Gestión por procesos: del organigrama al flujo de valor

Durante mucho tiempo, muchas organizaciones han funcionado como una suma de departamentos: compras por un lado, tecnología por otro, talento humano en su propio frente, finanzas cuidando sus cifras, comercial atendiendo clientes y operaciones resolviendo el día a día. Cada área cumple su función, pero no siempre entiende cómo su trabajo afecta el resultado final. Ahí aparece uno de los grandes problemas de la gestión tradicional: la empresa puede estar llena de personas ocupadas, pero no necesariamente articuladas alrededor del valor que espera el cliente.

La gestión por procesos propone un cambio de mirada. En lugar de preguntar solamente quién hace qué, invita a preguntarse cómo fluye el trabajo desde una necesidad inicial hasta un resultado útil. Un proceso puede entenderse como un conjunto de actividades relacionadas entre sí que transforman unas entradas en salidas con valor para un cliente, usuario o parte interesada. En esa lógica, una solicitud, un trámite, una matrícula, una compra, una reclamación o la entrega de un servicio no son hechos aislados, sino recorridos organizacionales que deben ser diseñados, medidos y mejorados.

Bajo esta perspectiva, la organización deja de verse únicamente como un organigrama rígido y empieza a entenderse como un sistema vivo, donde cada actividad tiene sentido en la medida en que contribuye a un resultado. La norma ISO 9001:2015, precisamente, reconoce el enfoque a procesos como uno de los fundamentos para lograr resultados coherentes y previsibles dentro de un sistema de gestión de la calidad. La norma articula este enfoque con el ciclo PHVA y el pensamiento basado en riesgos, de modo que los procesos no solo se documenten, sino que se gestionen, evalúen y mejoren de forma sistemática.

Del organigrama al flujo de valor

La gestión por procesos, también conocida en muchos entornos como BPM o Business Process Management, busca identificar, modelar, documentar, analizar, mejorar, automatizar y controlar los procesos que generan valor en una organización. Su importancia radica en que permite mejorar la eficiencia, reducir cuellos de botella, elevar la calidad, fortalecer la experiencia del cliente y adaptar la operación a entornos cambiantes.

El cambio parece sencillo, pero en realidad es profundo. Una organización orientada por funciones suele proteger fronteras internas: “esto le corresponde a otra área”, “ese trámite no depende de nosotros”, “la solicitud está en proceso”. Una organización orientada por procesos, en cambio, se pregunta por el recorrido completo: dónde nace la solicitud, quién la recibe, qué información se requiere, qué decisiones se toman, cuánto tiempo se tarda, qué controles existen, qué siente el usuario y qué resultado se entrega.

Por eso, gestionar por procesos no significa únicamente dibujar diagramas de flujo. Significa comprender cómo se produce el valor y cómo se pierde. También implica reconocer que muchos problemas institucionales no están en las personas, sino en los cruces mal diseñados entre áreas, en la duplicidad de actividades, en la falta de datos, en controles excesivos, en sistemas que no conversan entre sí o en decisiones que dependen de aprobaciones innecesarias.

Algunos conceptos esenciales

Para entender mejor la gestión por procesos, conviene precisar algunos conceptos. Un proceso es un conjunto de actividades relacionadas entre sí que transforman unas entradas en salidas con valor para un cliente, usuario o parte interesada. Las entradas son los insumos, datos, solicitudes, recursos o necesidades que activan el proceso. Las actividades son las acciones que transforman esas entradas. Las salidas son los productos, servicios, decisiones o resultados que se entregan. El cliente o usuario es quien recibe ese resultado, ya sea interno o externo.

También es importante comprender el concepto de mapa de procesos, entendido como una representación gráfica y sintética del sistema de procesos de una organización. Este mapa permite visualizar cómo se agrupan e interactúan los procesos estratégicos, misionales, de apoyo y de evaluación o mejora para generar valor. Su utilidad principal es ofrecer una visión integral de la organización, más allá del organigrama y de las áreas funcionales.

En un nivel más específico aparece el mapeo de procesos, que consiste en describir y representar con mayor detalle el flujo interno de un proceso particular: actividades, responsables, decisiones, entradas, salidas, controles e interacciones. Mientras el mapa de procesos muestra la arquitectura general del sistema, el mapeo de procesos permite entender cómo funciona cada proceso por dentro.

Los indicadores permiten medir el desempeño del proceso y verificar si cumple con los resultados esperados. Los riesgos son eventos o condiciones que pueden afectar el logro de esos resultados. Los controles ayudan a prevenir desviaciones, reducir fallas o asegurar el cumplimiento de requisitos. Los recursos son los medios humanos, tecnológicos, físicos, financieros o de información necesarios para ejecutar el proceso. Finalmente, las oportunidades de mejora representan posibilidades de optimizar tiempos, costos, calidad, experiencia, trazabilidad o desempeño.

