi
 5.2.1 Presentación67..................................................................................
5.2.2 Hallazgos68.......................................................................................
5.3 Documento 3: Impulsores para la creación de valor empresarial de la
inteligencia empresarial: Los expertos Vista...................................................69
5.3.1 Presentación69..................................................................................
5.3.2 Hallazgos69.......................................................................................
5.4 Documento 4: Data Lakes en Business Intelligence: informes del
Trincheras........................................................................................................70
5.4.1 Presentación71..................................................................................
5.4.2 Hallazgos71.......................................................................................
5.5 Documento 5: Creación de valor comercial estratégico a partir de BI&A:
Navegando por Dire Straits between Investment and Rendimiento.................72
5.5.1 Presentación72..................................................................................
5.5.2 Hallazgos72.......................................................................................
6 Contribuciones75...........................................................................................
6.1 Contribución a Investigación75................................................................
6.2 Contribución a Práctica82........................................................................
6.3 Metodológico Contribución86..................................................................
7 Conclusiones87..............................................................................................
7.1 Resumen87...............................................................................................
7.2 Limitaciones y sugerencias para el futuro Investigación88......................
Referencias91......................................................................................................
Apéndices 115...................................................................................................
Apéndice A: Documentación de datos Colección115....................................
Apéndice B: Investigación Publicaciones157................................................

xvii
Lista de Figuras
Figura 2.1: Cómo la TI crea valor empresarial: un proceso teoría14..............................
Figura 2.2: Valor empresarial de TI modelo14...............................................................
Figura 2.3: Valor empresarial de SI sintetizado modelo15.............................................
Figura 2.4: Un marco de cómo BI&A crea negocios valor17.........................................
Figura 3.1: Evolución de la decisión tecnologías de apoyo20........................................
Figura 3.2: BI&A arquitectura23....................................................................................
Figura 3.3: La difusión de marco de innovaciones33......................................................
Figura 3.4: La tecnología, la organización y el medio ambiente marco34......................
Figura 4.1: Resumen de la investigación actividades49..................................................
Figura 4.2: Resumen de las fases Delphi y seguimiento entrevistas55...........................
Figura 4.3: Ejemplo de análisis de la lista de controladores en función de la validación
round60............................................................................................................................
Figura 6.1: Impulsores e inhibidores principales para la adopción de BI&A en PYMES
mapeados en el SI proceso de valor modelo...................................................................76
Figura 6.2: El modelo de proceso de valor revisado propuesto y los impulsores de
implementación mapeado en el modelo de proceso de valor de IS por Soh y Markus
(1995)..............................................................................................................................80

Lista de tablas
Tabla 3.1: Los factores de éxito en SI adopción38.........................................................
Tabla 3.2: Tres categorías principales de factores que influyen en BI&A adopción40. .
Tabla 4.1: Informantes del estudio Delphi profile50.......................................................
Tabla 4.2: Informantes profile51.....................................................................................
Tabla 4.3: Estudio Delphi diseño55................................................................................
Tabla 4.4: Resumen de las entrevistas de seguimiento para el Delphi Estudio58..........
Tabla 4.5: Ejemplo de coding61......................................................................................
Tabla 4.6: Cuestiones de validez de la Estudio Delphi62...............................................
Tabla 4.7: Cuestiones de validez basadas en los principios de interpretación de SI
investigación63................................................................................................................
Tabla 5.1: Resumen de la investigación publicaciones65...............................................
Tabla 6.1: Recomendaciones para práctica85.................................................................

xviii
xix
Soy un gran creyente en la suerte. Cuanto más trabajo, más parece tener.

- Coleman Cox.

xx
 -

xxi
1 Introducción
La inteligencia y el análisis de negocios (BI&A) son enfoques centrados en datos
que complementan los datos con un conjunto de metodologías, procesos,
tecnologías y herramientas para analizar y extraer información de los datos (Lim
et al., 2013). BI&A ofrece una forma para que las empresas examinen sus datos
para mejorar la toma de decisiones, comprender las tendencias y descubrir
información valiosa (Gürdür et al., 2019). Ha evolucionado desde el
almacenamiento de datos con un enfoque en informes estáticos centrados en la
inteligencia (Simmers, 2004). Al mismo tiempo, también cambia de una función
de transformación de datos a una función de información como el punto focal de
la función actual de transformación de datos en inteligencia. BI&A aprovecha el
software y los servicios para transformar los datos en inteligencia procesable que
informa las decisiones comerciales estratégicas y tácticas de una organización.
Con BI&A, las empresas pueden acceder y analizar conjuntos de datos y
presentar hallazgos analíticos en informes, resúmenes, paneles, gráficos, cuadros
y mapas para proporcionar a los usuarios información detallada sobre el estado
de la empresa. En resumen, BI&A es un sistema de información que respalda los
procesos de toma de decisiones al ayudar a las organizaciones a descubrir nuevos
conocimientos, ofrecer soluciones de análisis, consultas ad hoc, informes y
pronósticos (Yoon et al., 2014).

La globalización, la internacionalización de los mercados, la economía del

conocimiento y el comercio electrónico son algunos de los numerosos desafíos a
los que se enfrentan todas las organizaciones, independientemente de su tamaño.
Para que las organizaciones sobrevivan y sean competitivas en su nuevo entorno,
deben utilizar sistemas de información (SI) y tecnologías de la información (TI)
(Poba-Nzaou et al., 2008). Las organizaciones exitosas se diferencian por su
capacidad para tomar decisiones precisas, oportunas y efectivas en todos los
niveles para abordar las preferencias y prioridades de sus clientes (Bose, 2009).

La importancia de las pequeñas y medianas empresas (PYME) en todo el mundo

es indiscutible. La definición de PYME varía de un país a otro; la mayoría de los
denominadores son cifras de empleo, rotación e inversiones y activos fijos
(Costello et al., 2007). Esta tesis sigue la definición de PYME según la Comisión
Europea. Las PYME son empresas con menos de 250 empleados y un volumen

1
de negocios anual que no supera los 50 millones de euros, lo que representa el
99% de todas las empresas europeas (IFC, 2012, p. 1). Las pymes equilibran la
independencia política y económica e impulsan infraestructuras socioeconómicas
diversificadas en forma de empleo

2
creación, flexibilidad e innovaciones (Dwivedi et al. 2009). Por tanto, las pymes
son la piedra angular de la industrialización.

A diferencia de las grandes empresas, las pymes programan un presupuesto y un

cambio organizativo limitados (Ruivo et al., 2015), recursos limitados,
experiencia limitada e impacto limitado en su entorno (Carson et al., 1995).
Tradicionalmente, las PYME adoptan lentamente SI / TI (Raymond, 1988)
debido a la escasez de recursos, los pequeños presupuestos y la limitada
experiencia técnica. Esto crea barreras potenciales que les impiden adoptar
tecnologías innovadoras para mejorar el desempeño organizacional (Levy y
Powell, 2000). Los dos inhibidores más importantes para el progreso de SI / TI
en las PYMES son los obstáculos financieros y la falta de conocimiento técnico
(Iacovou et al., 1995). Sin embargo, las pymes pueden ser más receptivas a
entornos dinámicos y más susceptibles a las innovaciones digitales que las
empresas más grandes (Chan et al., 2019) debido a sus estructuras informales.
Según la literatura, los problemas, Las oportunidades y los problemas de gestión
que encuentran las PYME en el área de adopción de SI son únicos (Premkumar,
2003). Además, sus recursos, capacidades y procesos comerciales son de
naturaleza idiosincrásica. Por lo tanto, la adopción de BI&A en las pymes
probablemente tenga diferentes impulsores e inhibidores que las empresas más
grandes.

Tradicionalmente, la necesidad de conocimientos basados en BI & A puede ser

más pronunciada en empresas que manejan grandes cantidades de información.
Hoy en día, muchas empresas de pequeña escala generan una gran cantidad de
datos. La generación de datos depende de su modelo de negocio más que del
tamaño de la empresa. Muchos propietarios y gerentes de negocios se ven
bombardeados con una sobrecarga de información y buscan urgentemente formas
de obtener un mayor control, comprensión e inteligencia de los datos de la
organización. Por lo tanto, las pymes y los empresarios también deben tomar
decisiones basadas en datos.

En comparación con las grandes empresas, se quedan atrás en la utilización del

potencial de BI&A (Baransel y Baransel, 2012). Una iniciativa de BI&A no es
una tarea libre de riesgos, ni logra automáticamente un mejor desempeño. Por lo
tanto, tanto los profesionales como los investigadores deben comprender los
3
factores que influyen en la adopción de BI&A para garantizar el éxito de BI&A
(Cruz-Jesus et al., 2018). Los estudios anteriores no pudieron presentar evidencia
empírica convincente de la adopción de BI&A en las PYME. A pesar de la
importancia de BI&A, relativamente poca investigación empírica ha abordado
directamente la comprensión más profunda de los factores que influyen en los
procesos de adopción de las PYME. El valor empresarial

4
El proceso de generación asociado con la adopción de estas tecnologías aún no
está claro (Moreno et al., 2018, Trieu, 2017).

Dadas las motivaciones anteriores, esta tesis tiene como objetivo aumentar la
comprensión de la adopción de BI&A en las pymes y cómo las pymes crean
valor a partir de las iniciativas de BI&A. Para obtener una mejor comprensión, se
investiga esta pregunta de investigación general: ¿Cómo podemos comprender el
fenómeno de la adopción de BI&A en las pymes? Esta tesis interpreta la
adopción de SI en estas etapas: inversión, implementación, utilización y creación
de valor a partir de iniciativas BI&A. Para comprender mejor la adopción de
BI&A, investigué específicamente las siguientes subpreguntas de investigación:

SQ1: ¿Cuáles son los impulsores e inhibidores de la adopción de

BI&A en las pymes? SQ2: ¿Cómo se utilizan e implementan BI&A en
las PYMES?
SQ3: ¿Cómo crean valor las pymes a partir de las iniciativas de BI&A?

Responderé a las preguntas anteriores obteniendo el conocimiento de los expertos

en BI&A de las industrias noruegas. La base empírica de la tesis es un estudio
Delphi de tipo ranking con un enfoque Delphi fundamentado y un estudio
exploratorio que utiliza una técnica de entrevista cualitativa a expertos. Los
resultados de este estudio se presentan y discuten en cinco publicaciones de
investigación (Apéndice B). Este resumen de tesis integrará las publicaciones de
investigación y presentará los resultados de la investigación de manera coherente.

El resto de esta tesis se estructura de la siguiente manera: El capítulo 2 presenta

las tres perspectivas teóricas aplicadas. El Capítulo 3 presenta la literatura sobre
BI&A, el contexto de las PYMES y la adopción de SI. El Capítulo 4 describe el
enfoque de la investigación aplicada, incluido el diseño de la investigación, la
obtención de informantes, la recopilación de datos, el análisis de datos y las
cuestiones de validez. El Capítulo 5 analiza las cinco publicaciones de
investigación resumiendo cada artículo de investigación y sus hallazgos. El
capítulo 6 presenta las contribuciones de tesis. El capítulo 7 tiene un resumen de
la tesis, aspectos destacados de las limitaciones de la investigación y sugerencias
para futuras investigaciones.

5
6
2 Antecedentes teóricos
Este capítulo discutirá los lentes teóricos aplicados para comprender los
hallazgos del estudio. El Capítulo 2.1 presenta la visión basada en recursos de la
empresa desarrollada para comprender cómo las organizaciones logran ventajas
competitivas sostenibles a través de sus recursos y capacidades. La teoría de las
capacidades dinámicas se centra en cómo las organizaciones desarrollan y
renuevan sus recursos y capacidades para adaptarse a los cambios ambientales y
se presenta en el Capítulo 2.2. Finalmente, el Capítulo 2.3 presenta el modelo de
proceso de valor de SI para ayudar a explicar cómo y por qué las inversiones en
SI pueden conducir a un mejor desempeño organizacional.

2.1 La vista basada en recursos

La visión basada en recursos (RBV) tradicionalmente enfatiza el papel de los
recursos y capacidades como fuentes fundamentales de creación de valor a nivel
de empresa (Barney, 1991). RBV teoriza que los recursos de una empresa son
una fuente potencial de ventaja competitiva, que puede mejorar el desempeño
general (Wernerfelt, 1984). Wernerfelt (1984) argumentó que esto significa que
una empresa tiene la capacidad de implementar una estrategia de creación de
valor que no está siendo implementada simultáneamente por competidores
actuales o potenciales. El RBV es un marco teórico influyente para comprender
cómo se logra la ventaja competitiva en las empresas y cómo se puede mantener
la ventaja en el tiempo (Barney, 1991, Peteraf, 1993, Wernerfelt, 1995). Sin
embargo, la utilidad de analizar las empresas desde la perspectiva de los recursos
no se popularizó hasta el desarrollo de la RBV por Wernerfelt (1984).

La literatura existente ha examinado los tipos de recursos capaces de

proporcionar una ventaja competitiva a una empresa. Según Barney (1991), hay
tres principios clave de RBV. En primer lugar, los recursos de la empresa se
distribuyen de forma heterogénea entre las empresas y cualquier diferencia en
estos recursos es estable. En segundo lugar, existe un vínculo explícito entre los
recursos de una empresa, su gestión y una ventaja competitiva sostenida. Por
último, hay cuatro indicadores empíricos para que los recursos de la empresa
generen una ventaja competitiva sostenida: valioso, raro, inimitable y no
sustituible, los llamados atributos VRIN.

7
La teoría RBV se centra en cómo y por qué algunos recursos y capacidades son
valiosos, aunque raros, imperfectamente imitables y no sustituibles para permitir
que las empresas acumulen beneficios económicos (Barney, 1996). Los eruditos
de la RBV argumentaron valiosos y raros

8
Los recursos y capacidades de la empresa pueden lograr una ventaja competitiva
a corto plazo. También sostienen que estos recursos y capacidades deben ser
inimitables y no sustituibles para producir una ventaja competitiva sostenible. Sin
embargo, cada indicador podría considerarse necesario, pero no suficiente para
mantener una ventaja competitiva a largo plazo.

Los recursos y las capacidades son dos términos que se utilizan a menudo sin
distinción. Barney (1991) clasificó los recursos en tres categorías: capital físico
(por ejemplo, activos financieros y tecnología), capital humano (por ejemplo,
habilidades gerenciales) y capital organizacional (por ejemplo, reputación,
cultura). Las capacidades se refieren a la capacidad de una empresa para
desplegar recursos valiosos ya sea en combinación o en copresencia (Schendel,
1994). Además, las capacidades también son específicas de la empresa y se
desarrollan con el tiempo (Barney y Hansen, 1994). Las competencias como la
confiabilidad, la flexibilidad organizacional, la respuesta rápida a las tendencias
de los clientes y los ciclos de vida cortos del producto se consideran capacidades.
Según la definición de la teoría RBV de Wade y Hulland (2004), los recursos son
insumos en el proceso de producción de una empresa (es decir, equipos de TI),
mientras que las capacidades es la capacidad de una empresa para explotar
equipos de TI a través de procesos organizacionales. Mediante el uso continuo de
equipos de TI, las capacidades se vuelven más difíciles de entender e imitar por
los competidores actuales o potenciales. La literatura muestra una diferencia
notable entre recursos y capacidades.

El RBV se ha aplicado en la literatura de SI para explicar el valor comercial de

los sistemas de información (SI) y la tecnología de la información (TI), donde los
recursos de una empresa determinan su desempeño. Por ejemplo, un estudio de
Caldeira y Ward (2003) aplicó la teoría RBV para identificar y comprender los
factores que determinan la adopción y el uso exitosos de SI / TI en (12) pymes
manufactureras. Argumentaron que varios estudios exploraron la aplicabilidad de
la teoría RBV a SI / TI, principalmente a nivel conceptual.

Estudios recientes aplicaron la teoría RBV como marco de referencia para

comprender cuánto contribuyen las diferentes capacidades de SI / TI al valor
comercial. Por ejemplo, Ruivo et al. (2015) investigaron los factores que
contribuyen a la creación de valor de la planificación de recursos empresariales
9
(ERP) en las pymes. Basados en la teoría RBV, evaluaron un modelo de
investigación que vincula tres determinantes identificados: uso de ERP,
colaboración y análisis. Estos explican el valor de ERP en tres efectos:
productividad individual, control de gestión y satisfacción del cliente. De manera
similar, un estudio de Uwizeyemungu y Raymond (2012) exploró el vínculo
potencial entre ERP

10
capacidades y su contribución al desempeño organizacional. Esta contribución
fue conceptualizada y medida a través del valor agregado por los efectos
automatizados, informativos y transformacionales de las capacidades de ERP en
los procesos operativos y gerenciales de la empresa.

Estudios similares también han analizado ERP desde la perspectiva basada en

recursos. Por ejemplo, un estudio de Laframboise y Reyes (2005) aplicó la teoría
RBV para demostrar que la implementación de ERP influye en la posición
competitiva y el desempeño solo de manera indirecta a través de interacciones
con otros recursos. Otro estudio de Lengnick-Hall et al. (2004) examinaron el
ERP a través de la teoría RBV de la empresa. Sus resultados demostraron que
incluso si el ERP es necesario para coordinar operaciones complicadas y
multifacéticas, no es suficiente para promover una posición sólida y competitiva
a largo plazo. Los autores argumentaron que las personas deben cambiar la
cultura de su trabajo, la relación que desarrollan dentro y fuera de los límites de
la empresa.

Visto desde la perspectiva basada en los recursos, los investigadores de la gestión

del conocimiento (KM) han identificado diferentes recursos relacionados con la
KM que sirven como fuentes potenciales de ventaja competitiva. Chuang (2004)
empleó la perspectiva basada en recursos para desarrollar vínculos teóricos y
examinar empíricamente la asociación entre la capacidad de GC y la ventaja
competitiva. Dado que la teoría RBV reconoce explícitamente la importancia de
los recursos y capacidades de GC, ofrece una oportunidad significativa para
explorar estas complementariedades teóricas al examinar su relación. Del mismo
modo, Gold et al. (2001) examinaron el tema de la GC efectiva desde la
perspectiva de las capacidades organizacionales. También señalaron que los
recursos tecnológicos, los recursos estructurales y los recursos culturales son
escasos y específicos de la empresa. Por lo tanto,

Utilizando la teoría RBV como base teórica, un estudio de Chae et al. (2014a)
amplió la comprensión de los componentes y el rendimiento de la analítica de la
cadena de suministro (SCA). Desarrollaron una perspectiva teórica sobre el SCA
como un recurso valioso, inimitable e insustituible en contextos de fabricación
como fuente de ventaja competitiva sostenida. SCA es una combinación de tres
conjuntos de datos y recursos de gestión de la cadena de suministro (SCM)
11
habilitados para TI, denominados recursos de gestión de datos, recursos de
planificación de la cadena de suministro basados en TI y recursos de gestión del
rendimiento. Estos tres conjuntos de recursos son complementarios y permiten

12
mutuamente. Los autores reconocieron que estos recursos en la teoría RBV son
importantes para la ventaja competitiva.

El RBV de la empresa se encuentra entre las pocas perspectivas teóricas que

informan la investigación de BI&A que incluye explícitamente el desempeño de
la empresa como una variable dependiente (Elbashir et al., 2008). Un estudio
reciente de Olszak (2016) investigó los problemas de BI&A utilizando RBV
como una de las tres teorías. Su objetivo era proporcionar una discusión teórica y
empírica sobre el desarrollo integral de BI&A. Para ello, distinguió cuatro tareas
específicas para obtener el objetivo del estudio: (1) conceptualización del tema
de BI&A, (2) identificación del uso de BI&A en una empresa, (3) evaluación de
la madurez de BI&A en una empresa y (4) investigación de factores que permitan
a una empresa lograr el éxito de BI&A y mejores resultados comerciales.

El trabajo de Chae et al. (2014b) examinó el impacto de dos recursos de BI&A

(datos de fabricación precisos y análisis avanzados) en el desempeño operativo
de las empresas. Su estudio adaptó RBV, sugiriendo que el impacto de los
recursos primarios en el desempeño organizacional depende de los recursos
complementarios. Del mismo modo, Yogev et al. (2012) examinó el valor
comercial asociado con los sistemas BI&A. Yogev y sus colegas desarrollaron y
probaron un modelo de investigación basado en RBV para explicar los
mecanismos únicos que utiliza BI&A para crear valor comercial. Identificaron
recursos y capacidades clave que determinan el impacto de BI & A en los
procesos comerciales y el desempeño organizacional. Fink y col. (2017)
realizaron un estudio adicional sobre la creación de valor de BI&A.
Desarrollaron y probaron un modelo de creación de valor BI&A.

2.2 La vista de capacidades dinámicas

La teoría de las capacidades dinámicas es una extensión del RBV de la empresa
(Teece et al., 1997). El fundamento es que la RBV no explica suficientemente
cómo y por qué ciertas empresas pueden obtener una ventaja competitiva en
situaciones de cambios rápidos e impredecibles (Eisenhardt y Martin, 2000).
Teece y sus colegas definieron las capacidades dinámicas como "la capacidad de
la empresa para integrar, construir y reconfigurar las competencias internas y
externas para abordar un entorno que cambia rápidamente (p. 516)". Utilizaron el

13
término "dinámico" como la capacidad de renovar competencias para lograr la
congruencia en entornos empresariales cambiantes. El término 'capacidades'
también fue

14
utilizado para enfatizar el papel de la dirección estratégica en la adaptación,
integración y reconfiguración de las habilidades, recursos y competencias
funcionales internas y externas de la organización para abordar los requisitos de
un entorno cambiante. Teece y col. (1997) conjeturaron que cuanto más rápido es
el cambio tecnológico, más capacidades dinámicas son la fuente de una ventaja
competitiva sostenida.

Según Wernerfelt (1984), la RBV de la empresa invita a utilizar prácticas de

gestión para crear nuevas capacidades. Esto significa que los recursos y las
capacidades actuales de la empresa se adaptan a las oportunidades del mercado.
Las capacidades dinámicas sugieren el uso de estrategias de gestión para renovar
competencias de acuerdo con los cambios ambientales. Esto también significa
que las empresas deben desarrollar una visión de capacidades dinámicas para
identificar nuevas oportunidades y responder rápidamente a ellas (Teece et al.,
1997). La visión de las capacidades dinámicas insta a los académicos a centrarse
en cómo las empresas desarrollan y renuevan sus capacidades para responder a
los cambios ambientales en rápida evolución.

En la literatura de SI, se realizaron más estudios para delinear los componentes

de las capacidades dinámicas. Por ejemplo, Teece et al. (1997) intentó proponer
un modelo medible de capacidades dinámicas conceptualizando,
operacionalizando y midiendo las capacidades dinámicas. Teece y sus colegas
identificaron los siguientes conjuntos de capacidades: detectar, aprender,
coordinar e integrar el entorno. Después de una década, Teece (2007) realizó otro
estudio y argumentó que las capacidades dinámicas se pueden descomponer en
capacidades organizacionales para detectar los estímulos ambientales, determinar
un curso de acción apropiado y transformar la organización. La capacidad de
detectar nuevas oportunidades y amenazas es el primer componente crítico de las
capacidades dinámicas. La detección es necesaria, pero no suficiente. Las
amenazas y las oportunidades identificadas deben aprovecharse creando
consenso entre las partes interesadas, tomando decisiones efectivas e invirtiendo
recursos organizacionales. Por último, transformar el tercer componente crítico
implica ejecutar decisiones y planes organizacionales basados en amenazas y
oportunidades. Esta conceptualización de las capacidades dinámicas, captar el
sentido y transformar proporciona una visión detallada de cómo ocurre la
adaptación organizacional y cómo resulta en un mejor desempeño
15
organizacional. Un estudio de Pavlou y El Sawy (2011) también distinguió entre
capacidades de detección, aprendizaje, integración y coordinación. Transformar
el tercer componente crítico implica ejecutar decisiones y planes
organizacionales basados en amenazas y oportunidades. Esta conceptualización
de las capacidades dinámicas, captar el sentido y transformar proporciona una
visión detallada de cómo ocurre la adaptación organizacional y cómo resulta en
un mejor desempeño organizacional. Un estudio de Pavlou y El Sawy (2011)
también distinguió entre capacidades de detección, aprendizaje, integración y
coordinación. Transformar el tercer componente crítico implica ejecutar
decisiones y planes organizacionales basados en amenazas y oportunidades. Esta
conceptualización de las capacidades dinámicas, captar el sentido y transformar
proporciona una visión detallada de cómo ocurre la adaptación organizacional y
cómo resulta en un mejor desempeño organizacional. Un estudio de Pavlou y El
Sawy (2011) también distinguió entre capacidades de detección, aprendizaje,
integración y coordinación.

16
Otro marco establecido consta de ocho capacidades IS dinámicas distintas,
divididas en tres clases amplias: de adentro hacia afuera, de afuera hacia adentro
y de expansión (Wade y Hulland, 2004, Day, 1994). Las capacidades de adentro
hacia afuera tienden a enfocarse y desplegarse internamente para responder a los
requisitos y oportunidades del mercado. Las capacidades de afuera hacia adentro
están orientadas hacia el exterior y se centran en la gestión de las relaciones
externas, como anticipar los requisitos del mercado, garantizar relaciones sólidas
con los clientes y comprender a los competidores. Por último, las capacidades de
expansión implican análisis tanto internos como externos e integran las
capacidades internas y externas de la empresa, como la gestión, la gestión y la
planificación de las asociaciones comerciales de SI.

La investigación sobre capacidades dinámicas es un campo emergente. Se han

propuesto capacidades dinámicas para lidiar con entornos que cambian
rápidamente y considerar la naturaleza cambiante de los recursos y capacidades
de una empresa para adaptarse al cambio (Teece et al., 1997). Por ejemplo, el
trabajo de Bernroider et al. (2014) explicó el proceso del proyecto que
potencialmente subyace a la asociación positiva entre tres capacidades dinámicas
seleccionadas y las capacidades comerciales habilitadas por ERP. Las tres
capacidades dinámicas seleccionadas incluyen la adquisición de información
externa, las capacidades de gobierno de TI y la toma de decisiones. Los
resultados mostraron que la capacidad para el proyecto de adquisición de
información externa y los mecanismos de gobierno de TI influyeron en las
capacidades comerciales de ERP indirectamente por el proyecto de
implementación de ERP. Por lo tanto, los autores sugirieron que los efectos de
dos de las tres capacidades dinámicas seleccionadas dependen de las propiedades
del proyecto de transformación organizacional subyacente. Este estudio también
demostró que las capacidades dinámicas son esenciales para la creación de valor
ERP en grandes organizaciones.

De manera similar, Ma y Loeh (2007) adoptaron el enfoque de capacidades

dinámicas para estudiar programas de innovación de procesos impulsados por
ERP con varios resultados de implementación. Sus resultados mostraron que el
enfoque de capacidades dinámicas puede ofrecer una perspectiva holística para
comprender la innovación de procesos impulsada por el sistema empresarial en
las empresas chinas que enfrentan un entorno externo dinámico. Los autores
17
concluyeron que, a pesar de que estas empresas generalmente carecen de la
experiencia de la innovación de procesos impulsada por ERP empresarial,
centrarse más en desarrollar eficazmente sus capacidades dinámicas podría
resolver estos desafíos. Un estudio reciente fue considerado uno de los primeros
en explicar cómo una empresa puede implementar un ERP basado en la teoría de
capacidades dinámicas (Chang et al., 2015a). Un ERP propuesto

18
El modelo de implementación puede servir como guía para las empresas
interesadas en implementar ERP.

También basándose en la vista de capacidades dinámicas, el trabajo de Villar et

al. (2014) ha proporcionado evidencia empírica sobre el papel de las prácticas de
GC en la intensidad exportadora de las PYME. Sus resultados destacan la
relevancia de las prácticas del conocimiento para fomentar las exportaciones,
proporcionando nuevos conocimientos para los gerentes que se ocupan de las
capacidades dinámicas en las pymes. Un estudio de Cepeda y Vera (2007)
examinó la influencia de KM para crear y desarrollar capacidades dinámicas en
un gran centro de llamadas con sede en Asia. Un estudio de Landroguez et al.
(2011) propuso una forma de aumentar el valor para el cliente. Su estudio
identificó posibles combinaciones de las tres capacidades organizativas:
orientación al mercado, gestión del conocimiento y gestión de la relación con el
cliente. Analizar la interacción potencial entre estos tres conduciría a una mejor
creación de valor para el cliente. A través de capacidades dinámicas,

En el contexto de BI&A, un estudio reciente de Cao et al. (2019) aplicó la vista

de capacidades dinámicas para postular que una empresa puede mantener una
ventaja competitiva a partir de sus capacidades de detección, captura y
reconfiguración, manifestadas por el uso de BI&A. Se desarrolló un modelo de
investigación para explicar cómo el uso de BI&A está vinculado a la toma de
decisiones de marketing, la gestión del desarrollo de productos y la ventaja
competitiva sostenida. Otro estudio reciente de Božič y Dimovski (2019b)
examinó la relación entre el uso de BI&A, la ambidestreza de la innovación y el
desempeño de la empresa basándose en la teoría del proceso de creación de valor
de SI y la perspectiva de las capacidades dinámicas. Sus resultados respaldaron la
noción de que el uso de BI&A se asocia positivamente con el equilibrio exitoso
de las actividades de innovación exploratoria y explotadora, lo que mejora el
desempeño de la empresa. Similar, Torres y col. (2018) también aplicó
capacidades dinámicas como lente teórica para examinar el papel de BI & A en
las organizaciones. Consideró BI&A como los componentes de detección y
captura de capacidades dinámicas para mejorar el desempeño de la empresa al
permitir el cambio de procesos comerciales. También confirmaron una relación
positiva entre BI&A y el desempeño, mediada por las capacidades de cambio de
procesos comerciales.
19
El trabajo de Chae y Olson (2013) propuso un marco para comprender cómo
BI&A puede apoyar a las organizaciones. Basándose en la perspectiva de las
capacidades dinámicas, describieron ampliamente un conjunto de tres
capacidades analíticas

20
que necesitan la atención adecuada: capacidad de gestión de datos, capacidad de
proceso analítico de la cadena de suministro y capacidad de gestión del
rendimiento de la cadena de suministro. En otro estudio de Olszak (2014) se
aplicó tanto RBV como capacidades dinámicas para investigar las fallas de
BI&A. Propuso un marco de capacidades dinámico e integral que refleja seis
áreas de capacidades de BI&A: gobernanza, cultura, tecnología, personas,
procesos y gestión del cambio y creatividad. La literatura de BI&A a menudo no
logra cerrar la brecha entre las especificaciones normativas sobre el uso de BI&A
y la ventaja competitiva. Por lo tanto, Sidorova y Torres (2014) propusieron
BI&A como un mecanismo de monitoreo de capacidades a través de la
perspectiva de capacidades dinámicas. Los autores describieron cinco
componentes internos centrales de BI&A:
(1) recopilación y gestión de datos de prácticas de capacidad, (2) recopilación y
gestión de datos ambientales, (3) análisis de datos ambientales e identificación de
discontinuidades ambientales, (4) identificación de desajustes de capacidad y (5)
producción de una solicitud. Argumentaron que los resultados del estudio
destacaron el vínculo teórico entre BI&A y la ventaja competitiva.

Un estudio reciente de Shamim et al. (2018) brindó una importante contribución

al conocimiento de la creación de valor a partir de big data en economías
emergentes en el mundo digitalizado. Los autores enfatizaron la capacidad de
toma de decisiones de big data como capacidades dinámicas y reflejaron las
implicaciones de las prácticas de gestión en el desarrollo de capacidades
dinámicas en entornos impulsados por big data. Propusieron que tales
capacidades están influenciadas por los desafíos de la gestión de big data, como
el liderazgo, la gestión del talento, la tecnología y la cultura organizacional.
Grover y col. (2018) enmarcó una comprensión de cómo se crea valor a partir del
análisis de big data utilizando capacidades dinámicas, lo que indica que en
entornos turbulentos, las empresas se involucran en la construcción y realización
de capacidades mediante la construcción y configuración de recursos internos y
externos para mejorar el desempeño organizacional. Wamba y col. (2017)
examinaron los efectos directos de la analítica de macrodatos en el desempeño de
las empresas. Los resultados confirmaron el papel de las capacidades dinámicas
en la mejora de los conocimientos y la mejora del desempeño de la empresa.

21
2.3 Modelos de valor IS
El valor comercial de las inversiones en SI / TI ha sido y se prevé que seguirá
siendo un tema de investigación importante para los investigadores de SI
(Schryen, 2013). La cuestión fundamental de la relación causal entre las
inversiones en SI y el valor empresarial sigue siendo sólo

22
parcialmente explicado. Los académicos de SI adoptaron una gran variedad de
enfoques para saber cómo las inversiones de las empresas generan valor
comercial. Estos eminentes académicos están motivados por el deseo de
comprender cómo la aplicación de TI en las empresas conduce a un mejor
desempeño organizacional (Melville et al., 2004). Una especificación precisa de
lo que entendemos por valor comercial de TI depende de lo que entendamos por
TI. Hay cinco conceptualizaciones del artefacto de TI adoptadas en la
investigación de SI: vista de herramienta, vista de proxy, vista de conjunto, vista
computacional y vista nominal (Orlikowski e Iacono, 2001).

En primer lugar, se considera que la TI es una herramienta diseñada para hacer lo

que pretendían sus diseñadores (es decir, mejorar la productividad y remodelar
las relaciones sociales). En segundo lugar, desde el punto de vista del proxy, la
tecnología de la información se conceptualiza por sus características esenciales
definidas por una percepción individual de su utilidad o valor, la difusión de un
sistema en un contexto específico y su inversión o capital social denominado en
unidades financieras. En tercer lugar, la vista de conjunto, que se centra en las
interacciones de las personas y la tecnología tanto en el desarrollo como en el uso
de TI. En cuarto lugar, la visión computacional enfatizó el algoritmo, el
desarrollo de sistemas, las pruebas, el modelado de datos y la simulación. Por
último, la visión nominal invoca la tecnología de nombre, pero no de hecho. Por
ejemplo, derivar un juego de dos etapas que analice el impacto de la aplicación
de TI en la productividad total de los factores en la competencia oligopólica.

Los investigadores han propuesto muchos modelos teóricos que trazan el camino
de la innovación desde la decisión de adopción a través de la inversión y la
creación de recursos hasta los resultados deseados, como una mayor
productividad, un mejor desempeño organizacional y valor comercial realizado.
Por ejemplo, Soh y Markus (1995) presentaron un modelo de proceso de cómo,
cuándo y por qué la inversión en TI se convierte en un desempeño organizacional
favorable. Argumentaron que este modelo de proceso propuesto ha capturado
todos los ingredientes principales de la receta para transformar la inversión en TI
en desempeño organizacional. La receta comprende las condiciones necesarias y
los procesos probabilísticos en la siguiente secuencia: las empresas gastan en TI
y, sujeto a los diversos grados de eficacia en la gestión de TI, obtienen activos de
TI. Los activos de TI de calidad, si se combinan con el proceso de uso apropiado
23
de TI, luego producir impactos de TI favorables. Los impactos favorables de TI,
si no se ven afectados negativamente durante el proceso competitivo, conducen a
un mejor desempeño organizacional (Figura 2.1).

