pág. 5546
BIG DATA Y TOMA DE DECISIONES
EMPRESARIALES EN MÉXICO: CAPACIDADES,
APLICACIONES Y DESAFÍOS PARA LAS MIPYMES
BIG DATA AND BUSINESS DECISION-MAKING IN MEXICO:
CAPABILITIES, APPLICATIONS AND CHALLENGES FOR
MSMES
Paola Pineda Ramírez
Centro Universitario Continental
pág. 5547
DOI: https://doi.org/10.37811/cl_rcm.v10i2.23577
Big Data y toma de decisiones empresariales en México: capacidades,
aplicaciones y desafíos para las MiPyMEs
Paola Pineda Ramírez1
pirapa20a19@redcuc.edu.mx
https://orcid.org/0009-0008-5975-7952
Centro Universitario Continental
Pachuca de Soto, Hidalgo – México
RESUMEN
Las MiPyMEs representan 95% del tejido empresarial mexicano y generan 52% de los ingresos (BBVA,
2024), pero enfrentan alta mortalidad —52% en los primeros dos años— y baja digitalización. Este
artículo presenta una revisión narrativa con criterios explícitos (18 estudios, 2020-2024) para explicar
cómo Big Data Analytics (BDA) se vincula con la toma de decisiones desde la Visión Basada en
Recursos (RBV) y el marco Tecnología-Organización-Entorno (TOE). Se integra evidencia mexicana
(ENAPROCE 2018, caso OXXO) y regional (BID, 2024). Se propone un modelo de maduración en tres
niveles anclado en capacidades dinámicas, no en inversión tecnológica indiscriminada. Se concluye que
el valor del Big Data no reside en el volumen, sino en la articulación entre datos, procesos y cultura
organizacional.
Palabras clave: Big Data Analytics; toma de decisiones; capacidades dinámicas; MiPyMEs; México;
transformación digital.
1Autora principal.
Correspondencia: pirapa20a19@redcuc.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v10i2.23577
Big Data y toma de decisiones empresariales en México: capacidades,
aplicaciones y desafíos para las MiPyMEs
Paola Pineda Ramírez1
pirapa20a19@redcuc.edu.mx
https://orcid.org/0009-0008-5975-7952
Centro Universitario Continental
Pachuca de Soto, Hidalgo – México
RESUMEN
Las MiPyMEs representan 95% del tejido empresarial mexicano y generan 52% de los ingresos (BBVA,
2024), pero enfrentan alta mortalidad —52% en los primeros dos años— y baja digitalización. Este
artículo presenta una revisión narrativa con criterios explícitos (18 estudios, 2020-2024) para explicar
cómo Big Data Analytics (BDA) se vincula con la toma de decisiones desde la Visión Basada en
Recursos (RBV) y el marco Tecnología-Organización-Entorno (TOE). Se integra evidencia mexicana
(ENAPROCE 2018, caso OXXO) y regional (BID, 2024). Se propone un modelo de maduración en tres
niveles anclado en capacidades dinámicas, no en inversión tecnológica indiscriminada. Se concluye que
el valor del Big Data no reside en el volumen, sino en la articulación entre datos, procesos y cultura
organizacional.
Palabras clave: Big Data Analytics; toma de decisiones; capacidades dinámicas; MiPyMEs; México;
transformación digital.
1Autora principal.
Correspondencia: pirapa20a19@redcuc.edu.mx
pág. 5548
Big Data and business decision-making in Mexico: capabilities, applications
and challenges for MSMEs
ABSTRACT
Micro, small and medium enterprises (MSMEs) account for 95% of Mexico's business fabric and
generate 52% of revenues (BBVA, 2024), yet they face a high mortality rate —52% within the first two
years— and low digitalization. This article presents a narrative review with explicit criteria (18 studies,
2020–2024) to explain how Big Data Analytics (BDA) connects to managerial decision-making through
the Resource-Based View (RBV) and the Technology-Organization-Environment (TOE) framework.
Mexican evidence (ENAPROCE 2018, OXXO case) and regional evidence (IDB, 2024) are integrated.
A three-level maturity model anchored in dynamic capabilities, rather than in indiscriminate
technological investment, is proposed. The article concludes that the value of Big Data does not lie in
volume, but in the articulation of data, processes and organizational culture.
Keywords: Big Data Analytics; decision-making; dynamic capabilities; MSMEs; Mexico; digital
transformation.
Artículo recibido 20 marzo 2026
Aceptado para publicación: 15 abril 2026
Big Data and business decision-making in Mexico: capabilities, applications
and challenges for MSMEs
ABSTRACT
Micro, small and medium enterprises (MSMEs) account for 95% of Mexico's business fabric and
generate 52% of revenues (BBVA, 2024), yet they face a high mortality rate —52% within the first two
years— and low digitalization. This article presents a narrative review with explicit criteria (18 studies,
2020–2024) to explain how Big Data Analytics (BDA) connects to managerial decision-making through
the Resource-Based View (RBV) and the Technology-Organization-Environment (TOE) framework.
Mexican evidence (ENAPROCE 2018, OXXO case) and regional evidence (IDB, 2024) are integrated.
A three-level maturity model anchored in dynamic capabilities, rather than in indiscriminate
technological investment, is proposed. The article concludes that the value of Big Data does not lie in
volume, but in the articulation of data, processes and organizational culture.
Keywords: Big Data Analytics; decision-making; dynamic capabilities; MSMEs; Mexico; digital
transformation.
Artículo recibido 20 marzo 2026
Aceptado para publicación: 15 abril 2026
pág. 5549
INTRODUCCIÓN
México experimentó en 2023 un repunte empresarial notable: el INEGI reportó el nacimiento de 1.67
millones de MiPyMEs, un incremento de 41% respecto al año previo, alcanzando más de 5 millones de
establecimientos activos (Milenio, 2024). Estas empresas concentran el 68.4% del empleo formal y, sin
embargo, presentan una tasa de mortalidad de 52% en los primeros dos años (BBVA, 2024).
Paralelamente, el mercado de analítica de datos en la región crece de forma sostenida. El BID (Balestrini
et al., 2024) documenta que las pymes latinoamericanas que adoptan analítica básica con
acompañamiento estructurado mejoran la calidad de sus decisiones operativas. La paradoja es evidente:
crece la oferta de herramientas mientras la mayoría de las MiPyMEs mexicanas carece de formalización
contable básica —solo 19% de las microempresas cuenta con equipo de cómputo (BBVA, 2024)—.
El contexto posterior a la pandemia de COVID-19 ha acentuado la urgencia de esta discusión. Entre
2019 y 2023, la Asociación Mexicana de Venta Online (AMVO, 2024) reportó incrementos anuales de
doble dígito en el comercio electrónico —con un crecimiento de 24.6% en 2023, el mayor a nivel global
ese año—, lo que obligó a un amplio sector de MiPyMEs a incorporar canales digitales con escasa
preparación previa. Ese tránsito acelerado dejó a numerosas empresas con bases de datos recién
generadas, pero sin la capacidad analítica para extraerles valor. De manera simultánea, la incorporación
de herramientas de inteligencia artificial generativa en plataformas de uso masivo ha reducido la barrera
técnica para realizar analítica básica, sin reducir al mismo tiempo la barrera organizacional. Se configura
así un escenario en el que la asimetría entre oferta tecnológica y capacidades administrativas se ha
ampliado, en lugar de cerrarse, lo que refuerza la pertinencia de marcos conceptuales que sitúen el
problema en el terreno de la administración y no solo en el de la infraestructura.
Frente a narrativas tecnologicistas, este trabajo adopta una perspectiva administrativa. Siguiendo a
Davenport (2014) y a McAfee y Brynjolfsson (2012), el Big Data no sustituye el juicio gerencial: lo
reconfigura. El objetivo general es ofrecer un marco conceptual verificable que distinga entre potencial
analítico y capacidad organizacional real, con aplicación al contexto hidalguense y mexicano. Como
objetivos específicos se plantean: (i) integrar la Visión Basada en Recursos (RBV), el marco Tecnología-
Organización-Entorno (TOE) y la teoría de capacidades dinámicas como andamiaje explicativo de la
adopción de Big Data Analytics en MiPyMEs; (ii) sistematizar la evidencia mexicana y regional
INTRODUCCIÓN
México experimentó en 2023 un repunte empresarial notable: el INEGI reportó el nacimiento de 1.67
millones de MiPyMEs, un incremento de 41% respecto al año previo, alcanzando más de 5 millones de
establecimientos activos (Milenio, 2024). Estas empresas concentran el 68.4% del empleo formal y, sin
embargo, presentan una tasa de mortalidad de 52% en los primeros dos años (BBVA, 2024).
Paralelamente, el mercado de analítica de datos en la región crece de forma sostenida. El BID (Balestrini
et al., 2024) documenta que las pymes latinoamericanas que adoptan analítica básica con
acompañamiento estructurado mejoran la calidad de sus decisiones operativas. La paradoja es evidente:
crece la oferta de herramientas mientras la mayoría de las MiPyMEs mexicanas carece de formalización
contable básica —solo 19% de las microempresas cuenta con equipo de cómputo (BBVA, 2024)—.
El contexto posterior a la pandemia de COVID-19 ha acentuado la urgencia de esta discusión. Entre
2019 y 2023, la Asociación Mexicana de Venta Online (AMVO, 2024) reportó incrementos anuales de
doble dígito en el comercio electrónico —con un crecimiento de 24.6% en 2023, el mayor a nivel global
ese año—, lo que obligó a un amplio sector de MiPyMEs a incorporar canales digitales con escasa
preparación previa. Ese tránsito acelerado dejó a numerosas empresas con bases de datos recién
generadas, pero sin la capacidad analítica para extraerles valor. De manera simultánea, la incorporación
de herramientas de inteligencia artificial generativa en plataformas de uso masivo ha reducido la barrera
técnica para realizar analítica básica, sin reducir al mismo tiempo la barrera organizacional. Se configura
así un escenario en el que la asimetría entre oferta tecnológica y capacidades administrativas se ha
ampliado, en lugar de cerrarse, lo que refuerza la pertinencia de marcos conceptuales que sitúen el
problema en el terreno de la administración y no solo en el de la infraestructura.
