If you can't read please download the document
Upload
caribbeantrip77
View
229
Download
1
Embed Size (px)
Citation preview
7/26/2019 Big Intelligence
1/252
Bases de Datos NoSQL
WebSemntica
LinkedData
OntologasProcesamientode Lenguaje Natural
"V"
deBigData
MtodosEstadsticos
Machine Learning
Procesamiento Big Data
ProgramManagement
Data Science
Scraping
aniversario
60
MINISTERIODE INDUSTRIA, ENERGAY TURISMO
big intelligencepara los Sistemas deVigilanciaEstratgica e InteligenciaCompetitiva
nuevas capacidades big data
innovacin
y creatividad
7/26/2019 Big Intelligence
2/252
7/26/2019 Big Intelligence
3/252
aniversario
60
MINISTERIODE INDUSTRIA, ENERGAY TURISMO
big intelligencepara los Sistemas deVigilanciaEstratgica e InteligenciaCompetitiva
nuevas capacidades big data
innovaciny creatividad
7/26/2019 Big Intelligence
4/252
AUTOR
Antonio Miranda RayaDirector de Proyectos en EOI
DIRECCIN DEL PROYECTO
Eduardo LizarraldeVicedecano EOI
Juan Jimnez MorillasResponsable de Proyectosde Investigacin EOI
Fundacin EOI, 2015www.eoi.es
Madrid, 2015
EOI no se responsabiliza de los contenidos,informaciones aportadas u opinionesvertidas por los participantes en el libro, queson responsabilidad exclusiva de los autores.
CRDITOS
ISBN
978-84-15061-61-8
DEPSITO LEGAL
M-35029-2015
Libro digital en:http://a.eoi.es/bigintelligence
Enlace directo en:
Esta publicacin est bajo licenciaCreative CommonsReconocimiento, Nocomercial, Compartirigual,
(by-nc-sa). Usted puede usar, copiar y difundir estedocumento o parte del mismo siempre y cuando semencione su origen, no se use de forma comercialy no se modifique su licencia.
Cuidamos el papel que utilizamospara imprimir este libro
Fibras procedentes de bosques sos-tenibles certificados por el ForestStewardship Council (FSC).
7/26/2019 Big Intelligence
5/252
NDICE
ACERCA DE LOS AUTORES ............................................................................................. | 5 |
PRLOGO .............................................................................................................................. | 11 |
Captulo 1
PRESENTACIN ................................................................................................................... | 15 |
Captulo 2
VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA ............................... | 27 |
1. Vigilancia Estratgica, Inteligencia Competitiva y Gestin del conocimiento
en el siglo XX ................................................................................................................................. | 28 |
2. Vigilancia, Inteligencia, Conocimiento y Prospectiva ................................................. | 37 |
3. La norma UNE 166.006:2011 Gestin I+D+i: Sistema de Vigilancia
Tecnolgica e Inteligencia Competitiva ......................................................................... | 42 |
Captulo 3
NUEVAS CAPACIDADES BIG DATA .............................................................................. | 49 |
1. V de Big Data ............................................................................................................................ | 50 |
2. Business Bots, Spiders, Scrapers: recuperando informacin desestructurada
de la WEB ...................................................................................................................................... | 54 |
3. Data Science, Estadstica, Inteligencia artificial, Data Mining, Investigacin
Operativa, Machine Learning, Procesamiento del Lenguaje Natural
el entorno de Big Data ............................................................................................................. | 65 |
4. Machine Learning ....................................................................................................................... | 80 |
5. Procesamiento de Lenguaje Natural ................................................................................ | 86 |
6. Procesamiento de Lenguaje Natural versus Machine Learning............................. | 94 |
7. Arquitectura Big Data .............................................................................................................. |100|
8. Ontologas, Datos Enlazados (Linked Data) y Web Semntica ............................ | 112 |
9. Gestionando el Conocimiento y la Veracidad de la informacin .......................... | 131 |
10. Mapeando las tecnologas Big Data y las actividades de Vigilancia
Estratgica e Inteligencia Competitiva ........................................................................... |135|
7/26/2019 Big Intelligence
6/252
| 4 |NDICE
Captulo 4
DISEANDO SISTEMAS DE VIGILANCIA E INTELIGENCIA CON NUEVAS
CAPACIDADES BIG DATA ................................................................................................ |139 |
1. Casos de Uso y Necesidades de Vigilancia Estratgica e Inteligencia
Competitiva: el estilo de pensar Big Data .................................................................... | 141 |
2. Fuentes de Informacin. Taxonomas ............................................................................... |143|
3. Integracin de Datos ................................................................................................................ |149|
4. Modelo de Informacin: los Mdulos de Entidades Estructurales
de Informacin ............................................................................................................................ |154|
5. NoSQL: las Bases de Datos del Big Data ......................................................................... |165|
6. Funcionalidades, Implementaciones e Interfaces Big Data para los Sistemas
de Vigilancia e Inteligencia .................................................................................................... |168|
Captulo 5
FORMALIZACIN DEL MODELO Y LA METODOLOGA .......................................... | 211 |
1. Elementos del Modelo ............................................................................................................... |212|
2. Metodologa de Diseo del Sistema de Vigilancia / Inteligencia .......................... |215|
3. El Modelo organizativo ............................................................................................................ |226|
4. Puesta en marcha mediante Program Management .................................................. |229|
Captulo 6BIBLIOGRAFA Y FUENTES DE DOCUMENTACIN.................................................. |235 |
7/26/2019 Big Intelligence
7/252
Bases de Datos NoSQL
WebSemntica
LinkedData
OntologasProcesamientode Lenguaje Natural
"V"
deBigData
MtodosE
stadsticos
Machine Learning
Procesamiento Big Data
ProgramManagement
Data Science
Scraping
ACERCA DE LOS AUTORES
7/26/2019 Big Intelligence
8/252
| 6 |ACERCA DE LOS AUTORES
Autor
Antonio Miranda Raya
Cuenta con ms de 15 aos de experiencia que va desde la Gerencia en el sector de la
Consultora TIC hasta la Direccin de Sistemas de Informacin y departamentos TIC.
Su foco actual es el diseo y direccin de iniciativas que contribuyan a la Innovacin
y transformacin digital de las organizaciones y la sociedad. Actualmente es Director
de Proyectos en EOI.
Durante el ao 2014 se encarg de la Direccin y Ejecucin del proyecto consistente en
el diseo de un Sistema Big Data de Vigilancia Estratgica e Inteligencia Competitiva
del sector TIC realizado para la Secretara de Estado de Telecomunicaciones y Sociedad
de la Informacin del Ministerio de Industria y Turismo, proyecto tras el que surge la
iniciativa de crear este libro.
Es Licenciado en Informtica por la UPM y Executive MBA por el IE. Ha realizado en EOI
los Programas de Finanzas para Directivos, Direccin de Proyectos con Metodologa
PMI, el nuevo rol del Director de Servicios IT y Mapas Estratgicos y Cuadro de Mando
Integral entre otros. Asimismo ha cursado programas especializados en Gestin del
I+D+i en el CEU y la UPM.
Colaboraciones
Este libro cuenta con las siguientes colaboraciones:
Dr. Asuncin Gmez Prez
Es una experta en Inteligencia Artificial en el rea de ontologas y Web semntica.Se licenci en informtica por la Universidad Politcnica de Madrid (UPM) en 1991,
y alcanz el doctorado en Ciencias de la Computacin e Inteligencia Artificial en la
misma universidad en diciembre de 1993. Realiz estudios post-doctorales en el pres-
tigioso Knowledge Systems Laboratory de la Universidad de Stanford, en Palo Alto
(California). Habla francs e ingls, y tiene un Mster en Direccin y Administracin
de Empresas. Ha ganado el premio Ada Byron a la Mujer Tecnloga en 2015. Ha sido
distinguida recientemente como una de las tres mujeres ms reconocidas y con mayor
presencia mundial en el amplio campo de investigacin de las tecnologas semnticas.
Actualmente es Catedrtica en la Universidad Politcnica de Madrid (UPM).
Ontologas, Datos Enlazados (Linked Data) y Web Semntica. Apartado 3.8.
7/26/2019 Big Intelligence
9/252
| 7 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Juan Jimnez Morillas
Es un especialista en prospectiva y vigilancia tecnolgica, habiendo desarrollado su
labor en el Observatorio de Prospectiva Tecnolgica Industrial (OPTI). Actualmente
es Director de Proyectos en el Vicedecanato de EOI. Su formacin universitaria es deIngeniero de Caminos, Canales y Puertos por la UPM, en la especialidad de Urbanismo
y Ordenacin del Territorio. Juan es tambin Executive MBA por la EOI.
Vigilancia Estratgica, Inteligencia Competitiva y Gestin del conocimiento en el
siglo XX. Apartado 2.2.
Mara Poveda Villaln
Es estudiante de doctorado en el Ontology Engineering Group, grupo de investigacin
perteneciente a la Universidad Politcnica de Madrid (UPM). En dicha universidad
realiz tambin los estudios de Ingeniera Superior en Informtica (2009) y Mster
en Investigacin en Inteligencia Artificial (2010). Sus intereses en investigacin son
principalmente la ingeniera ontolgica, la web semntica y datos enlazados. Durante
los ltimos aos ha realizado estancias de investigacin en centros extranjeros como
University of Liverpool (2011), Free University of Berlin (2012) y en empresas como
Mondeca en Paris (2013).
Ontologas, Datos Enlazados (Linked Data) y Web Semntica. Apartado 3.8.
Antonio Snchez Valderrbanos
Ha trabajado durante ms de 20 aos en el campo de la lingstica computacional.
Desarroll su carrera profesional en importantes multinacionales del sector IT como
IBM y Novell Corporation, en las que trabaj en el despliegue de tecnologas lingsticas
para sistemas de recuperacin de informacin y entornos de publicacin electrnica.
Antonio fund la empresa Bitext en 2008 con el objetivo de proporcionar tecnologa
semntica multilinge OEM para diferentes reas de negocio, como Social Media, bs-
queda y anlisis de textos. Antonio es licenciado en Filologa y doctor en Lingsticapor la Universidad Autnoma de Madrid.
Procesamiento de Lenguaje Natural versus Machine Learning1. Apartado 3.5.