24
 “LA CONVERSIÓN DE TI "EL PROCESO DE USO DE TI" “EL COMPETITIVO
PROCESO" PROCESO"

GASTOS DE TI ACTIVO IMPACTA DESEMPEÑO DE LA ORGANIZACIÓN

. ACTIVIDADES DE GESTIÓN / CONVERSIÓN

. USO APROPIADO
DE TI / INAPROPIADO . POSICIÓN COMPETITIVA
. DINÁMICA COMPETITIVA

Figura 2.1: Cómo la TI crea valor empresarial: una teoría de procesos (Soh y Markus,
1995)

La limitación de la teoría RBV convencional según Melville et al. (2004) asume

que los recursos siempre se aplican en sus mejores usos, sin explicar
completamente cómo se hace. Melville y sus colegas han desarrollado un modelo
de valor comercial de TI para proporcionar una comprensión de cómo se aplican
los recursos de TI en los procesos comerciales para mejorar el desempeño
organizacional (Figura 2.2). Este modelo de valor comercial de SI / TI se basó en
el RBV de la empresa que integra varias líneas de investigación en un solo
marco. El modelo integrado se construyó sobre la base del conocimiento de
modelado acumulado para desagregar el enfoque del valor comercial de SI / TI
en tres dominios: empresa focal, entorno competitivo y entorno macro.
III. Macro ambiente

Características del país

II. Ambiente competitivo Industria

Caracteristicas

I. Firma focal
Proceso de generación de valor empresarial de TI
Tecnología de recursos de TI (TIR) ​y humanos (HIR)

Procesos de negocios Rendimiento del proceso empresarial Desempeño de la organización

Recursos organizativos complementarios

Recursos y procesos comerciales de socios comerciales

25
Figura 2.2: Modelo de valor empresarial de TI (Melville et al., 2004)

26
Para reactivar el interés y las actividades de los investigadores en el valor
comercial de SI / TI, Schryen (2013) proporcionó una nueva perspectiva sobre
cómo las inversiones en SI crean valor comercial. Para responder a esta pregunta
y fortalecer el papel de la investigación en valores de SI, Schryen (2013) realizó
tres tareas de investigación: (1) Sintetizar el conocimiento (¿qué sabemos?), (2)
Identificar la falta de conocimiento (¿qué necesitamos saber? ?), y (3)
Proposición de caminos para cerrar la brecha de conocimiento (¿cómo llegar
allí?). Definió y aplicó un nuevo modelo conceptual basado en cuatro modelos de
negocio de SI destacados propuestos por Dedrick et al. (2003), Dehning y
Richardson (2002), Melville et al. (2004) y Soh y Markus (1995). El modelo de
valor empresarial de SI sintetizado se muestra en la Figura 2.3.

Contexto / factores ambientales

Firma factores Industria factores País factores

Inversiones en IS Rendimiento

Activos de SI Recursos humanos de SI Firma / Organizacional rendimiento

Gestión de SI
capacidades
Proceso rendimiento
Desempeño de mercado Desempeño contable

Inversiones ajenas a IS
Efectos de retraso

Figura 2.3: Modelo de valor empresarial de SI sintetizado (Schryen,

2013)

La teoría de procesos reconoce que las variables cambian con el tiempo e

interactúan entre sí. Este enfoque es particularmente útil para estudiar la
conversión de inversiones de TI en activos de TI o la conversión de activos de TI
en valor organizacional. Como se mencionó anteriormente, el marco de trabajo
de Soh y Markus describe la inversión de TI en el proceso de valor comercial
como una serie de tres modelos de procesos vinculados, a saber, el proceso de
conversión de TI, el proceso de uso de TI y el proceso competitivo. Extraído del
27
marco de modelos de valor de TI de Soh y Markus, Raeth et al. (2010) examinó
qué caracterizó los objetivos, desafíos y acciones involucradas en la adopción
organizacional de

28
Sistemas web 2.0. Estudiaron tres organizaciones que adoptaron con éxito el
sistema Web 2.0. Sus resultados indicaron que la adopción de estos sistemas
difiere de los proyectos de adopción de sistemas empresariales más grandes. Esto
tiene su origen en menores costos de implementación y mantenimiento y en la
menor complejidad técnica de los sistemas Web 2.0. Basado en RBV y teoría de
procesos por Soh y Markus (1995) y Melville et al. (2004), se elaboró un modelo
conceptual para examinar la estructura casual de capacidad, proceso y relación en
la subcontratación de TI (Han et al., 2008). Los autores investigaron las
capacidades de recursos de la empresa y los efectos del proceso de interacción en
el éxito de la subcontratación de TI. El modelo propuesto proporcionó un
paradigma para comprender las relaciones de subcontratación y cómo nutrir y
garantizar el éxito.

Un estudio de Scheepers y Scheepers (2008) desarrolló un modelo de decisión

para explorar el potencial de valor empresarial de la TI en el nivel de un único
proceso empresarial. La premisa del modelo es que, para un proceso comercial
focal, los tomadores de decisiones deben considerar los beneficios iniciales,
intermedios y a largo plazo del uso de la TI que en última instancia contribuyen
al desempeño organizacional. Estas etapas de uso se basaron en el “proceso de
uso de TI” de Soh y Markus (1995). Argumentaron que el modelo propuesto
puede ayudar a los gerentes a analizar los retornos del valor comercial general de
las inversiones en TI. Kumar y col. (2002) exploró la adopción de ERP utilizando
el marco de Soh y Markus (1995). El marco modela la experiencia de una
organización con los sistemas ERP desde la adopción hasta el éxito, caracterizada
por jugadores clave, actividades típicas, problemas de características, métricas de
desempeño apropiadas, y una variedad de posibles resultados. Los autores se
centraron en explorar la fase de adopción del marco. Los resultados generan
varias preocupaciones críticas en el proceso de innovación organizacional de
adopción de ERP.

Un estudio reciente de Trieu (2017) revisó y sintetizó estudios empíricos de SI

para conocer lo que sabemos, lo bien que sabemos y lo que necesitamos saber
sobre los procesos de las organizaciones que obtienen valor comercial de BI&A.
Adaptando los modelos de valor de IS / IT de Soh y Markus (1995), mientras se
incorporan los constructos sugeridos por Melville et al. (2004) y Schryen (2013),
Trieu (2017) presentó un marco de cómo BI&A crea valor empresarial (Figura
29
2.4).

La idea básica de este marco es que el vínculo entre las inversiones en BI y el

desempeño organizacional puede modelarse como una cadena de condiciones
necesarias. Por ejemplo, los aumentos en el desempeño organizacional requieren
un grado necesario

30
de los impactos de BI, que a su vez requieren activos e inversiones de BI.
Siguiendo la lógica de los modelos de proceso de Soh y Markus (1995), cada
eslabón de la cadena refleja un proceso probabilístico. Por ejemplo, el vínculo de
las inversiones de BI a los activos de BI implica el proceso de gestión /
conversión de BI y la inversión en inversiones complementarias distintas de BI.
Luego, el vínculo de los activos de BI a los impactos de BI depende del proceso
de uso eficaz de los sistemas de BI. Sin embargo, el vínculo entre los impactos de
BI y el desempeño organizacional depende del proceso competitivo. Los
hallazgos de su estudio mostraron que las organizaciones parecen obtener valor
de BI&A de acuerdo con el proceso sugerido por Soh y Markus (1995). Además,
su estudio identificó varias oportunidades para proporcionar una imagen más
completa de cómo las organizaciones pueden obtener valor de BI&A.

Además según Melville et al. [13] Y Schryen [14]

“CONTEXTO / FACTORES AMBIENTALES”

FACTORES FIRMES
FACTORES DE LA FACTORES
INDUSTRIAPAÍS

El modelo de Soh y Markus sobre cómo la TI crea valor empresarial [12]

“LA CONVERSIÓN BI PROCESO" "EL PROCESO DE USO BI" “EL COMPETITIVO PROCESO"

INVERSIONES BI BI ACTIVOS IMPACTOS BI DESEMPEÑO DE LA ORGANIZACIÓN

. ACTIVIDADES DE GESTIÓN / CONVERSIÓN

. USO APROPIADO
DE TI / INAPROPIADO . POSICIÓN COMPETITIVA
. DINÁMICA COMPETITIVA

. INVERSIONES NO BI Adición según Schryen [14]

EFECTOS DE LATENCIA

Figura 2.4: Un marco de cómo BI&A crea valor empresarial (Trieu, 2017)

Otro estudio intentó comprender cómo una organización puede obtener valor
comercial de la inversión en BI&A (Smith y Crossland, 2008). Se utilizó como
marco un modelo extendido de proceso de valor comercial de SI basado en Soh y
Markus. Los resultados del estudio demostraron que la realización del valor
comercial de BI&A dependía en gran medida de las actividades que ocurrían en
todas las etapas del modelo de proceso de valor de SI. Del mismo modo, Eybers
et al. (2013) también aplicaron un modelo personalizado basado en el modelo de
31
proceso de Soh y Markus (1995) para investigar el valor comercial de BI&A. Los
hallazgos son que el valor comercial se materializa en varias actividades en

32
todos los procesos en el marco de trabajo de Soh y Markus. Los autores
argumentaron que el valor comercial es difícil de medir debido a la aparición
indirecta y tardía de los beneficios.

Junto con las capacidades dinámicas, Grover et al. (2018) también aplicaron los
modelos de valor de IS propuestos por Soh y Markus (1995) y Melville et al.
(2004) para describir cómo las inversiones en TI construyen activos o recursos y
crean impactos tanto en el proceso como en la representación de la varianza en el
análisis de big data. Propusieron un marco conceptual para crear valor a partir del
análisis de big data basado en estas teorías.

33
3 Literatura relacionada
Este capítulo proporciona una descripción general de la literatura relacionada con
los temas de investigación de la tesis. Empiezo por presentar una breve discusión
sobre las tecnologías de apoyo a la toma de decisiones (3.1), seguido de la
definición del contexto de BI&A en la literatura de SI (3.1.1). También examino
la literatura sobre arquitectura BI&A (3.1.2), evolución y tendencias de BI&A
(3.1.3) y creación de valor BI&A (3.1.4). En el Capítulo 3.2.1, presento el
contexto y el entorno de las PYME en el dominio de SI. Este capítulo definirá el
alcance del contexto de investigación, que puede afectar la adopción de BI&A.
Las características únicas de las PYME se presentan en el Capítulo 3.2.2.
También examino la literatura sobre la adopción de SI en general (3.3) y en las
PYMES (3.4). Discuto brevemente las teorías de adopción y los factores que
influyen en la adopción de SI que se encuentran en la literatura. Capítulo 3. 5
analiza la literatura actual sobre las teorías de adopción y los factores que
influyen en la adopción de BI&A. Finalmente, se presenta una breve discusión de
la literatura de adopción de BI&A en PyMEs (3.6). Esta revisión no es
exhaustiva, sino que complementa los temas relevantes discutidos en esta tesis.

3.1 Inteligencia empresarial y análisis

Desde la perspectiva de la investigación de sistemas de información (SI), BI&A
proporciona la base tecnológica más reciente para la recopilación, integración y
análisis de datos de volúmenes y tipos de datos sin precedentes para mejorar la
calidad de la información disponible en la toma de decisiones (Chen et al., 2012,
Wixom y Watson, 2010, Chaudhuri et al., 2011).

En la década de 1960, las organizaciones comenzaron a desarrollar SI para

informatizar muchas operaciones comerciales (Arnott y Pervan, 2005), como
procesamiento de pedidos, facturación, control de inventario, nómina y cuentas
por pagar. La evolución comienza con la introducción de los primeros sistemas
de procesamiento de datos. Los Sistemas de Información de Gestión (MIS) se
desarrollaron para poner a disposición de la dirección la información de los
sistemas de procesamiento de transacciones para la toma de decisiones. Después
de algunas décadas, estos sistemas evolucionaron a través de varias etapas. Los
Sistemas de soporte de decisiones personales (PDSS) son la forma más antigua
de Sistema de soporte de decisiones (DSS), que reemplaza eficazmente al MIS
34
como la opción de enfoque de soporte de gestión. Los PDSS son sistemas a
pequeña escala que normalmente se desarrollan para unos pocos administradores
independientes. La evolución continuó hacia los Sistemas de Información
Ejecutivos (EIS), que son DSS orientados a datos que proporcionan informes de
la naturaleza de una organización a la dirección. La necesidad de una alta calidad
continua

35
Los datos sobre las operaciones de la organización se crearon mediante el
desarrollo de EIS a gran escala.

En la década de 1990, las grandes organizaciones enfrentaron desafíos

importantes para mantener la vista integrada de su negocio, por lo que se
desarrollaron Data Warehouses (DW). Un DW es un conjunto de bases de datos
creadas para proporcionar información a los tomadores de decisiones (Cooper et
al., 2000). Los DW también proporcionan datos sin procesar para el apoyo de
decisiones centradas en el usuario a través de PDSS y EIS (Arnott y Pervan,
2005). Las capacidades de procesamiento de datos aumentaron en cada etapa de
la evolución, desde los DW hasta los BI&A de última generación. Esto mejoró la
base de datos disponible o las capacidades analíticas para ofrecer capacidades
avanzadas de análisis de datos (Arnott y Pervan, 2005, Arnott y Pervan, 2008,
Arnott y Pervan, 2014). Business Intelligence (BI) y Business Analytics (BA)
representan dos tecnologías de soporte de decisiones recientes después de los
DW. La Figura 3.1 se basó en Arnott y Pervan (2014), Humm y Wietek (2005),

licenciado en Letras
BI
DW Avanzado
analítica
EIS Análisis de datos descriptivos
KPI y Análisis de big data
(P) DSS Integración de múltiples fuentes de datos
cuadros de mando En memoria
MAL Multidim. Consultas ad-hoc
OLAP Procesamiento de datos análisis de los datos
Algoritmos estadísticos modelado
Complejo y Separación de sistemas operativos
algoritmos codificados Centrarse en la alta dirección
Base de datos
orientación
Procesamiento de datos eficiente
Visión de
"Generador de decisiones"

196019701980199020002010

Figura 3.1: Evolución de las tecnologías de apoyo a la toma de

decisiones

3.1.1 Business Intelligence, Business Analytics y Big Data

Como se mencionó anteriormente, las dos etapas recientes en la evolución de las
tecnologías de soporte de decisiones son Business Intelligence (BI) y Business
Analytics (BA). BI es un término general para los sistemas de soporte de
decisiones basados en la integración y el análisis de datos para mejorar la toma
de decisiones comerciales (Fink et al., 2017). El término BI fue acuñado por
primera vez por Hans Peter Luhn en 1958 (Yeoh, 2008), pero Howard Dresner

36
del Gartner Group reintrodujo el término en 1989 (Burstein y Holsapple, 2008),
describiéndolo como una categoría amplia de software y soluciones. para
recopilar, consolidar y analizar y proporcionar acceso a los datos de una manera
que permita a los usuarios empresariales tomar mejores decisiones comerciales
(Gibson et al., 2004). sin embargo, el

37
La etiqueta BI no ganó una tracción generalizada como movimiento DSS hasta
principios de la década de 2000 (Arnott y Pervan, 2014).

A finales de la década de 2000, BA saltó a la fama en el análisis (Arnott y

Pervan, 2014). BA se definió como "el uso extensivo de datos, análisis
estadístico y cuantitativo, modelos explicativos y predictivos, y gestión basada en
hechos para impulsar decisiones y acciones (Davenport y Harris, 2017, p. 7)".
Hubo un debate sobre las similitudes de definición de BI y BA (Arnott y Pervan,
2014). A pesar del amplio uso de ambos términos por parte de los proveedores de
software y los consultores, la mayoría de los profesionales no vieron una
diferencia significativa entre los dos términos. El término BA también representó
el componente analítico clave en BI (Chen et al., 2012). Por lo tanto, se propone
el término inteligencia y análisis de negocios (BI&A) (Chen et al., 2012) para
describir conceptos y métodos intensivos en información para mejorar la toma de
decisiones comerciales (Chiang et al., 2012). Esta tesis adopta Chen et al.

BI&A es parte integral de las empresas del siglo XXI debido a las crecientes
necesidades de análisis, interpretación y procesamiento de datos. Con el tiempo,
la definición de BI&A se ha ampliado para incluir tanto la tecnología como los
procesos organizacionales y comerciales (Brooks et al., 2015). El principal
objetivo de BI&A es mejorar la oportunidad y calidad de la información
disponible para la toma de decisiones. La información procesable debe entregarse
correctamente en el lugar correcto en el momento adecuado (Negash, 2004).

BI&A es un área importante de investigación académica, y el análisis de big data

es un campo relacionado (Chen et al., 2012). Los macrodatos se utilizan a
menudo para describir datos de transmisión masivos, complejos y en tiempo real
que requieren técnicas analíticas y de procesamiento para extraer información. El
término reflejó inicialmente el voluminoso tamaño de los datos generados a partir
de nuevas tecnologías como las redes sociales, los teléfonos inteligentes y los
sensores (Kowalczyk y Buxmann, 2014). La definición establecida de big data se
basó en el modelo 3-V (Klein et al., 2013). El modelo 3-V comprende tres
dimensiones de desafíos en el crecimiento de datos: volumen, velocidad y
variedad. El volumen es la cantidad de datos. Velocity describe la velocidad de
creación de nuevos datos y la rapidez con la que se puede acceder a los datos
para su análisis. La variedad describe la variedad de fuentes y tipos de datos. Se
38
propuso un cuarto valor de V, destacando la importancia de hacer algo valioso
con los datos (Lycett, 2013). La investigación significativa se centra en técnicas

39
problemas asociados con la gestión de big data y la implementación de la
iniciativa BI&A en torno a ella (Sidorova y Torres, 2014). Las oportunidades y
desafíos de Big Data continúan motivando la investigación de BI&A.

3.1.2 Arquitectura BI&A

Varias arquitecturas BI&A existentes se pueden encontrar en la literatura (Baars
y Kemper, 2008, Shariat y Hightower Jr, 2007, Turban et al., 2008, Watson,
2009). Estas arquitecturas difieren en estructuras (por ejemplo, capas,
componentes, procesos y relaciones) que guían los esfuerzos de implementación
de BI&A (Shariat y Hightower Jr, 2007). Sin embargo, algunos componentes
comunes entre estas arquitecturas BI&A incluyen sistemas de origen,
almacenamiento de datos y herramientas de informes. Otros académicos
propusieron incluir otro componente importante que falta en estas arquitecturas
BI&A: componentes analíticos y de informes (por ejemplo, minería de datos,
análisis predictivo y visualización de datos) (Ong et al., 2011, Khan y Quadri,
2012, Chaudhuri et al., 2011 ). Argumentaron que estas características son
capacidades de BI&A importantes que deberían incluirse en la arquitectura de
BI&A.

Una arquitectura típica de BI&A incluye una capa de fuente de datos, una capa
de extracción-transformación-carga (ETL) (el área de preparación), una capa de
almacén de datos (DW), una capa de usuario final y una capa de metadatos (Ong
et al., 2011 ). La capa de fuente de datos puede contener fuentes de datos tanto
internas como externas. Las fuentes de datos internas son datos capturados y
mantenidos en una organización, por ejemplo, gestión de relaciones con el cliente
(CRM) y ERP. Las fuentes de datos externas se refieren a datos que se originan
fuera de una organización, como Internet y la búsqueda de mercado. La capa
ETL o área de preparación se centra en tres procesos principales: extracción,
transformación y carga (Baars y Kemper, 2008). La extracción es el proceso de
identificación y recopilación de datos relevantes de diferentes fuentes
(Reinschmidt y Francoise, 2000). Los datos extraídos luego se envían a un
almacenamiento temporal llamado área de preparación antes del proceso de
transformación (Ranjan, 2009). La transformación es el proceso de convertir
datos basados en el conjunto de reglas comerciales en formatos consistentes para
informes y análisis (Ong et al., 2011). La carga es el último proceso en el que los

40
datos del área de preparación se cargan en el repositorio de destino.

La capa DW es muy importante para estas cinco capas. Es un almacenamiento

central que recopila y almacena datos de fuentes internas y externas para la toma
de decisiones, consultas,

41
y análisis (Bara et al., 2009). Esta capa también implica el almacenamiento de
datos agregados, datos resumidos y muchos datos históricos para análisis a largo
plazo. Las capas de metadatos se refieren a datos sobre datos. Esta capa describe
dónde se almacenan los datos y qué cambios se han realizado en los datos. El
repositorio de metadatos también se utiliza para almacenar información técnica y
comercial sobre datos, reglas comerciales y definiciones de datos (Davenport y
Harris, 2007). La capa de usuario final consta de herramientas que muestran
información en varios formatos a varios usuarios. Estas herramientas incluyen
herramientas de consulta e informes, OLAP, minería de datos, visualización de
datos y aplicaciones analíticas (Ong et al., 2011). La arquitectura típica de BI&A
se muestra en la Figura 3.2.

Figura 3.2: Arquitectura BI&A (Ong et al., 2011)

3.1.3 Evolución y tendencias de BI&A

Los sistemas BI&A permiten a los tomadores de decisiones consultar,
comprender y analizar datos comerciales para mejorar la toma de decisiones y
obtener ventajas competitivas. Las aplicaciones de BI&A aprovechan las grandes
inversiones en infraestructura de datos (p. Ej., ERP, CRM) realizadas por las
42
empresas y podrían realizar el valor sustancial encerrado en los recursos de datos
de una organización (Elbashir et al., 2008).

43
Un enfoque de BI&A centrado en los datos tiene sus raíces en el campo de la
gestión de bases de datos de larga data (Chen et al., 2012). BI&A se basa en gran
medida en numerosas tecnologías de recopilación, extracción y análisis de datos
(Chaudhuri et al., 2011, Watson y Wixom, 2007). Las soluciones tradicionales de
BI&A o BI&A 1.0 se centran en analizar datos históricos para proporcionar el
estado del negocio a través de informes (Chen et al., 2012). Un informe de ventas
puede incluir filas y columnas que representan representantes de ventas, pedidos
tomados, unidades vendidas, ingresos generados y porcentaje del objetivo
alcanzado. Los datos recopilados por las organizaciones a través de sistemas
heredados están en su mayoría estructurados y, a menudo, almacenados en
sistemas comerciales de administración de bases de datos relacionales. La piedra
angular de BI&A 1.0 es la tecnología que permite a las organizaciones acceder,
analizar y presentar información.

Internet y la Web comenzaron a ofrecer oportunidades únicas de recopilación de

datos, investigación analítica y desarrollo a principios de la década de 2000
(Chen et al., 2012). Ya no basta con utilizar solo información de la propia
organización y tomar decisiones aisladas. Por lo tanto, BI&A tradicional ya no
limita el análisis a los datos en su propia organización. Surgió una nueva
tendencia en los sistemas BI&A, que permite a las organizaciones obtener sus
datos desde el exterior para proporcionar información empresarial más rica y una
mejor toma de decisiones. Los datos generados desde la web, como los precios
minoristas de la competencia u opiniones publicadas por los clientes, se
consideran igualmente importantes. Esta información es una nueva mina de oro
para que las organizaciones comprendan las necesidades de los clientes e
identifiquen nuevas oportunidades comerciales. BI&A tiene como objetivo
proporcionar una visión integral del mercado y el entorno empresarial. Por lo
tanto,

Basado en la evolución de la web y otras tecnologías emergentes, BI&A

comenzó a incluir datos web. BI&A también está evolucionando a BI&A 2.0
(Chen et al., 2012). La inmensa cantidad de datos sobre la empresa, la industria,
el producto y el cliente en la web se puede visualizar a través de diferentes
técnicas de minería de texto y web. Las herramientas de análisis web, como
Google Analytics, proporcionan un rastro de las actividades en línea del usuario
y revelan los patrones de navegación y compra del usuario. La minería de datos
44
también es una herramienta popular e indispensable para identificar
oportunidades comerciales en las ventas y el mercado de nuevos productos.
BI&A, basado en la minería de datos, ayudó a descubrir patrones ocultos en las
ventas y los mercados (Cheung y Li, 2012). A diferencia de BI&A 1.0, que ya
está integrado en los sistemas de TI empresariales comerciales, BI&A 2.0
requerirá la integración de técnicas maduras y escalables en la minería de textos.

45
sistemas BI&A 1.0 basados en DBMS existentes. Esta transformación estuvo
influenciada por la aparición de diferentes y nuevas tecnologías en la web 2.0 y
el auge de las redes sociales (Zorrilla et al., 2011).

BI&A también se ha transformado en BI&A como servicio, y el almacenamiento

de datos ahora se distribuye en la nube. Varios estudios discutieron BI&A en la
nube y BI&A de software como servicio (SaaS). Por ejemplo, BI&A como
servicio, que es un servicio basado en la nube, se diseñó para mejorar la precisión
y la calidad del análisis de precios y riesgos en los mercados financieros (Chang,
2014). Además, se desarrollaron sistemas de BI&A en la nube para la
fabricación, permitiendo que diferentes máquinas trabajen de manera
colaborativa y eficiente (Xu, 2012). Los valores agregados de BI&A en la nube
para las perspectivas comerciales también se discutieron en la literatura (Marston
et al., 2011). Cloud BI&A también brinda varias ventajas a las pymes, como
menores costos de implementación y mayor facilidad de uso (Horakova y
Skalska, 2013). Varios estudios propusieron BI y Un marco para PYMES, como
el marco conceptual para BI&A de plataforma abierta basada en la nube
(Hiziroglu y Cebeci, 2013, Liyang et al., 2011), marcos teóricos (Gash et al.,
2011) y marcos para Cloud BI&A consolidado (Muriithi y Kotzé, 2013). La
investigación anterior presentó tanto las oportunidades como los riesgos de
adoptar BI&A en la nube (Rostek et al., 2012).

Los dispositivos móviles y otros dispositivos habilitados para Internet basados en

sensores equipados con identificación por radiofrecuencia, códigos de barras y
etiquetas de radio, el llamado "Internet de las cosas" (IoT), han abierto nuevos
flujos de aplicaciones innovadoras para BI&A. La mayoría de las empresas
confían en Internet y las tecnologías móviles para sus operaciones diarias (Airinei
y Homocianu, 2010). La industria móvil ha experimentado un tremendo
crecimiento y se está produciendo una nueva revolución de TI impulsada por los
empleados debido a la aparición de potentes tecnologías de consumo (Harris et
al., 2012). El contenido móvil y basado en sensores es BI&A 3.0 (Chen et al.,
2012). BI&A móvil es un ejemplo de alineación de estrategias de TI con
estrategias empresariales para obtener una ventaja competitiva (Stipić y Bronzin,
2011).

Hay pocos estudios encontrados en la literatura sobre BI&A móvil. Por ejemplo,
46
un estudio de caso único propuso y evaluó un marco de implementación de
BI&A móvil para demostrar su aplicabilidad práctica (Verkooij y Spruit, 2013).
Se propuso un BI&A móvil basado en Android e identificó los parámetros
críticos de la línea de producción en la medición de la efectividad y la utilización
de la máquina (Djatna y

47
Munichputranto, 2015). Algunos estudios exploraron el concepto de BI&A móvil
en la interpretación y legitimación (Tona y Carlsson, 2013) y destacaron las
barreras a superar y los desafíos a los que responder (Airinei y Homocianu,
2010).

3.1.4 Creación de valor empresarial BI&A

Los sistemas BI&A apoyan y mejoran la toma de decisiones, lo que puede
conducir a un mejor desempeño organizacional. La implementación de BI&A es
un viaje complejo, lento y costoso para la mayoría de las organizaciones. La
implementación incorrecta de BI&A puede provocar fallas y hacer que las
organizaciones sean ricos en datos y pobre en información, lo que convierte a
BI&A en una inversión de TI arriesgada que requiere la colaboración de
ejecutivos de TI y de negocios (Wagner y Weitzel, 2012, Ahmad et al., 2016).

Se prevé que el valor empresarial seguirá siendo uno de los principales temas de
investigación para los investigadores de SI (Schryen, 2013). Las preguntas de
investigación más importantes en SI involucran la medición del valor comercial
(Melville et al., 2004). La implementación de BI&A por sí sola no puede
garantizar mejores resultados comerciales. El verdadero valor empresarial de los
sistemas BI&A se esconde en la mejora de los procesos y el rendimiento
empresarial (Popovič et al., 2010). Hay dos conceptualizaciones del valor
empresarial definidas en la literatura: valor empresarial estratégico y operativo
(Yogev et al., 2012). El valor estratégico es el valor que refleja la creación de una
ventaja competitiva al respaldar los objetivos estratégicos, como la identificación
de oportunidades y amenazas comerciales, la mejora de la eficiencia, la ejecución
exitosa de investigación y desarrollo, la optimización de procesos, la mejora del
desempeño financiero, y reducción de tiempo y costos (Davenport, 2006, Fink et
al., 2017). El valor comercial operativo es el valor que refleja mejoras en los
procesos internos, como mejorar las relaciones con los clientes, ahorrar costos y
tiempo, mejorar la efectividad y la participación de mercado (Watson y Wixom,
2007, Fink et al., 2017).

Aunque la importancia de BI&A está ampliamente aceptada, no se ha investigado

completamente cómo las organizaciones obtienen valor comercial de BI&A
(Elbashir et al., 2013, Moreno et al., 2018). BI&A parece ser una tecnología

48
prometedora en la creación de valor reciente, al menos en las actitudes de los
ejecutivos de TI (Kappelman et al., 2013). A pesar de este cambio dramático,
poca investigación empírica ha captado los procesos de creación de valor de
BI&A (Moreno et al., 2018, Trieu, 2017, Fink et al., 2017, Božič y Dimovski,
2019a).

49
La literatura reciente destacó la capacidad de las organizaciones para crear valor
a través del uso de BI&A (Chen et al., 2012, Larson y Chang, 2016, Wixom et
al., 2013). Chen y col. (2012) exploró el papel de BI&A en la adquisición de
inteligencia sobre las necesidades del cliente, lo que generó nuevas
oportunidades comerciales. Wixom y col. (2013) exploró dos temas para
maximizar el valor comercial de BI&A: velocidad para obtener información y
uso generalizado. También proporcionaron recomendaciones sobre cómo los
líderes de TI pueden maximizar el valor de las inversiones en BI&A. Muchos
investigadores reconocen la interacción entre BI&A y el valor empresarial y
proporcionan una amplia evidencia de los usos de estas tecnologías. Tamm y col.
(2013) exploró diferentes tipos de uso de BI&A y argumentó que las
herramientas y capacidades de BI&A solo pueden generar valor si se usan. Sus
hallazgos dieron como resultado la identificación de dos tipos de usuarios de
BI&A: profesionales de la analítica y usuarios finales de la analítica. Esto llevó a
identificar tres vías para la creación de BI&A: prestación de servicios de asesoría,
creación y mejora de herramientas de BI&A y plataforma de BI, y uso de
herramientas de BA por parte de los usuarios finales. Otros estudios exploraron
el uso de BI&A para mejorar la comprensión empresarial antes de la toma de
decisiones (Namvar y Cybulski, 2014) y capturaron la esencia de BI&A para
optimizar el desempeño organizacional (Mathrani y Mathrani, 2013). Ereth y
Baars (2015) definieron escenarios concretos de aplicación de BI&A y los
analizaron en valor comercial y viabilidad. A para una mejor comprensión
empresarial antes de la toma de decisiones (Namvar y Cybulski, 2014) y capturó
la esencia de BI&A para optimizar el desempeño organizacional (Mathrani y
Mathrani, 2013). Ereth y Baars (2015) definieron escenarios concretos de
aplicación de BI&A y los analizaron en valor comercial y viabilidad. A para una
mejor comprensión empresarial antes de la toma de decisiones (Namvar y
Cybulski, 2014) y capturó la esencia de BI&A para optimizar el desempeño
organizacional (Mathrani y Mathrani, 2013). Ereth y Baars (2015) definieron
escenarios concretos de aplicación de BI&A y los analizaron en valor comercial
y viabilidad.

Algunos estudios presentaron modelos o marcos para explicar el valor comercial

de BI&A. Seddon y col. (2017) presentaron un modelo de factores que explica
cómo BI&A contribuye al valor empresarial sintetizado a partir de la literatura.
Un estudio de Popovič et al. (2010) propuso un modelo conceptual para evaluar
50
el valor empresarial de BI&A desarrollado a partir de entrevistas exhaustivas de
revisión bibliográfica y análisis de casos. Se presentaron y probaron otros
modelos utilizando datos de empresas más grandes (Moreno et al., 2018) y la
industria de semiconductores (Hou, 2016). También se aborda en la literatura un
marco conceptual de creación de valor a partir del uso de BI&A en deportes
competitivos (Caya y Bourdon, 2016).

Un estudio reciente de Božič y Dimovski (2019a) examinó cómo los

conocimientos generados por BI&A se transforman en conocimientos valiosos
para ofrecer una mejor comprensión de la creación de valor de BI&A. También
identificaron el papel de cuatro capacidades de capacidad de absorción en la
generación y explotación de información. Estos incluyen adquisición,
asimilación, transformación y explotación. Trieu (2017) realizó una revisión de la
literatura para investigar qué parte del proceso de valor de BI&A se ha
identificado y aún necesita más investigación. Utilizando varios marcos
reconocidos de

51
En la literatura de SI utilizando un enfoque de teoría de procesos (Melville et al.,
2004, Schryen, 2013, Soh y Markus, 1995), el análisis del marco de valores de
Trieu reveló cinco temas para motivar una mayor investigación. Estos incluyen
factores ambientales y de contexto, proceso de conversión de BI&A, proceso de
uso de BI&A, proceso competitivo de BI&A y efectos de latencia. Fink y col.
(2017) también identificaron varios estudios y desarrollaron un modelo de
creación de valor BI&A. Examinaron la relación entre los activos y las
capacidades de BI&A, la distinción entre valor comercial estratégico y operativo
y la influencia del aprendizaje y la innovación como recursos organizacionales.
Los activos de BI&A consisten en tecnología BI&A (hardware y software),
recursos humanos (conocimientos y habilidades) y carteras de aplicaciones
(Schryen, 2013, Trieu, 2017). BI& Las capacidades son funcionalidades críticas
de BI&A para ayudar a la organización a mejorar el desempeño y adaptarse al
cambio (Watson y Wixom, 2007). Fink y sus colegas confirmaron que BI&A
crea valor a partir de activos a través de capacidades para generar valor tanto a
nivel operativo como estratégico. Este camino está moderado por recursos
organizacionales específicos. Ninguno de estos estudios abordó directamente la
creación de valor de BI&A en las pymes.

3.2 Pequeñas y medianas empresas y sistemas de información En las

últimas dos décadas, las pequeñas y medianas empresas (PYMES) se han vuelto
más importantes tanto numérica como económicamente (Olszak y Ziemba,
2008). Las pymes son el motor de la economía europea, impulsando la creación de
empleo y
crecimiento económico (IFC, 2012, p. 1). Superan considerablemente en número
a las grandes empresas, emplean a un gran número de personas y ayudan a dar
forma a la innovación. Por tanto, la necesidad de mejorar la competitividad
mundial de las PYME es fundamental.

3.2.1 El contexto y el entorno de las PYME

En la literatura sobre SI, el contexto ha sido definido por varios investigadores.
Cappelli y Sherer (1991) definieron el contexto como “el entorno asociado con
los fenómenos que ayudan a iluminar esos fenómenos, típicamente factores
asociados con unidades de análisis por encima de las expresamente bajo
investigación (p. 56)”. Mowday y Sutton (1993) lo definieron como "estímulos y

52
fenómenos que rodean y, por lo tanto, existen en el entorno externo al individuo,
la mayoría de las veces en un nivel de análisis diferente (p. 198)". La importancia
del contexto también se ha destacado en la literatura sobre SI. Avgerou (2001)
declaró: “Se podría argumentar que todos los estudios de sistemas de
información son contextuales, ya que abordan cuestiones de implementación y
uso de tecnología dentro de

53
organizaciones en lugar de en un entorno de laboratorio. Así, por la naturaleza
del objeto de su estudio, la investigación en sistemas de información considera
una entidad cambiante dentro de su entorno (p. 44) ”.

El tamaño de la empresa es una variable importante que explica el

comportamiento estratégico, el desempeño y la ventaja competitiva de una
organización (Raju et al., 2011, Fiegenbaum y Karnani, 1991). Las pymes a
menudo no tienen ventajas como grandes empresas en economías de escala,
poder de negociación con proveedores y distribuidores, reconocimiento de
marca, efectos de curva de experiencia y poder de monopolio para fijar precios
por encima de la competencia (Fiegenbaum y Karnani, 1991). Tradicionalmente,
se suponía que el entorno de las PYME era local y estaba segregado
artificialmente de otros mercados, en particular del entorno competitivo
internacional (Etemad, 2005). A menudo se les insinúa de alguna manera,
aislados de la amenaza de las grandes empresas multinacionales (Darcy et al.,
2014). El auge de Internet ha transformado radicalmente el panorama
competitivo de muchas PYME.

