Retos, estrategias y aplicación de Business Intelligence en la Industria 4.0 para empresas y organizaciones
Palabras clave:
BI, Inteligencia Empresarial, Industria 4.0, tecnología en empresasResumen
Las empresas y organizaciones enfrentan muchos desafíos en busca de mejorar su competitividad en el mercado. La Industria 4.0 es una iniciativa que abarca la integración de tecnologías avanzadas como la inteligencia artificial, la Internet de las cosas (IoT), servicios en la nube, la robótica, etc. Una de las más importantes tecnologías inmersas en la Industria 4.0 es Business Intelligence (BI), esta proporciona a las empresas las herramientas y técnicas necesarias para recopilar, analizar y presentar la información de manera efectiva para la toma de decisiones. La presente investigación tiene como objetivo reconocer los principales retos que enfrentan las organizaciones a la hora de implementar la Industria 4.0 e identificar estrategias y ejemplos prácticos de aplicación de Business Intelligence. Este estudio tiene un enfoque cualitativo y un diseño de teoría fundamentada considerando la evidencia científica disponible en la base de datos SCOPUS. Algunos de los desafíos más significativos incluyen el costo y la complejidad de la tecnología, la seguridad de los datos, la ingesta, limpieza y transformación de flujos de datos, la adaptación a cambios en la ejecución de proyectos, entre otros. La implementación exitosa de BI puede ser clave para aprovechar al máximo las oportunidades de la digitalización y mantener la competitividad en el mercado. Además, permite analizar y transformar grandes cantidades de datos en información valiosa para la empresa, lo que permite mejorar la eficiencia de la producción, predecir la demanda del cliente, detectar fraudes y tomar decisiones informadas.
Citas
Ahmad, S., Miskon, S., Alabdan, R., & Tlili, I. (2020). Towards Sustainable Textile and Apparel Industry: Exploring the Role of Business Intelligence Systems in the Era of Industry 4.0. Sustainability, 12(7). https://doi.org/10.3390/su12072632
Baghal, A. (2019). Leveraging Graph Models to Design Acute Kidney Injury Disease Research Data Warehouse. In A. M. & J. Y. (Eds.), 6th International Conference on Social Networks Analysis, Management and Security, SNAMS 2019 (pp. 413–418). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/SNAMS.2019.8931838
Foley, É., & Guillemette, M. G. (2010). What is Business Intelligence? International Journal of Business Intelligence Research, 1(4), 1–28. https://doi.org/10.4018/JBIR.2010100101:
Gottge, S., Menzel, T., & Forslund, H. (2020). Industry 4.0 technologies in the purchasing process. Industrial Management & Data Systems, 120(4), 730–748. https://doi.org/10.1108/IMDS-05-2019-0304
Gubert, X. A. (2019). La industria 4.0, el nuevo motor de la innovación industrial. Dirección y Organización, 0(69), 99–110. https://doi.org/10.37610/dyo.v0i69.563
Khan, S. I., & Hoque, A. S. M. L. (2015). Towards development of health Data Warehouse: Bangladesh perspective. 2nd International Conference on Electrical Engineering and Information and Communication Technology, ICEEiCT 2015. https://doi.org/10.1109/ICEEICT.2015.7307514
Lopez, C.-P., Segura, M., & Santórum, M. (2019). Data Analytics and BI Framework Based on Collective Intelligence and the Industry 4.0. Proceedings of the 2nd International Conference on Information Science and Systems, 93–98. https://doi.org/10.1145/3322645.3322667
Nagy, J., Oláh, J., Erdei, E., Máté, D., & Popp, J. (2018). The Role and Impact of Industry 4.0 and the Internet of Things on the Business Strategy of the Value Chain—The Case of Hungary. Sustainability, 10(10). https://doi.org/10.3390/su10103491
Nunes, M., Abreu, A., Bagnjuk, J., Saraiva, C., & Viana, H. (2022). Integrating a Project Risk Model into a BI Architecture. In V. Kumar, J. Leng, V. Akberdina, & E. Kuzmin (Eds.), Digital Transformation in Industry (pp. 423–432). Springer International Publishing.
Nunes, M., Bagnjuk, J., Abreu, A., Saraiva, C., Nunes, E., & Viana, H. (2022). Achieving Competitive Sustainable Advantages (CSAs) by Applying a Heuristic-Collaborative Risk Model. Sustainability, 14(6). https://doi.org/10.3390/su14063234
O’Donovan, P., Leahy, K., Bruton, K., & O’Sullivan, D. T. J. (2015). An industrial big data pipeline for data-driven analytics maintenance applications in large-scale smart manufacturing facilities. Journal of Big Data, 2(1), 25. https://doi.org/10.1186/s40537-015-0034-z
Odwa?ny, F., Wojtkowiak, D., Cyplik, P., & Adamczak, M. (2019). Concept for measuring organizational maturity supporting sustainable development goals. LogForum, 15(2), 237–247. https://doi.org/DOI: 10.17270/J.LOG.2019.321
Rane, S. B., & Narvel, Y. A. M. (2021). Leveraging the industry 4.0 technologies for improving agility of project procurement management processes. International Journal of System Assurance Engineering and Management, 12(6), 1146–1172. https://doi.org/10.1007/s13198-021-01331-4
Rojko, A. (2017). Industry 4.0 concept: Background and overview. International Journal of Interactive Mobile Technologies, 11(5).
Tavera Romero, C. A., Ortiz, J. H., Khalaf, O. I., & Ríos Prado, A. (2021). Business Intelligence: Business Evolution after Industry 4.0. Sustainability, 13(18). https://doi.org/10.3390/su131810026
Trochoutsos, C., & Sofias, Y. (2022). The importance of Data Analysis in the modern era of print production. https://www.grid.uns.ac.rs/symposium/download/2022/94.pdf
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Lenin Stalin Fuentes-Gavilánez , José Javier Erazo-Castillo , Lady Marieliza Espinoza-Tinoco , Rosana Marianela Palacios-Benalcázar
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Authors retain copyright and guarantee the Journal the right to be the first publication of the work. These are covered by a Creative Commons (CC BY-NC-ND 4.0) license that allows others to share the work with an acknowledgment of the work authorship and the initial publication in this journal.