Desde ISO 9001, además, resulta fundamental comprender la interacción entre procesos. Ningún proceso relevante funciona solo. Un proceso académico depende de sistemas de información, talento humano, infraestructura, comunicaciones, presupuesto y atención al usuario. Un proceso comercial depende de mercadeo, logística, facturación, cartera y servicio posventa. La calidad no se produce en una sola dependencia; se construye en la relación entre procesos.

Esta idea desplaza la preocupación desde el cumplimiento aislado de tareas hacia la coherencia integral del sistema. La pregunta ya no es únicamente si cada área hizo su parte, sino si el sistema completo fue capaz de producir el resultado prometido..

ISO 9001 y el enfoque basado en procesos

ISO 9001:2015 plantea que la adopción de un sistema de gestión de la calidad debe apoyar a la organización en la entrega consistente de productos y servicios que cumplan los requisitos del cliente, los requisitos legales y los requisitos aplicables. En ese marco, el enfoque por procesos permite planificar los procesos y sus interacciones, mientras que el ciclo Planificar, Hacer, Verificar y Actuar ayuda a asegurar que dichos procesos cuenten con recursos, controles y oportunidades de mejora.

La norma no exige que todos los procesos se documenten con el mismo nivel de detalle. La propia orientación de ISO sobre el enfoque a procesos señala que la organización debe determinar qué procesos requieren documentación formal según factores como el tamaño de la organización, la complejidad de sus actividades, la interacción entre procesos y la criticidad de cada uno.

Esto es muy relevante porque evita una mala interpretación frecuente: creer que implementar gestión por procesos equivale a producir manuales extensos, formatos interminables y procedimientos que nadie consulta. El verdadero espíritu de ISO 9001 no es burocratizar la organización, sino ayudarla a ordenar su gestión, controlar sus riesgos, mejorar sus resultados y aumentar la satisfacción del cliente.

Riesgos, calidad y mejora continua

La versión 2015 de ISO 9001 fortaleció el llamado pensamiento basado en riesgos. Esto significa que la organización debe anticipar aquello que puede afectar la conformidad de sus productos o servicios y, al mismo tiempo, identificar oportunidades que puedan mejorar su desempeño. No se trata solo de reaccionar cuando ocurre una falla, sino de gestionar preventivamente los factores que pueden afectar el resultado.

En una organización madura, cada proceso debería poder responder preguntas básicas: ¿qué puede salir mal?, ¿qué controles existen?, ¿qué impacto tendría una falla?, ¿quién debe actuar?, ¿qué información permite detectar desviaciones?, ¿qué oportunidades existen para mejorar? Estas preguntas convierten la gestión por procesos en una práctica estratégica y no simplemente operativa.

La mejora continua aparece entonces como una consecuencia natural. Medir, analizar y corregir no debe ser una actividad ocasional, sino una disciplina permanente. La organización aprende cuando compara lo planificado con lo ejecutado, cuando identifica causas raíz, cuando elimina reprocesos, cuando escucha al usuario y cuando toma decisiones con base en datos.

Fases para implementar la gestión por procesos

La gestión por procesos no se limita a levantar diagramas o documentar procedimientos. Es un ejercicio sistemático que permite entender cómo trabaja realmente una organización, cómo genera valor y qué aspectos deben ajustarse para mejorar su desempeño. Aunque cada entidad puede adaptar la metodología a su contexto, una ruta básica puede estructurarse en las siguientes fases.

1. Identificación de procesos: Consiste en reconocer los procesos estratégicos, misionales, de apoyo y de evaluación o mejora. Esta fase permite entender cómo está organizada la generación de valor dentro de la institución.
2. Elaboración del mapa de procesos: El mapa de procesos representa, de manera visual y sintética, cómo se organiza la operación de la entidad y cómo interactúan sus procesos para generar valor. Permite ver la organización como un sistema, no como una suma de áreas aisladas.
3. Caracterización del proceso: Define los elementos esenciales de cada proceso: entradas, actividades, salidas, responsables, usuarios, recursos, riesgos, controles e indicadores. Ayuda a comprender con precisión cómo funciona el proceso.
4. Mapeo del flujo de trabajo: Representa gráficamente las actividades, decisiones, responsables e interacciones entre áreas. Permite visualizar el recorrido completo desde la necesidad inicial hasta el resultado entregado .
5. Análisis del desempeño: Busca identificar cuellos de botella, reprocesos, duplicidades, riesgos críticos y puntos de dolor para el usuario. Debe apoyarse en datos, indicadores y evidencias.
6. Rediseño y mejora: Implica simplificar actividades, eliminar pasos que no agregan valor, ajustar responsabilidades, fortalecer controles o incorporar tecnología. Su propósito es mejorar eficiencia, calidad, trazabilidad y satisfacción.
7. Implementación del proceso mejorado: Consiste en poner en marcha los ajustes definidos, acompañando a los equipos mediante socialización, capacitación, gestión del cambio y asignación de recursos.
8. Seguimiento y mejora continua: Evalúa periódicamente el proceso mediante indicadores y aplica ajustes cuando sea necesario. Se relaciona con el ciclo PHVA: planificar, hacer, verificar y actuar.