Dr. Mara del Carmen Surez de Figueroa Baonza
Es profesora ayudante doctor en la Escuela Tcnica Superior de Ingenieros Informti-
cos de la Universidad Politcnica de Madrid (UPM) e investigadora senior del Ontology
1 Original del ingls Machine Learning & Deep Linguistic Analysis in Text Analytics. Traduccin al
castellano de Antonio Miranda Raya.
7/26/2019 Big Intelligence
10/252
| 8 |ACERCA DE LOS AUTORES
Engineering Group. Es Doctora en Ciencias de la Computacin e Inteligencia Artificial
por la UPM desde 2010 y ha recibido el Premio Extraordinario de Tesis Doctoral de la
UPM. Sus lneas de investigacin se centran en la Ingeniera Ontolgica y en Linked
Data. Es co-editora del libro Ontology Engineering in a Networked World (Springer2012). Ha co-organizado sesiones, conferencias, workshops y tutoriales en eventos
internacionales.
Ontologas, Datos Enlazados (Linked Data) y Web Semntica. Apartado 3.8.
Revisin
Adems de los autores, varios profesionales del sector TIC han contribuido con susrevisiones, comentarios y recomendaciones: Alberto Latorre, Carlos Hernando Carasol,
Jernimo Garca Loygorri, Mnica Blanco, Pedro Bernad, Elena Salinas y Sergio Jimnez.
Especialmente me gustara destacar la participacin en la revisin del libro a:
Sergio Montoro Tenes emprendedor y consultor especializado en tecnologas de la
informacin. Tambin es redactor del blog La Pastilla Roja, dedicado a la Tecnologa
y sus usos sociales. Cuenta con ms de 20 aos de experiencia, especialmente como
lder tcnico y CTO. Su formacin universitaria es de Licenciado en Informtica por
la UPM y cuenta adems con un Master en Gestin de Recursos Humanos por ESIC.
Jos Luis Jerez es un experto en tecnologas de la informacin, redes y seguridad
informtica con ms de 15 aos de experiencia, principalmente como Gerente de Ope-
raciones de Seguridad. Su formacin universitaria es de Ingeniero en Informtica por
la UPM y cuenta con los certificados CISSP, CISM, CISA y CRISC entre otros.
Jos Antonio Leiva ha trabajado como CTO y lder tcnico de la startup Smartvel,
como Development Manager en Prosegur e IT Manager de Plettac Electronics. Se ha
incorporado recientemente al equipo de Ingeniera de Amazon Espaa. Su formacin
universitaria es de Ingeniero en Informtica por la UPM. Jos Antonio tambin es MBA
por el Instituto de Empresa de Madrid.
Sus aportaciones han sido incorporadas en buena medida y han ayudado enormemente
a mejorar la calidad del libro.
7/26/2019 Big Intelligence
11/252
| 9 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Nota del Autor
Este libro se escribe tras la ejecucin del proyecto Diseo de un Sistema Big Data de
Vigilancia Estratgica para el sector TIC, realizado por EOI para la Secretara de Estadode Telecomunicaciones y la Sociedad de la Informacin, al percibir la oportunidad de
consolidar el conocimiento adquirido desarrollndolo, amplindolo y compendindolo.
Se empez a escribir a finales de 2014 y ha estado en proceso de redaccin durante
buena parte del 2015. En este breve lapso de tiempo han surgido novedades y trans-
formaciones en el mundo del Big Data que han podido ser incorporadas, otras no.
El abrumador ritmo de cambio en el mundo del Big Data convertirn en obsoletos
algunos de los contenidos: esperamos poder ir incorporndolos en prximas ediciones.
Puede ser til tanto para estudiantes y personas en general interesadas bien en el
conocimiento de Big Data, bien en el conocimiento de la Vigilancia Estratgica y la
Inteligencia Competitiva y tambin lgicamente en ambas reas de conocimiento. Ini-
cialmente el libro fue concebido como una coleccin de artculos de mltiples autores,
aunque finalmente termin siendo obra mayoritariamente de un slo autor, habiendo
realizado un esfuerzo en integrar en lo posible todos los apartados. Cada apartado y
subapartado pretende mantener, sin embargo, una cierta independencia para que el
lector pueda acudir a ellos como unidades de aprendizaje independientes.
Varios profesionales del sector TIC han ledo y revisado el libro y sus revisiones, comen-
tarios y recomendaciones han sido incorporados en buena medida, con objeto de
reducir al mximo el nmero de erratas contenidas. Les agradecera que en caso de
que encontrase alguna errata o quiera hacer alguna sugerencia, comentario o solicitud
para futuras ediciones lo comunicara por e-mail a [email protected]
Este libro estar a su disposicin para su descarga gratuita desde SAVIA, el reposi-
torio de conocimiento de EOI, accesible en http://www.eoi.es/savia/En este mismo
repositorio pueden encontrar una clase sobre Big Data y Vigilancia Estratgica
impartida en el Mster de Innovacin de EOI, del que este libro es su referencia prin-
cipal: http://www.eoi.es/savia/video/2554/big-data-y-vigilancia-estrategica
He optado por incluir tanto el trmino en espaol como el trmino en ingls, frente a
la opcin de incluir nicamente el trmino en espaol. Para ello aado al trmino en
espaol el texto siguiente: (en ingls trmino-en-ingls). El idioma ingls es de facto
el latn actual del mundo cientfico y tecnolgico. La consulta y lectura de publicaciones
en ingls es habitual en el da a da de cualquiera que trabaje en estos mbitos. Creo queconocer los dos trminos facilita el aprendizaje y la toma de referencias a los lectores.
7/26/2019 Big Intelligence
12/252
7/26/2019 Big Intelligence
13/252
Bases de Datos NoSQL
WebSemntica
LinkedData
OntologasProcesamientode Lenguaje Natural
"V"
deBigData
MtodosE
stadsticos
Machine Learning
Procesamiento Big Data
ProgramManagement
Data Science
Scraping
PRLOGO
7/26/2019 Big Intelligence
14/252
| 12 |PRLOGO
Los datos se han convertido en un activo muy valioso para la sociedad del siglo XXI.
Se estn desarrollando importantes innovaciones para explotar la enorme cantidad y
variedad de datos que se generan y almacenan de forma constante a una velocidad
creciente. Asimismo los datos se han convertido en una destacada fuente de nuevosempleos: Big Data o Data Science son sin duda dos de los trending topics ms relevan-
tes en los ltimos tiempos en cuanto a la empleabilidad, siendo destacable el hecho
de que los empleos generados son de alta calidad.
Se abren grandes oportunidades no slo para los sectores ms digitales, sino tambin
para sectores ms tradicionales como los sectores de la Salud, el Transporte o la Ener-
ga, que pueden generar valor incorporando a sus actividades la explotacin de datos
provenientes de sensores, satlites, vdeos, seales GPS y tambin los generados por
personas, por ejemplo los generados en las Redes Sociales.
Grandes cosas son las que podemos esperar de la convergencia entre el Big Data y la
Vigilancia y la Inteligencia Competitiva: nuevos servicios y productos, transformaciones
de negocios, reducciones de costes operativos, servicios ms personalizados, empresas e
instituciones ms sofisticadas que incorporan la investigacin y la innovacin en sus cade-
nas de valor o empresas mejor gobernadas, ms rentables y ms sostenibles en el tiempo.
Europa encauza su impulso de digitalizacin a travs de la Agenda Digital Europea2,
que tiene su reflejo en Espaa a travs de la Agenda Digital para Espaa3. Uno de susgrandes bloques, el de la Economa Digital, incluye un apartado especfico dedicado
al Big Data4. Se estima que las inversiones en Big Data alcanzarn alrededor de los
2.5 billones de euros5entre 2016 y 2020. La Comisin Europea, a travs de su progra-
ma Horizonte 2020 le ha destinado 500 millones de euros, cantidad que se espera se
multiplique por cuatro gracias a la inversin privada, llegando a los 2 billones de euros.
Otros mercados relacionados, como el mercado del Procesamiento de Lenguaje Natural
(NLP) tambin estn de enhorabuena: se espera que crezca desde los 3787.3 millones
de dlares de 2013 hasta casi el billn de dlares para el ao 20186.
2 EC. Digital Agenda for Europe http://ec.europa.eu/digital-agenda
3 EC. Agenda Digital para Espaa http://www.agendadigital.gob.es/
4 EC. Digital Economy: Making Big Data work for Europe http://ec.europa.eu/digital-agenda/en/big-data
5 Public-Private Partnership (PPP) for Big Data http://europa.eu/rapid/press-release_MEMO-14-583_
en.htm
6 EC. Digital Agenda Web Site Press Releases:
https://ec.europa.eu/digital-agenda/en/news/natural-language-processing-nlp-market-worldwide-
market-forecast-analysis-2013%E2%80%932018y Research and Markets. Natural Language Processing
(NLP) Market - Worldwide Market Forecast & Analysis (20132018) http://www.researchandmarkets.
com/research/3tl4zb/natural_language(October 2013)
7/26/2019 Big Intelligence
15/252
| 13 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
La Vigilancia Estratgica y la Inteligencia Competitivatambin se beneficiarn de su
convergencia con el Big Data ya que los negocios que desarrollan procesos de toma
de decisiones e integran el conocimiento generado desde el Big Data estn incremen-
tando su productividad entre un 5% y un 6%.
Big Data, la Vigilancia Estratgica y la Inteligencia Competitiva constituyen grandes
oportunidades para las empresas espaolas aunque tambin, como en todas las situa-
ciones emergentes de mercado, presentan desafos importantes. Espaa cuenta con
varias fortalezas que puede aprovechar:
Una ms que notable red de investigadores en Universidades y Centros de Investi-
gacin en tecnologas y reas de conocimiento estn siendo impulsadas gracias al
Big Data, como pueden ser las Ontologas, el Machine Learning o el Procesamientode Lenguaje Natural (NLP).
Prestigiosas Escuelas de Negocio que han puesto en marcha los primeros masters
en Big Data de Europa.
Una importante cantidad y calidad de profesionales del sector IT con formacin uni-
versitaria en las tecnologas y reas de conocimiento clave en Big Data como son la
inteligencia artificial, programacin funcional, estadstica y matemticas avanzadas
citando las reas ms importantes.
