Implementación de Inteligencia de Negocios para Optimizar la Toma de Decisiones en Producción y Ventas de una PYME Alimentaria
Poly Lazaro Isaac Salazar Larico
2026-01-29
Resumen
En el entorno empresarial actual, caracterizado por alta competitividad y volatilidad, la toma de decisiones basadas en datos se ha convertido en un factor clave para la sostenibilidad y el crecimiento de las organizaciones. Este estudio presenta la implementación de un sistema de Inteligencia de Negocios (BI) en la empresa boliviana Productos Mi Recreo, dedicada a la producción y venta de snacks alimenticios, con el objetivo de optimizar la gestión de producción y ventas. Se empleó la metodología CRISP-DM, desarrollando un proceso estructurado que incluyó comprensión del negocio, análisis y preparación de datos, modelado dimensional, generación de indicadores clave (KPIs) y diseño de dashboards interactivos en Power BI. Los resultados muestran una mejora significativa en la disponibilidad y calidad de la información, reducción de tiempos en generación de reportes y mayor capacidad de análisis para la gerencia. Además, la adopción de BI permitió identificar patrones de demanda, optimizar la planificación de producción y fortalecer la relación con clientes mayoristas. El caso evidencia que la implementación de soluciones de BI no está limitada a grandes corporaciones, sino que es factible y rentable para micro, pequeñas y medianas empresas, generando ventajas competitivas sostenibles.
Palabras clave: Business Intelligence, KPIs, CRISP-DM, Power BI, PyME.
Abstract
In today’s highly competitive and volatile business environment, data-driven decision-making has become a key factor for organizational sustainability and growth. This study presents the implementation of a Business Intelligence (BI) system at the Bolivian company Productos Mi Recreo, a company dedicated to the production and sale of snacks, with the goal of optimizing production and sales management. The CRISP-DM methodology was used, developing a structured process that included business understanding, data analysis and preparation, dimensional modeling, generation of key performance indicators (KPIs), and design of interactive dashboards in Power BI. The results show a significant improvement in the availability and quality of information, reduced report generation times, and increased analytical capacity for management. Furthermore, the adoption of BI enabled the identification of demand patterns, optimized production planning, and strengthened relationships with wholesale customers. The case demonstrates that the implementation of BI solutions is not limited to large corporations but is feasible and profitable for micro, small, and medium-sized enterprises, generating sustainable competitive advantages.
Keywords: Business Intelligence, KPI, CRISP-DM, Analytics.
1 Introducción
En el panorama económico actual, las empresas de todos los tamaños operan en un entorno altamente competitivo y caracterizado por un ritmo acelerado de cambio. La capacidad de una organización para adaptarse y prosperar depende en gran medida de su agilidad para tomar decisiones estratégicas y oportunas. En este contexto, la información se ha consolidado como el activo más valioso, desplazando la toma de decisiones basada puramente en la intuición hacia un enfoque más científico y basado en datos (Joyanes, 2015). Los sistemas de gestión tradicionales a menudo se centran en el registro de transacciones, pero fallan en proporcionar la visión integral y analítica necesaria para la planificación estratégica. En Bolivia, las micro, pequeñas y medianas empresas (PYMES) son fundamentales para el desarrollo económico, contribuyendo significativamente al Producto Interno Bruto (PIB) y a la generación de empleo (Oppenheimer, 2014). Sin embargo, este sector a menudo enfrenta barreras tecnológicas y financieras que limitan la adopción de herramientas avanzadas como la inteligencia de negocios (BI). Muchas PYMES perciben la inteligencia de negocios como una inversión costosa y compleja, exclusiva para grandes corporaciones, lo que les impide aprovechar el potencial de sus propios datos para la toma de decisiones. Según Bolivia Emprende (2022), la pandemia aceleró el uso de datos en las PYMES, ya que el 90% indicó que su empresa toma decisiones basadas en datos. La Empresa Productos Mi Recreo, una PYME del sector alimentario, se enfrentaba a este desafío. A pesar de haber implementado un software de gestión colaborativo para registrar la producción y las ventas, el sistema solo generaba informes básicos y estáticos (Quiroa & Westreicher, 2020). La mayoría de los datos relevantes, como los detalles de las ventas, los costos de producción y la gestión de inventario, se manejaban de manera desestructurada en archivos de Excel (Muñoz & Sánchez, 2019). Esta gestión fragmentada de la información impedía una visión holística del negocio, lo que se traducía en una toma de decisiones reactiva, la pérdida de oportunidades de mercado y una erosión gradual de la competitividad (Porter, 1985 & Pursell, 2022). El presente estudio busca abordar esta problemática al demostrar cómo la implementación de una solución de inteligencia de negocios puede generar un avance significativo en la gestión empresarial de una PYME alimentaria.
El objetivo principal de esta investigación es doble: primero, implementar una solución de inteligencia de negocios para optimizar el proceso de toma de decisiones en las áreas de producción y ventas (Palacios, 2023); y segundo, evaluar el impacto de esta implementación en la eficiencia operativa y la competitividad de la empresa (QuestionPro, s.f.). Se espera que los resultados de este trabajo sirvan como un caso de estudio replicable, que fomente la adopción de tecnologías de análisis de datos en el sector de las PYMES.
