Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 16
Impacto de la analítica predictiva en la toma de
decisiones gerenciales
Impact of predictive analytics on management decision making
Casanova-Villalba, César Iván
1
Herrera-Sánchez, Maybelline
Jaqueline
2
https://orcid.org/0000-0001-6486-1334
https://orcid.org/0000-0001-6840-3891
cesar.casanova.villalba@utelvt.edu.ec
maybelline.herrera.sanchez@utelvt.edu.ec
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, Santo Domingo.
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, Santo Domingo.
Proaño-González, Esther Angélica
3
https://orcid.org/0000-0002-5116-7260
esther.proano@utelvt.edu.ec
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, Santo Domingo.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v1/n3/17
Resumen: En un entorno empresarial caracterizado por la
incertidumbre y la volatilidad, este estudio explora el papel
de la analítica predictiva como una herramienta estratégica
para mejorar la calidad de las decisiones gerenciales.
Mediante una revisión bibliográfica sistemática de literatura
académica publicada entre 2017 y 2024 en bases como
Scopus y Web of Science, se identificaron tendencias,
beneficios y barreras relacionadas con su adopción
organizacional. Los hallazgos evidencian que la analítica
predictiva permite anticipar tendencias de mercado,
optimizar la planificación financiera, mejorar la gestión del
talento e impulsar la innovación en productos. No obstante,
su efectividad depende de tres factores clave: una cultura
organizacional orientada a datos, la formación en
competencias analíticas, y la calidad y disponibilidad de los
datos. El estudio concluye que más allá de una herramienta
tecnológica, la analítica predictiva representa un cambio
estructural hacia modelos de gestión basados en
evidencia, y su implementación exitosa requiere una
integración sinérgica entre tecnología, talento y cultura
organizacional.
Palabras clave: analítica predictiva; toma de decisiones;
gestión organizacional; cultura basada en datos;
transformación digital.
Artículo Científico
Received: 28/Jun/2023
Accepted: 12/Jul/2023
Published: 10/Ago/2023
Cita: Casanova-Villalba, C. I., Herrera-
Sánchez, M. J., & Proaño-González, E. A.
(2023). Impacto de la analítica predictiva en
la toma de decisiones gerenciales. Revista
Científica Ciencia Y Método, 1(3), 16-
30. https://doi.org/10.55813/gaea/rcym/v1/n
3/17
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2023. Este artículo es un documento de
acceso abierto distribuido bajo los términos
y condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 17
Julio – Septiembre 2023
Abstract:
In a business environment characterized by uncertainty and volatility, this study
explores the role of predictive analytics as a strategic tool to improve the quality of
managerial decisions. Through a systematic literature review of academic literature
published between 2017 and 2024 in databases such as Scopus and Web of Science,
trends, benefits and barriers related to its organizational adoption were identified. The
findings show that predictive analytics can anticipate market trends, optimize financial
planning, improve talent management and drive product innovation. However, its
effectiveness depends on three key factors: a data-driven organizational culture,
training in analytical skills, and the quality and availability of data. The study concludes
that beyond a technological tool, predictive analytics represents a structural shift
towards evidence-based management models, and its successful implementation
requires a synergistic integration between technology, talent and organizational
culture.
Keywords: predictive analytics; decision making; organizational management; data-
driven culture; digital transformation.
1. Introducción
En el entorno empresarial contemporáneo, caracterizado por una creciente
complejidad, volatilidad e incertidumbre, las organizaciones enfrentan desafíos
constantes en la formulación de decisiones estratégicas que les permitan mantener
su competitividad. En este contexto, la toma de decisiones gerenciales ha
evolucionado de procesos intuitivos o empíricos hacia esquemas apoyados en
evidencia y tecnología avanzada. Entre las herramientas más destacadas en este
proceso se encuentra la analítica predictiva, una rama de la ciencia de datos que
emplea técnicas estadísticas, algoritmos de aprendizaje automático y minería de datos
para anticipar comportamientos futuros y optimizar resultados (Bhimani & Willcocks,
2014). Este tipo de analítica no solo transforma los modelos operativos, sino que
redefine la forma en que los gerentes interpretan la información, reduciendo la
incertidumbre en la planificación estratégica y operativa.
A pesar del avance tecnológico y la disponibilidad de grandes volúmenes de datos
(big data), muchas organizaciones aún enfrentan barreras significativas para integrar
la analítica predictiva de manera efectiva en sus procesos de toma de decisiones.
Entre estas barreras se encuentran la falta de habilidades analíticas en los equipos
gerenciales, la resistencia al cambio organizacional, los desafíos en la calidad de los
datos y la escasa alineación entre los objetivos de negocio y las capacidades
analíticas (Sivarajah et al., 2017). Estas limitaciones no solo afectan la eficiencia de la
toma de decisiones, sino que también restringen el retorno de inversión de las
soluciones analíticas adoptadas. La literatura ha evidenciado que, aunque muchas
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 18
Julio – Septiembre 2023
empresas implementan tecnologías de analítica avanzada, pocas logran traducirlas
en ventajas competitivas sostenibles, debido a una deficiente integración entre los
modelos predictivos y la estrategia corporativa (Wamba et al., 2015).
