La toma de decisión se ha transformado en una herramienta clave en toda organización, pasando de ser un proceso basado en la experiencia y la intuición a uno cada vez más establecido en el análisis de datos. Desde comienzos de los ’90, los sistemas de data warehousing brindaron la posibilidad de capturar, depurar y explorar sus datos, a efectos de dar soporte . Esto generó el auge de los «Sistemas de Soporte a la Decisión» (DSS). A partir de allí, se desarrollaron técnicas y algoritmos eficientes e inteligentes de descubrimiento de información oculta en grandes bases de datos, conocidos como data mining y, luego, generalizándose bajo el concepto de Business Intelligence (BI). La característica fundamental de estos sistemas era que operaban sobre grandes volúmenes de datos internos. La gran ventaja consistía en que los datos eran confiables e integrados, es decir, provenientes de diferentes sectores, no solamente de las bases de datos centrales.
El fenómeno de big data refiere a grandes volúmenes de datos, estructurados o no, que crecen a un ritmo que excede la capacidad de captura, almacenamiento, administración y análisis que poseen las herramientas tradicionales de software de bases de datos. La procedencia y características de estos datos son variadas: redes sociales, sensores, imágenes satelitales, equipamiento médico. Los datos son casi siempre no estructurados y, a menudo, contienen texto, imágenes y audio. Por otra parte, estos datos, externos a las organizaciones, tienen una credibilidad muy volátil, y generalmente baja, lo que representa un desafío adicional para los analistas. Lo que hace aún más complicado el problema es que deben ser analizados en tiempo real.
En este sentido, big data representa un cambio fundamental en la forma de tomar decisiones de negocios. En forma creciente, muchas compañías, sobre todo las basadas en alta tecnología, Internet y salud, consideran relevantes, a efectos de la toma de decisión, los datos de redes sociales. La razón es que la reputación es su activo más valioso y los datos de redes sociales, analizados en tiempo real, permiten detectar alertas tempranas y evitar o mitigar el daño producido por una decisión errónea. Las empresas siguen considerando los datos de su actividad de negocios (ventas, compras, costos de producción) como los más valiosos. La excepción es el negocio de venta minorista, donde la presión por ser competitivo es enorme y muchas herramientas proveen con el conocimiento del precio de un producto en diferentes puntos de venta.
El análisis de sentimiento es posiblemente la herramienta más utilizada para la toma de decisiones basadas en datos de las redes sociales. Este análisis es «el proceso de determinar y medir el tono, actitud, opinión y estado emocional de respuestas, decidiendo si una conversación u opinión es positiva, negativa o neutra». Su utilización se da en entornos que van desde compañías aéreas, de seguros, venta de indumentaria e instituciones financieras, hasta decisiones en la política. Sin embargo, en el idioma español, hay mucho por hacer, ya que las herramientas de procesamiento de lenguaje natural están en los primeros estadios de desarrollo.

Ventaja competitiva

Hay una tendencia marcada de cambio en el proceso de toma de decisión. El entorno de big data va a generarles a las empresas enormes oportunidades de diferenciación en los próximos cinco a 10 años. Es creciente la visión que las organizaciones ganadoras en un futuro cercano serán las que tengan éxito en la explotación de grandes volúmenes de datos. Como consecuencia, es incesante el desarrollo de nuevas tecnologías y técnicas de captura, procesamiento y análisis de Big Data. Para ello, las empresas deben generar planes y estrategias que permitan hacer uso de estas tecnologías, venciendo barreras internas y externas. Entre las internas, las grandes firmas son reacias a los cambios. Es común detectar «silos» de datos, en sistemas ERP o CRM no disponibles a toda la organización; o empresas cuyas direcciones aún no perciben a big data como un área estratégica. En cuanto a los factores externos, el principal problema es la falta de personal calificado. El perfil requerido es el de un data scientist, quien debe tener habilidades que le permitan ubicar e interpretar fuentes de datos interesantes, manejar grandes cantidades de datos, integrar fuentes, asegurar la consistencia de datos, construir modelos matemáticos, crear visualizaciones que ayuden a entender los resultados y comunicar resultados y hallazgos. Las empresas deberán constituir equipos de trabajo donde exista un experto de dominio. Los expertos en RR.HH. opinan que el data scientist será un perfil de altísima demanda, lo que requerirá cooperación entre el estado, las empresas y las universidades para capacitar profesionales que puedan satisfacerla.