Research article

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

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 ⓘ

1. Introducción

El concepto de Aprendizaje Organizacional (AO) ha tomado importancia en el ámbito de la investigación dado que se considera una variable clave para explicar por qué unas empresas obtienen mejores resultados que otras (Bapuji & Crossan, 2004; Cardona y Calderón, 2006; Spender, 2008, citados por López Sánchez et al., 2008). Desde este enfoque, y particularmente desde la escuela de procesos, toman relevancia los procesos de información que abarcan la generación, transferencia y almacenamiento de información, así como la aplicación y utilización de los conocimientos (Huber, 1991; Slater & Narver, 1995; Hult & Ferrell, 1997; Tippins & Sohi, 2003; Kandemir & Hult, 2005, citados por López Sánchez et al., 2008).

Autores como Bierly et al. (2000) entienden al aprendizaje como el proceso de vincular, expandir y mejorar los datos, la información, el conocimiento y la sabiduría. El conocimiento deriva de la información, así como la información deriva de los datos. Para que la información se transforme en conocimiento es necesaria la intervención de un ente inteligente, por lo cual las acciones de generación del conocimiento se producen en los seres humanos, más específicamente en empleados, directivos, clientes, entre otros (Ahumada Tello y Perusquia Velasco, 2016).

Actualmente, el mundo se encuentra atravesando la Cuarta Revolución Industrial y cada vez se está tomando más conciencia sobre la importancia de la aplicación del análisis de datos para extraer información valiosa y generar conocimiento en las organizaciones. Según Mohamed & Weber (2020) los datos son el nuevo petróleo de esta era digital. Hoy en día, se considera que gestionar la información en las empresas es una herramienta clave para poder sobrevivir a un mercado cambiante y dinámico. Aprender a competir con esta información es fundamental para la toma de decisiones, el crecimiento y la gestión de las empresas (Álvarez, 2015, citado por Medina Chicaiza et al., 2016).

Según la Organización de las Naciones Unidas (ONU), en el mundo el 90% de las empresas son Pequeñas y Medianas (PyMEs) por lo que se dice que son la espina dorsal de todas las economías capitalistas modernas (Universidad Nacional de San Martín [UNSAM], 2022). En América Latina se consideran actores claves para incrementar el crecimiento potencial de la región. Particularmente en Argentina, las PyMEs representan el 70% del empleo y constituyen la mitad del Producto Bruto Interno (PBI) (UNSAM, 2022).

En el ámbito de las PyMEs en general, si bien resulta indiscutible que la adopción del análisis de datos puede convertirse en una ventaja competitiva, son pocas las que realizan algún tipo de análisis avanzado (Mohamed & Weber, 2020). Existen estudios que indican que los directivos de estas empresas utilizan principalmente su experiencia para tomar decisiones (Papachristodoulou et al., 2017). Según Tovar (2017), las PyMEs se enfrentan a tomar decisiones operativas y estratégicas basadas en información escasa e incompleta, lo que genera que sus directivos tomen decisiones en base a sus experiencias previas.

Entre el conjunto de las PyMEs se destacan las organizaciones intensivas en conocimiento (OIC), por ser uno de los sectores más dinámicos, con generación de empleo calificado y perspectivas de crecimiento sostenido (Ministerio de Producción y Trabajo de la República Argentina, 2019a). Estas empresas se caracterizan porque su principal factor productivo es el conocimiento (Starbuck, 1992) y se diferencian de las organizaciones tradicionales por la incorporación del conocimiento en todas sus dimensiones, de allí que su éxito esté ligado a la generación y aplicación de los conocimientos (Bedoya Dorado et al., 2021).

En Argentina, para el año 2019 el sector de OIC estaba formado por más de 73.000 empresas empleadoras, de las cuales el 99% eran PyMEs (Ministerio de Producción y Trabajo de la República Argentina, 2019b). El empleo en estos segmentos creció un 60% entre 2007 y 2018, frente al empleo de toda la economía, que creció un 17% en el mismo período (Ministerio de Producción y Trabajo de la República Argentina, 2019a).

A partir de lo descripto emerge el interés por realizar un análisis particular del sector de empresas PyMEs intensivas en conocimiento, habida cuenta de que el conocimiento es su principal factor productivo y, por lo tanto, cobra relevancia conocer de qué forma éste se produce, obtiene, mantiene y transfiere. A los fines de este trabajo, y en el marco del enfoque de procesos del AO, se entiende al conocimiento como un eslabón del continuo dato – información – conocimiento, resultando entonces del registro de datos, de la generación de información y de la toma de decisiones en función de los datos o de la información.

