Ficha del artículo

Tipo - Type: Research article

Título - Title

Explotación de datos en empresas PyMEs intensivas en conocimiento: un estudio aplicado a empresas de la ciudad de Tandil, Argentina

Data exploitation in knowledge-intensive SMEs: a study applied to companies in the city of Tandil, Argentina

Autoría - Creator

Resumen

El presente trabajo tiene por objetivo analizar la explotación de datos en un conjunto de empresas PyMEs intensivas en conocimiento localizadas en la ciudad de Tandil. Se definen como organizaciones intensivas en conocimiento (OIC) a aquéllas cuyo principal factor productivo es el conocimiento. Se realizó un estudio exploratorio para una muestra no probabilística de 12 empresas con las características mencionadas con la finalidad de caracterizarlas a partir del continuo Dato-Información-Conocimiento. Se identifica que todas las empresas estudiadas registran datos y, entre ellas, se distinguen tres grupos: una única empresa que posee datos pero que no genera información ni toma decisiones en función de ellos, dos empresas que poseen datos, no generan información, pero toman decisiones en función de los datos; y el grupo restante de nueve firmas que poseen datos, generan información y toman decisiones en base a ella. En este último grupo se observa que aproximadamente el 90% generan sistemas de indicadores, que todas guardan información y que un alto porcentaje lo hace mediante archivos digitales. Se identifica, también, que cerca del 90% de las empresas estudiadas comparte la información generada al resto de la organización y que dicha información es transmitida en forma parcial a todas las áreas. Además, si bien en las decisiones participan agentes externos y empleados, éstos participan en un bajo porcentaje y dichas decisiones son tomadas exclusivamente por los directivos. Una gran mayoría de las empresas estudiadas registran datos, generan información y toman decisiones en función de ella, lo cual es esperable por las características propias de las organizaciones intensivas en conocimiento. Se plantean estudios futuros en profundidad para aquéllas en las cuales no se genera información y no se toman decisiones en función de ella para poder identificar cuáles son los obstáculos que intervienen en dicho proceso.

Abstract

The objective of this study is to analyze the exploitation of data in a group of knowledge-intensive SMEs located in the city of Tandil. Knowledge-intensive organizations are defined as those whose main productive factor is knowledge. An exploratory study was carried out for a non-probabilistic sample of 12 companies with the aforementioned characteristics in order to characterize them from the Data-Information-Knowledge continuum. It is identified that all the companies studied register data and, among them, three groups can be distinguished: a single company that has data but does not generate information or makes decisions based on it, two companies that have data, do not generate information, but make decisions based on data; and the remaining group of nine firms that have data, generate information and make decisions based on it. In this last group, it is observed that approximately 90% generate indicator systems, that all of them store information and that a high percentage do so through digital files. Also, close to 90% of the companies studied share the information generated by the rest of the organization and that information is partially transmitted to all areas. In addition, although external agents and employees participate in decisions, they participate in a low percentage and the decisions are taken exclusively by managers. A large majority of the companies studied record data, generate information and make decisions based on it, which is to be expected due to the characteristics of knowledge-intensive organizations. Future studies are proposed for those in which information is not generated and decisions are not made based on it in order to identify the obstacles that intervene in that process.

Palabras Clave

organizaciones intensivas en conocimiento, PyMEs, datos ⓘ

Keyword

knowledge intensive organizations, SMEs, data ⓘ - ⓘ - ⓘ

Bibliografía - acceso a la indexación de cada trabajo en Scholar Google

Ahumada Tello, E., y Perusquia Velasco, J. M. (2016). Inteligencia de negocios: estrategia para el desarrollo de competitividad en empresas de base tecnológica. Contaduría y Administración, 61, 127-158.

Almashari, M., Zairi, M. & Alathari, A. (2002). An Empirical Study of the Impact of Knowledge Management on Organizational Performance. Journal of Computer Information Systems, 42 (5), 74-82.