Frente a narrativas tecnologicistas, este trabajo adopta una perspectiva administrativa. Siguiendo a
Davenport (2014) y a McAfee y Brynjolfsson (2012), el Big Data no sustituye el juicio gerencial: lo
reconfigura. El objetivo general es ofrecer un marco conceptual verificable que distinga entre potencial
analítico y capacidad organizacional real, con aplicación al contexto hidalguense y mexicano. Como
objetivos específicos se plantean: (i) integrar la Visión Basada en Recursos (RBV), el marco Tecnología-
Organización-Entorno (TOE) y la teoría de capacidades dinámicas como andamiaje explicativo de la
adopción de Big Data Analytics en MiPyMEs; (ii) sistematizar la evidencia mexicana y regional
pág. 5550
disponible sobre la relación entre BDA y toma de decisiones; y (iii) proponer una ruta de maduración
escalonada aplicable al contexto de las MiPyMEs mexicanas.
METODOLOGÍA
Se realizó una revisión narrativa con criterios explícitos de búsqueda entre enero y abril de 2026, con
un enfoque cualitativo de tipo descriptivo-analítico y diseño documental. Las fuentes consultadas fueron
Scopus, SciELO, Redalyc y Google Scholar. La ecuación de búsqueda utilizada fue la siguiente:
(“big data analytics” OR “analítica de datos”) AND (PyME OR MiPyME OR SME) AND (México OR
“América Latina”)
Los criterios de inclusión fueron: (a) artículos arbitrados publicados entre 2020 y 2024; (b) estudios
empíricos o revisiones teóricas sobre BDA y decisión gerencial; (c) contexto de economías emergentes.
Se excluyeron editoriales, documentos sin acceso completo y reportes de mercado sin metodología
publicada. La búsqueda inicial arrojó 214 resultados; tras depuración por título, resumen y relevancia
temática se analizaron 18 estudios clave, complementados con estadísticas oficiales del INEGI
(ENAPROCE 2018) y el reporte del BID (2024).
Como consideración ética, al tratarse de una revisión documental basada en fuentes públicas arbitradas,
no hubo intervención con sujetos humanos; se respetaron los lineamientos de citación de la American
Psychological Association (APA, 7.ª edición) para reconocer adecuadamente la autoría de las fuentes
utilizadas. Entre las limitaciones del método destacan la no aplicación del protocolo PRISMA, que
restringe la replicabilidad del proceso, y la dependencia de fuentes oficiales cuyos datos pueden tener
desactualización post-pandemia.
MARCO TEÓRICO INTEGRADO
Visión Basada en Recursos (RBV)
La Visión Basada en Recursos (RBV, por sus siglas en inglés) constituye uno de los marcos teóricos
más influyentes en la estrategia empresarial contemporánea. Formulada originalmente por Wernerfelt
(1984) y consolidada por Barney (1991), la RBV sostiene que la ventaja competitiva sostenible de una
organización no proviene de su posición en el mercado, sino de la posesión y control de recursos internos
que sean Valiosos, Raros, Inimitables y aprovechados por la Organización (criterios VRIO). Bajo esta
disponible sobre la relación entre BDA y toma de decisiones; y (iii) proponer una ruta de maduración
escalonada aplicable al contexto de las MiPyMEs mexicanas.
METODOLOGÍA
Se realizó una revisión narrativa con criterios explícitos de búsqueda entre enero y abril de 2026, con
un enfoque cualitativo de tipo descriptivo-analítico y diseño documental. Las fuentes consultadas fueron
Scopus, SciELO, Redalyc y Google Scholar. La ecuación de búsqueda utilizada fue la siguiente:
(“big data analytics” OR “analítica de datos”) AND (PyME OR MiPyME OR SME) AND (México OR
“América Latina”)
Los criterios de inclusión fueron: (a) artículos arbitrados publicados entre 2020 y 2024; (b) estudios
empíricos o revisiones teóricas sobre BDA y decisión gerencial; (c) contexto de economías emergentes.
Se excluyeron editoriales, documentos sin acceso completo y reportes de mercado sin metodología
publicada. La búsqueda inicial arrojó 214 resultados; tras depuración por título, resumen y relevancia
temática se analizaron 18 estudios clave, complementados con estadísticas oficiales del INEGI
(ENAPROCE 2018) y el reporte del BID (2024).
Como consideración ética, al tratarse de una revisión documental basada en fuentes públicas arbitradas,
no hubo intervención con sujetos humanos; se respetaron los lineamientos de citación de la American
Psychological Association (APA, 7.ª edición) para reconocer adecuadamente la autoría de las fuentes
utilizadas. Entre las limitaciones del método destacan la no aplicación del protocolo PRISMA, que
restringe la replicabilidad del proceso, y la dependencia de fuentes oficiales cuyos datos pueden tener
desactualización post-pandemia.
MARCO TEÓRICO INTEGRADO
Visión Basada en Recursos (RBV)
La Visión Basada en Recursos (RBV, por sus siglas en inglés) constituye uno de los marcos teóricos
más influyentes en la estrategia empresarial contemporánea. Formulada originalmente por Wernerfelt
(1984) y consolidada por Barney (1991), la RBV sostiene que la ventaja competitiva sostenible de una
organización no proviene de su posición en el mercado, sino de la posesión y control de recursos internos
que sean Valiosos, Raros, Inimitables y aprovechados por la Organización (criterios VRIO). Bajo esta
pág. 5551
lógica, un recurso genera renta económica solo cuando los competidores no pueden replicarlo ni
sustituirlo con facilidad.
Aplicada al Big Data Analytics (BDA), la RBV impone una distinción conceptual fundamental: los
datos en bruto, las plataformas tecnológicas y el software de analítica no constituyen por sí mismos
recursos VRIO. Cualquier empresa puede adquirir almacenamiento en la nube, contratar una licencia de
Power BI o acceder a conjuntos de datos públicos. Lo que sí puede convertirse en un recurso inimitable
es la capacidad organizacional para integrar esos datos en rutinas de decisión específicas, adaptadas a
los procesos, la cultura y el modelo de negocio de cada empresa (Mikalef et al., 2020). Por ello, en este
trabajo se habla de “capacidad de BDA”, no de “tener Big Data”: la ventaja no radica en la acumulación
de datos, sino en la habilidad para convertirlos en decisiones mejores y más rápidas que las de los
competidores.
Este matiz adquiere relevancia crítica en el contexto de las MiPyMEs mexicanas. A diferencia de las
grandes corporaciones, las pequeñas y medianas empresas no compiten en el volumen de datos que
pueden procesar, sino en la agilidad con que convierten información operativa cotidiana —ventas,
inventarios, quejas de clientes— en ajustes concretos a sus procesos. En este sentido, la RBV sugiere
que la estrategia de adopción de BDA más adecuada para una MiPyME no consiste en replicar los
modelos de analítica avanzada de empresas como Amazon o FEMSA, sino en identificar qué decisiones
recurrentes podrían mejorarse con los datos que ya existen dentro de la organización y que actualmente
no se analizan de forma sistemática. La rareza y la inimitabilidad, en este caso, no provienen de la
tecnología sino del conocimiento tácito acumulado por la empresa sobre su propio mercado local, sus
clientes y sus proveedores, combinado con una mínima capacidad analítica que permita hacer explícito
ese conocimiento.
Marco Tecnología-Organización-Entorno (TOE)
El marco Tecnología-Organización-Entorno (TOE), desarrollado por Tornatzky y Fleischer (1990),
ofrece un modelo explicativo de la adopción tecnológica que resulta especialmente pertinente para el
contexto de las MiPyMEs. A diferencia de los modelos de aceptación tecnológica centrados en el usuario
individual —como el TAM de Davis (1989)—, el TOE examina la adopción como un fenómeno
lógica, un recurso genera renta económica solo cuando los competidores no pueden replicarlo ni
sustituirlo con facilidad.
Aplicada al Big Data Analytics (BDA), la RBV impone una distinción conceptual fundamental: los
datos en bruto, las plataformas tecnológicas y el software de analítica no constituyen por sí mismos
recursos VRIO. Cualquier empresa puede adquirir almacenamiento en la nube, contratar una licencia de
Power BI o acceder a conjuntos de datos públicos. Lo que sí puede convertirse en un recurso inimitable
es la capacidad organizacional para integrar esos datos en rutinas de decisión específicas, adaptadas a
los procesos, la cultura y el modelo de negocio de cada empresa (Mikalef et al., 2020). Por ello, en este
trabajo se habla de “capacidad de BDA”, no de “tener Big Data”: la ventaja no radica en la acumulación
de datos, sino en la habilidad para convertirlos en decisiones mejores y más rápidas que las de los
competidores.
Este matiz adquiere relevancia crítica en el contexto de las MiPyMEs mexicanas. A diferencia de las
grandes corporaciones, las pequeñas y medianas empresas no compiten en el volumen de datos que
pueden procesar, sino en la agilidad con que convierten información operativa cotidiana —ventas,
inventarios, quejas de clientes— en ajustes concretos a sus procesos. En este sentido, la RBV sugiere
que la estrategia de adopción de BDA más adecuada para una MiPyME no consiste en replicar los
modelos de analítica avanzada de empresas como Amazon o FEMSA, sino en identificar qué decisiones
recurrentes podrían mejorarse con los datos que ya existen dentro de la organización y que actualmente
no se analizan de forma sistemática. La rareza y la inimitabilidad, en este caso, no provienen de la
tecnología sino del conocimiento tácito acumulado por la empresa sobre su propio mercado local, sus
clientes y sus proveedores, combinado con una mínima capacidad analítica que permita hacer explícito
ese conocimiento.
Marco Tecnología-Organización-Entorno (TOE)
El marco Tecnología-Organización-Entorno (TOE), desarrollado por Tornatzky y Fleischer (1990),
ofrece un modelo explicativo de la adopción tecnológica que resulta especialmente pertinente para el
contexto de las MiPyMEs. A diferencia de los modelos de aceptación tecnológica centrados en el usuario
individual —como el TAM de Davis (1989)—, el TOE examina la adopción como un fenómeno
pág. 5552
organizacional condicionado simultáneamente por tres dimensiones: la tecnológica, la organizacional y
la ambiental.
La dimensión tecnológica se refiere a las características propias de la tecnología que facilitan o
dificultan su adopción. En el caso del BDA, los factores tecnológicos relevantes incluyen la ventaja
relativa percibida —en qué medida la analítica de datos mejora los resultados respecto a los métodos
actuales—, la compatibilidad con los procesos y sistemas existentes, y la complejidad percibida para su
implementación. Para una microempresa mexicana que opera con hojas de cálculo y registros en papel,
la percepción de complejidad tecnológica puede ser una barrera de entrada decisiva, incluso cuando
existen herramientas gratuitas y accesibles como Looker Studio o Google Analytics.