Es habitual la colaboración de las PYME con las grandes empresas. Estas

alianzas fomentan la innovación, el intercambio de recursos, la creación de
nuevas relaciones con los proveedores y la expansión de las carteras de productos
(Levy et al., 2003). Estos son importantes para las PYME que no participan solos
a nivel mundial. La mayoría de las PYME producen normalmente algunos
productos estándar para una gama limitada de clientes, lo que las hace
extremadamente dependientes de estos clientes con poco poder para subir los
precios (Levy y Powell, 1998). Las pymes dependen de sus clientes en dos casos.
Primero, cuando las pymes recién están comenzando. En segundo lugar, cuando
la PYME se establece como proveedor de primer nivel o preferido de un cliente
importante (Levy et al., 2003). Por lo tanto, la incertidumbre del mercado suele
ser fuerte, ya que las PYME suelen tener pequeñas cuotas de mercado, pocos
clientes importantes y relativamente poco poder para influir en los precios (Levy
et al., 2003).

El entorno competitivo de las pymes afecta profundamente la percepción de

riesgo y fracaso empresarial del propietario-gerente (Storey, 2016). Tanto la edad
como la experiencia del propietario son factores importantes en las decisiones de
54
adopción de SI (Palvia y Palvia, 1999), lo que hace que el rol del propietario-
gerente sea crucial. Las PYME también responden menos a la evaluación
comparativa de la competencia, las agencias gubernamentales y los grupos de
interés públicos o privados (Dex y Scheibl, 2001). Sin embargo, las pymes deben
ir más allá de los tradicionales

55
fuentes de ventaja competitiva y adoptan los cambios y el dinamismo de sus
entornos internos y externos para garantizar esta ventaja y aumentar la
probabilidad de sostenibilidad (Darcy et al., 2014). Las demandas de las PYME
para identificar y fomentar fuentes de ventaja competitiva también son cruciales
para su éxito y sostenibilidad a largo plazo.

3.2.2 Las características únicas de las pymes

Las pymes exhiben características muy diferentes a las de las grandes empresas
que afectan sus prácticas de búsqueda de información y la forma en que operan
(Lang et al., 1997). Según la literatura, la flexibilidad es una característica
principal atribuida a las pymes (Storey, 2016, Fiegenbaum y Karnani, 1991,
Gupta y Cawthon, 1996). La supervivencia de las PYME a menudo se atribuye a
su adaptabilidad y velocidad de respuesta al cambio ambiental (Levy y Powell,
1998). Por tanto, las PYME suelen ser más flexibles que las grandes empresas.
Otros académicos creen que la fabricación flexible proporciona un medio para
permitir que las PYME proporcionen a los clientes productos nuevos e
innovadores que respondan de manera flexible a las demandas del mercado
(Gupta y Cawthon, 1996). La cultura organizacional también es fundamental para
que una PYME sea flexible, particularmente en una cultura que inspira el
aprendizaje sobre el control.

Las PYME también tienen la reputación de ser capaces de responder rápidamente

a las necesidades cambiantes de los clientes (Levy y Powell, 1998). Una razón es
principalmente porque los propietarios de las PYME tienen un conocimiento
considerable de las capacidades de la empresa. A menudo se entiende a PYME
en las características psicológicas del empresario o propietario-administrador
(Jenkins, 2004). Estas características variarán ampliamente, dependiendo de las
personalidades individuales y las diferentes estructuras de propiedad. La
estructura de gestión de la PYME suele ser plana y sin burocracia. Dado que los
equipos de gestión son relativamente pequeños, la mayoría de los propietarios-
gerentes trabajan juntos en el día a día (Gupta y Cawthon, 1996), lo que hace que
las pymes sean intrínsecamente más innovadoras que las grandes empresas,
especialmente en las primeras etapas del ciclo de vida de la industria (Acs y
Audretsch, 1987, Audretsch, 2002).

56
Las limitaciones de un propietario-administrador en especialistas o experiencia se
destacaron en la literatura (Carson, 1985). Los autores argumentaron que los
propietarios-gerentes tienden a ser más

57
generalistas que especialistas. Por lo tanto, esta deficiencia impide la capacidad
de los propietarios-gerentes para reconocer la importancia de la planificación
anticipada y las iniciativas de planificación estratégica. Otra característica de las
PYME es la tendencia a emplear generalistas en lugar de especialistas
(Mintzberg, 1989). Incluso si quisieran contratar especialistas en TI, enfrentan
dificultades para atraer y retener personal capacitado en TI debido a las limitadas
trayectorias profesionales disponibles en una pequeña empresa (Thong, 1999).
Otro estudio describió cómo la falta de planificación de las PYME para la
introducción y explotación de nuevas tecnologías se debe a limitaciones de
gestión (Levy et al., 2001). Estas limitaciones pueden incluir la alta dirección y
los equipos de gestión que tienen poca experiencia, habilidades o interés en
explotar la tecnología (Rothwell et al., 1989).

Las pymes y las grandes empresas también difieren en recursos. Barney (1996)
definió los recursos de una empresa como activos financieros, físicos, humanos y
organizativos utilizados por la empresa para desarrollar y entregar productos o
servicios al cliente. Los recursos de la empresa incluyen una variedad de
elementos, como activos, capacidades e información. Estos recursos son a
menudo la clave para una ventaja competitiva sostenida y un desempeño superior
(Raju et al., 2011). Por lo general, las PYME no tienen habilidades técnicas
internas (Igbaria et al., 1998, Blili y Raymond, 1993) y tienen recursos
financieros limitados (Levy y Powell, 2000, Gable y Stewart, 1999). Darcy y col.
(2014) argumentó que un reclutamiento temprano para una PYME debe agregar
valor rápidamente y hacer contribuciones significativas. Debido a sus recursos
limitados,

La formación y el desarrollo intensivos de los empleados de las grandes empresas

pueden no ser posibles para una PYME. Esta falta de capacitación formal puede
deberse tanto al costo o al precio de mercado de la capacitación como al
contenido inapropiado para una PYME (Storey y Westhead, 1997). Las pymes
también carecen de un enfoque estratégico centrado, deliberado y estratégico para
la formulación e implementación de estrategias. La capacidad de los propietarios-
gerentes para reconocer la importancia de la formulación e implementación de
estrategias para el desempeño de la empresa es crucial (Darcy et al., 2014). A
diferencia de las grandes empresas con las estructuras y las personas necesarias
para la planificación y la formulación de estrategias, las PYME sufren de lagunas
58
de recursos debido a la falta de personal, experiencia y tiempo (Matthews y
Scott, 1995). Por lo tanto, es posible que las PYME no dispongan de
herramientas sofisticadas de formulación e implementación de estrategias.

59
probablemente opere en un mercado único, luchando por diversificar el riesgo
comercial y siendo más vulnerable a la pérdida de clientes.

3.3 ES Adopción
La adopción de SI es la decisión de una organización de adquirir una tecnología y
ponerla a disposición de los usuarios (Hu et al., 2000). La adopción de SI afecta
en gran medida a las organizaciones empresariales y puede conducir a cambios
en los procedimientos empresariales, la estructura organizativa y el poder de
gestión. Las tecnologías de comunicación mediadas por computadora como el
correo electrónico, la Web, los sistemas interorganizacionales y el intercambio
electrónico de datos han cambiado drásticamente los procesos comerciales
(Premkumar, 2003). Las aplicaciones de SI / TI que permiten el intercambio de
información entre los procesos comerciales y las cadenas de valor pueden incluir
ERP, CRM y SCM (Al-Jabri y Roztocki, 2015). Estas y otras aplicaciones
recopilan, compilan y entregan información y establecen vínculos de socios
comerciales.

La mayoría de los estudios en la literatura sobre SI consideran tres etapas de

adopción, incluso sin consenso sobre sus nombres: percepción, adopción e
implementación (Ko et al., 2008); evaluación, adopción y rutinización (Junior et
al., 2019, Hameed et al., 2012); evaluación, adopción y uso (Puklavec et al.,
2018); iniciación, adopción y rutinización (Ahmadi et al., 2017); adopción,
asimilación e implementación (Wu y Chen, 2014), o pre-adopción, adopción-
decisión y post-adopción (Hameed et al., 2012). Cruz-Jesus y col. (2019) definió
las tres etapas de adopción. La primera etapa se relaciona con la evaluación
inicial de la concienciación y la innovación. La segunda etapa consiste en el
proceso de adopción después de que se ha tomado la decisión de adoptar. La
última etapa se refiere a la rutinización o maduración de la tecnología en la
organización.

El uso de SI para lograr una ventaja competitiva siempre ha sido un tema central
(Johnston y Vitale, 1988, Rackoff et al., 1985). Muchas organizaciones
comenzaron a adoptar SI de manera estratégica para obtener una ventaja
competitiva significativa. La literatura sobre SI proporciona un amplio cuerpo de
investigación que explica la adopción y el uso de SI / TI. Esto da como resultado
varias teorías, modelos, marcos, factores de éxito, antecedentes y determinantes
60
ampliamente utilizados para medir la adopción de SI.

61
 Existen numerosas teorías sobre la adopción de tecnología en la literatura de SI.
Las teorías más utilizadas son el modelo de aceptación de tecnología (TAM), la
teoría del comportamiento planificado, la teoría unificada de aceptación y uso de
la tecnología (UTAUT), la teoría de la difusión de la innovación (DOI), y la
tecnología, organización y medio ambiente ( TOE) marco. Los dos modelos de
adopción destacados a nivel de empresa en la literatura de SI son el marco DOI y
TOE (Oliveira y Martins, 2011). DOI es una teoría de cómo, por qué y a qué
velocidad se difunden nuevas ideas y tecnología a través de las culturas a nivel
individual y empresarial (Rogers, 1995). Considera que las innovaciones se
comunican a través de ciertos canales a lo largo del tiempo y dentro de un
sistema social particular (Oliveira y Martins, 2011). Por lo tanto, proporciona un
análisis exhaustivo de los impulsores y las limitaciones de la difusión de la
innovación, junto con conocimientos sobre el proceso de adopción y no adopción
de una innovación (Cruz-Jesus et al., 2018). El carácter innovador de la teoría
DOI a nivel de empresa está relacionado con variables independientes como
características individuales, características estructurales organizacionales internas
y características externas (Rogers, 1995). Esto se describe con más detalle en la
Figura 3.3.

Individual (líder) caracteristicas

Actitud hacia el cambio

Características internas de
estructura organizativa

ización Complejidad Formalización Interconexión Holgura organizacional Tamaño

Organizativo
innovación

Características externas de la organización.

Apertura del sistema

62
Figura 3.3: El marco de difusión de innovaciones (Rogers, 1995)

63
Desde las primeras aplicaciones de DOI a la investigación de SI, la teoría se ha
aplicado de varias formas: intranet (Eder e Igbaria, 2001), sitio web (Beatty et al.,
2001), e-business (Zhu et al., 2006), ERP (Bradford y Florin, 2003) y CRM (Ko
et al., 2008). Un estudio de Mustonen ‐ Ollila y Lyytinen (2003) mostró que
varios factores reconocidos en la teoría DOI influyen en la adopción de SI. Estos
factores incluyen el reconocimiento de las necesidades del usuario, la
infraestructura tecnológica, la experiencia tecnológica pasada, los ensayos
propios, el trabajo autónomo, la facilidad de uso, el aprendizaje práctico y los
estándares.

El marco TOE comprende tres elementos del contexto de una empresa que
influyen en el proceso de adopción: contextos tecnológicos, organizacionales y
ambientales ((Tornatzky et al., 1990); Figura 3.4). Primero, el contexto
tecnológico describe las tecnologías internas y externas relevantes de la empresa:
sus prácticas y equipos internos actuales (Starbuck, 1976) y el conjunto de
tecnologías externas disponibles (Thompson, 1967). En segundo lugar, el
contexto organizacional se refiere a las medidas descriptivas de las
organizaciones, como el tamaño, el alcance y la estructura administrativa.
Finalmente, el contexto ambiental en el que la organización realiza negocios: su
industria, competidores y tratos con el gobierno (Tornatzky et al., 1990).
Organización
Entorno de tareas externas
Vinculación formal e informal
Características de la industria y mercado estructura estructuras Procesos de comunicación Tamaño
Tecnológico toma de decisiones de innovación Flojo
Infraestructura de soporte tecnológico Regulación gubernamental

64
 Características de disponibilidad

Figura 3.4: El marco de tecnología, organización y medio ambiente

(Tornatzky et al., 1990)

65
El marco TOE es un marco analítico útil para diferentes tipos de adopción y
asimilación de SI / TI (Oliveira y Martins, 2011). Además, el marco TOE tiene
una base teórica sólida y un apoyo empírico consistente en la literatura. Varios
autores aplicaron el marco TOE para comprender diferentes adopciones de SI
como sitios web (Oliveira y Martins, 2008), comercio electrónico (Teo et al.,
2006), comercio electrónico (Zhu et al., 2003), sistemas abiertos (Chau y Tam. ,
1997), ERP (Pan y Jang, 2008) y KMS (Lim, 2009). Oliveira y Martins (2011)
presentaron un resumen de estudios que aplican el marco TOE para investigar la
adopción de SI.

La literatura ha reportado estudios que han identificado antecedentes y

determinantes. Varios estudios se centran en la adopción de sistemas
empresariales como ERP, CRM y BI&A. Por ejemplo, Ram y Pattinson (2009)
identificaron la calidad de la información, la calidad del sistema, la preparación
organizacional, la evaluación ambiental y el valor estratégico de SI como
antecedentes, como factores críticos para el éxito de la adopción de ERP. Estos
antecedentes se investigaron más a fondo para conocer su contribución o papel en
el logro de una ventaja competitiva en la adopción de ERP (Ram et al., 2014).
Hwang (2005) investigó la adopción de ERP incluyendo dos antecedentes: la
evitación de la incertidumbre y el disfrute percibido como mecanismos de control
informal juntos (Kirsch, 1997). Otros académicos fueron más allá e investigaron
a fondo tanto los antecedentes internos como externos desde la perspectiva
comercial y técnica, proporcionando un impulso para considerar la adopción de
ERP (Bajwa et al., 2004). Un estudio reciente de Cruz-Jesus et al. (2019)
desarrollaron un modelo conceptual utilizando el marco TOE para evaluar
antecedentes que influyen positivamente en las etapas de adopción de CRM:
evaluación, adopción y rutinización utilizando datos de 277 empresas. Estos
factores incluyen la calidad e integración de los datos, el apoyo de la alta
dirección, la competencia tecnológica y la presión competitiva.

Pan y Jang (2008) examinaron los determinantes en el marco TOE como factores
que afectan la decisión de adoptar ERP. Se encontró que cuatro factores eran
determinantes importantes de la adopción de ERP. Estos incluyen la preparación
de la tecnología, el tamaño, las barreras percibidas y las mejoras en la producción
y las operaciones. Oliveira y col. (2014) también evaluaron los determinantes
como factores que influyen en la adopción de la computación en la nube en los
66
sectores de manufactura y servicios. Desarrollaron un modelo de investigación
basado en la teoría DOI y el marco TOE. Estos factores incluyen preocupaciones
de seguridad,

67
ahorros de costos, ventaja relativa, complejidad, compatibilidad, disponibilidad
tecnológica, soporte de la alta dirección, tamaño de la empresa, presión
competitiva y soporte regulatorio.

3.4 Adopción de IS en PYMES

La investigación tradicional en SI se ha centrado principalmente en grandes
organizaciones. La adopción de SI por parte de las PYME ha recibido, en
general, menos atención por parte de los académicos (Premkumar, 2003). De
manera similar a la introducción temprana de SI en las grandes empresas, la
introducción de SI en las PYMES tiende a estar fragmentada y se basa en el
apoyo operativo y el procesamiento de transacciones (Blili y Raymond, 1993,
Foong, 1999). Las grandes empresas son las que obtienen los primeros beneficios
de IS (Levy et al., 2001). Tradicionalmente, las PYME han tardado en adoptar
sistemas de información modernos (Raymond, 1988). Sin embargo, cuando el
costo de los SI cae y su uso se generaliza, las PYMES comienzan a explotar el
potencial de los SI (Levy et al., 2001).

Con el advenimiento de la globalización, la adopción exitosa de SI adquirirá una

importancia cada vez mayor para la supervivencia, el crecimiento y la
competitividad de las PYME (Raymond y Uwizeyemungu, 2007). Las PYME
utilizan el conocimiento para gestionar las operaciones diarias. Los problemas,
oportunidades y cuestiones de gestión que encuentran las PYME en el área de
adopción de SI son únicos (Premkumar, 2003). El SI adoptado por las PYMES
tiende a ser simple con un enfoque en los sistemas de procesamiento de
transacciones. Muchas organizaciones ven una inversión en SI no solo como un
medio de reducción de costos, sino también como una forma de lograr valor
comercial (Levy et al., 1999). Sin embargo, la mayoría de las PYME que ven el
SI como un costo no han reconocido el potencial de SI para cambiar su negocio
(Levy et al., 2003). Hay algunas PYME que no se muestran reacias a invertir en
SI después de la puesta en marcha, principalmente aquellas que buscan
crecimiento. Generalmente, Las pymes ven las inversiones en SI de la forma en
que ven sus sistemas de producción. La mayoría de las PYME esperan que el SI
dure mucho tiempo; por lo tanto, es poco probable que vuelvan a desarrollar sus
sistemas (Levy y Powell, 1998).

La inversión en SI en las PYME puede tener éxito cuando es una inversión de

68
bajo costo para proporcionar ahorros de eficiencia o el habilitador de una
estrategia de valor agregado (Levy et al., 2001). El primero es para pymes que no
tienen un sistema de información central para el negocio y la experiencia del
propietario en sistemas de información es limitada. Este último está impulsado
por la necesidad de crecimiento empresarial. Esto refleja los dos propósitos
principales de la adopción de SI: reducción de costos y valor agregado. La
reducción de costos representa el uso tradicional de SI basado en su

69
adopción incremental y reactiva. El valor agregado se centra en la adopción de
sistemas de información para la competitividad, una posible fuente de
diferenciación del éxito para las pymes (Yetton et al., 1994). Además, la
suposición de que las PYME son versiones "reducidas" de las grandes empresas
ha sido cuestionada con éxito en la literatura, con una aceptación generalizada de
que las pequeñas empresas no son solo "pequeñas grandes empresas" (Hill et al.,
2002, Dandridge, 1979). Por lo tanto, la adopción de innovaciones de SI en las
pymes no puede ser una versión miniaturizada de las grandes empresas (Dwivedi
et al. 2009). Debido a las características únicas de las pymes, la necesidad de
examinar la adopción de SI en las pymes es más crucial (Thong, 1999).

Varios estudios han aplicado el marco TOE en diferentes adopciones de SI en

PYME como comercio electrónico (Rahayu y Day, 2015, Rowe et al., 2012),
computación en la nube (Alshamaila et al., 2013), ERP (Raymond y
Uwizeyemungu, 2007). ) y CRM (Jones et al. 2013). Varios estudios sobre la
adopción de sistemas empresariales como ERP y CRM indicaron que hay varios
factores diferentes que influyen en la adopción de SI en las pymes. Dwivedi y
col. (2009) investigaron los factores que influyen en la adopción por parte de las
PYME de un conjunto de sistemas empresariales (es decir, ERP, CRM, SCM).
Los resultados de su estudio revelaron que los factores que influyen en la
adopción de los sistemas empresariales por parte de las PYME son diferentes de
los factores que influyen en la adopción por las PYME de otras innovaciones de
SI previamente estudiadas. Las pymes están más influenciadas por factores
tecnológicos y organizativos que por factores ambientales. Es más, Los
resultados indicaron que las pymes tienen una mayor ventaja relativa percibida,
una mayor capacidad para experimentar con estos sistemas antes de la adopción,
un mayor apoyo de la alta dirección y una mayor preparación organizativa.
También predijeron que la mayoría de las PYME podrían convertirse en
adoptantes de sistemas empresariales. Sin embargo, este estudio no logró
diferenciar entre los factores que influyen en cada uno de estos sistemas. Caldeira
y Ward (2002) identificaron factores que permiten e inhiben la adopción y el uso
de SI en las PYMES (Cuadro 3.1). También investigaron cómo estos factores se
interrelacionan para determinar el éxito relativo en la adopción y el uso de SI. Sin
embargo, este estudio no logró diferenciar entre los factores que influyen en cada
uno de estos sistemas. Caldeira y Ward (2002) identificaron factores que
permiten e inhiben la adopción y el uso de SI en las PYMES (Cuadro 3.1).
70
También investigaron cómo estos factores se interrelacionan para determinar el
éxito relativo en la adopción y el uso de SI. Sin embargo, este estudio no logró
diferenciar entre los factores que influyen en cada uno de estos sistemas. Caldeira
y Ward (2002) identificaron factores que permiten e inhiben la adopción y el uso
de SI en las PYMES (Cuadro 3.1). También investigaron cómo estos factores se
interrelacionan para determinar el éxito relativo en la adopción y el uso de SI.

Varios estudios identificaron antecedentes para la adopción de SI en PYMES.

Elbertsen y col. (2006) proporcionó información sobre los antecedentes de la
adopción de ERP, incluida la complejidad, la compatibilidad, la competencia de
TI, los esfuerzos del mercado y el tamaño de la empresa. Peltier y col. (2009)
investigaron los antecedentes que influyen en la adopción de CRM por parte de
las pequeñas empresas. Estos antecedentes se centraron en factores ambientales
(incertidumbre del mercado y hostilidad ambiental), características tecnológicas
(relativa

71
ventajas y costos de cambio), y características del propietario y de la
organización (conocimiento de la clase de producto, actitud hacia el cambio,
edad, educación, años en el negocio y tamaño de la empresa).

Tabla 3.1: Los factores de éxito en la adopción de SI (Caldeira y Ward, 2002)

Contexto interno Disponibilidad de recursos financieros
Recursos humanos
Perspectivas y actitudes de la gerencia hacia SI
Competencias de SI
Relaciones de poder
Actitudes de los usuarios hacia el uso de SI
Posición del gerente de SI en la estructura organizacional
Contexto externo Soporte del proveedor de SI
¿Hay experiencia externa disponible?
Calidad del software disponible en el mercado
Presión empresarial para adoptar y utilizar SI
Proceso Personas involucradas
Marcos y técnicas utilizadas en el desarrollo de SI
Está entrenando
Etapas seguidas en el desarrollo de SI
Contexto Tipo de soluciones de SI disponibles en la empresa
Objetivos y supuestos sobre SI
Evaluación de los beneficios de SI
Momento de adopción

Otros académicos identificaron y validaron los factores que influyen en la

adopción de CRM en las pymes (Alshawi et al., 2011). Estos factores se
clasificaron en tres grupos de factores principales: factores organizativos,
técnicos y de calidad de los datos. Los factores organizativos son aquellos
relacionados directa o indirectamente con los aspectos estructurales, operativos,
humanos y de gestión de la entidad empresarial PYME, como los beneficios, las
habilidades de TI del personal, las habilidades de gestión de TI, el tamaño de la
empresa, etc. Los factores técnicos se refieren a factores relacionados con la
aspectos blandos y duros de la tecnología IS / IT que se está adoptando. Estos
factores incluyen infraestructura, costos de implementación, evaluación del
sistema, criterios de selección de software, etc. Por último, los factores de calidad
de los datos se refieren a factores relacionados directamente con el concepto de
calidad de los datos. Factores como características gerenciales, características
organizacionales,

La preparación organizacional también es un antecedente de la innovación

tecnológica (Tsai y Tang, 2012). Los académicos han identificado dimensiones
que deben evaluarse para determinar la preparación organizacional en la etapa de

72
adopción. Investigaciones anteriores destacaron la importancia de las
capacidades técnicas y organizativas antes de la implementación.

73
iniciado el proceso y poder seleccionar la estrategia de implementación más
adecuada (Capaldo y Rippa, 2009). La alta dirección debería examinar de cerca
el nivel actual de sus organizaciones antes de contemplar la implementación de
un sistema ERP en las PYMES (Raymond y Uwizeyemungu, 2007). Una
organización que posee la preparación organizativa durante la implementación y
el uso de SI puede lograr el éxito de la adopción (Sammon y Adam, 2010).

3.5 Adopción de BI&A

Para comprender y examinar mejor la adopción de BI&A, varios estudios
emplearon una amplia gama de teorías, marcos y modelos. Las teorías, marcos y
modelos más adoptados según una revisión reciente de la adopción de BI&A son
el modelo de éxito de IS de DeLone y McLean (D&M), el modelo TAM y la
teoría DOI (Ain et al., 2019). Por ejemplo, el modelo de éxito de SI y el modelo
TAM de D&M se utilizaron para investigar cómo diseñar sistemas de BI&A para
mejorar la adopción y el uso de BI&A (Foshay et al., 2014). Se propuso un
marco basado en el éxito de SI de D&M para identificar las relaciones entre la
satisfacción informática del usuario final, el uso del sistema y el desempeño
individual en la adopción de BI&A (Hou, 2012).

La teoría DOI también se adopta en una serie de estudios en la literatura de

BI&A. Ahmad y col. (2016) aplicó la teoría DOI para investigar las
características de BI&A que influyen en su adopción exitosa. Jaklič y col. (2018)
adoptó DOI para examinar el papel interrelacionado de la compatibilidad en la
predicción de las intenciones de uso de BI&A. Yoon y col. (2014) identificaron
factores que afectan las decisiones para adoptar BI&A a nivel individual, que se
basa en varias teorías, incluida la teoría DOI. Las tasas de adopción de otras
teorías en la investigación de adopción de BI&A como RBV, TOE framework y
UTAUT fueron relativamente bajas (Ain et al., 2019). Por ejemplo, el marco
TOE se aplicó para examinar los factores que influyen en el uso de BI&A en una
organización sudafricana (Lautenbach et al., 2017) y para comprender los
determinantes de las etapas de adopción del sistema BI&A (Puklavec et al.,

La literatura sobre BI&A ha identificado numerosos factores que influyen en la

adopción de BI&A. Se han identificado tres categorías principales de factores: las
perspectivas organizacional, de SI y de usuario (Ain et al., 2019). Primero, la

74
perspectiva organizacional se enfoca en cómo la alineación de los objetivos,
estrategias, planes y prioridades organizacionales con BI&A afecta a otros
sistemas. Esta categoría incluye factores relacionados con la organización como

75
apoyo a la gestión (Kohnke et al., 2011), presión competitiva (Boonsiritomachai
et al., 2016), cultura (Puklavec et al., 2014) y preparación organizacional
(Puklavec et al., 2014). En segundo lugar, la perspectiva de SI demuestra el
impacto de factores relacionados con SI como la calidad de la información
(Nelson et al., 2005), la calidad del sistema (Trieu et al., 2018) y la
infraestructura de TI (Torres et al., 2018). Esta categoría enfatiza la importancia
de una infraestructura de TI escalable y flexible, una interfaz de sistema fácil de
usar y un sistema de origen y datos de alta calidad para BI&A. Por último, la
perspectiva del usuario se centra en factores relacionados con el ser humano
como el conocimiento y las habilidades técnicas de TI (Elbashir et al., 2013), la
participación del usuario (Kulkarni y Robles-Flores, 2013) y la pérdida de poder
(Popovič, 2017). La Tabla 3.2 describe los factores en las tres categorías
principales. Un resumen de los factores clave en estas categorías se presenta en el
estudio de Ain et al. (2019).

Tabla 3.2: Tres categorías principales de factores que influyen en la

adopción de BI&A (Ain et al., 2019)
Perspectiva organizacional Apoyo de la gerencia
Campeón
Soporte y formación
Cultura
Influencia social
Recursos
Gestión del cambio
Condiciones de facilitación
Tamaño de la organización
Calidad de servicio
Visión y objetivos bien definidos, alineación de la estrategia comercial y de
BI, comunicación eficaz, gestión eficaz de proyectos, trabajo en equipo y
composición,
valores ágiles, aspectos impulsados por el plan
Presión competitiva
Empoderamiento estructural
Gestión de BI
Entorno de datos organizacionales, preparación organizacional, soporte
externo
Participación del usuario
Clima de aprendizaje organizacional
Capacidades de BI organizacional
Compromiso de la alta dirección
Intercambio de conocimientos, estrategia impulsada por la tecnología
ES perspectiva Calidad de la información / datos
Calidad del sistema
Facilidad de uso percibida
Demostrabilidad de resultados
Utilidad percibida
Ventaja relativa
Relevancia laboral

76
Madurez del sistema de BI, eficacia de BIS
Amplitud de uso
Compatibilidad
Expectativa de rendimiento, expectativa de esfuerzo

77

Perspectiva de los usuarios
Infraestructura de TI, integración
Uso de información y análisis, preparación técnica de BI
Integración con otros sistemas, acceso de usuarios
Dependencia del sistema de BI
Infusión del sistema BI
Capacidad de gestión, capacidad de detección, capacidad de captura, negocios
capacidad de cambio de proceso
Presentación funcional
Impacto en marketing y ventas, impacto en la gestión y operaciones internas,
Impacto en las adquisiciones
Capacidades tecnológicas de BI: fuente de datos, tipo de datos, confiabilidad
de los datos,
interacción con otros sistemas, acceso de usuarios
Ansiedad
Capacidad de absorción
Conocimientos y habilidades técnicas de TI del equipo
Autoeficacia
Participación de Usuario
Innovación personal
Pérdida de poder, cambios en el enfoque de toma de decisiones, cambio de
trabajo / habilidades
Conciencia, estabilidad emocional, extraversión, apertura a la experiencia.

Además de los factores que influyen en la adopción de BI&A, las organizaciones

enfrentan pocos desafíos en la adopción de BI&A. Uno de estos desafíos es la
resistencia del gerente a usar sistemas de BI&A, lo que resulta en una baja
aceptación del sistema (Chang et al., 2015b). Otro desafío es la falta de
motivación para usar los sistemas BI&A causada por la falta de capacidades o
habilidad para explorar los sistemas (Seah et al., 2010). Otros desafíos también
incluyen el miedo a perder poder sobre la información (Popovič, 2017),
problemas del sistema (Olszak, 2016) y una comunicación insuficiente entre TI y
las empresas (Richards et al., 2019). Además, hay siete construcciones
emergentes identificadas del uso del sistema, problemas y causas: informes,
datos, flujo de trabajo, autorización de roles, falta de conocimiento de los
usuarios, error del sistema e interacción usuario-sistema (Deng y Chi, 2012).

La preparación organizacional se destacó como un factor importante que

contribuye al éxito de la adopción de SI. Este factor también se ha descrito como
un requisito previo para el éxito de la adopción de BI&A (Williams y Williams,
2010). Sin embargo, pocos estudios en la literatura de BI&A han proporcionado
una descripción general de los factores para evaluar la preparación de BI&A. La
investigación anterior presentó siete factores que afectan si la inversión en BI&A
proporcionará ganancias a una organización o no (Williams y Williams, 2010).
Estos factores se denominan factores de preparación, que incluyen (1) alineación

78
estratégica, (2) cultura de mejora continua del proceso, (3) cultura para usar
información y aplicaciones analíticas, (4) gestión de la cartera de BI, (5) proceso
de decisión.

79
cultura de ingeniería, (6) BI y preparación técnica de almacenamiento de datos, y
(7) asociación efectiva de negocios y TI. Otros académicos se centraron en el
papel de la administración en la preparación de BI&A y presentaron siete
dimensiones (Anjariny y Zeki, 2014). Estas siete dimensiones a considerar al
evaluar la preparación de BI&A incluyen:
(1) dimensión relacionada con la gestión, (2) dimensión relacionada con el
negocio, (3) infraestructura, (4) dimensión relacionada con el usuario, (5)
dimensión relacionada con el proyecto, (6) trabajo en equipo y (7) datos.

La importancia de la dimensión relacionada con la gestión se destacó en la

literatura (Anjariny y Zeki, 2014). Esta dimensión se ocupa de las decisiones de
gestión sobre el compromiso de recursos con la financiación, el campeón del
proyecto y los patrocinadores. Por lo tanto, subraya la importancia del apoyo de
la alta dirección para el proyecto BI&A. La dimensión relacionada con el
negocio incluye factores de preparación como tener una visión clara, construir un
caso de negocios y la capacidad de una organización para medir el valor
comercial de BI&A se destacan explícitamente (Anjariny y Zeki, 2014). Además,
la dimensión de infraestructura incluye el marco técnico, la funcionalidad y la
usabilidad. También se enfatizó la importancia de incluir usuarios para mejorar el
compromiso de BI&A. Las dimensiones relacionadas con el usuario incluyen la
participación, educación y compromiso de los usuarios de BI&A. La dimensión
relacionada con el proyecto trata sobre el enfoque de entrega, la planificación y el
alcance del proyecto de BI&A. La dimensión del trabajo en equipo ilustra la
importancia de las habilidades, los consultores y la experiencia. La dimensión de
datos demuestra la importancia de la calidad de los datos al conocer las
consecuencias de los datos deficientes antes de la adopción de BI&A.

Otros académicos identificaron factores críticos de éxito (CSF) en la adopción de

BI&A. Por ejemplo, un estudio de Yeoh y Koronios (2010) identificó siete CSF
para la adopción de BI&A: (1) apoyo y patrocinio de gestión comprometidos, (2)
visión clara y caso de negocio bien establecido, (3) campeonato centrado en el
negocio y equipo equilibrado posición, (4) enfoque de desarrollo iterativo y
orientado al negocio (5) gestión del cambio orientada al usuario, (6) marco
técnico flexible, escalable y orientado al negocio, (7) calidad e integridad de
datos sostenibles. Además, los autores argumentaron que la razón común del
fracaso de BI&A es la ausencia de alineación entre las iniciativas de BI&A y la
80
visión empresarial, lo que resulta en la falta de apoyo a los objetivos comerciales.
Por lo tanto, el fuerte vínculo entre la visión empresarial y BI & Se destacó una
adopción en la construcción de un caso de negocio bien establecido (Yeoh y
Koronios, 2010). Se identificaron un total de 60 CSF mediante un análisis de
contenido

81
enfoque de 11 artículos (Hawking y Sellitto, 2010). Los más comunes de estos
CSF son el apoyo a la gestión, la participación de los usuarios y las habilidades
de equipo.

3.6 Adopción de BI&A en PYMES

Existe una pequeña corriente de investigación sobre la adopción de BI&A en las
PYMES. Aunque las pymes tienen tanta necesidad de BI&A como las grandes
empresas (Cheung y Li, 2012), las pymes van a la zaga de la proliferación de
BI&A (Boonsiritomachai et al., 2016, Grabova et al., 2010).

Las teorías de adopción de BI&A son cruciales para comprender los factores que
afectan la adopción de BI&A. Hatta y col. (2015) revisó la literatura para
identificar los factores que influyen en la adopción de BI&A en las PYMES.
También informaron sobre el uso de teorías de adopción en la literatura de BI&A
y discutieron dos modelos de adopción destacados en el contexto de las PYME:
la teoría DOI y el marco TOE. Hatta y col. (2015) luego creó un modelo de
adopción integrado que comprende 25 impulsores. Además, combinaron sus
hallazgos en cuatro categorías principales basadas en la teoría DOI y el marco
TOE. Las cuatro categorías principales son: contexto tecnológico (interno y
externo), contexto organizacional (tamaño, estructura, estructura gerencial y
recursos humanos), contexto ambiental (competidores y ambiente regulatorio) y
contexto de innovación del CEO (toma de decisiones, voluntad de adoptar SI
para mejorar el desempeño organizacional). Además, se propuso un modelo de
madurez de BI&A basado en la teoría DOI para distinguir los diferentes niveles
de madurez de BI&A en las pymes tailandesas (Boonsiritomachai et al., 2016).
Además, también se presentan diferentes factores que influyen en la adopción de
BI&A. Estos factores incluyen la ventaja relativa, la complejidad, la
compatibilidad, la capacidad de absorción, la disponibilidad de recursos
organizacionales, la presión competitiva, la selección de proveedores, la
innovación de los propietarios-gerentes y el conocimiento de TI de los
propietarios-gerentes. Otros académicos han desarrollado y probado
empíricamente un modelo conceptual basado en DOI para evaluar el impacto del
uso de BI&A en el desempeño de la empresa en el contexto de las pymes
(Popovič et al., 2019). Se propuso un modelo de madurez basado en la teoría
DOI para distinguir los diferentes niveles de madurez de BI&A en las pymes

82
tailandesas (Boonsiritomachai et al., 2016). Además, también se presentan
diferentes factores que influyen en la adopción de BI&A. Estos factores incluyen
la ventaja relativa, la complejidad, la compatibilidad, la capacidad de absorción,
la disponibilidad de recursos organizacionales, la presión competitiva, la
selección de proveedores, la innovación de los propietarios-gerentes y el
conocimiento de TI de los propietarios-gerentes. Otros académicos han
desarrollado y probado empíricamente un modelo conceptual basado en DOI para
evaluar el impacto del uso de BI&A en el desempeño de la empresa en el
contexto de las pymes (Popovič et al., 2019). Se propuso un modelo de madurez
basado en la teoría DOI para distinguir los diferentes niveles de madurez de
BI&A en las pymes tailandesas (Boonsiritomachai et al., 2016). Además,
también se presentan diferentes factores que influyen en la adopción de BI&A.
Estos factores incluyen la ventaja relativa, la complejidad, la compatibilidad, la
capacidad de absorción, la disponibilidad de recursos organizacionales, la presión
competitiva, la selección de proveedores, la innovación de los propietarios-
gerentes y el conocimiento de TI de los propietarios-gerentes. Otros académicos
han desarrollado y probado empíricamente un modelo conceptual basado en DOI
para evaluar el impacto del uso de BI&A en el desempeño de la empresa en el
contexto de las pymes (Popovič et al., 2019). Estos factores incluyen la ventaja
relativa, la complejidad, la compatibilidad, la capacidad de absorción, la
disponibilidad de recursos organizacionales, la presión competitiva, la selección
de proveedores, la innovación de los propietarios-gerentes y el conocimiento de
TI de los propietarios-gerentes. Otros académicos han desarrollado y probado
empíricamente un modelo conceptual basado en DOI para evaluar el impacto del
uso de BI&A en el desempeño de la empresa en el contexto de las pymes
(Popovič et al., 2019). Estos factores incluyen la ventaja relativa, la complejidad,
la compatibilidad, la capacidad de absorción, la disponibilidad de recursos
organizacionales, la presión competitiva, la selección de proveedores, la
innovación de los propietarios-gerentes y el conocimiento de TI de los
propietarios-gerentes. Otros académicos han desarrollado y probado
empíricamente un modelo conceptual basado en DOI para evaluar el impacto del
uso de BI&A en el desempeño de la empresa en el contexto de las pymes
(Popovič et al., 2019).