En virtud de lo anterior, 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 mediante su caracterización en función del continuo dato-información-conocimiento.

2. Marco Teórico

2.1 Aprendizaje Organizacional

A pesar de que diversos autores han intentado definir al AO, actualmente no existe una definición comúnmente aceptada de este concepto. Según Crossan et al. (1999) esto se debe a que los estudios sobre el AO se realizaron desde diferentes dominios o escuelas de pensamiento. Por ejemplo, Huber (1991) considera una perspectiva del AO desde el enfoque de los procesos de información, mientras que Senge (1990) adoptó un punto de vista gerencial, donde el AO es una cuestión de introducir una combinación sistémica de valores y normas, conocidas como disciplinas. Estas diferencias explican la falta de convergencia entre los marcos de aprendizaje de las organizaciones.

Lo cierto es que todos coinciden en que el AO puede entenderse como un recurso organizativo-estratégico, de carácter intangible, esencial para la supervivencia de una empresa (Hult, Ketchen & Slater, 2002; Tippins & Sohi, 2003; Santos, Sanzo, Álvarez & Vázquez, 2005 citados por López Sánchez et al., 2008).

Según Bell et al. (2002) y López Sánchez et al. (2008) los estudios acerca del AO se pueden agrupar en cuatro escuelas de pensamiento. En primer lugar, la escuela económica (Learning by Doing) en la cual se ve el papel de la experiencia en el incremento de la productividad por cuanto produce conocimiento tácito que proporciona la base para una reducción de los costos de producción. En segundo lugar, la escuela de desarrollo (Learning by Evolution) comprende al aprendizaje como un proceso lineal donde las organizaciones atraviesan una serie de etapas hasta convertirse en organizaciones de aprendizaje; es decir, se ve al AO como un estado en la evolución de la empresa. En tercer lugar, la escuela de gestión (Learning by Management-Led Change) donde el aprendizaje no se produce de forma casual, sino que es el resultado de la intervención de los directivos de la organización. Y en cuarto lugar la escuela procesos (Learning by Processing) que se centra en todas las formas de aprendizaje (de orden inferior y superior). En la misma, se concibe al AO como un amplio sistema de procesamiento que incorpora la adquisición, difusión, interpretación y memoria de la información (Huber, 1991). Según Kandemir & Hult (2005, citados por López Sánchez et al., 2008) la literatura más influyente argumenta que el AO es un amplio sistema de procesamiento de información, cuyo origen se encuentra en los miembros que componen la organización.

2.2 Continuo Dato – Información – Conocimiento

El aprendizaje es el proceso de vincular, expandir y mejorar los datos, la información, el conocimiento y la sabiduría (Bierly et al., 2000). Por lo tanto, es importante distinguir los conceptos de dato, información y conocimiento ya que suelen considerarse como sinónimos cuando no lo son.

Los datos son definidos como hechos dados, concedidos o admitidos; son premisas sobre las cuales algo puede ser argumentado o inferido y son la materia prima de construcciones de orden superior (Webster, 1961; Davis & Olson, 1985, citados por Bierly et al., 2000). Los datos son flujos de elementos en bruto que representan los eventos que ocurren en las organizaciones antes de ordenarlos e interpretarlos en una forma que las personas puedan comprender y usar (Laudon y Laudon, 2012). Representan la mínima unidad semántica (Medina Chicaiza et al., 2016) y sirven como un núcleo esencial que, combinados, producen información significativa (Almashari et al., 2002).

La información es un conjunto de datos procesados a los cuales se les da una relevancia, un propósito y un contexto; es decir, un significado. La información son los datos que se han modelado en una forma significativa y útil para los seres humanos (Laudon y Laudon, 2012). Según Medina Chicaiza et al. (2016), los datos se convierten en información agregándoles valor a través de:

• Contextualización: se sabe en qué contexto y para qué propósito se generaron.
• Categorización: se conocen las unidades de medida que ayudan a interpretarlos.
• Cálculo: los datos pueden haber sido procesados matemática o estadísticamente.
• Corrección: se han eliminado errores e inconsistencias de los datos.
• Condensación: los datos se han podido resumir de forma más concisa (agregación).

Según Machlup (1983, citado por Bierly et al., 2000), la información es el flujo de significados que podrían contribuir a reestructurar o cambiar el conocimiento. Es transferible y puede comunicarse al resto de los miembros de la organización.