Bedoya Dorado, C., García Solarte, M., & Murillo Vargas, G. (2021). Organizaciones intensivas en conocimiento (oic): características e implicaciones para la gestión. Revista Universidad & Empresa, 23(41), 1-34. https//doi.org/10.12804/ revistas.urosario.edu.co/empresa/a.8701

Bell, S. J., Whitwell, G. J. & Lukas, B. A. (2002). Schools of thought in Organizational Learning. Journal of the Academy of Marketing Science, 30(70), 70-86.

Bierly, P., Kessler, E. y Christensen, E. (2000). Organizational learning, knowledge and wisdom. Journal of Organizational Change Management, 13 (6), 595-618.

Coleman, S., Göb, R., Manco, G., Pievatolo, A., Tort-Martorell, X. y Reis, M. S. (2016). How can SMEs benefit from big data? Challenges and a path forward. Quality and Reliability Engineering International, 32 (6), 2151-2164.

Comisión Económica para América Latina. (2023). Acerca de Microempresas y Pymes.

Confederación Argentina de la Mediana Empresa (2020). Informe de gestión 2020.

Crossan, M. M., Lane, H. W. & White, R. E. (1999). An Organizational Learning framework: from intuition to institution. Academy of Management Review, 24(3), 522-537.

Davenport, T. H. y Prusak, L. (1998). Working Knowledge: How Organizations Manage What They Know. Boston, United States of America: Harvard Business School Press.

Di Rienzo J.A., Casanoves F., Balzarini M.G., Gonzalez L., Tablada M., Robledo C.W. InfoStat versión 2020. Centro de Transferencia InfoStat, FCA, Universidad Nacional de Córdoba, Argentina.

España León, O. E. (2018). Análisis de la gestión de la calidad, gestión del conocimiento e innovación en las Pymes de Guayaquil 2017. [Tesis de grado, Universidad Técnica Particular de Loja]. Repositorio Institucional.

Fayyad, U., Piatetsky-Shapiro, G. y Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37-54.

Hernández Sampieri, R., Fernández Collado, C.; Baptista, Lucio, P. (2010). Metodología de la Investigación. Quinta Edición. México DF: McGraw Hill.

Huber, G. (1991). Organizational Learning: the contributing processes and the literatures. Organization Science, 2(1), 1-147.

Lacam, J. S. (2020). Data: A collaborative? The Journal of High Technology Management Research, 31(1), 100370.

Laudon, K. y Laudon, J. (2012). Sistemas de información gerencial (12da. Ed.). México DF, México: Pearson Education.

Llave, M. R. (2019). A Review of business intelligence and analytics in small and medium-sized enterprises. International Journal of Business Intelligence Research, 10(1), 19-41.

López Sánchez, J. Á., Santos Vijande, M. L. y Trespalacios Gutiérrez, J. A. (2008). Aprendizaje organizativo en la gestión empresarial y escuelas de pensamiento: Evidencias empíricas. Cuadernos de Administración, 21 (37), 81-107.

Lu, J., Cairns, L. y Smith, L. (2020). Data science in the business environment: customer analytics case studies in SMEs. Journal of Modelling in Management, 689–713.

Maroufkhani, P., Ismail, W. K. W. & Ghobakhloo, M. (2020). Big data analytics adoption model for small and medium enterprises. Journal of Science and Technology Policy Management, 11(4), 483-513.

Medina Chicaiza, R. P., Chiquilinga Vejar L. del C. y Ortiz Barba, A. P. (2016). Aproximación sobre la inteligencia de negocios en las PYME. Dominio de las ciencias, 2 (4), 370-382.

Ministerio de Producción y Trabajo de la República Argentina (2019 a). Economía del Conocimiento. Argentina al futuro. https://biblioteca.produccion.gob.ar/document/download/545

Ministerio de Producción y Trabajo de la República Argentina (2019 b). Informe Argentina Productiva – Economía del Conocimiento.

Mohamed, M. y Weber, P. (2020). Trends of digitalization and adoption of big data & analytics among UK SMEs: Analysis and lessons drawn from a case study of 53 SMEs. En 2020 IEEE International Conference on Engineering, Technology and Innovation.

Noonpakdee, W., Phothichai, A. & Khunkornsiri, T. (2018). Big data implementation for small and medium enterprises. In 2018 27th Wireless and Optical Communication Conference (WOCC) IEEE.

