El Teorema de Bayes en el Análisis de Inteligencia

julio 1, 2020

“Bayes ingenuo” en apoyo del análisis de inteligencia

Por José-Miguel Palacios.

Un interesante artículo de Juan Pablo Somiedo[1], aparecido a finales de 2018, nos recordaba que el teorema de Bayes[2], en su versión más elemental (lo que se suele llamar “Bayes ingenuo”) puede seguir siendo útil en análisis de inteligencia.

El teorema de Bayes en el análisis de inteligencia

Se puede argumentar que todo análisis de inteligencia es bayesiano en su naturaleza. En esencia consiste en obtener unas evidencias iniciales, simples fragmentos de una realidad bastante compleja, para formular después hipótesis explicativas, recolectar más evidencia y verificar cuál de nuestras hipótesis se ajusta mejor a la evidencia disponible. Algo que no es esencialmente distinto de la “lógica bayesiana”, es decir, de ir modificando nuestras valoraciones subjetivas iniciales a medida que vamos recibiendo evidencias más o menos consistentes con ellas.

En las décadas de 1960 y 1970 hubo varios intentos de utilizar directamente el teorema de Bayes para fines de análisis de inteligencia. Algunos de ellos han sido documentados en las publicaciones del Centro para el Estudio de la Inteligencia de la CIA[3]. Los resultados, sin embargo, no llegaron a ser plenamente convincentes. Y una de las razones principales fue que el mundo real resultó ser demasiado complejo para los modelos elementales que deben considerarse al utilizar “Bayes ingenuo”. Y es que estos modelos presuponen la invariabilidad de la situación inicial (oculta a nuestros ojos), así como la independencia absoluto de los sucesos que vamos considerando. Este problema puede resolverse mediante el uso de “redes bayesianas”[4] y los resultados son matemáticamente correctos, aunque aquí el principal problema radica en conseguir modelar correctamente la realidad. Es el enfoque que fue seleccionado para el programa Apollo[5] y otros similares.

A pesar de todo, y con las debidas precauciones, el uso de “Bayes ingenuo” puede ayudarnos en algunos casos a valorar la evidencia de que disponemos. Para que ello sea así, tendríamos que prestar atención a neutralizar las principales debilidades del método. A saber:

a) Deberíamos utilizar únicamente evidencia relativamente “reciente” (algo que, medido en tiempo, puede tener distintos significados dependiendo de los casos). El problema es que Bayes nos da información sobre una situación preexistente y oculta (por ejemplo, la decisión que puede haber adoptado un determinado líder político) fijando nuestra atención en sus manifestaciones visibles. Si la evolución de la situación es bastante lenta (por ejemplo, la soviética durante el brezhnevismo medio y tardío), podemos asumir que no cambia sustancialmente durante años, por lo que el momento de obtención es escasamente relevante para la valoración de la evidencia. En situaciones más dinámicas, como suelen ser la actuales, las posiciones de los líderes se están modificando continuamente como consecuencia de los cambios que se producen en el entorno. Evidencia relativamente antigua puede referirse a una “situación oculta” que ya no es actual. Por ello, deberíamos utilizar solo evidencia bastante nueva y, si la crisis continúa, prescindir de la más antigua en beneficio de otra más reciente.

b) En la medida de lo posible, el conjunto de las hipótesis debería cubrir la totalidad de las posibilidades existentes, y no debería existir ningún solape entre las diferentes hipótesis. En la práctica, este objetivo es casi imposible de alcanzar, aunque cuanto más nos acerquemos a él, más fiables serán los resultados que obtengamos al aplicar “Bayes ingenuo”.

c) Las evidencias (“Sucesos”) deberían ser de un “peso similar” y no estar relacionadas entre sí[6].

En la práctica

Hemos elaborado una hoja de Excel[7], con la esperanza de que pueda ayudar con los cálculos matemáticos que esta técnica requiere. Para rellenarla, seguiremos los siguiente pasos, sugeridos por Jessica McLaughlin[8]:

1) Creamos un conjunto de hipótesis mutuamente excluyentes y colectivamente exhaustivas relativas al fenómeno incierto que queremos investigar. Como ya hemos explicado, es, quizá, uno de los pasos más difíciles. En general, resulta complicado imaginar hipótesis que sean por completo mutuamente excluyentes (sin ningún solape entre ellas). Y no lo es menos conseguir que el conjunto de ellas agote todas las posibilidades.

2) Asignamos probabilidades previas (pr.previa, en nuestra hoja de cálculo) a cada una de las hipótesis. La probabilidad previa es nuestra estimación intuitiva de la probabilidad relativa de cada una de las hipótesis. Dado que son mutuamente excluyentes y que cubren todas las posibilidades, la suma de las probabilidades previas debe ser 1. En nuestra tabla, expresamos las probabilidades en tantos por ciento.

3) Ahora debemos ir incorporando los “Sucesos” que nos servirán para valorar las hipótesis. El método reajusta las probabilidades de las hipótesis después de cada suceso, por lo que estos pueden añadirse secuencialmente, según se van produciendo o según tenemos noticia de ellos. Una buena elección de sucesos es muy importante para que el método produzca resultados aceptables. Los sucesos deben tener valor diagnóstico (es decir, deben ser más o menos probables según cuál de las hipótesis es la correcta) y, en lo posible, de un “peso” (importancia) similar.

4) Según incorporamos “Sucesos” a la tabla, les asignamos “verosimilitudes” (“verosim.”, en nuestra hoja de cálculo), relativas a cada una de las hipótesis. Se trata para cada caso de la probabilidad estimada por el analista de que el suceso ocurra, suponiendo que la hipótesis que estamos considerando sea correcta. En la tabla, esta probabilidad la expresamos por un entero entre 0 y 100, siendo 0 la imposibilidad total, y 100 la seguridad completa (de que el suceso se producirá suponiendo que la hipótesis se verifica). Obviamente, la suma de todas las verosimilitudes no tiene por que ser la unidad (100% o, según la notación que utilizamos en nuestra tabla, 100).

La propia tabla recalculará las probabilidades de las hipótesis una vez que hayamos computado cada “Suceso”. En nuestra tabla, podemos encontrar estas probabilidades recalculadas en la columna G (“probab.”).

5) Reiteraremos el proceso según añadimos nuevos sucesos. En nuestra tabla, cada nuevo suceso está representado 10 filas más abajo del anterior. Si agotamos los predefinidos en la tabla, podemos añadir más copiando el último “bloque” diez filas más abajo.

Un ejemplo: Crisis de Crimea, marzo de 2020

El proceso puede verse mucho más claro con la ayuda de un ejemplo. Utilizaremos el de la crisis de Crimea de 2014, en particular las dos semanas que siguieron a la caída del Presidente ucraniano Yanukovich, el 21 de febrero. Hemos rellenado la hoja Excel con una serie de “Sucesos” y el resultado puede encontrarse en la hoja prueba_crimea.xlsx[9]. Se trata, evidentemente, de un supuesto didáctico en el que la elección su “Sucesos” y la determinación de las verosimilitudes están condicionados por el interés en ilustrar algunos de los posibles resultados.

Como vemos, la técnica nos permite calcular en todo momento las probabilidades de las diversas hipótesis, y mantener este cálculo actualizado según vamos recibiendo nueva información. Algunas observaciones interesantes:

  1. a) A fecha 6 de marzo de 2014, consideraríamos casi seguro (probabilidad del 90%) que la intención rusa sea anexionar la península de Crimea.
  2. b) Sin embargo, unos días antes (según la tabla) no estaría tan claro. El 1 de marzo la hipótesis de la anexión era ya la más probable (55%), pero aún calculábamos una probabilidad notable (39%) de que los rusos estuvieran intentando crear una república virtualmente independiente sin poner en cuestión (formalmente) las fronteras reconocidas (modelo “Transnistria”).
  3. c) Tan solo unos días antes, hacia el 25-26 de febrero, la hipótesis más probable era aún que los rusos estuvieran intentando impedir que el nuevo gobierno de Kiev tomara el control efectivo de Crimea (probabilidad del 63-68%).

Con la tabla, podemos fácilmente excluir como sospechoso de desinformación un suceso que hemos aceptado previamente, modificar la verosimilitud de sucesos pasados a la luz de nueva evidencia, o cambiar las probabilidades previas de las que hemos partido. En todos estos casos, la tabla nos recalcula automáticamente todas las probabilidades.

Bayes ingenuo y Análisis de Hipótesis Alternativas (ACH)

En el fondo, la técnica de Bayes ingenuo no es muy diferente del Análisis de Hipótesis Alternativas (ACH) de Heuers. La lógica subyacente es la misma (conocer una realidad oculta gracias al estudio de sus manifestaciones visibles) y la diferencia principal radica en la forma de atacar el problema: mientras  Bayes ingenuo calcula las probabilidades relativas, ACH intenta descartar hipótesis por ser inconsistentes con la evidencia.

Para ilustrar mejor las diferencias entre estas dos técnicas, hemos elaborado una matriz (prueba ach_crimea.xlsx[10]) con los sucesos y las hipótesis del ejemplo sobre Crimea. Como sabemos, las diversas variantes de ACH se diferencian entre sí por la manera de contabilizar los resultados. En nuestro caso, marcaremos CC y contaremos 2 puntos cuando el suceso sea altamente consistente con la hipótesis, C (1 punto) cuando sea consistente, I (-1) cuando sea inconsistente y X (rechazo de la hipótesis) cuando sea incompatible. Con estas reglas, hemos llegado a los resultados que a continuación se indican:

a) La hipótesis de la Anexión parece la más probable, aunque seguimos atribuyendo una probabilidad considerable a la hipótesis del Caos. Las dos primeras hipótesis (Evitar el control de Kiev sobre la península y el modelo Transnistria) podrían ser descartadas.

b) Si elimináramos la última fila, es decir, si no tomáramos en consideración el suceso del 6 de marzo, las cuatro hipótesis seguirían siendo verosímiles, con dos de ellas (Anexión y Transnistria) vistas como claramente más probables.

Vemos, pues, que partiendo de una lógica similar, las dos técnicas nos conducen a resultados ligeramente distintos. Y en el proceso podemos apreciar algunos de los inconvenientes que cada una de ellas tiene:

a) En ACH el principal problema es que no siempre resulta fácil encontrar sucesos que desmientan alguna de las hipótesis (“coartadas”) por ser completamente incompatibles con ella. Y, en ocasiones, sucesos muy interesantes pueden ser sospechosos de desinformación.

b) En ausencia de “coartadas”, la puntuación en ACH depende mucho de la metodología de cálculo que se siga. La que hemos elegido es, quizá, excesivamente simple. Otras más complejas pueden resultar difíciles de aplicar (aunque hay programas informáticos que pueden servir de ayuda) y resultar en cierta medida arbitrarias.

c) El problema con Bayes ingenuo es que para muchos analistas no resulta intuitivo. El uso de la hoja Excel ayuda mucho a realizar los cálculos, pero puede oscurecer la lógica que hay detrás de ellos.

A modo de conclusión                                                 

a) El Teorema de Bayes no sirve para predecir el futuro, sino que nos ayuda a conocer una realidad pasada o presente que permanece oculta a nuestros ojos. Es obvio que si el Presidente del país X ha decidido invadir el país vecino Y, acabará haciéndolo, de no mediar alguna circunstancia que le haga cambiar de opinión. Pero lo que averiguamos no es el hecho futuro (que invadirá), sino el pasado (que ha tomado la decisión de hacerlo).

b) Bayes ingenuo (como también ACH) es más efectivo cuando se usa para estudiar una situación estable, cuando la evidencia se puede recolectar durante un período de tiempo suficientemente largo sin que la “incógnita” que intentamos resolver cambie apreciablemente. Porque cuando la “incógnita” cambia con relativa rapidez, como suele ser el caso durante las crisis actuales, diferentes observaciones realizadas en momentos distintos pueden ser producto de una “realidad oculta” que se ha modificado, que ya no es la misma. Por eso, si queremos que Bayes ingenuo funcione razonablemente bien con situaciones dinámicas, la recogida de datos debe realizarse en plazos de tiempo relativamente cortos. O debemos descartar los “sucesos” más antiguos, que pueden responder a una “realidad oculta” que ya no es real.

c) Más importante que las dos técnicas que hemos examinado en este post es la “lógica bayesiana” que subyace a ambas. En inteligencia (sobre todo, en inteligencia estratégica) es raro conseguir evidencias directas sobre la realidad que nos interesa. Esa realidad siempre permanece oculta a nuestros ojos y lo que podemos averiguar sobre ella es gracias a sus manifestaciones visibles.

d) Quien quiera ocultar una información valiosa no solo intentará protegerla de intentos directos de acceder a ella, sino que tendrá también en cuenta esas manifestaciones visibles, tan difíciles de ocultar. Y lo hará utilizando desinformación. Este es el principal problema para utilizar Bayes ingenuo (o ACH): distinguir la información correcta de la inexacta y de la desinformacón.

Y es que no resulta nada fácil ser un analista inteligente.


[1]     SOMIEDO, J.P. (2018). El análisis bayesiano como piedra angular de la inteligencia de alertas estratégicas. Revista de Estudios en Seguridad Internacional, 4, 1: 161-176. DOI: http://dx.doi.org/10.18847/1.7.10. Para una lista de las interesantes aportaciones de Somiedo al estudio de la metodología del análisis de inteligencia, ver https://dialnet.unirioja.es/servlet/autor?codigo=3971893.

[2]     Para una explicación rápida del teorema de Bayes, véase https://es.wikipedia.org/wiki/Teorema_de_Bayes.

[3]     Puede verse, por ejemplo, FISK, C.F. (1967). The Sino-Soviet Border Dispute: A Comparison of the Conventional and Bayesian Methods for Intelligence Warning. CIA Center for the Study of Intelligence. https://www.cia.gov/library/center-for-the-study-of-intelligence/kent-csi/vol16no2/html/v16i2a04p_0001.htm (acceso: 08.062020).

[4]     Los no familiarizados con las redes bayesianas pueden encontrar una introducción elemental de este concepto en https://es.wikipedia.org/wiki/Red_bayesiana.

[5]     Ver STICHA, P., BUEDE, D. & REES, R.L. (2005). APOLLO: An analytical tool for predicting a subject’s decision making. En Proceedings of the 2005 International Conference on Intelligence Analysishttps://cse.sc.edu/~mgv/BNSeminar/ApolloIA05.pdf (acceso: 08.06.2020).

[6]     Los que conozcan el histórico concurso de televisión Un, dos, tres, responda otra vez recordarán que una táctica muy eficaz para responder consistía en repetir un “objeto”, alterando alguna de sus características. Por ejemplo, si pedían “muebles que puedan estar en un comedor”, ir diciendo sucesivamente “silla blanca”, “silla negra”, “silla roja”, etc. Esta táctica aplicada a la técnica de “Bayes ingenuo” nos acabaría conduciendo inexorablemente a una hipótesis predeterminada. Claro que sería como hacernos trampas al solitario…

[7]     El nombre de la hoja es bayes_excel.xlsx, y puede encontrarse en https://bit.ly/2An58uc.

[8]     MCLAUGHLIN, J., & PATÉ-CORNELL, M.E. (2005). A Bayesian approach to Iraq’s nuclear program intelligence analysis: a hypothetical illustration. En 2005 International Conference on Intelligence Analysis. https://analysis.mitre.org/proceedings/Final_Papers_Files/85_Camera_Ready_Paper.pdf (acceso: 27.10.2018). También, MCLAUGHLIN, J. (2005). A Bayesian Updating Model for Intelligence Analysis:A Case Study of Iraq’s Nuclear Weapons Program. Honors Program in International Security Studies Center for International Security and Cooperation Stanford University.

[9]     Puede accederse a ella en la siguiente dirección: https://bit.ly/30veoY3.

[10]   Puede encontrarse en https://bit.ly/3dUsENL.

Fuente: serviciosdeinteligencia.com, 2020


Algoritmos Naive Bayes: Fundamentos e Implementación

¡Conviértete en un maestro de uno de los algoritmos mas usados en clasificación!

Por Víctor Román.

Victor RomanFollowApr 25, 2019 · 13 min read

Introducción: ¿Qué son los modelos Naive Bayes?

En un sentido amplio, los modelos de Naive Bayes son una clase especial de algoritmos de clasificación de Aprendizaje Automatico, o Machine Learning, tal y como nos referiremos de ahora en adelante. Se basan en una técnica de clasificación estadística llamada “teorema de Bayes”.