Puklavec y col. (2014) también revisaron la literatura para identificar los

determinantes que influyen en la adopción de BI&A en las pymes a nivel de
83
empresa. También llevaron a cabo entrevistas cualitativas para proporcionar una
lista sucinta de los determinantes para la adopción de BI&A: establecer el apoyo
de la gestión, la percepción del valor estratégico, el campeón del proyecto,

84
datos organizacionales y preparación organizacional. Puklavec y sus colegas
argumentaron que la lista de determinantes guiará tanto el desarrollo como las
pruebas de los marcos de BI&A en las pymes. Combinando el marco TOE con el
modelo DOI, los mismos autores realizaron un estudio para proporcionar una
mejor comprensión de los determinantes de la adopción de BI&A (Puklavec et
al., 2018). Gibson y Arnott (2003) realizaron una revisión para explorar la falta
de uso de BI&A en las PYMES y presentaron diez características que afectan la
adopción de BI&A. Hicieron hincapié en la importancia de la innovación de los
propietarios-gerentes. Gibson y Arnott (2003) argumentaron que es más probable
que los propietarios-gerentes innovadores utilicen BI&A para la toma de
decisiones, conozcan el valor comercial de BI&A, tengan suficientes recursos
para BI&A y comprendan la importancia de alinear BI&A con la estrategia
comercial.

Un estudio de Chichti et al. (2016) aplicaron el marco TOE e identificaron qué

determina la adopción de BI&A en la organización pública tunecina al apoyar a
las pymes. Debido al dinámico entorno empresarial de las PYME, los factores
medioambientales del marco TOE se consideran importantes para apoyar a las
PYME. Además, se sugirió la prospectiva estratégica para ayudar a las pymes a
hacer frente a la competencia (Chichti et al., 2016). Olszak y Ziemba (2012)
identificaron CSF para la adopción de BI&A en PYMES. Ampliaron aún más la
lista de CSF propuesta por Yeoh y Koronios (2010). Los CSF cuentan con el
apoyo de la alta dirección, un equipo capacitado y un gerente de proyecto de
BI&A competente. Un problema comercial y un proceso comercial bien
definidos se destacaron como uno de los CSF más importantes. Calidad de datos,
sistemas fáciles de usar e integración entre BI y A y otros sistemas son CSF en
una perspectiva más tecnológica. Qushem y col. (2017) también realizaron una
revisión e identificaron los determinantes específicos de las PYME para BI&A
utilizando el marco TOE.

Hay algunos otros temas relacionados con la adopción que se discuten en la

literatura. La preparación organizacional ha sido reconocida como esencial para
lograr una adopción exitosa de BI&A en las PYMES. Hidayanto y col. (2012)
desarrollaron un marco para medir el nivel de preparación de BI&A en PYMES.
Utilizaron expertos en BI&A para identificar los factores más importantes que
obstaculizan la preparación de BI&A. Tres CSF son más importantes que otros:
85
apoyo y patrocinio de la gerencia, visión clara y caso de negocios bien
establecido y alineación estratégica. Además, Hidayanto et al. (2012)
demostraron cómo estos factores podrían usarse para medir la preparación de
BI&A sin brindar sugerencias sobre cómo lograr estos factores. Algunos factores

86
identificado en el marco de Hidayanto et al. se basó en Williams y Williams
(2010). Puklavec y col. (2014) también identificaron la preparación de BI&A
como un factor importante para las pymes sin una explicación explícita de lo que
significa la preparación. Un estudio de Gudfinnsson y Strand (2017) exploró los
desafíos que enfrentan las pymes en la adopción de BI&A a través de un estudio
de caso de cuatro pymes. Los ejemplos de estos desafíos son la falta de
habilidades de BI&A, el interés limitado de los ejecutivos y propietarios en el uso
de BI&A, la falta de habilidades para ver el valor de BI&A y problemas de
calidad de los datos. Hill y Scott (2004) realizaron un estudio cualitativo y
propusieron un conjunto de recomendaciones para la adopción exitosa de BI&A.
Ilustraron información actualizada y contactos personales como desafíos en la
adopción de BI&A. Es más, Sadok y Lesca (2009) identificaron siete condiciones
de aceptación necesarias para facilitar los cambios organizacionales en la
adopción de BI&A de las PYMES. Además, Scholz et al. (2010) exploró tanto
los beneficios como los desafíos percibidos en la adopción de BI&A en las
pymes alemanas.

87
88
4 Enfoque de investigación
Este capítulo presenta la visión general del enfoque de investigación aplicado en
este estudio. El Capítulo 4.1 proporciona una descripción general del diseño de la
investigación seguido por el proceso de reclutamiento de informantes en el
Capítulo 4.2. Proporciono detalles de la recopilación de datos para el estudio
Delphi y las entrevistas cualitativas en el Capítulo 4.3, informo sobre el análisis
de datos en el Capítulo 4.4 y evalúo la calidad de la investigación en el Capítulo
4.5.

4.1 Diseño de la investigación

El diseño de la investigación es la secuencia lógica que conecta los datos
empíricos con las preguntas y conclusiones de la investigación inicial de un
estudio (Yin, 2017). Según De Vaus (2001), la función del diseño de la
investigación es asegurar que la evidencia obtenida nos permita responder a la
pregunta inicial de la manera más inequívoca posible. Al diseñar una
investigación, el investigador debe considerar una pregunta importante: ¿qué
evidencia se necesita para responder la pregunta de investigación de manera
convincente? El diseño de la investigación podría verse como un "modelo" para
abordar cuatro cuestiones: qué estudiar, qué datos son relevantes, qué datos
recopilar y cómo analizar la investigación (Philliber et al., 1980).

El interpretivismo se ocupa de la comprensión y la comprensión (Gioia y

Chittipeddi, 1991). El supuesto ontológico del interpretivismo es una realidad
social objetiva que no existe, sino que se produce y reproduce entre los humanos
a través de sus interacciones (Orlikowski y Baroudi, 1991). El conocimiento de la
adopción de BI&A, las decisiones de invertir, implementar, utilizar y crear valor
a partir de las inversiones en BI&A son construidas socialmente por personas y
organizaciones. Así, BI&A se relaciona con las personas y los entornos sociales
en general. El objetivo de la investigación interpretativa es "comprender los
fenómenos a través del acceso al significado que los participantes les asignan
(Orlikowski y Baroudi, 1991, p. 5)". La posición epistemológica del
interpretivismo es subjetiva (Escocia, 2012). Decidí adquirir BI &

Me acerqué al estudio realizando primero una revisión sistemática de la literatura

para recopilar, analizar y sintetizar toda la literatura existente en el dominio de

89
interés. Esta revisión resultó en el artículo 1, la primera publicación de esta tesis.
Se revisaron y categorizaron 62 artículos utilizando el método centrado en
conceptos. Otras dimensiones como

90
La fuente de publicación, el año de publicación, el estado de la cita y el método
de investigación se consideraron en el análisis de revisión de la literatura. Esta
revisión presentó el estado actual de los temas de investigación en este dominio.
Al mismo tiempo, también reveló posibles lagunas con implicaciones en todas las
publicaciones posteriores y ofreció orientación para sugerir futuras vías de
investigación. La revisión también contribuyó a perfeccionar la definición del
problema en esta tesis. Como se muestra en la Figura 4.1, se realizó una revisión
extensa de la literatura para desarrollar aún más el Documento 1. Al seguir el
mismo método de la primera revisión realizada en 2016, se identificaron 78
artículos en esta revisión extendida. Por tanto, la revisión bibliográfica ampliada
realizada en 2017 se consideró la publicación oficial de revisión bibliográfica en
esta tesis.

En segundo lugar, se llevó a cabo un estudio Delphi de tipo ranking para

comprender mejor la adopción de BI&A en las pymes en función de los
problemas identificados y priorizados por los expertos en BI&A (Okoli y
Pawlowski, 2004, Pare et al., 2013). Esto resultó en el Documento 5. Durante
décadas, el método Delphi se ha aplicado en varios campos y se ha considerado
un método de investigación legítimo y establecido (Dalkey y Helmer, 1963). Es
un medio y un método para la construcción de consenso utilizando una serie de
cuestionarios para recolectar datos de un panel de sujetos seleccionados
(Linstone y Turoff, 1975). Este método involucra las siguientes fases: reunir
expertos, lluvia de ideas, reducción, dos rondas de clasificación (Pare et al.,
2013) y entrevistas de seguimiento (Day y Bobeva, 2005). Los resultados del
estudio Delphi abordaron SQ2.

Por último, se realizó una entrevista cualitativa mediante la técnica de entrevista

a expertos de Meuser y Nagel (2009). Esto resultó en los artículos 2, 3 y 4, que
son todos estudios exploratorios. Meuser y Nagel (2009) definieron el enfoque de
entrevista a expertos como un método de investigación empírica cualitativa
diseñado para explorar el conocimiento de los expertos. Por lo tanto, este método
permitió que esta tesis se basara en la práctica actual y proporciona información
rica y profunda sobre el dominio de interés. Los resultados de los estudios
exploratorios abordaron SQ1 y SQ3.

El diseño de investigación de esta tesis comprende varias actividades. Estos

91
incluyen la revisión de la literatura, la definición del problema, la recopilación de
datos, los artículos de investigación y el resumen de la tesis con el período de
tiempo estimado especificado para cada actividad. En la Figura 4.1 se muestra
una descripción general de las actividades de investigación.

92
 Figura 4.1: Resumen de las actividades de investigación

4.2 Conseguir informantes a bordo

Como se mencionó anteriormente, el primer estudio empírico de esta tesis es el
estudio Delphi seguido de la entrevista cualitativa. La realización de estos
estudios empíricos implica la contratación de informantes. Bygstad y Munkvold
(2011) han explorado el papel de los informantes en la investigación de estudios
de caso en SI. Definieron a los informantes como partes interesadas que brindan
información u opiniones calificadas sobre un caso. De manera similar, Yin
(2017) definió al informante como un sujeto de estudio que brinda información
crítica o interpretaciones sobre el dominio de interés y sugiere otras fuentes de
evidencia.

LinkedIn es un sitio de redes de negocios profesionales muy utilizado y uno de

los sitios de búsqueda de contactos profesionales más grandes del mundo (Van
Dijck, 2013). Para identificar a los posibles participantes, se utilizó LinkedIn para
buscar informantes para participar en el estudio Delphi. También se utilizó la
técnica de la bola de nieve, donde se pidió a cada informante que sugiriera otro
informante. La composición y selección de informantes o expertos son de suma
importancia para lograr la ejecución exitosa de un estudio Delphi (Linstone y
Turoff, 1975). Tanto la experiencia como la calidad de los expertos son cruciales
para mejorar la credibilidad y validez del proceso (Hsu y Sandford, 2007, Okoli y
Pawlowski, 2004). Al utilizar LinkedIn, el puesto de trabajo actual del
informante y sus experiencias anteriores en BI&A estuvieron disponibles. Como
sugirieron Keil et al. (2013), Se definieron criterios tanto obligatorios como

93
deseados para asegurar expertos de alta calidad. Los criterios obligatorios
incluyen un mínimo de cinco años de experiencia en BI&A, experiencia de
primera mano en pymes noruegas y voluntad de participar en todo el estudio.
Deseado

94
Los criterios incluyen experiencia laboral en una empresa de consultoría,
asistencia a una conferencia de BI&A y participación en foros de BI&A o estar
activo en otros eventos de BI&A en Noruega. La carta de invitación y una hoja
de información del estudio Delphi se enviaron a 190 expertos a través de
mensajes de LinkedIn y correo electrónico del trabajo. Algunos expertos
denegaron la invitación debido a un horario de trabajo apretado o por no tener
suficiente experiencia con las pymes. Otros no respondieron en absoluto. El
estudio Delphi reclutó a un total de 43 expertos (tabla 4.1). La mayoría de los
expertos tienen entre 35 y 45 años y más de 10 años de experiencia liderando o
participando en proyectos de BI&A, habiendo implementado, adaptado o
utilizado sistemas de BI&A. Además, los expertos pertenecen a una amplia gama
de industrias que representan tanto a las organizaciones de proveedores como a
las de usuarios de BI&A.

Tabla 4.1: Perfil del informante del estudio Delphi

No. Posición Género Educativo Años de Fundar Industria Sector
Logro experiencia mediante
1 Consultor de BI METRO BSc 10 LinkedIn Consultoría de TI Privado
2 Jefe de BI METRO Mae 6 LinkedIn Consultoría de TI Privado
stría
3 Asesor de BI METRO Mae 11 LinkedIn Acuicultura Privado
stría
4 Consultor de BI METRO BSc 15 LinkedIn Consultoría de BI Privado
5 Gerente de BI METRO Mae 10 LinkedIn Comida y Privado
stría Bebidas
6 Consultor de BI METRO Mae 20 LinkedIn Consultoría de TI Privado
stría
7 Jefe de BI METRO Mae 11 LinkedIn Consultoría de TI Privado
stría
8 Consultor de BI METRO Mae 9 Bola de nieve Consultoría de TI Privado
stría
9 Jefe de BI METRO BSc dieciséi LinkedIn Productos Privado
s quimicos
10 Consultor de BI METRO BSc 10 LinkedIn Consultoría de TI Privado
11 Jefe de BI F BSc 15 LinkedIn Consultoría de TI Privado
12 Consultor de BI METRO Mae 6 LinkedIn Consultoría de TI Privado
stría
13 Gerente de BI METRO BSc 12 LinkedIn Consultoría de TI Privado
14 Arquitecto de BI METRO BSc 10 LinkedIn Consultoría de BI Privado
15 Arquitecto de BI METRO BSc 17 LinkedIn Seguro Privado
dieci Consultor de BI F BSc 7 LinkedIn Consultoría de TI Privado
séis
17 Arquitecto de BI METRO Mae 10 LinkedIn Consultoría de TI Privado
stría
18 CEO METRO BSc 17 LinkedIn Consultoría de TI Privado
19 Jefe de BI METRO BSc 15 LinkedIn Aviación Privado
20 Consultor de BI F BSc 10 Bola de nieve Energia electrica Privado
21 Consultor de BI METRO BSc 8 LinkedIn Consultoría de TI Privado
22 Jefe de BI METRO BSc 15 LinkedIn Bancario Privado

95
23 Arquitecto de BI METRO BSc 15 LinkedIn Consultoría de TI Privado
24 Asesor de BI METRO Mae 7 LinkedIn Inversión & Privado
stría Consultante
25 Científico de datos METRO Mae 6 LinkedIn Software de BI Privado
stría Proveedor

96
 No. Posición Género Educativo Años de Fundar Industria Sector
Logro experiencia mediante
26 Consultor de BI METRO Mae 10 LinkedIn Consultoría de TI Privado
stría
27 Jefe de BI METRO BSc 30 LinkedIn Consultoría de BI Privado
28 Consultor de BI METRO Mae 8 LinkedIn Consultoría de TI Privado
stría
29 Consultor de BI METRO Mae 5 LinkedIn Consultoría de TI Privado
stría
30 Consultor de BI METRO BSc 7 LinkedIn Consultoría de TI Privado
31 Gerente de BI METRO Mae 10 Bola de nieve Consultoría y Privado
stría Consultivo
32 Asesor de BI METRO BSc 20 Bola de nieve Consultoría de TI Privado
33 Consultor de BI METRO BSc 10 Bola de nieve Consultoría de TI Privado
34 Jefe de BI METRO BSc 10 LinkedIn Consultoría de TI Privado
35 Arquitecto de BI F Mae 12 Bola de nieve Bancario Privado
stría
36 Dato de F BSc 13 Bola de nieve Bancario Privado
governancia
Líder
37 Científico de datos METRO Mae 6 Bola de nieve Consultoría de TI Privado
stría
38 Asociar F Doct 10 Bola de nieve Académica Privado
Profesor or
39 Asesor de BI F Mae 10 Bola de nieve Consultoría de TI Privado
stría
40 Consultor de BI F Mae 12 Bola de nieve Consultoría de TI Privado
stría
41 Consultor de BI F Mae 12 Bola de nieve Consultoría de TI Privado
stría
42 Arquitecto de BI F BSc 18 LinkedIn Consultoría de TI Privado
43 Asesor de BI METRO BSc 17 Bola de nieve Software de BI Privado
Proveedor

Participaron 15 informantes tanto en el estudio Delphi como en la entrevista

cualitativa. Para reclutar más informantes, se volvió a utilizar la técnica de la
bola de nieve. También me uní y fui el orador invitado en un foro de BI&A en
Oslo en octubre de 2017. Durante el foro de BI&A, varios profesionales de
BI&A, como consultores, arquitectos, proveedores, jefes de BI&A y científicos
de datos, mostraron interés en mi estudio de doctorado. En total participaron 38
informantes en el estudio cualitativo. Tuve más de una entrevista con algunos
informantes deseosos de compartir su experiencia. Esto resultó en un total de 46
entrevistas. La Tabla 4.2 proporciona más información sobre los informantes y la
duración de cada entrevista.

Tabla 4.2: Perfil del informante

No. Posición Género Fundar Industria Sector Duración de la
mediante entrevista
(en minutos)
1 Consultor de BI METRO Delphi Consultoría de TI Privado 31 (Documento2)

97
2 Consultor de BI METRO Delphi Consultoría de TI Privado 30 (Documento2)
3 Consultor de BI METRO Delphi Consultoría de TI Privado 30 (Documento2)
4 Consultor de BI METRO Delphi Consultoría de TI Privado 30 (Documento2) + 35
(Documento3)
5 Consultor de BI METRO Delphi Gas de petróleo Privado 75 (Documentos 2 y 4)

98
No. Posición Género Fundar Industria Sector Duración de la
mediante entrevista
(en minutos)
6 Asesor de BI METRO Delphi Consultoría de TI Privado 120 (Documentos 2 y 4)
+40
(Documento3)
7 Asesor de BI METRO Delphi Inversión & Privado 40 (Documento2) + 45
Consultante (Documento3)
8 Usuario de BI METRO Bola de nieve Alimentos y Privado 45 (Documento2)
Bebidas
9 Usuario de BI METRO Bola de nieve Productos quimicos Privado 30 (Documento2)
10 Jefe de BI METRO Delphi Consultoría de TI Privado 34 (Documento2)
11 Jefe de BI METRO Delphi Productos quimicos Privado 43 (Documento2)
12 Jefe de BI METRO Delphi Consultoría de TI Privado 60 (Documentos 2 y 4) +
35
(Documento3)
13 Jefe de BI METRO Bola de nieve Consultoría de TI Privado 60 (Documento2) + 30
(Documento3)
14 Jefe de BI METRO Bola de nieve Seguro Privado 47 (Documento2)
15 Jefe de BI METRO Delphi Bancario Privado 46 (Documento2) + 40
(Documento3)
diecis Jefe de BI METRO Delphi Consultoría de BI Privado 40 (Documento2)
éis
17 Científico de datos METRO Delphi Software de BI Privado 33 (Documento2)
Proveedor
18 Científico de datos METRO Bola de nieve Seguro Privado 37 (Documento2)
19 Científico de datos F Bola de nieve Consultoría de TI Privado 30 (Documento2)
20 Científico de datos METRO Foro de BI Consultoría de TI Privado 83 (Documentos 2 y 4)
+40
(Documento3)
21 Científico de datos METRO Bola de nieve Bancario Privado 31 (Documento2)
22 Proveedor de BI METRO Delphi Software de BI Privado 55 (Documento2)
Proveedor
23 BI METRO Foro de BI Consultoría y Privado 115 (Documentos 2 y 4)
Asesor / Proveedor Consultivo
24 Dato de F Delphi Bancario Privado 73 (Documentos 2 y 4) +
governancia 30
Líder (Documento3)
25 Jefe de analítica METRO Bola de nieve Seguro Privado 33 (Documento4)
26 Jefe de analítica F Bola de nieve Bienestar público Público 35 (Documento4)
27 Administrador de METRO Bola de nieve Software de BI Privado 37 (Documento4)
datos Proveedor
28 Responsable de METRO Bola de nieve Consultoría de TI Privado 36 (Documento4)
datos
Depósito
29 Científico de datos METRO Foro de BI Consultoría de TI Privado 30 (Documento4)
30 Consultor BA METRO Bola de nieve Seguro Privado 40 (Documento4)
31 Proyecto de BI F Bola de nieve Consultoría de TI Privado 40 (Documento3)
Gerente
32 Científico de datos METRO Foro de BI Consultoría de TI Privado 35 (Documento3)
33 Arquitecto de BI METRO Foro de BI Bancario Privado 32 (Documento3)
34 Arquitecto de BI METRO Bola de nieve Consultoría de TI Privado 30 (Documento3)
35 Jefe de BI METRO Bola de nieve Agrícola Privado 30 (Documento3)
36 Jefe de analítica F Foro de BI Consultoría de TI Privado 30 (Documento3)
37 Jefe de analítica F Foro de BI Consultoría de TI Privado 35 (Documento3)

99
38 Jefe de analítica METRO Bola de nieve Consultoría y Privado 45 (Documento3)
Servicios de
asesoramiento

10
4.3 Recopilación de datos
Las técnicas de recolección de datos involucraron la realización de un estudio
Delphi fundamentado con seguimiento y entrevistas cualitativas utilizando el
método de entrevista a expertos. Cada técnica se detalla a continuación.

4.3.1 Entrevistas cualitativas

Las entrevistas cualitativas fueron la principal fuente de datos en esta tesis. La
técnica de entrevista de expertos de Meuser y Nagel (2009) se utilizó para
realizar entrevistas semiestructuradas con expertos en BI&A de diversas
industrias en Noruega. Este enfoque es un método de investigación empírica
cualitativa diseñado para explorar el conocimiento experto (Meuser y Nagel,
2009). Por lo tanto, se eligió este método porque permite que esta tesis se base en
la práctica actual y el método proporciona información rica y profunda sobre el
dominio de interés. Se seleccionó el método de entrevista semiestructurada para
ofrecer el mérito de utilizar una lista de temas predeterminados en una entrevista
estructurada al tiempo que se garantiza la flexibilidad adecuada para permitir que
el entrevistado hable libremente sobre cualquier tema de la entrevista.

En total, se realizaron 46 entrevistas con 38 informantes. La recolección de datos

se llevó a cabo desde octubre de 2016 hasta marzo de 2018 (Figura 4.1). De los
38 informantes, 15 son expertos que participaron en el estudio Delphi. Cada
entrevista duró entre 30 y 120 minutos y se llevó a cabo principalmente a través
de reuniones cara a cara o por teléfono. En la investigación exploratoria, se
recomiendan las entrevistas personales porque permiten discusiones integrales.
Las entrevistas se llevaron a cabo principalmente en inglés, y las declaraciones
noruegas se tradujeron al inglés. Las preguntas fueron principalmente abiertas,
por lo que los informantes tuvieron la posibilidad de explorar sus experiencias y
puntos de vista (Yin, 2017).

Al comienzo de cada entrevista, se pidió a los informantes que describieran

brevemente cómo trabajan actualmente con BI&A. Además, se les proporcionó el
estado de adopción de BI&A PYME de acuerdo con la literatura. El enfoque de
las entrevistas varió según las profesiones de los entrevistados. El objetivo
principal de realizar las entrevistas fue explorar la adopción de BI&A en las
pymes noruegas y obtener una mejor comprensión de la adopción de BI&A. La
guía de entrevistas se desarrolló y se centró explícitamente en la implementación,
10
utilización y creación de valor de BI&A para PYMES (Apéndice A).

10
Todos los informantes dieron su consentimiento para que se grabara su
entrevista. Se anotaron algunos temas interesantes mencionados en la entrevista.
Sin embargo, la toma de notas nunca interrumpió el flujo de la conversación de la
entrevista. Inmediatamente después de las entrevistas, se revisaron las notas para
identificar qué puntos importantes se hicieron. Cualquier aclaración se realizó
por correo electrónico y comunicación telefónica.

4.3.2 Estudio Delphi

La técnica Delphi está diseñada como un proceso de comunicación grupal con el
objetivo de recolectar opiniones y discusiones de expertos sobre un tema en
particular (Yousuf, 2007). Como afirmaron Hsu y Sandford (2007), “Las
encuestas comunes intentan identificar 'lo que es', mientras que la técnica Delphi
intenta abordar 'lo que podría / debería ser'”. Por lo tanto, este método alcanzará
adecuadamente la meta. de este estudio. El propósito del estudio Delphi es
generar una lista de impulsores e inhibidores identificados y priorizados por
expertos en la adopción de BI&A de PYMES. Esto se logra al obtener consenso
sobre las listas de impulsores e inhibidores entre los expertos en BI&A. Estos
impulsores e inhibidores pueden ser beneficiosos para los profesionales que se
embarcan, lideran y participan en proyectos de BI&A.

El estudio Delphi se aplicó en estrecha colaboración con mis supervisores.

Participaron activamente a través del diseño, la recopilación de datos, el análisis
de datos de los resultados de Delphi y las entrevistas de seguimiento. Para
asegurar la validez y credibilidad del estudio, se diseñó con base en los principios
y lineamientos encontrados en la literatura Delphi (Okoli y Pawlowski, 2004,
Day y Bobeva, 2005, Keil et al., 2013, Hsu y Sandford, 2007). La comunicación
con los expertos se realizó principalmente a través de correspondencia por correo
electrónico para mayor comodidad. El estudio tomó cuatro rondas: lluvia de
ideas, reducción y dos rondas de clasificación (Okoli y Pawlowski, 2004).
Después de la primera ronda, se pidió a los expertos que validaran la lista de
factores de adopción de BI&A para PYMES antes de continuar con el estudio en
la siguiente ronda. También se realizaron entrevistas de seguimiento con 12 BI &
A los expertos que participan en el estudio Delphi. Los estudios Delphi pueden
beneficiarse de las entrevistas de seguimiento con expertos al obtener
elaboraciones de la lista de elementos seleccionados (Day y Bobeva, 2005, Keil

10
et al., 2013). El propósito de las entrevistas era obtener una comprensión
profunda de por qué los expertos consideraban que algunos elementos eran más
importantes que otros. La Figura 4.2 describe el proceso del estudio Delphi y las
entrevistas de seguimiento.

10
  Se pidió a los expertos que proporcionaran cinco impulsores y cinco inhibidores
Ronda 1: Lluvia de para la adopción de BI&A en las pymes, junto con comentarios.
ideas  Todos los ítems de los expertos para las dos preguntas fueron consolidados por los
investigadores.
(39 Expertos)  La lista preliminar contenía 38 controladores y 29 inhibidores
Junio - septiembre 2017  Se preguntó a los expertos si estaban de acuerdo con la lista preliminar de
impulsores e inhibidores
 La lista final arrojó 38 controladores y 29 inhibidores

Ronda 2: Reducción (36  Se pidió a los expertos que seleccionaran los impulsores e inhibidores más
expertos) importantes de la lista, con una selección mínima de 10 y máxima de 15
Octubre - noviembre de  La lista se redujo dando como resultado una lista reducida de 18 controladores y 18
inhibidores
2017

Ronda 3: Clasificación
(34 Expertos)
Diciembre - Febrero 2018
 Se presentó a los expertos una lista de elementos basada en la lista final de la
Ronda 2
 Se pidió a los expertos que clasificaran cada elemento de las dos preguntas
y ofrecieran algunos comentarios.
 Lista clasificada de 18 conductores y 18 inhibidores con bajo nivel de acuerdo

 A los expertos se les presentaron los puntajes promedio y sus clasificaciones

individuales para cada ítem de la Ronda 3
Ronda 4: Re-
 Se ofreció a los expertos la oportunidad de cambiar sus clasificaciones y
clasificación ofrecer algunos comentarios.
(34 Expertos)  Lista clasificada final de 18 conductores y 18 inhibidores con un nivel
Marzo - Mayo medio de acuerdo
2018

Entrevista de seguimiento (12 expertos)

Junio ​de 2018 Se preguntó a los expertos sobre sus opiniones con respecto a la lista clasificada final de 18 impulsores y 18 inhi

Figura 4.2: Resumen de las fases Delphi y entrevistas de seguimiento

El anonimato del estudio Delphi permite a los panelistas expresar libremente sus
opiniones sin presiones sociales indebidas para ajustarse a otros miembros del
grupo. Todas las encuestas se enviaron por separado por correo electrónico para
garantizar el anonimato total. Las opciones de diseño del estudio Delphi se
resumen en la Tabla 4.3.

Tabla 4.3: Diseño del estudio Delphi

Criterios
Propósito del estudio
Numero de rondas
Criterios para el panel Delphi
Modo de operación
Elección
Identificación de factores que influyen en la adopción de BI&A en PYMES
4 rondas y entrevistas de seguimiento con algunos de los expertos
Expertos en adopción de BI&A con amplia experiencia de mínimo 5 años
Acceso remoto

10
Anonimato del panel Lleno
Medios de comunicación Computarizado (es decir, correo electrónico)
Simultaneidad de rondas Conjunto secuencial de rondas (lluvia de ideas, reducción y dos
clasificaciones)

10
La primera ronda del proceso Delphi comienza tradicionalmente con un
cuestionario abierto (Hsu y Sandford, 2007) que sirve como piedra angular para
solicitar información específica sobre un área de contenido de los sujetos Delphi
(Custer et al., 1999). También es aceptable en el proceso Delphi utilizar un
cuestionario estructurado de primera ronda. La primera ronda es una lluvia de
ideas, donde dos preguntas adquirieron conocimiento sobre los factores que
influyen en la adopción de BI&A: (1) ¿Cuáles son los impulsores (diferentes
factores que contribuyen a la adopción) de la adopción de BI&A de las PYMES?
(2) ¿Cuáles son los inhibidores (desafíos, problemas) de la adopción de BI&A de
las PYMES?

Junto con estas dos preguntas, se adjuntaron al archivo de Microsoft Word

instrucciones sobre cómo responder el cuestionario y la descripción del estudio.
Se pidió a cada experto que proporcionara al menos cinco elementos con
comentarios complementarios tanto para los impulsores como para los
inhibidores y, si era posible, justificara su importancia.

A los expertos se les dio al menos dos semanas para responder el primer
cuestionario. Casi la mitad respondió en una semana. Sin embargo, se enviaron
varios recordatorios a otros expertos antes de recibir el resto de los cuestionarios.
En esta primera ronda, cuatro expertos se negaron a participar debido a
problemas de carga de trabajo. Se analizaron las respuestas de los 39 expertos al
primer cuestionario y se utilizó el marco de TOE para agrupar los elementos en
categorías de TOE. Esto resultó en una lista consolidada de 38 impulsores y 29
inhibidores (Tabla A1 y A2 en el Documento 5). Por lo tanto, los expertos
validaron la lista para asegurarse de que todos los elementos se incluyeron y se
interpretaron adecuadamente. Se dieron dos semanas a los expertos para
completar esta tarea. Desafortunadamente, muchos expertos necesitaron más de
dos semanas debido a la carga de trabajo y los problemas de salud. Todos los
expertos validaron con éxito las listas con pocos comentarios para mejorar la
aclaración de elementos y ayudar a erradicar elementos similares. La lista de
impulsores e inhibidores fue aceptada por expertos y lista para la siguiente ronda.

En la ronda de reducción, se envió a cada experto una lista clasificada

aleatoriamente de los 67 elementos (38 impulsores y 29 inhibidores)
identificados en la ronda de intercambio de ideas. Se pidió a los expertos que
10
seleccionaran entre un mínimo de 10 y un máximo de 15 elementos importantes
de las listas de impulsores e inhibidores. Cada elemento de la lista se proporcionó
con una breve descripción para garantizar la claridad antes de la selección. El
propósito de esta ronda era reducir las dos listas de elementos a un número más
manejable de impulsores e inhibidores antes de comenzar la siguiente ronda
(Schmidt, 1997). A los expertos se les dio dos semanas para completar esta
ronda. Pocos expertos han pedido

10
más tiempo para completar el cuestionario. Sin embargo, tres expertos no
pudieron participar en esta ronda por motivos personales. En total, 36 expertos
lograron completar esta ronda.

En la ronda de clasificación, se pidió a los expertos que clasificaran

aleatoriamente las listas de elementos organizadas para decidir sobre la
importancia relativa de los elementos. El objetivo de esta ronda fue clasificar las
listas de 18 conductores y 18 inhibidores. A los expertos se les dio tres semanas
para completar esta ronda. Dos expertos más no lograron completar esta ronda
debido a los apretados horarios de trabajo. Así, el consenso de los 34 expertos se
midió calculando la clasificación media y el coeficiente de concordancia de
Kendall (W) (Kendall y Gibbons, 1990). Desafortunadamente, el nivel de
concordancia de W = 0,7, que se considera el alto nivel de acuerdo para los
estudios Delphi, no se alcanzó en esta ronda (Schmidt, 1997).

Se realizó otra ronda de clasificación para aumentar el valor de los valores W de

Kendall. En esta ronda de reordenación, se distribuyó a los expertos la
clasificación promedio de los elementos y sus clasificaciones individuales de la
primera ronda de clasificación. Además, se pidió a los expertos que revisaran la
lista promedio de clasificaciones y se les brindó la oportunidad de cambiar sus
clasificaciones originales si no estaban de acuerdo. La encuesta de la ronda de
reclasificación se creó en Microsoft Excel con tres hojas (Apéndice A). La
primera hoja consta de las instrucciones para completar la encuesta y la
explicación de cómo realizar otra ronda de clasificación. La segunda y tercera
hojas constan de la lista de clasificación promedio de 18 conductores y 18
inhibidores con comentarios, la clasificación original del experto y un espacio
para una nueva clasificación si no están de acuerdo.

De los 34 expertos, solo tres no hicieron ningún cambio y mantienen su

clasificación original. Se alcanzó un grado moderado de consenso después de
completar la ronda de reclasificación. A pesar de no alcanzar el nivel de
concordancia de W = 0,7, la ronda de reclasificación fue la última ronda del
proceso Delphi. Según la literatura, el número de iteraciones Delphi puede variar
de tres a cinco y depende en gran medida del grado de consenso buscado por los
investigadores (Hsu y Sandford, 2007). Según la última ronda, varios expertos
mostraron menos interés en otra ronda de estudio. Realizar una tercera
10
clasificación puede disminuir la validez de los resultados.