Grandes empresas en sectores que pueden obtener importantes beneficios del Big
Data, como la banca, las telecomunicaciones, el sector pblico o la distribucin.
Big Data puede ser un driver para el crecimiento y la internacionalizacin de las empre-
sas espaolas, que pueden crear una importante cantidad de empleos basados en
nuestro pas, sostenibles en el tiempo y de alta calidad. Es una industria de futuro, sin
duda, pero que ya tiene un presente esperanzador y por el que merece la pena apostar.
EOI est haciendo una fuerte apuesta por el Big Data, destacando lo que fue la crea-cin del primer mster en Big Data en Europa. Hoy dispone de hasta 4 programas Big
Data, orientados cada uno a segmentos diferentes de profesionales, lo que la convierte
posiblemente en la primera Escuela de Negocios de Big Data de Espaa y uno de los
lderes destacados en Europa.
Este libro, que quedar disponible para su descarga desde nuestro repositorio de
conocimiento Savia, es la penltima aportacin de EOI a la sociedad sobre Big Data
porque sin duda no ser la ltima.
7/26/2019 Big Intelligence
16/252
7/26/2019 Big Intelligence
17/252
Bases de Datos NoSQL
WebSemntica
LinkedData
OntologasProcesamientode Lenguaje Natural
"V"
deBigData
MtodosE
stadsticos
Machine Learning
Procesamiento Big Data
ProgramManagement
Data Science
Scraping
PRESENTACIN
7/26/2019 Big Intelligence
18/252
| 16 | Captulo 1PRESENTACIN
En las disciplinas de Direccin de Programas(en ingls Program Management) y
Direccin de Proyectos se denomina Programa al conjunto de proyectosinterrelacio-
nados que son gestionados de forma coordinada con el objetivo de obtener Beneficios
no alcanzables si se gestionan de forma individual. Estos Beneficios proporcionan unconjunto de Nuevas Capacidadesen la Organizacin en la que se implantan.
Se postula que las grandes empresas de Internet han creado un Nuevo Mercadocuyos
productos y servicios son el fundamento de un trmino paraguas que llamamos Big
Data, que le da nuevas alas a las actividades y procesos que suelen englobarse en los
conceptos de Vigilancia Estratgica e Inteligencia Competitiva. A esa fusin de Big
Data aplicado a la Vigilancia Estratgica e Inteligencia Competitiva lo hemos venido
a llamar en este libro Big Intelligence.
Vigilancia e
Inteligencia
Competitiva
Program
Management
Big
Intelligence
Big
Data+
ProjectManagementBusiness Intelligence
& Analytics
Estas cuatro ideas fuerza Big Intelligence,Nuevas Capacidades, Big DatayVigilancia e Inteligencia Competitivale dan nombre a este libro. La puesta en marcha
de Programas Big Data de Vigilancia e Inteligencia Competitiva en las Empresas e
Instituciones les proporcionarn Nuevas Capacidades que hasta muy recientemente
la tecnologa no ha hecho viable.
Tras la presentacin general, se introduce los conceptos principales relacionados con
la Vigilancia e Inteligencia Competitiva. A continuacin se presentan las tecnologas,
disciplinas y reas de conocimiento ms relevantes que se suelen englobar bajo el
trmino Big Data, proponemos la evolucin de los Sistemas de Vigilancia e Inteligen-cia Competitiva mediante Big Data y finalmente se presenta una metodologa para
el diseo del Sistema, un modelo funcional y un modelo organizativo que lo soporte.
7/26/2019 Big Intelligence
19/252
| 17 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Un Nuevo Mercado para el siglo XXI
Un Nuevo Mercado sostenible en el tiempose ha generado encabezado por las gran-
des empresas de Internet, como Google, Facebook, Amazon, Yahoo! o Twitter, y a laque han seguido con fuerza las grandes empresas intensivas en el uso de informacin
en su cadena de valor, como las de los sectores de la telecomunicacin o la banca.
Este nuevo mercado ha llegado para quedarse y para seguir evolucionando. Esta
situacin nos aporta sostenibilidad y por tanto podemos considerarla no moda ni flor
de un da sino tecnologas que han venido para permanecer y para ser incorporadas
en procesos de negocio.
Adems de las grandes empresas de Internet, las grandes corporaciones del sector
IT, como Apple, IBM, Oracle o Microsoft estn incorporando tanto nuevas empresasa travs de adquisiciones, como personal especializado en las tecnologas y reas de
conocimiento que son base de las Nuevas Capacidades de los Sistemas de Vigilancia
e Inteligencia Competitiva.
Estas nuevas capacidades las proporcionan toda una serie de tecnologas, disciplinas
y reas de conocimiento que se agrupan bajo el trmino paraguas Big Data y que
trataremos en este libro, entre ellas lasontologas, el machine learning, la inteligen-
cia artificial, el procesamiento de lenguaje natural, el procesamiento distribuido o
la estadstica. De hecho varias empresas ya tienen disponibles diversas herramientas
con las que pueden implementarse no ya slo las nuevas capacidades que planteamos
sino entornos completos con los que construir un Sistema de Vigilancia Avanzado.
Los Sistemas de Vigilancia e Inteligencia Competitiva
Big Data est caracterizado por tecnologas y paradigmas renovados que explotan
grandes repositorios de informacin y aprovechan la evolucin del hardware y elsoftware. Ms que una evolucin, sealan la viabilidad de realizar transformaciones
significativas en los Sistemas de Vigilancia Estratgica e Inteligencia Competitiva.
Resulta plausible por tanto, ya que empieza a ser plenamente viable, que se incorpore
la funcin de Vigilancia Estratgica e Inteligencia Competitiva dentro de los sistemas
de informacin de las empresas, bien como una aplicacin IT como las actuales, bien
incorporando funciones de vigilancia a las grandes aplicaciones IT, los ERPs, los CRMs
o los SCMs. El recorrido que tiene este mercado es muy importante.
7/26/2019 Big Intelligence
20/252
| 18 | Captulo 1PRESENTACIN
Toda la cadena de actividades que ejecutan los Sistemasde Vigilancia Estratgica e
Inteligencia Competitivaqueda fuertemente afectada por estos cambios: la bsqueda
activa, monitorizacin, recogida, clasificacin, anlisis, deteccin, descubrimiento,
interpretacin, proyeccin, prospeccin, prediccin, gestin de conocimiento, con-sulta, recuperacin, difusin y distribucin.Consecuentemente se modifican al alza
las expectativas, los objetivos y las funciones que ahora cumplen los Sistemas de
Vigilancia Estratgica e Inteligencia Competitiva.
ILUSTRACIN 1
Cadena de Actividades de la Vigilancia e Inteligencia Competitiva
Bsqueda activa,monitorizacin,
recogida
Clasificacin,gestin de
conocimiento
Anlisis,deteccin,
descubrimiento,interpretacin,
proyeccin,prospeccin,
prediccin
Consulta,recuperacin
Difusin ydistribucin
Es posible, y esta posibilidad se ha convertido en una necesidad competitiva, expandir
el conocimiento en la cadena de valor de empresas e instituciones pblicas incorporan-
do informacin de vigilancia, conocimiento e inteligencia competitiva sobre entidades
de negocio clave: tecnologas, productos, procesos, servicios, proveedores, compe-tidores, clientes, empresas, mercados, sectores, reas de conocimiento, instituciones,
empleados, stakeholders, financiacin, investigacin y formacin.
Cada vez ms empresas e instituciones comprenden que deben evolucionar para
poder competir mejor en un entorno cada vez ms globalizado, competitivo y cam-
biante. Para ello sofistican sus cadenas de valor, introduciendo en la misma la ges-
tin de la innovaciny explicitando la gestin estratgica de sus organizaciones. La
misma adopcin exitosa por parte de su competencia de estas mejoras, para las que
son clave los procesos de vigilancia e inteligencia competitiva, son acicate para queotras inicien su implantacin. Identificar sectores, tecnologas, productos y servicios
emergentes, determinar su impacto econmico y cmo afecta a la competitividad de
7/26/2019 Big Intelligence
21/252
| 19 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
nuestras organizaciones; determinar oportunidades susceptibles de ser viables para
una estrategia determinada; proporcionar a tiempo informacin relevante junto con
su valor estratgico que permita reducir los riesgos y anticiparse a los cambios en
los procesos de toma de decisiones; disear polticas vinculadas a la sostenibilidadeconmica en el medio y largo plazo. Todo esto ahora ya es clave para la direccin
de las empresas y las instituciones.
Big Data y los fundamentos del Cambio
Una de las herencias ms importantes que el siglo XX le dej al siglo XXI fue el acce-
so a la informacin. En los aos 90 los Peta y Zetta rememoraban nicamente una
inolvidable golosina. Hoy hemos pasado a ver de cerca estos conceptos y a hablar
con naturalidad de Terabytes, Petabytes, Exabytes,y Zettabytes.
Se calcula que la informacin que est disponible hoy a travs de la web es de unos
10 Zettabytes (ms de 1 billn de gigabytes). Este es el primer fundamento del cambio
que estamos viviendo.Esta estimacin se multiplica por 500 si tenemos en cuenta la
Internet profunda (en ingls Deep Web), es decir la informacin no accesible direc-
tamente por buscadores. Textos, sonidos y vdeos de los grandes medios de comu-
nicacin, bases de datos abiertas, enormes recursos como Google o la Wikipedia, laspginas web de las empresas, pginas web personales y las grandes Redes Sociales
son parte de ese enorme conglomerado de informacin.
1 ZETTA
byte~ 1 Billn
de GB1 EXA byte
~ 1000Millones GB1 PETA byte
~ 1 Millones GB
1 TERA byte 1024 GB
Giga byte GB, Gigas
1024Megabytes
7/26/2019 Big Intelligence
22/252
| 20 | Captulo 1PRESENTACIN
La capacidad de cmputo del hardware y el software crece exponencialmente.Hoy en
da tenemos en nuestro bolsillo, concretamente en nuestros modernos telfonos mviles,
ms capacidad de cmputo que los ordenadores de la NASA que llevaron al hombre a
la luna. Los ordenadores personales de los que disponamos a finales de los aos 90 sonhoy tristes antiguallas, apenas tiles ms que en exposiciones de juegos retro.