Estos modelos son llamados algoritmos “Naive”, o “Inocentes” en español. En ellos se asume que las variables predictoras son independientes entre sí. En otras palabras, que la presencia de una cierta característica en un conjunto de datos no está en absoluto relacionada con la presencia de cualquier otra característica.

Proporcionan una manera fácil de construir modelos con un comportamiento muy bueno debido a su simplicidad.

Lo consiguen proporcionando una forma de calcular la probabilidad ‘posterior’ de que ocurra un cierto evento A, dadas algunas probabilidades de eventos ‘anteriores’.

Ejemplo

Presentaremos los conceptos principales del algoritmo Naive Bayes estudiando un ejemplo.

Consideremos el caso de dos compañeros que trabajan en la misma oficina: Alicia y Bruno. Sabemos que:

  • Alicia viene a la oficina 3 días a la semana.
  • Bruno viene a la oficina 1 día a la semana.

Esta sería nuestra información “anterior”.

Estamos en la oficina y vemos pasar delante de nosotros a alguien muy rápido, tan rápido que no sabemos si es Alicia o Bruno.

Dada la información que tenemos hasta ahora y asumiendo que solo trabajan 4 días a la semana, las probabilidades de que la persona vista sea Alicia o Bruno, son:

  • P(Alicia) = 3/4 = 0.75
  • P(Bruno) = 1/4 = 0.25

Cuando vimos a la persona pasar, vimos que él o ella llevaba una chaqueta roja. También sabemos lo siguiente:

  • Alicia viste de rojo 2 veces a la semana.
  • Bruno viste de rojo 3 veces a la semana.

Así que, para cada semana de trabajo, que tiene cinco días, podemos inferir lo siguiente:

  • La probabilidad de que Alicia vista de rojo es → P(Rojo|Alicia) = 2/5 = 0.4
  • La probabilidad de que Bruno vista de rojo → P(Rojo|Bruno) = 3/5 = 0.6

Entonces, con esta información, ¿a quién vimos pasar? (en forma de probabilidad)

Esta nueva probabilidad será la información ‘posterior’.

Inicialmente conocíamos las probabilidades P(Alicia) y P(Bruno), y después inferíamos las probabilidades de P(rojo|Alicia) y P(rojo|Bruno).

De forma que las probabilidades reales son:

Formalmente, el gráfico previo sería:

Algoritmo Naive Bayes Supervisado

A continuación se listan los pasos que hay que realizar para poder utilizar el algoritmo Naive Bayes en problemas de clasificación como el mostrado en el apartado anterior.

  1. Convertir el conjunto de datos en una tabla de frecuencias.
  2. Crear una tabla de probabilidad calculando las correspondientes a que ocurran los diversos eventos.
  3. La ecuación Naive Bayes se usa para calcular la probabilidad posterior de cada clase.
  4. La clase con la probabilidad posterior más alta es el resultado de la predicción.

Puntos fuertes y débiles de Naive Bayes

Los puntos fuertes principales son:

  • Un manera fácil y rápida de predecir clases, para problemas de clasificación binarios y multiclase.
  • En los casos en que sea apropiada una presunción de independencia, el algoritmo se comporta mejor que otros modelos de clasificación, incluso con menos datos de entrenamiento.
  • El desacoplamiento de las distribuciones de características condicionales de clase significan que cada distribución puede ser estimada independientemente como si tuviera una sola dimensión. Esto ayuda con problemas derivados de la dimensionalidad y mejora el rendimiento.

Los puntos débiles principales son:

  • Aunque son unos clasificadores bastante buenos, los algoritmos Naive Bayes son conocidos por ser pobres estimadores. Por ello, no se deben tomar muy en serio las probabilidades que se obtienen.
  • La presunción de independencia Naive muy probablemente no reflejará cómo son los datos en el mundo real.
  • Cuando el conjunto de datos de prueba tiene una característica que no ha sido observada en el conjunto de entrenamiento, el modelo le asignará una probabilidad de cero y será inútil realizar predicciones. Uno de los principales métodos para evitar esto, es la técnica de suavizado, siendo la estimación de Laplace una de las más populares.

Proyecto de Implementación: Detector de Spam

Actualmente, una de las aplicaciones principales de Machine Learning es la detección de spam. Casi todos los servicios de email más importantes proporcionan un detector de spam que clasifica el spam automáticamente y lo envía al buzón de “correo no deseado”.

En este proyecto, desarrollaremos un modelo Naive Bayes que clasifica los mensajes SMS como spam o no spam (‘ham’ en el proyecto). Se basará en datos de entrenamiento que le proporcionaremos.

Haciendo una investigación previa, encontramos que, normalmente, en los mensajes de spam se cumple lo siguiente:

  • Contienen palabras como: ‘gratis’, ‘gana’, ‘ganador’, ‘dinero’ y ‘premio’.
  • Tienden a contener palabras escritas con todas las letras mayúsculas y tienden al uso de muchos signos de exclamación.

Esto es un problema de clasificación binaria supervisada, ya que los mensajes son o ‘Spam’ o ‘No spam’ y alimentaremos un conjunto de datos etiquetado para entrenar el modelo.

Visión general

Realizaremos los siguientes pasos:

  • Entender el conjunto de datos
  • Procesar los datos
  • Introducción al “Bag of Words” (BoW) y la implementación en la libreria Sci-kit Learn
  • División del conjunto de datos (Dataset) en los grupos de entrenamiento y pruebas
  • Aplicar “Bag of Words” (BoW) para procesar nuestro conjunto de datos
  • Implementación de Naive Bayes con Sci-kit Learn
  • Evaluación del modelo
  • Conclusión

Entender el Conjunto de Datos

Utilizaremos un conjunto de datos del repositorio UCI Machine Learning.

Un primer vistazo a los datos:

Las columnas no se han nombrado, pero como podemos imaginar al leerlas:

  • La primera columna determina la clase del mensaje, o ‘spam’ o ‘ham’ (no spam).
  • La segunda columna corresponde al contenido del mensaje

Primero importaremos el conjunto de datos y cambiaremos los nombre de las columnas. Haciendo una exploración previa, también vemos que el conjunto de datos está separado. El separador es ‘\t’.

# Importar la libreria Pandas 
import pandas as pd# Dataset de https://archive.ics.uci.edu/ml/datasets/SMS+Spam+Collection
df = pd.read_table('smsspamcollection/SMSSpamCollection',
sep='\t',
names=['label','sms_message'])# Visualización de las 5 primeras filas
df.head()

Preprocesamiento de Datos

Ahora, ya que el Sci-kit learn solo maneja valores numéricos como entradas, convertiremos las etiquetas en variables binarias, 0 representará ‘ham’ y 1 representará ‘spam’.

Para representar la conversión:

# Conversion
df['label'] = df.label.map({'ham':0, 'spam':1})# Visualizar las dimensiones de los datos
df.shape()

Introducción a la Implementación “Bag of Words” (BoW) y Sci-kit Learn

Nuestro conjunto de datos es una gran colección de datos en forma de texto (5572 filas). Como nuestro modelos solo aceptará datos numéricos como entrada, deberíamos procesar mensajes de texto. Aquí es donde “Bag of Words“ entra en juego.

“Bag of Words” es un término usado para especificar los problemas que tiene una colección de datos de texto que necesita ser procesada. La idea es tomar un fragmento de texto y contar la frecuencia de las palabras en el mismo.

BoW trata cada palabra independientemente y el orden es irrelevante.

Podemos convertir un conjunto de documentos en una matriz, siendo cada documento una fila y cada palabra (token) una columna, y los valores correspondientes (fila, columna) son la frecuencia de ocurrencia de cada palabra (token) en el documento.

Como ejemplo, si tenemos los siguientes cuatro documentos:

['Hello, how are you!', 'Win money, win from home.', 'Call me now', 'Hello, Call you tomorrow?']

Convertiremos el texto a una matriz de frecuencia de distribución como la siguiente:

Los documentos se numeran en filas, y cada palabra es un nombre de columna, siendo el valor correspondiente la frecuencia de la palabra en el documento.

Usaremos el método contador de vectorización de Sci-kit Learn, que funciona de la siguiente manera:

  • Fragmenta y valora la cadena (separa la cadena en palabras individuales) y asigna un ID entero a cada fragmento (palabra).
  • Cuenta la ocurrencia de cada uno de los fragmentos (palabras) valorados.
  • Automáticamente convierte todas las palabras valoradas en minúsculas para no tratar de forma diferente palabras como “el” y “El”.
  • También ignora los signos de puntuación para no tratar de forma distinta palabras seguidas de un signo de puntuación de aquellas que no lo poseen (por ejemplo “¡hola!” y “hola”).
  • El tercer parámetro a tener en cuenta es el parámetro stop_words. Este parámetro se refiere a las palabra más comúnmente usadas en el lenguaje. Incluye palabras como “el”, “uno”, “y”, “soy”, etc. Estableciendo el valor de este parámetro por ejemplo en english, “CountVectorizer” automáticamente ignorará todas las palabras (de nuestro texto de entrada) que se encuentran en la lista de “stop words” de idioma inglés..

La implementación en Sci-kit Learn sería la siguiente:

# Definir los documentos
documents = ['Hello, how are you!',
'Win money, win from home.',
'Call me now.',
'Hello, Call hello you tomorrow?']# Importar el contador de vectorizacion e inicializarlo
from sklearn.feature_extraction.text import CountVectorizer
count_vector = CountVectorizer()# Visualizar del objeto'count_vector' que es una instancia de 'CountVectorizer()'
print(count_vector)

Para ajustar el conjunto de datos del documento al objeto “CountVectorizer” creado, usaremos el método “fit()”, y conseguiremos la lista de palabras que han sido clasificadas como características usando el método “get_feature_names()”. Este método devuelve nuestros nombres de características para este conjunto de datos, que es el conjunto de palabras que componen nuestro vocabulario para “documentos”.

count_vector.fit(documents)
names = count_vector.get_feature_names()
names

A continuación, queremos crear una matriz cuyas filas serán una de cada cuatro documentos, y las columnas serán cada palabra. El valor correspondiente (fila, columna) será la frecuencia de ocurrencia de esa palabra (en la columna) en un documento particular (en la fila).

Podemos hacer esto usando el método “transform()” y pasando como argumento en el conjunto de datos del documento. El método “transform()” devuelve una matriz de enteros, que se puede convertir en tabla de datos usando “toarray()”.

doc_array = count_vector.transform(documents).toarray()
doc_array

Para hacerlo fácil de entender, nuestro paso siguiente es convertir esta tabla en una estructura de datos y nombrar las columnas adecuadamente.

frequency_matrix = pd.DataFrame(data=doc_array, columns=names)
frequency_matrix

Con esto, hemos implementado con éxito un problema de “BoW” o Bag of Words para un conjunto de datos de documentos que hemos creado.

Un problema potencial que puede surgir al usar este método es el hecho de que si nuestro conjunto de datos de texto es extremadamente grande, habrá ciertos valores que son más comunes que otros simplemente debido a la estructura del propio idioma. Así, por ejemplo, palabras como ‘es’, ‘el’, ‘a’, pronombres, construcciones gramaticales, etc. podrían sesgar nuestra matriz y afectar nuestro análisis.

Para mitigar esto, usaremos el parámetro stop_words de la clase CountVectorizer y estableceremos su valor en inglés.

Dividiendo el Conjunto de Datos en Conjuntos de Entrenamiento y Pruebas

Buscamos dividir nuestros datos para que tengan la siguiente forma:

  • X_train son nuestros datos de entrenamiento para la columna ‘sms_message’
  • y_train son nuestros datos de entrenamiento para la columna ‘label’
  • X_test son nuestros datos de prueba para la columna ‘sms_message’
  • y_test son nuestros datos de prueba para la columna ‘label’. Muestra el número de filas que tenemos en nuestros datos de entrenamiento y pruebas
# Dividir los datos en conjunto de entrenamiento y de test
from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(df['sms_message'], df['label'], random_state=1)print('Number of rows in the total set: {}'.format(df.shape[0]))print('Number of rows in the training set: {}'.format(X_train.shape[0]))print('Number of rows in the test set: {}'.format(X_test.shape[0]))

Aplicar BoW para Procesar Nuestros Datos de Pruebas

Ahora que hemos dividido los datos, el próximo objetivo es convertir nuestros datos al formato de la matriz buscada. Para realizar esto, utilizaremos CountVectorizer() como hicimos antes. tenemos que considerar dos casos:

  • Primero, tenemos que ajustar nuestros datos de entrenamiento (X_train) en CountVectorizer() y devolver la matriz.
  • Sgundo, tenemos que transformar nustros datos de pruebas (X_test) para devolver la matriz.

Hay que tener en cuenta que X_train son los datos de entrenamiento de nuestro modelo para la columna ‘sms_message’ en nuestro conjunto de datos.

X_test son nuestros datos de prueba para la columna ‘sms_message’, y son los datos que utilizaremos (después de transformarlos en una matriz) para realizar predicciones. Compararemos luego esas predicciones con y_test en un paso posterior.

El código para este segmento está dividido en 2 partes. Primero aprendemos un diccionario de vocabulario para los datos de entrenamiento y luego transformamos los datos en una matriz de documentos; segundo, para los datos de prueba, solo transformamos los datos en una matriz de documentos.

# Instantiate the CountVectorizer method
count_vector = CountVectorizer()# Fit the training data and then return the matrix
training_data = count_vector.fit_transform(X_train)# Transform testing data and return the matrix. Note we are not fitting the testing data into the CountVectorizer()
testing_data = count_vector.transform(X_test)

Implementación Naive Bayes con Sci-Kit Learn

Usaremos la implementación Naive Bayes “multinomial”. Este clasificador particular es adecuado para la clasificación de características discretas (como en nuestro caso, contador de palabras para la clasificación de texto), y toma como entrada el contador completo de palabras.

Por otro lado el Naive Bayes gausiano es más adecuado para datos continuos ya que asume que los datos de entrada tienen una distribución de curva de Gauss (normal).

Importaremos el clasificador “MultinomialNB” y ajustaremos los datos de entrenamiento en el clasificador usando fit().

from sklearn.naive_bayes import MultinomialNB
naive_bayes = MultinomialNB()
naive_bayes.fit(training_data, y_train)

Ahora que nuestro algoritmo ha sido entrenado usando el conjunto de datos de entrenamiento, podemos hacer algunas predicciones en los datos de prueba almacenados en ‘testing_data’ usando predict().

predictions = naive_bayes.predict(testing_data)

Una vez realizadas las predicciones el conjunto de pruebas, necesitamos comprobar la exactitud de las mismas.

Evaluación del modelo

Hay varios mecanismos para hacerlo, primero hagamos una breve recapitulación de los criterios y de la matriz de confusión.

  • La matriz de confusión es donde se recogen el conjunto de posibilidades entre la clase correcta de un evento, y su predicción.
  • Exactitud: mide cómo de a menudo el clasificador realiza la predicción correcta. Es el ratio de número de predicciones correctas contra el número total de predicciones (el número de puntos de datos de prueba).
  • Precisión: nos dice la proporción de mensajes que clasificamos como spam. Es el ratio entre positivos “verdaderos” (palabras clasificadas como spam que son realmente spam) y todos los positivos (palabras clasificadas como spam, lo sean realmente o no)
  • Recall (sensibilidad): Nos dice la proporción de mensajes que realmente eran spam y que fueron clasificados por nosotros como spam. Es el ratio de positivos “verdaderos” (palabras clasificadas como spam, que son realmente spam) y todas las palabras que fueron realmente spam.

Para los problemas de clasificación que están sesgados en sus distribuciones de clasificación como en nuestro caso. Por ejemplo si tuviéramos 100 mensajes de texto y solo 2 fueron spam y los restantes 98 no lo fueron, la exactitud por si misma no es una buena métrica. Podríamos clasificar 90 mensajes como no spam (incluyendo los 2 que eran spam y los clasificamos como “no spam”, y por tanto falsos negativos) y 10 como spam (los 10 falsos positivos) y todavía conseguir una puntuación de exactitud razonablemente buena.

Para casos como este, la precisión y el recuerdo son bastante adecuados. Estas dos métricas pueden ser combinadas para conseguir la puntuación F1, que es el “peso” medio de las puntuaciones de precisión y recuerdo. Esta puntuación puede ir en el rango de 0 a 1, siendo 1 la mejor puntuación posible F1.

Usaremos las cuatro métricas para estar seguros de que nuestro modelo se comporta correctamente. Para todas estas métricas cuyo rango es de 0 a 1, tener una puntuación lo más cercana posible a 1 es un buen indicador de cómo de bien se está comportando el modelo.