11
Las entrevistas de seguimiento con 12 expertos que participaron en el estudio
Delphi se realizaron en junio de 2018. El objetivo era utilizar los hallazgos de
estas entrevistas de seguimiento para obtener una comprensión profunda de por
qué los expertos consideraban que algunos elementos eran más importantes que
otros. A los expertos se les hicieron las siguientes preguntas: (1) ¿Cuál es su
opinión sobre las listas clasificadas finales de conductores e inhibidores? (2) ¿Por
qué son importantes los principales impulsores e inhibidores? ¿Por qué algunos
elementos son más importantes que otros? Las entrevistas semiestructuradas se
realizaron en persona o por teléfono, y cada entrevista duró entre 15 y 25
minutos. La Tabla 4.4 proporciona una descripción general de las entrevistas de
seguimiento con 12 expertos.

Tabla 4.4: Resumen de las entrevistas de seguimiento para el estudio

Delphi
No. Posición Género Industria Sector Duración de la entrevista (en
minutos)
1 Proveedor de BI METRO Proveedor de software Privado 25
de BI
2 Asesor de BI METRO Consultoría de TI Privado 20
3 Asesor de BI METRO Consultoría de Privado 15
inversiones
4 Asesor de BI METRO Acuicultura Privado 20
5 Consultor de BI METRO Consultoría de TI Privado 20
6 Consultor de BI METRO Consultoría de BI Privado 15
7 Consultor de BI METRO Consultoría de TI Privado 18
8 Arquitecto de BI METRO Consultoría de BI Privado 22
9 Jefe de BI METRO Consultoría de TI Privado 25
10 Jefe de BI METRO Consultoría de TI Privado 20
11 Jefe de BI METRO Consultoría de BI Privado 21
12 Jefe de BI METRO Consultoría de TI Privado dieciséis

4.4 Análisis de los datos

Para el estudio Delphi, todos los elementos generados por los expertos del primer
cuestionario se registraron en una hoja de cálculo, se discutieron y codificaron.
La primera ronda arrojó 435 ítems, con 227 conductores y 208 inhibidores. Se
fusionaron y combinaron elementos similares y se eliminaron los significados
duplicados. Esto resultó en 250 elementos (139 conductores y 111 inhibidores)
agrupados en las categorías de TOE. Después de aplicar el marco TOE, una
combinación adicional y la fusión de los elementos dio como resultado 67
elementos, con 38 impulsores y 29 inhibidores. Esta lista de impulsores e
inhibidores fue validada por los expertos para garantizar que todos los elementos

11
de la primera ronda se incluyeron e interpretaron de manera adecuada.

Dado que el propósito del estudio Delphi era mejorar la comprensión y explorar
los factores que influyen en la adopción de BI&A en las pymes noruegas, el
estudio no fue

11
contextualizado en base a conocimientos previos. Idealmente, el estudio comenzó
con un alcance más amplio sobre los elementos que progresaron con la respuesta
y las entrevistas con los panelistas. Por tanto, todos los ítems identificados en
este estudio han sido contextualizados por los panelistas. Un elemento
relacionado con el Reglamento general de protección de datos no se incluyó en la
lista durante la validación. Antes de continuar con la fase de reducción, un
panelista sugirió incluir el elemento que faltaba (Figura 4.3). El resto de
panelistas aprobaron las listas de impulsores e inhibidores en la fase de
validación.

El análisis de las respuestas en esta fase de reducción implicó calcular el

porcentaje del total de votos que cada ítem obtuvo de los expertos. La intención
era reducir las dos listas de elementos a un número más manejable de impulsores
e inhibidores. En este sentido, los ítems seleccionados por más del 50% de los
expertos fueron seleccionados para la fase de clasificación. Por lo tanto, los 38
controladores y 29 inhibidores se redujeron a 18 controladores y 18 inhibidores.

Los resultados de la fase de clasificación se analizaron calculando la clasificación

media y el coeficiente de concordancia de Kendall (W) (Kendall y Gibbons,
1990). Esto se realizó con Microsoft Excel. Los valores de W de Kendall se
calcularon para medir el consenso entre expertos. El método de Kendall es el
método más popular para medir la concordancia actual (la lista ordenada por
rangos medios) con una solución de mínimos cuadrados, principalmente debido a
su simplicidad (Schmidt, 1997). El nivel de acuerdo entre los panelistas fue
inferior a 0,7, lo que, según Schmidt (1997), es un acuerdo muy débil. Los
valores de W de Kendall fueron W = 0,17 para controladores y W = 0,23 para
inhibidores.

Los resultados de la fase de reclasificación también se analizaron calculando la

clasificación media y el coeficiente de concordancia de Kendall (W) utilizando
Microsoft Excel. Aunque no se alcanzó el nivel más alto de acuerdo, el nivel de
acuerdo mejoró en esta fase. Los valores de W de Kendall fueron W = 0,47 para
los conductores y W = 0,50 para los inhibidores, un nivel moderado de acuerdo.
Los 18 conductores principales y los 18 inhibidores se clasificaron en una tabla
junto con su promedio. Las tablas indicaban claramente las variaciones en la
clasificación de los ítems entre la primera y la segunda rondas (Tabla 2 y 3 en el
11
Documento 5).

11
 Figura 4.3: Ejemplo de análisis de la lista de conductores en función de la ronda de
validación

Después de explorar, identificar y clasificar los impulsores e inhibidores más

importantes, realicé entrevistas de seguimiento con algunos expertos en BI&A
para obtener una comprensión profunda de los expertos en BI&A que consideran
elementos particulares más importantes que otros. También examiné las
conexiones entre los elementos clasificados. Como se mencionó anteriormente,
utilicé principios del método Delphi fundamentado (Päivärinta et al., 2011).
Posteriormente, surgieron nuevos conceptos centrales a partir de los hallazgos de
Delphi. El enfoque fundamentado apoyó el desarrollo de la teoría basada en los
datos de Delphi. El proceso de codificación reveló las interrelaciones entre los
elementos de las categorías principales de impulsores e inhibidores (TOE). En
este proceso, utilicé tanto los hallazgos de la ronda de lluvia de ideas como las
entrevistas de seguimiento. Aplicando principios de codificación axial y
selectiva,

Para la entrevista cualitativa, las entrevistas grabadas por expertos y las

entrevistas de seguimiento de Delphi se transcribieron y analizaron utilizando
NVivo. El análisis de datos se realizó mediante el análisis temático de Braun y
Clarke (2006). La primera fase fue la familiarización, donde los datos se
apreciaron fundamentalmente como datos y se conectaron de diferentes maneras.
11
En esta fase, se notaron las posibilidades y conexiones entre los participantes, los
datos y la literatura existente. Los datos fueron leídos y

11
releer. Se tomaron algunas notas sobre los elementos individuales y todo el
conjunto de datos. En la siguiente fase, se generaron códigos para un
compromiso más detallado y sistemático con los datos. La fase de codificación
identificó de manera sucinta y sistemática el significado a través del conjunto de
datos. Las características interesantes de los datos se codificaron y recopilaron
sistemáticamente (Tabla 4.5). Se realizó una orientación inductiva de la
codificación iniciando el proceso analítico de los datos, trabajando "de abajo
hacia arriba" e identificando el significado de los datos sin importar ideas.

Tabla 4.5: Ejemplo de codificación

Datos Código
Experto n. ° 6: Entonces, mi mayor recomendación si está pensando en Data Lake como áreas de
Data Lake (DL), use la DL y almacene los datos, todo, almacene todo allí. preparación o fuentes para
Y utiliza las tecnologías que se ajustan a los datos que va a almacenar allí. almacenamiento de datos
[….] Y luego seleccionó los datos que necesita de la DL y los llevó a su
Datawarehouse (DW), y luego transformó sus datos de su DL
en un modelo de datos estructurados y luego los reporta.
Experto # 12: Porque cuando vuelves a esto, ¿qué viene primero? [….] DW Dato de governancia
es lo primero y luego el gobierno de datos, eso significa que cuando
construimos el DW, cuando construimos esas cosas, realmente jugamos
como un gobierno de datos. Y comenzamos a hacer el trabajo como debería
haberlo hecho la gobernanza de datos, pero no está allí porque aún no se
estableció. Básicamente, lo que está haciendo nuestro líder de gobernanza
de datos ahora es asumir lo que hemos hecho hasta ahora y tratar de
estructurar
datos y hacerlo en toda la empresa y eso es un trabajo enorme.
Experto n. ° 15: Sí, si comenzamos por la fruta más baja, sería la Valor comercial de BI&A
automatización de la recopilación, integración y puesta a disposición de los
datos. Coordinación de producción de informes, cuadros de mando y
análisis. Siempre que ya produzcan esas cosas manualmente, un valor clave
sería automatizarlas porque esa es la reducción de costos. Lo siguiente
sería dar más
conocimiento del negocio.

Para continuar con el proceso activo de la fase anterior, se realizó la construcción

del tema. En esta fase, se recopilan códigos similares junto con los datos
asociados. Por lo tanto, los temas se construyen, moldean y prueban en relación
con las preguntas de investigación. La siguiente fase fue la revisión y definición
de temas. Esta fase ayudó a aclarar la esencia y el alcance de cada tema. Todos
los datos codificados se recopilaron para cada tema candidato y se revisaron para
garantizar que cada tema y el nombre del tema capturaran de manera clara y
completa el significado de los datos y cómo se relacionan con la pregunta de
investigación. La fase final produjo el informe de análisis, presentado en la
sección de resultados de cada publicación.

11
4.5 Problemas de validez
En esta sección se analizan los problemas de validez asociados con el estudio
Delphi y las entrevistas cualitativas.

Los estudios Delphi se han explorado en varios campos, como los estudios
gubernamentales, médicos, ambientales, comerciales, industriales y sociales (Day
y Bobeva, 2005). Es un método ampliamente aceptado para lograr una
convergencia de opiniones sobre el conocimiento del mundo real de expertos en
ciertas áreas temáticas (Hsu y Sandford, 2007). El tamaño del grupo Delphi no
depende del poder estadístico, sino de la dinámica del grupo para alcanzar un
consenso de expertos. No existe una definición clara de un tamaño de panel ideal
en la literatura. La mayoría de los investigadores sugieren un tamaño de panel
entre
15 y 50 participantes (Kezar y Maxey, 2016). Los informantes son siempre
anónimos entre sí, pero nunca para el investigador. Esto ofreció más
oportunidades para aclarar más datos cualitativos. Los problemas de falta de
respuesta en el estudio Delphi fueron muy bajos, ya que obtuve la garantía de
participación.

En la fase de reducción, se genera una lista aleatoria de impulsores e inhibidores

para evitar influir en las decisiones de los informantes sobre la elección de los
impulsores e inhibidores más importantes (Okoli y Pawlowski, 2004). De manera
similar, se envió una lista ordenada al azar de impulsores e inhibidores a cada
informante en la primera ronda de clasificación para eliminar el sesgo. Los
cuestionarios se enviaron a cada experto en un correo electrónico separado para
reducir la influencia de los individuos dominantes (Dalkey, 1969). En la segunda
fase de clasificación, se pidió a cada informante que considerara la lista promedio
de clasificaciones y se les dio la oportunidad de cambiar sus clasificaciones
originales. Todos los informantes conocían el propósito de compartir la
clasificación promedio de los ítems, que era obtener un consenso de expertos
(Okoli y Pawlowski, 2004). Cuadro 4.

Tabla 4.6: Aspectos de validez del estudio

Delphi
Criterios de Descripción
evaluación
Niveles de confianza  Como investigador, actué puramente como facilitador y no como participante y realicé

11
 las siguientes actividades para completar el estudio Delphi (es decir, enviar todo el
cuestionario a los panelistas, manejar y aclarar la consulta del panelista y enviar
recordatorios de fechas límite a los panelistas.
 Como investigador, fui cauteloso con las interpretaciones subjetivas de la lista
consolidada de impulsores e inhibidores. Se pidió a los panelistas que validaran la lista
durante una fase de validación después de la fase de lluvia de ideas. Los panelistas
también tuvieron la oportunidad de escribir comentarios y justificaciones en la fase de
clasificación y reclasificación al elegir los más
factores e inhibidores importantes, como sé, “la falta de comprensión del contexto de la

11
 Criterios de Descripción
evaluación
el consenso puede llevar a una falla posterior en la captura de información contextual
importante ”(Day y Bobeva, 2005) p.112.
 En la fase de reducción, los elementos con más del 50% de los votos de los panelistas
se seleccionaron en la fase de clasificación, lo que arrojó una lista de 18 impulsores y
18 inhibidores.
 Se aplicó la W de Kendall como análisis estadístico para medir el nivel de acuerdo
entre los panelistas y eliminar sesgos (Hsu y Sandford, 2007).
 Los factores psicológicos que causan errores aleatorios y sistemáticos que afectan el
estudio son difíciles de detectar y reconocer (es decir, presiones laborales, el momento
en que se completó la encuesta o el estado de ánimo del informante) (Day y Bobeva,
2005). Esto pudo haber ocurrido en la fase de validación, eligiendo los ítems más
importantes, clasificando y
clasificando la lista.
Rigor  Los comentarios de los panelistas sobre la lista consolidada de impulsores e
inhibidores fueron recibidos, reconocidos y reflejados adecuadamente, especialmente
los comentarios que implicaron
cambios contextuales.
Credibilidad  Las entrevistas de seguimiento con los informantes sirvieron como medio de
triangulación para brindar mejores descripciones de los ítems generados.
 Han surgido diferentes perspectivas entre los panelistas a partir de las clasificaciones
individuales y las entrevistas de seguimiento, que podrían atribuirse a los diferentes
antecedentes,
experiencia y puestos de trabajo de cada panelista.

En las entrevistas cualitativas, los informantes fueron contactados por correo

electrónico o por teléfono para aclarar o manejar cuestiones no aclaradas con
respecto a sus declaraciones durante la entrevista. Al realizar entrevistas con
informantes noruegos, les di la oportunidad de hacer la entrevista en noruego.
Todos mis informantes noruegos se sintieron lo suficientemente cómodos como
para expresarse en inglés. Por lo tanto, las barreras del idioma no fueron un
problema en la entrevista cualitativa ni en el estudio Delphi, ya que todos los
panelistas tenían la confianza suficiente para completar todo el estudio en idioma
inglés. La Tabla 4.7 demuestra los principios para realizar y evaluar la
investigación interpretativa de SI de Klein y Myers (1999) aplicados para evaluar
esta investigación.

Tabla 4.7: Cuestiones de validez basadas en los principios de la investigación

interpretativa de SI
Principio Objetivo Ejemplos de cómo se abordó esto
1. El principio La interpretación iterativa de los Analizando los datos recopilados, como las
fundamental del significados interdependientes de las respuestas al estudio Delphi, las entrevistas con
círculo partes y el todo que forman. los informantes, la literatura, la teoría y toda la
hermenéutico adopción de BI&A
fenómeno.
2. El principio de El reflejo de los antecedentes Considerando los antecedentes y experiencia del
contextualizació sociales e históricos del ámbito de la informante sobre el fenómeno en estudio y el

12
 n investigación. puesto de trabajo del informante durante la
colaboración del estudio.
Incluyendo citas de informantes en la
investigación
Publicaciones.
3. El principio de La reflexión sobre cómo se Recopilando los conocimientos de los informantes
interacción entre construyeron los datos a través de la a través de una encuesta Delphi, entrevistas
los investigadores y interacción entre el investigador y cualitativas y reflexiones.
los sujetos los informantes. Al desafiar la corriente del investigador

comprensión de los fenómenos a través de la

perspectiva del experto.

12
Principio Objetivo Ejemplos de cómo se abordó esto
4. El principio de La aplicación del primer y segundo Abordando los resultados desde diferentes lentes
abstracción y principio a la comprensión teórica. teóricos. Discutir los hallazgos reales
generalización de los fenómenos en estudio. con colegas en talleres y conferencias.
5. El principio del La sensibilidad a las posibles Modificando temas de codificación en función de
razonamiento contradicciones entre la teoría los datos generados.
dialógico existente que guía el diseño de la
investigación
y los hallazgos reales.
6. El principio de La sensibilidad a Considerando las diferencias en las perspectivas
múltiples posible diferencias en de los informantes con el fenómeno en estudio.
interpretaciones interpretaciones y
experiencias entre informantes.
7. El principio de La sensibilidad a los posibles sesgos Al revisar los ítems generados a partir del primer
sospecha y distorsiones en la interpretación cuestionario Delphi, se pidió a cada experto que
del informante. validara la lista de ítems para asegurarse de que
todos los ítems fueran incluidos e interpretados
apropiadamente.
Al aclarar algunas cuestiones no aclaradas en los
datos cualitativos, se contactó a los informantes
a través de correo electrónico o teléfono.

12
5 Publicaciones de investigación
Este capítulo presenta una descripción general de las publicaciones de
investigación de la tesis. La lista de publicaciones se presenta en la Tabla 5.1.
Las versiones de texto completo de estos artículos se pueden encontrar en el
Apéndice B.

Tabla 5.1: Resumen de publicaciones de

investigación

No. Publicación Salida de publicación

1 Llave, MR (2019) Una revisión de
Business Intelligence y Analytics en
pequeñas y medianas empresas.
2 Llave, MR, Hustad, E. y Olsen, D.
H. (2018). Creación de valor a partir
de inteligencia empresarial y análisis
en pymes: conocimientos de expertos.
3 Llave, MR y Olsen, DH (2018).
Impulsores de la creación de valor
basada en inteligencia empresarial: la
visión del experto
4 Llave, MR (2018) Data Lakes en
Business Intelligence: Reporting from
the Trincheras.
5 Llave, MR, Hustad, E. y Olsen, D.
H. Creación de valor comercial
estratégico
de BI&A: Navegando en la desesperada
situación entre la inversión y el
rendimiento
Aceptado a la Internacional
Revista de investigación de
inteligencia empresarial
(IJBIR).
Actas de la 24a Conferencia de las
Américas sobre Sistemas de
Información (AMCIS), Nueva
Orleans, Luisiana,
ESTADOS UNIDOS.
Actas de la XII Conferencia
Mediterránea sobre Sistemas de
Información (MCIS),
Corfú, Grecia.
Actas de la Décima
Conferencia Internacional sobre
Sistemas de Información
Empresarial
(CENTERIS), Lisboa, Portugal.
En revisión - Revista de
sistemas de información
estratégicos

5.1 Documento 1: Revisión de inteligencia empresarial y análisis en

pequeñas y medianas empresas
Al embarcarse en un esfuerzo de investigación, una revisión de la literatura es
vital para evaluar la investigación previa e identificar estudios significativos
dentro del dominio de interés. El objetivo es proporcionar una revisión completa
de la literatura sobre BI&A en el entorno de las PYME. La revisión se llevó a
12
cabo y se centró en las siguientes preguntas de investigación:

(1) ¿Qué temas de investigación de BI&A en PYMES se han abordado en

investigaciones anteriores?
(2) ¿Cuáles son los temas de investigación pertinentes sobre BI&A en PYMES
que deberían abordarse en el futuro?

12
Actualmente no existe una revisión y evaluación exhaustivas de este dominio de
investigación. Creo que esta revisión de la literatura genera más conocimientos
que contribuyen a la comprensión en este dominio e inspiran futuras
investigaciones relacionadas.

5.1.1 Presentación
El primer artículo aplicó un método integral y sistemático para la revisión de
Kitchenham (2004). Esta revisión de la literatura cubrió artículos publicados
entre 2000 y 2018. Se identificaron y revisaron un total de 78 artículos. Para
presentar los hallazgos del estudio, estos artículos fueron categorizados
utilizando el método centrado en conceptos de Webster y Watson (2002). Se
describió la distribución de la fuente de publicación, el año de publicación, el
estado de la cita y el método de investigación de los artículos incluidos. Esta
revisión resumió los temas de investigación existentes, identificó brechas de
investigación y presentó sugerencias de investigación futura.

5.1.2 Recomendaciones
La revisión identificó varias lagunas en la investigación. Los párrafos siguientes
proporcionan una breve discusión de esas lagunas relacionadas con mi trabajo de
investigación.

Primero, es crucial tener una comprensión detallada de los componentes de

BI&A para lograr un diseño de arquitectura sólido y una implementación exitosa
de BI&A. Sin embargo, hay una falta de enfoque en la comprensión de los
componentes de BI&A y su importancia al embarcarse en un proyecto de BI&A.
Hay estudios que abordan los componentes de BI&A (Gupta y George, 2016,
Mikalef et al., 2017), pero no informaron sobre el contexto específico de las
PYME. Por lo tanto, se necesitan más estudios que exploren el propósito de los
componentes de BI&A para evaluar la preparación de las PYME para las
iniciativas de BI&A.

En segundo lugar, la mayor parte de la literatura existente se refiere a las pymes

manufactureras tradicionales que emplean BI&A. Por lo tanto, hay una falta de
investigación sobre los diferentes tipos de industrias que aplican BI&A. Estos
estudios pueden resultar en diferentes hallazgos de investigación y ayudar a que

12
BI&A sea más común en las PYMES. Por lo tanto, se necesita más investigación
sobre varios tipos de industrias que emplean BI&A para sus negocios.

En tercer lugar, hay una falta de investigación sobre diferentes tecnologías y

técnicas para ampliar las capacidades de BI&A tradicionales. Por ejemplo,
expandir la selección de iniciativas de BI&A como implementar BI&A con o sin
almacenes de datos,

12
aplicando el enfoque de almacenamiento de datos automatizado y técnicas de
aprendizaje automático. Por lo tanto, estos problemas necesitan más
investigación.

Por último, capturar el valor empresarial de BI&A puede ofrecer diferentes

perspectivas. Requiere que las PYME vayan más allá de la implementación
técnica. Sin embargo, pocos estudios evalúan los beneficios de BI&A. Aunque en
la literatura se ha enfatizado la importancia de comprender los diferentes
mecanismos y procesos para crear valor empresarial BI&A (Mikalef et al., 2017),
faltan estudios para mejorar la comprensión del valor empresarial BI&A y cómo
estos sistemas pueden ayudar a crear inteligencia. Es crucial investigar cómo
BI&A crea valor comercial y cómo los factores afectan la creación de valor.

5.2 Documento 2: Creación de valor a partir de la inteligencia

empresarial y el análisis en las pymes: conocimientos de expertos
Este segundo artículo se basa en un estudio exploratorio con expertos en BI&A.
En este estudio, es importante cómo BI&A permite el uso de la información y
cómo convierte los datos en información utilizable (Larson y Chang, 2016).
Dado que las pymes se diferencian de las grandes empresas en muchos aspectos,
es fundamental comprender cómo las pymes transforman los datos en
información significativa mediante el uso de BI&A. Investigamos estos
problemas al abordar esta pregunta de investigación: ¿Cómo están creando valor
las PyMEs a partir de los sistemas BI&A?

5.2.1 Presentación
El objetivo de este documento es investigar la implementación, utilización y
creación de valor de BI&A. Al realizar un estudio exploratorio, se realizaron 24
entrevistas con expertos de organizaciones de usuarios y proveedores de
diferentes industrias. El análisis de datos se concentró en cuestiones que afectan
la forma en que las PYME implementan, utilizan y crean valor a partir de sus
inversiones en BI&A. Este estudio adaptó un marco de valores de Trieu (2017),
combinando varios marcos conocidos de la literatura de SI que utiliza un enfoque
de teoría de procesos (Soh y Markus, 1995, Melville et al., 2004, Schryen, 2013)
para comprender los procesos de valor de BI&A. creación en una PYME. Estos
consisten en el proceso de conversión de BI&A, el proceso de uso de BI&A y el

12
proceso competitivo utilizado para organizar y presentar los resultados del
estudio.

12
5.2.2 Recomendaciones
El análisis de datos reconoció varios problemas críticos destacados por los
informantes observados en las pymes: estrategia de “empezar con poco, pensar
en grande”, inversión en BI&A sin un almacén de datos tradicional, BI&A con
un enfoque de almacén de datos automatizado y gobernanza de datos. Estos son
problemas de inversión de BI&A bajo el proceso de conversión de BI&A.

En primer lugar, "empezar con poco, pensar en grande" se considera una

estrategia de inversión en BI&A adecuada para las pymes. Dado que la mayoría
de las pymes tienen recursos limitados, una estrategia de inversión iterativa y
gradual ayudará a las pymes a obtener valor en ganancias rápidas. La mayoría de
los informantes explicaron que cuando la inversión en BI&A aporta valor a la
organización, será más fácil continuar con el proyecto. Varios informantes
señalaron la importancia de que BI&A sea dinámico y ágil para evolucionar en el
tiempo.

En segundo lugar, los almacenes de datos tradicionales son complejos y costosos

para las pymes. Por lo general, las PYME no tienen una necesidad real ni un
presupuesto para embarcarse en este proyecto. La mayoría de los informantes
enfatizaron la importancia del acceso inmediato a los datos para el análisis que
tener todos los datos en un solo lugar. Por lo tanto, consideraron BI&A sin
construir un data warehouse tradicional como una solución adecuada para las
pymes. Este tema no está cubierto en la literatura existente, por lo que es
necesario realizar más estudios sobre este tema.

En tercer lugar, el almacén de datos automatizado es otro medio para evitar el

proyecto de almacén de datos tradicional. Este enfoque es más rápido y
económico que el almacén de datos tradicional. También se considera una
solución viable para las pymes. Sin embargo, no existe ningún estudio empírico
sobre un enfoque de almacenamiento de datos automatizado. Este problema debe
investigarse más a fondo.

Otro tema que influye en el proceso de conversión de BI&A es la gobernanza de

datos. Muchos informantes explican que la gobernanza de datos significa tener
control sobre la disponibilidad, usabilidad, integridad y seguridad de los datos.
Por lo tanto, los informantes señalaron que la implementación del marco de
12
gobernanza de datos no es fácil. En el proceso de uso de BI&A, varios
informantes señalaron la diferencia contextual del uso de BI&A en varias
industrias. También percibieron varios beneficios importantes de BI&A, que
incluyen conocimiento del negocio, conocimiento del cliente, reducción de
costos y ventaja competitiva. Además, el

13
El proceso competitivo recibió la menor atención de los tres procesos de BI&A.
La mayoría de los informantes reconocieron su importancia en la creación de
valor de BI&A.

5.3 Documento 3: Impulsores para la creación de valor empresarial de

la inteligencia empresarial: la visión del experto
El artículo 3 se centró en la creación de valor empresarial de BI&A. Sin
embargo, a pesar de la popularidad del valor empresarial en la investigación de
SI (Schryen, 2013), poca investigación empírica ha abordado el valor empresarial
de BI&A (Elbashir et al., 2013). Es fundamental conocer más sobre los procesos
de creación de valor inducidos por BI&A. En este contexto, este estudio busca
dar respuesta a la siguiente pregunta de investigación: ¿Cuáles son los factores
que influyen en el proceso de creación de valor empresarial de BI&A?

5.3.1 Presentación
Evaluar el éxito de BI&A suele ser problemático ya que la mayoría de sus
beneficios son a largo plazo, indirectos y difíciles de medir (Seddon et al., 2010).
Este documento investigó los factores que influyen en la creación de valor basada
en BI & A. A través de un estudio exploratorio, se realizaron 16 entrevistas
semiestructuradas con expertos de diferentes industrias. El análisis de datos se
concentró en identificar los impulsores de implementación de la creación de
valor basada en BI&A y el valor comercial de BI&A. Como marco subyacente,
este estudio utilizó el mismo marco de Trieu (2017) para ilustrar la creación de
valor derivada de BI & A.

5.3.2 Recomendaciones
El análisis temático mostró que los informantes destacaron algunos factores que
afectan el proceso de creación de valor empresarial de BI&A. El análisis
reconoció cuatro impulsores de implementación significativos de la creación de
valor basada en BI & A: caso de negocio, estrategia de BI&A, gobernanza de
datos y adaptabilidad organizacional. La razón principal por la que el caso de
negocio afecta el proceso de conversión y uso de BI&A es porque la creación de
un caso de negocio para las PYMES ayuda a demostrar cómo vale la pena
invertir en BI&A. Según la mayoría de los informantes, incluir un caso de
negocio como parte de la estrategia empresarial puede garantizar que la inversión
13
en BI&A respaldará los objetivos estratégicos de una organización.

13
La estrategia de BI&A influye en todo el proceso de creación de valor de BI&A.
Varios informantes argumentaron que la formulación de una estrategia
proporciona un objetivo y una dirección a cualquier proyecto. La literatura
muestra la importancia de identificar las razones comerciales de una inversión,
los objetivos estratégicos y los objetivos de aplicación para cualquier solución
planificada (Hočevar y Jaklič, 2010). Por lo tanto, las empresas deben formular
objetivos comerciales y de TI para obtener valor de BI&A (Williams y Williams,
2010).

La inversión en BI&A puede resultar muy costosa cuando la información que

proporciona no es precisa o no cumple con las necesidades de información de las
empresas (Hočevar y Jaklič, 2010). El gobierno de datos mantiene la
confiabilidad, validez, integridad y responsabilidad de los datos para ayudar a
mejorar la calidad de los datos. Junto con la adaptabilidad organizacional, el
cambio organizacional es vital para aprovechar todo el potencial de BI&A
(Hribar Rajterič, 2010). Influye en la actitud de una organización hacia el uso de
BI&A (proceso de uso de BI&A). Según la literatura, existe una relación positiva
entre la calidad de la información y el uso de la información (Petter et al., 2008,
Citroen, 2011). Además, la calidad de la información y el uso de la información
son dos dimensiones para la creación de valor exitosa. La gobernanza de datos
afecta la BI y

Este estudio también documenta el principal valor empresarial de BI&A, incluida

la automatización, el conocimiento empresarial y el apoyo a la toma de
decisiones. Al identificar estos cuatro impulsores y presentar el valor comercial
obtenido de los sistemas BI&A, este estudio contribuyó a mejorar la comprensión
de la creación de valor basada en BI&A.

5.4 Documento 4: Data Lakes en Business Intelligence: informes desde

las trincheras
El cuarto artículo se basa en un estudio exploratorio con expertos en BI&A,
examina las capacidades del lago de datos en las empresas. El artículo 4 investiga
más a fondo este tema mediante estas preguntas de investigación:

(1) ¿Cuáles son los propósitos de implementar un lago de datos en la arquitectura

BI&A?

13
(2) ¿Cómo afectan los lagos de datos a la arquitectura BI&A de una empresa?
(3) ¿Cuáles son los beneficios y desafíos de implementar un lago de datos en la
arquitectura BI&A?

13
5.4.1 Presentación
Debido a los volúmenes y acumulaciones de datos sin precedentes conocidos
como big data, BI&A enfrenta nuevos desafíos y oportunidades emocionantes
(Ram et al., 2016). El big data ha llevado al surgimiento de tecnologías modernas
como el lago de datos y ha hecho posible adquirir una gran cantidad y variedad
de datos (Larson y Chang, 2016). Se necesitan datos para respaldar la toma de
decisiones en todos los niveles. Dado que los datos son la fuente subyacente de
BI&A, es crucial comprender cómo las tecnologías del lago de datos influyen en
BI&A.

El propósito del artículo 4 era explorar el papel del lago de datos en la

arquitectura de BI&A y descubrir cómo las empresas usan los lagos de datos.
Para ello, se realizaron 12 entrevistas semiestructuradas con expertos que tienen
experiencia práctica con BI&A y tecnologías de lago de datos. El análisis de
datos dio como resultado beneficios, propósitos y desafíos percibidos de las
tecnologías de lago de datos.

5.4.2 Recomendaciones
Este documento proporcionó los resultados de un estudio exploratorio diseñado
para comprender cómo las empresas utilizan en la práctica las tecnologías de lago
de datos. El análisis descubrió tres propósitos de las tecnologías de lago de datos
destacados por los informantes: como áreas de preparación o fuentes para
almacenes de datos, como plataforma de experimentación para científicos y
analistas de datos, y como fuentes directas para BI&A de autoservicio. Durante
las entrevistas, la mayoría de los informantes mencionaron la importancia de
utilizar lagos de datos como área de preparación para que los almacenes de datos
manejen cualquier tipo de datos. Por ejemplo, datos de sensores, flujos de clics y
registros web que las bases de datos relacionales como SQL no pueden manejar.
La mayoría de los informantes consideraron el lago de datos como un
componente útil en la arquitectura de BI&A y una extensión del concepto de
BI&A.

Según muchos informantes, los científicos y analistas de datos son los usuarios
avanzados de las tecnologías de lago de datos. Los lagos de datos brindan a estos
usuarios avanzados la capacidad de configurar y reconfigurar fácilmente sus

13
modelos o consultas sobre la marcha. Por lo tanto, los lagos de datos son la
plataforma de experimentación para ellos. Otro propósito del lago de datos es una
fuente directa de BI&A de autoservicio. Muchos informantes afirmaron que los
lagos de datos se utilizan para proporcionar datos para herramientas analíticas y
de informes de BI&A. Sin embargo, no hubo información que discuta
explícitamente este tema, que necesita más investigación.

13
El estudio también identificó algunos beneficios percibidos de la tecnología de
lago de datos. Estos beneficios están relacionados principalmente con el
almacenamiento, la adquisición, el manejo y la conservación de los datos. Los
informantes también revelaron varios desafíos de los lagos de datos basados en la
experiencia, que requieren más investigación.

5.5 Documento 5: Creación de valor comercial estratégico a partir de

BI&A: Navegando por los estrechos estrechos entre la inversión y
el rendimiento
Dado que BI&A se ha convertido en una inversión en tecnología de la
información cada vez más importante en las empresas y las pymes constituyen
más del 99% de las empresas en las economías mundiales, la investigación sobre
BI&A en las pymes se considera vital. Este estudio aplicó el método Delphi en
cuatro etapas con 39 expertos en BI&A para responder las siguientes preguntas
de investigación:

(1) ¿Cuáles son los factores que impulsan la adopción de BI&A en las pymes?
(2) ¿Cuáles son los inhibidores de la adopción de BI&A en las pymes?
(3) ¿Por qué estos impulsores e inhibidores son importantes para la adopción de
BI&A en las pymes?

5.5.1 Presentación
Los sistemas BI&A ahora se utilizan ampliamente en muchas áreas de toma de
decisiones para crear valor comercial (Trieu, 2017). Sin embargo, la
investigación sobre BI&A en PYMES no está completamente investigada. El
propósito del quinto artículo fue identificar los factores cruciales que afectan la
adopción de BI&A y comprender mejor el proceso de adopción de BI&A de las
PYMES. Los datos se recopilaron de 39 expertos de diversas industrias
utilizando un estudio Delphi de tipo ranking con un enfoque basado en Delphi
seguido de entrevistas cualitativas. El análisis de datos dio como resultado cinco
impulsores principales y cinco inhibidores principales.

5.5.2 Recomendaciones
Este documento ofreció algunos conocimientos importantes sobre la adopción de
BI&A en las pymes a través de un estudio Delphi. Este estudio identificó 18

13
impulsores y 18 inhibidores que se clasificaron en cinco impulsores principales:
(1) necesidad de una mejor gestión de datos, (2) necesidad de una mejor
información e informes, (3) deseo de mejores operaciones comerciales, (4) deseo
de mejorar valor comercial y (5) necesidad de seguir los requisitos legales; y
cinco inhibidores principales: (1) desafiante entorno de datos organizacionales,
(2) BI&A

13
desafíos del proyecto, (3) baja preparación organizacional, (4) baja capacidad de
cambio organizacional y (5) desafíos del mercado de BI&A.

Estos impulsores e inhibidores centrales se mapearon en el modelo de proceso de

valor de IS de Soh y Markus para comprender mejor la creación de valor de
BI&A. Los hallazgos de este artículo demuestran una baja preparación
organizacional como el inhibidor central más importante e indican que la pobreza
de recursos es la razón principal. Por lo tanto, se propuso un conjunto de
recomendaciones para mejorar la preparación organizacional en las PYMES.
Además, las entrevistas de seguimiento con varios expertos enfatizaron un
proceso iterativo y gradual de inversión en BI&A. Muchos expertos utilizaron la
expresión "empezar con poco, pensar en grande" para denotar esta estrategia.
Varios expertos enfatizaron que BI&A debería evolucionar con el tiempo, tener
un desarrollo iterativo respaldará un mayor desarrollo del sistema de BI&A. Este
enfoque contribuirá a construir la legitimidad de nuevas inversiones en BI&A y a
hacer que BI & Un esfuerzo impulsado por los negocios. Los resultados
generales del artículo ofrecen una mejor comprensión de la adopción de BI&A y
la creación de valor para las pymes.