El siglo XXI nos ha trado nuevas tcnicas y las nuevas capacidades del hardware y
del software que nos hacen posible usar ahora viejos paradigmas informticos de
altas capacidadesque hasta hace pocos aos eran computacionalmente inviables.
Estas nuevas tecnologas pueden habilitar Nuevas Capacidades para las organiza-
cionesfundamentadas en el trmino paraguas Big Data, materializadas en servicios,
funciones u operaciones nuevas o muy mejoradas. La implementacin de estas nuevascapacidades pueden conseguir como resultado importantes beneficios.
MachineLearning
BIG DATAProcesamientoLenguaje Natural
ProgramacinFuncional
MapReduce
Sistemas de FicherosDistribuidos
BusinessIntelligence
Scraping, ELT
InteligenciaArtifical
DataVisualization
Base DatosNoSQL
Virtualizacin
DataScience
Estadstica Investigacin
Operativa Ontologas
ClusteringDistribuciones
Hadoop
WebSemntica
Hardware Commodity Cloud Computing
Viejas promesas de la inteligencia artificialcomo el Machine Learningo el Procesa-
miento de Lenguaje Natural(PLN) son hoy drivers de desarrollo de soluciones nuevas,
asequibles y potentes para problemas cuya solucin hasta ahora o bien ha requerido
enormes recursos o bien han sido muy pobres. Tambin paradigmas, como el de la
programacin funcional,que sus exigentes necesidades de cmputo relegaban a loslaboratorios universitarios y a entornos restringidos o las Bases de Datos VLDB(del
ingls Very Large DataBases), son hoy parte constituyente de esta revolucin tan
7/26/2019 Big Intelligence
23/252
| 21 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
importante que llamamos Big Data. El ejemplo ms claro de ello es el de las funciones
Map y-Reduce, combinadas en el modelo de programacin funcional MapReduce
y popularizadas por su implementacin en el proyecto Apache Hadoop, posiblemente
el proyecto que ha hecho viable la adopcin masiva del Big Data.
Big Data como paradigma tambin nos ha aportado Sistemas de Archivos Distribuidos
y escalables y nuevos sistemas de gestin de bases de datospreparados para dar
respuesta a la necesidad de manejar grandes volmenes de informacin de forma
distribuida. Ejemplos hoy de rabiosa actualidad son las Bases de Datos NoSQL, entre
las que destacan las Orientadas a Columnas, las de Clave-Valor, las orientadas a la
Gestin de Documentos, Objetos o Grafos.
Un enfoque emergente para el tratamiento de los textos desestructurados de las
pginas web es leerlas mediante aplicaciones software deduciendo de este proceso
su contenido, su estructura y su semntica. Para ello, adems de la tcnica de Scra-
ping, usamos un campo de la inteligencia artificial que llamamos Procesamiento de
Lenguaje Natural, para el que se usa tanto el acrnimo en ingls (NLP, Natural Lan-
guage Processing)como en espaol (PLN). Sus objetivos son tanto comprender el
lenguaje humano como generar respuestas en lenguaje humano coherentes con un
contexto dado, como pueda ser una pregunta. Actualmente el uso de PLN es relati-
vamente primitivo. Un ejemplo de ello es el uso que hacemos de un buscador para
hacer una bsqueda, para lo cual introducimos nada ms que palabras clave con lasque tenemos la esperanza de que en la lista de respuestas que nos genere el buscador
encontraremos alguna referencia que nos ayude a dar respuesta a nuestras preguntas
y necesidades reales. En ningn caso escribimos una pregunta en la caja del buscador
ni esperamos que el buscador extraiga de varios documentos un resumen estructurado
conteniendo las respuestas ms relevantes a la pregunta hecha.
Durante muchos aos a PLN le han faltado tanto las necesidades de mercado como un
conjunto suficiente de textos con los que trabajar. La explosin de Internet ha ejercido
de catlisis que ha habilitado este mercado. Los anlisis de sentimiento o de opininen Redes Sociales son buenos ejemplos de aplicaciones, muy populares hoy en da en
las que PLN est proporcionando las mejores soluciones. Estamos todava muy lejos de
hacer una comprensin profunda de un texto complejo y por tanto de poder disponer
de un software inteligente capaz de realizar pensamientos complejos. Sin embargo
el recorrido que veremos en el medio y largo plazo en PLN promete ser muy amplio.
Los otros enfoques emergentes son los del Aprendizaje Automtico, popularmente
conocido por su denominacin en ingls, Machine Learning, y los Mtodos Probabi-
lsticos y Estadsticos. Estos dos enfoques, aplicados tanto a textos desestructuradoscomo a datos masivos, proporcionan resultados novedosos aplicados a los procesos
analticos, prospectivos y predictivos.
7/26/2019 Big Intelligence
24/252
| 22 | Captulo 1PRESENTACIN
En Machine Learningutilizamos conjuntos de informacin y un algoritmo para entrenar
a una aplicacin. Una vez entrenada, cada vez que necesitemos analizar una nueva
informacin dicha aplicacin clasificar la nueva informacin a partir del entrenamiento
recibido.
En el algoritmo de entrenamiento podemos estar utilizando tanto los mtodos probabi-
lsticos y estadsticos mencionados anteriormente como otras tcnicas de inteligencia
artificial como redes neuronales, rboles de decisin, etc.
Los mtodos probabilsticos y estadsticosnos van a ofrecer un modelo de referencia
para un conjunto de datos, gracias al cual podamos clasificar una nueva informacin
ofreciendo una prediccina partir de dicho modelo. Estos modelos se aplican tanto a
datos numricos como a conjuntos de palabras dentro de documentos. Son aplicadosactualmente, por ejemplo, por los grandes buscadores de Internet para determinar
qu documentos son ms relevantes para una bsqueda dada.
Para agrupar todo este conocimiento que se est concentrando en torno al trmino
de Big Data ha emergido el concepto de Data Science.
Las implementaciones Big Data seran imposibles sin las nuevas capacidades de los
ordenadores actuales, que han evolucionado enormemente tanto en el hardware como
en el software. La reduccin del coste de hardware ha sido enorme en estos ltimosaos, llegando a convertir en hardware commodity7a sistemas cuyo coste a final de
siglo pasado era superior al milln de euros. Adems de la capacidad de procesamiento,
el Almacenamientoes el otro punto en el que el hardware ha evolucionado: el coste
de un dispositivo de 1Gb de capacidad ha disminuido de 300.000 en 1980, a unos
10 en el ao 2000 y a apenas unos cntimos en la actualidad.
En cuanto al softwarelas claves estn en la evolucin y mejora de los sistemas ope-
rativos y en la Virtualizacin, encarnada en las Mquinas Virtuales, un software capaz
de emular a una computadora, pudiendo ejecutarse en un mismo ordenador varias
mquinas virtuales.
Ambas evoluciones, de hardware y software, han habilitado una Paralelizacinpoten-
te y fiable, haciendo posible poner a funcionar en paralelo cientos o miles de estos
ordenadores que, aplicando el viejo lema de Julio Csar divide et vinces,divide
y vencers, separan los problemas en multitud de pequeos problemas fciles de
solucionar y luego integran todas esas pequeas soluciones en la solucin final del
7 Hardware Commodity: http://www.webopedia.com/TERM/C/commodity_hardware.html
7/26/2019 Big Intelligence
25/252
| 23 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
problema planteado, todo ello realizado en un intervalo de tiempo pequeo. A este
tipo de sistemas lo llamamos Sistemas Distribuidos.
Gracias a todo esto se ha habilitado la posibilidad de que en grandes centros dedatos se implementen todas estas nuevas capacidades de cmputo y se le ofrezcan
nuevos servicios al mercado. A este otro paradigma lo llamamos Cloud Computing,
computacin remota, en definitiva.
Por ltimo hay que citar el concepto de Software Libre. El uso intensivo de proyectos
de software libre, entre los que destaca el Apache Hadoop, ha hecho posible esta
revolucin. Las grandes empresas de internet han promovido y hecho uso masivo de
software libre principalmente por su capacidad de adaptacin rpida a sus nuevas
necesidades, pero tambin hay que mencionar que el reducido o inexistente coste delicencias del mismo ha posibilitado la viabilidad econmica de estas empresas.
La WEB Semntica
Internet, y la evolucin de la World Wide Web son dos de las ideas que dan sentido
a este libro. Como todo sistema emergente, la web actual est adaptada a las necesi-
dades y oportunidades que la hicieron nacer. Sin embargo nuevas necesidades estnemergiendo, cada vez con ms fuerza. La siguiente evolucin que viene es lo que
llamamos Web 3.0, o ms conocida como Web Semntica.
WEB
Semntica
3.0Linked Data =Datos Enlazados
Conocimiento
Base Datosorientada a Grafos
Fuentes de Datos
Taxonomias
Metadatos
Ontologas
RDF
OWLOpen Data
SKOS
URls
7/26/2019 Big Intelligence
26/252
| 24 | Captulo 1PRESENTACIN
Solemos reunir bajo el concepto deWeb Semntica la idea de aadir el conocimiento
a las pginas webmediante metadatos semnticos y ontolgicos. Las aplicaciones
actuales, y por ende los sistemas dedicados a tal fin, tienen cada vez ms funciones
de Vigilancia y requieren capacidades ms sofisticadas que permitan extraer informa-cin y conocimiento, no slo datos, de las pginas web. En la nueva Web una nueva
aplicacin software debe poder conectarse a nuestra pgina web y extraer de forma
automatizada informacin que ahora mismo nicamente es leda de forma totalmente
fiable por personas.
Las Ontologasson los mecanismos que
nos van a proporcionar fiabilidad en cuan-
to a la semntica de lo expresado, lo que
queremos comunicar. Las ontologas sondescripciones de conocimiento, esque-
mas conceptuales en dominios de infor-
macin concretos. Estos esquemas nos
van a permitir clasificar el conocimiento
y razonar sobre l de forma automatiza-
da. A la hora de publicar la informacin
en internet vamos a hacer uso de estas
ontologas para asegurarnos de que esta-
mos expresando la informacin de forma unvoca y que va a ser reconocida univer-salmente como tal. Para ello usaremos los lenguajes de ontologasde los que RDF
(Resource Description Framework), RDFS (RDF Schema) o OWL (Web Ontology
Language) son buenos y relevantes ejemplos.
