Vigilancia tecnolgica: La vigilancia tecnolgica es un proceso organizado, selectivo y permanente, de captar informacin del exterior y de la propia organizacin sobre

ciencia y tecnologa, seleccionarla, analizarla, difundirla y comunicarla, para convertirla en conocimiento para tomar decisiones con menor riesgo y poder anticiparse a los cambios. En qu consiste la Vigilancia Tecnolgica: Es un proceso sistemtico y permanente de bsqueda, captacin, recoleccin, anlisis y difusin de informacin pblica estratgica en el entorno de la organizacin as como del seguimiento y anlisis del entorno de las competencias. El motor de bsqueda de la plataforma puede ser automatizado y consiste en una herramienta de rastreo y minado de informacin digital. La Vigilancia Tecnolgica englobara todo tipo de documentacin que pueda servir para el anlisis y reflexin sobre estrategias de gestin empresarial. Informacin que engloba desde: Ferias y Eventos Informacin de Competidores Noticias sobre el sector de actividad de la organizacin Opiniones sobre el sector de actividad (expertos, usuarios) Publicaciones de inters (normativas, patentes, boletines) Por qu se hace necesaria la Vigilancia Tecnolgica: En un entorno global cambiante en el que las competencias y el continuo proceso de innovacin forman parte del acontecer de las organizaciones se hace necesario para su supervivencia conocer de primera mano todas las actuaciones y alertas que acontecen en el sector de actividad de las entidades. Los procesos de vigilancia (conocer el entorno propio y competidor, boletines, normativas, patentes) han existido siempre dentro de las estructuras organizacionales, pero actualmente el entorno global de: Acelerados cambios La sobreinformacin por el gran impacto de las TIC Bsqueda continua de estrategias para la Innovacin como clave del futuro Objetivos y utilidad de la Vigilancia Tecnolgica El procesamiento de la informacin permite entender mejor el entorno y reflexionar acerca de la direccin de las estrategias organizacionales. Entre las ayudas que la Vigilancia Tecnolgica puede reportar a las organizaciones estn: Conocer cambios de las tecnologas y cambios en los mercados prximos a nuestro entorno. Reduccin de riesgos de toma de decisiones, al conocer mejor donde vamos a posicionarnos con nuestras estrategias. Conocer hacia donde avanzar, porque se podrn conocer las nuevas necesidades de nuestros clientes. Llevar los esfuerzos organizacionales hacia nuevos terrenos y tendencias clave del avance en todos los aspectos organizativos, innovar hacia procesos productivos, productos, capital humano... Conocer la competencia, bsqueda de alianzas con nuevos socios o asesoramiento de expertos. Todo este proceso de captura de informacin bien analizada se convierte en conocimiento para la empresa y su aprovechamiento dentro de la organizacin en una prctica conocida como Inteligencia Competitiva, que consiste en analizar los factores que influyen en la competitividad de la empresa con el objetivo de generar estrategias competitivas y actuar con xito en los procesos de generacin de Innovacin en el entorno global de la Inteligencia Empresarial El sistema de vigilancia tecnolgica es una herramienta de carcter colaborativo. Es necesario el acceso de todos los miembros a la plataforma para introducir informacin que puede resultar de inters organizacional, as como para consulta de documentos. Teniendo en cuenta el establecimiento de algunos filtros de acceso a informacin que sern delimitados por el principal encargado de la organizacin, esta accin colaborativa puede derivar en una estrategia de gestin del conocimiento creando sentimientos de cohesin y pertenencia de los miembros de la organizacin que se sentirn actores de las estrategias de gestin de la empresa.