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_scoreprint('Accuracy score: ', format(accuracy_score(y_test, predictions)))print('Precision score: ', format(precision_score(y_test, predictions)))print('Recall score: ', format(recall_score(y_test, predictions)))print('F1 score: ', format(f1_score(y_test, predictions)))

Conclusión

  • Una de las mayores ventajas que Naive Bayes tiene sobre otros algoritmos de clasificación es la capacidad de manejo de un número extremadamente grande de características. En nuestro caso, cada palabra es tratada como una característica y hay miles de palabras diferentes.
  • También, se comporta bien incluso ante la presencia de características irrelevantes y no es relativamente afectado por ellos.
  • La otra ventaja principal es su relativa simplicidad. Naive Bayes funciona bien desde el principio y ajustar sus parámetros es raramente necesario.
  • Raramente sobreajusta los datos.
  • Otra ventaja importante es que su modelo de entrenamiento y procesos de predicción son muy rápidos teniendo en cuenta la cantidad de datos que puede manejar.

Fuente: medium.com, 2019


Vincúlese a nuestras Redes Sociales:

LinkedIn      YouTube      Facebook      Twitter


.

.

La Inteligencia y sus especialidades en la Sociedad del conocimiento

mayo 1, 2020

De los espías a las computadoras, el creciente uso de la inteligencia en el siglo XXI

Por Gustavo Ibáñez Padilla.

inteligencia

Vivimos en un mundo de datos, los cuales crecen día a día en forma exponencial.

Cada transacción, cada interacción, cada acción es registrada y genera a su vez nuevos datos (la hora del registro por ejemplo) llamados metadatos. Todo este creciente cúmulo información puede ahora ser procesado a gran velocidad (big data) a fin de extraer conclusiones.

Metadatos

Captar y procesar datos, organizarlos, transformarlos en información y luego en conocimiento para facilitar la toma de decisiones es lo que se conoce como ‘inteligencia’. Hace algún tiempo se consideraba una función estratégica al servicio de las máximas autoridades, para asegurar la defensa de la nación. Así fue en los inicios, cuando se profesionalizó la actividad de la mano de Sherman Kent en los Estados Unidos y dio nacimiento a la agencia central de inteligencia, más conocida como la CIA. Por supuesto no era algo nuevo, ya nos hablaba sobre ello Sun Tzu en el siglo VI antes de Cristo. Pero fueron los estudios de Kent los que le dieron la formalidad de una disciplina, a mediados del siglo pasado.

The Sherman Kent School

Con el paso de los años la inteligencia se fue expandiendo al tiempo que crecía la capacidad de procesar información. Así surgieron los adjetivos que califican al sustantivo ‘inteligencia’ para diferenciar su múltiples variedades, llegando entonces a una compleja taxonomía del concepto inteligencia.

Al extender su ámbito la inteligencia se hizo accesible a la sociedad en general y comenzaron a usarla las empresas y organizaciones en general (business intelligence), para esta democratización de sus usos colaboró en forma importante la tremenda baja en los costos de adquisición y procesamiento de la información, que corría al ritmo de los avances informáticos.

Podemos mencionar como casos de éxito de inteligencia de negocios los sistemas de precios dinámicos en las aerolíneas, que acoplan los precios a las variaciones de oferta y demanda; la plataforma de venta online de Amazon, que recomienda otros artículos según los intereses del comprador y Netflix, que sugiere películas y series y orienta el rumbo de las nuevas producciones.

Es así que con la evolución de la disciplina comienzan a solaparse las áreas de influencia de la inteligencia de negocios, con la inteligencia criminal, la inteligencia financiera, la inteligencia estratégica y podríamos seguir hasta el cansancio…

Vemos que con el paso del tiempo el concepto de inteligencia ha ganado fuerza, profundidad, densidad y trascendencia. En una sociedad del conocimiento esto resulta absolutamente lógico y natural.

Pero dejemos ahora el análisis en abstracto y veamos algunos ejemplos concretos que nos muestren el enorme potencial de este concepto.

Imaginemos una organización criminal que comienza a operar una instalación clandestina de marihuana, en los suburbios, mediante el cultivo hidropónico. Esta nueva actividad se evidenciará por un consumo eléctrico superior al usual de una zona residencial, que quedará registrado en las bases de datos de la compañía de electricidad.

Cultivo clandestino de marihuana

Al mismo tiempo, es probable que el nuevo suministro de droga ilegal a buen precio incremente el tránsito de consumidores y se produzca un aumento de la conflictividad y de delitos menores, lo cual podría percibirse en los registros de un eficiente mapa del delito.

Mapa del Delito. Boedo, CABA.

También podrían aumentar las consultas a los servicios de guardias de los hospitales de la zona, motivados por un creciente número de intoxicaciones por estupefacientes.

Todas estas pequeñas variaciones en los registros de datos podrían detectarse gracias al eficaz empleo de la inteligencia de negocios, que permite relacionar múltiples bases de datos haciendo evidente la anomalía generada por el nuevo invernadero clandestino.

Bases de datos relacionadas

Es interesante prestar atención a que no fue necesario realizar acciones tradicionales de inteligencia criminal, ni disponer de informantes o agentes encubiertos, que realicen las usuales tareas de inteligencia en búsqueda de los narcotraficantes. Tan solo fue preciso disponer de un sistema de información que relacione distintas bases de datos, que registran en forma habitual y monótona inmensas cantidades de información, y de esta forma poner en evidencia la “perturbación” generada por el accionar de los malvivientes.

Vemos como la superposición de inteligencia de negocios con inteligencia criminal permite obtener resultados en forma casi automática y a mucho menor costo.

También puede tomarse como ejemplo el cruce de datos de llamadas telefónicas que nos permite evidenciar relaciones entre distintas personas y prácticamente descubrir acciones conspirativas, sin necesidad de conocer el contenido de las comunicaciones y sin tener que recurrir a escuchas judiciales (ej: asesinato del fiscal Alberto Nisman, enero 2015).

Evidentemente, la sociedad en general y la seguridad nacional pueden beneficiarse cada día más del empleo de sistemas avanzados de análisis de inteligencia, capaces de explotar de manera eficaz y eficiente los crecientes volúmenes de datos derivados de los omnipresentes sistemas de captación y procesamiento de información.

La inteligencia en todas sus variantes es indispensable para el desempeño óptimo de las empresas y organizaciones en general y el eficaz accionar de las agencias gubernamentales que persiguen al crimen organizado, los grupos terroristas y cualquier otra amenaza contra la nación.

Fuente: Ediciones EP, 2019.

Más información:

¿Qué es la inteligencia criminal?

Business Intelligence aplicada en el análisis de Inteligencia Criminal

La geolocalización y la investigación policial

Antecedentes del Ciclo de Inteligencia de Sherman Kent

______________________________________________________________________________

Vincúlese a nuestras Redes Sociales:

LinkedIn      YouTube      Facebook      Twitter

______________________________________________________________________________

inteligencia de negocios

.

.

.

La Inteligencia Estratégica como sistema de gestión de la innovación

mayo 1, 2020

Inteligencia estratégica: un sistema para gestionar la innovación

Por Joao Aguirre.

Resumen

La inteligencia estratégica es un concepto tradicionalmente empleado en contextos militares, de defensa e incluso como «secreto gubernamental», aunque existen tímidas aplicaciones de índole académica y administrativa. El presente artículo realiza una propuesta conceptual del término inteligencia estratégica, generado a partir de la combinación de diferentes herramientas utilizadas actualmente de forma independiente. La investigación parte de un análisis de la literatura con técnicas bibliométricas, identificando líderes, redes de trabajo y dinámicas en publicación, obteniendo como resultado que actualmente la literatura no reporta una definición específica que sea aplicable en contextos gerenciales y administrativos. Finalmente, se propone un proceso para gestionar la inteligencia estratégica organizacional, concebido desde la integración estratégica para garantizar la gestión de la innovación estructurada, el incremento de la productividad y la competitividad.

1. Introducción

De acuerdo con Nelson y Winter (1982) el estudio académico de los fenómenos relacionados con la evolución de la economía son clave en términos de acceso a los mercados, donde se deben contemplar las diferentes variables econométricas, financieras, de tendencias, de mercados y de planeamiento, para generar desarrollo, bienestar y competitividad en economías emergentes, como un mecanismo importante para el fortalecimiento efectivo de las diferentes organizaciones, regiones y sectores de un país. En las últimas décadas el interés científico y profesional en relación con la inteligencia estratégica ha crecido de manera importante (Aguirre, Cataño y Rojas, 2013), dado que tienen estrecha relación con temas como planeamiento estratégico, desempeño, competitividad, innovación y vigilancia tecnológica, entre otros.

En la actualidad no se cuenta con una definición académica para inteligencia estratégica desde el enfoque administrativo, lo cual se debe principalmente a la falta de claridad del concepto y al uso independiente de las diferentes herramientas que tienen relación directa con prácticas de inteligencia estratégica. Dado lo anterior, el objetivo de este artículo se centra en realizar una propuesta conceptual para definir la inteligencia estratégica en el contexto de las ciencias administrativas, que es resultado de la combinación de diferentes herramientas de tratamiento de la información para la toma de decisiones utilizadas actualmente de forma independiente.

Esta propuesta surge a partir del desarrollo de una investigación con rigor académico, combinando metodologías y saberes propios ya conocidos con un enfoque holístico que pueda dar respuesta a diferentes necesidades del sector productivo y empresarial.

La realización detallada de la revisión de la literatura en relación con inteligencia estratégica se hizo a partir de análisis bibliométricos especializados1, lo que permitió identificar un panorama general en términos académicos de la evolución del concepto y la influencia que este tiene en diversas disciplinas que principalmente se caracterizaron por ser de índole económica y administrativa. Asimismo se identificaron trabajos relevantes que permitieron proponer planteamientos de integración en relación con los tópicos de mayor impacto con la inteligencia estratégica.

Para realizar un recorrido de la evolución del tema tratado, se analizaron las publicaciones científicas en las bases de datos ISI y SCOPUS bajo el concepto principal de inteligencia estratégica para el periodo 1994-2012. En este proceso se capturan los datos en áreas relacionadas con economía, gerencia, toma de decisiones, competitividad y conocimiento desde un enfoque administrativo, excluyendo resultados pertenecientes a otras disciplinas; de esta manera se identifican los tópicos de mayor relación para limitar el objeto de estudio de la investigación en áreas de conocimiento propias de las ciencias económicas y administrativas.

Para este estudio se realizó un análisis bibliométrico de las publicaciones, identificando líderes en publicación, redes de trabajo, países con mayor interés investigativo en el tema y artículos con mayor índice de citación, con el fin de utilizar estos resultados como herramienta de identificación de falencias en la literatura, y de esta manera realizar una contribución teórico-conceptual en áreas relacionadas con la gerencia bajo el enfoque de la innovación.

El análisis estratégico de la información requiere ser articulado de forma sistémica para proveer soluciones específicas a las industrias, identificando proyectos de investigación que tengan la potencialidad de convertirse en innovaciones, resaltando principalmente que cada uno de los ejercicios de inteligencia estratégica que se realicen son propios de cada compañía, desarrollados a la medida y la necesidad que se requiera, son únicos y de carácter confidencial. Por tal razón, se considera que la propuesta conceptual hace aportaciones significativas a la comprensión del marco académico, administrativo y gerencial, generando ventajas competitivas en los diferentes agentes que participan en el ecosistema de innovación.

En este sentido, el presente artículo está estructurado en 5 secciones: inicia con la introducción; en la segunda sección se encuentra el marco conceptual donde se expone una revisión de la literatura de los principales elementos relacionados con inteligencia estratégica; la tercera sección describe el proceso metodológico adoptado durante la investigación; en la cuarta sección se analiza la tendencia de las publicaciones científicas en inteligencia estratégica a partir de técnicas de bibliometría para identificar vacíos actuales en la literatura; adicionalmente, se presentan los resultados obtenidos, exponiendo una propuesta conceptual para inteligencia estratégica y se propone un macroproceso para la gestión integral de la inteligencia estratégica brindando un panorama de acción y la relación que existen entre las diferentes herramientas y metodologías para la gestión de la inteligencia estratégica en una organización; para finalizar se presentan las conclusiones obtenidas en la investigación.

2. Marco conceptual

La realización de investigaciones con el rigor académico basado en análisis bibliométrico es cada vez más frecuente, ya que la utilización de metodologías estructuradas en la recopilación de información científica, procesamiento de la misma e identificación de las tendencias en publicaciones, determinan el grado de progreso de las diferentes disciplinas. También el uso de la bibliometría sirve como base para establecer el conocimiento de la fundamentación teórica, su nivel de evolución, e identificar posibles aportes en la construcción de conocimiento.

El concepto de inteligencia estratégica está estrechamente ligado con las estrategias militares; en general, se ha entendido como un conocimiento específico, codificado, secreto y oculto que manejan algunas entidades militares y gubernamentales, concebido como un producto integrado a la seguridad nacional y desarrollo de un país (Garden, 2003Nelson y Rose, 2012). Este conocimiento específico es requerido para la creación de planes nacionales de defensa, generar planes en operaciones militares y la protección integral de un país, a partir de lo cual se generan planes de prevención ante catástrofes relacionadas con las guerras (Hussain, 2009Marrin, 2011).

La inteligencia estratégica está influenciada por distintas disciplinas académicas como economía, finanzas, administración e incluso ingeniería. Adicionalmente, existen diferentes herramientas asociadas al concepto, como la vigilancia tecnológica, la inteligencia competitiva, roadmapping tecnológico, prospectiva estratégica e incluso la gestión del conocimiento. Con la finalidad de comprender de forma integral cómo son entendidos estos conceptos, se realiza una aproximación teórica de la fundamentación de estos.

La vigilancia tecnológica tiene un gran número de definiciones abordadas en referentes de la literatura, entre ellos se destacan las propuestas de la Fundación para la innovación tecnológica–COTEC (1999)Palop y Vicente (1999)Rouach y Santi (2001)Asociación Española de Normalización y Certificación–AENOR (2011)Canongia (2007)Sanchez y Medina (2008)Castellanos, Torres, Fonseca y Montañes (2008)Escorsa (2009)Medina y Sanchez (2010)Aguirre et al. (2013), entre otros. De estas definiciones se analizan los factores que presentan en común, donde todas consideran que la vigilancia tecnológica es un proceso estructurado para la obtención, depuración y tratamiento de la información.

Por otro lado, la inteligencia competitiva reporta la mayor cantidad de trabajos académicos en la literatura científica, donde principalmente se caracteriza la posición competitiva de una empresa dependiendo del entorno, analizando variables económicas, financieras, contables, sociales, legales, medioambientales y culturales, que configuran el marco de la competencia, los clientes y proveedores de la cadena de valor y los mercados locales e internacionales. Si bien este concepto se ha explorado desde diferentes perspectivas, con enfoques asociados a variables económicas en diferentes sectores industriales, en la actualidad los trabajos más relevantes presentan un enfoque asociado al planeamiento, la gerencia y el análisis multidisciplinario (Escorsa, 2009Liebowitz, 2010Pineda, 2009Cobb, 2011Colakoglu, 2011Ziegler, 2012Bartes, 2013), donde también se logran identificar estudios de caso relevantes que exponen ventajas, desventajas y aplicabilidad de casos prácticos de la inteligencia competitiva en diferentes contextos (Bitman, 2005Dishman y Calof, 2008Du Toit, 2003Ilie et al., 2009).

De igual forma la prospectiva es considerada una disciplina para el análisis de tendencias futuras, a partir del conocimiento del presente, realizando análisis de escenarios probables a partir de información de tendencias, mercados y entorno social; con ello se facilita el encuentro de la oferta científica y tecnológica con las necesidades actuales y futuras de los mercados y del entorno social (Aguirre et al., 2013). Vale la pena resaltar que en esta dirección se han realizado una gran variedad de estudios en diversas áreas del conocimiento, donde se analizan los factores de riesgo, tendencias, desempeño, estudios comparativos, propuestas de políticas, cuidados y prevenciones, y análisis de tecnologías, entre otros (Kuhlmann, 2003Barnicki y Siirola, 2004Castellanos et al., 2008Hu et al., 2008Barczak et al., 2009Gabrielová, 2010Shih et al., 2010Lara, 2012Yoon y Kim, 2012).