Actualmente existen numerosas ontologas pblicasque se han convertido en estn-
dares de facto en diversos dominios y son aceptadas como tal por empresas, ins-
tituciones y personas. Dos ejemplos seran FOAF8(del ingls Friend of a Friend,
acrnimo foaf:), que describe actividades y relaciones entre personas y objetos, as
como a las personas en s. Otros ejemplos podran ser GoodRelations9, (acrnimo gr)
orientado a la descripcin de productos y servicios de una empresa, y Open Graph10
(acrnimo og:), pensado para facilitar que una pgina web tenga propiedades de
redes sociales. Utilizando estos estndares nos aseguraremos de estar usando una
semntica comn globalmente aceptada. La manera ms adecuada de responder a
nuestras necesidades, en caso de superar la semntica contenida en estas ontologas
pblicas, ser extender la ontologa.
8 FOAF: http://xmlns.com/foaf/spec/9 Good Relations: http://www.heppnetz.de/projects/goodrelations/
10 Open Graph http://ogp.me/
7/26/2019 Big Intelligence
27/252
| 25 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Los lenguajes de ontologas presentan tripletas (sujeto, predicado, objeto). Por ejemplo
que el telfono de contacto (ficticio) de una persona de nombre Jaime Garca es el
913495600 se representara como (Jaime Garca, foaf:phone, 913495600)o que
el ttulo del libro con ISBN 978-84-95598-65-3 es las Aventuras de Don Quijote de laMancha se podra representar como (978-84-95598-65-3, og:title, Las Aventuras
de Don Quijote de la Mancha).
Otro pilar relevante de esta nueva Web
son los Linked Data, trmino acuado por
Tim Berners-Lee, que suele traducirse
como Datos Enlazados, un mtodo de
publicacin de datos estructurados que
permite que sean enlazados y accesiblesde forma sencilla tanto para personas
como automticamente por programas
software. Por ejemplo la Biblioteca Nacio-
nal de Espaadispone de su portal de
Linked Dataen http://datos.bne.es/con
informacin enlazada de Autores, Obras
y Temas.
Linked Data se basa en el concepto deURI (Uniform Resource Identificator),
similar al bien conocido de URL (Uniform Resource Locator). Un URI identifica un
recurso en Internet mediante una direccin http. Existen ya multitud de URIs accesi-
bles: por ejemplo la popular BBC de Londres dispone de multitud de ontologas con
URIs para los conceptos que gestiona. Por ejemplo en la Ontologa BBC Sport11para
el concepto Competition, presenta la URI http://www.bbc.co.uk/ontologies/sport/
Competitiony la descripcin A competitive sporting event that usually appears as
an occurrence of a recurring competition, for example the recurring English Football
Premier League has a seasonal competition occurrence during 2012/13.
La otra dinmica interesante es la de Open Data. En los ltimos aos se ha promovido
la idea de poner datos relevantes a disposicin de forma accesible y reutilizable en
internet. Instituciones pblicas y privadas han abierto sus repositorios por lo que se
han multiplicado el nmero de Fuentes de Datosdisponibles y por ende la capaci-
dad de ofrecer mejores respuestas a necesidades y casos de uso de los Sistemas de
Vigilancia. En unos casos son meros ficheros publicados en bruto; en otros casos nos
11 BBC Sport: http://www.bbc.co.uk/ontologies/sport
7/26/2019 Big Intelligence
28/252
| 26 | Captulo 1PRESENTACIN
encontramos en el lmite con datos publicados con URIs en RDF e integrados con
ontologas pblicas y enlazando datos de terceros.
Esta multiplicacin de las Fuentes de Informacin trae asociado otro elemento cla-ve: las Taxonomasque clasifican los datos. Tener la misma taxonoma clasificando
diferentes fuentes permite asociar los datos entre dichas fuentes, lo cual puede ser
de gran utilidad. Sin embargo la explosin del nmero de fuentes a explorar en un
Sistema de Vigilancia puede conllevar tambin la necesidad de integrar un nmero
creciente de taxonomas, dejando adems sin resolver otro de los grandes problemas
existentes: la diferente granularidad en la clasificacin en diferentes taxonomas o la
diferente granularidad existente en la taxonoma frente a la necesidad de vigilancia.
7/26/2019 Big Intelligence
29/252
Bases de Datos NoSQL
WebSemntica
LinkedData
OntologasProcesamientode Lenguaje Natural
"V"
deBigData
MtodosE
stadsticos
Machine Learning
Procesamiento Big Data
ProgramManagement
Data Science
Scraping
VIGILANCIA ESTRATGICAE INTELIGENCIA COMPETITIVA
7/26/2019 Big Intelligence
30/252
| 28 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Presentamos en este captulo el marco conceptual en torno a la Vigilancia Estratgica
y la Inteligencia Competitiva, sus objetivos, procesos y la normativa que recoge las
mejores prcticas para su puesta en marcha y gestin.
1. Vigilancia Estratgica, Inteligencia Competitiva y Gestindel conocimiento en el siglo XX12
1.1. Antecedentes
La construccin de un modelo del mundo que permita tomar decisiones y anticiparse
al entorno forma parte del proceso del conocer y entronca con la evolucin misma
del sistema nervioso.
Muchas teoras sostienen que efectivamente, el sistema nervioso surge evolutivamente
como una solucin biolgica al problema de la relacin con el mundo, comenzando
con la optimizacin de las reacciones al medio (movimiento) a partir de la informacin
captada por los sentidos. As surgi el sistema nervioso primitivo.
Conocimiento
Datos
Informacin
A medida que este sistema evoluciona-ba y se volva ms complejo, comenza-
ron a emerger nuevas propiedades de
esa complejidad y el sistema nervioso
fue poco a poco evolucionando hasta
convertirse en un verdadero cerebro. A
su vez, este cerebro fue tambin incre-
mentando su nivel de complejidad, dan-
do lugar a la aparicin de la capacidad
para el razonamiento simblico y elpensamiento abstracto, dos aspectos
fundamentales de la capacidad de crea-
cin de modelos del mundo.
Se suele explicar el proceso del conocimiento mediante una pirmide que tiene en su
base lo que llamamos datos y que termina en la cspide en lo que llamamos conoci-
miento o, yendo un paso ms all, lo que otros autores denominan sabidura, que
estara un nivel por encima del conocimiento.
12 Texto original de Juan Jimnez Morillas.
7/26/2019 Big Intelligence
31/252
| 29 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Los datosrepresentan valores asignables a caractersticas propias de los objetos o de
la realidad. En s mismo no tienen ninguna utilidad, por eso algunos autores (Zeleny13)
dicen de ellos que son ignorantes, y no son ms que medidas, el producto de una
observacin, y que no tienen ningn valor si no se vinculan con un contexto que permitainterpretarlos. Un ejemplo podra ser una medida de temperatura: 24 C.
La informacincontiene en s misma un cierto grado de significado, incluso de pro-
psito. Es importante sealar (de ah la imagen de la pirmide para describir el pro-
ceso), que la informacin se desprende de los datos, y que son elementos externos
a los propios datos (el contexto) lo que permite dotarles de un significado y que se
conviertan, individualmente o por agregacin, en informacin. En nuestro ejemplo, si
decimos que los 24 C representan la temperatura de la habitacin en la que estamos,
ya tenemos informacin. Mientras que los datos son objetivos, la informacin repre-senta un estado cognitivo.
Progresando ms hacia la cspide de la pirmide, cuando la informacin se proce-
sa y se organiza de determinada manera, que no es unvoca, llega a constituirse
en conocimiento, una de cuyas caractersticas es representar un estado totalmente
subjetivo. Podra decirse que los datos estn en el mundo mientras que el conoci-
miento est en los cerebros. El conocimiento tiene en cuenta no slo el contexto,
sino la experiencia e incluso los valores de su propietario, ya que emerge a partir de
una interiorizacin de los datos y una asignacin subjetiva de valor de la informacinpuesta en relacin con otra informacin. En nuestro ejemplo, los 24C tendrn un
valor muy diferente si la habitacin es un dormitorio o si la habitacin es una cmara
frigorfica. La experiencia nos puede indicar la existencia de un problema serio en el
segundo caso, e incluso nos vendrn a la mente casi de inmediato las posibles causas
y acciones paliativas a tomar.
Cuando el peso de lo subjetivo es mximo, as como la aplicacin de las funciones
de la actividad mental que llamamos juicio, ya estamos hablando de lo que hemos
mencionado anteriormente que algunos denominan sabidura. A los efectos de gestin
del conocimiento que nos interesan aqu, nos quedaremos con los tres niveles que
aparecen en la pirmide. El nivel de sofisticacin que ms nos interesa estriba en la
capacidad predictiva basada en cierto modelo del mundo. El conocimiento entronca
ese nivel superior de sofisticacin (la sabidura)con otro tipo de cuestiones, como las
relacionadas con los valores humanos, las estrategias y las motivaciones, elementos
cuyo anlisis queda fuera del alcance de esta obra y que en todo caso se relacionan
con la motivacin y el diseo estratgico de los sistemas de vigilancia.
13 Milan Zeleny es profesor de de sistemas de gestin en la Universidad de Fordham y autor de Sistemas
de apoyo a la gestin: hacia un sistema integrado de gestin del conocimiento.
7/26/2019 Big Intelligence
32/252
| 30 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
1.2. La Vigilancia tecnolgica como actividad clave para la innovacin
Enmarcando la actividad de la vigilancia en el contexto que acabamos de describir,
la Vigilancia sera un proceso proactivo de captura de datos y contextualizacin quepermita la generacin de conocimiento. El producto resultante del proceso permite
por tanto a un agente humano con criterio integrar la informacin y adquirir conoci-
miento. As, estrictamente, la vigilancia no produce conocimiento ella misma: detecta
cambios en el entorno y los contextualiza, pero la tarea de dotar de valor a esos datos
depende de un agente externo al proceso de vigilancia colocado al final de la cadena.
Esto requiere de una persona con capacidad para aportar ese valor aadido que salva
la frontera entre el conocimiento y la informacin.