La dimensión organizacional abarca factores internos como el tamaño de la empresa, el apoyo de la
dirección, los recursos financieros y humanos disponibles, y la cultura organizacional. La evidencia
empírica es consistente en señalar que el apoyo del propietario o director es el factor organizacional más
determinante en las PyMEs, por encima de la disponibilidad de recursos tecnológicos (Maroufkhani et
al., 2020). En el contexto mexicano, donde el 95% de las empresas son micronegocios de carácter
familiar con toma de decisiones centralizada, la actitud del dueño hacia los datos —si los percibe como
una herramienta de gestión o como una carga administrativa— condiciona toda posibilidad de adopción
de BDA.
La dimensión ambiental incluye la presión competitiva del sector, la disponibilidad de soporte
tecnológico externo, el marco regulatorio y el nivel de digitalización del ecosistema en que opera la
empresa. En México, esta dimensión presenta una configuración particular: la presión competitiva es
alta en sectores como el comercio minorista y los servicios, pero el soporte técnico especializado y
asequible para MiPyMEs es escaso, y la infraestructura digital presenta brechas significativas entre
zonas urbanas y rurales. Maroufkhani et al. (2020), en su estudio con PyMEs iraníes —un contexto con
similitudes estructurales al mexicano—, demostraron que los factores organizacionales y ambientales
pesan más que la sofisticación técnica en la decisión de adopción. Esta conclusión tiene implicaciones
directas para el diseño de políticas públicas y programas de apoyo a MiPyMEs: la intervención más
efectiva no es subsidiar tecnología, sino desarrollar capacidades organizacionales y fortalecer el
ecosistema de soporte.
organizacional condicionado simultáneamente por tres dimensiones: la tecnológica, la organizacional y
la ambiental.
La dimensión tecnológica se refiere a las características propias de la tecnología que facilitan o
dificultan su adopción. En el caso del BDA, los factores tecnológicos relevantes incluyen la ventaja
relativa percibida —en qué medida la analítica de datos mejora los resultados respecto a los métodos
actuales—, la compatibilidad con los procesos y sistemas existentes, y la complejidad percibida para su
implementación. Para una microempresa mexicana que opera con hojas de cálculo y registros en papel,
la percepción de complejidad tecnológica puede ser una barrera de entrada decisiva, incluso cuando
existen herramientas gratuitas y accesibles como Looker Studio o Google Analytics.
La dimensión organizacional abarca factores internos como el tamaño de la empresa, el apoyo de la
dirección, los recursos financieros y humanos disponibles, y la cultura organizacional. La evidencia
empírica es consistente en señalar que el apoyo del propietario o director es el factor organizacional más
determinante en las PyMEs, por encima de la disponibilidad de recursos tecnológicos (Maroufkhani et
al., 2020). En el contexto mexicano, donde el 95% de las empresas son micronegocios de carácter
familiar con toma de decisiones centralizada, la actitud del dueño hacia los datos —si los percibe como
una herramienta de gestión o como una carga administrativa— condiciona toda posibilidad de adopción
de BDA.
La dimensión ambiental incluye la presión competitiva del sector, la disponibilidad de soporte
tecnológico externo, el marco regulatorio y el nivel de digitalización del ecosistema en que opera la
empresa. En México, esta dimensión presenta una configuración particular: la presión competitiva es
alta en sectores como el comercio minorista y los servicios, pero el soporte técnico especializado y
asequible para MiPyMEs es escaso, y la infraestructura digital presenta brechas significativas entre
zonas urbanas y rurales. Maroufkhani et al. (2020), en su estudio con PyMEs iraníes —un contexto con
similitudes estructurales al mexicano—, demostraron que los factores organizacionales y ambientales
pesan más que la sofisticación técnica en la decisión de adopción. Esta conclusión tiene implicaciones
directas para el diseño de políticas públicas y programas de apoyo a MiPyMEs: la intervención más
efectiva no es subsidiar tecnología, sino desarrollar capacidades organizacionales y fortalecer el
ecosistema de soporte.
pág. 5553
Capacidades dinámicas como mecanismo mediador
La teoría de las capacidades dinámicas, formulada por Teece, Pisano y Shuen (1997) y refinada por
Teece (2007), complementa la RBV al explicar cómo las organizaciones generan ventaja competitiva
en entornos de alta incertidumbre y cambio acelerado. Mientras la RBV identifica qué recursos son
valiosos, las capacidades dinámicas explican el proceso mediante el cual las empresas los integran,
reconfiguran y renuevan. Teece (2007) desagrega este proceso en tres micro-fundamentos: el sensado
(sensing), que implica identificar y monitorear oportunidades y amenazas en el entorno; la apropiación
(seizing), que refiere a la captura de valor a través de la movilización de recursos hacia las oportunidades
identificadas; y la transformación (transforming), que alude a la reconfiguración de procesos, estructuras
y cultura organizacional para sostener el desempeño en el tiempo.
En el contexto del BDA, estas tres capacidades operan como el mecanismo de traducción entre la
disponibilidad de datos y la mejora efectiva de las decisiones. Una empresa puede contar con un tablero
de ventas en tiempo real —condición técnica suficiente para el sensado— pero no desarrollar la
capacidad de interpretar esas señales como oportunidades de reposicionamiento (apropiación), ni de
modificar sus procesos de compra o gestión de inventario como consecuencia (transformación). Gupta
et al. (2019) y Müller et al. (2018) demuestran empíricamente que la relación entre BDA y desempeño
está mediada precisamente por estas capacidades: las empresas que convierten datos en mejores
decisiones son las que reconfiguran procesos, no las que acumulan infraestructura tecnológica.
Un elemento complementario a este marco es el modelo SECI de Nonaka (1994), que describe cómo el
conocimiento fluye dentro de las organizaciones a través de cuatro procesos: socialización
(conocimiento tácito a tácito), externalización (tácito a explícito), combinación (explícito a explícito) e
internalización (explícito a tácito). Aplicado al BDA, este modelo sugiere que los datos analíticos solo
generan valor organizacional cuando logran internalizarse como rutinas de decisión compartidas entre
los miembros del equipo. En otras palabras, un reporte de ventas no cambia el comportamiento de una
empresa si sus vendedores y gerentes no modifican sus prácticas cotidianas a partir de él. Esta
perspectiva refuerza la conclusión del marco TOE: la adopción efectiva del BDA requiere un proceso
de aprendizaje organizacional que antecede y acompaña a la implementación tecnológica, y no puede
reducirse a la instalación de una herramienta de software.
Capacidades dinámicas como mecanismo mediador
La teoría de las capacidades dinámicas, formulada por Teece, Pisano y Shuen (1997) y refinada por
Teece (2007), complementa la RBV al explicar cómo las organizaciones generan ventaja competitiva
en entornos de alta incertidumbre y cambio acelerado. Mientras la RBV identifica qué recursos son
valiosos, las capacidades dinámicas explican el proceso mediante el cual las empresas los integran,
reconfiguran y renuevan. Teece (2007) desagrega este proceso en tres micro-fundamentos: el sensado
(sensing), que implica identificar y monitorear oportunidades y amenazas en el entorno; la apropiación
(seizing), que refiere a la captura de valor a través de la movilización de recursos hacia las oportunidades
identificadas; y la transformación (transforming), que alude a la reconfiguración de procesos, estructuras
y cultura organizacional para sostener el desempeño en el tiempo.
En el contexto del BDA, estas tres capacidades operan como el mecanismo de traducción entre la
disponibilidad de datos y la mejora efectiva de las decisiones. Una empresa puede contar con un tablero
de ventas en tiempo real —condición técnica suficiente para el sensado— pero no desarrollar la
capacidad de interpretar esas señales como oportunidades de reposicionamiento (apropiación), ni de
modificar sus procesos de compra o gestión de inventario como consecuencia (transformación). Gupta
et al. (2019) y Müller et al. (2018) demuestran empíricamente que la relación entre BDA y desempeño
está mediada precisamente por estas capacidades: las empresas que convierten datos en mejores
decisiones son las que reconfiguran procesos, no las que acumulan infraestructura tecnológica.
Un elemento complementario a este marco es el modelo SECI de Nonaka (1994), que describe cómo el
conocimiento fluye dentro de las organizaciones a través de cuatro procesos: socialización
(conocimiento tácito a tácito), externalización (tácito a explícito), combinación (explícito a explícito) e
internalización (explícito a tácito). Aplicado al BDA, este modelo sugiere que los datos analíticos solo
generan valor organizacional cuando logran internalizarse como rutinas de decisión compartidas entre
los miembros del equipo. En otras palabras, un reporte de ventas no cambia el comportamiento de una
empresa si sus vendedores y gerentes no modifican sus prácticas cotidianas a partir de él. Esta
perspectiva refuerza la conclusión del marco TOE: la adopción efectiva del BDA requiere un proceso
de aprendizaje organizacional que antecede y acompaña a la implementación tecnológica, y no puede
reducirse a la instalación de una herramienta de software.
pág. 5554
En conjunto, la RBV, el marco TOE y la teoría de las capacidades dinámicas —enriquecida con el
modelo SECI— proporcionan un andamiaje teórico integrado para analizar por qué algunas MiPyMEs
mexicanas logran extraer valor del BDA mientras que otras, con recursos similares, no lo consiguen. La
diferencia no radica en la tecnología disponible, sino en la combinación de liderazgo directivo orientado
a datos, procesos estandarizados que permiten capturar y utilizar información, y una cultura
organizacional que valora la evidencia por encima de la intuición no informada.
RESULTADOS Y DISCUSIÓN
Diagnóstico estructural: ENAPROCE 2018
La Encuesta Nacional sobre Productividad y Competitividad de las MiPyMEs (INEGI, 2019) revela que
57.7% de las empresas utiliza servicios de contador o paquetes contables, 18.1% no realiza contabilidad
formal y solo 33.5% cuenta con sistemas propios. Esta baja formalización constituye una barrera
estructural anterior a cualquier iniciativa de BDA: sin datos mínimamente confiables, ninguna
herramienta analítica genera valor. Es la precondición que el modelo de maduración debe atender
primero.