Para finalizar, el planeamiento estratégico es un proceso organizado y estructurado mediante el cual se preparan una serie de actividades que impactan directamente en la toma de decisiones de una organización; para lograr esto se procesa y analiza la información interna y externa que sea relevante, apropiada y que demuestre la realidad actual del entorno económico, el cual se desempeña con el fin de realizar un diagnóstico del estado actual de la empresa, identificando el nivel de competitividad con el propósito de anticipar y decidir el futuro de la organización (Ernst, 1998Ernst y Soll, 2003Serna Correa y Miranda Miranda, 2003Coyne y Bell, 2011Willardson, 2013). En este sentido, el planeamiento estratégico es un método que contiene un proceso de análisis racionalizado del contexto interno y externo en el cual opera la empresa y la elaboración de un diagnóstico de la situación en que se encuentra, a partir de la cual se facilita la fijación de objetivos, estrategias y los medios tácticos para el cumplimiento de la meta, con la finalidad de mejorar el rendimiento competitivo a favor de la empresa (Estrada y Heijs, 2005), teniendo la claridad de identificar los programas, proyectos y planes de acción que se requieren para dar cumplimiento a la estrategia establecida.

A partir de las definiciones previamente concebidas, se identifica la estrecha relación que existe entre estas herramientas y la posibilidad de uso complementario entre sí, dado que cada una de ellas tiene un objeto de trabajo específico que puede ser implementado en la gestión administrativa de una organización.

3. Metodología

En la actualidad, los estudios bibliométricos se utilizan para identificar los avances de los patrones de colaboración y tendencias de los investigadores, e identificar los líderes que durante diferentes periodos de interés han publicado en documentos de rigor académico como libros, artículos de revistas científicas, memorias de eventos internacionales y similares (Aguirre et al., 2013).

La utilización de los resultados bibliométricos puede caracterizar la orientación de una investigación, desempeñando un papel importante y primordial en la clasificación y segmentación de las áreas de interés, a partir de la creación de ecuaciones de búsquedas específicas, que aporten en el hallazgo de los documentos de mayor relevancia. Por otro lado, los datos que se pueden encontrar en algunas ocasiones presentan grandes volúmenes. Para depurar esta información se requiere la implementación de recursos tecnológicos especializados en la minería de datos, los cuales permiten realizar análisis multivariante, filtrado de información relevante y generación de mapas tecnológicos, todos los cuales aportan claridad respecto a la relevancia de la investigación desarrollada.

Para la presente investigación se utilizó un software especializado en búsqueda de información así como el software IHS Goldfire® que tiene la capacidad de realizar búsquedas específicas en la web a partir de criterios de búsqueda con leguaje natural humano2. Para el tratamiento de la información se dispuso del software Vantage Point® para la depuración, filtrado y análisis de los datos, con la finalidad de realizar análisis completos del objeto de estudio.

En primera instancia, en la investigación se realizaron búsquedas específicas asociadas al concepto «inteligencia estratégica» en diferentes publicaciones internacionales indexadas; principalmente se emplearon las publicaciones en las bases de datos ISI y SCOPUS, inicialmente en español, donde sus resultados fueron prácticamente nulos, por lo que se procedió a la búsqueda en inglés del término «strategic intelligence» donde se identificaron publicaciones que presentaran una relación al criterio de búsqueda, sin incluir una escala de tiempo.

Los resultados obtenidos presentaron una variedad elementos que se encontraban fuera del criterio central de la investigación; por tal razón se generaron filtros de búsqueda donde se excluyeron criterios como: artes, medicina, enfermería, farmacia, simulación, algoritmos, entre otros, con la finalidad de obtener artículos centrados principalmente en temas económicos, administrativos y gerenciales. Posteriormente, se analizaron las subáreas que reportaban los artículos y se seleccionaron principalmente las relacionadas con management, engineering, economics finance, decision sciences, entre otras, y se realizó un filtro por tópicos relacionados con el objeto principal del estudio. Luego, se llevó a cabo una depuración manual, a partir de los títulos y resúmenes de las publicaciones encontradas, con el fin de garantizar la obtención de artículos realmente pertinentes. A partir de lo anterior, se obtuvo como resultado una depuración de más del 65% de los artículos hallados en primera instancia, porque pertenecían a otros contextos, o se mencionaban algunos de los tópicos de forma independiente o aislada.

Una vez seleccionada la base de datos específica, acorde con el objeto de estudio y para un periodo enmarcado dentro de los últimos 20 años, se realizó una depuración de los datos con Vantage Point®. Para esto se hizo un análisis de filtración y depuración de autores, redes de trabajo, citaciones, títulos, años y países de publicación, para proceder con la generación de reportes, mapas tecnológicos, redes de trabajo y tendencias.

Para finalizar, se procedió con la identificación de publicaciones que realizaran propuestas para la implementación del concepto de inteligencia estratégica o similares, y se obtuvo como resultado que en la actualidad no se cuenta con ningún artículo que haga una propuesta desde el enfoque administrativo, con implicaciones en modelos de gestión, para incrementar la competitividad y la innovación en una organización. Por esta razón, se propuso una definición conceptual a partir de la revisión detallada de la bibliografía, de la cual surge una propuesta para un proceso de gestión de inteligencia estratégica donde se integran diferentes herramientas aplicables en el contexto académico, en el cual se vinculan los elementos más relevantes obtenidos en la literatura para tener en cuenta en la implementación de inteligencia estratégica, y de esta forma generar un avance en el conocimiento a partir de la rigurosidad que se requiere en aplicaciones gerenciales y directivas, y que puede ser implementada en las organizaciones para incrementar su desempeño innovador.

A partir de esta necesidad identificada, se realiza un análisis de temas que presentan estrecha relación con la inteligencia estratégica bajo el enfoque de la administración y las ciencias económicas, donde se llevan a cabo propuestas conceptuales y gráficas para vigilancia tecnológica, inteligencia competitiva, prospectiva y planeamiento estratégico, y de esta manera generar una propuesta conceptual para inteligencia estratégica en un esquema gráfico que facilita el entendimiento del mismo, teniendo como referente que es aplicable en contextos administrativos. Consecuentemente, se propone la estructura de un macroproceso para otorgar una comprensión general del sistema definiendo cuáles son los procesos claves que se deben realizar y la forma de articular cada uno de ellos dentro del marco de la inteligencia estratégica.

4. Resultados

Con base en la revisión de la literatura realizada, se identifica que existen diferentes interpretaciones teóricas y académicas en relación con la inteligencia estratégica, en donde se resaltan los trabajos de Aguirre et al. (2013)Bartes (2013)Chopin, Irondelle y Malissard (2011)Coyne y Bell (2011)Nasri (2011) y Nikpour, Shahrakipour y Karimzadeh (2013); a partir de lo cual se demuestra que en la actualidad es notoria la carencia de una definición integradora que sea aplicable a la gerencia de las organizaciones.

Dado lo anterior, esta investigación realiza una propuesta conceptual que aborda la inteligencia estratégica como un conjunto integral de elementos de análisis, depuración, filtrado, interpretación, planeamiento, evaluación y gestión de la información a partir de diferentes conceptos consolidados en la literatura. Por esta razón es de vital importancia analizar los tópicos que en la literatura han reportado mayor influencia en la estructuración teórica, para de esta forma poder analizar las perspectivas de estudio y sus posibles impactos en aplicaciones gerenciales y directivas que tengan estrecha relación con el incremento de la competitividad en los sistemas de innovación (Aguirre y Restrepo, 2012Oquendo y Acevedo, 2012Palacio, 2011).

Aunque en términos académicos el concepto de inteligencia estratégica ha presentado una evolución creciente en lo referente a publicaciones y presenta una trasformación relacional que está estrechamente ligada con las ciencias administrativas, de gestión y de dirección (Gilad, 2011Nikpour et al., 2013Reginato y Gracioli, 2012Willardson, 2013), en la última década los investigadores se han apropiado del concepto de inteligencia estratégica como una herramienta clave para dirigir compañías o para proponer planes estratégicos de una organización. La evidencia de esto se refleja en la tendencia creciente de publicaciones y desarrollo de proyectos de investigación científica basados en inteligencia estratégica (fig. 1).

La metodología de investigación realizada para identificar la evolución del concepto centra el interés en la búsqueda de referentes académicos a partir de 2003 hasta 20123, filtrando las búsquedas a los tópicos de interés administrativos; de esta manera se logra identificar específicamente el segmento de publicaciones en el tema, obteniendo como resultado 108 publicaciones en español, inglés y francés, lo que demuestra que este es un tópico nuevo de investigación académica. En la figura 2 se identifica la cantidad de palabras clave y su recurrencia en la muestra de artículos seleccionados, donde se logra identificar que los tópicos de interés son acordes con los criterios de búsqueda.

Por otro lado, la figura 3 representa la distribución porcentual de las áreas en las cuales se están adelantando investigaciones en este tópico; vale la pena destacar que en su mayoría están relacionadas con temas administrativos, sociales, negocios, economía, entre otros, ratificando el creciente interés que tienen los investigadores en identificar diferentes herramientas o sistemas de gestión para optimizar el desempeño de las organizaciones. Las búsquedas se realizaron en inglés, principalmente porque el número de publicaciones en español en estos tópicos no es considerable en la muestra.

Para identificar las redes de cooperación en producción científica en el tema en cuestión, se realizó un análisis de los países y su nivel de publicaciones, donde se resalta EE. UU. como el país que presenta mayor número de desarrollos, seguido por Reino Unido y Francia; adicionalmente se encuentra que estos países trabajan en redes colaborativas de investigación, como se evidencia en la figura 4, mientras que se identifican algunos países que lo hacen de forma independiente y su nivel de producción es bajo.

La investigación también permitió identificar las redes de colaboración en la producción académica de los autores (en la figura 5 se exponen las redes de trabajo de los autores que son líderes en investigación en el tema). Dado lo anterior, se resalta que en la actualidad hay pocas publicaciones en el tema, demostrando que esta es una disciplina nueva y emergente, que despierta el interés de la comunidad científica; lo cual se puede visualizar en los notorios esfuerzos por realizar publicaciones conjuntas y su tendencia de crecimiento.

Analizando de manera integral la inteligencia estratégica entendida como una forma de generar, filtrar y organizar la información estructurada para que permita tomar decisiones estratégicas en una organización, se requiere hacer un análisis integral que contemple los estudios del pasado, investigaciones, tendencias, proyectos ya realizados y en general todo lo relacionado con el estado del arte para cada tema particular, aplicando el rigor del caso mediante la implementación de herramientas cienciométricas y recursos tecnológicos propios de la vigilancia tecnológica.

Adicionalmente, se debe hacer un análisis del entorno de la actualidad del mercado, los clientes, sus necesidades, los competidores, los productos complementarios y suplementarios, para lo cual se requiere el rigor de la inteligencia competitiva. De igual forma es pertinente hacer una proyección de estos resultados en el futuro, analizando los diferentes escenarios de acción, ante lo cual cobra importancia la prospectiva; finalmente, toda esta información, del pasado, de la actualidad y del futuro, requiere ser articulada y procesada para la toma de decisiones a partir de un planeamiento estratégico, en el cual se fijen los objetivos claros, los hitos, los recursos necesarios y la forma adecuada que se requiere implementar para la realización de los mismos.

La vigilancia tecnológica es un sistema organizacional, conformado por un conjunto de métodos, herramientas, recursos tecnológicos y humanos, con capacidades altamente diferenciadas para seleccionar, filtrar, procesar, evaluar, almacenar y difundir información del pasado, transformándola en conocimiento para la toma de decisiones estratégicas. De esta manera se concluye que la vigilancia tecnológica es un proceso que analiza la información cronológica del pasado (fig. 6). A su vez la vigilancia tecnológica puede especializarse en diferentes enfoques dependiendo de la necesidad por adquirir información de los diferentes entornos: normativo, económico, comercial, competitivo, sociocultural y ambiental, entre otros.

Adicionalmente, se distinguen diversos tipos de vigilancia tecnológica, entre los que se destacan los siguientes: vigilancia competitiva que se ocupa de la información sobre los competidores actuales y los potenciales (política de inversiones, entrada en nuevas actividades, entre otros), la vigilancia comercial que estudia los datos referentes a clientes y proveedores (evolución de las necesidades de los clientes, solvencia de los clientes, nuevos productos ofrecidos por los proveedores, entre otros), y la vigilancia del entorno que se especializa en la detección de aquellos hechos exteriores que pueden condicionar el futuro, y que se relacionan con áreas como la sociología, la política, el medio ambiente, las reglamentaciones, entre otros.

La inteligencia competitiva es un sistema organizacional de referenciación del estado actual de la compañía, clientes, competidores, proveedores y todos los agentes relacionados en la cadena de valor, identificando variables económicas, sociales, tecnológicas, de mercado, de competencia y laborales, con el fin conocer el entorno dinámico y cambiante de la actualidad (fig. 7).

La inteligencia competitiva es una herramienta que provee información específica para aquellas personas encargadas de tomar decisiones en las compañías, aunque en la actualidad se corre un riesgo inminente, asociado a la saturación de información disponible en la web. De esta forma, para no incurrir en problemas asociados con la «infoxicación»4 se debe recurrir al uso de recursos informáticos y tecnológicos que apoyen la depuración, filtrado y selección de información relevante, teniendo en cuenta que este proceso está asociado a una experticia humana especializada.

La inteligencia competitiva es un componente de importancia para el desarrollo de capacidades, es la que permite identificar y dar alertas tempranas acerca de las tendencias, necesidades y oportunidades tecnológicas para el sector, y adicionalmente suministra información oportuna, veraz y estratégica acerca del desarrollo y evolución de los mercados y negocios. En consecuencia, la información inteligente tendrá la forma de «alertas» sobre cambios importantes en el entorno que tienen implicaciones para la organización y sus planes y programas, o la de «propuestas de decisión» sobre ajustes que deban realizarse a programas, proyectos y metas que se encuentran en ejecución.

El uso de herramientas de prospectiva se ha convertido en un aspecto fundamental para el planeamiento estratégico, para generar visiones compartidas de futuro, orientar políticas de largo plazo y tomar decisiones estratégicas en el presente, dadas las condiciones y las posibilidades locales, nacionales y globales. Además, también se debe comprender como un proceso de análisis de escenarios futuros de la organización, en función del mercado, de los agentes de directa relación, de las metas y del entorno social, con la finalidad de orientar estrategias de largo plazo (fig. 8).

La técnica de construcción de escenarios se utiliza cada vez más para fines de planificación estratégica, ya que proporciona un marco de referencia de alternativas futuras, y es un apoyo para la formulación de políticas y procesos para la toma de decisiones. Sin embargo, a pesar de que la construcción de escenarios no acaba con la incertidumbre, ayuda a perfilar las posibilidades de la evolución de la realidad; es decir, es una visión de las secuencias futuras de hechos o circunstancias en un tiempo predefinido.

En este sentido, la construcción de escenarios permite vislumbrar la interrelación de varias tendencias, para comprobar la consistencia de un conjunto de previsiones que conforman las diferentes posibilidades futuras. Sobre la base de esas descripciones, se puede evaluar la idoneidad de las políticas actuales o alternativas eventuales que forman la planificación de los países y las organizaciones. Por tanto, la prospectiva no es predicción, utopía, ciencia ficción, profecía ni adivinación; es la aplicación de herramientas, técnicas y metodologías para la realización de estudios del futuro, utilizados en la actualidad por organizaciones internacionales en todo el mundo.

Por lo tanto, la planeación estratégica es un proceso estructurado de gestión para el cumplimiento de objetivos estratégicos, enmarcados dentro del futuro deseable de la organización, teniendo claridad en las metas que se desean alcanzar, bajo los diferentes escenarios probables, con la respectiva asignación de recursos, conocimientos, tecnologías y metas a realizar con indicadores medibles para control, avance y cumplimiento de los objetivos fijados (fig. 9).

La planeación estratégica tiene la finalidad de establecer una serie de objetivos y metas que se deben alcanzar en el futuro, los cuales deben ser medibles y alcanzables, y que se puedan evidenciar de forma concreta. El proceso de planeamiento estratégico consiste fundamentalmente en responder las siguientes preguntas: ¿En dónde se está actualmente?, ¿A dónde se debe ir?, ¿A dónde se puede ir?, ¿Cómo se está trabajando para llegar a las metas?, ¿Cuáles son las capacidades diferenciadoras propias?, ¿Cuáles son los riesgos que se deben afrontar para cumplir la visión?, ¿Cuáles son los recursos necesarios?, ¿El personal interno cuenta con las habilidades necesarias para lograr los objetivos?, ¿Se cuenta con un sistema para controlar la evolución de los objetivos?, ¿Se están utilizando las tecnologías adecuadas?, ¿Se cuenta con un sistema de monitorización de tendencias?, ¿Cuáles son los escenarios futuros probables?, ¿Cuál es el nicho de mercado?, ¿Se tiene claro el plan de capacitación?, ¿La estrategia principal se concentra en ser pioneros o imitadores?, ¿Cuál es el porcentaje de ventas destinado a investigación, desarrollo e innovación?, entre otras.