Procesos, personas y tecnología

Uno de los errores más frecuentes es reducir la gestión por procesos a una herramienta tecnológica. La tecnología ayuda, pero no reemplaza el pensamiento organizacional. Un software de BPM, un ERP, un CRM, una plataforma de automatización o una solución de inteligencia artificial pueden acelerar flujos de trabajo, generar trazabilidad y mejorar la toma de decisiones. Sin embargo, si el proceso está mal diseñado, la tecnología solo digitaliza el desorden.

Aquí aparece un punto clave: antes de automatizar, hay que entender. Antes de robotizar, hay que simplificar. Antes de incorporar inteligencia artificial, hay que saber qué datos produce el proceso, qué decisiones se toman, qué excepciones existen y qué indicadores permiten evaluar su desempeño. En caso contrario, la transformación digital se convierte en una fachada moderna para viejas ineficiencias.

La tecnología debe ponerse al servicio del proceso y no al revés. En la práctica, esto implica integrar sistemas, reducir capturas manuales de información, eliminar duplicidades, automatizar tareas repetitivas, generar tableros de control y habilitar decisiones más oportunas. Pero el criterio de fondo sigue siendo el mismo: mejorar el valor entregado al cliente o usuario.

La horizontalidad como cultura

La gestión por procesos también cuestiona la verticalidad excesiva. Este modelo favorece una estructura más horizontal, donde personas de distintas áreas participan en un mismo proceso y entienden su contribución al resultado final.

Esta horizontalidad no elimina las responsabilidades jerárquicas, pero sí obliga a superar la cultura de islas, en la que cada dependencia tiende a trabajar de forma separada. En una institución pública, una universidad, una empresa de servicios o una organización industrial, los procesos importantes casi nunca pertenecen a una sola dependencia. La matrícula de un estudiante, la atención de una reclamación, la contratación de un proveedor, el soporte tecnológico, el pago de una factura o la entrega de un producto involucran múltiples actores.

Por eso, la gestión por procesos exige conversación, acuerdos y gobierno. Cada proceso debe tener responsables claros, entradas definidas, salidas verificables, indicadores, riesgos identificados y mecanismos de mejora. No se trata de llenar formatos, sino de construir una arquitectura de trabajo que permita saber qué ocurre, por qué ocurre y cómo puede mejorar.

Medir para mejorar

La mejora continua no puede depender solo de percepciones. Necesita datos. En el marco de ISO 9001, la organización debe hacer seguimiento, medición, análisis y evaluación del desempeño de sus procesos y del sistema de gestión de la calidad. Esto conecta directamente la gestión por procesos con la toma de decisiones basada en evidencia.

En ese sentido, los indicadores no deben ser adornos para informes de gestión. Deben servir para tomar decisiones. Algunos indicadores básicos pueden ser: tiempo de ciclo, costo del proceso, nivel de cumplimiento, tasa de reprocesos, satisfacción del usuario, número de excepciones, volumen de solicitudes, productividad, calidad de salida y nivel de automatización.

Pero lo importante no es medirlo todo, sino medir aquello que realmente explica el desempeño del proceso. Un proceso sin indicadores es difícil de gobernar. Un proceso con demasiados indicadores puede volverse inmanejable. La clave está en encontrar un equilibrio entre control, aprendizaje y acción.

Hacia procesos inteligentes

La gestión por procesos está entrando en una nueva etapa. Ya no basta con documentar procesos en manuales estáticos. Las organizaciones necesitan procesos visibles, medibles, automatizables y adaptables. Herramientas como BPMN, BPMS, RPA y minería de procesos permiten modelar, ejecutar, automatizar y descubrir cómo se comportan realmente los procesos en la práctica.

La minería de procesos, por ejemplo, permite comparar el proceso diseñado con el proceso real, a partir de los registros que dejan los sistemas de información. Esto abre una posibilidad poderosa: dejar de gestionar únicamente desde la intuición y empezar a intervenir con evidencia. A su vez, la inteligencia artificial puede apoyar la clasificación de solicitudes, la detección de anomalías, la predicción de tiempos de atención, la recomendación de decisiones y la automatización de tareas repetitivas.