DATA MINING Data Mining, la extraccin de informacin oculta y predecible de grandes bases de datos, es una poderosa tecnologa nueva con gran potencial para ayudar a las compaas a concentrarse en la informacin ms importante de sus Bases de Informacin (Data Warehouse). Las herramientas de Data Mining predicen futuras tendencias y comportamientos, permitiendo en los negocios tomar decisiones proactivas y conducidas por un conocimiento acabado de la informacin (knowledge-driven). Los anlisis prospectivos automatizados ofrecidos por

un producto as van ms all de los eventos pasados provistos por herramientas retrospectivas tpicas de sistemas de soporte de decisin. Las herramientas de Data Mining pueden responder a preguntas de negocios que tradicionalmente consumen demasiadotiempo para poder ser resueltas y a los cuales los usuarios de esta informacin casi no estn dispuestos a aceptar. Estas herramientas exploran las bases de datos en busca de patrones ocultos, encontrando informacin predecible que un experto no puede llegar a encontrar porque se encuentra fuera de sus expectativas. Muchas compaas ya colectan y refinan cantidades masivas de datos. Las tcnicas de Data Mining pueden ser implementadas rpidamente en plataformas ya existentes de software y hardware para acrecentar el valor de las fuentes de informacin existentes y pueden ser integradas con nuevos productos y sistemas pues son tradas en lnea (on-line). Una vez que las herramientas de Data Mining fueron implementadas en computadoras cliente servidor de alta performance o de procesamiento paralelo, pueden analizar bases de datos masivas para brindar respuesta a preguntas tales como, "Cules clientes tienen ms probabilidad de responder al prximo mailing promocional, y por qu? y presentar los resultados en formas de tablas, con grficos, reportes, texto, hipertexto, etc. Los Fundamentos del Data Mining Las tcnicas de Data Mining son el resultado de un largo proceso de investigacin y desarrollo de productos. Esta evolucin comenz cuando los datos de negocios fueron almacenados por primera vez en computadoras, y continu con mejoras en el acceso a los datos, y ms recientemente con tecnologas generadas para permitir a los usuarios navegar a travs de los datos en tiempo real. Data Mining toma este proceso de evolucin ms all del acceso y navegacin retrospectiva de los datos, hacia la entrega de informacin prospectiva y proactiva. Data Mining est listo para su aplicacin en la comunidad de negocios porque est soportado por tres tecnologas que ya estn suficientemente maduras: Recoleccin masiva de datos Potentes computadoras con multiprocesadores Algoritmos de Data Mining Las bases de datos comerciales estn creciendo a un ritmo sin precedentes. Un reciente estudio del META GROUP sobre los proyectos de Data Warehouse encontr que el 19% de los que contestaron estn por encima del nivel de los 50 Gigabytes, mientras que el 59% espera alcanzarlo en el segundo trimestre de 1997. En algunas industrias, tales como ventas al por menor (retail), estos nmeros pueden ser an mayores. MCI Telecommunications Corp. cuenta con una base de datos de 3 terabytes + 1 terabyte de ndices y overhead corriendo en MVS sobre IBM SP2. La necesidad paralela de motores computacionales mejorados puede ahora alcanzarse de forma ms costo - efectiva con tecnologa de computadoras con multiprocesamiento paralelo. Los algoritmos de Data Mining utilizan tcnicas que han existido por lo menos desde hace 10 aos, pero que slo han sido implementadas recientemente como herramientas maduras, confiables, entendibles que consistentemente son ms performantes que mtodos estadsticos clsicos. En la evolucin desde los datos de negocios a informacin de negocios, cada nuevo paso se basa en el previo. Por ejemplo, el acceso a datos dinmicos es crtico para las aplicaciones de navegacin de datos (drill through applications), y la habilidad para almacenar grandes bases de datos es crtica para Data Mining. Los componentes esenciales de la tecnologa de Data Mining han estado bajo desarrollo por dcadas, en reas de investigacin como estadsticas, inteligencia artificial y aprendizaje de mquinas. Hoy, la madurez de estas tcnicas, junto con los motores de bases de datos relacionales de alta performance, hicieron que estas tecnologas fueran prcticas para los entornos de data warehouse actuales. El Alcance de Data Mining El nombre de Data Mining deriva de las similitudes entre buscar valiosa informacin de negocios en grandes bases de datos - por ej.: encontrar informacin de la venta de un producto entre grandes montos de Gigabytes almacenados - y minar una montaa para encontrar una veta de metales valiosos. Ambos procesos requieren examinar una inmensa cantidad de material, o investigar inteligentemente hasta encontrar exactamente donde residen los valores. Dadas bases de datos de suficiente tamao y calidad, la tecnologa de Data Mining puede generar nuevas oportunidades de negocios al proveer estas capacidades: Prediccin automatizada de tendencias y comportamientos. Data Mining automatiza el proceso de encontrar informacin predecible en grandes bases de datos. Preguntas que tradicionalmente requeran un intenso anlisis manual, ahora pueden ser contestadas directa y rpidamente desde los datos. Un tpico ejemplo de problema predecible es el marketing apuntado a objetivos (targeted marketing). Data Mining usa datos en mailing promocionales anteriores para identificar posibles objetivos para maximizar los resultados de la inversin en futuros mailing. Otros problemas predecibles incluyen pronsticos de problemas financieros futuros y otras formas de incumplimiento, e identificar segmentos de poblacin que probablemente respondan similarmente a eventos dados.