Para nombrar ese rol ha emergido el concepto de Curador de Contenidos (traduccinliteral del ingls content curator) que tiene sus races en actividades habitualmente
realizadas por documentalistas y bibliotecarios. Su papel resulta clave para que el
producto final sea verdadero conocimiento.
En este punto, cabe hacer una distincin entre el proceso de vigilancia, como entidad
propia y autnoma, y la vigilancia tecnolgica como un todo. El proceso de vigilancia
describe la captacin de datos, su conversin en informacin y su transmisin hasta el
intrprete. El intrprete es el que vigila. Dado que el producto tpico de la vigilancia
tecnolgica es algn tipo de informe, que contiene la interpretacin de la informacin,
puede producirse confusin entre el proceso de vigilar y la vigilancia tecnolgica
propiamente dicha. En este sentido, el proceso de vigilar termina en la informacin
y la vigilancia tecnolgica, como actividad, termina en el conocimiento y su difusin.
Para simplificar, cuando se habla de vigilancia se suele hablar del proceso completo,
como veremos ms adelante.
Como veremos, el proceso de Vigilancia Tecnolgica tiene mucho en comn con el
proceso de adquisicin de conocimiento desde los datos que se ha ilustrado en la
figura de la pirmide. Pero antes, estara bien poner en valor el proceso de relevancia
relacionndolo con una actividad clave: la innovacin.
1.2.1. Algunas reflexiones sobre la innovacin
Se dice con frecuencia que la innovacin no es ms que hacer las cosas de una manera
diferente. Esta definicin es desde luego tan amplia que admite casi cualquier tipo de
actividad, desde disear un material con propiedades nuevas que poder aprovechar,
hasta volver a casa dando un paseo en lugar de utilizando el autobs por un meroimpulso. En este sentido, conviene restringir un poco el concepto e introducir al menos
unas pinceladas de algo ms que podemos conceptualizar como intencin, lo que
7/26/2019 Big Intelligence
33/252
| 31 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
nos permite acotar la innovacin como una actividad ms especfica sin dejar por ello
de tener una definicin amplia. Se hacen las cosas de manera diferente con el fin de
mejorar. El fin ltimo es la obtencin consciente (o la maximizacin) de un beneficio,
entendido en sentido amplio (mejorar la salud, en el caso de haber elegido el paseopara volver a casa como excusa para hacer ejercicio).
La innovacin es, por lo tanto, un cambio motivado.Si nos centramos en el nivel de
las organizaciones, esta innovacin puede referirse tanto a los procesos como a los
productos y servicios que ofrecen. Al mismo tiempo, se habla de innovacin incre-
mental, que es la ms comn, y que se basa en la incorporacin de pequeas mejo-
ras dentro de un modelo existente, y de innovacin rupturista, que es aquella cuyas
consecuencias son, en principio impredecibles, y que cambian el comportamiento de
la demanda y de los productores, los modos de vida, los hbitos de consumo, y danlugar a modelos nuevos.
Cabe decir que dentro de una organizacin, la capacidad de innovacin se relaciona
estrechamente con la cultura de gestin de la misma, con sus valores y con la capacidad
de asumir riesgos. Parece razonable pensar que la innovacin tiene ms xito (como
proceso especfico) all donde se dan las condiciones favorables para su desarrollo.
Culturas con exceso de control, falta de libertad o donde el coste de asumir riesgos
sea demasiado elevado lo que tienden a fomentan es, precisamente, que las cosas se
hagan siempre de la misma manera.
Innovacin sistematizada: los sistemas nacionales (no slo)
El Sistema Nacional de Innovacin es la red de instituciones del sector pblico y el
sector privado cuyas actividades e interacciones contribuyen a lanzar, a importar, a
modificar y a difundir nuevas tecnologas. (Freeman, 1987)14
Si nos elevamos en la jerarqua de las organizaciones hasta el nivel de los estadoso entidades nacionales, estas condiciones internas de las que acabamos de hablar
tienen su reflejo en distintos elementos que de manera formal o informal constituyen
el sistema nacional de innovacin, entendiendo que nos estamos refiriendo ya en
concreto a la capacidad y la actividad productora de conocimiento que pueda servir
como base para innovar.
Si definimos tecnologa como la aplicacin del conocimiento cientfico a la resolucin
de problemas prcticos, entenderemos que la tecnologa es uno de los elementos
de la innovacin. Dentro del sistema, se puede acceder a la tecnologa por distintos
14 Christopher Freeman fue un economista britnico, terico de los ciclos econmicos.
7/26/2019 Big Intelligence
34/252
| 32 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
caminos: Desarrollo, Compra, Transferencia desde el sistema acadmico, Adquisicin
incorporada a equipos, Ingeniera inversa
Administracin Sistema educativo
Sistema financiero
Tejido empresarial
Sistema pblico de I+D
En este marco es donde aparece la Vigilancia Tecnolgica,como actividad cuyo fin
es identificar seales emergentes de cambio relacionadas con la tecnologa.Los
mbitos a considerar aparecen ya reflejados en el diagrama del sistema nacional de
innovacin: la actividad pblica, la actividad privada (mbito empresarial) y el mundo
acadmico. Cuando se aade a este proceso la dimensin econmica y de negocio,
se habla de Inteligencia Competitiva. El proceso tiene en cuenta los productos de
conocimiento que emanan de cada uno de estos mbitos: patentes, publicaciones y
productos y servicios en el mercado. La finalidad es conseguir ventajas competitivas
gracias al establecimiento de un proceso sistematizado de deteccin, captacin y
anlisis de la informacin para generar un conocimiento apto para la toma de deci-
siones.
1.3. Sistemas de Vigilancia Estratgica e Innovacin Competitiva
Hemos dicho que una de las caractersticas fundamentales de la Vigilancia es que se
trata de un proceso sistematizado, que por lo tanto consta de una serie de etapas que
cierran un ciclo, en el que el conocimiento generado sirve a su vez para interpretar la
informacin en las iteraciones posteriores. Por lo tanto, no slo es un proceso siste-
matizado, sino tambin continuo.
1.3.1. Objetivos de los usos de la Vigilancia
Vamos a sealar seis objetivos que engloban la mayor parte de los usos de la Vigilan-
cia, sin nimo de limitar el alcance, sino con la intencin de ilustrar sus posibilidades
7/26/2019 Big Intelligence
35/252
| 33 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
y destacar los que consideramos ms importantes. La Vigilancia es un instrumento,
y est por lo tanto al servicio de una estrategia o de un fin ms alto, que puede estar
relacionado con la actividad de organizaciones empresariales o con la gobernanza
del pas; con la necesidad, en definitiva, que tienen las organizaciones de realizar unaasignacin racional de los recursos con el fin de alcanzar unas determinadas metas
consideradas estratgicas.
1. Identificar cambios en el entorno, entendiendo por el entorno sectores de activi-
dad econmica, conjuntos de tecnologas asociadas a esta actividad, productos y
servicios disponibles en el mercado y seales dbiles o emergentes de que estn
a punto de producirse cambios.
2. Estar al tanto y conocer estos cambiosno slo en nuestro entorno propio, sinotambin en el entorno prximo(otros pases y reas econmicas).
3. Reducir la incertidumbre y por lo tanto el riesgoen los procesos de toma de
decisiones, identificando dnde queremos (y podemos) posicionarnos estratgi-
camente.
4. Dilucidar caminos de evolucin del Sistema, al identificar nuevas necesidades de
clientes, usuarios y ciudadanos en general.
5. Identificar nuevas tendenciasque permitan realizar innovaciones en los procesos,
los productos, la gestin del talento y del capital humano...
6. Conocer la competencia, descubrir posibles alianzas con nuevos socios e identificar
expertos a los que poder solicitar asesoramiento.
1.3.2. mbitos
Los mbitos de la actividad ya se han esbozado en la descripcin del marco conceptual
de la Vigilancia: sectores de actividad, productos y servicios ofrecidos en el mercado,
tecnologas y avances cientficos (patentes, publicaciones) y personas (identificacin
de expertos).
7/26/2019 Big Intelligence
36/252
| 34 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
1.3.3. Etapas del proceso
Planificacinestratgica
Bsquedaactiva, captacin
ymonitorizacin
Procesadode la
informacin
Clasificacin,gestin de
la informacin
Difusin
Retroali-mentacin
Planificacin estratgica
Sin duda la piedra de toque del procedimiento es determinar qu se quiere vigilary para qu, porque esto condicionar el resto del proceso: asignacin de recursos,
fuentes de informacin, procesado de la misma, etc.
Una definicin insuficiente de los fines en esta etapa suele producir problemas en
etapas posteriores.
El producto de esta etapa se concreta en una serie de factores crticos de vigilancia,
que son los elementos que se considera clave tener controlados y que est relacionados
con los mbitos ya sealados: patentes, productos y servicios, personas, empresas deun sector, otros agentes, etc.
Una vez identificados los factores crticos de vigilancia, es necesario parametrizarlos:
recordemos que el proceso del conocimiento se apoya en los datos, y los datos son
el fruto de medidas. Estos parmetros debe ser medibles, y su evolucin en el tiempo
es tambin un importante elemento de anlisis.
Ejemplos de parmetros pueden ser los siguientes:
Nmero de patentes anuales realizadas en un determinado campo.
7/26/2019 Big Intelligence
37/252
| 35 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Nmero de productos disponibles en el mercado que solucionan determinada nece-
sidad.
Nmero de publicaciones acadmicas relacionadas con cierta tecnologa.
Nmero de eventos (ferias, congresos, etc.) relacionados con cierta actividad.
Existen parmetros que se construyen mediante indicadores, que agregan otros datos
para dar valores agregados tales como:
Grado de madurez de una tecnologa.
Posicin competitiva del pas.
Grado de aceptacin de la poblacin de determinada tecnologa.
Existe un tercer tipo de informacin a captar, desestructurada, constituido por even-
tos y noticias relacionados con los mbitos de vigilancia, que aportan a los expertos
elementos de juicio adicionales o que son del inters de los usuarios del sistema.
Los factores crticos de vigilancia se suelen concretar en una serie de trminos o pala-
bras clave sobre las que se realiza la captacin de informacin.
En esta etapa deben determinarse tambin los productos de informacin que se vana extraer del sistema, generalmente, informes de algn tipo. Se deben disear los
productos atendiendo tanto a su contenido como a su difusin.