La analítica predictiva tiene el potencial de impactar significativamente en diversos
niveles de la gestión organizacional. En el nivel estratégico, permite a los líderes
anticiparse a las tendencias del mercado y adaptar proactivamente sus estrategias
(Ransbotham et al., 2021). A nivel táctico, apoya la asignación eficiente de recursos y
la segmentación de clientes. En el plano operativo, contribuye a la optimización de
procesos y la mejora del rendimiento. No obstante, el grado de impacto depende en
gran medida de la capacidad gerencial para interpretar correctamente los resultados
analíticos y tomar decisiones basadas en estos. De ahí que la relación entre analítica
predictiva y la calidad de las decisiones gerenciales se haya convertido en un foco
emergente de investigación, sobre todo en el contexto de la transformación digital
empresarial.
Justificar la relevancia de este estudio radica en el hecho de que, en la actualidad, la
adopción de tecnologías de analítica predictiva ya no es opcional para las empresas
que buscan mantenerse competitivas, sino una necesidad estratégica. El volumen y
la velocidad con la que se generan los datos exigen que los tomadores de decisiones
cuenten con herramientas que les permitan convertir esa información en conocimiento
útil y accionable (Davenport & Bean, 2018). En consecuencia, comprender cómo esta
tecnología influye en los procesos de decisión no solo representa un aporte teórico
para el campo de la gestión empresarial, sino también una guía práctica para
directivos que buscan orientar sus organizaciones hacia un modelo de gestión basada
en datos. Además, este estudio resulta viable y oportuno, dado el creciente acceso a
literatura científica actualizada en bases de datos reconocidas como Scopus y Web of
Science, así como el desarrollo de experiencias documentadas en diferentes sectores
productivos.
En este artículo se realiza una revisión bibliográfica sistemática sobre el impacto de la
analítica predictiva en la toma de decisiones gerenciales, con el objetivo de analizar
cómo las herramientas y metodologías predictivas están transformando los procesos
de decisión en las organizaciones modernas. Para ello, se recopilan y sintetizan
hallazgos de investigaciones recientes que abordan tanto los beneficios como las
limitaciones de su implementación. Esta revisión permitirá identificar patrones,
desafíos comunes y buenas prácticas, proporcionando un marco conceptual robusto
para futuras investigaciones y orientaciones prácticas para los profesionales de la
gestión.
La estructura del presente artículo se organiza en las siguientes secciones: en primer
lugar, se presentan los fundamentos teóricos y conceptuales de la analítica predictiva
y la toma de decisiones gerenciales. Posteriormente, se expone la metodología
utilizada para la selección y análisis de los estudios revisados. En una tercera sección,
se discuten los principales hallazgos en torno al impacto de la analítica predictiva,
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 19
Julio – Septiembre 2023
incluyendo casos de éxito y obstáculos recurrentes. Finalmente, se ofrecen
conclusiones y recomendaciones tanto para el ámbito académico como profesional,
contribuyendo al debate actual sobre el papel de la analítica avanzada en la dirección
estratégica de las organizaciones.
2. Materiales y métodos
La presente investigación se desarrolló bajo un enfoque cualitativo de tipo
exploratorio, orientado a comprender e interpretar el impacto de la analítica predictiva
en la toma de decisiones gerenciales mediante una revisión bibliográfica sistemática.
Dado el carácter emergente y dinámico del tema, se optó por una revisión exploratoria
con el objetivo de identificar patrones, tendencias, desafíos y oportunidades descritas
en la literatura científica actual, sin la pretensión de establecer relaciones causales o
generalizaciones estadísticas, sino de construir una base teórica sólida para futuras
investigaciones aplicadas.
El proceso metodológico se llevó a cabo en cuatro fases principales. En primer lugar,
se definieron los criterios de inclusión y exclusión de las fuentes a revisar. Se
seleccionaron artículos científicos publicados entre los años 2017 y 2024, escritos en
inglés o español, y disponibles en texto completo. Se priorizó la consulta de revistas
académicas indexadas en bases de datos de alto impacto como Scopus y Web of
Science, asegurando la relevancia, actualidad y rigurosidad metodológica de las
publicaciones incluidas. Como criterios de exclusión, se descartaron documentos que
no estuvieran sometidos a revisión por pares, trabajos duplicados o con escasa
pertinencia temática en relación con el objeto de estudio.
En la segunda fase, se realizó la búsqueda de información científica utilizando
descriptores normalizados y combinaciones booleanas tales como “predictive
analytics”, “managerial decision-making”, “business intelligence”, “data-driven
management”, “data analytics in organizations”, entre otros. Las búsquedas se
llevaron a cabo directamente en las plataformas de Scopus y Web of Science,
complementadas por el uso del metabuscador Google Scholar para rastrear literatura
relevante no incluida en dichas bases. Para garantizar la trazabilidad, se elaboró un
registro de los términos utilizados, fuentes consultadas y número de resultados
obtenidos en cada caso.