Caso OXXO: el cuello de botella es organizacional
Corral-Garza et al. (2020) analizaron a FEMSA Comercio (OXXO), que opera más de 18,800 tiendas y
procesa millones de transacciones diarias. A pesar de contar con infraestructura tecnológica avanzada,
los autores identifican cuatro barreras que impiden la sinergia entre BDA y resultados: falta de
comunicación interdepartamental, ausencia de estandarización de procesos, factor humano no
capacitado y alcance limitado de las herramientas implementadas. El caso demuestra que incluso en
grandes retailers mexicanos, el cuello de botella es organizacional, no tecnológico —lo que refuerza
directamente el argumento TOE y RBV de este artículo.
Evidencia regional: BID 2024
Balestrini et al. (2024) documentan, en un proyecto del BID con pymes de Colombia, El Salvador y
Uruguay, que la analítica básica mejora la calidad de las decisiones operativas cuando se combina con
acompañamiento en madurez digital. La condición necesaria no es la sofisticación tecnológica, sino el
desarrollo gradual de capacidades organizacionales —hallazgo consistente con Maroufkhani et al.
(2020) y con la ruta propuesta en la siguiente sección.
En conjunto, la RBV, el marco TOE y la teoría de las capacidades dinámicas —enriquecida con el
modelo SECI— proporcionan un andamiaje teórico integrado para analizar por qué algunas MiPyMEs
mexicanas logran extraer valor del BDA mientras que otras, con recursos similares, no lo consiguen. La
diferencia no radica en la tecnología disponible, sino en la combinación de liderazgo directivo orientado
a datos, procesos estandarizados que permiten capturar y utilizar información, y una cultura
organizacional que valora la evidencia por encima de la intuición no informada.
RESULTADOS Y DISCUSIÓN
Diagnóstico estructural: ENAPROCE 2018
La Encuesta Nacional sobre Productividad y Competitividad de las MiPyMEs (INEGI, 2019) revela que
57.7% de las empresas utiliza servicios de contador o paquetes contables, 18.1% no realiza contabilidad
formal y solo 33.5% cuenta con sistemas propios. Esta baja formalización constituye una barrera
estructural anterior a cualquier iniciativa de BDA: sin datos mínimamente confiables, ninguna
herramienta analítica genera valor. Es la precondición que el modelo de maduración debe atender
primero.
Caso OXXO: el cuello de botella es organizacional
Corral-Garza et al. (2020) analizaron a FEMSA Comercio (OXXO), que opera más de 18,800 tiendas y
procesa millones de transacciones diarias. A pesar de contar con infraestructura tecnológica avanzada,
los autores identifican cuatro barreras que impiden la sinergia entre BDA y resultados: falta de
comunicación interdepartamental, ausencia de estandarización de procesos, factor humano no
capacitado y alcance limitado de las herramientas implementadas. El caso demuestra que incluso en
grandes retailers mexicanos, el cuello de botella es organizacional, no tecnológico —lo que refuerza
directamente el argumento TOE y RBV de este artículo.
Evidencia regional: BID 2024
Balestrini et al. (2024) documentan, en un proyecto del BID con pymes de Colombia, El Salvador y
Uruguay, que la analítica básica mejora la calidad de las decisiones operativas cuando se combina con
acompañamiento en madurez digital. La condición necesaria no es la sofisticación tecnológica, sino el
desarrollo gradual de capacidades organizacionales —hallazgo consistente con Maroufkhani et al.
(2020) y con la ruta propuesta en la siguiente sección.
pág. 5555
Desafíos específicos para la administración en México
A partir de la literatura revisada y los datos nacionales, se identifican cinco desafíos interrelacionados
que condicionan la adopción efectiva del Big Data Analytics en las MiPyMEs mexicanas. Estos desafíos
no son independientes: se refuerzan mutuamente y conforman un sistema de barreras que debe atenderse
de forma articulada, no mediante intervenciones aisladas.
Brecha de capacidades humanas. El primero y más crítico de los desafíos es la escasez de perfiles
profesionales que combinen formación administrativa con competencias en analítica de datos. En el
contexto mexicano, la oferta educativa en ciencia de datos se concentra en programas de ingeniería y
tecnologías de la información, con escasa penetración en las escuelas de negocios y administración. Esta
brecha genera una paradoja operativa: las personas que más necesitan interpretar datos —los
administradores y dueños de MiPyMEs— son precisamente quienes menos herramientas analíticas
tienen, mientras que quienes dominan las herramientas técnicas carecen con frecuencia del contexto de
negocio necesario para formular preguntas relevantes. Korherr y Kanbach (2023) documentan que las
capacidades humanas relacionadas con BDA —incluyendo pensamiento analítico, alfabetización en
datos y habilidades de comunicación de resultados— son el cuello de botella más persistente en
organizaciones de todos los tamaños, por encima de las limitaciones tecnológicas.
Calidad y gobierno de datos. El segundo desafío es estructural: antes de analizar datos, es necesario
tenerlos en condiciones mínimas de confiabilidad. Como revela la ENAPROCE 2018, el 18.1% de las
microempresas mexicanas no lleva contabilidad formal, y la mayoría de las que sí lo hacen utilizan
registros dispersos en hojas de cálculo sin criterios de estandarización. En este contexto, implementar
una herramienta de analítica sobre datos inconsistentes produce resultados que no solo son inútiles, sino
potencialmente dañinos para la toma de decisiones. A esto se suma la ausencia de políticas internas de
gestión de datos alineadas con la Ley Federal de Protección de Datos Personales en Posesión de los
Particulares (LFPDPPP), lo que expone a las empresas a riesgos legales que no suelen considerar al
digitalizar su operación.
Cultura organizacional centralizada. El tercer desafío es de naturaleza cultural y remite directamente
al marco TOE: en empresas familiares y micronegocios, la toma de decisiones suele estar concentrada
en el propietario o fundador, cuya autoridad se sustenta en la experiencia acumulada y el conocimiento
Desafíos específicos para la administración en México
A partir de la literatura revisada y los datos nacionales, se identifican cinco desafíos interrelacionados
que condicionan la adopción efectiva del Big Data Analytics en las MiPyMEs mexicanas. Estos desafíos
no son independientes: se refuerzan mutuamente y conforman un sistema de barreras que debe atenderse
de forma articulada, no mediante intervenciones aisladas.
Brecha de capacidades humanas. El primero y más crítico de los desafíos es la escasez de perfiles
profesionales que combinen formación administrativa con competencias en analítica de datos. En el
contexto mexicano, la oferta educativa en ciencia de datos se concentra en programas de ingeniería y
tecnologías de la información, con escasa penetración en las escuelas de negocios y administración. Esta
brecha genera una paradoja operativa: las personas que más necesitan interpretar datos —los
administradores y dueños de MiPyMEs— son precisamente quienes menos herramientas analíticas
tienen, mientras que quienes dominan las herramientas técnicas carecen con frecuencia del contexto de
negocio necesario para formular preguntas relevantes. Korherr y Kanbach (2023) documentan que las
capacidades humanas relacionadas con BDA —incluyendo pensamiento analítico, alfabetización en
datos y habilidades de comunicación de resultados— son el cuello de botella más persistente en
organizaciones de todos los tamaños, por encima de las limitaciones tecnológicas.
Calidad y gobierno de datos. El segundo desafío es estructural: antes de analizar datos, es necesario
tenerlos en condiciones mínimas de confiabilidad. Como revela la ENAPROCE 2018, el 18.1% de las
microempresas mexicanas no lleva contabilidad formal, y la mayoría de las que sí lo hacen utilizan
registros dispersos en hojas de cálculo sin criterios de estandarización. En este contexto, implementar
una herramienta de analítica sobre datos inconsistentes produce resultados que no solo son inútiles, sino
potencialmente dañinos para la toma de decisiones. A esto se suma la ausencia de políticas internas de
gestión de datos alineadas con la Ley Federal de Protección de Datos Personales en Posesión de los
Particulares (LFPDPPP), lo que expone a las empresas a riesgos legales que no suelen considerar al
digitalizar su operación.
Cultura organizacional centralizada. El tercer desafío es de naturaleza cultural y remite directamente
al marco TOE: en empresas familiares y micronegocios, la toma de decisiones suele estar concentrada
en el propietario o fundador, cuya autoridad se sustenta en la experiencia acumulada y el conocimiento
pág. 5556
tácito del negocio. Introducir tableros de indicadores o reportes analíticos puede percibirse, en este
contexto, no como una herramienta de apoyo sino como una amenaza a la autoridad decisoria.
Maroufkhani et al. (2020) confirman que la resistencia gerencial —operacionalizada como
sobreconfianza en la experiencia intuitiva— es una de las tres principales barreras cognitivas para la
adopción de BDA en PyMEs. Transformar esta cultura requiere no solo capacitación técnica, sino un
proceso de gestión del cambio que reconozca el valor del conocimiento tácito existente y lo articule con
los insights analíticos, en lugar de presentarlos como sustitutos.
Costo percibido. El cuarto desafío es la percepción generalizada de que la analítica de datos implica
inversiones elevadas e inaccesibles para empresas pequeñas. Esta percepción, aunque comprensible
dada la experiencia histórica con software empresarial costoso, no se corresponde con la oferta
tecnológica actual: existen herramientas gratuitas o de bajo costo —Google Looker Studio, Power BI
en su versión básica, hojas de cálculo con funciones analíticas— que permiten implementar analítica
descriptiva sin inversión significativa en infraestructura. El problema real no es el costo de la tecnología,
sino el costo de oportunidad del tiempo gerencial requerido para aprender a usarla y el costo de la
asesoría especializada para implementarla correctamente. Maroufkhani et al. (2020) señalan que cuando
la inversión en BDA se enmarca como gasto operativo en lugar de desarrollo de capacidades, la
disposición a adoptarla disminuye significativamente, independientemente del monto involucrado.
Ecosistema fragmentado. El quinto desafío es contextual y afecta particularmente a las microempresas
fuera de los grandes centros urbanos. El 95% de las empresas mexicanas son micronegocios, muchos de
los cuales operan con conectividad limitada, sin acceso a soporte técnico especializado y en ausencia de
redes de pares que compartan experiencias de digitalización. Esta fragmentación del ecosistema implica
que las MiPyMEs deben enfrentar la curva de aprendizaje del BDA de forma aislada, sin los referentes
sectoriales ni el soporte institucional que tienen sus contrapartes en economías más desarrolladas. La
evidencia del BID (Balestrini et al., 2024) sugiere precisamente que el acompañamiento externo
estructurado —por parte de universidades, incubadoras o programas gubernamentales— es una
condición necesaria para que la adopción de analítica básica se traduzca en mejoras reales en la calidad
de las decisiones.
tácito del negocio. Introducir tableros de indicadores o reportes analíticos puede percibirse, en este
contexto, no como una herramienta de apoyo sino como una amenaza a la autoridad decisoria.