2 Metodología
La inteligencia de negocios (BI) es un conjunto de estrategias, herramientas y tecnologías que permiten a las organizaciones transformar datos brutos en información significativa y valiosa para la toma de decisiones (Joyanes, 2019). No se trata solo de recopilar datos, sino de analizarlos para descubrir patrones, tendencias y conocimientos que sirvan de base para la planificación estratégica (Barco, 2019). Los componentes clave de una solución de BI incluyen el almacenamiento de datos, el análisis de datos (minería de datos, procesamiento analítico en línea), la visualización de datos (dashboards e informes) y la gestión del rendimiento del negocio (Chiang & Storey, 2012). ## Toma de Decisiones Basada en Datos La toma de decisiones basada en datos (DDB) es un proceso en el que las decisiones estratégicas se toman con base en datos analizados en lugar de la intuición o la experiencia personal (Hernández & Rodríguez, 2011). Este enfoque se complementa con la experiencia del gerente, proporcionando una base sólida de evidencia que reduce el riesgo y aumenta la precisión de las decisiones (Redacción Edix, 2022). Un entorno de DDB se caracteriza por la disponibilidad de información oportuna, precisa y accesible a través de herramientas de visualización como los cuadros de mando (dashboards), que presentan métricas y KPIs de manera clara e intuitiva.
2.1 Metodología CRISP-DM
Se aplican las fases:
- Entendimiento del negocio
- Entendimiento de datos
- Preparación
- Modelado
- Evaluación
- Despliegue
2.2 Proceso de Implementación
2.2.1 KPIs definidos
Ventas - Ingresos - Ventas por producto - Ventas por región - Tendencia mensual
Producción - Unidades producidas - Tasa de defectos - Eficiencia
2.2.2 Generación de Datos
set.seed(123)
fechas <- seq.Date(as.Date("2025-01-01"),
as.Date("2025-12-31"),
by="day")
productos <- c("Snack A","Snack B","Snack C","Snack D")
regiones <- c("Cochabamba","La Paz","Santa Cruz","Oruro")
ventas <- expand.grid(fecha=fechas, producto=productos)
ventas$region <- sample(regiones, nrow(ventas), TRUE)
ventas$unidades <- sample(20:200, nrow(ventas), TRUE)
ventas$precio <- sample(c(5,7,9,11), nrow(ventas), TRUE)
ventas$ingreso <- ventas$unidades * ventas$precio
ventas$mes <- month(ventas$fecha, label=TRUE)2.2.3 Vista de Datos
kable(head(ventas,10))| fecha | producto | region | unidades | precio | ingreso | mes |
|---|---|---|---|---|---|---|
| 2025-01-01 | Snack A | Santa Cruz | 145 | 7 | 1015 | ene |
| 2025-01-02 | Snack A | Santa Cruz | 129 | 7 | 903 | ene |
| 2025-01-03 | Snack A | Santa Cruz | 170 | 7 | 1190 | ene |
| 2025-01-04 | Snack A | La Paz | 178 | 5 | 890 | ene |
| 2025-01-05 | Snack A | Santa Cruz | 185 | 7 | 1295 | ene |
| 2025-01-06 | Snack A | La Paz | 52 | 5 | 260 | ene |
| 2025-01-07 | Snack A | La Paz | 99 | 9 | 891 | ene |
| 2025-01-08 | Snack A | La Paz | 79 | 9 | 711 | ene |
| 2025-01-09 | Snack A | Santa Cruz | 91 | 11 | 1001 | ene |
| 2025-01-10 | Snack A | Cochabamba | 152 | 9 | 1368 | ene |
2.2.4 Estadística Descriptiva
ventas %>%
summarise(
Ingreso_Total = sum(ingreso),
Promedio = mean(ingreso),
Maximo = max(ingreso),
Minimo = min(ingreso)
) %>% kable()| Ingreso_Total | Promedio | Maximo | Minimo |
|---|---|---|---|
| 1264034 | 865.7767 | 2200 | 100 |
2.3 Análisis de Ventas
2.3.1 Ventas por Producto
vp <- ventas %>%
group_by(producto) %>%
summarise(total=sum(ingreso))
kable(vp)| producto | total |
|---|---|
| Snack A | 325282 |
| Snack B | 308788 |
| Snack C | 315549 |
| Snack D | 314415 |
ggplot(vp, aes(producto,total)) +
geom_col() +
labs(title="Ventas Totales por Producto", y="Ingresos")
2.3.2 Ventas por Región
vr <- ventas %>%
group_by(region) %>%
summarise(total=sum(ingreso))
kable(vr)| region | total |
|---|---|
| Cochabamba | 322268 |
| La Paz | 310251 |
| Oruro | 295427 |
| Santa Cruz | 336088 |
ggplot(vr, aes(region,total)) +
geom_col() +
labs(title="Ventas por Región")
2.3.3 Tendencia Mensual
vm <- ventas %>%
group_by(mes) %>%
summarise(total=sum(ingreso))
kable(vm)| mes | total |
|---|---|
| ene | 106828 |
| feb | 97811 |