En la tercera fase, se procedió al análisis y evaluación crítica de los artículos
seleccionados. Se aplicó una lectura analítica para identificar los objetivos, métodos,
resultados y conclusiones de cada estudio, enfocándose especialmente en aquellos
que abordaban la implementación de la analítica predictiva y su relación directa con
procesos de toma de decisiones en contextos organizacionales. La información
extraída fue sistematizada mediante fichas de lectura y matrices temáticas que
permitieron organizar los hallazgos por categorías conceptuales como beneficios,
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 20
Julio – Septiembre 2023
limitaciones, casos de éxito, competencias requeridas y estrategias de
implementación.
Finalmente, en la cuarta fase, se elaboró una síntesis interpretativa de los hallazgos,
integrando los conocimientos obtenidos en un marco teórico estructurado. Esta
síntesis permitió no solo identificar vacíos en la literatura existente, sino también
formular recomendaciones prácticas para los gerentes y sugerencias para futuras
investigaciones académicas. La sistematización del proceso metodológico respondió
a los principios de transparencia, exhaustividad y replicabilidad, propios de los
estudios de revisión, asegurando así la validez y coherencia interna del trabajo.
Este enfoque metodológico permitió una comprensión amplia y fundamentada del
fenómeno estudiado, contribuyendo a establecer un panorama general sobre el papel
de la analítica predictiva en la toma de decisiones gerenciales, y sirviendo como punto
de partida para investigaciones futuras de carácter empírico y aplicado.
3. Resultados
3.1. Aplicaciones estratégicas de la analítica predictiva
La analítica predictiva ha emergido como una herramienta de valor estratégico en las
organizaciones contemporáneas, no solo por su capacidad para transformar datos
históricos en información accionable, sino también por su influencia directa en la
formulación y ejecución de decisiones gerenciales. Su aplicación va más allá del
ámbito operativo y adquiere un rol central en el diseño de estrategias competitivas, al
permitir modelar escenarios futuros, anticipar riesgos y aprovechar oportunidades de
mercado. A través de algoritmos avanzados, inteligencia artificial y técnicas de
aprendizaje automático, la analítica predictiva se integra en múltiples dominios
organizacionales, aportando inteligencia anticipativa a la toma de decisiones.
3.1.1. Anticipa tendencias del mercado
Una de las aplicaciones más destacadas de la analítica predictiva es su capacidad
para anticipar tendencias del mercado con altos niveles de precisión. Mediante el
análisis de grandes volúmenes de datos provenientes de transacciones, redes
sociales, comportamiento de consumidores y variables económicas, es posible
identificar patrones emergentes y proyectar comportamientos futuros de los mercados.
Esta anticipación otorga a las organizaciones una ventaja competitiva crítica al
permitirles adaptarse de manera proactiva, ajustar su oferta de productos o servicios
y redirigir sus estrategias de marketing.
Por ejemplo, Ghasemaghaei (2019) destaca que las empresas que adoptan
capacidades analíticas avanzadas mejoran la calidad de sus decisiones estratégicas,
en la medida en que logran interpretar señales tempranas del entorno competitivo.
Esto resulta especialmente relevante en sectores de alta volatilidad, como el
tecnológico y el financiero, donde la agilidad en la respuesta a cambios del mercado
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 21
Julio – Septiembre 2023
determina la supervivencia empresarial. En esta línea, el estudio de Kwon, Lee y Shin
(2014) sostiene que la aplicación de modelos predictivos en inteligencia de negocios
permite detectar variaciones en la demanda y anticipar cambios en las preferencias
del consumidor, lo que influye directamente en la formulación de estrategias de
posicionamiento y diferenciación.
Así, la analítica predictiva no solo proporciona un entendimiento retrospectivo de los
datos, sino que habilita una visión prospectiva que orienta la dirección estratégica de
la organización.
3.1.2. Mejora la planificación financiera
Otra área clave en la que la analítica predictiva demuestra un alto impacto estratégico
es en la planificación financiera. Las organizaciones enfrentan entornos económicos
cada vez más inciertos, con múltiples variables externas que afectan la estabilidad de
sus finanzas. En este contexto, la capacidad para simular escenarios financieros
futuros, analizar tendencias históricas y proyectar indicadores críticos como ingresos,
costos, flujo de caja y rentabilidad se convierte en un activo esencial.
La aplicación de modelos predictivos en finanzas corporativas permite identificar
riesgos potenciales antes de que se materialicen, facilitando una gestión proactiva de
recursos y un mayor control sobre el desempeño económico. Pezeshkan et al. (2020)
proponen que la incorporación de la analítica predictiva en la gestión financiera
incrementa la precisión presupuestaria, mejora la capacidad de respuesta ante
imprevistos y fortalece la toma de decisiones en inversiones estratégicas.
Asimismo, Choi, Hecht y Tayler (2020) evidencian que el uso de sistemas financieros
basados en predicción contribuye a generar reportes automatizados, que ofrecen
visualizaciones dinámicas y análisis en tiempo real para los directivos. Esto favorece
la transparencia, la rendición de cuentas y el alineamiento entre los objetivos
financieros y las metas organizacionales de largo plazo.
3.1.3. Optimiza la gestión del talento
La analítica predictiva también está transformando significativamente la gestión del
talento humano, al permitir una toma de decisiones más precisa en áreas como
reclutamiento, desarrollo profesional, retención de empleados y planificación de
sucesiones. La disponibilidad de datos sobre desempeño, historial laboral,
capacitación, rotación y clima organizacional ha abierto la posibilidad de modelar
patrones de comportamiento que facilitan intervenciones estratégicas personalizadas.