El conocimiento es la comprensión de la información (Bierly et al., 2000). Es información combinada con experiencia, contexto, interpretación y reflexión (Davenport, De Long & Beers, 1998, citado por Tippins & Sohi, 2003). Es un conjunto de verdades y creencias, perspectivas y conceptos, juicios y expectativas, metodologías y know-how (Quintas et al., 1997).

2.3 Etapas de los procesos de información

Con respecto a las etapas de los procesos de información, autores como Vicario & Coleman (2019), en referencia a la transición de los datos al conocimiento, menciona una metodología llamada “Knowledge Discovery in Databases” (KDD, o en español “Descubrimiento de Conocimiento en Bases de Datos”), creada por Fayyad et al. (1996). KDD es un proceso en el cual se identifican patrones válidos, novedosos, potencialmente útiles y comprensibles en los datos (Fayyad et al., 1996) que comprende nueve pasos para extraer conocimientos de alto nivel a partir de datos de bajo nivel (Vicario & Coleman, 2019). Dichos pasos son: 1) identificación del problema y dominio de aplicación del proceso de KDD; 2) creación o selección del conjunto de datos objetivo en el que se aplica el proceso de KDD; 3) limpieza de datos y preprocesamiento; 4) reducción o transformación de dimensionalidad del conjunto de datos; 5) formulación de los objetivos del proceso de KDD; 6) análisis exploratorio y selección de modelos e hipótesis; 7) identificación de un método de minería de datos para buscar patrones en los datos; 8) interpretación de los patrones obtenidos y 9) consolidación del conocimiento, es decir, su utilización.

Por otro lado, Huber (1991), quien propone la Escuela de Procesos que se enmarca dentro del AO, establece cuatro etapas de los procesos de información: la adquisición de conocimiento, proceso por el cual se obtiene el conocimiento a través del aprendizaje congénito, de experiencia, indirecto, injerto y búsqueda; la distribución de la información, donde se comparte la información que proviene de diferentes fuentes; la interpretación de la información, proceso por el cual la información distribuida en la organización recibe una o más interpretaciones comúnmente entendidas por todos los miembros de la misma; y por último, la memoria organizacional, medio por el cual se almacena el conocimiento para su uso futuro.

Otros autores como Uribe Posada y Alzate Parra (2006) proponen tres etapas de los procesos de información: extracción y almacenamiento de datos, minería de datos y explotación de la información. La primera refiere a que para conservar los datos es necesario almacenarlos en un lugar apto para garantizar su calidad, previa limpieza de los mismos. La segunda etapa consiste en la aplicación de técnicas de minería de datos para su análisis con el fin de lograr un nivel más detallado de la información. Por último, la tercera etapa hace referencia a la visualización de la información en línea mediante análisis multidimensionales a través de “Online Analytical Processing” (OLAP, o en español “Procesamiento Analítico en Línea”). De forma similar, Lu et al. (2020) proponen tres etapas de los procesos de información: explorar datos, descubrir conocimientos y tomar decisiones. La primera etapa comienza con la descripción de los datos necesarios para el análisis determinando si existen dentro de la organización o cómo se podrían obtener; para ello, se realiza una exploración de los datos internos y externos de la organización. En la segunda etapa se aplican técnicas de análisis de datos que pueden ser de diagnóstico, predictivo o prescriptivo. Por último, la tercera etapa es la toma de decisiones donde se comunican los resultados del análisis combinando el arte del instinto y la experiencia de los ejecutivos con la ciencia de los datos y el análisis.

Por su parte, Coleman et. al. (2016) proponen cuatro etapas de los procesos de información: adquisición, que consiste en la obtención de datos de múltiples fuentes a los cuales se les aplica un filtrado para que sean comprimidos; organización de los datos en formatos estructurados para la aplicación de herramientas de análisis; y análisis y decisiones definidas de forma similar a las últimas dos etapas propuestas por Uribe Posada y Alzate Parra (2006) y Lu et al. (2020).

Luego, Riascos Erazo (2018) propone las siguientes tres etapas: adquisición, transferencia y uso del conocimiento. La etapa de adquisición hace referencia a la identificación, estandarización y control de las diferentes formas en que una organización produce conocimiento como la creatividad, investigación y educación, además de la organización y depuración del mismo. La etapa de transferencia se centra en definir actividades que incluyen el afianzamiento, la distribución y automatización del conocimiento para que sobre él se pueda tener control y una adecuada utilización. Con respecto a esta segunda etapa, Atehortúa, Valencia y Bustamante (2011, citados por Riascos Erazo, 2018) identifican tres estadios de la transferencia de conocimiento: desde el entorno hacia la organización, al interior de la organización y desde la organización hacia su entorno. Por último, la etapa de uso del conocimiento consiste en su aplicación efectiva para convertir el conocimiento individual en conocimiento organizacional que facilite la toma de decisiones; para ello se utilizan las tecnologías de la información y la comunicación.