Maroufkhani et al. (2020) confirman que la resistencia gerencial —operacionalizada como
sobreconfianza en la experiencia intuitiva— es una de las tres principales barreras cognitivas para la
adopción de BDA en PyMEs. Transformar esta cultura requiere no solo capacitación técnica, sino un
proceso de gestión del cambio que reconozca el valor del conocimiento tácito existente y lo articule con
los insights analíticos, en lugar de presentarlos como sustitutos.
Costo percibido. El cuarto desafío es la percepción generalizada de que la analítica de datos implica
inversiones elevadas e inaccesibles para empresas pequeñas. Esta percepción, aunque comprensible
dada la experiencia histórica con software empresarial costoso, no se corresponde con la oferta
tecnológica actual: existen herramientas gratuitas o de bajo costo —Google Looker Studio, Power BI
en su versión básica, hojas de cálculo con funciones analíticas— que permiten implementar analítica
descriptiva sin inversión significativa en infraestructura. El problema real no es el costo de la tecnología,
sino el costo de oportunidad del tiempo gerencial requerido para aprender a usarla y el costo de la
asesoría especializada para implementarla correctamente. Maroufkhani et al. (2020) señalan que cuando
la inversión en BDA se enmarca como gasto operativo en lugar de desarrollo de capacidades, la
disposición a adoptarla disminuye significativamente, independientemente del monto involucrado.
Ecosistema fragmentado. El quinto desafío es contextual y afecta particularmente a las microempresas
fuera de los grandes centros urbanos. El 95% de las empresas mexicanas son micronegocios, muchos de
los cuales operan con conectividad limitada, sin acceso a soporte técnico especializado y en ausencia de
redes de pares que compartan experiencias de digitalización. Esta fragmentación del ecosistema implica
que las MiPyMEs deben enfrentar la curva de aprendizaje del BDA de forma aislada, sin los referentes
sectoriales ni el soporte institucional que tienen sus contrapartes en economías más desarrolladas. La
evidencia del BID (Balestrini et al., 2024) sugiere precisamente que el acompañamiento externo
estructurado —por parte de universidades, incubadoras o programas gubernamentales— es una
condición necesaria para que la adopción de analítica básica se traduzca en mejoras reales en la calidad
de las decisiones.
pág. 5557
Modelo de maduración propuesto para MiPyMEs mexicanas
Con base en Mikalef et al. (2020), la evidencia de OXXO y los hallazgos del BID, se propone una ruta
de maduración escalonada, realista y no tecnocéntrica. La transición entre niveles está condicionada por
el desarrollo de capacidades dinámicas: sin sensado y sin transformación de procesos, la inversión
tecnológica no genera valor (Müller et al., 2018).
Tabla 1. Modelo de maduración de BDA para MiPyMEs mexicanas.
Nivel Nombre Acciones clave Métricas de avance
1 Fundamentos de datos Estandarizar procesos comerciales;
designar responsable de datos;
cumplir principios LFPDPPP;
depurar registros duplicados
% de registros completos;
cobertura de política de
datos
2 Analítica descriptiva Implementar tableros gratuitos
(Power BI / Looker Studio)
orientados a una pregunta de negocio
concreta (p. ej., productos con mayor
merma)
Tiempo de respuesta a
desviaciones; adopción del
tablero por área
3 Analítica predictiva
focalizada
Modelo simple de pronóstico de
demanda o segmentación RFM;
apoyo externo (academia,
incubadora, BID)
Mejora en rotación de
inventario; reducción de
fuga de clientes
Elaboración propia con base en Mikalef et al. (2020) y Balestrini et al. (2024).
Modelo de maduración propuesto para MiPyMEs mexicanas
Con base en Mikalef et al. (2020), la evidencia de OXXO y los hallazgos del BID, se propone una ruta
de maduración escalonada, realista y no tecnocéntrica. La transición entre niveles está condicionada por
el desarrollo de capacidades dinámicas: sin sensado y sin transformación de procesos, la inversión
tecnológica no genera valor (Müller et al., 2018).
Tabla 1. Modelo de maduración de BDA para MiPyMEs mexicanas.
Nivel Nombre Acciones clave Métricas de avance
1 Fundamentos de datos Estandarizar procesos comerciales;
designar responsable de datos;
cumplir principios LFPDPPP;
depurar registros duplicados
% de registros completos;
cobertura de política de
datos
2 Analítica descriptiva Implementar tableros gratuitos
(Power BI / Looker Studio)
orientados a una pregunta de negocio
concreta (p. ej., productos con mayor
merma)
Tiempo de respuesta a
desviaciones; adopción del
tablero por área
3 Analítica predictiva
focalizada
Modelo simple de pronóstico de
demanda o segmentación RFM;
apoyo externo (academia,
incubadora, BID)
Mejora en rotación de
inventario; reducción de
fuga de clientes
Elaboración propia con base en Mikalef et al. (2020) y Balestrini et al. (2024).
pág. 5558
Síntesis de literatura clave
La Tabla 2 sistematiza los seis estudios centrales de la revisión, incluyendo sus limitaciones, para
fundamentar la transferibilidad al contexto mexicano.
Tabla 2. Síntesis de estudios clave revisados.
Autor/Año Muestra/Conte
xto
Hallazgo clave Relevancia para
México
Limitación
Mikalef et al.,
2020
Revisión de 200
artículos
BDA impacta el
desempeño vía
capacidades dinámicas
(sensado, apropiación,
transformación)
Marco teórico
central del presente
artículo
Sin datos
primarios;
contexto
europeo/global
Müller et al.,
2018
1,500 firmas,
UE
Efecto de BDA sobre
desempeño moderado
por industria y
madurez
organizacional
Confirma que el
impacto no es
homogéneo: las
MiPyMEs
mexicanas
enfrentan
condiciones
distintas
Contexto
desarrollado; no
generalizable
directamente
Maroufkhani
et al., 2020
PyMEs, Irán TOE predice la
adopción; los factores
organizacionales
superan a los
tecnológicos
Aplica
directamente al
contexto mexicano,
donde la cultura y el
apoyo directivo son
determinantes
Muestra de un solo
país en vías de
desarrollo
Síntesis de literatura clave
La Tabla 2 sistematiza los seis estudios centrales de la revisión, incluyendo sus limitaciones, para
fundamentar la transferibilidad al contexto mexicano.
Tabla 2. Síntesis de estudios clave revisados.
Autor/Año Muestra/Conte
xto
Hallazgo clave Relevancia para
México
Limitación
Mikalef et al.,
2020
Revisión de 200
artículos
BDA impacta el
desempeño vía
capacidades dinámicas
(sensado, apropiación,
transformación)
Marco teórico
central del presente
artículo
Sin datos
primarios;
contexto
europeo/global
Müller et al.,
2018
1,500 firmas,
UE
Efecto de BDA sobre
desempeño moderado
por industria y
madurez
organizacional
Confirma que el
impacto no es
homogéneo: las
MiPyMEs
mexicanas
enfrentan
condiciones
distintas
Contexto
desarrollado; no
generalizable
directamente
Maroufkhani
et al., 2020
PyMEs, Irán TOE predice la
adopción; los factores
organizacionales
superan a los
tecnológicos
Aplica
directamente al
contexto mexicano,
donde la cultura y el
apoyo directivo son
determinantes
Muestra de un solo
país en vías de
desarrollo
pág. 5559
Autor/Año Muestra/Conte
xto
Hallazgo clave Relevancia para
México
Limitación
Corral-Garza
et al., 2020
OXXO, México
(>18,800
tiendas)
Cuatro barreras
organizacionales
bloquean la sinergia
del BDA pese a la
infraestructura
disponible
Único caso
empírico mexicano
documentado en
literatura arbitrada
Caso único; sector
retail; no
generalizable a
MiPyMEs
Balestrini et
al. (BID),
2024
PyMEs
Colombia, El
Salvador,
Uruguay
La analítica básica
mejora decisiones con
acompañamiento
externo estructurado
Referente regional
más reciente; valida
la ruta gradual
propuesta
Sesgo de selección
(proyectos BID);
no incluye México
ENAPROCE
2018 (INEGI)
4.1 M de
MiPyMEs,
México
57.7% usa
contador/paquetes;
18.1% sin
contabilidad; 33.5%
con sistemas propios
Evidencia
estructural del
déficit de
formalización
contable previo a
cualquier BDA
Datos de 2018;
posible
desactualización
post-pandemia
Elaboración propia.
Análisis sectorial: diferencias en la preparación digital
La literatura revisada y los datos oficiales permiten identificar una marcada heterogeneidad entre
sectores económicos en cuanto a la preparación para adoptar BDA. El sector comercio, que concentra
la mayor parte de las MiPyMEs mexicanas (INEGI, 2019), enfrenta una presión competitiva creciente
por la expansión del comercio electrónico y las plataformas de marketplace, lo que genera un estímulo
externo hacia la digitalización. Sin embargo, la abundancia de microempresas sin formalización
contable en este sector limita la disponibilidad de datos estructurados utilizables. El sector de servicios
Autor/Año Muestra/Conte
xto
Hallazgo clave Relevancia para
México
Limitación
Corral-Garza
et al., 2020
OXXO, México
(>18,800
tiendas)
Cuatro barreras
organizacionales
bloquean la sinergia
del BDA pese a la
infraestructura
disponible
Único caso
empírico mexicano
documentado en
literatura arbitrada
Caso único; sector
retail; no
generalizable a
MiPyMEs
Balestrini et
al. (BID),
2024
PyMEs
Colombia, El
Salvador,
Uruguay
La analítica básica
mejora decisiones con
acompañamiento
externo estructurado
Referente regional
más reciente; valida
la ruta gradual
propuesta
Sesgo de selección
(proyectos BID);
no incluye México
ENAPROCE
2018 (INEGI)
4.1 M de
MiPyMEs,
México
57.7% usa
contador/paquetes;
18.1% sin
contabilidad; 33.5%
con sistemas propios
Evidencia
estructural del
déficit de
formalización
contable previo a
cualquier BDA
Datos de 2018;
posible
desactualización
post-pandemia
Elaboración propia.