Margherita (2022) sistematiza las principales líneas de investigación en recursos
humanos basadas en analítica predictiva, señalando que las organizaciones que
aplican estas técnicas son capaces de identificar, con antelación, perfiles con alto
riesgo de abandono, necesidades de formación específicas y trayectorias de
desarrollo más efectivas. En consecuencia, se optimizan los procesos de contratación
y se mejora el retorno sobre la inversión en capital humano.
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 22
Julio – Septiembre 2023
Por su parte, van den Heuvel y Bondarouk (2017) argumentan que las soluciones
predictivas en recursos humanos permiten diseñar políticas de gestión más adaptadas
a las dinámicas individuales y colectivas del personal, lo que incide positivamente en
los niveles de satisfacción, productividad y compromiso organizacional. Este enfoque,
basado en evidencia, representa una evolución del modelo tradicional hacia una
gestión de talento más estratégica y centrada en datos.
3.1.4. Apoya la innovación en productos
Finalmente, la analítica predictiva desempeña un papel fundamental en el proceso de
innovación en productos y servicios, al facilitar la identificación de oportunidades
emergentes, evaluar la aceptación potencial de nuevas soluciones y optimizar las
decisiones de diseño y lanzamiento. La integración de datos de mercado,
retroalimentación de clientes y análisis de rendimiento de productos anteriores permite
a las empresas minimizar el riesgo asociado a la innovación y maximizar el valor
entregado al cliente, a continuación, en la figura 1 se evidencia que el ciclo de
innovación predictiva representa un enfoque dinámico y continuo que permite a las
organizaciones anticipar tendencias del mercado, evaluar la aceptación del cliente y
optimizar productos de forma estratégica.
Figura 1
Ciclo de Innovación Predictiva en el Desarrollo de Productos
Nota: La imagen ilustra un ciclo en cinco etapas interconectadas: recopilación de datos, identificación
de oportunidades, evaluación de aceptación, optimización de diseño y lanzamiento de productos. Este
modelo potencia la innovación basada en datos y refuerza la adaptabilidad empresarial (Autores, 2023).
Mikalef et al. (2018) explican que las organizaciones con capacidades analíticas
desarrolladas logran acelerar los ciclos de innovación, al contar con mecanismos
predictivos que guían la toma de decisiones desde la conceptualización hasta la
comercialización del producto. Asimismo, George et al. (2016) destacan que los
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 23
Julio – Septiembre 2023
modelos predictivos permiten realizar simulaciones de adopción de productos,
segmentación inteligente de consumidores y ajustes iterativos sobre prototipos, lo que
reduce el margen de error y optimiza la inversión en investigación y desarrollo.
La capacidad de predecir tendencias de consumo, detectar necesidades latentes y
validar hipótesis sobre nuevos productos en fases tempranas convierte a la analítica
predictiva en un aliado estratégico de la innovación, fortaleciendo la posición
competitiva de la empresa en mercados dinámicos y saturados.
3.2. Factores clave para su adopción
La implementación eficaz de soluciones de analítica predictiva en los procesos
gerenciales no depende exclusivamente de las capacidades tecnológicas disponibles,
sino que está profundamente condicionada por factores organizacionales, humanos y
técnicos que habilitan o restringen su adopción. La literatura especializada ha
identificado un conjunto de variables críticas que intervienen en esta adopción, las
cuales incluyen la existencia de una cultura organizacional orientada al uso de datos,
el desarrollo de competencias analíticas en todos los niveles jerárquicos y la calidad
e interoperabilidad de los datos que alimentan los sistemas predictivos. Estos factores
no operan de manera aislada, sino que interactúan de forma dinámica para configurar
un ecosistema organizacional propicio para la transformación digital y la toma de
decisiones basada en evidencia.
3.2.1. Cultura organizacional basada en datos
El establecimiento de una cultura organizacional basada en datos constituye uno de
los pilares fundamentales para la incorporación sostenible de herramientas de
analítica predictiva. Esta cultura se manifiesta cuando los valores, creencias, normas
y prácticas organizacionales promueven el uso sistemático de información empírica
para la toma de decisiones, en detrimento de los enfoques intuitivos o exclusivamente
experienciales (Kiron, Prentice & Ferguson, 2014). En una organización data-driven,
las decisiones estratégicas no solo son informadas por modelos cuantitativos, sino
que existe un compromiso colectivo con la veracidad, transparencia y trazabilidad de
los datos.
En este mismo sentido, Ransbotham et al. (2021), en un informe basado en una
encuesta a más de 3.000 ejecutivos de empresas globales, concluyen que una cultura
de datos sólida incrementa significativamente la efectividad de los sistemas de
inteligencia artificial y analítica avanzada, al reducir la resistencia al cambio, fomentar
la experimentación controlada y facilitar la colaboración interdisciplinaria.