Pero el propósito no debe ser reemplazar el juicio humano, sino liberarlo de la carga operativa innecesaria para concentrarlo en decisiones de mayor valor.

Gestionar procesos es gestionar estrategia

La gestión por procesos no es un asunto operativo menor. Es una forma de convertir la estrategia en ejecución. Una organización puede tener una misión inspiradora, una visión ambiciosa y un plan estratégico impecable, pero si sus procesos son lentos, opacos, fragmentados o incoherentes, la estrategia no llegará al ciudadano, al cliente, al estudiante o al usuario final.

Por eso, gestionar por procesos es preguntarse con honestidad: ¿cómo estamos creando valor?, ¿dónde lo estamos perdiendo?, ¿qué actividades no agregan nada?, ¿qué decisiones se repiten sin necesidad?, ¿qué trámites podrían simplificarse?, ¿qué tecnología podría integrarse?, ¿qué datos deberíamos usar mejor?

Al final, una organización madura no es la que más procedimientos tiene, sino la que mejor entiende cómo fluye su valor. La gestión por procesos permite pasar de la administración del esfuerzo a la administración del resultado. Y ese tránsito, en tiempos de transformación digital, puede marcar la diferencia entre organizaciones que simplemente funcionan y organizaciones que realmente aprenden, se adaptan y evolucionan.

Bibliografía

Drew. (s. f.). Gestión por procesos. https://www.wearedrew.co/gestion-por-procesos

INESEM Business School. (s. f.). Gestión por procesos. La estructura organizacional horizontal. https://www.inesem.es/revistadigital/gestion-integrada/enfoque-gestion-procesos

International Organization for Standardization. (2015). ISO 9001:2015: Sistemas de gestión de la calidad. Requisitos. ISO.

International Organization for Standardization. (2015). The process approach in ISO 9001:2015. https://www.iso.org/iso/iso9001_2015_process_approach.pdf

SAP Concur Team. (2022). ¿Qué es la gestión por procesos y cómo implementarla? SAP Concur México. https://www.concur.com.mx/blog/article/que-es-la-gestion-de-gastos-y.como-implementarla-mx

Telefónica Tech. (2024, 18 de junio). La importancia de la gestión por procesos en las empresas. https://telefonicatech.com/blog/gestion-por-procesos-empresas

Universidad Internacional de La Rioja. (2025). Qué es la gestión por procesos y cómo implantarla en tu empresa. UNIR Colombia. https://colombia.unir.net/actualidad-unir/gestion-por-procesos/

CRISP-DM y su vigencia en los proyectos de ciencia de datos

En ciencia de datos suele hablarse mucho de algoritmos, modelos y herramientas, pero no siempre se le concede la misma atención al método. Y, sin embargo, ahí suele estar la diferencia entre un ejercicio técnico interesante y un proyecto capaz de producir valor real. En ese terreno, CRISP-DM conserva una vigencia notable. IBM lo presenta como un método probado para orientar trabajos de minería de datos, con fases, tareas y relaciones entre tareas que ayudan a comprender el ciclo de vida del proyecto (IBM, 2021).

Un método que todavía ordena la conversación

Su permanencia no se debe solo a la tradición. También responde a una virtud práctica. CRISP-DM ofrece una estructura sencilla de entender, fácil de comunicar y suficientemente flexible para adaptarse a distintos contextos. El Instituto de Ingeniería del Conocimiento sostiene que sigue siendo especialmente útil para planificar y explicar la gestión y ejecución de proyectos a determinados clientes, mientras que otras fuentes de divulgación profesional lo presentan como un enfoque robusto para estructurar proyectos de analítica y minería de datos (IIC, 2021).

Ahora bien, para valorar de verdad su aporte, conviene detenerse en sus seis fases. No como una lista para memorizar, sino como una lógica de trabajo que ayuda a entender cómo madura un proyecto de ciencia de datos.