Descubrimiento automatizado de modelos previamente desconocidos. Las herramientas de Data Mining barren las bases de datos e identifican modelos previamente escondidos en un slo paso. Otros problemas de descubrimiento de modelos incluye detectar transacciones fraudulentas de tarjetas de crditos e identificar datos anormales que pueden representar errores de tipeado en la carga de datos. Las tcnicas de Data Mining pueden redituar los beneficios de automatizacin en las plataformas de hardware y software existentes y puede ser implementadas en sistemas nuevos a medida que las plataformas existentes se actualicen y nuevos productos sean desarrollados. Cuando las herramientas de Data Mining son implementadas en sistemas de procesamiento paralelo de alta performance, pueden analizar bases de datos masivas en minutos. Procesamiento ms rpido significa que los usuarios pueden automticamente experimentar con ms modelos para entender datos complejos. Alta velocidad hace que sea prctico para los usuarios analizar inmensas cantidades de datos. Grandes bases de datos, a su vez, producen mejores predicciones. Las bases de datos pueden ser grandes tanto en profundidad como en ancho: Ms columnas. Los analistas muchas veces deben limitar el nmero de variables a examinar cuando realizan anlisis manuales debido a limitaciones de tiempo. Sin embargo, variables que son descartadas porque parecen sin importancia pueden proveer informacin acerca de modelos desconocidos. Un Data Mining de alto rendimiento permite a los usuarios explorar toda la base de datos, sin preseleccionar un subconjunto de variables. Ms filas. Muestras mayores producen menos errores de estimacin y desvos, y permite a los usuarios hacer inferencias acerca de pequeos pero importantes segmentos de poblacin. Las tcnicas ms comnmente usadas en Data Mining son: Redes neuronales artificiales: modelos predecible no-lineales que aprenden a travs del entrenamiento y semejan la estructura de una red neuronal biolgica. Arboles de decisin: estructuras de forma de rbol que representan conjuntos de decisiones. Estas decisiones generan reglas para la clasificacin de un conjunto de datos. Mtodos especficos de rboles de decisin incluyen Arboles de Clasificacin y Regresin (CART: Classification And Regression Tree) y Deteccin de Interaccin Automtica de Chi Cuadrado (CHAI: Chi Square Automatic Interaction Detection) Algoritmos genticos: tcnicas de optimizacin que usan procesos tales como combinaciones genticas, mutaciones y seleccin natural en un diseo basado en los conceptos de evolucin. Mtodo del vecino ms cercano: una tcnica que clasifica cada registro en un conjunto de datos basado en una combinacin de las clases del/de los k registro (s) ms similar/es a l en un conjunto de datos histricos (donde k 1). Algunas veces se llama la tcnica del vecino k-ms cercano. Regla de induccin: la extraccin de reglas if-then de datos basados en significado estadstico. Muchas de estas tecnologas han estado en uso por ms de una dcada en herramientas de anlisis especializadas que trabajan con volmenes de datos relativamente pequeos. Estas capacidades estn ahora evolucionando para integrarse directamente con herramientas OLAP y de Data Warehousing. Cmo Trabaja el Data Mining? Cun exactamente es capaz Data Mining de decirle cosas importantes que usted desconoce o que van a pasar? La tcnica usada para realizar estas hazaas en Data Mining se llama Modelado. Modelado es simplemente el acto de construir un modelo en una situacin donde usted conoce la respuesta y luego la aplica en otra situacin de la cual desconoce la respuesta. Por ejemplo, si busca un galenespaol hundido en los mares lo primero que podra hacer es investigar otros tesoros espaoles que ya fueron encontrados en el pasado. Notara que esos barcos frecuentemente fueron encontrados fuera de las costas de Bermuda y que hay ciertas caractersticas respecto de las corrientes ocenicas y ciertas rutas que probablemente tomara el capitn del barco en esa poca. Usted nota esas similitudes y arma un modelo que incluye las caractersticas comunes a todos los sitios de estos tesoros hundidos. Con estos modelos en mano sale a buscar el tesoro donde el modelo indica que en el pasado hubo ms probabilidad de darse una situacin similar. Con un poco de esperanza, si tiene un buen modelo, probablemente encontrar el tesoro. Este acto de construccin de un modelo es algo que la gente ha estado haciendo desde hace mucho tiempo, seguramente desde antes del auge de las computadoras y de la tecnologa de Data Mining. Lo que ocurre en las computadoras, no es muy diferente de la manera en que la gente construye modelos. Las computadoras son cargadas con mucha informacin acerca de una variedad de situaciones donde una respuesta es conocida y luego el software de Data Mining en la computadora debe correr a travs de los datos y distinguir las caractersticas de los datos que llevarn al modelo. Una vez que el modelo se construy, puede ser usado en situaciones similares donde usted no conoce la respuesta.