Análisis sectorial: diferencias en la preparación digital
La literatura revisada y los datos oficiales permiten identificar una marcada heterogeneidad entre
sectores económicos en cuanto a la preparación para adoptar BDA. El sector comercio, que concentra
la mayor parte de las MiPyMEs mexicanas (INEGI, 2019), enfrenta una presión competitiva creciente
por la expansión del comercio electrónico y las plataformas de marketplace, lo que genera un estímulo
externo hacia la digitalización. Sin embargo, la abundancia de microempresas sin formalización
contable en este sector limita la disponibilidad de datos estructurados utilizables. El sector de servicios
pág. 5560
profesionales presenta condiciones opuestas: menor presión competitiva inmediata, pero mayor
capacidad técnica y formativa del personal, lo que facilita la adopción cuando existe interés directivo.
El sector manufacturero, por su parte, suele contar con procesos más estandarizados heredados de la
lógica de producción, pero enfrenta barreras de inversión inicial más altas y una rotación de personal
técnico calificado particularmente aguda en regiones como el Bajío y el norte del país.
Esta heterogeneidad sectorial implica que la ruta de maduración propuesta en la Tabla 1 no puede
aplicarse de forma uniforme. Para el comercio, la prioridad del Nivel 1 debería enfocarse en la
integración de datos de punto de venta y plataformas digitales; para los servicios profesionales, en la
digitalización de registros de atención al cliente; y para la manufactura, en la captura sistemática de
datos de producción y calidad. El principio común, sin embargo, es que cada sector debe identificar cuál
es su activo de datos más valioso y menos aprovechado, y construir sobre él su ruta de maduración,
antes de contemplar inversiones en herramientas más sofisticadas.
Discusión integradora
Los hallazgos de esta revisión convergen en un punto central: el determinismo tecnológico —la creencia
de que más datos equivale a mejores decisiones— no encuentra respaldo empírico en el contexto
mexicano. Ni el caso OXXO, con infraestructura de clase mundial, ni las PyMEs iraníes estudiadas por
Maroufkhani et al. (2020) logran valor analítico sin antes resolver sus déficits organizacionales. Esta
conclusión desafía la narrativa dominante en el mercado tecnológico, que tiende a presentar la adopción
de plataformas de analítica como condición suficiente para la transformación digital, cuando la evidencia
indica que es, a lo sumo, una condición necesaria.
Contraste con el marco teórico. Los resultados de la revisión son consistentes con las tres perspectivas
teóricas adoptadas. Desde la RBV, el caso OXXO ilustra que la infraestructura tecnológica no constituye
un recurso VRIO por sí sola: cualquier competidor puede replicarla. Lo que no puede replicarse es la
capacidad organizacional para convertir datos en rutinas de decisión efectivas, lo cual requiere
estandarización de procesos, formación del personal y liderazgo directivo comprometido. Desde el
marco TOE, los cinco desafíos identificados en este apartado se distribuyen entre sus tres dimensiones:
la brecha de talento y el costo percibido corresponden a factores tecnológicos y organizacionales,
mientras que el ecosistema fragmentado es un factor ambiental. Esta distribución confirma que ninguna
profesionales presenta condiciones opuestas: menor presión competitiva inmediata, pero mayor
capacidad técnica y formativa del personal, lo que facilita la adopción cuando existe interés directivo.
El sector manufacturero, por su parte, suele contar con procesos más estandarizados heredados de la
lógica de producción, pero enfrenta barreras de inversión inicial más altas y una rotación de personal
técnico calificado particularmente aguda en regiones como el Bajío y el norte del país.
Esta heterogeneidad sectorial implica que la ruta de maduración propuesta en la Tabla 1 no puede
aplicarse de forma uniforme. Para el comercio, la prioridad del Nivel 1 debería enfocarse en la
integración de datos de punto de venta y plataformas digitales; para los servicios profesionales, en la
digitalización de registros de atención al cliente; y para la manufactura, en la captura sistemática de
datos de producción y calidad. El principio común, sin embargo, es que cada sector debe identificar cuál
es su activo de datos más valioso y menos aprovechado, y construir sobre él su ruta de maduración,
antes de contemplar inversiones en herramientas más sofisticadas.
Discusión integradora
Los hallazgos de esta revisión convergen en un punto central: el determinismo tecnológico —la creencia
de que más datos equivale a mejores decisiones— no encuentra respaldo empírico en el contexto
mexicano. Ni el caso OXXO, con infraestructura de clase mundial, ni las PyMEs iraníes estudiadas por
Maroufkhani et al. (2020) logran valor analítico sin antes resolver sus déficits organizacionales. Esta
conclusión desafía la narrativa dominante en el mercado tecnológico, que tiende a presentar la adopción
de plataformas de analítica como condición suficiente para la transformación digital, cuando la evidencia
indica que es, a lo sumo, una condición necesaria.
Contraste con el marco teórico. Los resultados de la revisión son consistentes con las tres perspectivas
teóricas adoptadas. Desde la RBV, el caso OXXO ilustra que la infraestructura tecnológica no constituye
un recurso VRIO por sí sola: cualquier competidor puede replicarla. Lo que no puede replicarse es la
capacidad organizacional para convertir datos en rutinas de decisión efectivas, lo cual requiere
estandarización de procesos, formación del personal y liderazgo directivo comprometido. Desde el
marco TOE, los cinco desafíos identificados en este apartado se distribuyen entre sus tres dimensiones:
la brecha de talento y el costo percibido corresponden a factores tecnológicos y organizacionales,
mientras que el ecosistema fragmentado es un factor ambiental. Esta distribución confirma que ninguna
pág. 5561
intervención aislada puede resolver un problema que es simultáneamente técnico, organizacional y
contextual. Desde la teoría de las capacidades dinámicas, la evidencia del BID (Balestrini et al., 2024)
sugiere que el acompañamiento externo actúa como catalizador del sensado: ayuda a las empresas a
identificar qué preguntas de negocio son relevantes antes de invertir en herramientas, evitando el error
frecuente de adquirir soluciones tecnológicas sin un problema de decisión claramente definido.
Reflexión sobre riesgos éticos y marco regulatorio. Un aspecto frecuentemente omitido en los
estudios de adopción de BDA en PyMEs es la dimensión ética y regulatoria. En México, la LFPDPPP
establece principios de licitud, consentimiento, calidad, finalidad y responsabilidad en el tratamiento de
datos personales. Sin embargo, la mayoría de las MiPyMEs que comienzan a digitalizar su operación lo
hacen sin conocimiento de estas obligaciones, acumulando bases de datos de clientes, empleados y
proveedores sin políticas de privacidad ni protocolos de seguridad básicos. Más allá del riesgo legal,
existe un riesgo de decisión: los sistemas analíticos construidos sobre datos recopilados sin criterios
claros tienden a reproducir sesgos que se amplifican al escalar el uso de la analítica. Incorporar desde el
inicio una perspectiva de gobierno de datos —que incluya calidad, privacidad y trazabilidad— no es
una carga regulatoria adicional, sino una precondición para que el BDA genere valor sostenible.
Limitaciones del estudio. Esta revisión presenta tres limitaciones que deben reconocerse
explícitamente. En primer lugar, el uso de ENAPROCE 2018 implica trabajar con datos de más de seis
años que no capturan los cambios en digitalización ocurridos durante y después de la pandemia; su
incorporación se justifica porque sigue siendo la fuente oficial más reciente con cobertura nacional, pero
sus cifras deben interpretarse como piso de referencia, no como retrato actualizado. En segundo lugar,
al tratarse de una revisión narrativa y no de un protocolo PRISMA, la selección de estudios está sujeta
a los sesgos del investigador, lo que limita la replicabilidad del proceso. En tercer lugar, el modelo de
maduración propuesto es de naturaleza conceptual y no ha sido validado con datos primarios de
MiPyMEs mexicanas; sus umbrales y transiciones entre niveles deben considerarse hipótesis de trabajo
susceptibles de comprobación en investigaciones futuras, idealmente mediante estudios longitudinales
en el contexto hidalguense.
intervención aislada puede resolver un problema que es simultáneamente técnico, organizacional y
contextual. Desde la teoría de las capacidades dinámicas, la evidencia del BID (Balestrini et al., 2024)
sugiere que el acompañamiento externo actúa como catalizador del sensado: ayuda a las empresas a
identificar qué preguntas de negocio son relevantes antes de invertir en herramientas, evitando el error
frecuente de adquirir soluciones tecnológicas sin un problema de decisión claramente definido.
Reflexión sobre riesgos éticos y marco regulatorio. Un aspecto frecuentemente omitido en los
estudios de adopción de BDA en PyMEs es la dimensión ética y regulatoria. En México, la LFPDPPP
establece principios de licitud, consentimiento, calidad, finalidad y responsabilidad en el tratamiento de
datos personales. Sin embargo, la mayoría de las MiPyMEs que comienzan a digitalizar su operación lo
hacen sin conocimiento de estas obligaciones, acumulando bases de datos de clientes, empleados y
proveedores sin políticas de privacidad ni protocolos de seguridad básicos. Más allá del riesgo legal,
existe un riesgo de decisión: los sistemas analíticos construidos sobre datos recopilados sin criterios
claros tienden a reproducir sesgos que se amplifican al escalar el uso de la analítica. Incorporar desde el
inicio una perspectiva de gobierno de datos —que incluya calidad, privacidad y trazabilidad— no es
una carga regulatoria adicional, sino una precondición para que el BDA genere valor sostenible.
Limitaciones del estudio. Esta revisión presenta tres limitaciones que deben reconocerse
explícitamente. En primer lugar, el uso de ENAPROCE 2018 implica trabajar con datos de más de seis
años que no capturan los cambios en digitalización ocurridos durante y después de la pandemia; su
incorporación se justifica porque sigue siendo la fuente oficial más reciente con cobertura nacional, pero
sus cifras deben interpretarse como piso de referencia, no como retrato actualizado. En segundo lugar,
al tratarse de una revisión narrativa y no de un protocolo PRISMA, la selección de estudios está sujeta
a los sesgos del investigador, lo que limita la replicabilidad del proceso. En tercer lugar, el modelo de
maduración propuesto es de naturaleza conceptual y no ha sido validado con datos primarios de
MiPyMEs mexicanas; sus umbrales y transiciones entre niveles deben considerarse hipótesis de trabajo
susceptibles de comprobación en investigaciones futuras, idealmente mediante estudios longitudinales
en el contexto hidalguense.
pág. 5562
Implicaciones prácticas para la administración de MiPyMEs
La síntesis de hallazgos permite derivar recomendaciones operativas específicas para los
administradores y dueños de MiPyMEs mexicanas que consideran iniciar un proceso de adopción de
BDA. En primer lugar, resulta prioritario desplazar el foco desde la herramienta hacia la pregunta de
negocio. Antes de adquirir licencias de software analítico, la empresa debe identificar entre tres y cinco
decisiones recurrentes cuya calidad tiene impacto directo sobre el margen o la retención de clientes.