Las seis fases y su valor dentro del proyecto

1. Comprensión del negocio. En esta etapa se define qué problema se quiere resolver, por qué resulta relevante, qué restricciones condicionan el trabajo y qué tipo de resultado tendría valor para la organización. Su importancia es enorme porque evita uno de los errores más frecuentes en analítica, que es comenzar a modelar sin haber entendido bien el problema. Aquí el proyecto deja de ser una intención general y empieza a adquirir forma concreta, porque el equipo traduce una necesidad del negocio en un reto técnico que pueda abordarse con criterio.
2. Comprensión de los datos. Una vez aclarado el propósito del proyecto, el siguiente paso consiste en revisar con honestidad qué datos existen, qué calidad tienen, qué vacíos presentan y hasta dónde permiten avanzar. Esta fase suele revelar una verdad incómoda pero decisiva. No todo problema bien formulado puede resolverse con los datos disponibles. Más que una revisión técnica aislada, este momento permite aterrizar expectativas y entender qué puede lograrse realmente con la materia prima del proyecto.
3. Preparación de los datos. En muchos proyectos, esta es una de las etapas que más tiempo y esfuerzo consume. Preparar los datos implica limpiar, integrar, transformar, seleccionar variables y construir el conjunto final que servirá de base para el modelado. Para quien apenas se acerca a la ciencia de datos, puede entenderse como el proceso de convertir datos dispersos, incompletos o defectuosos en una base confiable para el análisis. Sin ese trabajo previo, incluso el mejor algoritmo termina apoyándose en cimientos débiles.
4. Modelado. En esta fase el equipo aplica técnicas analíticas o de aprendizaje automático para identificar patrones, generar clasificaciones o producir predicciones útiles. Es, quizá, la etapa más visible del proyecto, porque es donde aparecen los modelos que luego suelen presentarse como el gran resultado del trabajo. Sin embargo, conviene no perder de vista que el modelado no es el proyecto completo, sino apenas una parte del recorrido. Lo que se descubre aquí muchas veces obliga a volver sobre decisiones previas, ajustar variables o revisar transformaciones realizadas antes.
5. Evaluación. Aquí se pone a prueba la verdadera pertinencia de lo construido. No basta con revisar métricas técnicas ni con confirmar que el modelo funciona bien en términos estadísticos. También es necesario valorar si el resultado responde realmente al problema planteado, si resulta comprensible y si tiene sentido para el negocio. Esta es una enseñanza fundamental para quien empieza en el campo. Un modelo puede verse sólido en los números y, aun así, no resolver el problema que dio origen al proyecto.
6. Despliegue. En esta etapa el proyecto sale del entorno de análisis y empieza a integrarse en la realidad de la organización. Eso puede traducirse en un tablero, un informe, una recomendación operativa, una automatización o un componente dentro de un producto digital. Su valor está en recordar que un proyecto de ciencia de datos no termina cuando descubre algo interesante, sino cuando logra que ese hallazgo pueda usarse de manera efectiva en la práctica.

Más que una secuencia, una lógica de trabajo

Vistas en conjunto, las seis fases permiten entender por qué CRISP-DM ha tenido tanta permanencia. No solo organiza tareas. También ofrece una forma de pensar el proyecto, desde la comprensión del problema hasta el uso efectivo de la solución. En ese recorrido, ayuda a que los equipos no se pierdan en la fascinación técnica y mantengan el foco en el propósito del trabajo.

Además, CRISP-DM no debe leerse como un camino rígido. Su valor práctico está, precisamente, en que admite retrocesos, ajustes y reformulaciones a medida que el proyecto avanza. En ciencia de datos, esa flexibilidad es clave, porque muchas veces el aprendizaje surge durante la exploración de los datos, la preparación del insumo o la evaluación de los resultados.

Desde la dirección de proyectos, ahí aparece una de sus mayores fortalezas. El marco ayuda a estructurar conversaciones, ordenar entregables y sostener el vínculo entre análisis y propósito organizacional. Permite recordar que un proyecto de ciencia de datos no empieza en el algoritmo ni termina en una métrica, sino en la capacidad de producir valor en un contexto real.

Ahora bien, reconocer su utilidad no implica ignorar sus límites. En proyectos más exploratorios, en productos de datos o en escenarios donde intervienen gobierno, arquitectura, seguridad y operación, CRISP-DM puede resultar insuficiente por sí solo. Pero esa constatación no obliga a descartarlo. Más bien invita a leerlo con mayor madurez. En esa línea, Data Science PM advierte que CRISP-DM puede aplicarse de manera más rígida o más flexible, y que una implementación madura suele combinar su estructura con principios ágiles, iteraciones rápidas y entregas de valor en cortes pequeños (Data Science PM, 2024). Visto así, el modelo deja de parecer una receta cerrada y empieza a entenderse como una base metodológica que puede integrarse con marcos de coordinación más dinámicos para equipos de datos.

Y el cierre crítico quedaría muy bien después de eso, porque ya no entra de golpe, sino después de haber mostrado que el valor del marco también depende de cómo se usa.