13
14
6 Contribuciones
Este estudio está destinado a generar una mejor comprensión de la adopción de
BI&A de las PYME. Para ello, la siguiente pregunta de investigación ha guiado
esta investigación doctoral: ¿Cómo podemos entender el fenómeno de la
adopción de BI&A en las pymes? Para responder a esta pregunta de
investigación, se realizó un estudio Delphi y entrevistas cualitativas con expertos
en BI&A. Esta investigación fue diseñada para proporcionar una mejor
comprensión y explicación de la adopción de BI&A de las PYMES y cómo las
iniciativas de BI&A generan valor cuando se implementan y utilizan. El esfuerzo
de investigación resultó en cinco artículos de investigación (Capítulo 5).
Respondí a la pregunta de investigación principal proporcionando cinco
contribuciones principales: (1) proporciona una descripción general de la
adopción de BI&A en las PYMES al sintetizar las contribuciones de
investigación existentes sobre este tema, (2) contribuye al cuerpo de
investigación centrado en BI & Una adopción en las pymes y ha identificado
factores e inhibidores clave de BI&A para explicar la adopción y la reticencia a
la adopción (no adopción), (3) contribuye a comprender cómo las pymes pueden
utilizar las iniciativas de BI&A para generar valor de inversión, (4) la tesis
sugiere que un modelo de valor revisado (adaptado) permite más dinámica,
agilidad e iteraciones en sus etapas que se ajustan mejor a las PYMES, y (5) la
tesis explica sus hallazgos sobre la adopción de BI&A en las PYMES con base
en la integración de tres perspectivas teóricas que proporcionan fuerza
explicativa ; la visión de la empresa basada en los recursos, las capacidades
dinámicas y una perspectiva del modelo de valor de SI. Además, la tesis tiene
ciertas implicaciones para la práctica, incluido un conjunto de recomendaciones
sobre cómo las pymes deben diseñar e implementar el caso de negocio de BI&A.
Explico estas contribuciones para la investigación y la práctica. Finalmente, la
combinación de métodos de investigación aplicados en este estudio puede verse
como una contribución metodológica.

6.1 Contribución a la investigación

Primero, realicé una revisión de la literatura sobre la adopción de BI&A en las
pymes para comprender y sintetizar las contribuciones de investigación
existentes sobre este tema. Con base en las brechas de investigación
identificadas, defino el alcance de mi estudio (Documento 1). Este estudio

14
proporciona una descripción general de la adopción de BI&A de las PYME, que
es valiosa para la comunidad de investigación de SI.

En segundo lugar, la principal contribución del estudio es la identificación de los

principales impulsores e inhibidores de la adopción de BI&A en las pymes
(Documento 5). Usando Soh y Markus's

14
Modelo de proceso de valor de SI, este estudio ilustra cómo los impulsores e
inhibidores centrales identificados influyen en el proceso de adopción y creación
de valor de BI&A (Figura 6.1).

Conductores
La necesidad de una mejor gestión
La necesidad
de datos
La necesidad
de seguir los
de una
requisitos
mejor legales.
información y presentación
El deseo
de informes
de mejores operaciones
El comerciales
deseo de mejorar el valor empresarial

“EL PROCESO DE CONVERSIÓN BI&A” "EL PROCESO DE USO DE BI&A" "EL PROCESO COMPETITIVO"

INVERSIONES BI&A ACTIVOS BI&A IMPACTOS BI&A ORGANIZATIVO RENDIMIENTO

. ACTIVIDADES DE GESTIÓN / CONVERSIÓN

. USO
DEAPROPIADO
TI / INAPROPIADO . POSICIÓN COMPETITIVA
. DINÁMICA COMPETITIVA

. INVERSIONES NO BI&A

Desafíos del mercado de BI&A

Entorno de datos organizacionalesDesafíos del proyecto BI&A Disposición organizacionalCapacidad de cambio organizacional

Inhibidores

Figura 6.1: Impulsores e inhibidores centrales para la adopción de BI&A en PYMES

mapeados en el modelo de proceso de valor de SI (Soh y Markus,
1995)

Al comparar la primera categoría principal de impulsores, el deseo de mejorar el

valor comercial, con las definiciones de Soh y Markus, encontré que esta
categoría se relaciona con la construcción de desempeño organizacional. Este
impulsor central contiene cuatro elementos, el deseo de mejorar el desempeño
empresarial, la necesidad de aumentar la ventaja competitiva, el deseo de
aumentar la rentabilidad y BI&A es una prioridad ejecutiva. Cuando BI&A es
una prioridad ejecutiva, es más probable que estén dispuestos a utilizar BI&A
para la toma de decisiones y tengan conocimiento del valor comercial de BI&A.
Por lo tanto, conjeturé que este impulsor central dará como resultado el
desempeño organizacional. Las siguientes tres categorías principales de
impulsores relacionadas con los impactos de BI&A incluyen una mejor
capacidad para cumplir con los requisitos legales, la necesidad de una mejor
información e informes, y el deseo de mejores operaciones comerciales. BI& Los

14
impactos pueden ser productos y servicios mejorados, eficiencia operativa o
procesos mejorados y una inteligencia organizacional fortalecida. Creo que las
pymes pueden lograr estos impactos a través de los tres impulsores principales.
Por lo tanto, se relacionan con la construcción de impacto de BI&A. La última
categoría de impulsores, la necesidad de una mejor gestión de datos, está
claramente relacionada con la necesidad de

14
Activos de BI&A. En la toma de decisiones, la información de calidad es
importante para tomar decisiones de calidad (Ali et al., 2018). Cuando BI&A se
convierta en un recurso vital para la información de calidad, las organizaciones
considerarán BI&A como una ayuda confiable para la toma de decisiones.
Además, la selección y adopción de activos de BI&A depende de su entorno de
datos (Trieu, 2017). Por lo tanto, la necesidad de gestión de datos se relaciona
con la construcción de activos de BI&A.

El estudio también encontró que la falta de recursos es un factor importante para

explicar la lenta adopción y no adopción de BI&A en las pymes. Las PYME
sufren de escasez de recursos, como falta de personal, experiencia, tiempo y
recursos financieros. El estudio documenta además que las pymes carecen de
comprensión sobre BI&A, carecen de preparación para BI&A y no pueden
aprovechar el valor de BI&A. La falta de recursos se refiere tanto a los activos
físicos como a los humanos. Los activos físicos son la infraestructura compartida
en toda la organización y las aplicaciones comerciales que utilizan la
infraestructura (Fink et al., 2017). Los activos humanos incluyen el conocimiento
y las habilidades que poseen los recursos humanos o el equipo de BI&A. Los
activos de BI&A contienen la combinación de tecnologías y herramientas de
infraestructura para crear un entorno tecnológico que permite a las
organizaciones crear capacidades de BI&A. El BI& Un equipo son los recursos
humanos responsables de liderar las iniciativas de BI&A organizacionales.
Conjeturé que la falta de recursos de las PYMES da como resultado una baja
preparación organizacional para la adopción de BI&A. Por lo tanto, explica por
qué las pymes siguen siendo reacias a adoptar BI&A. Este resultado fue
consistente con Gibson y Arnott (2003), quienes propusieron que la falta de
recursos es un desafío para la adopción de BI&A en las PyMEs. Esta tesis
confirma que la falta de recursos es un tema crítico en la adopción de BI&A en
las PYMES. Una adopción en pymes. Esta tesis confirma que la falta de recursos
es un tema crítico en la adopción de BI&A en las PYMES. Una adopción en
pymes. Esta tesis confirma que la falta de recursos es un tema crítico en la
adopción de BI&A en las PYMES.

Se ha informado de la importancia de la preparación organizacional en la

adopción de SI (Raymond y Uwizeyemungu, 2007, Sammon y Adam, 2010) y en
la literatura de adopción de BI&A (Williams y Williams, 2010, Anjariny y Zeki,
14
2014, Puklavec et al., 2014, Hidayanto et al. al., 2012). Sin embargo, la literatura
sobre preparación organizacional no se centra específicamente en el contexto de
las PYME. Hidayanto y col. (2012) se centró específicamente en medir la
preparación organizacional en las PYMES. Sin embargo, los factores que
identificaron para sus mediciones son genéricos y no particularmente específicos
de las PYME. Además, Puklavec et al. (2014) también identificaron la
preparación organizacional como un factor importante para la adopción de BI&A
en las PYMES sin explicar su significado. Los resultados de esta tesis son
específicos de las PYME. Los expertos en BI&A del estudio Delphi brindan
sugerencias para incluir en el

14
constructo de preparación organizacional. Descubrí que la falta de habilidades de
BI&A, los recursos limitados, la falta de conciencia de BI&A y la falta de cultura
analítica son inhibidores cruciales de la preparación organizacional (Figura 3 en
el Documento 5). Conjeturé que esta tesis ofrecía una comprensión más profunda
de la preparación organizacional para la adopción de BI&A en las PYMES.

Este estudio también investigó cómo se implementa BI&A en el contexto de las

PYME. Los resultados muestran que la falta de recursos de las pymes influye en
los proyectos de implementación de BI&A. Este estudio ilustra cómo las pymes
pueden invertir en activos de BI&A más baratos y rápidos. BI&A ya no está
reservado para empresas con recursos masivos. Algunas PYMES han invertido
en soluciones de BI&A más baratas y rápidas para evitar el BI&A tradicional,
que es una empresa costosa, que requiere muchos recursos y es compleja. Al
explorar la adopción de BI&A en las pymes, el estudio contribuye al flujo de
investigación de la implementación del sistema de BI&A para las pymes. Los
hallazgos del estudio introdujeron inversiones más baratas para las pymes, como
BI&A sin un almacén de datos y BI&A con un almacén de datos automatizado.
Creo que otros tipos de inversiones en BI&A son más baratos y más rápidos de
introducir a las PYMES que los tradicionales BI&A.

En tercer lugar, este estudio demuestra cómo las pymes pueden utilizar y generar
valor empresarial de BI&A. Los resultados muestran que la mayoría de las
PYME utilizaron BI&A para informes automatizados y análisis simples que
permiten una toma de decisiones informada. BI&A proporciona información
sobre el negocio de las PYME, por ejemplo, el costo de adquirir nuevos clientes a
lo largo del tiempo y cómo esos costos se relacionan con las ganancias o pérdidas
del cliente. También proporciona información para que las pymes tomen
decisiones mejor informadas sobre la dotación de personal, garantizando precios
correctos y planificando la producción. La mayoría de los expertos señalaron que
los bancos y los seguros son los primeros en adoptar BI&A. Sin embargo, los
resultados del estudio indican que otras industrias como la producción, la
fabricación, la arquitectura y las acciones pueden utilizar y generar valor a partir
de las inversiones en BI&A. El estudio también ilustra BI & Una adopción se
considera exitosa cuando las PYMES obtienen continuamente valor comercial de
BI&A. Conjeturé que las percepciones del valor comercial potencial son
importantes para la adopción exitosa de BI&A. Gibson y Arnott (2003)
14
sugirieron que el conocimiento del valor comercial de BI&A es un factor
importante que afecta la adopción de BI&A. Sin embargo, sus hallazgos carecen
de evidencia empírica. Esta tesis proporciona un fundamento empírico para
mostrar su importancia. Los diferentes valores comerciales de BI&A se discuten
particularmente en esta tesis (Artículos 2 y 3). sus hallazgos carecen de evidencia
empírica. Esta tesis proporciona un fundamento empírico para mostrar su
importancia. Los diferentes valores comerciales de BI&A se discuten
particularmente en esta tesis (Artículos 2 y 3). sus hallazgos carecen de evidencia
empírica. Esta tesis proporciona un fundamento empírico para mostrar su
importancia. Los diferentes valores comerciales de BI&A se discuten
particularmente en esta tesis (Artículos 2 y 3).

14
En cuarto lugar, los resultados de este estudio demuestran que es preferible un
enfoque iterativo y gradual para las PYME (Documentos 2 y 5). Este enfoque
iterativo funciona de acuerdo con la estrategia de inversión "empezar con poco,
pensar en grande", en la que las grandes tareas de los proyectos de BI&A se
dividirán en partes más pequeñas y manejables llamadas iteraciones. Argumenté
que las pymes no se darán cuenta de la importancia de la inversión en BI&A
antes de pasar por muchas iteraciones. A través de iteraciones, es fundamental
centrarse en cosas que sean fáciles de entregar y que den valor al negocio. La
mayoría de los expertos afirmaron que es mejor hacer pequeñas entregas para
probar el concepto con una serie de victorias rápidas y de alto perfil para
demostrar el valor y ganar la confianza de los ejecutivos mientras se construye
gradualmente la visión a largo plazo de BI&A. Al darse cuenta de ganancias
rápidas, A las PYME les resultaría más fácil comprometerse con los recursos
necesarios para realizar nuevas inversiones. Este estudio muestra la importancia
de la estrategia iterativa, contribuyendo a construir el compromiso y la
legitimidad de futuras inversiones en BI&A. Un estudio en la literatura abordó
este tema (Yeoh y Koronios, 2010). Investigaron cómo se debería implementar la
tecnología BI&A. Los hallazgos de su estudio muestran que un sistema BI&A
evoluciona a través de un proceso iterativo de desarrollo de acuerdo con los
requisitos comerciales dinámicos. Confirmé la importancia de un enfoque
iterativo en la adopción de BI&A en las PYMES. Argumenté que la combinación
de los hallazgos de Yeoh y Koronios (2010) con mis resultados arroja una mejor
evidencia empírica sobre la importancia del enfoque iterativo en BI&A.
contribuyendo a construir el compromiso y la legitimidad de futuras inversiones
en BI&A. Un estudio en la literatura abordó este tema (Yeoh y Koronios, 2010).
Investigaron cómo se debería implementar la tecnología BI&A. Los hallazgos de
su estudio muestran que un sistema BI&A evoluciona a través de un proceso
iterativo de desarrollo de acuerdo con los requisitos comerciales dinámicos.
Confirmé la importancia de un enfoque iterativo en la adopción de BI&A en las
PYMES. Argumenté que la combinación de los hallazgos de Yeoh y Koronios
(2010) con mis resultados arroja una mejor evidencia empírica sobre la
importancia del enfoque iterativo en BI&A. contribuyendo a construir el
compromiso y la legitimidad de futuras inversiones en BI&A. Un estudio en la
literatura abordó este tema (Yeoh y Koronios, 2010). Investigaron cómo se
debería implementar la tecnología BI&A. Los hallazgos de su estudio muestran
que un sistema BI&A evoluciona a través de un proceso iterativo de desarrollo de
14
acuerdo con los requisitos comerciales dinámicos. Confirmé la importancia de un
enfoque iterativo en la adopción de BI&A en las PYMES. Argumenté que la
combinación de los hallazgos de Yeoh y Koronios (2010) con mis resultados
arroja una mejor evidencia empírica sobre la importancia del enfoque iterativo en
BI&A. Los hallazgos de su estudio muestran que un sistema BI&A evoluciona a
través de un proceso iterativo de desarrollo de acuerdo con los requisitos
comerciales dinámicos. Confirmé la importancia de un enfoque iterativo en la
adopción de BI&A en las PYMES. Argumenté que la combinación de los
hallazgos de Yeoh y Koronios (2010) con mis resultados arroja una mejor
evidencia empírica sobre la importancia del enfoque iterativo en BI&A. Los
hallazgos de su estudio muestran que un sistema BI&A evoluciona a través de un
proceso iterativo de desarrollo de acuerdo con los requisitos comerciales
dinámicos. Confirmé la importancia de un enfoque iterativo en la adopción de
BI&A en las PYMES. Argumenté que la combinación de los hallazgos de Yeoh y
Koronios (2010) con mis resultados arroja una mejor evidencia empírica sobre la
importancia del enfoque iterativo en BI&A.

BI&A es una estrategia, visión y arquitectura en constante evolución que debe

alinearse continuamente con las operaciones y la dirección de la organización con
sus objetivos comerciales estratégicos. BI&A debe ser dinámico y evolucionar
con el tiempo. El modelo de proceso de valor de IS de Soh y Markus no ilustra la
naturaleza dinámica de BI&A. Este estudio sugiere un modelo de proceso de
valor revisado para representar la naturaleza iterativa y dinámica de BI&A. La
Figura 6.2 muestra cómo se ha revisado el modelo del proceso de valor con
ciclos de retroalimentación (Documento 2). En consecuencia, el estudio también
identifica cuatro impulsores de implementación que influyen en la creación de
valor de BI&A. Estos impulsores se mapean en el modelo de proceso de valor de
SI para mostrar cómo cada impulsor puede afectar el proceso de creación de
valor de BI&A (Figura 6.2). La gobernanza de datos puede influir en el proceso
de conversión de BI&A. En la toma de decisiones, la calidad de la información es
evidente para las decisiones de calidad (Ali et al., 2018). Argumenté que el papel
de la gobernanza de datos puede mejorar el proceso de conversión de BI&A al
garantizar que los activos de BI&A pueden ser un recurso confiable para obtener
información de calidad. Soh y Markus (1995) afirmaron que los activos de BI&A
de calidad, si se usan de manera efectiva, pueden producir los impactos deseados
de BI&A y un mayor rendimiento.

15
desempeño de la organización. La gobernanza de datos puede ayudar a las pymes
a garantizar que sus inversiones en BI&A darán como resultado activos de
calidad para que las utilicen las organizaciones (Documentos 2 y 3).
ESTRATEGIA BI&A

CASO DE NEGOCIO

DATO DE GOVERNANCIA ADAPTABILIDAD ORGANIZACIONAL

"EL PROCESO DE CONVERSIÓN BI" "EL PROCESO DE USO BI" "EL PROCESO COMPETITIVO"

INVERSIONES BI&A ACTIVOS BI&A IMPACTOS BI&A ORGANIZATIVO RENDIMIENTO

Figura 6.2: El modelo de proceso de valor revisado propuesto y los impulsores de

implementación mapeados en el modelo de proceso de valor de SI por Soh
y Markus (1995)

Por último, el estudio utilizó tres perspectivas teóricas para comprender mejor los
resultados del estudio: teoría RBV, capacidades dinámicas y modelo de proceso
de valor de SI. Este estudio utilizó la teoría RBV para proporcionar una lente
teórica para comprender el papel de los recursos de las PYME en la adopción de
BI&A. RBV es un lente apropiado para ver cómo los recursos de una empresa
son una fuente potencial de ventaja competitiva, que puede resultar en un mejor
desempeño organizacional en la adopción de BI&A. Argumenté que los recursos
son importantes para adquirir la capacidad de adoptar y crear valor a partir de las
iniciativas de BI&A.

La RBV sostiene que cuando los recursos de la empresa son económicamente

valiosos, relativamente raros, difíciles de imitar y no sustituibles (VRIN) pueden
resultar en una ventaja competitiva sostenible (Wade y Hulland, 2004). Sin
embargo, ni los activos de TI ni los recursos organizativos satisfacen estos
criterios de VRIN. Los criterios de VRIN se basan en cómo se accede a los
recursos, se combinan y se despliegan para generar una ventaja competitiva
(Grant, 1991, Moran y Ghoshal, 1999). Argumenté que a pesar de que las

15
tecnologías de BI&A se consideran un software básico, las formas en que una
organización asimila BI&A en su proceso empresarial son únicas. Lo mismo que
las políticas y reglas comerciales que rigen la práctica comercial de la
organización. Una vez que una solución de BI&A se convierte en la norma, es
probable que se arraigue en un negocio por un

15
largo tiempo. Afirmé que BI&A puede convertirse en un recurso de VRIN con el
tiempo, especialmente cuando las pymes maduran en la adopción de BI&A. A
través de iteraciones, las pymes desarrollarán gradualmente la capacidad de
adaptarse al cambio e implementar BI&A, que eventualmente se convertirán en
recursos VRIN.

Cuando una PYME puede modificar continuamente los activos de BI&A y

administrar la actualización de la capacidad de BI&A, puede ser una fuente de
capacidades dinámicas. Reconfigurar y renovar recursos en nuevas capacidades
organizativas a través de la detección, la captura y la transformación para abordar
el entorno rápidamente cambiante son el foco de las capacidades dinámicas
(Teece et al., 1997). La teoría RBV conceptualiza los recursos organizacionales
como estáticos, ignorando los cambios debidos al entorno turbulento. Las
capacidades dinámicas se conceptualizaron en respuesta a esta crítica. La
mayoría de las empresas cambian con bastante frecuencia. Se crean nuevos
productos y servicios, se encuentran disponibles nuevas fuentes de datos, lo que
resulta en la necesidad de interconectar nuevos sistemas, como una aplicación en
la nube. Argumenté que las pymes poseen capacidades dinámicas cuando su BI
& Los activos son lo suficientemente flexibles para adaptarse a un entorno que
cambia rápidamente y con frecuencia. A través de capacidades dinámicas, las
PYMES pueden detectar, aprovechar y transformar cuando ocurren cambios en el
medio ambiente y crear una configuración de recursos para proporcionar una
ventaja competitiva sostenible. Encuentro una estrategia iterativa en la que las
pymes pueden renovar de forma gradual y continua sus inversiones en BI&A,
pueden promover el desarrollo de capacidades dinámicas, lo que puede
convertirse en un valioso motor competitivo para la adopción de BI&A de las
pymes.

También sostuve que el modelo de proceso de valor de SI de Soh y Markus es el

más apropiado para comprender la adopción de BI&A en las pymes. Otros
modelos de adopción de IS como TAM, UTAUT y el modelo de éxito de IS de
D&M se utilizan ampliamente para investigar la adopción de IS / IT de usuarios
individuales, como BI&A (Ain et al., 2019). Argumenté que estos modelos de
adopción solo brindan una visión simple de la adopción de BI&A. En contraste,
los hallazgos del estudio demuestran que los problemas de adopción a nivel
organizacional son significativos. Creo que el análisis a nivel organizacional
15
sería más apropiado para la investigación de adopción de BI&A. Estudios
recientes han utilizado la teoría DOI como lente analítica para explicar la
adopción de BI&A en las PYMES. El enfoque en las etapas iterativas y el valor
organizacional también hace que la teoría DOI sea una lente inapropiada para
comprender la adopción. La teoría DOI pasa por alto la naturaleza iterativa de los
proyectos de BI&A. Este estudio muestra que BI&A debería ser un proyecto
iterativo a largo plazo y no un conjunto de estilos de adopción de etapa-puerta
(cascada). Otra deficiencia de DOI es que también pierde el significado de la

15
etapa de desempeño de adopción. La etapa de confirmación es una etapa en la
versión de cinco etapas de DOI, donde el individuo o la organización finalizó la
decisión de continuar usando SI / TI. Argumenté que la etapa de actuación no
solo confirma que la tecnología funciona. El DOI debe modificarse con la etapa
de desempeño y las iteraciones entre etapas para tener en cuenta la construcción
iterativa de la aceptación organizacional y la asignación de recursos.

El modelo de proceso de valor de BI&A ilustra el proceso de creación de valor

de BI&A como un conjunto de etapas secuenciales, donde cada una se completa
antes de pasar a la siguiente etapa. Las iniciativas de BI&A exitosas con valor
comercial sustentable no se completan en un proyecto de "uno y listo". Cuando
BI&A tiene éxito en una organización, se expandirá continuamente con nuevos
datos, tecnologías, análisis y usos comerciales que se harán evidentes. Los
hallazgos demuestran que el modelo de proceso revisado es apropiado para
comprender el valor de adopción de BI&A en las PYMES. Muchos
investigadores de SI adoptaron estas tres perspectivas teóricas. La literatura
anterior informó el uso de dos de estas perspectivas teóricas. Por ejemplo, Olszak
(2016) aplicó una combinación de la teoría RBV y las capacidades dinámicas
para investigar las fallas de BI&A. Igualmente, Božič y Dimovski (2019b)
aplicaron tanto el modelo de proceso de valor de SI como la perspectiva de
capacidades dinámicas para explicar cómo el uso de BI&A se asocia con la
ambidestreza de la innovación y el desempeño de la empresa. Se enfocaron en el
proceso de uso de BI&A y el proceso competitivo, pero no en el proceso de
adopción y creación de valor. Estas perspectivas teóricas se consideran bases
teóricas sólidas para la literatura de BI&A y ofrecen una mejor comprensión de
los resultados de la tesis.

6.2 Contribución a la práctica

Los hallazgos de este estudio proporcionan una base para hacer recomendaciones
prácticas. En primer lugar, destaqué la importancia de evaluar las inversiones en
BI&A en función de los recursos disponibles y la situación financiera de las
pymes al momento de embarcarse en un proyecto de BI&A. Los proyectos de
BI&A introducen diferentes tecnologías y productos en una organización, como
herramientas de informes, herramientas de integración de datos y plataformas de
bases de datos. Los costos de estas tecnologías varían desde gratuitos hasta muy
costosos. Además del costo de adquirir el software y la tecnología adecuados
15
para la inversión en BI&A, el costo total de implementar BI&A es una de las
principales preocupaciones de las pymes. Dado que la falta de recursos es un
factor importante en BI&A

15
adopción y no adopción, es vital definir los requisitos en función de los recursos
disponibles. Es importante documentar la lista de requisitos y expectativas para
crear la base de un BI&A exitoso. Tanto los proveedores de BI&A como las
pymes deben prestar atención a este proceso. Yo sostuve la importancia de
evaluar las inversiones en BI&A con base en los recursos disponibles y la
situación financiera de las PyMEs al embarcarse en un proyecto de BI&A.

En segundo lugar, los hallazgos empíricos obtenidos mediante entrevistas a

expertos y una encuesta Delphi muestran que la estrategia iterativa o “empezar
con poco, pensar en grande” es un enfoque de inversión apropiado para las
PYMES. BI&A debe construirse de forma incremental e iterativa. Las pymes
típicas no tienen exposición a la analítica avanzada. La mayoría de los expertos
implicaron que un enfoque iterativo significa comenzar con los “frutos fáciles”
de BI&A, como informes automatizados, tableros de control y análisis simples
que las PyMEs pueden explotar. Esto se puede lograr abordando casos de uso
simples primero y obteniendo valor antes de agregar iterativamente una amplia
funcionalidad. Las pymes con pocas fuentes de datos adoptan activos de BI&A
que son soluciones prediseñadas como PowerBI, Tableau y QlikView sin crear
almacenes de datos. Cuando el objetivo es mejorar los informes y aplicar análisis
simples en su entorno de BI&A, Es factible omitir la parte del almacén de datos
de una inversión en BI&A. Cuando el objetivo es tener una definición
empresarial de los datos y el entorno de datos es más complejo, BI&A con
almacenamiento de datos automatizado podría ser una opción viable para las
PYMES (Documento 2). Estos hallazgos son valiosos para las pymes,
proveedores y consultores.

Este estudio ilustra la importancia de construir un caso de negocio al embarcarse

en un proyecto de BI&A. Al construir un caso de negocios, las PYMES pueden
demarcar e identificar tipos específicos de problemas que afectan la rentabilidad
y la eficiencia de una organización, también conocido como "problemas
comerciales". El caso de negocios también incluirá el tipo de inversiones en
BI&A y discutirá cómo esta inversión puede reducir el dolor comercial. Ayudará
a las pymes a ver el equilibrio entre los costes implicados y el valor empresarial
obtenido con esta tecnología. Más importante aún, esta tesis demuestra que un
caso de negocios debe ser parte de la estrategia comercial y tener un propósito
claramente definido para garantizar que respaldará los objetivos comerciales.
15
Esto es consistente con Yeoh y Koronios (2010), que ilustran la necesidad de un
vínculo fuerte entre los objetivos comerciales y BI & Proyectos para contribuir a
un BI&A exitoso. Otros académicos reconocieron la importancia de un caso de
negocio bien establecido (Hidayanto et al., 2012, Anjariny y Zeki, 2014), sin
embargo, cualquier sugerencia para lograrlo es

15
no se aborda completamente en la literatura. Esta tesis contribuyó a esto y
confirmó la importancia del caso de negocio con evidencia empírica (Documento
3).

En cuarto lugar, los hallazgos del estudio también confirmaron la importancia de

la gobernanza de datos. Este estudio demostró cómo las inversiones anteriores en
BI&A fracasaron debido a problemas de calidad de los datos. Estos problemas no
son evidentes hasta que los usuarios empresariales prueban las soluciones de
BI&A justo antes de ponerlas en marcha. Según los resultados del estudio, tanto
las pymes como las grandes empresas deben reconocer los datos como un activo
empresarial. Como se demuestra en la literatura, es crucial considerar la calidad
de los datos en las organizaciones para asegurar una adopción exitosa de BI&A
(Anjariny y Zeki, 2014, Olszak y Ziemba, 2012). La gobernanza de datos puede
ayudar a mantener la precisión, coherencia, accesibilidad, integridad y seguridad
de la información en todas las organizaciones. Además, también ayuda con la
creación y el consumo de datos. Por lo tanto, establecer un programa de gobierno
de datos para resolver problemas de calidad de datos y ayudar a las
organizaciones a tratar sus datos como un activo corporativo. Afirmé la
importancia de la gobernanza de datos en la creación y adopción de valor de
BI&A en las pymes (documentos 2 y 3). Además, es fundamental mencionar que
la gente de negocios, no la gente de TI, debería ser el factor clave en los
esfuerzos de gobernanza de datos. Las personas de las empresas deben crear
definiciones de datos, reglas comerciales y KPI para su programa de gobierno de
datos.

Finalmente, los hallazgos de esta tesis también sugieren la implementación de

una tecnología rentable. Este estudio recomendó implementar la tecnología de
lago de datos como parte del entorno de BI&A de bajo costo para las PYMES. El
concepto de lago de datos surgió con la llegada del big data y se convirtió en
parte de la tecnología BI&A. BI&A se enfoca en transformar datos sin procesar
en información útil, valiosa y procesable para mejorar la toma de decisiones. Con
la llegada del big data, el concepto, la arquitectura y las capacidades de BI&A
cambiarán. En esta tesis, se implementó la tecnología de lago de datos para
proporcionar un entorno ágil y asequible para que las pymes almacenen y
analicen datos. Las pymes implementaron el lago de datos para actuar como el
repositorio principal de todos los datos. Esto significa que el lago de datos sirve
15
como un entorno de ensayo para las pymes que almacenan todos los datos sin
crear ni diseñar un almacén de datos. Las pymes pueden tener todos los datos a
su disposición tanto para la elaboración de informes como para el análisis para
proporcionar un BI&A de autoservicio. La implementación de la tecnología de
lago de datos se puede argumentar como parte del enfoque iterativo o la
estrategia de “empezar con poco, pensar en grande”, donde los pasos
incrementales logran el entorno de BI&A que las pymes demandan. Tener la
tecnología de lago de datos como parte del entorno de BI&A es un ejemplo de
BI&A sin inversión en almacenamiento de datos

16
y ofrece una comprensión de por qué un enfoque iterativo es preferible para las
PYME. Las entrevistas a los expertos ilustran el lago de datos como una
tendencia importante para ayudar a que BI&A se vuelva más común en las
pymes.

Las pymes y las grandes empresas implementaron tecnología de lago de datos

para complementar las limitaciones de las herramientas tradicionales de gestión
de datos y servir como plataforma de experimentación para científicos y analistas
de datos. Es crucial mencionar que, aunque el lago de datos ofrece la
funcionalidad de un almacén de datos tradicional pero sin el costo de desarrollo
inicial (ETL), la tecnología del lago de datos no reemplaza la arquitectura del
almacén de datos. En esta tesis también se presentaron otros temas relacionados,
como los propósitos, beneficios y desafíos de la tecnología del lago de datos
(Documento 4). Este estudio muestra además que tanto las pymes como las
grandes empresas pueden adoptar la tecnología de lago de datos como parte del
entorno BI&A. La Tabla 6.1 proporciona una descripción general de las
recomendaciones de este capítulo.

Tabla 6.1: Recomendaciones para practicar

Recomendación
1. Realice una inversión en BI&A
evaluación
2. Empiece con algo pequeño,
piense en una estrategia grande
3. Construya un caso de negocios
4. Implementar la gobernanza de
datos
5. Implementar una
tecnología rentable
Descripción
Evaluar las inversiones en BI&A en función de los recursos disponibles y los
situación de las pymes.
Cree BI&A de forma incremental e iterativa. Al abordar primero los casos
de uso simples y darse cuenta del valor antes de agregar iterativamente una
funcionalidad más amplia. Esto significa comenzar con los "frutos más
fáciles" de BI&A, como informes automatizados, paneles de control y
análisis simples que las pymes pueden
explotar.
Construya un caso de negocio mediante la delimitación de tipos específicos
de problemas que afectan la rentabilidad o la eficiencia de una organización,
también conocida como "problemas empresariales". Examinar qué tipo de
inversiones en BI&A y cómo esta inversión reducirá el dolor empresarial de
una PYME. Esto ayudará a las pymes a ver el equilibrio
entre los costos involucrados y el valor comercial obtenido de BI&A.
Establezca la gobernanza de datos para ayudar a mantener la precisión,
coherencia, accesibilidad, integridad y seguridad de la información en todas
las organizaciones. Es importante ayudar a gestionar tanto la creación como
el consumo de datos. Un enfoque de gobernanza de datos ayudará a las
organizaciones a tratar sus datos como
activo corporativo y maximizar su valor.
Implemente tecnologías rentables como el lago de datos para proporcionar un
entorno de BI&A ágil y asequible para las pymes. Para complementar las
limitaciones de
las herramientas tradicionales de gestión de datos.

16
6.3 Contribución metodológica
Mi enfoque de investigación ha sido centrarse en una mejor comprensión de la
adopción de BI&A de las PYME. Para alcanzar este objetivo, apliqué un enfoque
exploratorio con dos métodos de investigación diferentes. En primer lugar,
realicé un estudio Delphi de tipo ranking con un enfoque Delphi fundamentado
para identificar, mapear y priorizar los temas de temas específicos recopilados de
la encuesta Delphi. Encontré esta combinación apropiada para proporcionar una
comprensión más rica del tema investigado al identificar los temas centrales y sus
interrelaciones. En segundo lugar, realicé un estudio cualitativo exploratorio
utilizando la técnica de entrevista a expertos para explorar la inversión,
implementación, utilización y creación de valor de BI&A. La literatura existente
sobre BI&A está dominada por métodos cuantitativos (Ain et al., 2019). Al
utilizar un enfoque exploratorio, Pude lograr una imagen más completa de los
factores que influyen en la adopción de BI&A en las pymes. Sin embargo, esto
no habría sido posible con la aplicación de métodos cuantitativos. Por lo tanto,
sostuve que el enfoque de investigación aplicado en este estudio proporciona una
comprensión más profunda y mejor de la adopción de BI&A en las pymes.

16
7 Conclusiones
Esta tesis es uno de los pocos estudios que investigan y exploran la adopción de
BI&A de las PYME. Este capítulo resume los hallazgos de la tesis. También
discutiré las limitaciones de la tesis y haré sugerencias para futuras
investigaciones.

7.1 Resumen
Esta tesis explora la inversión, implementación, utilización y creación de valor de
BI&A y contribuye a nuestra comprensión del fenómeno de la adopción de
BI&A en las PYMES. La principal pregunta de investigación se centró en
obtener una mejor comprensión del fenómeno de la adopción de BI&A en el
contexto de las pymes: "¿Cómo podemos entender el fenómeno de la adopción
de BI&A en las pymes?" Para abordar esta pregunta de investigación, primero
revisé la literatura sobre la adopción de BI&A en las PYMES para comprender
las contribuciones de investigación existentes sobre este tema y definir el alcance
de mi estudio.

La pregunta principal de la investigación se abordó mediante la realización de un

estudio Delphi y un estudio exploratorio de entrevistas cualitativas a expertos.
Tres perspectivas teóricas (teoría RBV, capacidades dinámicas y modelo de
proceso de valor de SI) han informado la interpretación de los resultados de la
investigación. Identifiqué y exploré los principales impulsores e inhibidores que
influyen en la adopción de BI&A y la creación de valor. La siguiente
subpregunta de investigación abordó estos temas. SQ1: "¿Cuáles son los
impulsores e inhibidores de la adopción de BI&A en las pymes?" Los principales
impulsores e inhibidores se identificaron a través de las clasificaciones y
entrevistas de Delphi. Estos impulsores e inhibidores centrales fueron
identificados por el experto que se enfoca principalmente en los problemas de
adopción a nivel organizacional. Los principales impulsores e inhibidores
identificados se mapearon en el modelo de proceso de valor de Soh y Markus
para mostrar cómo cada factor afectó la creación de valor de BI&A. La falta de
recursos de las PYMES, que resulta en una baja preparación organizacional, es el
factor más importante para la lenta adopción y no adopción de BI&A
(Documento 5).