Así, la planeación estratégica tiene los siguientes componentes fundamentales: los estrategas (alta dirección de la empresa, gerentes, juntas directivas, directores, presidentes, etc.), el direccionamiento estratégico (principios corporativos, visión y misión) y el diagnóstico estratégico. De esta manera, se podrá redefinir la estrategia a partir del análisis de tendencias del mercado, propiciando la formulación estratégica y contemplando planes de acción (definición de responsables, área funcional, objetivos específicos y presupuesto estratégico), ejecución de los mismos y la auditoria estratégica con evaluación y medición periódicas (Dishman y Calof, 2008Erickson y Rothberg, 2010Gutiérrez, 2012).

El planeamiento estratégico asume que una organización debe responder a un entorno que es dinámico, cambiante y difícil de predecir, que tiene asociados inminentes riesgos que pueden ser controlables y no controlables. De esta forma se hace hincapié en la importancia de tomar decisiones para responder con éxito a los cambios en el entorno, incluidos los cambios de los competidores y colaboradores. La planificación estratégica es la gestión estratégica, es decir, la aplicación del pensamiento estratégico a la tarea de dirigir una organización para el logro de su propósito (Erickson y Rothberg, 2010).

Dadas las anteriores consideraciones, la inteligencia estratégica se concibe como un sistema organizacional holístico que permite gestionar la innovación a partir del planeamiento estratégico de las organizaciones basado en información del pasado, presente y futuro, empleando la vigilancia tecnológica, inteligencia competitiva y prospectiva, aplicando un conjunto de métodos, herramientas y recursos tecnológicos, con capacidades altamente diferenciadas para seleccionar, filtrar, procesar, evaluar, almacenar y difundir información, transformándola en conocimiento útil para la toma de decisiones estratégicas en un entorno dinámico y cambiante (fig. 10).

En la figura 11 se presenta una propuesta gráfica para el modelo conceptual planteado, en la cual se puede identificar de forma visual la integración y vinculación de las diferentes perspectivas empleadas; de esta forma se permite generar una comprensión integral de la inteligencia estratégica. La propuesta de inteligencia estratégica es concebida como un análisis integral, que contempla estudios del pasado, presente y futuro, transformando información en conocimiento útil para la toma de decisiones, a partir del análisis de líderes a nivel mundial, redes de cooperación, instituciones pioneras en publicación, tendencias de los mercados, de consumo, identificando potenciales socios o aliados estratégicos, a partir de un plan estratégico, en el cual se brinda la posibilidad de planificar y formular estrategias tecnológicas, minimizando la incertidumbre, con la finalidad de gestionar exitosamente proyectos de innovación y el fortalecimiento de las organizaciones.

De esta forma, teniendo identificadas las ventajas competitivas de las organizaciones, basadas en el planeamiento estratégico, se genera un efecto dinamizador entre los distintos agentes e instituciones que intervienen en el sistema de innovación. Por tal razón, se propone un proceso metodológico para la inteligencia estratégica, el cual consta de 4 pilares fundamentales, que son: diagnóstico actual, diseño de estrategias, implementación de las mismas, y por último, seguimiento y control de las diferentes acciones a realizar.

En el diagnóstico inicial se deben analizar e identificar los diferentes activos estratégicos que posee el sistema (organizacional, regional o sectorial), a nivel de recursos humanos, recursos físicos, tangibles e intangibles y conocimientos que se dominen; de esta manera se pueden identificar las tecnologías que se poseen y a su vez las capacidades de innovación (Aguirre y Robledo, 2010) (fig. 12). Estas a su vez permiten la cuantificación de los factores clave de éxito y las barreras de entrada, los cuales marcan las ventajas competitivas que posee el sistema en términos de clientes, proveedores, procesos y análisis financiero. Con estos elementos se realiza un análisis de la industria o sector, mediante la aplicación de vigilancia tecnológica e inteligencia competitiva, para obtener la información de los líderes en la comercialización, producción y nivel de desarrollo tecnológico, se identifican las brechas de competitividad y los referentes que marcan la pauta en la tecnología.

El diseño de la estrategia se realiza a partir de la identificación de elementos internos de la organización como son sus valores, la misión, la visión y el análisis FODA (fortalezas, oportunidades, debilidades y amenazas), enmarcándolos bajo la fijación de objetivos estratégicos que deben estar alineados con los planes nacionales de desarrollo; ya que esta articulación facilita el acceso de recursos gubernamentales y también se deben incluir los ejes prioritarios de trabajo que posee la organización, los cuales están fundamentados en el diagnóstico de las capacidades de innovación propios del sistema. Con estos elementos se realiza un proceso de prospectiva para identificar las tendencias y los diferentes escenarios. Este desarrollo requiere la vinculación con expertos en el tema, tanto del sector académico como productivo (fig. 13).

Con estos insumos se procede a la formulación de las diferentes estrategias que se deberán realizar contemplando la estrategia global, corporativa, de negocios, funciones, crecimiento, articulación, impacto, comunicación, bajo los contextos internos y externos que posea el sistema.

Para la implementación de la estrategia se requiere hacer un previo plan de acción, fijando actividades, responsables, objetivos, fechas de cumplimiento, enmarcados dentro de los diferentes proyectos que se realizarán, especificando por escrito cuál es el portafolio de proyectos que se llevarán a cabo, y estos a su vez requieren de una identificación y priorización de los proyectos de mayor importancia según la estrategia. Para ellos es preferible hacer una estructura de jerarquización en donde se definan cuáles serán los elementos claves que tienen mayor incidencia sobre la estrategia (fig. 14). Posteriormente, se requiere de la implementación y comercialización de cada una de las actividades indicadas en el plan estratégico propuesto. Vale la pena aclarar que algunos proyectos que son de carácter interno no requieren comercialización, por lo tanto se deben interpretar como la apropiación de los mismos dentro del sistema.

Por último, se necesita un seguimiento y control riguroso, en el cual se tengan establecidos los indicadores de seguimiento, los cuales deben ser preferiblemente cuantitativos y medibles, que contemplen integralmente los diferentes aspectos del plan estratégico, como los indicadores financieros, de eficiencia, aprendizaje (conocimiento) e innovación (productos o servicios que lleguen al mercado exitosamente). Adicionalmente, se requiere una matriz de evolución en el que se registren los avances obtenidos en la implementación y se dé cuenta del estado actual, para tomar decisiones correctivas o de mejora en los aspectos que no se logren cumplir satisfactoriamente (fig. 15).

En la figura 16 se presenta la propuesta de un macroproceso integral, en el cual se desagregan los diferentes procedimientos a realizar en cada uno de los pilares antes mencionados. Se expone la articulación y la forma de relación entre cada uno de ellos, analizando la articulación que se requiere para dinamizar el sistema y maximizando la efectividad del mismo. La articulación estructurada de forma sistémica que se presenta en cada uno de los procesos, y la relación entre las diferentes actividades proponen una ruta clara para incentivar la gestión de la innovación en una organización, vinculando diferentes elementos para ser tenidos en cuenta en la dirección o gerencia de una organización. De esta forma, como afirman Vargas y Guillen (2004), los procesos de transformación estratégica tienen una estrecha relación con la evolución de las organizaciones a partir de la generación de innovación.

5. Conclusiones

Como resultados de la presente investigación se destaca la propuesta teórico-conceptual en relación con la inteligencia estratégica, creada a partir de los resultados obtenidos en el análisis biométrico realizado, empleando técnicas y software de vigilancia tecnológica, en el contexto de las ciencias económicas y administrativas. De esta forma, se identificaron vacíos en la literatura, lo cual brindó la oportunidad de hacer aportaciones en la generación de conocimiento en esta rama específica.

Se realizó una propuesta conceptual y gráfica que integra los elementos con mayor relación y aplicación para la inteligencia estratégica, brindando un nuevo enfoque de análisis para la gestión estratégica de las ciencias económicas y administrativas. Adicionalmente, se propone una estructura de macroprocesos que permite brindar claridad para la gestión y comprensión de la inteligencia estratégica, así como su implementación en cualquier tipo de organización, ya que todas requieren información actualizada y pertinente para la toma de decisiones estratégicas.

La evolución del contexto empresarial asociado a la gestión de la innovación presiona a las organizaciones hacia la formulación de estrategias específicas que incrementen la competitividad bajo un contexto de innovación, porque en la actualidad se evidencian cambios dinámicos en los diferentes mercados, que están siendo impulsados por el desarrollo de nuevos desarrollos.

Gestionar la innovación en una organización requiere de un proceso estructurado y sistémico, donde la inteligencia estratégica aporta directamente en esta dirección, dadas las condiciones de análisis del pasado, presente y futuro que se requieren para identificar los nuevos productos o servicios que tienen posibilidad de ser una innovación. A partir de lo anterior, se evidencia un aporte interesante en el planteamiento del proceso para gestionar la inteligencia estratégica, donde se convierte en un catalizador y una herramienta apropiada para el crecimiento del desempeño de las organizaciones.

El análisis de tendencias en publicaciones científicas relacionadas con inteligencia estratégica permitió conocer el entorno actual y el nivel de vinculación de este concepto con las ciencias administrativas, aunque se destaca que en español no se reporta ningún trabajo en bases de datos indexadas; pero al realizar el mismo análisis en inglés, se puede ver que es un concepto que se encuentra en crecimiento, despertando el interés de la comunidad académica, mediante la integración de diferentes herramientas de apoyo en la gestión empresarial.

Se resalta que los resultados de la presente investigación son un aporte significativo para la literatura en estos tópicos, ya que propone un sistema integrador que permite gestionar la innovación de forma estratégica, otorgando un enfoque que puede ser aplicado para una organización, empresa o clúster empresarial, todos los cuales son elementos que se requieren para fortalecer el sistema nacional, regional y sectorial de innovación.

Conflicto de intereses

El autor declara no tener ningún conflicto de intereses.

Agradecimientos

Los resultados de investigación presentados en este artículo forman parte del estudio doctoral que está realizando el autor, de esta forma se agradece al doctor Jorge Robledo sus valiosos aportes y a la Universidad Nacional de Colombia.

Bibliografía

Aguirre et al., 2013J. Aguirre, G. Cataño, M.D. RojasAnálisis prospectivo de oportunidades de negocios basados en vigilancia tecnológicaRevista Puente, 7 (1) (2013), pp. 29-39View Record in ScopusGoogle Scholar

Aguirre y Restrepo, 2012 Aguirre, J. y Restrepo, M. (2012). Scientific Research Analysis of Sectoral Innovation Systems. En: Proceedings of PICMET ‘12: Technology Management for Emerging Technologies (PICMET 2012). Vancouver, Brtitish Columbia, Canada 29 July−2 August 2012; p. 1904-1909.Google Scholar

Aguirre y Robledo, 2010 J. Aguirre, J. RobledoEvaluación de capacidades de innovación tecnológica en la industria colombiana de software utilizando lógica difusaGestión de las capacidades de innovación tecnológica para la competitividad de las empresas antioqueñas de software, Todográficas Ltda, Medellín (2010), pp. 95-210View Record in ScopusGoogle Scholar

AENOR, 2011 Asociación Española de Normalización y Certificación–AENORNorma UNE 166.006:2011 Gestión de la I+D+i: Sistema de Vigilancia TecnológicaEspaña, Madrid (2011)Google Scholar

Barczak et al., 2009 G. Barczak, A. Griffin, K.B. KahnPerspective: Trends and drivers of success in NPD practices: Results of the 2003 PDMA Best Practices StudyJournal of Product Innovation Management, 26 (1) (2009), pp. 3-23CrossRefView Record in ScopusGoogle Scholar

Barnicki y Siirola, 2004 S.D. Barnicki, J.J. SiirolaProcess synthesis prospectiveComputers & Chemical Engineering, 28 (4) (2004), pp. 441-446ArticleDownload PDFView Record in ScopusGoogle Scholar

Bartes, 2013 F. BartesFive-phase model of the intelligence cycle of competitive intelligenceActa Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, 61 (2) (2013), pp. 283-288CrossRefView Record in ScopusGoogle Scholar

Bitman, 2005 Bitman, W.R. (2005). RyD portfolio management framework for sustained competitive advantage 2, 775-779. Presentado en Engineering Management Conference, 2005. Proceedings. 2005 IEEE International.Google Scholar

Canongia, 2007 C. CanongiaSynergy between competitive intelligence (CI), knowledge management (KM) and technological foresight (TF) as a strategic model of prospecting — The use of biotechnology in the development of drugs against breast cancerBiotechnology Advances, 25 (1) (2007), pp. 57-74ArticleDownload PDFView Record in ScopusGoogle Scholar

Castellanos et al., 2008 O. Castellanos, L. Torres, S. Fonseca, V. MontañesEstudios de vigilancia tecnológica aplicados a cadenas productivas del sector agropecuario colombiano: agendas prospectivasGiro Editores Ltda, Bogotá (2008)Google Scholar

Chopin et al., 2011 O. Chopin, B. Irondelle, A. MalissardStudying intelligence: A French perspectiveÉtudier le renseignement en France (140) (2011), pp. 91-102CrossRefView Record in ScopusGoogle Scholar

Cobb, 2011 A. CobbIntelligence adaptation: The bin laden raid and its consequences for us strategyRUSI Journal, 156 (4) (2011), pp. 54-62CrossRefView Record in ScopusGoogle Scholar

Colakoglu, 2011 T. ColakogluThe problematic of competitive intelligence: How to evaluatey develop competitive intelligence?Procedia-Social and Behavioral Sciences, 24 (2011), pp. 1615-1623ArticleDownload PDFView Record in ScopusGoogle Scholar

Coyne y Bell, 2011 J.W. Coyne, P. BellThe role of strategic intelligence in anticipating transnational organised crime: A literary reviewInternational Journal of Law, Crime and Justice, 39 (1) (2011), pp. 60-78ArticleDownload PDFView Record in ScopusGoogle Scholar

Dishman y Calof, 2008 P.L. Dishman, J.L. CalofCompetitive intelligence: A multiphasic precedent to marketing strategyEuropean Journal of Marketing, 42 (7–8) (2008), pp. 766-785CrossRefView Record in ScopusGoogle Scholar

Du Toit, 2003 A.S.A. Du ToitCompetitive intelligence in the knowledge economy: What is in it for South African manufacturing enterprises?International Journal of Information Management, 23 (2) (2003), pp. 111-120ArticleDownload PDFView Record in ScopusGoogle Scholar

Erickson y Rothberg, 2010 S. Erickson, H. RothbergStrategic knowledge management in a low riskeEnvironmentProceedings of the European Conference on Knowledge Management, ECKM (2010), pp. 369-374View Record in ScopusGoogle Scholar

Ernst, 1998 H. ErnstPatent portfolios for strategic RyD planningJournal of Engineering and Technology Management, 15 (4) (1998), pp. 279-308ArticleDownload PDFView Record in ScopusGoogle Scholar

Ernst y Soll, 2003 H. Ernst, J.H. SollAn integrated portfolio approach to support market-oriented RyD planningInternational Journal of Technology Management, 26 (5/6) (2003), pp. 540-560CrossRefView Record in ScopusGoogle Scholar

Escorsa, 2009 P. EscorsaLa Inteligencia competitiva: factor clave para la toma de decisiones estratégicas en las organizacionesFundación Madri+d, Madrid (2009)Google Scholar

Estrada y Heijs, 2005 S. Estrada, J. Heijs Comportamiento innovador y competitividad: factores explicativos de la conducta exportadora en México. El caso de GuanajuatoProblemas del Desarrollo, 36 (143 [recuperado 14 Jun 2013]) (2005)Recuperado a partir de: http://ojs.unam.mx/index.php/pde/article/view/7599Google Scholar

COTEC, 1999 Fundación para la innovación tecnológica–COTEC Vigilancia tecnológica. Documentos COTEC sobre oportunidades tecnológicasFundación española para la innovación COTEC, Madrid (1999)Google Scholar

Gabrielová, 2010 H. Gabrielová New trends in European industrial policy Ekonomicky Casopis, 58 (9) (2010), pp. 888-908View Record in ScopusGoogle Scholar

Garden, 2003 T. GardenIraq: The military campaignInternational Affaires, 79 (4) (2003), pp. 701-718CrossRefGoogle Scholar