Por su parte, autores como Romero et al. (2019) realizaron una revisión bibliográfica donde Huber (1991), Fayyad et al. (1996), Tippins & Sohi (2003) y otros se consideraron como punto de partida. En este trabajo se identificaron tres grandes dimensiones de los procesos de información que contribuyen al AO en empresas intensivas en conocimiento: capacidad de TI (tecnologías de la información), definida como la habilidad de una organización para adquirir, desplegar y apalancar sus recursos de TI en combinación con otros recursos y capacidades, con el fin de lograr sus objetivos empresariales; procesos de información, que incluye la adquisición, almacenamiento y transferencia de información; y, por último, la dimensión de explotación de información en la cual sólo cuando la información se convierte en conocimiento y es aplicada y utilizada en la organización, toma la relevancia significativa que le brindan los diversos autores de la escuela de procesos.

Luego, en Romero et al. (2021) se continuó con el estudio de los procesos de información y se identificaron cinco dimensiones en las empresas PyMEs: adquisición de datos y/o generación de datos, análisis de datos, almacenamiento de la información, transferencia de la información y explotación de la información generada.

A través de la descripción realizada anteriormente, se puede identificar la importancia de los procesos de información en la literatura debido a que diversos autores, a lo largo de los años, han intentado determinar y definir sus etapas. Si bien los autores coinciden en que una de las últimas etapas de los procesos de información es el uso del conocimiento a través de la toma de decisiones, existen diferencias en relación al resto de las etapas. Algunos autores, como Huber (1991) y Riascos Erazo (2018), mencionan que los procesos de información comienzan con la adquisición de conocimiento, mientras que otros, como Fayyad et al. (1996), Vicario & Coleman (2019), Uribe Posada y Alzate Parra (2006), Lu et al. (2020), Coleman et al. (2016), Romero et al. (2019) y Romero et al. (2021) definen como primera etapa a la adquisición de datos, los cuales se transformarán en información para obtener conocimiento. En este sentido, adquieren relevancia los distintos tipos de análisis que se pueden realizar a los datos para poder generar información y, de esta manera, obtener conocimiento.

2.4 Organizaciones intensivas en conocimiento

Las PyMEs son la columna vertebral de la economía (Ricci et al., 2021) y el principal elemento de crecimiento económico al crear puestos de trabajo en el sector privado que compiten con las grandes empresas (Papachristodoulou et al., 2017). Por esta razón, un pequeño cambio en las PyMEs puede tener un mayor efecto macroeconómico debido a su posición general en la economía (Sen, Ozturk & Vayvay, 2016, citados por Noonpakdee et al., 2018).

El panorama económico actual se ha convertido en “hipercompetitivo” y se caracteriza por la velocidad, la flexibilidad y la innovación que hacen que la información desempeñe un papel fundamental (Lacam, 2020). Con una buena infraestructura de tecnologías de información (TI) las PyMEs pueden crear y almacenar múltiples fuentes de datos para centrarse en la innovación (Lacam, 2020). La mayoría de las PyMEs están dirigidas por sus propietarios quienes pueden no contar con conocimientos tecnológicos avanzados (Papachristodoulou et al., 2017).

En este contexto, el análisis de datos se considera una estrategia para el crecimiento de las PyMEs que les permite tomar mejores decisiones, lo que genera que aumente su estatus competitivo en el mercado local e internacional y mejore su rentabilidad (Maroufkhani et al., 2020; Ricci et al., 2021). Las empresas pueden lograr ventajas competitivas y mejorar su rendimiento mediante la gestión del análisis de datos (Saleem et al., 2020). Chaudhuri, Dayal & Narasayya (2011, citados por Llave, 2019) declararon que, en el mundo actual, es difícil encontrar una empresa exitosa que no haya aprovechado la tecnología de análisis de datos para su negocio.