La metodología no piensa por el equipo

Quizá el mayor riesgo al hablar de CRISP-DM hoy no sea su obsolescencia, sino su simplificación. A veces se presenta como si bastara con seguir sus fases para garantizar el éxito de un proyecto de ciencia de datos. Y no es así. Ninguna metodología reemplaza la capacidad de formular buenas preguntas, interpretar contextos organizacionales, reconocer límites en los datos y tomar decisiones prudentes sobre lo que realmente vale la pena construir.

Ese es, en el fondo, el punto más importante. Los proyectos de ciencia de datos no fracasan solo por errores técnicos. También fracasan por una mala comprensión del problema, por expectativas infladas, por una lectura ingenua de los datos o por la incapacidad de traducir hallazgos en decisiones útiles. Por eso CRISP-DM sigue siendo valioso, pero no como una receta automática, sino como una estructura que exige criterio, conversación y madurez en su aplicación.

Leído así, su vigencia no depende de que sea perfecto, sino de que todavía obliga a recordar algo esencial. La ciencia de datos no consiste únicamente en modelar bien. Consiste en entender bien qué se quiere resolver, con qué datos se cuenta, bajo qué restricciones se trabaja y para qué contexto se construye la solución. Cuando esa conversación se pierde, el proyecto puede ser técnicamente brillante y, aun así, resultar irrelevante.

En tiempos en que la inteligencia artificial tiende a acelerar respuestas, CRISP-DM sigue recordando el valor de detenerse a pensar el problema antes de correr hacia el modelo.

Referencias

• Data Science PM. (2024, 9 de diciembre). What is CRISP-DM? https://www.datascience-pm.com/crisp-dm-2/
• Espinosa-Zúñiga, J. J. (2020). Aplicación de metodología CRISP-DM para segmentación geográfica de una base de datos pública. Ingeniería Investigación y Tecnología, 21(1), 1-11. https://www.redalyc.org/journal/404/40465091008/
• IBM. (2021). Conceptos básicos de ayuda de CRISP-DM. https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview
• Instituto de Ingeniería del Conocimiento - IIC. (2021). La metodología CRISP-DM en ciencia de datos. https://www.iic.uam.es/innovacion/metodologia-crisp-dm-ciencia-de-datos/
• Martínez-Plumed, F., Contreras-Ochando, L., Ferri, C., Hernández-Orallo, J., Kull, M., Lachiche, N., Ramírez-Quintana, M. J., & Flach, P. (2021). CRISP-DM twenty years later. From data mining processes to data science trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8), 3048-3061.
• Sharma, R. (2025). CRISP-DM explained. A proven data mining methodology. Udacity. https://www.udacity.com/blog/2025/03/crisp-dm-explained-a-proven-data-mining-methodology.html
• Smart Vision Europe. (s. f.). What is the CRISP-DM methodology? https://www.sv-europe.com/crisp-dm-methodology/

Medir, decidir e integrar: la brecha invisible de las organizaciones

Hay algo profundamente engañoso en la forma como solemos hablar de organizaciones. Nos hemos acostumbrado a describirlas como si fueran estructuras estáticas: organigramas bien definidos, funciones claramente asignadas, indicadores que prometen capturar su desempeño en cifras precisas. Esa representación nos tranquiliza porque sugiere que comprender una organización es, en esencia, un ejercicio de orden. Pero basta con observarla en un momento de presión, cuando un sistema falla, cuando una decisión no produce el efecto esperado, cuando el entorno cambia más rápido de lo previsto, para descubrir que esa imagen es insuficiente.

Las organizaciones no son lo que dicen ser en sus documentos. Son lo que hacen cuando enfrentan tensión. Porque es en esos momentos donde desaparece la narrativa y emerge la lógica real de funcionamiento. Mientras el entorno es estable, los discursos estratégicos y los valores declarados pueden sostenerse sin ser puestos a prueba. Pero cuando hay presión, cuando los recursos se restringen o las decisiones implican riesgo, la organización revela sus verdaderas prioridades. No las que proclama, sino las que realmente ejecuta. La tensión no distorsiona a la organización, la expone.

Ese es el punto de quiebre. Porque allí se revela una distinción crítica: hemos aprendido a describir organizaciones, pero no necesariamente a comprenderlas. Durante décadas, marcos teóricos robustos, desde Michael Porter (1985) hasta Stephen P. Robbins (2004), ofrecieron fundamentos sólidos para analizar la competitividad, la estructura y el comportamiento organizacional. Sin embargo, en su tránsito hacia la práctica, muchas de estas ideas se simplificaron hasta convertirse en herramientas descontextualizadas. Lo que antes exigía criterio hoy se ejecuta como rutina. Y en ese proceso, comenzamos a confundir aplicación con comprensión.