Bsqueda activa: captacin y monitorizacin
En esta etapa es preciso identificar y clasificar las fuentes de informacin que se van
a emplear para alimentar el sistema. La clasificacin se realiza atendiendo a atributos
tales como su fiabilidad, la frecuencia de su actualizacin, su accesibilidad, su com-pletitud, etc.
Dichos atributos condicionan su captacin y posterior procesado, as como la capaci-
dad de mantener la informacin actualizada y detectar los cambios (monitorizacin).
Una vez implementado el sistema de Vigilancia Tecnolgica, la bsqueda activa es
la tarea ms comn y sostenida en el tiempo, ya que, a menos de que se redefinan
los objetivos o se designen nuevos factores crticos de vigilancia o palabras clave, la
actividad base es la captacin de datos.
7/26/2019 Big Intelligence
38/252
| 36 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Clasificacin, gestin de la informacin
Una vez establecidos los mecanismos para la captacin de informacin desde las
distintas fuentes, se hace necesario tratar la informacin obtenida. El primer paso esclasificarla, relacionndola con los distintos aspectos que se han seleccionado como
ms relevantes y con los factores crticos de vigilancia de manera que quede correc-
tamente identificada.
En el caso de fuentes estructuradas, obtendremos una serie de conjuntos de datos
que se van alimentando con cada iteracin del sistema, por ejemplo el nmero de
patentes en un determinado campo.
En el caso de fuentes no estructuradas, se clasifican por familias, que debern serrevisadas por el curador de contenidosde manera individual (el ejemplo claro son las
noticias tecnolgicas: no son almacenes de datos, se clasifican por temas y deben ser
ledas por el curador para asignarles un valor, basado en su experiencia y conocimiento
previo; otro podran ser los objetos de las patentes, que ofrecen conocimiento sobre
lo que la tcnica va haciendo posible y que sern ms o menos relevantes en base al
conocimiento del curador).
En este punto es interesante resear que un recurso muy enriquecedor si se consigue
incorporar al sistema, aunque no siempre est disponible, es la figura del experto. As,tener identificado un listado de expertos en los diferentes mbitos de inters y man-
tener abierto con ellos un canal de comunicacin puede enriquecer enormemente la
calidad de los productos de vigilancia obtenidos gracias al sistema, pues su criterio
est altamente cualificado y siempre aporta valor a la informacin. En esta etapa del
proceso, su funcin sera valorar la relevancia de una informacin, en la etapa de pro-
cesado, ayudara a darle sentido.
Procesado de la informacin
En esta etapa se trabaja sobre la informacin captada. Corresponde a la cspide
del conocimiento en la figura de la pirmide que hemos empleado como imagen
del proceso del conocer. En esta etapa se pone en relacin la informacin con el
conocimiento previo del contexto, y con informacin de otras categoras, se analizan
los datos, se buscan seales dbiles, cambios de tendencia... En esta fase es cuan-
do la inclusin de una red de expertos en el sistema es capaz de aportar ms valor
aadido. El resultado de esta etapa se concreta en los productos de informacin
previamente definidos en la fase de planificacin, que deben integrar la informacinrelevante identificada y el valor aadido que puedan aportar los agentes humanos
involucrados en el sistema.
7/26/2019 Big Intelligence
39/252
| 37 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Difusin
Una vez se han generado los productos de informacin, se deben poner a disposicin
de los consumidores finales. Dentro de una organizacin, existe un trabajo previo (que
debera ser un input en la etapa de planificacin), en el que se determina qu tiempo
de informacin precisan los diferentes consumidores, de manera que los productos
se adapten a sus necesidades concretas. En esta etapa de difusin, se ponen a dis-
posicin de esas personas o perfiles de la organizacin los productos especficos que
les corresponden. Puede estar a cargo de un agente humano, responsable de esta
distribucin, o automatizarse.
Retroalimentacin
La informacin obtenida en cada iteracin se incorpora al sistema y lo enriquece, y
acrecienta el acervo de conocimiento de los curadores, de manera que lo que es infor-
macin en la iteracin n, se utiliza en la etapa de filtrado y se incorpora a los criterios
de seleccin de informacin en la iteracin (n+1).
1.3.4. Elementos del sistema
Al explicar el procedimiento, se han puesto en evidencia los elementos fundamentales
del sistema de vigilancia. Indicaremos algunas de las herramientas que se emplean
habitualmente, pero sin profundizar en ellas.
A modo de resumen, presentamos este listado introductorio:
Recursos de informacin (fuentes):Bases de datos especializadas.
Herramientas (TIC):Buscadores, Spiders, Indexadores, Alertas, Buscadores espe-
cializados, Metabuscadores, Marketplaces, Software especfico de vigilancia tecno-
lgica, Open analytics.
Agentes humanos:Curador de contenidos, Experto, Consumidor de los productos
o usuario del sistema, Responsable de la difusin de los productos de informacin.
2. Vigilancia, Inteligencia, Conocimiento y Prospectiva
Existen un conjunto de conceptos relacionados con la Vigilanciay la Inteligencia,losprotagonistas de este libro, que se nos presentan siempre acompandolos, como
apellidos de un nombre. La Vigilancia se nos presenta como vigilancia estratgica,
7/26/2019 Big Intelligence
40/252
| 38 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
tecnolgica, comercial, competitiva, jurdica o financiera, entre otros. La Inteligen-
cia la apellidamos con los adjetivos de competitiva, de negocios, econmica o
corporativa. Para tener una foto razonablemente completa debemos acompaar a la
Vigilancia y la Inteligencia con dos conceptos adicionales: la gestin del conocimientoy la prospectiva, tambin conocida como futurologa.
Las diferencias entre unos y otros conceptos no siempre son claras. A veces inclu-
so aparecen razones de preferencia en uno u otro idioma utilizando con un sentido
general trminos que son ms restringidos. Por ejemplo en el entorno francfono se
usa mucho el de Inteligencia Econmica, aunque en puridad la Inteligencia econmica
tiene en cuenta principalmente dimensiones econmicas. Lo mismo ocurre en ingls,
con el concepto de Business Intelligencees decir Inteligencia de Negocio.
Vigilancia
Inteligencia
Conocimiento
Prospectiva
Vigilancia
Comercial
Vigilancia
EstratgicaInteligencia
de Negocio
Vigilancia
Tecnolgica
VigilanciaJurdica
Vigilancia
Financiera
Estrategia
Empresarial
Inteligencia
Corporativa
Inteligencia
Estratgica
Inteligencia
Econmica
Gestin del
Conocimiento
Prospectiva
Futurologia
Inteligencia
Competitiva
Inteligencia
Militar
Muy posiblemente nos estemos enfrentando a ese hecho tan humano de buscar una
semntica, un significado, una manera unvoca de referirnos a conceptos de tal manera
que se diferencie suficientemente de otros similares y que capte todas los fundamentos
e incluso los matices de la actividad per-se. Empezaremos por los nombres, segui-
remos a continuacin con los apellidos, intentando componer un marco en el que
quepan todos los conceptos y sus variaciones.
En general se acepta que la Vigilanciaes un concepto ms pasivo que el de Inteligencia,
mediante la que se pretende obtener la informacin ms relevante para nuestro entorno
7/26/2019 Big Intelligence
41/252
| 39 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
e intereses y suele incluir el anlisis de dicha informacin. Frente a esto, la Inteligen-
ciatrasciende las actividades que realiza la vigilancia destacando la importancia en la
presentacin de la informacin en tiempo y forma adecuada para que los directivos
puedan realizar una toma de decisiones correcta, ganndose as el atributo de ser msactiva. Adems destaca la necesidad de medir el efecto de la implantacin de un sis-
tema de Inteligencia. Es adecuado matizar, de todos modos, que la Vigilancia mantiene
un proceso de revisin y mejora continua de los elementos del sistema, por ejemplo la
vigencia de las Fuentes utilizadas, manteniendo as los objetivos de vigilancia del sistema,
aunque no pone su foco en la entrega activa de informacin oportuna a los directivos.
Nos encontraremos con varios tiposde Inteligencia. La primera, la Competitiva, inter-
preta prcticas y movimientos estratgicos o tcticos de los competidores que afecten
a la posicin competitiva de la empresa. No slo de competir vive la Inteligencia: otrarazn para implementar un sistema de Inteligencia puede ser el seguimiento de acuer-
dos o prcticas establecidas en el sector, unstatu quoexplcito o implcito. A este tipo
de Inteligencia la llamamos Cooperativa.Otras razones, cubiertas por lo que llamamos
InteligenciaNeutral, pueden ser consolidar actividades de la empresa, realizar inves-
tigaciones de marketing, realizar seguimiento de escenarios futuros sobre un sector o
confeccionar informes de amplio alcance como los que realizan asociaciones sectoriales,
think-tanks o centros de investigacin. Por ltimo, muy impulsada por la informacin
existente en redes sociales profesionales, de manera reciente ha surgido la Inteligencia
Individual,orientada a interpretar el entorno y las caractersticas de la organizacin en laque trabaja la persona e integrar ese conocimiento con su carrera profesional e intereses.
El apellido fundamental a explorar es el de Estratgica. Podemos definir la estrategia
empresarial como el conjunto de actividades de la empresa puestas en marcha con el
objetivo de asegurar la sostenibilidad de la empresa a largo plazo. Existen numerosas
escuelas estratgicas15que definen su propio enfoque y sus propias herramientas. Por
ejemplo la Escuela de Diseo populariz el anlisis DAFO, por otra parte la Escuela
estratgica del Posicionamiento y Michael Porter16popularizaron los anlisis de Cadena
de Valory5 Fuerzas. Actualmente las diferentes versiones del Business Canvas Model17
son imprescindibles en cualquier anlisis estratgico moderno.