16
Este estudio también abordó dos subpreguntas de investigación más: SQ2:
"¿Cómo se utilizan e implementan BI&A en las PYMES?" y SQ3: "¿Cómo crean
valor las pymes a partir de las iniciativas de BI&A?" Dado que la falta de
recursos fue un factor importante para la lenta adopción o no adopción de BI&A,
este estudio muestra la importancia de abordar las inversiones en BI&A de
manera iterativa. El enfoque iterativo y gradual de invertir y construir activos de
BI&A era preferible para las PYMES. El "comienzo pequeño

16
La estrategia “pensar en grande” se enfatizó tanto en el estudio Delphi como en
las entrevistas exploratorias. Esta tesis muestra la importancia de un enfoque
iterativo en la creación exitosa de valor de BI&A. Propongo un modelo de
proceso de valor revisado para representar la naturaleza iterativa y dinámica de
BI&A (Documento 2).

Esta tesis también identifica cuatro impulsores de implementación mapeados en

el modelo de proceso de valor de SI para mostrar cómo influye en la creación de
valor de BI&A (Documento 3). Entre estos impulsores, la gobernanza de datos y
la construcción de un caso comercial son los más importantes y se consideraron
implicaciones relevantes para la práctica. La utilización de BI&A entre varias
PYMES y el valor comercial generado por las inversiones en BI&A también se
presentan en esta tesis (Documento 2 y Documento 3). Esta tesis también explora
cómo las pymes implementaron BI&A. El estudio sugiere que la tecnología de
lago de datos es un entorno de BI&A ágil y asequible para las pymes como parte
de un enfoque iterativo. Además, la implementación del lago de datos
complementa las limitaciones de las herramientas tradicionales de gestión de
datos en BI&A (Documento 4). También propuse un conjunto de
recomendaciones que contribuyen al éxito de BI & Una adopción y creación de
valor. Los enfoques de investigación que apoyan los objetivos se presentan como
contribuciones metodológicas.

7.2 Limitaciones y sugerencias para investigaciones futuras

Esta sección analiza las limitaciones del estudio y ofrece sugerencias para futuras
investigaciones. A pesar de su potencial para brindar una comprensión más rica y
mejor de la adopción de BI&A, esta tesis tiene algunas limitaciones. En primer
lugar, dirigirse solo a expertos en el estudio y las entrevistas de Delphi puede dar
una imagen limitada de la adopción de BI&A y puede no surgir de la realización
de entrevistas a expertos cualitativos y un estudio de Delphi. La realización de
estudios de casos en profundidad de una o más PYME podría proporcionar una
comprensión más profunda del tema. La segunda limitación es mi trato a las
PYME como un grupo uniforme de organizaciones. Un estudio con una
observación más detallada del tamaño de la empresa, la propiedad o las
diferencias de la industria puede arrojar resultados más detallados. Finalmente, el
estudio se realizó en un solo país.

16
Las limitaciones de la tesis ofrecen sugerencias para futuras investigaciones. Al
demostrar la implementación, utilización y creación de valor de BI&A, la tesis
puede ser un

16
base para una mayor investigación sobre la adopción de BI&A en las PYMES. El
enfoque de la tesis fue comprender mejor la adopción de BI&A en las PYMES.
La mayoría de las pymes adoptaron herramientas de BI&A sin almacén de datos
y BI&A con almacén de datos automatizado. Postulo que existe la necesidad de
estudios empíricos para evaluar la validez de los dos enfoques y lo que puede
hacer que BI&A sea más común en las PYMES. También es fundamental
considerar la diferencia entre la pequeña y la mediana empresa. El trabajo futuro
también puede centrarse en utilizar otras teorías de SI no presentadas en esta
tesis, para comprender el papel de BI & A en el desempeño organizacional.

La mayoría de las PYMES solo utilizaron BI&A para informes y análisis

simples, por lo tanto, estudios adicionales deberían evaluar la preparación y las
capacidades de las PYMES para BI&A y cómo se utiliza BI&A en varias
industrias. Las percepciones sobre el valor comercial potencial son importantes
para comprender la adopción de BI&A. Por lo tanto, los hallazgos del estudio
identificaron los impulsores de implementación críticos para la creación de valor
de BI&A. Creo que la investigación futura debería centrarse más en cómo estos
impulsores identificados, como la construcción de un caso de negocio y la
gobernanza de datos, influyen en el proceso de creación de valor de BI&A en las
pymes. Las investigaciones futuras también deberían explorar los enfoques
novedosos y rentables de BI&A, como la tecnología de lago de datos. Estos
conocimientos pueden tener implicaciones prácticas.

Finalmente, los resultados del estudio Delphi ofrecen varios temas de

investigación futuros. Los impulsores e inhibidores identificados brindan
posibilidades de estudios cuantitativos para probar las relaciones entre los
problemas centrales y otros factores y capacidades que influyen. La investigación
futura también debería centrarse en el papel de una cultura amigable con el
análisis en los entornos de toma de decisiones de las PYME. Se podría obtener
una mejor comprensión de los impulsores e inhibidores centrales identificados a
partir de estudios longitudinales mediante el examen de los procesos de adopción
a lo largo del tiempo, centrándose en los ciclos de vida de BI&A de las PYME, la
creación de valor y el desempeño organizacional.

16
16
Referencias
Acs, ZJ y Audretsch, DB, 1987. Innovación, estructura de mercado y tamaño de la
empresa.
La Revista de Economía y Estadística, págs. 567-574.
Ahmad, A., Ahmad, R. y Hashim, KF, 2016. Rasgos de innovación para la
implementación exitosa de inteligencia empresarial. Revista de Tecnología
de la Información Teórica y Aplicada, 89 (1), p. 96.
Ahmadi, H., Nilashi, M., Shahmoradi, L. e Ibrahim, O., 2017. Adopción del
sistema de información hospitalaria: perspectivas de expertos sobre un
marco de adopción para hospitales públicos de Malasia. Las computadoras
en el comportamiento humano, 67, pp.161-189.
Ain, N., Vaia, G., DeLone, WH y Waheed, M., 2019. Dos décadas de
investigación sobre adopción, utilización y éxito de sistemas de
inteligencia empresarial: una revisión sistemática de la literatura. Sistemas
de apoyo a la toma de decisiones, 125, p.113113.
Airinei, D. y Homocianu, D., 2010. El desafío de la inteligencia empresarial móvil.
Informática de Economía.
Al-Jabri, IM y Roztocki, N., 2015. Adopción de sistemas ERP: ¿Importa la
transparencia de la información? Telemática e informática, 32 (2), págs.
300 a 310.
Ali, MD, Miah, SJ y Khan, S., 2018. Antecedentes de la implementación de
inteligencia empresarial para abordar la agilidad organizacional en el
contexto de las pequeñas empresas. Revista de Asia Pacífico de la
Asociación de Sistemas de Información, 10 (1), p.5.
Alshamaila, Y., Papagiannidis, S. y Li, F., 2013. Adopción de la computación en
la nube por las PYME en el noreste de Inglaterra: un marco de múltiples
perspectivas. Journal of Enterprise Information Management, 26 (3),
páginas 250-275.
Alshawi, S., Missi, F. e Irani, Z., 2011. Factores organizativos, técnicos y de
calidad de los datos en la adopción de CRM: perspectiva de las PYME.
Gestión de marketing industrial, 40 (3), págs. 376-383.
Anjariny, AH y Zeki, AM, 2014, diciembre. Dimensión de gestión para evaluar
la preparación de las organizaciones hacia los sistemas de inteligencia
empresarial. En Actas de la 3ª Conferencia Internacional sobre
Aplicaciones y Tecnologías Avanzadas de la Ciencia de la Computación
(págs. 21-25). IEEE.
16
Arnott, D. y Pervan, G., 2005. Un análisis crítico de la investigación de sistemas
de apoyo a las decisiones. Revista de tecnología de la información, 20 (2),
págs. 67-87.

17
Arnott, D. y Pervan, G., 2008. Ocho cuestiones clave para la disciplina de los
sistemas de apoyo a la toma de decisiones. Sistemas de soporte de
decisiones, 44 (3), págs. 657-672.
Arnott, D. y Pervan, G., 2014. Un análisis crítico de la investigación de sistemas
de apoyo a la decisión revisada: el surgimiento de la ciencia del diseño.
Revista de tecnología de la información, 29 (4), págs. 43-103.
Audretsch, DB, 2002. El papel dinámico de las pequeñas empresas: evidencia de
los EE. UU.
Economía de la pequeña empresa, 18 (1-3), págs. 13-40.
Avgerou, C., 2001. La importancia del contexto en los sistemas de información y
el cambio organizacional. Revista de sistemas de información, 11 (1),
págs. 43-63.
Baars, H. y Kemper, HG, 2008. Soporte de gestión con datos estructurados y no
estructurados: un marco de inteligencia empresarial integrado. Gestión de
sistemas de información, 25 (2), pp.132-148.
Bajwa, DS, García, JE y Mooney, T., 2004. Un marco integrador para la
asimilación de sistemas de planificación de recursos empresariales: fases,
antecedentes y resultados. Journal of Computer Information Systems, 44
(3), páginas 81-90.
Bara, A., Botha, I., Diaconita, V., Lungu, I., Velicanu, A. y Velicanu, M., 2009.
Un modelo para el desarrollo de sistemas de inteligencia empresarial.
Informatica Economica, 13 (4), p. 99.
Baransel, AE y Baransel, C., 2012, julio. Arquitectura de inteligencia empresarial
para pymes. En Actas de la 36ª Conferencia Anual de Aplicaciones y
Software Informático (págs. 470-475). IEEE.
Barney, J., 1991. Recursos de la empresa y ventaja competitiva sostenida. Journal
of Management, 17 (1), págs. 99-120.
Barney, JB, 1996. La teoría de la empresa basada en recursos. Ciencias de la
organización, 7 (5), págs. 469-469.
Barney, JB y Hansen, MH, 1994. La confiabilidad como fuente de ventaja
competitiva. Revista de gestión estratégica, 15 (S1), págs. 175-190.
Beatty, RC, Shim, JP y Jones, MC, 2001. Factores que influyen en la adopción de
un sitio web corporativo: una evaluación basada en el tiempo. Información
y gestión, 38 (6), págs. 337-354.
Belleflamme, P., 2001. Competencia oligopolística, uso de las tecnologías de la
información para la diferenciación de productos y la paradoja de la

17
 productividad. Revista Internacional de Organización Industrial, 19 (1-2),
págs. 227-248.
Bernroider, EW, Wong, CW y Lai, KH, 2014. De las capacidades dinámicas a las
mejoras empresariales habilitadas por ERP: el efecto mediador de la

17
 proyecto de implementación. Revista Internacional de Gestión de
Proyectos, 32 (2), págs. 350-362.
Blili, S. y Raymond, L., 1993. Tecnología de la información: amenazas y
oportunidades para las pequeñas y medianas empresas. Revista
Internacional de Gestión de la Información, 13 (6), páginas 439-448.
Boonsiritomachai, W., McGrath, GM y Burgess, S., 2016. Explorando la
inteligencia empresarial y su profundidad de madurez en las pymes
tailandesas. Cogent Business & Management, 3 (1), p. 1220663.
Bose, R., 2009. Analítica avanzada: oportunidades y desafíos. Gestión industrial
y sistemas de datos.
Božič, K. y Dimovski, V., 2019a. Inteligencia empresarial y análisis para la
creación de valor: el papel de la capacidad de absorción. Revista
Internacional de Gestión de la Información, 46, págs. 93-103.
Božič, K. y Dimovski, V., 2019b. Uso de inteligencia y análisis de negocios,
ambidestreza de la innovación y desempeño de la empresa: una perspectiva de
capacidades dinámicas. The Journal of Strategic Information Systems, 28 (4),
p.101578. Bradford, M. y Florin, J., 2003. Examinar el papel de los factores de
difusión de la innovación en el éxito de la implementación de los sistemas de
planificación de recursos empresariales. Revista Internacional de Sistemas de
Información Contable, 4 (3),
pp.205-225.
Braun, V. y Clarke, V., 2006. Uso del análisis temático en psicología.
Investigación cualitativa en psicología, 3 (2), págs. 77-101.
Brooks, P., El-Gayar, O. y Sarnikar, S., 2015. Un marco para desarrollar un
modelo de madurez de inteligencia empresarial específico de dominio:
aplicación a la atención médica. Revista Internacional de Gestión de la
Información, 35 (3), págs. 337-345.
Burns, P., 2016. Emprendimiento y pequeñas empresas. Palgrave Macmillan
Limited.
Burstein, F. y Holsapple, CW eds., 2008. Manual sobre sistemas de apoyo a la
toma de decisiones 2: variaciones. Springer Science & Business Media.
Bygstad, B. y Munkvold, BE, 2011. Explorando el papel de los informantes en la
investigación de estudios de casos interpretativos en SI. Revista de
tecnología de la información, 26 (1), págs. 32-45.
Caldeira, MM y Ward, JM, 2002. Comprensión de la adopción y el uso exitosos
de SI / TI en las PYME: una explicación de las industrias manufactureras
17
portuguesas. Revista de sistemas de información, 12 (2), págs.121-152.

17
Caldeira, MM y Ward, JM, 2003. Utilización de la teoría basada en recursos para
interpretar la adopción y el uso exitosos de sistemas de información y
tecnología en la fabricación de pequeñas y medianas empresas. Revista
europea de sistemas de información, 12 (2), págs. 127-141.
Cao, G., Duan, Y. y El Banna, A., 2019. Una visión de la capacidad dinámica de
la analítica de marketing: evidencia de empresas del Reino Unido. Gestión
de marketing industrial, 76, pp.72-83.
Capaldo, G. y Rippa, P., 2009. Un enfoque orientado a la planificación para la
selección de la estrategia de implementación de EPR. Revista de gestión
de la información empresarial, 22 (6), 642-659.
Cappelli, P. y P. Sherer 1991. El papel que falta del contexto en OB: la necesidad
de un enfoque de nivel meso. Investigación en comportamiento
organizacional, 13, pp.55-110.
Carson, D., Cromie, S., McGowan, P. y Hill, J., 1995. Marketing y espíritu
empresarial en las PYME: un enfoque innovador. Educación Pearson.
Carson, DJ, 1985. La evolución del marketing en pequeñas empresas. Revista
europea de marketing, 19 (5), págs. 7-16.
Caya, O. y Bourdon, A., 2016. Un marco de creación de valor a partir de la
inteligencia empresarial y la analítica en el deporte competitivo. En Actas
de la 49ª Conferencia Internacional de Ciencias de Sistemas de Hawái
(HICSS) (págs. 1061-1071). IEEE.
Cepeda, G. y Vera, D., 2007. Capacidades dinámicas y capacidades operativas:
una perspectiva de la gestión del conocimiento. Revista de investigación
empresarial, 60 (5), págs. 426-437.
Chae, B., Olson, D. y Sheu, C., 2014a. El impacto de la analítica de la cadena de
suministro en el rendimiento operativo: una visión basada en recursos.
Revista Internacional de Investigación de la Producción, 52 (16), págs.
4695-4710.
Chae, B. y Olson, DL, 2013. Análisis empresarial para la cadena de suministro:
un marco de capacidades dinámicas. Revista internacional de tecnología
de la información y toma de decisiones, 12 (01), págs. 9-26.
Chae, BK, Yang, C., Olson, D. y Sheu, C., 2014b. El impacto de la analítica
avanzada y la precisión de los datos en el rendimiento operativo: una
perspectiva de la teoría contingente basada en recursos (RBT). Sistemas
de soporte de decisiones, 59, pp.119-126.

17
Chan, CM, Teoh, SY, Yeow, A. y Pan, G., 2019. Agilidad en la respuesta a la
innovación digital disruptiva: estudio de caso de una pyme. Revista de
sistemas de información, 29 (2), págs. 436-455.
Chang, TS, Fu, HP y Ku, CY, 2015a. Un modelo novedoso para implementar
ERP basado en capacidades dinámicas. Revista de gestión de tecnología
de fabricación, 26 (7), págs. 1053-1068.
Chang, V., 2014. La inteligencia empresarial como servicio en la nube. Sistemas
informáticos de la generación futura, 37, pp.512-534.
Chang, YW, Hsu, PY y Wu, ZY, 2015b. Explorando la intención de los gerentes
de utilizar la inteligencia empresarial: el papel de las motivaciones.
Comportamiento y tecnología de la información, 34 (3), págs. 273-285.
Chau, PY y Tam, KY, 1997. Factores que afectan la adopción de sistemas
abiertos: un estudio exploratorio. MIS Quarterly, págs.1-24.
Chaudhuri, S., Dayal, U. y Narasayya, V., 2011. Una descripción general de la
tecnología de inteligencia empresarial. Comunicaciones de la ACM, 54
(8), pp.88-98.
Chen, H., Chiang, RH y Storey, VC, 2012. Inteligencia empresarial y análisis: de
big data al gran impacto. MIS Quarterly, 36 (4), páginas 1165-1188. Cheung, CF
y Li, FL, 2012. Un método de extracción de coeficientes de correlación
cuantitativa para la inteligencia empresarial en pequeñas y medianas empresas
comerciales
negocio. Sistemas expertos con aplicaciones, 39 (7), págs. 6279-6291.
Chiang, RH, Goes, P. y Stohr, EA, 2012. Educación en inteligencia empresarial y
análisis, y desarrollo de programas: una oportunidad única para la
disciplina de sistemas de información. Transacciones de ACM en sistemas
de información de gestión (TMIS), 3 (3), págs.1-13.
Chichti, FT, Besbes, A. y Benzammel, I., 2016. El impacto de los factores
contextuales en la inteligencia empresarial. En Actas de la Conferencia
Internacional sobre Economía Digital (ICDEc) (págs. 74-79). IEEE.
Chuang, SH, 2004. Una perspectiva basada en recursos sobre la capacidad de
gestión del conocimiento y la ventaja competitiva: una investigación
empírica. Sistemas expertos con aplicaciones, 27 (3), págs. 459-465.
Citroen, CL, 2011. El papel de la información en la toma de decisiones
estratégicas.
Revista Internacional de Gestión de la Información, 31 (6), págs. 493-501.
Cooper, BL, Watson, HJ, Wixom, BH y Goodhue, DL, 2000. El almacenamiento

17
de datos respalda la estrategia corporativa en First American Corporation.
MIS Quarterly, páginas 547-567.

17
Costello, P., Sloane, A. y Moreton, R., 2007. Marcos de evaluación de TI: ¿hacen
una contribución valiosa? Crítica de algunos de los modelos clásicos para
las PYMES. Revista Electrónica de Evaluación de Sistemas de
Información, 10 (1).
Cruz-Jesus, F., Oliveira, T. y Naranjo, M., 2018. Comprendiendo la adopción de
la analítica e inteligencia empresarial. En Actas de la Conferencia Mundial
sobre Sistemas y Tecnologías de la Información (págs. 1094-1103).
Springer, Cham.
Cruz-Jesus, F., Pinheiro, A. y Oliveira, T., 2019. Comprensión de las etapas de
adopción de CRM: análisis empírico basado en el marco TOE.
Computadoras en la industria, 109, pp.1-13.
Custer, RL, Scarcella, JA y Stewart, BR, 1999. La técnica Delphi modificada:
una modificación rotacional. Revista de Educación Técnica y Vocacional,
15 (2), pp.50-58.
D'Amboise, G. y Muldowney, M., 1988. Teoría de la gestión para la pequeña
empresa: intentos y requisitos. Academy of Management Review, 13 (2),
págs. 226-240.
Dalkey, N., 1969. Un estudio experimental de opinión de grupo: el método Delphi.
Futuros, 1 (5), págs. 408-426.
Dalkey, N. y Helmer, O., 1963. Una aplicación experimental del método Delphi
al uso de expertos. Management Science, 9 (3), págs. 458-467.
Dandridge, TC, 1979. Los niños no son "pequeños adultos": las pequeñas
empresas necesitan su propia teoría organizativa. Journal of Small
Business Management (anterior a 1986), 17 (000002), p.53.
Darcy, C., Hill, J., McCabe, TJ y McGovern, P., 2014. Una consideración de la
sostenibilidad organizacional en el contexto de las PYME: una visión
basada en recursos y un modelo compuesto. Revista europea de formación
y desarrollo, 38 (5), págs. 398-414.
Davenport, TH, 2006. Competir en análisis. Harvard Business Review, 84 (1), p.
98.
Davenport, TH y Harris, JG, 2007. La arquitectura de la inteligencia empresarial.
Competir en análisis: la nueva ciencia de ganar.
Day, GS, 1994. Las capacidades de las organizaciones impulsadas por el
mercado. Revista de marketing, 58 (4), págs. 37-52.
Day, J. y Bobeva, M., 2005. Un conjunto de herramientas genérico para la
gestión exitosa de los estudios Delphi. La Revista Electrónica de
17
Metodología de Investigación Empresarial, 3 (2), pp.103-116.

17
De Vaus, D., 2001. Diseño de investigación en investigación social. Sabio.
Deng, X. y Chi, L., 2012. Comprensión de los comportamientos post adoptivos
en el uso de sistemas de información: un análisis longitudinal de los
problemas de uso del sistema en el contexto de la inteligencia empresarial.
Revista de sistemas de información de gestión, 29 (3), págs. 291-326.
Dex, S. y Scheibl, F., 2001. Arreglos laborales flexibles y favorables a la familia
en las PYME del Reino Unido: casos comerciales. British Journal of
Industrial Relations, 39 (3), págs. 411-431.
Djatna, T. y Munichputranto, F., 2015. Análisis y diseño de un sistema de
inteligencia empresarial móvil para la medición y evaluación de la
productividad en la línea de producción de curado de neumáticos.
Procedia Manufacturing, 4, págs. 438-444.
Dwivedi, YK, Papazafeiropoulo, A., Ramdani, B., Kawalek, P. y Lorenzo, O.,
2009. Predicción de la adopción de sistemas empresariales por parte de las
PYME. Journal of Enterprise Information Management, 22 (1), páginas
10-24.
Eder, LB e Igbaria, M., 2001. Determinantes de la difusión e infusión intranet.
Omega, 29 (3), págs. 233-242.
Eisenhardt, KM y Martin, JA, 2000. Capacidades dinámicas: ¿qué son?
Diario de gestión estratégica, 21 (10‐11), págs. 1105-1121.
Elbashir, MZ, Collier, PA y Davern, MJ, 2008. Midiendo los efectos de los
sistemas de inteligencia empresarial: la relación entre el proceso
empresarial y el desempeño organizacional. Revista Internacional de
Sistemas de Información Contable, 9 (3), páginas 135-153.
Elbashir, MZ, Collier, PA, Sutton, SG, Davern, MJ y Leech, SA, 2013. Mejora
del valor empresarial de la inteligencia empresarial: el papel del
conocimiento compartido y la asimilación. Revista de sistemas de
información, 27 (2), páginas 87-105.
Elbertsen, L., Benders, J. y Nijssen, E., 2006. Uso de ERP: ¿exclusivo o
complementado? Sistemas de datos y gestión industrial, 106 (6), págs.
811-824.
Ereth, J. y Baars, H., 2015, julio. Aplicaciones de análisis e inteligencia
empresarial basadas en la nube: valor empresarial y viabilidad. En Actas
de la Conferencia de Asia Pacífico sobre Sistemas de Información
(PACIS) (p. 36).
Etemad, H., 2005. Estrategias de internacionalización de las pymes basadas en el
18
ciclo de vida evolutivo de una filial típica en tres etapas diferenciadas.
MIR: Management International Review, páginas 145-186.

18
Eybers, S., Kroeze, JH y Strydom, I., 2013. Hacia un marco de clasificación de la
investigación de valor de inteligencia empresarial. Capítulo italiano de
AIS (itAIS).
Fiegenbaum, A. y Karnani, A., 1991. Flexibilidad de producción: una ventaja
competitiva para las pequeñas empresas. Revista de gestión estratégica, 12
(2), págs. 101-114.
Fink, L., Yogev, N. y Even, A., 2017. Inteligencia empresarial y aprendizaje
organizacional: una investigación empírica de los procesos de creación de
valor. Información y gestión, 54 (1), págs. 38-56.
Foong, SY, 1999. Efecto de los atributos personales y de sistemas del usuario
final sobre el éxito de los sistemas de información basados en
computadoras en las PYMES de Malasia. Revista de gestión de pequeñas
empresas, 37 (3), p.81.
Foshay, N., Taylor, A. y Mukherjee, A., 2014. Ganar los corazones y las mentes
de los usuarios de inteligencia empresarial: el papel de los metadatos.
Gestión de sistemas de información, 31 (2), páginas 167-180.
Gable, G. y Stewart, G., 1999. Problemas de implementación de SAP R / 3 para
pequeñas y medianas empresas. En Actas de la Quinta Conferencia de las
Américas sobre Sistemas de Información (AMCIS), (p.269).
Gash, D., Ariyachandra, T. y Frolick, M., 2011. Looking to the clouds for
business intelligence. Journal of Internet Commerce, 10 (4), págs. 261-
269.
Gibson, M. y Arnott, D., 2003. Business Intelligence para pequeñas empresas:
evaluación, marco y agenda. En Actas de la Conferencia de Asia Pacífico
sobre Sistemas de Información (PACIS), (p.51).
Gibson, M., Arnott, D., Jagielska, I. y Melbourne, A., 2004. Evaluación de los
beneficios intangibles de la inteligencia empresarial: agenda de revisión e
investigación. En Actas de la Conferencia Internacional de IFIP sobre
Sistemas de Apoyo a las Decisiones (DSS2004): Apoyo a las Decisiones
en un Mundo Incierto y Complejo (págs. 295-305). Prato, Italia.
Gioia, DA y Chittipeddi, K., 1991. Sentido y sentido en la iniciación del cambio
estratégico. Revista de gestión estratégica, 12 (6), págs. 433-448.
Gold, AH, Malhotra, A. y Segars, AH, 2001. Gestión del conocimiento: una
perspectiva de las capacidades organizacionales. Revista de sistemas de
información de gestión, 18 (1), páginas 185-214.
Grabova, O., Darmont, J., Chauchat, JH y Zolotaryova, I., 2010. Inteligencia
18
empresarial para pequeñas y medianas empresas. Registro ACM
SIGMOD, 39 (2), págs. 39-50.

18
Grant, RM, 1991. La teoría de la ventaja competitiva basada en recursos:
implicaciones para la formulación de estrategias. Revisión de la gestión de
California, 33 (3), págs. 114-135.
Grover, V., Chiang, RH, Liang, TP y Zhang, D., 2018. Creación de valor
comercial estratégico a partir del análisis de big data: un marco de
investigación. Revista de sistemas de información de gestión, 35 (2), págs.
388-423.
Gudfinnsson, K. y Strand, M., 2017. Desafíos con la adopción de BI en PYMES.
En Actas de la 8ª Conferencia Internacional sobre Información,
Inteligencia, Sistemas y Aplicaciones (IISA) (págs. 1-6). IEEE.
Gupta, M. y Cawthon, G., 1996. Implicaciones gerenciales de la fabricación
flexible para pequeñas y medianas empresas. Technovation, 16 (2), págs.
77-94.
Gupta, M. y George, JF, 2016. Hacia el desarrollo de una capacidad de análisis
de big data. Información y gestión, 53 (8), págs. 1049-1064.
Gürdür, D., El-khoury, J. y Törngren, M., 2019. Digitalización de la industria
sueca: ¿Qué sigue ?: Evaluación de la preparación del análisis de datos de
la industria sueca, según los resultados de la encuesta. Computadoras en la
industria, 105, pp.153-163.
Hameed, MA, Counsell, S. y Swift, S., 2012. Un modelo conceptual para el
proceso de adopción de la innovación de TI en las organizaciones. Revista
de Gestión de Ingeniería y Tecnología, 29 (3), págs. 358-390.
Han, HS, Lee, JN y Seo, YW, 2008. Análisis del impacto de la capacidad de una
empresa en el éxito de la subcontratación: una perspectiva de proceso.
Información y gestión, 45 (1), págs. 31-42.
Harris, J., Ives, B. y Junglas, I., 2012. Consumición de TI: cuando los
dispositivos se convierten en herramientas de TI empresariales. Ejecutivo
trimestral de MIS, 11 (3).
Hatta, NNM, Miskon, S., Ali, NM, Abdullah, NS, Ahmad, N., Hashim, H., Alias,
RA y Maarof, MA, 2015. Teorías de adopción de sistemas de inteligencia
empresarial en PYME: revisión de la literatura. Revista ARPN de
Ingeniería y Ciencias Aplicadas, 10 (23), páginas 18165-18174.
Hawking, P. y Sellitto, C., 2010. Factores críticos de éxito de Business
Intelligence (BI). En Actas de la 21ª Conferencia Australiana sobre
Sistemas de Información. (págs. 1-3).
Hidayanto, AN, Kristianto, R. y Shihab, MR, 2012. Preparación para la
18
implementación de inteligencia empresarial: desarrollo de un marco y su
aplicación a las pequeñas y medianas empresas (PYME). En Actas del 3er
Simposio Internacional de Investigación en Gestión de Servicios (IRSSM-
3).

18
Hill, J., Nancarrow, C. y Wright, LT, 2002. Ciclos de vida y puntos de crisis en
las PYME: un enfoque de caso. Inteligencia y planificación de marketing,
20 (6), págs. 361-369.
Hill, J. y Scott, T., 2004. Una consideración de las funciones de la inteligencia
empresarial y el comercio electrónico en la toma de decisiones de gestión
y marketing en empresas emergentes basadas en el conocimiento y de alta
tecnología. Investigación de mercado cualitativa: una revista internacional,
7 (1), págs. 48-57.
Hiziroglu, A. y Cebeci, H.İ., 2013. Un marco conceptual de una herramienta de
análisis de clientes basada en la nube para pymes minoristas.
Publicaciones periódicas de ingeniería y ciencias naturales, 1 (2).
Hočevar, B. y Jaklič, J., 2010. Evaluación de los beneficios de los sistemas de
inteligencia empresarial: un estudio de caso. Gestión: Revista de
cuestiones de gestión contemporáneas, 15 (1), páginas 87-119.
Horakova, M. y Skalska, H., 2013. Inteligencia empresarial e implementación en
una pequeña empresa. Revista de integración de sistemas, 4 (2), p.50.
Hou, CK, 2012. Examen del efecto de la satisfacción del usuario en el uso del
sistema y el rendimiento individual con sistemas de inteligencia
empresarial: un estudio empírico de la industria electrónica de Taiwán.
Revista Internacional de Gestión de la Información, 32 (6), páginas 560-
573.
Hou, CK, 2016. Uso del cuadro de mando integral para evaluar el impacto del
uso del sistema de BI en el desempeño organizacional: un estudio
empírico de la industria de semiconductores de Taiwán. Desarrollo de la
información, 32 (5), págs. 1545-1569.
Hribar Rajterič, I., 2010. Descripción general de los modelos de madurez de
inteligencia empresarial. Management: Journal of Contemporary
Management Issues, 15 (1), págs. 47-67.
Hsu, CC y Sandford, BA, 2007. La técnica Delphi: dar sentido al consenso.
Evaluación práctica, investigación y evaluación, 12 (10), págs. 1-8.
Hu, PJH, Chau, PY y Sheng, ORL, 2000. Investigación de los factores que
afectan la adopción de la tecnología de telemedicina por parte de las
organizaciones de salud. En Actas de la 33ª Conferencia Internacional
Anual de Hawaii sobre Ciencias de Sistemas (p.10). IEEE.
Humm, B. y Wietek, F., 2005. Architektur von data warehouses und business
intelligence systems. Informatik-Spektrum, 28 (1), págs. 3-14.
18
Hwang, Y., 2005. Investigando la adopción de sistemas empresariales: evitación
de la incertidumbre, motivación intrínseca y modelo de aceptación de la
tecnología. Revista europea de sistemas de información, 14 (2), págs. 150-
161.
Iacovou, CL, Benbasat, I. y Dexter, AS, 1995. Intercambio electrónico de datos y
pequeñas organizaciones: adopción e impacto de la tecnología. MIS
Quarterly, págs. 465-485.
IFC2012.IFCandSmallandMediumEnterprises.URL:

http://www.ifc.org/wps/wcm/connect/277d1680486a831abec2fff995bd23
db / AM11IFC + IssueBrief_SME.pdf? MOD = AJPERES (visitado
en Noviembre de 2019) (p.1)
Igbaria, M., Zinatelli, N. y Cavaye, ALM, 1998. Análisis del éxito de la
tecnología de la información en pequeñas empresas de Nueva Zelanda.
Revista Internacional de Gestión de la Información, 18 (2), páginas 103-
119.
Jaklič, J., Grublješič, T. y Popovič, A., 2018. El papel de la compatibilidad en la
predicción de intenciones de uso de análisis e inteligencia empresarial.
Revista Internacional de Gestión de la Información, 43, págs. 305-318.
Jenkins, H., 2004. Una crítica de la teoría convencional de la RSE: una perspectiva
de las PYME.
Revista de Gerencia General, 29 (4), págs. 37-57.
Johnston, HR y Vitale, MR, 1988. Creación de una ventaja competitiva con
sistemas de información interorganizacionales. MIS Quarterly, páginas
153-165.
Jones, P., Packham, G., Beckinsale, M., Nguyen, TH y Waring, TS, 2013. La
adopción de la tecnología de gestión de relaciones con el cliente (CRM)
en las PYME. Revista de desarrollo de pequeñas empresas y empresas.
Junior, CH, Oliveira, T. y Yanaze, M., 2019. Las etapas de adopción
(Evaluación, Adopción y Rutinización) de sistemas ERP con
funcionalidad de análisis de negocio en el contexto de granjas.
Computadoras y electrónica en la agricultura, 156, págs. 334-348.
Kappelman, L., McLean, E., Luftman, J. y Johnson, V., 2013. Temas clave de las
organizaciones de TI y su liderazgo: Estudio de tendencias de TI de SIM
2013. Ejecutivo trimestral de MIS, 12 (4).
Keil, M., Lee, HK y Deng, T., 2013. Comprensión de las habilidades más críticas

18
 para la gestión de proyectos de TI: un estudio de Delphi sobre gerentes de
proyectos de TI. Información y gestión, 50 (7), págs. 398-414.
Kendall, MG y Gibbons, JD, 1990. Métodos de correlación. Oxford: Prensa de la
Universidad de Oxford.