Si alguien le dice que tiene un modelo que puede predecir el uso de los clientes, Cmo puede saber si es realmente un buen modelo? La primera cosa que puede probar es pedirle que aplique el modelo a su base de clientes - donde usted ya conoce la respuesta. Con Data Mining, la mejor manera para realizar esto es dejando de lado ciertos datos para aislarlos del proceso de Data Mining. Una vez que el proceso est completo, los resultados pueden ser testeados contra los datos excluidos para confirmar la validez del modelo. Si el modelo funciona, las observaciones deben mantenerse para los datos excluidos.

Inteligencia de Negocios La Inteligencia de Negocios es el conjunto de productos y servicios que permiten a los usuarios finales acceder y analizar de manera rpida y sencilla, la informacin para la toma de decisiones de negocio a nivel operativo, tctico y estratgico.

El trmino Business Intelligence (Inteligencia de Negocios) hizo su aparicin en 1996 cuando un reporte de Gartner Group dijo textualmente lo siguiente: By 2000, Information Democracy will emerge in forward-thinking enterprises, with Business Intelligence information and applications available broadly to employees, consultants, customers, suppliers, and the public. The key to thriving in a competitive marketplace is staying ahead of the competition. Making sound business decisions based on accurate and current information takes more than intuition. Data analysis, reporting, and query tools can help business users wade through a sea of data to synthesize valuable information from it - today these tools collectively fall into a category called "Business Intelligence." Para el ao 2000, la Democracia de la Informacin emerger en las empresas de vanguardia, con las aplicaciones de Inteligencia de Negocios ampliamente disponibles a nivel de empleados, consultores, clientes, proveedores y el pblico en general. La clave para surgir en un mercado competitivo es mantenerse delante de sus competidores. Se requiere mas que intuicin para tomar decisiones correctas basadas en informacin exacta y actualizada. Las herramientas de reporte, consulta y anlisis de datos pueden ayudar a los usuarios de negocios a navegar a travs de un mar de informacin para sintetizar la informacin valiosa que en l se encuentra - hoy en da esta categora de herramientas se les llama "Inteligencia de Negocios" Este contenido se encuentra protegido por lo que le solicitamos muy respetuosamente que no lo copie. El mismo puede ser usado por instituciones acadmicas siempre y cuando se mencione la fuente y el enlace respectivo. PROSPECTIVA La nueva ciencia llamada Prospectiva como la ciencia del futuro, se enfoca a la importancia de la visin estratgica que debe servir a toda organizacin como parte fundamental de visin de futuro organizacional, se analizan los estudios que se han efectuado en diversos pases, el efecto de la tecnologa y las personas en las organizaciones, Palabras claves: Prospectiva, Planes estratgicos, estrategia, visin, filosofa de empresa, Competencia, stakeholders, mtodos de expertos, benchmarking. Qu es la prospectiva estratgica? El Centro de Estudios Prospectivos de la UNALM en su editorial refiere que La prospectiva parte del concepto que el futuro an no existe y se puede concebir como una realizacin mltiple (Jouvenel, 1968) y que depende solamente de la accin del hombre (Godet, 1987). Por esa razn, el hombre puede construir el mejor futuro posible, para lo cual debe tomar las decisiones correctas en el momento apropiado .