No obstante, la instauración de una cultura organizacional basada en datos enfrenta
múltiples desafíos. Entre ellos, la desconfianza hacia los algoritmos, la baja
alfabetización en datos entre los líderes, la percepción de que los modelos predictivos
sustituyen el juicio humano, y la dificultad de integrar estos enfoques en sectores
tradicionales con culturas rígidas (Davenport & Bean, 2018). En este sentido, las
organizaciones deben articular estrategias de gestión del cambio, educación ejecutiva
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 24
Julio – Septiembre 2023
y comunicación interna orientadas a consolidar una cultura analítica como elemento
transversal.
3.2.2. Formación en competencias analíticas
La analítica predictiva requiere de una fuerza laboral capacitada en el manejo e
interpretación de modelos estadísticos, herramientas digitales, y lenguajes de
programación, pero también en habilidades blandas como el pensamiento crítico, la
narrativa basada en datos y la ética del análisis. Estas competencias analíticas son
fundamentales no solo para los analistas de datos, sino también para los gerentes,
quienes deben ser capaces de formular preguntas estratégicas, comprender los
supuestos y limitaciones de los modelos predictivos, y traducir los resultados en
decisiones prácticas.
La brecha entre la disponibilidad de tecnologías y la escasez de talento con
competencias analíticas ha sido ampliamente documentada en la literatura
académica. Según el informe de LinkedIn (2020), la demanda global de profesionales
con habilidades en ciencia de datos, análisis estadístico y visualización de datos ha
superado con creces la oferta, lo que representa un obstáculo estructural para muchas
organizaciones, particularmente en economías emergentes. Sharma et al. (2017)
sostienen que la falta de competencias analíticas en los niveles gerenciales
intermedios es una barrera crítica para la adopción efectiva de la analítica predictiva,
pues limita la apropiación del conocimiento generado y dificulta su traducción a
decisiones estratégicas.
En respuesta a esta situación, diversas empresas han adoptado modelos de reskilling
y upskilling para formar internamente a sus empleados en herramientas como R,
Python, SQL, Tableau, Power BI y plataformas de machine learning, así como en
competencias interpretativas que permitan dar sentido a los resultados.
Adicionalmente, algunas organizaciones han establecido alianzas con universidades
y centros de investigación para diseñar programas de educación ejecutiva centrados
en analítica aplicada a la gestión (Mikalef et al., 2018).
Más allá de las habilidades técnicas, la formación en competencias analíticas también
debe incluir un componente ético y crítico, que permita a los gerentes cuestionar los
sesgos algorítmicos, entender las implicaciones legales del uso de datos personales,
y adoptar una visión responsable del análisis predictivo en la toma de decisiones.
3.2.3. Calidad y disponibilidad de los datos
La calidad de los datos constituye un prerrequisito técnico y estratégico para la
implementación efectiva de modelos de analítica predictiva. Un modelo predictivo es
tan fiable como lo sean los datos que lo alimentan; por tanto, la integridad, exactitud,
consistencia, unicidad y actualidad de los datos son dimensiones críticas que
determinan la validez de los resultados y su utilidad para la toma de decisiones (Batini,
Cappiello, Francalanci & Maurino, 2009).
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 25
Julio – Septiembre 2023
Numerosos estudios han evidenciado que una de las principales causas del fracaso
en proyectos de analítica avanzada es la existencia de datos incompletos,
redundantes, mal estructurados o provenientes de fuentes heterogéneas no
integradas (Wamba et al., 2015). La ausencia de políticas de gobernanza de datos —
como definiciones de calidad, procesos de limpieza, normas de metadatos y sistemas
de control— impide que las organizaciones generen confianza en sus modelos
predictivos, lo cual socava la adopción de una cultura analítica.
Sadiq et al. (2015) proponen que los sistemas de gestión de calidad de datos deben
ser acompañados por una arquitectura de datos flexible, interoperable y segura. La
implementación de data lakes, plataformas de integración en la nube y soluciones de
business intelligence con capacidades de análisis en tiempo real son claves para
garantizar la disponibilidad oportuna de información relevante. A su vez, esto requiere
inversiones significativas en infraestructura tecnológica, que deben estar alineadas
con la estrategia corporativa.
Otro aspecto crítico es la accesibilidad de los datos para los tomadores de decisiones.
En muchas organizaciones, los datos están fragmentados en silos departamentales,
lo que impide una visión holística y transversal del negocio. Superar esta
fragmentación implica la construcción de un ecosistema integrado de datos, con
políticas claras de acceso, interoperabilidad y trazabilidad, que aseguren que la
información correcta llegue a la persona adecuada, en el momento adecuado.
Finalmente, la calidad de los datos no debe entenderse únicamente desde una
perspectiva técnica, sino también organizacional y estratégica. Invertir en procesos de
gobierno de datos, limpieza automatizada, validación cruzada y auditorías internas
contribuye no solo a mejorar la precisión de los modelos predictivos, sino también a
fortalecer la confianza de los usuarios y aumentar la adopción de estas tecnologías
en todos los niveles de la organización.
4. Discusión
La discusión de los hallazgos presentados a lo largo de esta revisión bibliográfica pone
en evidencia el carácter multifactorial y estratégico de la analítica predictiva en la toma
de decisiones gerenciales. A partir del análisis de estudios recientes y literatura
especializada, se confirma que la analítica predictiva no constituye simplemente una
herramienta técnica o estadística, sino un componente estructural que transforma los
modelos de gestión contemporáneos hacia esquemas basados en evidencia,
anticipación y adaptabilidad dinámica.