Papachristodoulou, E., Koutsaki, M. y Kirkos, E. (2017) Business intelligence and SMEs: Bridging the gap. Journal of Intelligence Studies in Business. 7 (1) 70-78.

Porras Cerrón, J. C. (2019). La administración empresarial eficiente con ayuda del big data en el desarrollo de las microempresas de Lima Metropolitana, caso Gamarra. [Tesis doctoral, Universidad Nacional Federico Villarreal]. Repositorio Institucional – Universidad Nacional Federico Villarreal.

Provost, F. & Fawcett, T. (2013). Data Science and its relationship to Big Data and data-driven decision making. Big Data Journal, 1, 51-59.

Quintas, P.; Lefrere, P. & Jones, G. (1997). Knowledge management: a strategic agenda. Long Range Planning Journal, 30 (3), 385-391.

Resolución 220/2019 - Boletín Oficial. Obtenido de Ministerio de producción y trabajo secretaría de emprendedores y de la pequeña y mediana empresa (15 de abril de 2019).

Riascos Erazo, S. C. (2018). Adquisición, transferencia y utilización del conocimiento en las PYMES Vallecaucanas (Colombia). Revista de Ciencias Humanas y Sociales, 1225-1255.

Ricci, R., Battaglia, D. & Neirotti, P. (2021). External knowledge search, opportunity recognition and industry 4.0 adoption in SMEs. International Journal of Production Economics, 240(1), 108234.

Romero, M. del C., Álvarez, L y Álvarez, M. B. (2023). ¿Qué uso le dan las pymes a los datos? Identificación del nivel de explotación de los datos en empresas PyMEs de la ciudad de Tandil. En XXVIII Reunión Anual de la Red Pymes Mercosur (a realizarse entre el 27 y 29 de septiembre de 2023). Trabajo aprobado.

Romero, M. del C., Álvarez, M. B. y Zurzolo García, F. (2021). ¿Qué uso le dan las pymes a los datos? Propuesta de diagnóstico y clasificación de PyMEs basadas en conocimiento según su nivel de explotación de los datos. En XXVI Reunión Anual de la Red Pymes Mercosur. Merlo, San Luis, Argentina.

Romero, M. del C., Lascioli, G. y Camio, M.I. (2019). Aprendizaje Organizacional desde el enfoque de procesos. En XXIV Reunión Anual de la Red Pymes Mercosur. Rosario, Santa Fe, Argentina.

Saleem, H., Li, Y., Ali, Z., Mehreen, A. & Mansoor, M. S. (2020). An empirical investigation on how big data analytics influence China SMEs performance: do product and process innovation matter? Asia Pacific Business Review, 26(5), 537-562.

Starbuck, W. (1992). Learning by knowledge-intensive firms. Journal of Management Studies, 29(6), 0022-2280.

Thajudeen, S. S. (2018). Advanced Analytics Solutions: Towards a Data Driven Organisation. Offshore Technology Conference Asia, Kuala Lumpur, Malaysia.

Tippins, M. y Sohi, R. (2003). IT Competency and firm performance: Is organizational learning a missing link? Strategic Management Journal, 24, 745-761.

Templeton, G. F., Lewis, B. R. y Snyder, C. A. (2002). Development of a measure for the organizational learning construct. Journal of management information systems, 19(2), 175-218.

Tovar, C., (2017). Investigación sobre la aplicación de Business Intelligence en la gestión de las PyMEs de Argentina. Palermo Business Review, 15, 79-97.

Universidad Nacional de San Martín. (2022). En el día internacional de las pymes: La situación actual y el rol de las universidades para su impulso. https://noticias.unsam.edu.ar/2022/06/27/dia-de-las-pymes/

Uribe Posada, A. y Alzate Parra, L. M. (2006). Proceso de toma de decisiones basado en inteligencia de negocios para las pymes del sector de salsas y aderezos establecidas en Medellín. Trabajo de grado para optar al título de Ingeniero Informático. Escuela de Ingeniería de Antioquia Ingeniería Informática Envigado.

Vicario, G. & Coleman, S. (2019). A review of data science in business and industry and a future view. Applied Stochastic Models in Business and Industry, 1–13.