Gilad, 2011 B. GiladStrategy without intelligence, intelligence without strategyBusiness Strategy Series, 12 (1) (2011), pp. 4-11CrossRefView Record in ScopusGoogle Scholar

Gutiérrez, 2012 J.A. GutiérrezRedefinición y tendencias del concepto de estrategia para el gerente colombianoEstudios Gerenciales, 28 (122) (2012), pp. 153-167CrossRefView Record in ScopusGoogle Scholar

Hu et al., 2008 M.Y. Hu, S. Maroo, L. Kyne, J. Cloud, S. Tummala, K. Katchar, et al.A prospective study of risk factors and historical trends in metronidazole failure for Clostridium difficile infectionClinical Gastroenterology and Hepatology, 6 (12) (2008), pp. 1354-1360ArticleDownload PDFView Record in ScopusGoogle Scholar

Hussain, 2009 I. HussainPost-9/11 Canada-US security integration: Of the butcher, the baker, and the intelligence-policy MakerAmerican Review of Canadian Studies, 39 (1) (2009), pp. 38-51CrossRefView Record in ScopusGoogle ScholarIlie et al., 2009A.G. Ilie, D. Dumitriu, R. Sarbu, O.A. ColibasanuBusiness intelligence – A successful approach to creating performance management system. Case study: Application and prospect of business intelligence in metallurgical enterprises in RomaniaMetalurgia International, 14 (Special issue 4) (2009), pp. 40-45View Record in ScopusGoogle Scholar

Kuhlmann, 2003S. KuhlmannEvaluation of research and innovation policies: A discussion of trends with examples from GermanyInternational Journal of Technology Management, 26 (2–4) (2003), pp. 131-149CrossRefView Record in ScopusGoogle Scholar

Lara, 2012J. LaraProspective and retrospective processing in associative mediated primingJournal of Memory and Language, 66 (1) (2012), pp. 52-67View Record in ScopusGoogle Scholar

Liebowitz, 2010J. LiebowitzStrategic intelligence, social networking, and knowledge retentionComputer, 43 (2) (2010), pp. 87-89CrossRefView Record in ScopusGoogle Scholar

Marrin, 2011S. MarrinThe 9/11 terrorist attacks: A failure of policy not strategic intelligence analysisIntelligence and National Security, 26 (2–3) (2011), pp. 182-202CrossRefView Record in ScopusGoogle Scholar

Medina y Sanchez, 2010J. Medina, J.M. SanchezSinergia entre la prospectiva tecnológica y la vigilancia tecnológica y la inteligencia competitivaGiro Editores, Bogotá (2010)Google Scholar

Nasri, 2011W. NasriCompetitive intelligence in Tunisian companiesJournal of Enterprise Information Management, 24 (1) (2011), pp. 53-67CrossRefView Record in ScopusGoogle Scholar

Nelson y Rose, 2012C.M. Nelson, E.P.F. RoseThe US geological survey’s military geology unit in World War II: «The Army’s pet prophets»Quarterly Journal of Engineering Geology and Hydrogeology, 45 (3) (2012), pp. 349-367CrossRefView Record in ScopusGoogle Scholar

Nelson y Winter, 1982R.R. Nelson, S.G. WinterAn evolutionary theory of economic changeBelknap Press f Harvard University Press, Cambridge (1982)Google Scholar

Nikpour et al., 2013B.Z. Nikpour, H. Shahrakipour, S. KarimzadehRelationships between cultural intelligence and academic members’ effectiveness in Roudehen UniversityLife Science Journal (2013), pp. 1-7View Record in ScopusGoogle Scholar

Oquendo y Acevedo, 2012A. Oquendo, C. AcevedoEl sistema de innovación colombiano: fundamentos, dinámicas y avataresRevista Trilogía (6) (2012), pp. 105-120Google Scholar

Palacio, 2011M. PalacioLa construcción de la sociedad del conocimiento y las políticas públicas de apropiación social de la ciencia, la tecnología y la innovaciónRevista Trilogía (5) (2011), pp. 5-39Google Scholar

Palop y Vicente, 1999F. Palop, J. VicenteVigilancia tecnológica e inteligencia competitiva: su potencial para la empresa españolaCOTEC, Madrid (1999)Google Scholar

Pineda, 2009Pineda, L. (2009). Componentes de los sistemas de inteligencia competitiva y vigilancia tecnológica en cadenas productivas. Documento de Investigación, 56, Universidad del Rosario. Recuperado el 7 de septiembre del 2012 de: http://repository.urosario.edu.co/bitstream/10336/3788/1/01248219-2009-56.pdfGoogle Scholar

Reginato y Gracioli, 2012C.E.R. Reginato, O.D. GracioliStrategic management of information through the use of competitive intelligence and knowledge management – A study applied to the furniture industry in Rio Grande do SulBrazil, 19 (4) (2012), pp. 705-716CrossRefView Record in ScopusGoogle Scholar

Rouach y Santi, 2001 D. Rouach, P. SantiCompetitive intelligence adds value: Five intelligence attitudesEuropean Management Journal, 19 (5) (2001), pp. 552-559ArticleDownload PDFView Record in ScopusGoogle Scholar

Sanchez y Medina, 2008 Sanchez, J.M. y Medina, J. (2008). Apoyo en la definición de políticas públicas en ciencia, tecnología e innovación a través de vigilancia tecnológica e inteligencia competitiva. En: Estudios de vigilancia tecnológica aplicados a cadenas productivas del sector agropecuario colombiano. Recuperado el 15 de mayo del 2013 de: http://www.bdigital.unal.edu.co/2082/1/EstudiosVigilanciaJun18.pdfGoogle Scholar

Serna Correa y Miranda Miranda, 2003G. Serna Correa, J. Miranda MirandaExperiencias de planeación organizacional en centros y grupos de investigaciónEstudios Gerenciales (89) (2003), pp. 73-94Google Scholar

Shih et al., 2010M.J. Shih, D.R. Liu, M.L. HsuDiscovering competitive intelligence by mining changes in patent trendsExpert Systems with Applications, 37 (4) (2010), pp. 2882-2890ArticleDownload PDFView Record in ScopusGoogle Scholar

Vargas y Guillen, 2004J. Vargas, I. GuillenLos procesos de transformación estratégica en relación con la evolución de las organizacionesEstudios Gerenciales (94) (2004), pp. 65-80CrossRefView Record in ScopusGoogle Scholar

Willardson, 2013S. WillardsonStrategic intelligence during coin detention operations – Relational data and understanding latent terror networksDefense and Security Analysis, 29 (1) (2013), pp. 42-53CrossRefView Record in ScopusGoogle Scholar

Yoon y Kim, 2012J. Yoon, K. KimTrend Perceptor: A property–function based technology intelligence system for identifying technology trends from patentsExpert Systems with Applications (2012)Google Scholar

Ziegler, 2012C.N. ZieglerMining for strategic competitive intelligence: Foundations and applications, 406, Springer-Verlag, Berlin (2012)1

Aplicación de metodologías de vigilancia tecnológica en contextos académicos mediante la utilización de software especializado para la realización de búsqueda, depuración y filtrado de información.2

Este tipo de búsquedas permite emplear el lenguaje natural del ser humano, donde es posible utilizar expresiones comunes, y el software tiene la capacidad de hacer abstracciones y proponer soluciones que concuerden con la semántica de lenguaje.3

No se incluyen publicaciones de 2013, dado que era el año en curso en el momento de elaboración del presente artículo.4

Trastorno intelectual producto de la incapacidad de analizar y comprender una lluvia de información como la que pueden proporcionar los actuales medios electrónicos. View Abstract Copyright © 2013 Universidad ICESI. Published by Elsevier España S.L.

Fuente: sciencedirect.com, 2013.

_________________________________________________________________

inteligencia estratégica

.

.

El Tablero de Control en una estrategia de marketing

mayo 1, 2020

El Dashboard en una estrategia de marketing

Por Tristán Elósegui.

[En este artículo se analiza el caso de uso de Dashboards en marketing, esto puede generalizarse a muchas otras áreas en empresas y organizaciones.]

Al hablar de Dashboards o Tableros de Control, inmediatamente pensamos en Analítica digital. Es inevitable, pensamos en datos, Google Analytics,… y si eres un poco más técnico, piensas en etiquetados, Google Tag Manager (GTM), integración de fuentes, Google Data Studio, etc.

Pero en realidad, pienso que deberíamos darle la vuelta al enfoque. Por definición, la Analítica digital es una herramienta de negocio. Representa los ojos y oídos de la estrategia de marketing, y por tanto se debe definir desde el negocio y no desde el departamento de Analítica (con su ayuda, pero no liderado por ellos).

Para explicarlo, os dejo una resumen de mí ponencia en el primer congreso de marketing digital celebrado en Pontevedra (Congreso Flúor).

Para definir correctamente un dashboard, debemos partir de la estrategia de marketing y seleccionar las fuentes de datos y métricas que mejor la representen. Las que mejor nos describan el contexto de nuestra actividad de marketing, y nos permitan tomar las mejores decisiones.

Para entender el papel de un dashboard en una estrategia vamos a ver cinco puntos:

  1. ¿Qué es un dashboard?
  2. ¿Cómo se define un cuadro de mando?
  3. Caso práctico real.
  4. Consejos para aportar valor con un dashboard de marketing.
  5. Ejemplos de dashboard.

Pero, empecemos la historia por el principio.

¿Qué es un dashboard?

Me gusta enfocar la definición de dashboard, de dos maneras, mejor dicho de una manera que concluye en la clave de todo:

Es una representación gráfica de las principales métricas de negocio (KPI), y su objetivo es propiciar la toma de decisiones para optimizar la estrategia de la empresa.

Un dashboard de indicadores debe transformar los datos en información y estos en conocimiento para el negocio.

[Obsérvese la similitud con la definición de Inteligencia.]

Esta transformación de los datos nos debe llevar a una mejor Toma de decisiones. Este es el objetivo principal que no debemos perder de vista. Algo que suele pasar con cierta frecuencia en este proceso. Nos centramos tanto en el proceso de creación del Tablero de Control, que tendemos a olvidar que su objetivo es la toma de decisiones y no la acumulación de datos. Pero esta es otra historia.

A todo esto tenemos que añadir un elemento más, ya que la base para la toma de decisiones está en un buen análisis de los datos.

[No debe confundirse el concepto de Tablero de Control (Dashboard) con el de Cuadro de Mando Integral (Balanced Scorecard).]

¿Qué necesitamos para hacer un buen análisis de un dashboard de control?

Pues fundamentalmente dos cosas:

  1. Visión estratégica de negocio.
  2. Pilares del análisis de datos.

Visión estratégica de negocio:

  • Correcta definición de los objetivos de marketing y de negocio: es lo que nos va a marcar el camino a seguir, lo que va a definir el éxito de nuestro marketing.
  • Definición de la macro y micro conversiones: debemos traducir nuestras metas a hechos objetivos medibles en nuestra web, y además ser capaces de asignarlos a cada una de las etapas del proceso de compra de nuestra audiencia.
  • Conocer el contexto: en nuestros resultados incluyen muchas variables: mercado, competencia, regulaciones, etc. En ocasiones son tantas, que dejamos de mirar. Pero un buen punto de arranque para entender los porqués de gran parte de las variaciones en los datos, está en la estrategia de marketing y sus acciones planificadas.

Pilares del análisis de datos:

  • Personal cualificado: debemos ser capaces de vencer la tentación de pensar que una herramienta de medición nos va a solucionar el problema. La clave del buen análisis está en las personas que lo realizan. Son las que realizan la transformación de los datos en información y esta en conocimiento para la empresa.
    Para tenerlo claras las proporciones, se estima que de cada 100 € invertidos en medición, 90 deben ir a personas y 10 a herramientas.
  • Calidad del dato: nos tenemos que asegurar de que lo datos que estamos analizando se acercan lo máximo a la realidad. Digo lo máximo, porque es normal que en algunas métricas veamos variaciones entre los datos que nos da la herramienta de analítica y los sistemas internos.
    Además de tener la tranquilidad de que estamos usando los datos correctos para tomar decisiones, vamos a eliminar las discusiones internas sobre cuál es el dato real y cual no.
  • Tablero de Control (Dashboard):
    • Definición: selección de KPIs y métricas.
    • Implementación técnica: configuración de la herramienta de medición, y etiquetado (web y acciones).
    • Integración de fuentes en herramienta de cuadro de mandos.
    • Definición de la visualización más adecuada.
  • Informes y herramientas de análisis adicionales: necesarios para complementar los diferentes niveles de análisis necesarios.

Para realizar un análisis correcto de un dashboard debemos ir de lo global a los específico

El dashboard de métricas debe contar una historia. Nos debe enseñar el camino desde los principales indicadores, a la explicación de la variación del dato.

Además este cuadro de mando no debe contar con más de 10 KPIs (aproximadamente), primero porque no debería haber más y segundo, porque nos complicamos el análisis.

  1. Objetivos y KPIs de la estrategia.
  2. Métricas contextuales.
  3. Fuentes de datos que necesitaremos para componer el dashboard.
  4. Siguiente paso: seleccionar el tipo de dashboard más adecuado.

Y por último, aconsejo que el Tablero de Control sea una foto fija de la realidad. Existen herramientas de dashboard que permiten profundizar en el análisis y cruzar variables, pero las desaconsejo (al menos en una primera fase). ¿por qué? El tener estas posibilidades nos llevará a invertir tiempo en darle vueltas a los datos, y nos alejará de la toma de decisiones (objetivo principal de todo cuadro de mando).

Un buen dashboard comercial o de marketing es como un semáforo: Nos muestra las luces rojas, amarillas y verdes de nuestra actividad y las decisiones a tomar .

¿Cómo se define un Tablero de Control de marketing?

Para hacerlo debemos partir del planteamiento de nuestra estrategia (ya que es lo que queremos controlar). Cómo ya adelantaba al hablar de las claves de un buen análisis, tenemos que tener muy claros varios puntos:

  1. Objetivos por etapa del embudo de conversión (purchase funnel).
  2. Macro y microconversiones: traducción de estos objetivos a métricas que podamos medir en nuestra página web.
  3. Métricas de contexto, que nos ayudan a entender la aportación de los medios pagados, propios y ganados a la consecución de los objetivos de cada etapa del embudo de marketing.

La imagen que os dejo a continuación, os ayudará a estructurar mejor la información y sobre todo a no olvidar métricas importantes.

Definición de macro y micro conversiones – Tristán Elósegui

.

¿Qué tenemos hasta el momento?

  1. Objetivos y KPIs de la estrategia.
  2. Métricas contextuales.
  3. Fuentes de datos que necesitaremos para componer el dashboard.
  4. Siguiente paso: seleccionar el tipo de dashboard más adecuado.

Con esta información ya podemos hacer la selección de las métricas y definir nuestro dashboard de indicadores en formato borrador.

Borrador Dashboard de marketing – Tristán Elósegui

.

Cómo veis en este ejemplo de dashboard, podemos hacer un seguimiento desde el origen de la variación en las KPI principales, hasta el canal o campaña que las causó. Es decir, hemos definido un cuadro de mando que nos cuenta la “historia” de lo que ha ocurrido en el periodo analizado.

Caso práctico real (PCcomponentes.com):

El proceso real es algo más complejo, pero voy a simplificarlo para facilitar la lectura y comprensión.

NOTA: No tengo relación alguna con PCcomponentes.com, por lo que todo lo que vais a ver a continuación son supuestos que realizo para poder explicaros la definición de un Dashboard de indicadores.

Siguiendo la metodología que os acabo de explicar tendríamos que definir:

  1. Objetivos: para definir el cuadro de mando vamos a partir de una serie de objetivos por etapa que me he inventado.
  2. Macro y microconversiones: para definirlas para este ejemplo, vamos a hacerlo por medio de un análisis de las llamadas a la acción de la web. Una vez detectadas las más importantes, vamos a ordenarlas por etapa (normalmente lo haríamos analizando que llamadas a la acción han intervenido en las conversiones obtenidas, pero obviamente no tengo acceso de los datos).
  3. Representación de estas métricas en nuestro borrador de dashboard de métricas.

A continuación os dejo: el pantallazo de una página de producto, la definición de macro y microconversiones y el borrador de dashboard de control.

PCcomponentes página producto

.

Caso real PCcomponentes – Objetivos y métricas para Dashboard de marketing

.