En primer lugar, las aplicaciones estratégicas de la analítica predictiva revelan un
espectro amplio de posibilidades que abarcan desde la anticipación de tendencias del
mercado hasta la innovación en productos, pasando por la planificación financiera y
la gestión del talento. En efecto, el uso de modelos predictivos para anticipar
escenarios futuros permite a las organizaciones actuar proactivamente ante cambios
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 26
Julio – Septiembre 2023
en la demanda, movimientos del entorno competitivo o variaciones macroeconómicas,
lo que incrementa su capacidad de respuesta estratégica (Ghasemaghaei, 2019).
Asimismo, la analítica contribuye a una toma de decisiones más racional y orientada
al valor, en la medida en que reduce la dependencia de intuiciones subjetivas o
supuestos sin validación empírica (Choi, Hecht & Tayler, 2020).
En el ámbito de la planificación financiera, los modelos predictivos posibilitan la
simulación de escenarios presupuestarios, la identificación de riesgos financieros
emergentes y la optimización de asignación de recursos. Esto se traduce en una
mayor eficiencia operativa y en la posibilidad de alinear las decisiones financieras con
las metas estratégicas a largo plazo (Pezeshkan et al., 2020). Por otro lado, la
aplicación de la analítica en la gestión del talento ha demostrado ser altamente
efectiva para predecir tasas de rotación, identificar brechas de competencias y diseñar
trayectorias personalizadas de desarrollo, fortaleciendo así la sostenibilidad del capital
humano (Margherita, 2022).
Sin embargo, el impacto de la analítica predictiva no se limita a sus aplicaciones;
también depende de una serie de condiciones organizacionales habilitantes que
determinan el grado de adopción y éxito de estas tecnologías. En ese sentido, esta
revisión identifica como factores clave: la cultura organizacional orientada a datos, la
formación en competencias analíticas y la calidad y disponibilidad de los datos.
La cultura organizacional basada en datos emerge como el principal catalizador para
una integración efectiva de la analítica en la toma de decisiones. Las organizaciones
que promueven valores de transparencia, apertura a la evidencia empírica y toma de
decisiones informada tienden a mostrar mayores niveles de madurez analítica. Esta
cultura requiere del compromiso activo de la alta dirección, pero también de la
democratización del acceso a los datos y de la creación de entornos colaborativos
entre áreas técnicas y operativas (Ransbotham et al., 2021).
Por otro lado, la ausencia de competencias analíticas constituye una barrera crítica
que puede inhibir el aprovechamiento de las tecnologías predictivas, incluso cuando
estas están disponibles. La evidencia sugiere que la alfabetización en datos y el
pensamiento crítico son habilidades esenciales para que los líderes gerenciales
puedan interpretar resultados analíticos y traducirlos en decisiones estratégicas
efectivas (Sharma, Mithas & Kankanhalli, 2017). Sin una inversión sostenida en
programas de formación técnica y ejecutiva, las organizaciones corren el riesgo de
infrautilizar su infraestructura analítica y perpetuar decisiones basadas en intuición o
experiencia informal.
La calidad de los datos, por su parte, se presenta como un factor técnico
indispensable. La validez de cualquier modelo predictivo depende de la integridad,
coherencia y actualidad de los datos que lo alimentan. Sin procesos robustos de
gobernanza de datos y sin arquitecturas tecnológicas que aseguren su integración y
trazabilidad, la analítica predictiva pierde precisión y credibilidad (Batini et al., 2009;
Wamba et al., 2015). Además, los datos deben estar disponibles en tiempo real o cuasi
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 27
Julio – Septiembre 2023
real para que las decisiones no se vean desfasadas respecto a las condiciones del
entorno.
Un aspecto transversal en esta discusión es la necesidad de entender que la adopción
de analítica predictiva es tanto una transformación tecnológica como organizacional.
No basta con invertir en infraestructura o adquirir plataformas sofisticadas; es
imperativo rediseñar procesos, modificar estructuras de poder, revisar incentivos y
promover una gestión del cambio que involucre a todos los niveles de la organización.
Tal como advierten Davenport y Bean (2018), muchas organizaciones fracasan en
obtener valor de la analítica no por deficiencias técnicas, sino por carencias culturales,
estructurales o de liderazgo.
En conclusión, la analítica predictiva representa una herramienta poderosa para
transformar la gestión empresarial y mejorar la calidad de las decisiones gerenciales,
pero su efectividad está supeditada a factores organizacionales que requieren
atención estratégica. Las empresas que deseen capitalizar plenamente el potencial
de la analítica deberán adoptar una visión sistémica que combine tecnología, cultura,
talento y datos de alta calidad como pilares fundamentales de la inteligencia
organizacional contemporánea.