Estas decisiones operan como ancla para evaluar qué datos son realmente necesarios, evitando el error
común de acumular información sin propósito.
En segundo lugar, la asignación explícita de responsabilidades sobre la gestión de datos constituye una
condición organizacional ineludible. En ausencia de áreas de tecnologías de información formales, es
recomendable que el propietario o un mando intermedio de confianza asuma, con dedicación parcial, la
función de custodio de datos: velar por la calidad, la estandarización de registros y el cumplimiento de
la LFPDPPP. Esta figura no requiere perfil técnico avanzado, sino criterio administrativo y disciplina
de seguimiento.
En tercer lugar, el aprendizaje analítico debe diseñarse como un proceso gradual y vinculado a
decisiones concretas, no como capacitación abstracta. La literatura revisada sugiere que los programas
de formación que parten de datos reales de la propia empresa y de problemas específicos del negocio
generan mayor adopción sostenida que los cursos generales de analítica de datos. Universidades
regionales, cámaras empresariales e incubadoras pueden desempeñar un papel central como
articuladores de este aprendizaje situado, siempre que su intervención se extienda más allá de la fase
inicial y acompañe la implementación durante al menos doce meses.
Finalmente, los administradores deben resistir la tentación de adoptar simultáneamente múltiples
herramientas. La evidencia consistente del caso OXXO (Corral-Garza et al., 2020) y de los casos
documentados por el BID (Balestrini et al., 2024) muestra que la dispersión tecnológica sin
consolidación previa produce fatiga organizacional y abandono del esfuerzo analítico. Es preferible
avanzar con profundidad en una herramienta descriptiva sencilla durante un período prolongado que
distribuir esfuerzos entre múltiples plataformas subutilizadas.
Implicaciones prácticas para la administración de MiPyMEs
La síntesis de hallazgos permite derivar recomendaciones operativas específicas para los
administradores y dueños de MiPyMEs mexicanas que consideran iniciar un proceso de adopción de
BDA. En primer lugar, resulta prioritario desplazar el foco desde la herramienta hacia la pregunta de
negocio. Antes de adquirir licencias de software analítico, la empresa debe identificar entre tres y cinco
decisiones recurrentes cuya calidad tiene impacto directo sobre el margen o la retención de clientes.
Estas decisiones operan como ancla para evaluar qué datos son realmente necesarios, evitando el error
común de acumular información sin propósito.
En segundo lugar, la asignación explícita de responsabilidades sobre la gestión de datos constituye una
condición organizacional ineludible. En ausencia de áreas de tecnologías de información formales, es
recomendable que el propietario o un mando intermedio de confianza asuma, con dedicación parcial, la
función de custodio de datos: velar por la calidad, la estandarización de registros y el cumplimiento de
la LFPDPPP. Esta figura no requiere perfil técnico avanzado, sino criterio administrativo y disciplina
de seguimiento.
En tercer lugar, el aprendizaje analítico debe diseñarse como un proceso gradual y vinculado a
decisiones concretas, no como capacitación abstracta. La literatura revisada sugiere que los programas
de formación que parten de datos reales de la propia empresa y de problemas específicos del negocio
generan mayor adopción sostenida que los cursos generales de analítica de datos. Universidades
regionales, cámaras empresariales e incubadoras pueden desempeñar un papel central como
articuladores de este aprendizaje situado, siempre que su intervención se extienda más allá de la fase
inicial y acompañe la implementación durante al menos doce meses.
Finalmente, los administradores deben resistir la tentación de adoptar simultáneamente múltiples
herramientas. La evidencia consistente del caso OXXO (Corral-Garza et al., 2020) y de los casos
documentados por el BID (Balestrini et al., 2024) muestra que la dispersión tecnológica sin
consolidación previa produce fatiga organizacional y abandono del esfuerzo analítico. Es preferible
avanzar con profundidad en una herramienta descriptiva sencilla durante un período prolongado que
distribuir esfuerzos entre múltiples plataformas subutilizadas.
pág. 5563
Implicaciones para la formación en administración y agenda de investigación futura
El diagnóstico presentado tiene implicaciones directas para las escuelas de administración en México.
Los programas de licenciatura en administración de empresas, tradicionalmente centrados en áreas
funcionales clásicas —finanzas, mercadotecnia, recursos humanos, operaciones—, han incorporado la
analítica de datos de manera desigual y con frecuencia como materia optativa. La evidencia reunida en
esta revisión sugiere que la alfabetización analítica debería trasladarse al núcleo curricular como
competencia transversal, integrada en los cursos de áreas funcionales más que aislada en una asignatura
específica. Un curso de mercadotecnia que incorpore ejercicios con datos reales de ventas locales resulta
más efectivo que una asignatura genérica de analítica desconectada de los problemas administrativos
concretos.
La agenda de investigación que se abre a partir de este trabajo es amplia. En el plano empírico, se
requieren estudios cuantitativos con muestras probabilísticas de MiPyMEs mexicanas que permitan
contrastar las relaciones teóricas identificadas en contextos desarrollados y replicar parcialmente el
modelo de Maroufkhani et al. (2020) en el entorno nacional. En el plano cualitativo, resultan
particularmente necesarios estudios de caso comparados que documenten trayectorias de adopción
exitosa y fallida, con especial atención a los procesos de toma de decisiones durante los momentos
críticos del cambio. También resultaría valioso abordar, desde una perspectiva de género, la adopción
de BDA en MiPyMEs, dado que las empresas lideradas por mujeres enfrentan condiciones diferenciadas
de acceso al financiamiento y a redes de soporte, aspecto escasamente abordado en la literatura revisada.
Por último, futuros trabajos deberían examinar la interacción entre BDA y las herramientas emergentes
de inteligencia artificial generativa, considerando que la disminución reciente del costo de estas
tecnologías está modificando rápidamente los umbrales de entrada a la analítica avanzada, incluso para
empresas sin personal técnico especializado. El riesgo, sin embargo, es que esta reducción del costo
tecnológico sea interpretada como solución suficiente, cuando la evidencia acumulada en este artículo
sugiere lo contrario: la frontera crítica sigue siendo organizacional.
CONCLUSIONES
El análisis integrado de la literatura y de la evidencia mexicana y regional permite sostener que Big Data
Analytics es un recurso intangible cuyo valor depende de su integración con capacidades humanas y
Implicaciones para la formación en administración y agenda de investigación futura
El diagnóstico presentado tiene implicaciones directas para las escuelas de administración en México.
Los programas de licenciatura en administración de empresas, tradicionalmente centrados en áreas
funcionales clásicas —finanzas, mercadotecnia, recursos humanos, operaciones—, han incorporado la
analítica de datos de manera desigual y con frecuencia como materia optativa. La evidencia reunida en
esta revisión sugiere que la alfabetización analítica debería trasladarse al núcleo curricular como
competencia transversal, integrada en los cursos de áreas funcionales más que aislada en una asignatura
específica. Un curso de mercadotecnia que incorpore ejercicios con datos reales de ventas locales resulta
más efectivo que una asignatura genérica de analítica desconectada de los problemas administrativos
concretos.
La agenda de investigación que se abre a partir de este trabajo es amplia. En el plano empírico, se
requieren estudios cuantitativos con muestras probabilísticas de MiPyMEs mexicanas que permitan
contrastar las relaciones teóricas identificadas en contextos desarrollados y replicar parcialmente el
modelo de Maroufkhani et al. (2020) en el entorno nacional. En el plano cualitativo, resultan
particularmente necesarios estudios de caso comparados que documenten trayectorias de adopción
exitosa y fallida, con especial atención a los procesos de toma de decisiones durante los momentos
críticos del cambio. También resultaría valioso abordar, desde una perspectiva de género, la adopción
de BDA en MiPyMEs, dado que las empresas lideradas por mujeres enfrentan condiciones diferenciadas
de acceso al financiamiento y a redes de soporte, aspecto escasamente abordado en la literatura revisada.
Por último, futuros trabajos deberían examinar la interacción entre BDA y las herramientas emergentes
de inteligencia artificial generativa, considerando que la disminución reciente del costo de estas
tecnologías está modificando rápidamente los umbrales de entrada a la analítica avanzada, incluso para
empresas sin personal técnico especializado. El riesgo, sin embargo, es que esta reducción del costo
tecnológico sea interpretada como solución suficiente, cuando la evidencia acumulada en este artículo
sugiere lo contrario: la frontera crítica sigue siendo organizacional.
CONCLUSIONES
El análisis integrado de la literatura y de la evidencia mexicana y regional permite sostener que Big Data
Analytics es un recurso intangible cuyo valor depende de su integración con capacidades humanas y
pág. 5564
organizacionales, y no de la magnitud de la inversión tecnológica, en consistencia con la Visión Basada
en Recursos. La baja formalización contable documentada por ENAPROCE 2018 constituye, en el caso
mexicano, una barrera estructural previa a cualquier iniciativa de BDA: sin datos mínimamente
confiables, ninguna herramienta analítica genera valor.
El marco Tecnología-Organización-Entorno permite explicar por qué la adopción en MiPyMEs
mexicanas está limitada más por factores organizacionales y ambientales que por los tecnológicos
(Maroufkhani et al., 2020), lo que valida una estrategia gradual de desarrollo de capacidades antes que
la compra de infraestructura. El caso OXXO, a su vez, demuestra que incluso con recursos abundantes
la falta de estandarización de procesos y de comunicación interdepartamental bloquea la generación de
valor analítico (Corral-Garza et al., 2020).
Como cuestión pendiente, se requiere investigación longitudinal con datos primarios en el contexto
hidalguense para validar empíricamente el modelo de maduración propuesto y refinar sus umbrales de
transición entre niveles. Este es un campo abierto a la colaboración de otras investigaciones que puedan
acompañar y ampliar el presente estudio.