La Organizacin para la Cooperacin y el Desarrollo Econmicos (OCDE) define la prospectiva como el conjunto de tentativas sistemticas para observar a largo plazo el futuro de la ciencia, la tecnologa, la economa y la sociedad con el propsito de identificar las tecnologas emergentes que probablemente produzcan los mayores beneficios econmicos o sociales . La prospectiva como ventaja competitiva sostenible Un pas sin prospectiva es un pas sin visin y progreso, una empresa sin prospectiva es una organizacin disfuncional y quebrada que no sobrevivira en un mundo de alta competitividad y constantes cambios, un persona sin prospectiva es una persona sin futuro, que fracasara y no podra alcanzar la prosperidad, mejor calidad de vida y la felicidad. La empresa debe planificar sus futuro Alvin Toffler (1992) refiere "Mientras la economa y la sociedad del maana van tomando forma, todos nosotros individuos, compaas, organizaciones y gobiernos por igual- nos enfrentamos al ms salvaje y veloz recorrido hacia el futuro que ninguna generacin haya realizado Bienvenidos al resto del siglo veintiuno!" "Todos los pases deben tener en claro que los cambios sociales se irn acelerando, los futuros puestos de trabajo requerirn ms y ms conocimientos y habilidades." Nos planteamos algunas interrogantes que deben ser trascendentes en todo grupo humano y en especial las organizaciones. Seguramente nos hemos preguntado si el xito de hoy que obtiene una empresa, seguir siendo el xito de maana? Las organizaciones no slo deben convivir y estar suficientemente satisfechos con los xitos del presente, sino seguir visualizando y planificando su visin hacia un futuro prometedor, los xitos de hoy no sern los xitos de maana, las organizaciones tendrn que estar renovndose siempre, no es suficiente formular un plan estratgico, no siempre es la solucin total, tenemos que tener visin y adecuada prospectiva del entorno, en la Revista Americana Fortune (1996), refiere que de diez planes estratgicos formulados adecuadamente slo uno se implementa exitosamente, y que entre las causas ms comunes tenemos fundamentalmente el adormecimiento de los niveles gerenciales, falta de visin, prospectiva y problemas bsicamente debido a las actitudes gerenciales, como el conformismo, escasas competencias para inspirar, motivar e entusiasmar a sus colaboradores; el benchmarking, no es un solucin necesariamente, pero si es una necesidad constante que puede coadyuvar a asegurar su futuro de largo plazo, aprendiendo las mejores prcticas de los negocios lderes. Las organizaciones, deben tienen la necesidad de mirar con prospectiva todas estas interrogantes:

Creemos que los clientes a los que sirve hoy les servir tambin en un plazo de entre cinco y diez aos? Los canales que utilizamos hoy para llegar a sus clientes subsistirn sin cambios dentro de unos aos? Nuestros competidores de hoy; sern los mismos en otros periodo? Cul es la base de nuestra ventaja competitiva actual?; cul ser dentro de cinco aos?; cul ser dentro de diez aos? Cules sern las condiciones econmicas a largo plazo?, Y las tendencias de precios? Nuestros productos son competitivos?; aparecern otros sustitutivos resultantes de las nuevas tecnologas? Dnde se generan hoy los mrgenes?; dnde se generarn en el futuro? Las competencias de nuestra gente servirn dentro de diez aos? Controlamos nuestra empresa hoy; creemos que la podremos seguir controlando en el futuro con las mismas premisas de hoy? Qu nos define hoy como empresa frente a accionistas, empleados, proveedores, clientes, pblico y sociedad?; qu nos definir dentro de algunos aos? Qu cosas cambiarn y cules no cambiarn? Cmo analizarlas y extraer consecuencias tiles?