5. Conclusiones
A partir del análisis detallado realizado en esta revisión bibliográfica, se concluye que
la analítica predictiva constituye una de las herramientas más poderosas y
transformadoras en el campo de la gestión organizacional actual. Su impacto va más
allá de la mera automatización de procesos o el tratamiento estadístico de grandes
volúmenes de datos; representa una nueva lógica de pensamiento gerencial basada
en la evidencia empírica, la anticipación de escenarios y la capacidad de respuesta
dinámica frente a la incertidumbre. En contextos de alta volatilidad y competitividad,
como los que caracterizan la economía digital, la capacidad de prever
comportamientos del entorno, optimizar recursos y generar decisiones informadas se
convierte en un diferencial estratégico para las organizaciones.
Las aplicaciones estratégicas de la analítica predictiva —tales como la anticipación de
tendencias del mercado, la planificación financiera inteligente, la gestión del talento
basada en datos y la innovación en productos— demuestran su carácter transversal
y su potencial para aportar valor en distintos niveles jerárquicos y funcionales. Estas
aplicaciones no solo mejoran la eficiencia operativa, sino que también refuerzan la
capacidad de adaptación de las organizaciones frente a cambios estructurales en sus
industrias. En consecuencia, la analítica predictiva se configura como una herramienta
clave para la sostenibilidad, la competitividad y la toma de decisiones con enfoque
prospectivo.
No obstante, el aprovechamiento efectivo de estas capacidades predictivas depende
en gran medida de la existencia de condiciones organizacionales habilitantes. En este
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 28
Julio – Septiembre 2023
sentido, el estudio ha identificado tres factores críticos que inciden directamente en la
adopción y madurez analítica de las organizaciones: la cultura organizacional basada
en datos, la formación en competencias analíticas y la calidad y disponibilidad de los
datos. Estos elementos no deben ser considerados como requisitos aislados, sino
como componentes interdependientes de un ecosistema organizacional que sustenta
la transformación digital orientada por datos.
En primer lugar, una cultura organizacional orientada al uso de datos no surge
espontáneamente; debe ser promovida deliberadamente desde los niveles de
liderazgo estratégico, con mecanismos que fomenten la toma de decisiones
fundamentada en evidencia, el aprendizaje continuo, la rendición de cuentas basada
en métricas y la apertura al análisis crítico. Sin una cultura que legitime el valor del
análisis cuantitativo, cualquier inversión en tecnología analítica corre el riesgo de ser
subutilizada o rechazada por los tomadores de decisiones.
En segundo lugar, la formación en competencias analíticas se presenta como un
requisito ineludible para garantizar la comprensión, interpretación y aplicación efectiva
de los resultados generados por los modelos predictivos. Las organizaciones deben
avanzar hacia la alfabetización analítica generalizada, que no solo contemple
habilidades técnicas, sino también capacidades de pensamiento crítico, comunicación
basada en datos y conciencia ética sobre el uso de información. La escasez de talento
analítico sigue siendo uno de los principales obstáculos para la adopción plena de
estas tecnologías, por lo que los programas de formación interna y las alianzas con
instituciones académicas resultan fundamentales.
Finalmente, la calidad y disponibilidad de los datos son determinantes técnicos
esenciales para la fiabilidad de los modelos predictivos. Sin datos limpios, completos,
actualizados y accesibles, incluso los algoritmos más sofisticados pierden efectividad.
La gobernanza de datos debe ser concebida como una función estratégica, con
procesos claros de control, estandarización y auditoría que aseguren la integridad del
insumo más valioso en la era digital: la información.
En conjunto, estos hallazgos permiten concluir que la analítica predictiva no debe ser
vista como una solución tecnológica puntual, sino como el núcleo de un cambio
estructural que redefine la manera en que las organizaciones generan conocimiento,
toman decisiones y se relacionan con su entorno. Su implementación requiere una
visión holística que integre personas, procesos, datos y tecnología bajo una estrategia
coherente y orientada al valor. Esta transformación no está exenta de retos, pero su
adopción progresiva y consciente ofrece a las organizaciones una vía concreta para
incrementar su capacidad adaptativa, su inteligencia organizacional y su sostenibilidad
en el largo plazo.
En suma, el verdadero impacto de la analítica predictiva no radica únicamente en su
capacidad técnica para predecir el futuro, sino en su potencial para empoderar a los
líderes organizacionales a construirlo con decisiones más informadas, oportunas y
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 29
Julio – Septiembre 2023
estratégicamente alineadas con los objetivos institucionales. La era de la gestión
basada en datos ya no es una promesa del futuro, sino una exigencia del presente.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Almenaba-Guerrero, Y. F., & Herrera-Sánchez, M. J. (2022). Diversidad e Inclusión en
el Lugar de Trabajo: Prácticas en Ecuador Liderazgo y Cultura
Organizacional. Revista Científica Zambos, 1(1), 69-85.
https://doi.org/10.69484/rcz/v1/n1/22
Batini, C., Cappiello, C., Francalanci, C., & Maurino, A. (2009). Methodologies for data
quality assessment and improvement. ACM Computing Surveys, 41(3), 1–52.
https://doi.org/10.1145/1541880.1541883
Bhimani, A., & Willcocks, L. (2014). Digitisation, ‘Big Data’ and the transformation of
accounting information. Accounting and Business Research, 44(4), 469–490.