Los componentes que aparecen en cada uno de estos anlisis nos dan pistas sobre
los sentidos de diversos apellidos que presentbamos anteriormente. El anlisis DAFO
se compone de un Anlisis Externo, en el que se incluyen las Amenazasy las Opor-
tunidadespara la organizacin y un Anlisis Interno, que incluye las Fortalezasy
Debilidadesde la organizacin. En la Cadena de Valor, se incluyen un conjunto de
15 Henry Mintzberg, Bruce Ahlstrand, Joseph Lampel (1999). Safari a la Estrategia16 Michel Porter (1980), Estrategia Competitiva
17 Alexander Osterwalder, Yves Pigneur. (2010). Business Model Generation
7/26/2019 Big Intelligence
42/252
| 40 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
actividades principales,entre las que se incluyen las actividades comerciales, de opera-
ciones o logsticas y actividades de soporte, que incluyen los sistemas de informacin,
los recursos humanos, las adquisiciones y la financiera. En el anlisis de 5 fuerzasse
destaca la Competencia en el Mercado en el que se establecen equilibrios entre losProveedores, los Clientesy nuevos Competidoresque saltan nuestras barreras de
entradaal mercado con sus Productos y Servicios y nuestra empresa se enfrenta a
sus propias barreras de salidacuando aparecen en el mercado Productos y Servicios
Sustitutivosde los que nuestra empresa presta en un momento dado.
Cada empresa mantiene una diferente relacin con el Mercado. Unas tienen un foco
100% en el cliente, se les llama empresas orientadas hacia fuera.Otras en cambio
tienen una visin hacia dentro,diseando productos y servicios a partir de su cono-
cimiento, confiando en que el mercado los aceptar.
En las empresas ms maduras estratgicamente hablando existen procesos explcitos
de planificacin, ejecucin y control estratgico. En el otro extremo, cubierto tam-
bin por otras escuelas estratgicas, tenemos empresas en las que la estrategia est
fundamentalmente en la cabeza del lder y por tanto la visin est poco formalizada.
Con estos ingredientes se nos dibujan ya varias de las situaciones que nos dan lugar
a los conceptos que presentamos en este apartado. En una empresa con un liderazgo
muy personalista es probable que no expliciten sus procesos de gestin estratgica
y consecuentemente como mucho slo llegue a hacer Vigilancia. Por otra parte ten-dremos empresas maduras estratgicamente con procesos estratgicos explicitados
en los que tendr todo el sentido el disponer de procesos de Inteligencia.
Oportunista
Cadena de Valor
Ecosistema& Interaccin
entre la Empresay el MERCADO
Estratgico
Tctico
Operativo
Inteligencia
Vigilancia
Grado Involucracin de la Direccin en los Procesos Estratgicos
Nivel deFormalizacin
Estratgica
Evaluacindel entorno
Evaluacininterna
Amenazas yOportunidades
Fortalezas yDebilidades
Competenciascaractersticas
FactoresClave de
xito
ResponsabilidadSocial
Aplicacin deEstrategia
Valores
Creacinde
Estrategia
Evaluaciny Eleccin
de Estrategia
Ejecucin
EstratgicaPlanificacin
Estratgica
Seguimiento yControl Estratgico
Rivalidad entrelos competidores
existentes
Amenaza delos nuevos
competidores
Amenaza deproductos y servicios
sutitutivos
Poder denegociacin de
los proveedores
Poder denegociacin de
los clientes
7/26/2019 Big Intelligence
43/252
| 41 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Nos encontraremos con situaciones o aplicaciones orientadas a eslabones de la cadena
de valor o en mbitos concretos, haciendo Vigilancia Comercial, Jurdica, Financiera o
Tecnolgica y en el otro extremo con organizaciones maduras que expliciten procesos
de Inteligencia Competitivapara estudiar los mercados, conocer el entorno, analizarla informacin disponible, agregar valor y tomar decisiones coherentes con el conoci-
miento adquirido para que la empresa compita de manera sostenible en los mercados.
Frente al foco de la Vigilancia y la Inteligencia en el exterior, la Gestin de Conocimiento
se enfoca ms al Interior, a los resultados del Anlisis Interno del DAFO. Parte de los
Conocimientos existentes en la empresa, tanto los explcitos de cualquier organizacin
como en mayor medida los conocimientos implcitos que se destilan del conocimiento
de los miembros de la empresa y que unas veces permean la empresa y otras son
repositorios de valor sin explotar de gran importancia.
Las empresas orientadas hacia dentro sern ms proclives a disponer de proce-
sos y aplicaciones de Gestin de Conocimiento, frente a las empresas orientadas
hacia fuera que sern mejores candidatos para poner en marcha procesos de
Inteligencia.
El ltimo concepto especialmente relevante es la Prospectiva, que en ingls denomi-
nan de forma muy ilustrativa: future studies18, estudios acerca del futuro. Dos son
las definiciones ms aceptadas:
Ejercicio colectivode anlisis y comunicacin entre expertos para identificar
las componentes probables de escenarios de futuro: las proyecciones tecno-
lgicas de los mismos, sus efectos sociales y econmicos, obstculos y fuerzas
a favor.
Y tambin es muy utilizada la de la OCDE:
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 tec-
nologas emergentes que probablemente produzcan los mayores beneficios
econmicos y sociales
El sentido de la prospectiva es por tanto el estudio del futuro a medio y sobre todo
a largo plazo. Frente a esto tanto la vigilancia como la inteligencia y la gestin del
conocimiento hacen foco en informacin del pasado, histrica por tanto, y del pre-
sente cercano.
18 Wikipedia. Future Studies. http://en.wikipedia.org/wiki/Futures_studies.
7/26/2019 Big Intelligence
44/252
| 42 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
PlanificacinEmpresarial
Posible
Probable
Esperable
El campo de la prospectiva
Estrategia
5 aosPlazo
En la prospectiva se tienen en cuenta tanto escenarios razonablemente continuis-
tas sobre la realidad actual como escenarios digamos revolucionarios en los que se
producen cambios mayores sobre cuestiones que ahora consideramos totalmente
axiomticas.
La Prospectiva permite sentar las bases para planificar acciones que influyan en el
futuro, evitando los escenarios ms negativos y promoviendo los ms positivos.
3. La norma UNE 166.006:2011 Gestin I+D+i: Sistemade Vigilancia Tecnolgica e Inteligencia Competitiva
Los comits de normalizacin
El comit AEN/CTN 166 de la Asociacin Espaola para la Normalizacin, AENOR, es
uno de los lderes actualmente a nivel mundial en la normalizacin de la Gestin del
I+D+i. Buen ejemplo de ello es la norma UNE 166.006:2011 sobre Gestin de I+D+i:
Sistema de Vigilancia Tecnolgica e Inteligencia Competitiva, traducida al ingls como
Technological Watch and Competitive Intelligence System, que presentaremos pos-
teriormente en este apartado. Esta versin 2011 sustituye a la versin 2006 y destaca
por la incorporacin a la misma del concepto de Inteligencia Competitiva, ampliando
as su mbito de actuacin a la estrategia competitiva.
Su campo de actividad est en la normalizacin de los aspectos de organizacin y defi-
nicin de las actividades de I+D+i en las empresas industriales, incluyendo la definicin
7/26/2019 Big Intelligence
45/252
| 43 |BIG INTELLIGENCE: nuevas CapacidadesBIG DATAPARA LOS SISTEMAS DE VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
y terminologas de las actividades de I+D+i, los requisitos directrices y recomenda-
ciones de los sistemas de gestin y proyectos de I+D+i., las guas de auditora de
los sistemas de gestin de la I+D+i y de los proyectos de I+D+i y la transferencia de
tecnologa.
Actualmente19mantiene como vigentes los siguientes documentos estndares sobre
Gestin de I+D+i:
Cdigo Ttulo Fecha
UNE 166000:2006 Gestin de la I+D+i: Terminologa y definiciones de lasactividades de I+D+i.
03/05/2006
UNE 166001:2006 Gestin de la I+D+i: Requisitos de un proyecto de I+D+i. 03/05/2006
UNE 166002:2014 Gestin de la I+D+i: Requisitos del Sistema de Gestinde la I+D+i. 21/05/2014
UNE 166005:2012 IN Gestin de la I+D+i: Gua de aplicacin de la NormaUNE 166002 al sector de bienes de equipo.
25/07/2012
UNE 166006:2011 Gestin de la I+D+i: Sistema de vigilancia tecnolgica einteligencia competitiva.
16/03/2011
UNE 166007:2010 IN Gestin de la I+D+i: Gua de aplicacin de la NormaUNE 166002:2006.
19/05/2010
UNE 166008:2012 Gestin de la I+D+i: Transferencia de tecnologa. 25/07/2012
UNE-CEN/TS16555-1:2013 EX Gestin de la innovacin. Parte 1: Sistema de gestin dela innovacin. 10/07/2013
Asimismo es responsable de estos otros dos documentos relacionados, del mbito
de la pyme:
Cdigo Ttulo Fecha
EA 0043:2015 Requisitos para la consideracin como Joven EmpresaInnovadora.
04/02/2015
EA 0047:2015 Requisitos para la consideracin como Pequea oMediana Empresa Innovadora.
04/02/2015
La norma UNE 166.006:2011, ha sido la referencia para los estndares publicados por
el Comit Tcnico 389 (CEN/TC 389)20del Comit Europeo para Estandarizacin
(CEN),dedicado a la Gestin de la Innovacin. Los estndares publicados por este
organismo son 6 partes de laGestin de la Innovacin:
19 http://www.aenor.es/aenor/normas/ctn/fichactn.asp?codigonorm=AEN/CTN%20166&pagina=1
20 Comit Europeo para la Normalizacin - Comit Tcnico CEN/TC 389 - Gestin de la Innovacin:
http://standards.cen.eu/dyn/www/f?p=204:7:0::::FSP_ORG_ID:671850&cs=1E977FFA493E636619BD
ED775DB4E2A76
7/26/2019 Big Intelligence
46/252
| 44 | Captulo 2VIGILANCIA ESTRATGICA E INTELIGENCIA COMPETITIVA
Sistema de Gestin de la Innovacin: la referencia para esta parte es el documento
UNE-CEN/TS 16555-1:2013 EX Gestin de la innovacin. Parte 1: Sistema de gestin
de la innovacin, del 10 de Julio del pasado ao 2013.
Gestin de la Inteligencia Estratgica.
Pensamiento Innovador (en ingls Innovation Thinking).
Gestin de la Propiedad Intelectual.
Gestin de la Colaboracin.
Gestin de la Creatividad.
Est pendiente de aprobacin una sptima parte dedicada a la Valoracin de la
Gestin de la Innov