Propuesta de Dashboard de marketing para PCcomponentes – Tristán Elósegui

Consejos para aportar valor con un Dashboard de marketing

Suponiendo que hemos cumplido con todo lo dicho hasta ahora en la parte estratégica y técnica, mis principales consejos son:

  1. Visualización correcta: el tablero de control tiene que ser perfectamente entendible por la persona que lo va a analizar y su cliente (ya sea interno o externo).
    Recuerda que no se trata de hacer cosas bonitas o espectaculares (aunque ayuden a hacerlo más fácil), si no de tomar decisiones. Por lo tanto, esta debe ser nuestra prioridad.
  2. Correcta selección métricas: además de acertar con las métricas que mejor describen la actividad de marketing, debemos pensar en nuestro cliente ¿qué le interesa? ¿qué métrica reporta a su jefe?
    Es la mejor forma de fidelizarle y provocar que cada semana o mes, lo primero que haga sea abrir el dashboard comercial o de marketing que acaba de recibir.
  3. Analiza, no describas: el análisis es lo más importante del cuadro de mando. Describir los datos que estás viendo no aporta valor alguno. Para hacerlo, debes hablar de cuatro cosas:
    1. ¿Qué ha pasado?
    2. ¿Por qué ha pasado?
    3. Recomendaciones basadas en datos.
    4. Resultados esperados de poner en práctica tus recomendaciones.

Ejemplos de dashboard

Para terminar el artículo, os dejo con varios ejemplos de varios tipos de cuadros de mando.

Avinash Kaushik dashboard para gerencia de empresa

.

Agustín Suárez – Dashboard de Marketing

.

Fuente: tristanelosegui.com, 2019.

tablero de control

___________________________________________________________________

Vincúlese a nuestras Redes Sociales:

LinkedIn      YouTube      Facebook      Twitter

___________________________________________________________________

inteligencia de negocios

.

.

Cómo los sesgos cognitivos afectan nuestro juicio

abril 22, 2020

25 Heurísticos y Sesgos Cognitivos: nuestros errores de juicio

Por Marta Guerri.

Sesgos cognitivos

¿Qué son los sesgos cognitivos?

Ya sea porque nuestro cerebro posee una capacidad limitada, o porque no siempre disponemos de toda la información que desearíamos o porque nos embarga la incertidumbre de las consecuencias de tomar una u otra decisión, por lo que en muchas ocasiones tomamos “atajos” mentales para llegar a la solución de los problemas. Estos atajos mentales que tomamos de forma inconsciente, en psicología se llaman “Heurísticos”, y nos ayudan a simplificar la gran cantidad de procesos mentales que llevamos a cabo constantemente y a hacer más llevadera nuestra vida diaria.Publicidad

Y es que nuestro cerebro no es capaz de procesar toda la información que recibe a través de los sentidos, por lo que necesita hacer una selección de la misma. Cuando nuestros atajos mentales o heurísticos nos conducen a errores de conclusión, les llamamos sesgos cognitivos.

Los principales sesgos cognitivos que se conocen

Sesgo de memoria

Todos sabemos que nuestra memoria no es perfecta, se difumina con el tiempo y fácilmente nos induce a errores inconscientes. Las investigaciones realizadas revelan que cuando evaluamos recuerdos para poder tomar decisiones sobre nuestro futuro, a menudo se muestran sesgados por los acontecimientos que son muy positivos o muy negativos, y es que tendemos a recordar los hechos insólitos o poco habituales más que acontecimientos diarios, cotidianos. La cusa es que el cerebro da mucha más importancia a los fenómenos extraordinarios o no tanta a usuales, seguramente debido a la importancia que estos tenían en el aprendizaje a lo largo de la evolución. Como resultado, ese sesgo de nuestra memoria afecta a nuestra capacidad de predicción en el futuro.

Para poder evitar ese sesgo se recomienda tratar de recordar el mayor número posible de eventos similares, de esta forma se pretende evitar caer en los extremos, a menudo poco representativos.Publicidad

Falacia de planificación

Este sesgo se refiere a la tendencia que tenemos a subestimar el tiempo que tardamos en terminar una tarea. Al parecer tendemos a planear los proyectos con cierta falta de detalle que nos permitiría la estimación de las tareas individuales. La falacia de la planificación no solo provoca demoras, sino también costos excesivos y reducción de beneficios debido a estimaciones erróneas.

Como dice el científico estadounidense Douglas Hofstadter hay que tener presente que «Hacer algo te va llevar siempre más tiempo de lo que piensas, incluso si tienes en cuenta la Ley de Hofstadter». La ley de Hofstadter es un adagio autorreferencial, acuñado por Douglas Hofstadter en su libro Gödel, Escher y Bach para describir la dificultad ampliamente experimentada de estimar con precisión el tiempo que llevará completar tareas de complejidad sustancial.

Ilusión de control

Este sesgo se encuentra detrás de muchas supersticiones y comportamientos irracionales. Es la tendencia que tenemos a creer que podemos controlar ciertos acontecimientos, o al menos a influir en ellos. Es gracias a este pensamiento que los humanos, desde tiempo inmemorial, creamos rituales y supersticiones que nos aportan cierta seguridad. Un ejemplo de la actualidad se puede ver en los deportistas que repiten ciertas conductas esperando que condicionen cosas como su capacidad de marcar goles, y que evidentemente depende de muchos otros factores objetivos.

Sesgo de apoyo a la elección

En el momento en que elegimos algo (desde una pareja a una pieza de ropa) tendemos a ver esa elección con un enfoque más positivo, incluso si dicha elección tiene claros defectos. Tendemos a optimizar sus virtudes y minimizamos sus defectos.

Efecto de percepción ambiental

Aunque nos parezca extraño, el ambiente que nos rodea ejerce una gran influencia en el comportamiento humano. Un ambiente deteriorado, caótico y sucio provoca que las personas se comporten de manera menos cívica, y también les inclina a cometer más acciones vandálicas y delictivas. Este efecto es la base de la «teoría de las ventanas rotas» estudiado por el psicólogo Philip Zimbardo.

Sesgo de disponibilidad

El sesgo o heurístico de disponibilidad es un mecanismo que la mente utiliza para valorar qué probabilidad hay de que un suceso suceda o no. Cuando más accesible sea el suceso, más probable nos parecerá, cuanto más reciente la información, será más fácil de recordar, y cuanto más evidente, menos aleatorio parecerá.

Este sesgo cognitivo se aplica a muchísimas esferas de nuestra vida, por ejemplo, se ha demostrado que doctores que han diagnosticado dos casos seguidos de una determinada enfermedad no muy usual, creen percibir los mismos síntomas en el próximo paciente, incluso siendo conscientes de que es muy poco probable (estadísticamente hablando) diagnosticar tres casos seguidos con la misma enfermedad. Otro ejemplo es el de una persona que asegura que fumar no es tan dañino para la salud, basándose en que su abuelo vivió más de 80 años y fumaba tres cajetillas al día, un argumento que pasa por alto la posibilidad de que su abuelo fuera un caso atípico desde el punto de vista estadístico.

En el fondo consiste en sobreestimar la importancia de la información disponible (y extraer por tanto conclusiones erróneas). Las loterías por ejemplo, explotan el sesgo de la disponibilidad, y es que si las personas comprendiesen las probabilidades reales que tienen de ganar, probablemente no comprarían nunca más un décimo en su vida.

El efecto Dunning-Kruger

El efecto Dunning-Kruger sesgo cognitivo consiste en una de autopercepción distorsionada, según la cual los individuos con escasas habilidades o conocimientos, piensan exactamente lo contrario; se consideran más inteligentes que otras personas más preparadas, están en la certeza de que son superiores de alguna forma a los demás, midiendo así incorrectamente su habilidad por encima de lo real. Esta distorsión se debe a la inhabilidad cognitiva del sujeto de reconocer su propia ineptitud, debido a que su habilidad real debilitaría su propia confianza y autoestima. Por el contrario, los individuos competentes asumen, falsamente, que los otros tienen una capacidad o conocimiento equivalente o incluso superior al suyo.

Los autores de este descubrimiento David Dunning y Justin Kruger de la Universidad de Cornell, trataron de averiguar si existía algún remedio para nivelar la autoestima sobrevalorada de los más incapaces. Por suerte resultó que sí lo había: la educación. El entrenamiento y la enseñanza podían ayudar a estos individuos incompetentes a darse cuenta de lo poco que sabían en realidad.

Ya lo dijo en su momento Charles Darwin: “La ignorancia engendra más confianza que el conocimiento”.

Efecto halo

El efecto de halo es un sesgo cognitivo por el cual la percepción de un rasgo es influenciado por la percepción de rasgos anteriores en una secuencia de interpretaciones. O sea, si nos gusta una persona, tendemos a calificarla con características favorables a pesar de que no siempre disponemos de mucha información sobre ella, por ejemplo, pensamos de alguien que es simpático, y esto nos hace presuponer que ya conocemos otras características más específicas como: también es inteligente.

El mejor ejemplo para entender este sesgo son las estrellas mediáticas (actores, cantantes, famosos…) demuestran el efecto de halo perfectamente. Debido a que a menudo son atractivos y simpáticos, entonces y de manera casi automática, suponemos que también son inteligentes, amables, poseen buen juicio y así sucesivamente. El problema aparece cuando estas suposiciones son erróneas, ya que se basan a menudo en aspectos superficiales.

Esta tendencia parece estar presente incluso en todos los niveles sociales, tanto bajos como altos, incluyendo donde la objetividad es primordial. Por ejemplo, se ha demostrado que, de media, a la gente atractiva le caen penas de prisión más cortas que otros que fueron condenados por delitos similares.

Sesgo del poder corrupto

Seguro que a muchos no les va a de extrañar la realidad de este sesgo, que dice que hay una tendencia demostrada en la que los individuos con poder son fácilmente corrompibles, en especial cuando sienten que no tienen restricciones y poseen plena libertad. ¿Les suena de algo? Políticos, empresarios, actores famosos, deportistas de élite e incluso la realeza están llenos de casos de corrupción.

Sesgo de proyección

Este sesgo nos habla de la tendencia inconsciente a asumir que los demás poseen pensamientos, creencias, valores o posturas parecidas a las nuestras. Como si fueran una proyección de nosotros mismos.Publicidad

Efecto del lago Wobegon o efecto mejor que la media

Es la tendencia humana a autodescribirse de manera favorable, comunicando las bondades de uno mismo y pensar que se encuentra por encima de la media en inteligencia, astucia u otras cualidades. Llamado también síndrome de superioridad ilusoria.

Sesgo de impacto

Este sesgo se refiere a la tendencia que tenemos a sobreestimar nuestra reacción emocional, sobrevalorando la duración e intensidad de nuestros futuros estados emocionales. Pero las investigaciones muestran que la mayoría de las veces no nos sentimos tan mal como esperábamos cuando las cosas no van como queremos, por ejemplo. Este sesgo es una de las razones por la que a menudo nos equivocamos en la predicción sobre cómo nos afectarán emocionalmente los acontecimientos futuros. Los estudios han demostrado que meses después de que una relación termine, las personas no suelen ser tan infelices como esperaban y que personas a las que le ha tocado la lotería, con el tiempo vuelven a su grado de felicidad habitual o que tenían antes de ganar el premio.

Efecto del falso consenso

El sesgo de falso consenso efecto es parecido al antes descrito sesgo de proyección, y es que la mayoría de personas juzgan que sus propios hábitos, valores y creencias están más extendidas entre otras personas de lo que realmente están.

Heurístico de representatividad

Este heurístico es una inferencia que hacemos sobre la probabilidad de que un estímulo (persona, acción o suceso) pertenezca a una determinada categoría. Por ejemplo, si decimos que Álex es un chico joven metódico cuya diversión principal son los ordenadores. ¿Qué le parece más probable?, ¿que Álex sea estudiante de ingeniería o de humanidades?

Cuando se hacen preguntas de este tipo, la mayoría de la gente tiende a decir que seguramente Álex estudia ingeniería. Un juicio así resulta, según el psicólogo Daniel Kahneman de la aplicación automática (inmediata o no) del heurístico de representavidad. Suponemos que estudia ingeniería porque su descripción encaja con un cierto estereotipo de estudiante de ingeniería. Pero esto pasa por alto hechos como que, por ejemplo, los estudiantes de humanidades son mucho más numerosos que los de ingeniería, por lo que sería mucho más probable encontrar estudiantes de humanidades que se correspondan con esta descripción.

Este sesgo no solo es anecdótico, sino que forma parte del fundamento de ciertos prejuicios sociales. Por ejemplo, cuando juzgamos la conducta de un miembro de un determinado colectivo, como los inmigrantes, tendemos muchas veces a basarnos en estereotipos supuestamente representativos, ignorando datos objetivos de frecuencia y probabilidad.

Defensa de status

Este sesgo se refiere a cuando una persona considera que posee cierto status, tenderá a negar y a defenderse de cualquier comentario que lo contradiga, aun si para ello debe autoengañarse.

Prejuicio de retrospectiva o recapitulación

Es la tendencia que tenemos a ver los hechos pasados como fenómenos predecibles. Las personas sesgamos nuestro conocimiento de lo que realmente ha pasado cuando evaluamos nuestra probabilidad de predicción. En realidad este es un error en la memoria. De la misma manera que también tenemos tendencia a valorar los eventos pasados de una forma más positiva a como ocurrieron en realidad.

Error fundamental de atribución

Se refiere a la tenencia que mostramos a priorizar nuestras dotes personales para valorar nuestros éxitos y a atribuir a las circunstancias externas nuestros fracasos. En cambio cuando se trata de otra persona, la tendencia es la inversa, atribuimos a la suerte o la ayuda sus éxitos y a características internas sus fallos.

Sesgo de disconformidad

Es la tendencia que tenemos a hacer una crítica negativa a la información que contradice nuestras ideas, mientras que aceptamos perfectamente aquella que es congruente con nuestras creencias o ideologías. De este modo se produce una percepción selectiva por la cual las personas perciben lo que quieren en los mensajes de los demás o de los medios de comunicación. y es que por lo general las personas tendemos a ver e interpretar las cosas en función de nuestro marco de referencia. También tenemos más probabilidades de buscar información favorable a nuestras ideas que buscar información que desafíe nuestras ideologías o línea de pensamiento.

Efecto Forer o efecto de validación subjetiva

El efecto Forer es la tendencia a aceptar descripciones personales vagas y generales como excepcionalmente aplicables a ellos mismos, sin darse cuenta que la misma descripción podría ser aplicada a cualquiera. Este efecto parece explicar, por lo menos en parte, por qué tanta gente piensa que las pseudociencias funcionan, como la astrología, cartomancia, quiromancia, adivinación, etc., porque aparentemente proporcionan análisis acertados de la personalidad. Los estudios científicos de esas pseudociencias demuestran que no son herramientas válidas de valoración de la personalidad, sin embargo cada una tiene muchos adeptos que están convencidos de que son exactas.

Heurístico de anclaje y ajuste o efecto de enfoque

Este heurístico describe la tendencia humana a confiar demasiado en la primera información que obtienen para luego tomar decisiones: el «ancla». Durante la toma de decisiones, el anclaje se produce cuando las personas utilizan una “pieza” o información inicial para hacer juicios posteriores. Una vez que el ancla se fija, el resto de información se ajusta en torno a ella incurriendo en un sesgo.

Por ejemplo, si preguntamos a unos estudiantes 1) ¿cómo de feliz te sientes con tu vida? y 2) ¿cuántas citas has tenido este año?, tenemos que la correlación es nula (según las respuestas tener más citas no alteraría el nivel de bienestar). Sin embargo, si se modifica el orden de las preguntas, el resultado es que los estudiantes con más citas se declaran ahora más felices. Es falto de lógica, pero al parecer, focalizar su atención en las citas hace que exageren su importancia.

Ilusión de frecuencia

Al parecer, cuando un fenómeno ha centrado nuestra atención recientemente, pensamos que este hecho de repente aparece o sucede más a menudo, aunque sea improbable desde el punto de vista estadístico. En realidad, esto ocurre porque ahora nosotros lo percibimos de forma diferente (antes no le prestábamos atención) y por lo tanto creemos erróneamente que el fenómeno se produce con más frecuencia.

Ilusión de la confianza

Este sesgo se trata de la confusión entre la confianza de quien nos habla con su credibilidad, de tal manera que percibimos a una persona como más creíble cuanta más confianza muestra en sus argumentaciones. La realidad es que las investigaciones han demostrado que la confianza no es un buen indicador, ni tampoco es una forma fiable de medir la capacidad o aptitud de una persona.