https://doi.org/10.1080/00014788.2014.910051
Bravo-Bravo, I. F., & Herrera-Sánchez, M. J. (2023). Tendencias Globales del
Liderazgo Transformacional en Empresas Modernas. Horizon Nexus Journal,
1(2), 14-31. https://doi.org/10.70881/hnj/v1/n2/15
Caicedo-Basurto, R. L., & Casanova-Villalba, C. I. (2023). Impacto de las Normas
Internacionales de Información Financiera (NIIF) en la Comparabilidad de los
Estados Financieros a través de la Literatura Reciente. Horizon Nexus Journal,
1(2), 32-47. https://doi.org/10.70881/hnj/v1/n2/16
Casanova-Villalba, C. I., & Hurtado-Guevara, R. F. (2023). Auditoría fiscal y evasión
tributaria mediante un enfoque sustentado en evidencia empírica reciente.
Multidisciplinary Collaborative Journal, 1(1), 39-51.
https://doi.org/10.70881/mcj/v1/n1/10
Choi, J. H., Hecht, G., & Tayler, W. B. (2020). Strategic value of predictive analytics in
accounting and finance. Accounting, Organizations and Society, 82, 101104.
Davenport, T. H., & Bean, R. (2018). Big Companies Are Embracing Analytics, But
Most Still Don’t Have a Data-Driven Culture. Harvard Business Review.
George, G., Osinga, E. C., Lavie, D., & Scott, B. A. (2016). Big Data and data science
methods for management research. Academy of Management Journal, 59(5),
1493–1507. https://doi.org/10.5465/amj.2016.4005
Ghasemaghaei, M. (2019). Does data analytics use improve firm decision making
quality? The role of knowledge sharing and data analytics competency. Decision
Support Systems, 120, 14–24. https://doi.org/10.1016/j.dss.2019.03.004
Revista Científica Ciencia y Método | Vol.01 | Núm.03 | Jul – Sep | 2023 | www.revistacym.com pág. 30
Julio – Septiembre 2023
Kiron, D., Prentice, P. K., & Ferguson, R. B. (2014). The analytics mandate. MIT Sloan
Management Review, 55(4), 1–25.
Kwon, O., Lee, N., & Shin, B. (2014). Data quality management, data usage experience
and acquisition intention of big data analytics. International Journal of
Information Management, 34(3), 387–394.
https://doi.org/10.1016/j.ijinfomgt.2014.02.002
Margherita, A. (2022). Human resources analytics: A systematization of research
topics and directions for future research. Human Resource Management
Review, 31(2), 100756. https://doi.org/10.1016/j.hrmr.2020.100795
Mikalef, P., Krogstie, J., Pappas, I. O., & Giannakos, M. (2018). Investigating the
effects of Big Data analytics capabilities on firm performance: The mediating
role of dynamic capabilities. Information & Management, 55(8), 103187.
Mikalef, P., Pappas, I.O., Krogstie, J. & Giannakos, M. (2018). Big data analytics
capabilities: a systematic literature review and research agenda. Inf Syst E-Bus
Manage 16, 547–578. https://doi.org/10.1007/s10257-017-0362-y
Pezeshkan, A., Smith, A. D., Fainshmidt, S., & Murovec, N. (2020). Strategic foresight,
innovation, and firm performance: An integrative framework. Journal of
Business Research, 117, 1–15.
Ransbotham, S., Candelon, F., Kiron, D., LaFountain, B., & Khodabandeh, S. (2021).
The Cultural Benefits of Artificial Intelligence in the Enterprise. MIT Sloan
Management
Sadiq, S., Ormandjieva, O., & Gasevic, D. (2015). Data quality challenges and
strategies in big data analytics. In Proceedings of the International Conference
on Big Data and Smart Computing (pp. 199–206). IEEE.
Santander-Salmon, E. S., Herrera-Sánchez, M. J., & Bravo-Bravo, I. F. (2023). La
importancia de la digitalización en la administración empresarial mediante un
análisis bibliográfico actualizado. Multidisciplinary Collaborative Journal, 1(2),
39-51. https://doi.org/10.70881/mcj/v1/n2/15
Sharma, R., Mithas, S., & Kankanhalli, A. (2017). Transforming decision-making
processes: a research agenda for understanding the impact of business
analytics on organisations. European Journal of Information Systems, 23(4),
433–441. https://doi.org/10.1057/ejis.2014.17
Sivarajah, U., Kamal, M. M., Irani, Z., & Weerakkody, V. (2017). Critical analysis of Big
Data challenges and analytical methods. Journal of Business Research, 70,
263–286. https://doi.org/10.1016/j.jbusres.2016.08.001
Van den Heuvel, S., & Bondarouk, T. (2017). The rise (and fall?) of HR analytics: A
study into the future application, value, structure, and system support. Journal
of Organizational Effectiveness: People and Performance, 4(2), 157–178.
https://doi.org/10.1108/JOEPP-03-2017-0022
Wamba, S. F., Akter, S., Edwards, A., Chopin, G., & Gnanzou, D. (2015). How ‘big
data’ can make big impact: Findings from a systematic review and a longitudinal
case study. International Journal of Production Economics, 165, 234–246.
https://doi.org/10.1016/j.ijpe.2014.12.031