Desde una perspectiva de contribución disciplinar, este artículo argumenta que la administración de
empresas, como campo profesional y académico, debe recuperar un rol central en el debate sobre Big
Data, que con frecuencia ha sido capturado por las disciplinas de ingeniería y tecnologías de la
información. El valor de los datos no se realiza en el servidor ni en el algoritmo, sino en la decisión
gerencial que los incorpora. Esa es una tarea propia de la persona que administra y exige una formación
que articule criterios de negocio, manejo de evidencia y ética en la gestión de información —tres
dimensiones que rara vez aparecen juntas en los discursos sobre transformación digital, pero que resultan
inseparables para que las MiPyMEs mexicanas obtengan un beneficio real, y no meramente simbólico,
de la analítica de datos.
REFERENCIAS BIBLIOGRÁFICAS
Asociación Mexicana de Venta Online. (2024). Estudio de Venta Online 2024: Panorama del comercio
electrónico y el consumidor digital en México.
https://blog.amvo.org.mx/publicaciones/estudios/estudio-sobre-venta-online-en-mexico-2024-
3
organizacionales, y no de la magnitud de la inversión tecnológica, en consistencia con la Visión Basada
en Recursos. La baja formalización contable documentada por ENAPROCE 2018 constituye, en el caso
mexicano, una barrera estructural previa a cualquier iniciativa de BDA: sin datos mínimamente
confiables, ninguna herramienta analítica genera valor.
El marco Tecnología-Organización-Entorno permite explicar por qué la adopción en MiPyMEs
mexicanas está limitada más por factores organizacionales y ambientales que por los tecnológicos
(Maroufkhani et al., 2020), lo que valida una estrategia gradual de desarrollo de capacidades antes que
la compra de infraestructura. El caso OXXO, a su vez, demuestra que incluso con recursos abundantes
la falta de estandarización de procesos y de comunicación interdepartamental bloquea la generación de
valor analítico (Corral-Garza et al., 2020).
Como cuestión pendiente, se requiere investigación longitudinal con datos primarios en el contexto
hidalguense para validar empíricamente el modelo de maduración propuesto y refinar sus umbrales de
transición entre niveles. Este es un campo abierto a la colaboración de otras investigaciones que puedan
acompañar y ampliar el presente estudio.
Desde una perspectiva de contribución disciplinar, este artículo argumenta que la administración de
empresas, como campo profesional y académico, debe recuperar un rol central en el debate sobre Big
Data, que con frecuencia ha sido capturado por las disciplinas de ingeniería y tecnologías de la
información. El valor de los datos no se realiza en el servidor ni en el algoritmo, sino en la decisión
gerencial que los incorpora. Esa es una tarea propia de la persona que administra y exige una formación
que articule criterios de negocio, manejo de evidencia y ética en la gestión de información —tres
dimensiones que rara vez aparecen juntas en los discursos sobre transformación digital, pero que resultan
inseparables para que las MiPyMEs mexicanas obtengan un beneficio real, y no meramente simbólico,
de la analítica de datos.
REFERENCIAS BIBLIOGRÁFICAS
Asociación Mexicana de Venta Online. (2024). Estudio de Venta Online 2024: Panorama del comercio
electrónico y el consumidor digital en México.
https://blog.amvo.org.mx/publicaciones/estudios/estudio-sobre-venta-online-en-mexico-2024-
3
pág. 5565
Balestrini, M., Castillo Leska, A., Echeverry, I., Castro Blandón, C., Torrico, B., Mafla, J., Guzmán,
M., Di Giovanni, L., Rojas, D., & Guillen, D. (2024). Economía del dato para pymes: Claves
para impulsar los negocios en la era digital y casos de uso en Latinoamérica. Banco
Interamericano de Desarrollo. https://doi.org/10.18235/0013165
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1),
99–120. https://doi.org/10.1177/014920639101700108
BBVA México. (2024, 15 de marzo). Conoce el porcentaje de pymes en México.
https://www.bbva.mx/educacion-financiera/creditos/credito-pyme/credito-pyme-porcentaje-
pymes-en-mexico.html
Corral-Garza, A., Echevarría-Garza, I., Flores-Bulnes, L., & Nava-Aguirre, K. (2020). Big Data
Analytics como recurso intangible generador de valor en la industria del retail: Caso de estudio
OXXO. Vinculatégica EFAN, 6(2), 556–567.
Davenport, T. H. (2014). Big Data at Work. Harvard Business Review Press.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information
technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
Gupta, S., Qian, X., Bhushan, B., & Luo, Z. (2019). Role of cloud ERP and big data on firm
performance: A dynamic capability view. Management Decision, 57(8), 1857–1882.
https://doi.org/10.1108/MD-06-2018-0668
Instituto Nacional de Estadística y Geografía. (2019). Encuesta Nacional sobre Productividad y
Competitividad de las Micro, Pequeñas y Medianas Empresas (ENAPROCE) 2018.
https://www.inegi.org.mx/programas/enaproce/2018/
Korherr, P., & Kanbach, D. (2023). Human-related capabilities in big data analytics. Review of
Managerial Science, 17(6), 1943–1970. https://doi.org/10.1007/s11846-022-00506-y
Laudon, K. C., & Laudon, J. P. (2020). Sistemas de Información Gerencial (16.ª ed.). Pearson.
Maroufkhani, P., Wan Ismail, W. K., & Ghobakhloo, M. (2020). Big data analytics adoption model for
small and medium enterprises. Journal of Science and Technology Policy Management, 11(4),
483–513. https://doi.org/10.1108/JSTPM-02-2020-0018
Mayer-Schönberger, V., & Cukier, K. (2013). Big Data: La revolución de los datos masivos. Turner.
Balestrini, M., Castillo Leska, A., Echeverry, I., Castro Blandón, C., Torrico, B., Mafla, J., Guzmán,
M., Di Giovanni, L., Rojas, D., & Guillen, D. (2024). Economía del dato para pymes: Claves
para impulsar los negocios en la era digital y casos de uso en Latinoamérica. Banco
Interamericano de Desarrollo. https://doi.org/10.18235/0013165
Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1),
99–120. https://doi.org/10.1177/014920639101700108
BBVA México. (2024, 15 de marzo). Conoce el porcentaje de pymes en México.
https://www.bbva.mx/educacion-financiera/creditos/credito-pyme/credito-pyme-porcentaje-
pymes-en-mexico.html
Corral-Garza, A., Echevarría-Garza, I., Flores-Bulnes, L., & Nava-Aguirre, K. (2020). Big Data
Analytics como recurso intangible generador de valor en la industria del retail: Caso de estudio
OXXO. Vinculatégica EFAN, 6(2), 556–567.
Davenport, T. H. (2014). Big Data at Work. Harvard Business Review Press.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information
technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
Gupta, S., Qian, X., Bhushan, B., & Luo, Z. (2019). Role of cloud ERP and big data on firm
performance: A dynamic capability view. Management Decision, 57(8), 1857–1882.
https://doi.org/10.1108/MD-06-2018-0668
Instituto Nacional de Estadística y Geografía. (2019). Encuesta Nacional sobre Productividad y
Competitividad de las Micro, Pequeñas y Medianas Empresas (ENAPROCE) 2018.
https://www.inegi.org.mx/programas/enaproce/2018/
Korherr, P., & Kanbach, D. (2023). Human-related capabilities in big data analytics. Review of
Managerial Science, 17(6), 1943–1970. https://doi.org/10.1007/s11846-022-00506-y
Laudon, K. C., & Laudon, J. P. (2020). Sistemas de Información Gerencial (16.ª ed.). Pearson.
Maroufkhani, P., Wan Ismail, W. K., & Ghobakhloo, M. (2020). Big data analytics adoption model for
small and medium enterprises. Journal of Science and Technology Policy Management, 11(4),
483–513. https://doi.org/10.1108/JSTPM-02-2020-0018
Mayer-Schönberger, V., & Cukier, K. (2013). Big Data: La revolución de los datos masivos. Turner.
pág. 5566
McAfee, A., & Brynjolfsson, E. (2012). Big Data: The Management Revolution. Harvard Business
Review, 90(10), 60–68.
Mikalef, P., Pappas, I. O., Krogstie, J., & Pavlou, P. A. (2020). Big data and business analytics: A
research agenda for realizing business value. Information & Management, 57(1), 103237.
https://doi.org/10.1016/j.im.2019.103237
Milenio. (2024). Nacimiento de empresas en México se dispara en 2023: Inegi.
https://www.milenio.com/negocios/
Müller, O., Fay, M., & vom Brocke, J. (2018). The effect of big data and analytics on firm performance:
An econometric analysis considering industry characteristics. Journal of Management
Information Systems, 35(2), 488–509. https://doi.org/10.1080/07421222.2018.1451955
Nonaka, I. (1994). A dynamic theory of organizational knowledge creation. Organization Science, 5(1),
14–37. https://doi.org/10.1287/orsc.5.1.14
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable)
enterprise performance. Strategic Management Journal, 28(13), 1319–1350.
https://doi.org/10.1002/smj.618
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic
Management Journal, 18(7), 509–533.
Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.
Wernerfelt, B. (1984). A resource-based view of the firm. Strategic Management Journal, 5(2), 171–
180. https://doi.org/10.1002/smj.4250050207
McAfee, A., & Brynjolfsson, E. (2012). Big Data: The Management Revolution. Harvard Business
Review, 90(10), 60–68.
Mikalef, P., Pappas, I. O., Krogstie, J., & Pavlou, P. A. (2020). Big data and business analytics: A
research agenda for realizing business value. Information & Management, 57(1), 103237.
https://doi.org/10.1016/j.im.2019.103237
Milenio. (2024). Nacimiento de empresas en México se dispara en 2023: Inegi.
https://www.milenio.com/negocios/
Müller, O., Fay, M., & vom Brocke, J. (2018). The effect of big data and analytics on firm performance:
An econometric analysis considering industry characteristics. Journal of Management
Information Systems, 35(2), 488–509. https://doi.org/10.1080/07421222.2018.1451955
Nonaka, I. (1994). A dynamic theory of organizational knowledge creation. Organization Science, 5(1),
14–37. https://doi.org/10.1287/orsc.5.1.14
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable)
enterprise performance. Strategic Management Journal, 28(13), 1319–1350.
https://doi.org/10.1002/smj.618
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic
Management Journal, 18(7), 509–533.
Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.
Wernerfelt, B. (1984). A resource-based view of the firm. Strategic Management Journal, 5(2), 171–
180. https://doi.org/10.1002/smj.4250050207