La capacidad de tomar decisiones con rapidez, al transformar los datos en información, es clave en la generación de una ventaja competitiva para las PyMEs (Medina Chicaiza et al., 2016). Algunas de las tecnologías que se utilizan para generar información a partir del análisis de datos son: data science, big data, data mining, business intelligence y business analytics. Sin embargo, la adopción de las mismas puede ser difícil para las PyMEs debido a sus limitaciones estructurales, la escasez de recursos y de conocimientos, que hace complejo el reconocimiento de los beneficios asociados a las tecnologías 4.0, así como también la dificultad respecto a la integración de dichas tecnologías en los procesos de producción (Ricci et al., 2021).

Orzes, Poklemba & Towner (2020, citados por Ricci et al., 2021) definieron cinco obstáculos que impiden la adopción exitosa de tecnologías 4.0 para las PyMEs. El primero se refiere a los factores económicos y financieros que pueden impedirles invertir en tecnologías nuevas y arriesgadas. El segundo hace referencia al conocimiento limitado sobre estas tecnologías, especialmente en los empleados de estas empresas, que impiden que se adopten proyectos complejos y transformadores. El tercero, los factores jurídicos y técnicos pueden impedir que estas empresas introduzcan nuevas tecnologías en sus procesos de producción. El cuarto, hace referencia a los problemas culturales que obstaculizan la adopción de dichas tecnologías. El quinto y último obstáculo se refiere a los problemas que surgen en la integración de estas tecnologías dentro de los sistemas de producción.

Al ser el conocimiento la fuente de ventaja competitiva para las OIC, la literatura respectiva involucra las prácticas de gestión del conocimiento en la mayoría de sus publicaciones, ya que estas organizaciones requieren que el conocimiento se distribuya por toda la organización para que cualquier persona pueda acceder a él. Ello contrasta con las organizaciones tradicionales, en las que el conocimiento se concentra en la cúspide de la estructura organizacional (Kärreman, Sveningsson y Alvesson, 2002, citados por Bedoya Dorado et al. (2021)).

La definición de las OIC ha sido difícil de construir debido a que es ambiguo y confuso definir conocimiento y a que no existe consenso entre académicos y profesionales sobre lo que significa la intensidad del conocimiento. Sin embargo, en la literatura existen ciertas consideraciones respecto del significado de este concepto. Bedoya Dorado et al. (2021) citan a Nonaka y Takeuchi (1999) quienes clasifican el conocimiento humano en dos tipos. Por una parte, el conocimiento explícito que se expresa a través del lenguaje formal, enunciados gramaticales, expresiones matemáticas, especificaciones, manuales, etc. y que puede transmitirse fácilmente de un individuo a otro. Por otra parte, el conocimiento tácito que resulta difícil de enunciar mediante el lenguaje formal debido a que se refiere a lo aprendido gracias a la experiencia personal e involucra factores tangibles como las creencias, el punto de vista propio y los valores.

El conocimiento también puede ser entendido como activo intangible. Conforme con Song et al. (2007) (citados por Bedoya Dorado et al. (2021), el conocimiento en las OIC es capital intelectual y activo intangible, el cual se combina con una alta complejidad de interfaces, que incluyen tecnología, capital humano, patentes, marcas y rutinas organizacionales.

Una cuestión adicional refiere al conocimiento como una fuente de ventaja competitiva. Starbuck (1992), por ejemplo, entiende al conocimiento como un recurso que es complejo y difícil de tratar pero que constituye el recurso más importante del que dispone una empresa para la ventaja competitiva.

La importancia del conocimiento configura la gestión de las OIC ya que determina su forma de competir y formular estrategias, el modo de organizar el trabajo y la estructura jerárquica, el tipo de productos (principalmente servicios y tecnología) y el tipo de trabajadores requeridos. Este fenómeno implica prácticas como la gestión del conocimiento que constituye un elemento estratégico que abarca todas las dimensiones de las empresas y se articula con las prácticas de recursos humanos (Bedoya Dorado et al., 2021).

3. Metodología

A los efectos de cumplir con el objetivo propuesto en este trabajo, se partió de una investigación del tipo cuantitativa cuya población resultaron las empresas PyMEs de la ciudad de Tandil (Romero et al., 2023). El alcance de esta investigación es exploratorio-descriptivo. El diseño de esta investigación es de corte transversal ya que se recolectaron datos en un solo momento en un tiempo único (Liu, 2008 y Tucker, 2004, citados por Hernández Sampieri, 2010) a través de un cuestionario realizado en Google Forms y distribuido fundamentalmente de manera online (vía mail, Whatsapp y redes sociales (Facebook e Instagram). A los datos recolectados se les realizaron análisis estadísticos descriptivos (tablas de frecuencias, gráficos e indicadores de resumen) con el software estadístico InfoStat (Di Rienzo et al., 2020).