Las buenas preguntas nos aproximan a un nivel de reflexin muy interesante en torno a la prospectiva estratgica. En el mismo enfoque Qu nuevas necesidades tendremos que satisfacer en 5 o ms aos en nuestros clientes? Cmo ser la nueva cultura de consumo? Cmo manejar eficazmente la nueva fuerza de trabajo y sus caractersticas? Qu competencias humanas sern necesarias en las personas para manejar nuevas tecnologas? Qu tecnologas sern necesarias para producir mejores productos, mejores servicios? Qu est siendo nuestra competencia mejor que nosotros? Cules son los cambios del entorno que afectan a clientes, productores y proveedores? Lo que hace nuestra competencia tienen visin de futuro? Contamos con un plan estratgico? Cules son las nuevas competencias gerenciales necesarias en el futuro? De qu manera influyen nuestros stakeholders (Accionistas, clientes, proveedores, personal, comunidad)?. Estas y otras interrogantes deben ser necesarias formular en el aqu y ahora en todas las organizaciones que deseen permanecer en el mercado.

A quines est dirigido la prospectiva? A los lderes polticos y sus equipos, consejeros gubernamentales, agencias pblicas, expertos polticos, econmicos y legislativos, que necesitan tomar decisiones con implicaciones socioeconmicas muy importantes a largo plazo. A los lderes de las Empresas y Organizaciones que buscan comprender el futuro con el fin de adelantarse a sus competidores o encontrar nuevas oportunidades de negocio. A los equipos directivos que necesitan plantear, analizar, evaluar, representar y comunicar las decisiones importantes sobre el futuro. A los managers especializados en adquisiciones y fusiones de empresas, estrategias, marketing, etc., que necesitan explorar las consecuencias de las decisiones importantes a tomar en diferentes escenarios. A los profesionales y consejeros de inversiones que necesitan prospectar las evoluciones a largo plazo de las empresas donde vayan a invertir/desinvertir. A los estudiantes que desean proyectarse un futuro mejor. Prospectiva tecnolgica La prospectiva (proceso) tecnolgica es un proceso sistemtico que analiza el estado actual y las perspectivas de progreso cientfico y tecnolgico para identificar reas estratgicas de investigacin y tecnologas emergentes en las que concentrar los esfuerzos de inversin y as obtener los mayores beneficios econmicos o sociales. La prospectiva tecnolgica estn orientadas a un conjunto de tcnicas que permiten definir la relevancia de una tecnologa en un momento futuro. Una caracterstica principal de la prospectiva es que parte de la existencias de varios posibles futuros (futurables y futuribles) los cuales se enmarcan en un contexto dado, que puede ser bajo la jurisdiccin de un pas, un sector o una empresa. La finalidad de la prospectiva tecnolgica es facilitar la toma de decisiones donde la tecnologa constituye un factor cada vez ms determinante, y en el que el propio ritmo de cambio tecnolgico, cada da ms acelerado, incorpora un grado creciente de incertidumbre. Un anlisis de prospectiva tecnolgica parte de la identificacin del tipo de tecnologa que se desea analizar, que habitualmente se engloba en una de las tres categoras siguientes:

productividad. Su difusin es limitada y su posesin va a condicionar fuertemente la posicin competitiva de la empresa.

comn a todos los productos de una actividad concreta. ogas emergentes: son aquellas que en una primera fase de su aplicacin en la empresa muestran un notable potencial de desarrollo. El nivel de incertidumbre que rodea a estas tecnologas es particularmente elevado. Esta clasificacin esta estrechamente relacionada con el concepto de ciclo de vida de la tecnologa, donde se distinguen tres etapas: nacimiento, crecimiento y madurez . El nacimiento se asocia a tecnologas emergentes, el crecimiento a tecnologas claves y, finalmente, la madurez y el declive a tecnologas de base. La prospectiva tecnolgica se utiliza dentro de la gestin de la I+D+i para dar apoyo a las decisiones de inversin en tecnologa, conjuntamente con la vigilancia tecnolgica.