| mar | 112693 |
| abr | 104269 |
| may | 105973 |
| jun | 98100 |
| jul | 106739 |
| ago | 111008 |
| sep | 100226 |
| oct | 107132 |
| nov | 103411 |
| dic | 109844 |
ggplot(vm, aes(mes,total, group=1)) +
geom_line() +
geom_point() +
labs(title="Tendencia Mensual de Ventas")
2.4 Datos de Producción
produccion <- data.frame(
fecha=fechas,
unidades=sample(500:1200, length(fechas), TRUE),
defectos=sample(10:80, length(fechas), TRUE),
horas=sample(6:10, length(fechas), TRUE)
)
produccion$eficiencia <- (produccion$unidades - produccion$defectos) /
produccion$unidades2.4.1 KPIs de Producción
produccion %>%
summarise(
Produccion_Total=sum(unidades),
Tasa_Defectos=mean(defectos/unidades),
Eficiencia=mean(eficiencia)
) %>% kable()| Produccion_Total | Tasa_Defectos | Eficiencia |
|---|---|---|
| 312753 | 0.0570086 | 0.9429914 |
ggplot(produccion, aes(fecha, eficiencia)) +
geom_line() +
labs(title="Eficiencia Diaria de Producción")
2.4.2 KPI Margen
ventas$margen <- ventas$ingreso * 0.40
ventas %>%
group_by(producto) %>%
summarise(Margen=sum(margen)) %>%
kable()| producto | Margen |
|---|---|
| Snack A | 130112.8 |
| Snack B | 123515.2 |
| Snack C | 126219.6 |
| Snack D | 125766.0 |
ggplot(ventas %>% group_by(producto) %>% summarise(Margen=sum(margen)),
aes(producto,Margen)) +
geom_col() +
labs(title="Margen por Producto")
2.4.3 ROI
inversion <- 21088
roi <- vm %>%
mutate(utilidad = total*0.15,
roi_acum = cumsum(utilidad) - inversion)
kable(roi)| mes | total | utilidad | roi_acum |
|---|---|---|---|
| ene | 106828 | 16024.20 | -5063.80 |
| feb | 97811 | 14671.65 | 9607.85 |
| mar | 112693 | 16903.95 | 26511.80 |
| abr | 104269 | 15640.35 | 42152.15 |
| may | 105973 | 15895.95 | 58048.10 |
| jun | 98100 | 14715.00 | 72763.10 |
| jul | 106739 | 16010.85 | 88773.95 |
| ago | 111008 | 16651.20 | 105425.15 |
| sep | 100226 | 15033.90 | 120459.05 |
| oct | 107132 | 16069.80 | 136528.85 |
| nov | 103411 | 15511.65 | 152040.50 |
| dic | 109844 | 16476.60 | 168517.10 |
ggplot(roi, aes(mes, roi_acum, group=1)) +
geom_line() +
labs(title="ROI Acumulado")
3 Resultados
Los resultados muestran:
- Diferencias claras entre productos
- Tendencias mensuales detectables
- Variación regional
- Eficiencia productiva medible
- ROI positivo proyectado
4 Discusión
Los indicadores permiten decisiones proactivas. BI reduce incertidumbre y mejora planificación operativa.
5 Conclusiones
La implementación de la inteligencia de negocios en la Empresa Productos Mi Recreo fue un éxito. El proyecto logró transformar la toma de decisiones, pasando de una dependencia en la intuición a un equilibrio con la evidencia basada en datos. La creación de dashboards interactivos proporcionó a la gerencia una herramienta poderosa para monitorear el desempeño en tiempo real y tomar decisiones informadas sobre producción y ventas. La viabilidad económica del proyecto demuestra que la inteligencia de negocios es una inversión rentable para las PYMES. Al adoptar esta tecnología, la empresa ha sentado las bases para una cultura de datos más robusta, mejorando su adaptabilidad y competitividad en un mercado en constante evolución (Rios, 2023). Al mismo tiempo se recomienda a la gerencia empresas del sector en base a la experiencia en la presente investigación:
6 Referencias
Chen et al. (2012). Business Intelligence and Analytics.
Joyanes (2019). Inteligencia de Negocios.
Porter (1985). Ventaja competitiva. Aponte, R. O., Orihuela, E. A.,
Elespuro, N. T., Arias Gonzáles, J. L., Holgado Tisoc, J., Tafur
Pittman, T. L., & Vasquez Pauca, M. J. (2022). Metodologías de la
investigación, el método Arias para realizar un proyecto de tesis.
Instituto Universitario de Innovación Ciencia y Tecnología Inudi Perú.
Barco, H. R. (2019). Chen, H., Chiang, R. H. L., & Storey, V. C.
(2012). Business Intelligence and Analytics: From Big Data to Big
Impact. MIS Quarterly, 36(4), 1165–1188. Conesa, A., Cifuentes, M. G.,
& García, V. (2016). Decisiones de negocio basadas en datos.
Editorial UOC. Flores Ballesteros, M. (2016). Administración de la
producción. Editorial Trillas.