Pensar en sistemas: cuando el todo deja de ser evidente

La primera ruptura necesaria es conceptual. Una organización no es la suma de sus partes, sino el resultado de sus interacciones. Esta afirmación, que puede parecer obvia, es sistemáticamente ignorada en la práctica.

Como advierte Peter Senge (1990), fragmentar una organización para entenderla puede ser útil como punto de partida, pero resulta insuficiente como explicación. Las dinámicas organizacionales emergen de relaciones, no de componentes aislados. Y cuando esas relaciones no se comprenden, las decisiones tienden a atacar síntomas en lugar de causas.

De ahí surgen paradojas conocidas pero poco comprendidas. Áreas eficientes que producen organizaciones ineficientes. Decisiones técnicamente correctas que generan resultados contraproducentes. Mejoras locales que deterioran el desempeño global. No es un problema de capacidad técnica, sino de enfoque analítico. Analizar organizaciones exige adoptar un enfoque sistémico, capaz de identificar interdependencias, ciclos de retroalimentación y efectos no lineales.

Pero comprender el sistema no basta. En algún momento, esa comprensión necesita traducirse en representación. Es allí donde el análisis deja de ser abstracto y comienza a volverse operativo, al convertir relaciones, flujos y decisiones en modelos que permiten observar, cuestionar y rediseñar la realidad organizacional. Representar no es solo dibujar procesos o estructurar diagramas, es hacer explícitas las lógicas que normalmente permanecen implícitas, evidenciar interdependencias y revelar puntos críticos que de otro modo pasarían desapercibidos. Sin esa traducción, el entendimiento se queda en lo conceptual; con ella, se habilita la posibilidad real de intervenir el sistema con criterio.

Modelar procesos: entre la visibilidad y la distorsión

Modelar procesos organizacionales es, en esencia, un ejercicio de interpretación. No se trata únicamente de diagramar actividades o asignar responsabilidades, sino de construir una representación coherente de cómo fluye el trabajo, dónde se generan cuellos de botella y cómo se articulan las decisiones.

El modelado permite hacer visible lo invisible. Pero también introduce un riesgo. Simplificar en exceso una realidad que es inherentemente compleja.

Por eso, evaluar procesos no puede reducirse a verificar su cumplimiento. Implica cuestionar su pertinencia, su alineación con el entorno y su capacidad de adaptación. En contextos relativamente estables, la estandarización fue una ventaja competitiva. Hoy, en entornos volátiles, esa misma estandarización puede convertirse en una rigidez peligrosa.

Como plantea Sunil Chopra (2016), la eficiencia operativa no puede desligarse de la flexibilidad. Un sistema optimizado que no se adapta es, en el fondo, un sistema frágil. Y un proceso perfectamente diseñado en un contexto equivocado no es una solución. Es un error sofisticado.

En este punto emerge una distinción que rara vez se aborda con la profundidad que merece. La separación artificial entre la gestión y la ingeniería. Durante años, la gestión se ha asociado con la toma de decisiones, la estrategia y la dirección, mientras que la ingeniería se ha vinculado con la eficiencia, los procesos y la optimización. Sin embargo, en la realidad organizacional, esta división no solo es imprecisa, sino contraproducente.

No es posible tomar decisiones estratégicas sin comprender las implicaciones operativas. Tampoco es viable optimizar procesos sin entender el propósito estratégico que los orienta. La gestión sin ingeniería corre el riesgo de quedarse en el discurso. La ingeniería sin gestión, de convertirse en una optimización sin sentido. Articular ambas dimensiones implica reconocer que toda decisión organizacional es, al mismo tiempo, una decisión técnica y estratégica. Es allí donde realmente se habilita la capacidad de diseñar, evaluar y transformar organizaciones con criterio.

Estrategia, innovación y tecnología: la coherencia como principio

Si los procesos explican el cómo, la estrategia debería explicar el para qué. Pero aquí emerge una de las mayores distorsiones contemporáneas. Confundir la formulación estratégica con la estrategia misma. Muchas organizaciones tienen declaraciones impecables que no gobiernan sus decisiones. La estrategia se convierte en narrativa, no en práctica.

Tal y como lo advertía Sun Tzu, la estrategia no es lo que se dice, sino lo que se hace en condiciones de incertidumbre. Es una capacidad de lectura del entorno y de toma de decisiones coherentes. Y cuando esa coherencia se rompe, aparecen contradicciones estructurales. Se habla de diferenciación mientras se imita, se promueve innovación mientras se penaliza el error, se impulsa transformación digital sin transformar la lógica organizacional.

En este punto, la relación entre estrategia, innovación y tecnología deja de ser conceptual y se vuelve operativa. La innovación no es un acto aislado, sino una consecuencia del direccionamiento estratégico. La tecnología no es un fin, sino un habilitador que debe integrarse con sentido.