18
Kezar, A. y Maxey, D., 2016. La técnica Delphi: Un enfoque sin explotar de la
investigación participativa. Revista Internacional de Metodología de la
Investigación Social, 19 (2), pp.143-160.
Khan, RA y Quadri, SMK, 2012. Inteligencia empresarial: un enfoque integrado.
Business Intelligence Journal, 5 (1), págs. 64-70.
Kirsch, LS, 1997. Portafolios de modos de control y gestión de proyectos de SI.
Investigación de sistemas de información, 8 (3), págs. 215-239.
Kitchenham, B., 2004. Procedimientos para realizar revisiones sistemáticas.
Keele, Reino Unido, Universidad de Keele, 33 (2004), págs. 1 a 26.
Klein, D., Tran-Gia, P. y Hartmann, M., 2013. Big data. Informatik-Spektrum, 36
(3), págs. 319-323.
Klein, HK y Myers, MD, 1999. Un conjunto de principios para realizar y evaluar
estudios de campo interpretativos en sistemas de información. MIS
Quarterly, 23 (1), págs. 67-93.
Ko, E., Kim, SH, Kim, M. y Woo, JY, 2008. Características organizativas y
proceso de adopción de CRM. Journal of Business Research, 61 (1), págs.
65-74.
Kohnke, O., Wolf, TR y Mueller, K., 2011. Gestión de la aceptación del usuario:
una investigación empírica en el contexto del software estándar de
inteligencia empresarial. Revista Internacional de Sistemas de Información
y Gestión del Cambio, 5 (4), págs. 269-290.
Kowalczyk, M. y Buxmann, P., 2014. Big data y procesamiento de la
información en los procesos de decisión organizacional. Ingeniería de
sistemas de información y negocios, 6 (5), págs. 267-278.
Kulkarni, U. y Robles-Flores, JA, 2013. Desarrollo y validación de un modelo de
éxito de BI. En Actas de la Decimonovena Conferencia de las Américas
sobre Sistemas de Información (AMCIS). Chicago, Illinois.
Kumar, V., Maheshwari, B. y Kumar, U., 2002. Proceso de adopción de sistemas
de planificación de recursos empresariales: una encuesta de
organizaciones canadienses. Revista Internacional de Investigación de la
Producción, 40 (3), págs. 509-523.
Laframboise, K. y Reyes, F., 2005. Obtener una ventaja competitiva al integrar la
planificación de recursos empresariales y la gestión de la calidad total.
Revista de gestión de la cadena de suministro, 41 (3), págs. 49-64.
Landroguez, SM, Castro, CB y Cepeda ‐ Carrión, G., 2011. Creando capacidades
dinámicas para incrementar el valor del cliente. Decisión de gestión, 49
18
(7), págs. 1141-1159

19
Lang, JR, Calantone, RJ y Gudmundson, D., 1997. Búsqueda de información de
pequeñas empresas como respuesta a amenazas y oportunidades
ambientales. Revista de gestión de pequeñas empresas, 35 (1), p.11.
Larson, D. y Chang, V., 2016. Una revisión y dirección futura de agilidad,
inteligencia empresarial, análisis y ciencia de datos. Revista Internacional
de Gestión de la Información, 36 (5), págs. 700-710.
Lautenbach, P., Johnston, K. y Adeniran-Ogundipe, T., 2017. Factores que
influyen en el alcance del uso de análisis e inteligencia empresarial en
organizaciones sudafricanas. Revista Sudafricana de Gestión Empresarial,
48 (3), págs. 23-33.
Lefebvre, E. y Lefebvre, LA, 1992. Innovación empresarial y características del
CEO en pequeñas empresas manufactureras. Revista de gestión de
ingeniería y tecnología, 9 (3-4), págs.243-277.
Lengnick-Hall, CA, Lengnick-Hall, ML y Abdinnour-Helm, S., 2004. El papel
del capital social e intelectual en el logro de una ventaja competitiva a
través de sistemas de planificación de recursos empresariales (ERP).
Revista de Gestión de Ingeniería y Tecnología, 21 (4), págs. 307-330.
Levy, M., Loebbecke, C. y Powell, P., 2003. PYME, cooperación e intercambio
de conocimientos: el papel de los sistemas de información. Revista
europea de sistemas de información, 12 (1), págs. 3 a 17.
Levy, M. y Powell, P., 1998. La flexibilidad de las PYME y el papel de los
sistemas de información. Economía de la pequeña empresa, 11 (2),
páginas 183-196.
Levy, M. y Powell, P., 2000. Estrategia de sistemas de información para
pequeñas y medianas empresas: una perspectiva organizacional. The
Journal of Strategic Information Systems, 9 (1), págs. 63-84.
Levy, M., Powell, P. y Galliers, R., 1999. Evaluación de los marcos de desarrollo
de estrategias de sistemas de información en las PYME. Información y
gestión, 36 (5), págs. 247-261.
Levy, M., Powell, P. y Yetton, P., 2001. Pymes: alineando IS y el contexto
estratégico. Revista de tecnología de la información, 16 (3), páginas 133-
144.
Lim, EP, Chen, H. y Chen, G., 2013. Inteligencia empresarial y análisis:
direcciones de investigación. Transacciones de ACM sobre sistemas de
información de gestión (TMIS), 3 (4), págs. 1-10.
Lim, KH, 2009. Difusión de sistemas de gestión del conocimiento en empresas
19
chinas: un enfoque de múltiples etapas utilizando la tecnología-
organización-

19
 marco medioambiental. Revista de gestión de la información global
(JGIM), 17 (1), págs. 70-84.
Linstone, HA y Turoff, M. eds., 1975. El método delphi (págs. 3-12). Reading,
MA: Addison-Wesley.
Liyang, T., Zhiwei, N., Zhangjun, W. y Li, W., 2011. Un marco conceptual para
la inteligencia empresarial como servicio (SaaS BI). En 2011, Cuarta
Conferencia Internacional sobre Tecnología y Automatización de
Computación Inteligente (Vol. 2, pp. 1025-1028). IEEE.
Lycett, M., 2013. 'Dataficación': dar sentido a los (grandes) datos en un mundo
complejo.
Saltador
Ma, X. y Loeh, H., 2007. Cerrando la brecha: ¿Cómo deberían las empresas
chinas desarrollar las capacidades para implementar la innovación de
procesos impulsada por ERP? Revista Internacional de Gestión de
Tecnología, 39 (3-4), páginas 380-395.
Marston, S., Li, Z., Bandyopadhyay, S., Zhang, J. y Ghalsasi, A., 2011.
Computación en la nube: la perspectiva empresarial. Sistemas de apoyo a
la toma de decisiones, 51 (1), págs. 176-189.
Mathrani, S. y Mathrani, A., 2013, enero. Aprovechar la inteligencia empresarial
para generar metaconocimiento. En Actas de la 46ª Conferencia
Internacional de Ciencias de Sistemas de Hawái (págs. 3787-3796). IEEE.
Matthews, CH y Scott, SG, 1995. Incertidumbre y planificación en empresas
pequeñas y emprendedoras: una evaluación empírica. Journal of Small
Business Management, 33 (4), p.34.
Melville, N., Kraemer, K. y Gurbaxani, V., 2004. Tecnología de la información y
desempeño organizacional: un modelo integrador de valor comercial de
TI. MIS Quarterly, 28 (2), páginas 283-322.
Meuser, M. y Nagel, U., 2009. La entrevista al experto y los cambios en la
producción de conocimiento. En Entrevistar a expertos (págs. 17-42).
Palgrave Macmillan, Londres.
Mikalef, P., Pappas, IO, Krogstie, J. y Giannakos, M., 2017. Capacidades de
análisis de Big Data: una revisión sistemática de la literatura y una agenda
de investigación. Gestión de sistemas de información y comercio
electrónico, 16 (3), págs. 547-578.
Mintzberg, H., 1989. La estructuración de organizaciones. En Lecturas de gestión
estratégica (págs. 322-352). Palgrave, Londres.

19
Moran, P. y Ghoshal, S., 1999. Mercados, empresas y el proceso de desarrollo
económico. Academy of Management Review, 24 (3), págs. 390-412.

19
Moreno, V., Carvalho, WDS y Cavazotte, F., 2018. ¿La inteligencia empresarial
aprovecha las capacidades dinámicas y operativas? Impactos en los
procesos de marketing en las empresas de telecomunicaciones. En Actas
de la Vigésima Cuarta Conferencia de las Américas sobre Sistemas de
Información (AMCIS), Nueva Orleans.
Mowday, RT y Sutton, RI, 1993. Comportamiento organizacional: vinculación
de individuos y grupos con contextos organizacionales. Revisión anual de
psicología, 44 (1), páginas 195-229.
Muriithi, GM y Kotzé, JE, 2013. Un marco conceptual para ofrecer soluciones de
inteligencia empresarial rentables como servicio. En Actas de la
Conferencia del Instituto Sudafricano de Científicos y Tecnólogos de la
Información (págs. 96-100).
Mustonen-Ollila, E. y Lyytinen, K., 2003. Por qué las organizaciones adoptan
innovaciones en los procesos del sistema de información: un estudio
longitudinal que utiliza la teoría de la difusión de la innovación. Revista
de sistemas de información, 13 (3), págs. 275-297.
Namvar, M. y Cybulski, J., 2014. Organizaciones basadas en BI: una perspectiva
de creación de sentido. En Actas de la 35ª Conferencia Internacional sobre
Sistemas de Información (ICIS).
Negash, S., 2004. Business Intelligence. Comunicación de la Asociación de
Sistemas de Información, 13 (15), págs. 177-195.
Nelson, RR, Todd, PA y Wixom, BH, 2005. Antecedentes de la calidad de la
información y del sistema: un examen empírico en el contexto del
almacenamiento de datos. Revista de sistemas de información de gestión,
21 (4), págs. 1999-235.
Newby, M., Nguyen, TH y Waring, TS, 2014. Comprensión de la adopción de
tecnología de gestión de relaciones con los clientes en pequeñas y
medianas empresas. Journal of Enterprise Information Management, 27
(5), páginas 541-560.
Okoli, C. y Pawlowski, SD, 2004. El método Delphi como herramienta de
investigación: un ejemplo, consideraciones de diseño y aplicaciones.
Información y gestión, 42 (1), págs. 15-29.
Oliveira, T. y Martins, MF, 2008, julio. Una comparación de la adopción de
sitios web en pequeñas y grandes empresas portuguesas. En Actas del
ICE-B (págs. 370-377).

19
Oliveira, T. y Martins, MF, 2011. Revisión de la literatura sobre modelos de
adopción de tecnologías de la información a nivel de empresa. Revista
Electrónica de Evaluación de Sistemas de Información, 14 (1), p.110.
Oliveira, T., Thomas, M. y Espadanal, M., 2014. Evaluación de los
determinantes de la adopción de la computación en la nube: un análisis de
los sectores de fabricación y servicios. Información y gestión, 51 (5), págs.
497-510.
Olszak, CM, 2014. Hacia una comprensión de Business Intelligence. Un marco
dinámico basado en capacidades para Business Intelligence. En Actas de
la Conferencia Federada sobre Ciencias de la Computación y Sistemas de
Información (pp.1103-1110). IEEE.
Olszak, CM, 2016. Hacia una mejor comprensión y uso de Business Intelligence
en organizaciones. Gestión de sistemas de información, 33 (2), págs. 105-
123.
Olszak, CM y Ziemba, E., 2008. El modelo conceptual de un portal de
aprendizaje web para pequeñas y medianas empresas. Problemas para
informar la ciencia y la tecnología de la información, 5, págs. 335-351.
Olszak, CM y Ziemba, E., 2012. Factores críticos de éxito para implementar
sistemas de inteligencia empresarial en pequeñas y medianas empresas en
el ejemplo de la Alta Silesia, Polonia. Revista interdisciplinaria de
información, conocimiento y gestión, 7 (2), pp.129-150.
Ong, IL, Siew, PH y Wong, SF, 2011. Una arquitectura de inteligencia
empresarial de cinco capas. Comunicaciones del IBIMA.
Orlikowski, WJ y Baroudi, JJ, 1991. Estudiar la tecnología de la información en
las organizaciones: enfoques y supuestos de investigación. Investigación
de sistemas de información, 2 (1), págs.
Orlikowski, WJ y Iacono, CS, 2001. Comentario de investigación: Buscando
desesperadamente la “TI” en la investigación de TI: un llamado a teorizar
el artefacto de la TI. Investigación de sistemas de información, 12 (2),
pp.121-134.
Päivärinta, T., Pekkola, S. y Moe, C., 2011. Teoría de la base de los estudios de
Delphi. En Actas de la Trigésima Segunda Conferencia Internacional
sobre Sistemas de Información (ICIS), Shanghai.
Palvia, PC y Palvia, SC, 1999. Un examen de la satisfacción de TI de los
usuarios de pequeñas empresas. Información y gestión, 35 (3), págs. 127-
137.
19
Pan, MJ y Jang, WY, 2008. Determinantes de la adopción de la planificación de
recursos empresariales dentro del marco tecnología-organización-entorno:
la industria de las comunicaciones de Taiwán. Journal of Computer
Information Systems, 48 (3), páginas 94-102.

19
Pare, G., Cameron, AF, Poba-Nzaou, P. y Templier, M., 2013. Una evaluación
sistemática del rigor en los estudios Delphi de tipo ranking de sistemas de
información. Información y gestión, 50 (5), páginas 207-217.
Pavlou, PA y El Sawy, OA, 2011. Comprendiendo la elusiva caja negra de las
capacidades dinámicas. Decision Sciences, 42 (1), págs.239-273.
Peltier, JW, Schibrowsky, JA y Zhao, Y., 2009. Comprensión de los antecedentes
de la adopción de la tecnología CRM por los pequeños minoristas:
emprendedores vs propietarios-gerentes. Revista internacional de
pequeñas empresas, 27 (3), páginas 307-336.
Peteraf, MA, 1993. Las piedras angulares de la ventaja competitiva: una visión
basada en recursos. Revista de Gestión Estratégica, 14 (3), pp.179-191.
Petter, S., DeLone, W. y McLean, E., 2008. Midiendo el éxito de los sistemas de
información: modelos, dimensiones, medidas e interrelaciones. Revista
europea de sistemas de información, 17 (3), páginas 236-263.
Philliber, SG, Schwab, MR y Samloss, G., 1980. Investigación social, Guías para
un proceso de toma de decisiones, Peacock. Itasca, IL.
Poba ‐ Nzaou, P., Raymond, L. y Fabi, B., 2008. Adopción y riesgo de sistemas
ERP en PYMES manufactureras: un estudio de caso positivista. Diario de
gestión de procesos de negocio, 14 (4), páginas 530-550.
Popovič, A., 2017. Si lo implementamos, ¿vendrán? Resistencia del usuario en el
comportamiento de uso posterior a la aceptación dentro de un contexto de
sistemas de inteligencia empresarial. Economic Research, 30 (1), págs.
911-921.
Popovič, A., Puklavec, B. y Oliveira, T., 2019. Justificación de la adopción de
sistemas de inteligencia empresarial en pymes. Sistemas de datos y gestión
industrial, 119 (1), páginas 210-228.
Popovič, A., Turk, T. y Jaklič, J., 2010. Modelo conceptual del valor empresarial
de los sistemas de inteligencia empresarial. Management: Journal of
Contemporary Management Issues, 15 (1), pp.5-30.
Premkumar, G., 2003. Un metaanálisis de la investigación sobre la
implementación de tecnologías de la información en pequeñas empresas.
Revista de Computación Organizacional y Comercio Electrónico, 13 (2),
pp.91-121.
Puklavec, B., Oliveira, T. y Popovič, A., 2014. Desempaquetando los
determinantes de la adopción de sistemas de inteligencia empresarial: un
estudio exploratorio de pequeñas y medianas empresas. Economic &
19
Business Review, 16 (2), p. 185.

19
Puklavec, B., Oliveira, T. y Popovič, A., 2018. Comprensión de los
determinantes de las etapas de adopción del sistema de inteligencia
empresarial. Sistemas de datos y gestión industrial, 118 (1), págs.236-261.
Qushem, UB, Zeki, AM y Abubakar, A., 2017. Exitoso sistema de inteligencia
empresarial para pymes: un estudio analítico en Malasia. En IOP Conference
Series: Ciencia e ingeniería de materiales, 226 (1), p. 012090. Rackoff, N.,
Wiseman, C. y Ullrich, WA, 1985. Sistemas de información para una ventaja
competitiva: implementación de un proceso de planificación. MAL
Trimestral, págs. 285-294.
Raeth, P., Urbach, N., Smolnik, S., Butler, BS y Königs, P., 2010, The Adoption
of Web 2.0 in Corporations: A Process Perspective. En Actas de la 16ª
Conferencia de las Américas sobre Sistemas de Información (AMCIS)
(p.405).
Rahayu, R. y Day, J., 2015. Factores determinantes de la adopción del comercio
electrónico por las PYME en los países en desarrollo: evidencia de
Indonesia. Procedia-Ciencias Sociales y del Comportamiento, 195,
pp.142-150.
Raju, PS, Lonial, SC y Crum, MD, 2011. Orientación al mercado en el contexto
de las pymes: un marco conceptual. Revista de investigación empresarial,
64 (12), páginas 1320-1326.
Ram, J., Corkindale, D. y Wu, ML, 2014. Adopción de ERP y creación de valor:
Examinando las contribuciones de los antecedentes. Revista de Gestión de
Ingeniería y Tecnología, 33, pp.113-133.
Ram, J. y Pattinson, M., 2009. Explorando los antecedentes de la adopción
organizacional de ERP y su efecto en el desempeño de las empresas. En
Actas de la Conferencia europea sobre sistemas de información (ECIS)
(págs. 1174-1186).
Ram, J., Zhang, C. y Koronios, A., 2016. Las implicaciones de la analítica de big
data en la inteligencia empresarial: un estudio cualitativo en China.
Procedia Computer Science, 87, págs. 221-226.
Ranjan, J., 2009. Inteligencia empresarial: conceptos, componentes, técnicas y
beneficios. Revista de tecnología de la información teórica y aplicada, 9
(1), págs. 60-70.
Raymond, L., 1988. El impacto de la capacitación en computación en las
actitudes y el comportamiento de uso de los gerentes de pequeñas
empresas. Revista de gestión de pequeñas empresas, 26 (3), p.8.
20
Raymond, L. y Uwizeyemungu, S., 2007. Un perfil de adopción de ERP en
PYMES manufactureras. Journal of Enterprise Information Management,
20 (4), págs. 487-502.
Reinschmidt, J. y Francoise, A., 2000. Guía de certificación de inteligencia
empresarial.
Organización internacional de soporte técnico de IBM.
Richards, G., Yeoh, W., Chong, AYL y Popovič, A., 2019. Eficacia de la
inteligencia empresarial y gestión del desempeño corporativo: un análisis
empírico. Journal of Computer Information Systems, 59 (2), págs. 188-
196.
Rogers, EM 1995. Difusión de innovaciones. Cuarta edición. Nueva York: Free
Press.
Rostek, K., Wiśniewski, M. y Kucharska, A., 2012. Consorcio de inteligencia
empresarial en la nube para pymes. Fundamentos de la gestión, 4 (1),
pp.105-122.
Rothwell, R., Beesley, M., Barber, J. y Metcalfe, JS, 1989. La importancia de la
transferencia de tecnología. Barreras al crecimiento en las pequeñas
empresas, págs. 87-103.
Rowe, F., Truex, D. y Huynh, MQ, 2012. Un estudio empírico de los
determinantes de la adopción del comercio electrónico en las PYME en
Vietnam: una economía en transición. Revista de gestión de la
información global (JGIM), 20 (3), págs.23-54.
Ruivo, P., Oliveira, T. y Neto, M., 2015. Uso de la teoría de la vista basada en
recursos para evaluar el valor de los paquetes comerciales de ERP en las
pymes. Computadoras en la industria, 73, pp.105-116.
Sadok, M. y Lesca, H., 2009. Un modelo de inteligencia empresarial para pymes
basado en el conocimiento tácito. En Actas de la Gestión de la Innovación
y el Conocimiento en Desafíos y Soluciones de las Economías de Doble
Vía - Actas de la XI Conferencia de la Asociación Internacional de
Gestión de la Información Empresarial (IBIMA) (págs. 218-225).
Sammon, D. y Adam, F., 2010. Preparación de proyectos y aparición de
problemas de implementación en proyectos de ERP. Información y
gestión, 47 (1), págs. 1-8.
Scheepers, H. y Scheepers, R., 2008. Un marco de decisión centrado en el
proceso para analizar el valor comercial potencial de las inversiones en TI.
Fronteras de los sistemas de información, 10 (3), págs. 321-330.

20
Schendel, D., 1994. Introducción a 'Comportamiento organizacional competitivo:
hacia una teoría de la ventaja competitiva basada en la organización'.
Revista de gestión estratégica, 15 (S1), págs. 1-4.

20
Schmidt, RC, 1997. Manejo de encuestas Delphi usando técnicas estadísticas no
paramétricas. Decision Sciences, 28 (3), págs. 763-774.
Scholz, P., Schieder, C., Kurze, C., Gluchowski, P. y Böhringer, M., 2010.
Beneficios y desafíos de la adopción de inteligencia empresarial en
pequeñas y medianas empresas. En Actas de la 18ª Conferencia Europea
de Sistemas de Información (ECIS).
Schryen, G., 2013. Revisando la investigación del valor empresarial de SI: lo que
ya sabemos, lo que aún necesitamos saber y cómo podemos llegar allí.
Revista europea de sistemas de información, 22 (2), págs. 139-169.
Escocia, J., 2012. Explorando los fundamentos filosóficos de la investigación:
relacionar la ontología y la epistemología con la metodología y los
métodos de los paradigmas de investigación científica, interpretativa y
crítica. Enseñanza del idioma inglés, 5 (9), págs. 9-16.
Seah, M., Hsieh, MH y Weng, PD, 2010. Un análisis de caso de Savecom: El
papel del liderazgo indígena en la implementación de un sistema de
inteligencia empresarial. Revista Internacional de Gestión de la
Información, 30 (4), págs. 368 a 373.
Seddon, PB, Calvert, C. y Yang, S., 2010. Un modelo multiproyecto de factores
clave que afectan los beneficios organizacionales de los sistemas
empresariales. MIS Quarterly, 34 (2), páginas 305-328.
Seddon, PB, Constantinidis, D., Tamm, T. y Dod, H., 2017. ¿Cómo contribuye la
analítica empresarial al valor empresarial? Revista de sistemas de
información, 27 (3), páginas 237-269.
Shamim, S., Zeng, J., Shariq, SM y Khan, Z., 2018. Papel de la gestión de big
data en la mejora de la capacidad y la calidad de la toma de decisiones de
big data entre las empresas chinas: una vista de capacidades dinámicas.
Información y gestión, 56 (6), p.103135.
Shariat, M. y Hightower Jr, R., 2007. Conceptualizando la arquitectura de
inteligencia empresarial. Revista de gestión de marketing, 17 (2).
Shollo, A. y Galliers, RD, 2016. Hacia una comprensión del papel de los sistemas
de inteligencia empresarial en el conocimiento organizacional. Revista de
sistemas de información, 26 (4), págs. 339-367.
Sidorova, A. y Torres, R., 2014. Business intelligence y analítica: una vista de
dinamización de capacidades. En Actas de la 20ª Conferencia de las
Américas sobre Sistemas de Información (AMCIS).

20
Simmers, CA, 2004. Un modelo de inteligencia empresarial para las partes
interesadas. En Técnicas de inteligencia empresarial (págs. 227-242).
Springer, Berlín, Heidelberg.
Smith, D. y Crossland, M., 2008. Realizing the value of Business Intelligence. En
IFIP World Computer Congress, TC 8 (págs. 163-174). Springer, Boston,
MA.
Soh, C. y Markus, ML, 1995. Cómo las TI crean valor empresarial: una síntesis
de la teoría de procesos. En Actas de la Conferencia Internacional de
Sistemas de Información (ICIS) (p.4).
Starbuck, WH, 1976. Organizaciones y sus entornos. Manual de Psicología
Industrial y Organizacional.
Stipić, A. y Bronzin, T., 2011. Mobile BI: The past, the present and the future.
En Actas de la 34ª Convención Internacional MIPRO (págs. 1560-1564).
IEEE.
Storey, DJ, 2016. Comprendiendo el sector de la pequeña empresa. Routledge.
Storey, DJ y Westhead, P., 1997. Formación en gestión en pequeñas empresas:
¿un caso de fallo del mercado? Revista de gestión de recursos humanos, 7
(2), págs. 61-71.
Tamm, T., Seddon, P. y Shanks, G., 2013. Pathways to value from business
analytics. En Actas de la Conferencia Internacional de Sistemas de
Información (ICIS) (págs. 2915-2930).
Teece, DJ, 2007. Explicando las capacidades dinámicas: la naturaleza y los micro
fundamentos del desempeño empresarial (sostenible). Revista de gestión
estratégica, 28 (13), págs. 1319-1350.
Teece, DJ, Pisano, G. y Shuen, A., 1997. Capacidades dinámicas y gestión
estratégica. Revista de gestión estratégica, 18 (7), págs. 509-533.
Teo, TS, Ranganathan, C. y Dhaliwal, J., 2006. Dimensiones clave de los
inhibidores para el despliegue del comercio electrónico de empresa a
empresa basado en la web. IEEE Transactions on Engineering
Management, 53 (3), págs. 395-411.
Thompson, J., 1967. Organizaciones en acción. Nueva York: McGraw-Hill.
Thong, JY, 1999. Un modelo integrado de adopción de sistemas de información
en pequeñas empresas. Revista de sistemas de información de gestión, 15
(4), páginas 187-214.
Tona, O. y Carlsson, SA, 2013. La visión organizativa de la inteligencia
empresarial móvil. En Actas de la 21ª Conferencia Europea de Sistemas
20
de Información (ECIS) Utrecht, Países Bajos, (p. 114).

20
Tornatzky, LG, Fleischer, M. y Chakrabarti, AK, 1990. Procesos de innovación
tecnológica. Libros de Lexington.
Torres, R., Sidorova, A. y Jones, MC, 2018. Habilitar el desempeño de la
empresa a través de inteligencia empresarial y análisis: una perspectiva de
capacidades dinámicas. Información y gestión, 55 (7), págs. 822-839.
Trieu, VH, 2017. Obtener valor de los sistemas de inteligencia empresarial: una
agenda de revisión e investigación. Sistemas de apoyo a la toma de
decisiones, 93, págs. 111-124.
Trieu, VHT, Cockcroft, S. y Perdana, A., 2018. Desempeño en la toma de
decisiones en la era del big data: el papel del uso real de los sistemas de
inteligencia empresarial y las restricciones externas que afectan. En Actas
de la 26ª Conferencia Europea de Sistemas de Información (ECIS).
Tsai, WC y Tang, LL, 2012. Un modelo de adopción de la tecnología de
identificación por radiofrecuencia: El caso de las empresas de servicios
logísticos. Revista de Gestión de Ingeniería y Tecnología, 29 (1), pp.131-
151.
Turban, E., Sharda, R., Aronson, JE y King, D., 2008. Inteligencia empresarial: un
enfoque de gestión. Pearson Prentice Hall Upper Saddle River, Nueva Jersey.
Uwizeyemungu, S. y Raymond, L., 2012. Impacto de las capacidades de un
sistema ERP sobre la realización de su valor comercial: una perspectiva
basada en recursos. Gestión y tecnología de la información, 13 (2), págs.
69-90.
Van Dijck, J., 2013. 'Tienes una identidad': representarte en Facebook y
LinkedIn. Medios, cultura y sociedad, 35 (2), págs. 199-215.
Verkooij, KIM y Spruit, M., 2013. Inteligencia empresarial móvil:
consideraciones clave para proyectos de implementación. Revista de
sistemas de información informática, 54 (1), págs.23-33.
Villar, C., Alegre, J. y Pla-Barber, J., 2014. Explorando el papel de las prácticas
de gestión del conocimiento en las exportaciones: una visión de
capacidades dinámicas. International Business Review, 23 (1), págs. 38-
44.
Wade, M. y Hulland, J., 2004. La visión basada en recursos y la investigación de
sistemas de información: revisión, extensión y sugerencias para
investigaciones futuras. MIS Quarterly, 28 (1), págs. 107-142.
Wagner, HT y Weitzel, T., 2012. Cómo lograr la alineación operativa entre
empresas y TI: conocimientos de una empresa aeroespacial global.
20
 Ejecutivo trimestral de MIS, 11 (1).
Wamba, SF, Gunasekaran, A., Akter, S., Ren, SJF, Dubey, R. y Childe, SJ, 2017.
Análisis de big data y rendimiento de la empresa: efectos de las
capacidades dinámicas. Journal of Business Research, 70, págs. 356-365.

20
Watson, HJ, 2009. Tutorial: inteligencia empresarial: pasado, presente y futuro.
Comunicaciones de la Asociación de Sistemas de Información, 25 (1), p. 39.
Watson, HJ y Wixom, BH, 2007. El estado actual de la inteligencia empresarial.
Computadora, 40 (9), págs. 96-99.
Webster, J. y Watson, RT, 2002. Analizar el pasado para prepararse para el futuro:
escribir una revisión de la literatura. MIS Quarterly, 26 (2), páginas 13-23.
Wernerfelt, B., 1984. Una visión de la empresa basada en los recursos. Revista de
Gestión Estratégica, 5 (2), pp.171-180.
Wernerfelt, B., 1995. La visión de la empresa basada en los recursos: diez años
después.
Diario de gestión estratégica, 16 (3), págs. 171-174.
Williams, S. y Williams, N., 2010. El impacto de la inteligencia empresarial en las
ganancias.
Elsevier.
Wixom, B. y Watson, H., 2010. La organización basada en BI. Revista
Internacional de Investigación en Inteligencia Comercial (IJBIR), 1 (1),
páginas 13-28.
Wixom, BH, Yen, B. y Relich, M., 2013. Maximización del valor de la analítica
empresarial. Ejecutivo trimestral de MIS, 12 (2).
Wu, L. y Chen, JL, 2014. Una difusión basada en etapas de la innovación de TI y
el impacto en el rendimiento del BSC: un moderador de tecnología-
organización-entorno. Pronóstico tecnológico y cambio social, 88, pp.76-
90.
Xu, X., 2012. De la computación en la nube a la fabricación en la nube. Robótica
y fabricación integrada por computadora, 28 (1), págs. 75-86.
Yeoh, W., 2008. Factores críticos de éxito para la implementación de sistemas de
inteligencia empresarial en organizaciones de gestión de activos de
ingeniería (tesis doctoral, Universidad de Australia del Sur).
Yeoh, W. y Koronios, A., 2010. Factores críticos de éxito para sistemas de
inteligencia empresarial. Journal of Computer Information Systems, 50
(3), páginas 23-32.
Yetton, PW, Johnston, KD y Craig, JF, 1994. Arquitectos asistidos por
computadora: un estudio de caso de TI y cambio estratégico. MIT Sloan
Management Review, 35 (4), p.57.
Yin, RK, 2017. Investigación y aplicaciones de estudios de caso: Diseño y
métodos. Publicaciones sabias.

20
Yogev, N., Fink, L. y Even, A., 2012. Cómo la inteligencia empresarial crea
valor. En Actas de la 20ª Conferencia Europea de Sistemas de Información
(ECIS) Barcelona, España.
Yoon, TE, Ghosh, B. y Jeong, BK, 2014. Aceptación del usuario de la aplicación
de inteligencia empresarial (BI): tecnología, diferencia individual, social

20
 influencia y limitaciones situacionales. En Actas de la 47ª Conferencia
Internacional de Ciencias de Sistemas de Hawái (HICSS) (págs. 3758-
3766). IEEE.
Yousuf, MI, 2007. Utilizando opiniones de expertos mediante la técnica Delphi.
Evaluación práctica, investigación y evaluación, 12 (1), págs. 1-8.
Zhu, K., Kraemer, K. y Xu, S., 2003. Adopción de negocios electrónicos por
empresas europeas: una evaluación entre países de los facilitadores e
inhibidores. Revista europea de sistemas de información, 12 (4), págs.
251-268.
Zhu, K., Kraemer, KL y Xu, S., 2006. El proceso de asimilación de la innovación
por parte de empresas de diferentes países: una perspectiva de difusión
tecnológica en el comercio electrónico. Management Science, 52 (10),
págs. 1557-1576.
Zorrilla, ME, Mazón, JN, Ferrández, Ó., Garrigós, I. y Florian, D. 2011.
Aplicaciones de inteligencia empresarial y la web: modelos, sistemas y
tecnologías. Publicaciones IGI.

21
Apéndices

Apéndice A: Documentación de la recopilación de datos

1. Encuesta de lluvia de ideas

2. Encuesta de reducción
3. Encuesta de clasificación
4. Encuesta de reclasificación
5. Pautas para la entrevista

21
21
RONDA DE ESTUDIO DE DELPHI 1
Adopción de inteligencia empresarial en pequeñas y
medianas empresas: fase de lluvia de ideas

Introducción
Gracias por aceptar participar en este estudio de Delphi sobre la adopción de
Business Intelligence en Noruega. Este cuestionario es la primera de las tres
rondas del estudio. Intente responder todas las preguntas, aunque no esperamos
que tenga un conocimiento profundo de todas ellas.
Una vez que hayamos recibido las respuestas de todo el panel de expertos,
recopilaremos y resumiremos los hallazgos para generar un cuestionario que se
utilizará en la segunda ronda. Tendrá la oportunidad de revisar sus respuestas con
las siguientes rondas de la encuesta.
Le aseguramos que su participación en este estudio y sus respuestas individuales
serán estrictamente confidenciales para el equipo de investigación y no se
divulgarán a ninguna parte externa, incluidos otros panelistas. Apreciamos
mucho su tiempo y experiencia.

Cuestionario
La primera ronda consistirá en preguntas abiertas diseñadas para aprovechar una
amplia gama de conocimientos, ideas y opiniones. En caso de que las preguntas
no le resulten claras, no dude en ponerse en contacto con nosotros. Nuestros
datos de contacto se pueden encontrar en la página siguiente.
Tenga en cuenta lo siguiente al responder la primera ronda del estudio Delphi:
 Puede escribir sus respuestas preferiblemente usando otro color de fuente.
 Cualquier idea está abierta a la discusión, lo que significa que todas las
ideas que se le ocurran se pueden escribir.
 Responda honestamente, proporcionando tantos detalles como sea posible,
para permitir que se recopilen un mayor conocimiento e ideas para las
rondas futuras.
 Las pequeñas y medianas empresas (PYME) se identifican por el tamaño
del empleo como empresas con menos de 250 personas empleadas.

21
Auto evaluación
Los siguientes están destinados a identificar la experiencia colectiva del
panel de expertos. Complete la siguiente información si corresponde:
Profesión
Dirección de correo electrónico
Número de contacto
Años de experiencia en BI
Número de proyectos de BI
participados

Equipo de investigación

Marilex Rea Llave

PhD Research Fellow
Tel: 38 14 24 28
Marilex.r.llave@uia.no
Departamento de Sistemas de
Información Facultad de Ciencias
Sociales

Profesor Dag
H. Olsen
Tel: 38 14 17 06
Dag.h.olsen@uia.no
Departamento de Sistemas de
Información Facultad de Ciencias
Sociales Universidad de Agder

Profesor
Eli Hustad
Tel: 38 14 16 21
Eli.hustad@uia.no
Departamento de Sistemas de
Información Facultad de Ciencias
Sociales Universidad de Agder

21
 Cuestionario de la ronda 1 del estudio Delphi

P1: ¿Cuáles son los impulsores (diferentes factores que contribuyen a

la adopción) de la adopción de BI&A de las PYMES?
 Proporcione al menos 5 controladores y no dude en agregar más filas si
es necesario.

Conductores Comentarios

P2: ¿Cuáles son los inhibidores (desafíos, problemas) de la adopción de BI&A

de las PYMES?
 Proporcione al menos 5 inhibidores y no dude en agregar más filas si es
necesario.

Inhibidores Comentarios

21
Validación de la Ronda 2 del Estudio Delphi
Revise las dos listas para ver si está de acuerdo con los elementos. Algunos de
los elementos propuestos del cuestionario de la Ronda 1 fueron factores de éxito
para la implementación de BI en lugar de impulsores o inhibidores de la
adopción de BI. Esos elementos no se incluyeron en la lista final.

1. Impulsores de la adopción de la inteligencia empresarial

Conduc Comentari
tores os
Tecnológico 1. La necesidad de un  La necesidad de obtener más
conocimiento más información sobre los datos
profundo de los internos (ingresos, costos,
datos rentabilidad, clientes, etc.)
 Gran cantidad de sistemas
operativos o administrativos con
datos útiles, diferentes reglas de
negocio y base para la comparación
en la línea de negocio.
 Comprender el panorama general del
negocio.
2. La necesidad de  Necesidad de consolidar datos
integración de de fuentes / sistemas dispares.
datos  Integre información de diferentes
departamentos, componentes
comerciales, etc.
 Ver información en combinación
con otros tipos de datos para su
análisis
y correlación.
3. El deseo de calidad  Tomar el control de la calidad de
y estructura de los los datos de manera que los
datos informes sean consistentes en toda
la empresa.
 Sin ella la confianza en cualquier
sistema sufrirá
 Con datos deficientes, el tiempo y
el enfoque pueden ralentizar el
proyecto.
 Concéntrese en el contenido de
calidad de los datos, no tanto en la
visualización.
 Tenerlos podría darle al
desarrollador un buen
comienzo en el desarrollo de
la solución.
4. La necesidad de
21
 visualización de
datos
5. La necesidad de  La confiabilidad de la
información información reunida
actualizada y  Información basada en hechos.
precisa Permitir a los operadores ver qué
entrada y los resultados de su
interacción con el

21