3.1 Población y muestra

Este trabajo es parte de un trabajo más amplio cuya población estaba constituida por las empresas PyMEs de la ciudad de Tandil. En dicho trabajo, se realizó un muestreo no probabilístico a partir de una base de datos de empresas construida a partir de listados de asociados de las principales cámaras y asociaciones: Asociación de la Pequeña y Mediana Empresa de Tandil (APYMET), Cámara Empresaria de Tandil (CET), Área Parque Industrial Tandil (APIT) y Cámara de Empresas del Polo Informático de Tandil (CEPIT).

Como producto del relevamiento llevado a cabo durante los meses de diciembre de 2022 y marzo de 2023, sobre un total de 370 PyMEs, se obtuvo la respuesta de 73 empresas (tasa de respuesta del 19.73%). Entre ellas, 12 empresas fueron identificadas como intensivas en conocimiento a partir de la consideración de la clasificación de López (2018) quien distinguió sectores de las OIC entre los que incluye servicios contables, legales, de gestión y asesoramiento, análisis e inteligencia de mercado y financiera, arquitectura, audiovisuales, ingeniería, software y servicios informáticos, publicidad, investigación y desarrollo (I+D), salud y educación, entre otros. Algunas de estas actividades constituyen servicios profesionales (back y front office, asesorías, consultorías), otras se basan fuertemente en conocimiento científico o tecnológico (I+D, ingeniería, software) y otras en la creatividad (audiovisuales, diseño, publicidad). La clasificación de las empresas relevadas en función de si son intensivas en conocimiento se realizó de manera manual.

En virtud de lo expuesto y atendiendo al objetivo propuesto en el presente trabajo, si bien la población estaría constituida por las OIC, se considerará como muestra no probabilística a las 12 organizaciones intensivas en conocimiento que respondieron el cuestionario. Dado el tipo de muestreo, es importante enfatizar que las conclusiones sólo se circunscriben a la muestra obtenida y no resulta posible realizar una generalización a la población.

3.2 Instrumento de relevamiento: cuestionario

A los fines del relevamiento de datos se elabora un cuestionario sobre la base de la revisión bibliográfica previa respecto de los procesos de información (Tabla 1) que, además, se apoya en el ciclo dato - información - conocimiento. Para cada uno de estos elementos se definen los siguientes aspectos:

Datos:

• Generación y adquisición de datos tanto internos a la organización (compras, ventas, cobros, pagos) como externos (factores económicos, políticos, sociales, etc.) (España León, 2018).
• Almacenamiento de datos: refiere a la existencia de un repositorio central donde se guardan y archivan los datos generados y adquiridos, garantizando la calidad de los mismos (Coleman et al., 2016).
• Preprocesamiento de datos: comprende actividades de preparación de datos para su posterior análisis, como la eliminación del ruido, manejo de campos de datos faltantes, etc. (Fayyad et al., 1996).

Información:

• Análisis de datos y generación de información: utilización de técnicas de análisis de datos para generar información (Coleman et al., 2016; Mohamed y Weber, 2020 y Lu et al., 2020).
• Almacenamiento de información: uso de medios electrónicos para guardar y archivar la información generada a partir del análisis de los datos (Templeton et al., 2002).
• Transferencia de información: existencia de mecanismos para compartir la información hacia el interior de la organización o entre la organización y su entorno a través de medios formales o informales (Huber, 1991; Tippins y Sohi, 2003; Riascos Erazo, 2018; España León, 2018).

Conocimiento:

• Toma de decisiones: proceso en el cual se determina si quienes toman las decisiones lo hacen en base a los datos, la información, la intuición y/o la experiencia (Lu et al., 2020).

Fuente: Elaboración propia.

A partir de lo anterior, se definieron cuatro secciones para el cuestionario (se incluyó una sección que releva las características generales de la empresa y del perfil del encuestado) y las preguntas asociadas (Tabla 2).

Sección Características generales (preguntas 1 a 5)

• nombre de la empresa (pregunta 1),
• año de creación (pregunta 2),
• industria/sector/rubro de actividad (pregunta 3),
• cantidad total de personas que trabajan en la empresa (pregunta 4) y
• posición/cargo que ocupa el encuestado (pregunta 5).

Sección Datos:

• ¿en su empresa se registran datos? (pregunta 6),
• ¿dónde se registran? (pregunta 7),
• ¿se realizan tareas de preprocesamiento? (pregunta 8) y
• forma de realización de las tareas de preprocesamiento (pregunta 9).