Aquí es donde herramientas como el Balanced Scorecard (Cuadro de Mando Integral), desarrollado por Robert S. Kaplan y David P. Norton (1992), adquieren relevancia no como instrumentos de control, sino como mecanismos de traducción estratégica. Su valor no radica en los indicadores que propone, sino en su capacidad de articular visión, estrategia y ejecución a través de múltiples perspectivas.

De manera complementaria, enfoques como la estrategia de océanos azules, planteada por W. Chan Kim y Renée Mauborgne (2005), introducen una dimensión adicional. La necesidad de romper con las lógicas competitivas tradicionales para crear nuevos espacios de valor. Pero incluso estas ideas, cuando se aplican sin comprensión, corren el riesgo de convertirse en eslóganes.

Porque ni el Balanced Scorecard garantiza ejecución, ni los océanos azules garantizan innovación. Todo depende de la coherencia con la que se integren en el sistema organizacional.

Medir, decidir e integrar: el verdadero desafío

En el intento por conectar estrategia y ejecución, han surgido modelos como los OKR, ampliamente difundidos en entornos tecnológicos. Su promesa es clara. Alinear objetivos con resultados medibles. Pero en la práctica, muchas organizaciones han convertido estos modelos en sofisticados sistemas de reporte, sin lograr una comprensión real de lo que están midiendo.

Como advierte Thomas H. Davenport (2010), la analítica amplía la capacidad de observación, pero no sustituye el juicio. Un indicador no explica una realidad. Apenas la señala. Sin interpretación, la medición puede convertirse en una forma elegante de autoengaño.

En paralelo, la tecnología atraviesa todas estas dimensiones como un amplificador invisible. Y aquí emerge otra ilusión. Creer que los problemas organizacionales pueden resolverse mediante herramientas. La evidencia muestra lo contrario. La tecnología no corrige incoherencias. Las amplifica. Automatizar un proceso deficiente no lo mejora, lo acelera. Escalar una mala decisión no la corrige, la reproduce.

Por eso, la verdadera capacidad organizacional no está en adoptar tecnología, sino en integrarla con criterio. Y esa integración es, en última instancia, el núcleo del desafío contemporáneo. Porque el problema no es la ausencia de herramientas. Es su fragmentación.

Se analiza sin integrar, se modela sin contextualizar, se planifica sin ejecutar, se mide sin comprender. El resultado no es una organización más robusta, sino un conjunto de esfuerzos dispersos que no logran transformar el sistema.

Integrar implica articular niveles. Comprender la organización como sistema, modelar sus procesos con criterio, interpretar su direccionamiento estratégico y conectar todo ello con decisiones tecnológicas y de innovación. Supone abordar problemas organizacionales desde múltiples dimensiones de forma coherente, entendiendo que ninguna decisión ocurre en aislamiento.

Una incomodidad necesaria

Tal vez la conclusión más incómoda de toda esta reflexión es que muchas de las limitaciones organizacionales no se explican por falta de modelos, sino por la forma en que los utilizamos. No es que no sepamos qué hacer. Es que no siempre entendemos lo que estamos haciendo.

Al final, las organizaciones no son un problema técnico que se resuelve acumulando metodologías. Son un fenómeno complejo que exige ser comprendido en su totalidad. Y mientras sigamos confundiendo sofisticación con claridad, seguiremos atrapados en una paradoja silenciosa. Organizaciones cada vez más avanzadas en sus instrumentos, pero no necesariamente más inteligentes en sus decisiones.

Referencias

• Chopra, S., & Meindl, P. (2016). Supply chain management: Strategy, planning, and operation (6th ed.). Pearson.
• Davenport, T. H., & Harris, J. G. (2010). Competing on analytics: The new science of winning. Harvard Business Review Press.
• Doerr, J. (2018). Measure what matters: OKRs: The simple idea that drives 10x growth. Portfolio.
• Kaplan, R. S., & Norton, D. P. (1992). The balanced scorecard: Measures that drive performance. Harvard Business Review, 70(1), 71–79.
• Kim, W. C., & Mauborgne, R. (2005). Blue ocean strategy: How to create uncontested market space and make the competition irrelevant. Harvard Business School Press.
• Porter, M. E. (1985). Competitive advantage: Creating and sustaining superior performance. Free Press.
• Robbins, S. P., & Coulter, M. (2004). Administración (8ª ed.). Pearson Educación.
• Senge, P. M. (1990). The fifth discipline: The art and practice of the learning organization. Doubleday.
• Sun Tzu. (2009). El arte de la guerra. Shambhala. (Trabajo original publicado ca. siglo V a.C.)