Punto de referencia o status-quo

Al parecer un mismo premio no posee igual valor para dos personas diferentes. Por ejemplo, si tengo dos mil euros y gano cien en una apuesta, lo valoro menos que si tengo quinientos euros y gano esos mismos cien en la apuesta. El punto de referencia es muy importante. Pero sus implicaciones pueden ser algo mayores, pues no sólo se trata de la referencia que tengo respecto a mi propia riqueza inicial, sino con la riqueza de mi círculo de personas cercano. Si alguien desconocido para mi gana cien mil euros en la lotería, yo no me veo afectado. En cambio, si los gana mi compañero de trabajo, me da la sensación de que soy más pobre y desgraciado, aunque no hubiera jugado a la lotería.

Efecto Bandwagon o efecto de arrastre

Este error consiste en la tendencia a hacer (o creer) cosas sólo porque muchas otras personas hacen (o creen) dichas cosas. Al parecer, la probabilidad de que una persona adopte una creencia aumenta en función del número de personas que poseen esa creencia. Se trata de un fuerte pensamiento de grupo.

Efecto Keinshorm

Es la predisposición a contradecir sistemáticamente las ideas o formulaciones que otra persona hace y con la cual no se simpatiza, sólo por este hecho, pues ya no deseamos que tenga la razón y estamos más predispuestos a no creer en sus palabras.

Fuente: psicoactiva.com

.

.

El Analista de inteligencia

abril 22, 2020

George W. Bush urgió en 2005 a prepararnos para futuras pandemias

abril 18, 2020

El día que George W. Bush alertó sobre el peligro de la próxima pandemia e intentó preparar a EEUU para enfrentarla


En 2005, el entonces presidente republicano pronunció un discurso en el que explicó lo que se debía hacer y cómo debía responder su país ante una crisis como la actual del coronavirus.

Una pandemia se parece mucho a un incendio forestal. Si se detecta temprano, podría extinguirse con un daño limitado. Si se deja que arda sin ser detectado, puede convertirse en un infierno que puede extenderse rápidamente más allá de nuestra capacidad de controlarlo”, dijo en un discurso en 2005 el entonces presidente George W. Bush en la sede del Institutos Nacionales de la Salud (NIH, por sus siglas en inglés).

G. W. Bush quería que su país, y el mundo entero, estuviesen preparados ante una pandemia como la del coronavirus, que ya dejó casi 150 mil muertos y más de dos millones de contagios.

Para responder a una pandemia, necesitamos personal médico y suministros adecuados de equipo”, dijo Bush. “En una pandemia, todo, desde jeringas hasta camas de hospital, respiradores y equipos de protección, serían escasos”, advirtió.

Bush dispuso de 7 mil millones de dólares de su Gobierno para desarrollar un plan que preparara a Estados Unidos ante una crisis de este tipo. Los secretarios de su gabinete instaron a su personal a tomarse en serio los preparativos y lanzaron el sitio web www.pandemicflu.gov, el cual todavía está en funcionamiento. Sin embargo, con el paso del tiempo, se hizo cada vez más difícil justificar la financiación.

Sitio web creado a instancias de George W. Bush

.

Una mujer es llevada a una ambulancia por los paramédicos en un centro de salud en Brooklyn durante el brote de coronavirus (COVID-19) en Nueva York [14 de abril de 2020] (Reuters/ Brendan McDermid)
Una mujer es llevada a una ambulancia por los paramédicos en un centro de salud en Brooklyn durante el brote de coronavirus (COVID-19) en Nueva York [14 de abril de 2020]

En su discurso en el NIH, Bush presentó toda clases propuestas y describió cómo se desarrollaría una pandemia en los Estados Unidos. Entre los presentes se encontraba el doctor Anthony Fauci, el prestigioso epidemiólogo, líder de la crisis actual en su país y quien en ese momento ya era el director del Instituto Nacional de Alergias y Enfermedades Infecciosas.

Primero, debemos detectar los brotes que ocurran en cualquier parte del mundo; segundo, debemos proteger al pueblo estadounidense almacenando vacunas y medicamentos antivirales, y mejorar nuestra capacidad para producir rápidamente vacunas contra una cepa pandémica; y tercero, tenemos que estar preparados para responder a nivel federal, estatal y local en caso de que una pandemia llegue a nuestras costas”, dijo Bush.

Pero, ¿qué había pasado para que Bush pronunciara ese discurso?, ¿por qué el ex presidente republicano estaba preocupado ante un peligro no latente y difícil de predecir? Unos meses atrás en su rancho en Crawford, Texas, había leído el libro La gran influenza, del historiador John M. Barry. La obra cuenta la historia del brote de influenza en 1918 que mató a millones de personas en Europa y el mundo.

[Nota de EP: Este tipo de anticipación es lo que debe producir la Inteligencia Estratégica.]

No fue un informe de inteligencia el que alertó a George W. Bush de la amenza de la pandemia, fue la lectura de éste libro

“Tienes que leer esto”, recuerda Fran Townsend, en ese entonces asesora de seguridad nacional, lo que le dijo Bush cuando le recomendó el libro. “Mira, esto sucede cada 100 años. Necesitamos una estrategia nacional”, agregó el ex mandatario a su ex asesora.

Miembros de la Marina de los Estados Unidos preparan a un paciente para un ultrasonido en la sala de radiología a bordo del buque hospital USNS Mercy, que sirve como hospital de derivación para pacientes con enfermedades no coronarias (COVID-19), pacientes que actualmente son admitidos en hospitales en tierra, en Los Ángeles, California, EEUU 11 de abril 2020. U.S. Navy/Mass Communication Specialist 2nd Class Ryan M. Breeden/Handout vía Reuters
Miembros de la Marina de los Estados Unidos preparan a un paciente para un ultrasonido en la sala de radiología a bordo del buque hospital USNS Mercy, que sirve como hospital de derivación para pacientes con enfermedades no coronarias (COVID-19), pacientes que actualmente son admitidos en hospitales en tierra, en Los Ángeles, California, EEUU 11 de abril 2020. U.S. Navy/Mass Communication Specialist 2nd Class Ryan M. Breeden/Handout vía Reuters

A partir de ese momento se creó el plan de preparación ante una pandemia más completo en la historia de EEUU: incluía diagramas para un sistema global de alerta temprana, fondos para desarrollar nuevas tecnologías y producir de forma rápida vacunas y una sólida reserva nacional de suministros críticos como máscaras faciales y respiradores, informó ABC News.

Sin embargo, el proyecto no fue tomado en serio por el resto del aparato político y gran parte del ambicioso plan no se realizó o quedó archivado, a medida que otras prioridades surgían, como la crisis de 2008 que sacudió a EEUU y al mundo al entero.

Durante su discurso de hace 15 años, G. W. Bush fue claro en trazar un estrategia y dijo que lo primero y más importante era detectar los primeros brotes antes de que se propaguen por todo el mundo. Durante la pandemia de coronavirus una las principales críticas que le han hecho algunos líderes mundiales a China es haber ocultado información cuando se presentaron los primero casos en la ciudad de Wuhan.

Como lo enseñaba Sun Tzu, la anticipación es clave en toda estrategia

“Una pandemia no es como otros desastres naturales, los brotes pueden ocurrir de forma simultánea en centenares o incluso miles de lugares al mismo tiempo”, dijo Bush.

“Los científicos y los médicos no pueden predecir cuándo ocurrirá la próxima pandemia o cuán severa será, pero la mayoría está de acuerdo en que, en algún momento, estaremos frente a una”, agregó.

Adaptado de infobae.com, 17/04/20.


Cómo enfrentó George W. Bush las amenazas del SIDA y el SARS

El president George W. Bush ha recibido elogios de republicanos y demócratas por el compromiso que asumió para combatir el SIDA mundialmente, pero particularmente en África.

El presidente George W. Bush habla en una conferencia de prensa junto al presidente de Tanzania Jakaya Mrisho Kikwete en Dar es Salaam, durante una visita a África el 17 de febrero de 2008.
El presidente George W. Bush habla en una conferencia de prensa junto al presidente de Tanzania Jakaya Mrisho Kikwete en Dar es Salaam, durante una visita a África el 17 de febrero de 2008.

En 2003, la administración del presidente George W. Bush creó el Plan de Emergencia para el Alivio del SIDA, una iniciativa para atender la epidemia mundial.

“Esa iniciativa fue posiblemente una de las mejores políticas de su presidencia”, dio Barry. “Básicamente recibió un aplauso universal”.

Desde su inicio, el plan de Bush proporcionó 80.000 millones de dólares para tratamiento el SIDA, prevención e investigación, convirtiéndolo en el más grande programa global de salud enfocado en una enfermedad. Se le da crédito con haber salvado a millones de personas, especialmente en el África sub-sahariana.

En abril de 2003, luego de un brote en Asia, G. W. Bush firmó una orden ejecutiva agregando el Síndrome Severo Agudo Respiratorio (SARS, por sus siglas en inglés) a una lista de enfermedades contagiosas que podrían resultar en el aislamiento forzado de personas. Eventualmente, unas 8.000 personas contrajeron el virus a nivel mundial, y unas 774 murieron durante el brote del 2003. En Estados Unidos, solo ocho casos de SARS fueron documentados con resultados clínicos.

En 2005, la administración Bush creó la Estrategia Nacional para la Pandemia de Influenza, que obliga al gobierno a mantener y distribuir un inventario de suministros médicos en el evento de un brote, y una infraestructura para que futuros presidentes puedan aprender y apoyarse al lidiar con sus propias pandemias.

Adaptado de: voanoticias.com


Vincúlese a nuestras Redes Sociales:

LinkedIn      YouTube      Facebook      Twitter


Salud y Vida

.

.

x

¿Qué es la Geopolítica?

abril 4, 2020

La Geopolítica es el estudio de los efectos de la Geografía sobre la Política y las Relaciones internacionales. La geopolítica es un método de estudio de la política exterior para entender, explicar y predecir el comportamiento político internacional a través de variables geográficas.​

Curso: «Geopolítica como herramienta para el Análisis e investigación social», FES Acatlán, UNAM, 2017. Por Rocío Arroyo. Son 6 videos.

Video 01

.

Video 02

.

Video 03

.

Video 04

.

Video 05

.

Video 06. Uso de la Geopolítica en la investigación: https://youtu.be/SnA_DYM1bxc


Ejemplo: Caso de investigación:
América Latina desde un enfoque del sistema-mundo.

Fuente: Rocío Arroyo

______________________________________________________________________________

Más información:

Geoplítica y Religión

Geopolítica en los Negocios

La Geopolítica del Libre comercio

Geopolítica e Inteligencia de Negocios

Ciberespionaje, influencia política y desinformación

______________________________________________________________________________

Vincúlese a nuestras Redes Sociales:

LinkedIn      YouTube      Facebook      Twitter

______________________________________________________________________________

.

.

Inteligencia estratégica y Seguridad pública – UCASAL

marzo 13, 2020

Diplomatura en Inteligencia estratégica y Seguridad pública

Más información: UCASAL – Diplomatura IE y SP

.

.

xxx

.

.

Especialización en Inteligencia Estratégica y Crimen Organizado

febrero 1, 2020

.

ESPECIALIZACIÓN EN INTELIGENCIA ESTRATÉGICA Y CRIMEN ORGANIZADO

.

.

La Especialización busca capacitar para el análisis estratégico y aprendizaje de prácticas en el control civil del legítimo funcionamiento institucional relativo a doctrinas y procedimientos aplicados en la gestión pública y privada, vinculados a la Política Nacional, Defensa Nacional, Seguridad Interior e Inteligencia Estratégica y de Negocios. 

AUTORIDAD

José Ricardo Spadaro

DIRECTOR – Dr. Ricardo Spadaro

 

TÍTULO

“Especialista en Inteligencia Estratégica y Crimen Organizado”.

 

DURACIÓN Y MODALIDAD DE CURSADA

1 año

Días: martes y jueves de 17.30 a 21.30 hs.

Lugar: Libertad 1235 – Escuela Nacional de Inteligencia

Inicio: Marzo 2019. Abierta la inscripción.

OBJETIVOS

  • Transmitir conocimientos, técnicas, procedimientos y aptitudes profesionales para dirigir e integrar equipos técnicos de investigación en ámbitos de la inteligencia aplicada, defensa nacional, seguridad interior y escenarios de toma de decisiones, en los ámbitos estatales y
  • Introducir al conocimiento del crimen organizado
  • Introducir a la identificación de técnicas y procedimientos  de  análisis    Proporcionar bases para el planeamiento estratégico y la apreciación de situación de inteligencia en todos los niveles y ámbitos.
  • Proporcionar conocimientos preventivos para la protección de personal, instalaciones, documentación, y otras áreas críticas relativas a la seguridad del
  • Proporcionar herramientas de soporte al sector privado para el debido cumplimiento de las normas de anti-lavado y prevención de riesgos derivados de acciones, en apariencias lícitas, que no obstante provienen del crimen organizado

PERFIL DEL GRADUADO

Al término de la Especialización, los cursantes estarán en condiciones de:

  • Integrar áreas de inteligencia en ámbitos públicos o
  • Asistir en los procesos de toma de decisión en todos los campos
  • Asistir en la estimación de contenidos en campañas de publicidad y propaganda, como en la elaboración de mensajes y comunicaciones a públicos de interés.
  • Intervenir, integrar y coordinar equipos de gestión de medios de comunicación en el diseño e interpretación de
  • Intervenir en diagnósticos de necesidades y elaboración de proyectos del área de
  • Intervenir en la planificación y producción de estrategias y mensajes destinados a diversos públicos.
  • Entender en contenidos de publicaciones informativas, públicas y privadas con fines de producir reportes de inteligencia
  • Intervenir en planificación estratégica y en estudios de seguridad para la protección de personas, informaciones y estructuras de interés.
  • Entender en la doctrina y actividades de inteligencia y
  • Intervenir y asistir en la dirección de un organismo de
  • Entender en la preparación de reportes para sujetos obligados en la Ley 246 y actualizaciones ante el Grupo de Acción Financiera (GAFI) o Financial Action Task Force (FATF).
  • Entender en la identificación de riesgos y amenazas desde el punto de vista de la inteligencia en áreas públicas y
  • Intervenir y asistir en los sistemas de seguridad pública y
  • Intervenir en la Inteligencia de Negocios y
  • Intervenir en diseños del sistema de defensa
  • Intervenir y asistir en el empleo de Tecnologías de la Información y la Comunicación (TICS).

PLAN DE ESTUDIOS 

PRIMER CUATRIMESTRE

1.  Defensa Nacional y Seguridad Interior (32 hs.)

2.  Inteligencia I (40 hs.)

3.  Crimen organizado y terrorismo (40 hs.)

4.  Planeamiento (40 hs.)

SEGUNDO CUATRIMESTRE

5.  Inteligencia II (40 hs.)

6.  Elementos de criminología y criminalística (32 hs.)

7.  Tecnologías de la Información y comunicación (TICS) (32 hs.)

8.  Elementos de derecho constitucional, penal y procesal (32 hs.)

9.  Teorías y técnicas de la comunicación (32 hs.)

10.   Contrainteligencia (40 hs.)

11.   Taller de Proyecto de Trabajo Final Integrador (8 hs.)

 

TOTAL DE HORAS

368 hs. – La Carrera de Especialización no tiene correlatividades.

REQUISITOS DE ADMISIÓN

  • Graduados de universidades argentinas o del exterior, de al menos 4 años de duración, con un mínimo de 2.600 horas En el caso de postulantes europeos deben poseer una formación equivalente a master de nivel I.
  • Egresados de estudios de nivel superior no universitario de CUATRO (4) años de duración o DOS MIL SEISCIENTAS (2.600) horas reloj como mínimo, quienes además deberán completar los prerrequisitos que determinen las autoridades de la Carrera, a fin de asegurar que su formación resulte compatible con las exigencias del posgrado al que
  • Egresados de institutos superiores de nivel Universitario de las FFAA, SS y Policiales; Técnicos de Inteligencia habilitados por estudios superiores de Inteligencia, pertenecientes a Organismos del Estado y que acrediten grado académico o equivalente reconocido por el Ministerio de Educación de la Nación, previo cumplimiento de los requisitos complementarios que la Comisión Académica

La selección de los postulantes será resuelta por las autoridades del posgrado, mediante evaluación de los antecedentes y la realización de una entrevista personal, de la cual surgirá un orden de mérito para cubrir las vacantes.

[email protected]

.

Información relacionada:

Inteligencia aplicada, Crimen Transnacional y Derecho de Policía

Posgrado en Prevención de Lavado de Activos Financieros

.

.

Página siguiente »