Sección Información:

• ¿generan información a partir de los datos? (pregunta 10),

• herramientas usadas para el análisis de datos (pregunta 11),
• tipo de información generada (pregunta 12),
• motivo por el cual realiza análisis de datos (pregunta 13),
• ¿guardan información? (pregunta 14),
• forma en la que se guarda la información (pregunta 15),
• ¿se comparte la información? (pregunta 16),
• ¿entre quiénes se comparte la información? (pregunta 17),
• ¿cómo se comparte la información? (pregunta 18) y
• medios por los que se comparte (pregunta 19).

Sección Conocimiento:

• ¿en qué se basan las decisiones? (pregunta 20) y
• ¿quiénes utilizan los datos / la información para tomar decisiones? (pregunta 21).

Fuente: Elaboración propia.

Previo al lanzamiento del cuestionario, se realizó una prueba piloto con cinco referentes claves del ámbito académico y profesional cuyo feedback permitió realizar una serie de ajustes: se unificaron y agregaron opciones, preguntas, ejemplos, secciones y se modificó la redacción de ciertas preguntas a efectos de facilitar su comprensión. Además, y con el fin de unificar conceptos entre los encuestados, se elaboró una definición distinguiendo el concepto de dato e información:

Los datos son valores o cualidades que se registran (a veces, de manera automática) por ejemplo, características de un artículo, cantidad de productos vendidos en un día. Si a estos datos se les aplica alguna operación, se convierten en información (por ejemplo, clasificar los artículos según el tipo de proveedor, calcular el promedio de artículos vendidos en el último mes). En resumen, se habla de información cuando se procesan los datos para sacar alguna conclusión.

Una vez relevados los datos, tuvo lugar la etapa de limpieza y preprocesamiento que consistió en detectar y corregir inconsistencias en los datos.

A continuación, se creó una variable para cada una de las preguntas del cuestionario para poder realizar el análisis. Para las preguntas con respuesta de opción múltiple, se crearon variables en función de las variables originales que garanticen una única respuesta, y así estén dadas las condiciones de exhaustividad y exclusión para realizar los análisis estadísticos. De esta manera, para todas las preguntas de opción múltiple y cuyas opciones de respuesta presentan una ordinalidad, se registró la “máxima” opción seleccionada ( Se toma la máxima opción en términos de lo deseable). Por ejemplo, para la pregunta 7, “¿Dónde registran los datos?”, cuyas posibilidades de respuesta son: en papel, documentos Word, planillas Excel, etc., se creó una nueva variable que identifica la máxima forma de registro.

Además, ante la pregunta abierta que identifica el Rubro se creó una nueva variable que reúne los diferentes sectores o industrias en categorías preestablecidas.

4. Resultados

Se realiza un análisis descriptivo con el objetivo de conocer características generales del conjunto de empresas PyMEs intensivas en conocimiento bajo análisis, así como también los principales aspectos referidos a dato, información y conocimiento.

Las empresas relevadas tienen entre 1 y 52 años de antigüedad, encontrándose que el 50% (6 de ellas) tienen 13 años o menos y el otro 50% tienen más de 13 años. La cantidad total de personas que trabajan en dichas empresas varían entre 2 y 30 personas, en el 50% de ellas trabajan 2 y 8 y en el 50% restante, entre 9 y 30 para el 50% restante. Respecto del rubro, todas pertenecen al sector Servicios.

Sección Datos (Tabla 3):

Todas las empresas relevadas indicaron registrar datos, un 41.67% indicó que almacenan los datos en software de gestión y un 33.33% en bases de datos integradas en un data warehouse. En menor medida, un 16.67% mencionó que lo hace a través de planillas de Excel y sólo un 8.33% en sistemas contables.

El 75% de las PyMES estudiadas realizan tareas de preprocesamiento. Entre ellas sólo una las realiza de manera fundamentalmente manual, un 44.44% a través de sistemas y otro 44.44% utilizando ambos métodos.

Fuente: Elaboración propia

Sección Información (Tabla 4):

El 75% de las PyMES intensivas en conocimiento relevadas genera información. De este 75%, un 44.44% indicó que utiliza software de gestión empresarial como herramienta de análisis de datos. Además, la misma cantidad de empresas (22.22%) mencionó como herramienta de análisis a las funciones de Excel y a los softwares estadísticos. Solo una empresa indicó utilizar servicios de análisis de datos. A su vez de este 75% un 88.89% dijo que la información que generan son sistemas de indicadores y solamente una empresa mencionó generar gráficos (11.11%).

Todas las empresas que generan información indicaron guardarla. Específicamente, un 77.78% la guarda en archivos digitales y un 22.22% utiliza dos métodos de almacenamiento, en digital y en papel.

Del total de empresas el 88.89% comparte la información: un 50% lo hace entre directores, empleados y agentes externos y un 37.50% entre directores y empleados. El 12.50% restante corresponde a una empresa que solo comparte la información entre los directores. De las empresas que generan información solo una indicó no compartirla.

En relación a cómo se comparte la información que se genera en un área, un 87.50% indicó que la comparten de manera parcial a todas las áreas y solo una empresa lo hace de forma completa (12.50%). Con respecto a esto, un 75% comparte la información a través de correo electrónico y/o intranet y un 25% a través de páginas web de la empresa y/o redes sociales.

Fuente: Elaboración propia.

Sección Conocimiento (Tabla 5):

Del total de PyMEs intensivas en conocimiento estudiadas:

• el 8.33% (1 empresa) no toma decisiones en función de los datos ni de la información, sino basándose en la intuición y en la experiencia,
• el 16.67% (2 empresas) toman decisiones en función de los datos (no generan información) y
• el 75% (9 empresas) toman decisiones en función de la información.

En cuanto a quienes utilizan los datos o la información para tomar decisiones, un 33.33% indicó que sólo la usan los directores; un 25% los directores y agentes externos; un 16.67% los directores y empleados y un 16.67% los directores, empleados y agentes externos. El 8.33% no usa ni los datos ni la información en la toma de decisiones.

5. Conclusiones y discusiones

Mediante el presente estudio fue posible analizar la explotación de datos en un conjunto de 12 empresas PyMEs intensivas en conocimiento ubicadas en la ciudad de Tandil en función del continuo dato – información – conocimiento. Estas 12 empresas surgieron a partir de un muestreo no probabilístico y como resultado del relevamiento de datos llevado a cabo por medio de un cuestionario elaborado a tal fin.

Entre los resultados obtenidos se destaca que todas las empresas registran datos y se observan tres grupos diferentes respecto de la generación de información y de la toma de decisiones en función de los datos y la información, lo cual puede considerarse un paso necesario para la generación de conocimiento. Mientras un primer grupo está compuesto por la empresa que no genera información ni toma decisiones en función de los datos, el segundo corresponde a las 2 empresas que no generan información pero toman decisiones en función de los datos y el tercero se compone de las nueve firmas restantes que generan y almacenan la información y donde se toman decisiones en función de ella. Al examinar con mayor detalle las características de este último grupo, se encuentran diferencias entre las empresas respecto de las herramientas usadas para analizar los datos, del tipo de información generada, de los actores con los cuales se comparte la información y de la manera y los medios a través de los cuales se comparte.

En el contexto de las OIC, se esperaría que todas las empresas registren datos, generen información y tomen decisiones en función de ella. Los resultados obtenidos en este trabajo darían cuenta de que la mayoría de las PyMEs estudiadas presenta un alto nivel de explotación de sus datos, lo cual se encuentra en línea con las principales características que definen a las empresas donde el conocimiento resulta el recurso más importante. Por otro lado, los hallazgos se contraponen en cierto grado a la literatura en el campo de las PyMEs donde se considera que, en general, son muy pocas las que realizan análisis avanzados de datos (Mohamed & Weber, 2020) y se comparte la noción de que la toma de decisiones se apoya fundamentalmente sobre la intuición, la experiencia, información escasa y/o incompleta (Papachristodoulou et al., 2017; Tovar, 2017).

No obstante lo anterior, cobra especial atención que, aun perteneciendo al sector de empresas intensivas en conocimiento, se identifiquen firmas que no generan información y no toman decisiones en función de los datos o la información.

En virtud de lo descripto se plantean diversas líneas de investigación para estudios futuros. En primer lugar, emerge el interés por incrementar el tamaño de la muestra a fin de realizar un análisis más amplio. En segundo lugar, se propone realizar estudios en profundidad en las empresas que no generan información y que no toman decisiones en función de ella para poder concluir respecto del “conocimiento” que poseen, y de cuáles son los obstáculos que intervienen.

Bibliografía - Bibliography

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.

Google Scholar Index

Article

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

Publisher:

Ciencia y Técnica Administrativa - CyTA