El subtema 5.9 es exclusivo de NS y es el más actual del syllabus. Cubre el conjunto de tecnologías digitales que hoy atraviesan las operaciones de cualquier empresa: análisis de datos, bases de datos, ciberseguridad, cloud, redes neuronales, realidad virtual, IoT, IA, Big Data, programas de fidelización, minería de datos, taylorismo digital. La guía IB las agrupa con un nombre amplio: "gestión de sistemas de información". Termina pidiendo evaluar beneficios, riesgos e implicaciones éticas (OE3). Es el subtema donde el examen más se acerca a debates de actualidad.
Definiciones clave
Pulsa cada término para ver su definición.
Teoría
📊 1. Análisis de datos y bases de datos
Profundidad de la enseñanza: OE1 — identificar.
Una base de datos es una colección estructurada de información almacenada electrónicamente y consultable por software. El análisis de datos es lo que se hace sobre ella para extraer información útil. Cuatro niveles habituales:
- Descriptivo: ¿qué pasó? (informes, dashboards). Caso: ventas por tienda.
- Diagnóstico: ¿por qué pasó? (análisis causal). Caso: caída del 15 % en una zona.
- Predictivo: ¿qué pasará? (modelos estadísticos, ML). Caso: demanda esperada en Navidad.
- Prescriptivo: ¿qué hacer? (optimización, IA). Caso: precio óptimo dinámico.
🔐 2. Ciberseguridad y ciberdelito
Profundidad de la enseñanza: OE1 — identificar.
La ciberseguridad tiene tres pilares (CIA):
- Confidencialidad: que solo accedan los autorizados.
- Integridad: que la información no se altere ilegítimamente.
- Disponibilidad: que esté accesible cuando se necesita.
El ciberdelito ataca uno o varios de los tres. Modalidades habituales: phishing, ransomware, denial of service (DDoS), suplantación de identidad, robo de datos. Casos recientes: NotPetya 2017 (Maersk perdió ~300 M USD), Colonial Pipeline 2021 (gasolineras paradas en EE.UU.), MOVEit 2023 (~2 600 organizaciones afectadas). El coste mundial estimado supera los 8 billones USD/año en 2025.
☁️ 3. Infraestructuras críticas: cloud, redes neuronales, data centers
Profundidad de la enseñanza: OE2 — comprender.
La empresa contrata capacidad de cómputo, almacenamiento y software como servicio remoto (AWS, Azure, Google Cloud). Pagada por consumo. Tres modalidades: IaaS (infra), PaaS (plataforma), SaaS (aplicación, como Salesforce). Reemplaza CAPEX por OPEX.
Modelos de IA con capas de nodos que aprenden de ejemplos. Base del deep learning: visión por ordenador (control de calidad), traducción automática, modelos generativos (ChatGPT, Claude, Gemini). Necesitan grandes datasets y GPUs.
Edificios con miles de servidores, refrigeración intensiva y conexión a redes de fibra. Son la "fábrica" del siglo XXI. Consumen entre el 1-2 % de la electricidad mundial; los hyperscalers (Microsoft, Google, AWS) construyen nuevos a ritmo récord por la demanda de IA.
🌐 4. Realidad virtual, IoT, IA, Big Data
Profundidad de la enseñanza: OE2 — comprender y aplicar.
| Tecnología | Uso en operaciones | Caso |
|---|---|---|
| Realidad virtual (RV) | Formación (cirugía, pilotaje, soldadura), diseño industrial colaborativo, marketing inmersivo. | Walmart formó a 1 M de empleados con RV en gestión de incidencias. |
| Internet de las cosas (IoT) | Sensores en máquinas, productos y vehículos. Habilita mantenimiento predictivo y trazabilidad. | John Deere conecta tractores; Carrefour usa sensores en cadena de frío. |
| Inteligencia artificial (IA) | Predicción de demanda, optimización de inventario, control de calidad por visión, atención al cliente. | Walmart Sparky (GenAI interno), Inditex previsión de ventas por modelo+talla+tienda. |
| Macrodatos (Big Data) | Detectar patrones en datos masivos: clientes, operaciones, redes sociales. | Walmart ~2,5 PB/hora; Netflix recomienda por hábitos individuales. |
- Volumen: terabytes, petabytes, exabytes.
- Velocidad: en tiempo real o casi (streaming).
- Variedad: texto, imagen, audio, vídeo, sensores.
- Veracidad: calidad y fiabilidad del dato.
- Valor: capacidad de generar decisiones útiles a partir del dato.
🎯 5. Programas de fidelización + minería de datos
Profundidad de la enseñanza: OE3 — evaluar.
Los programas de fidelización (Carrefour Club, Starbucks Rewards, El Corte Inglés, MyBurgerKing) son la fuente más grande de datos primarios sobre comportamiento de compra. A cambio de un descuento o ventaja, el cliente entrega su consentimiento para que se analice su carro. La empresa hace minería de datos: busca patrones, asociaciones y anomalías (anécdota canónica: la correlación "pañales-cerveza" descubierta por Walmart en los 90 entre jueves y sábado por la noche).
👁️ 6. Taylorismo digital: gestión de empleados con datos
Profundidad de la enseñanza: OE3 — evaluar implicaciones.
Es el uso de tecnología y datos para vigilar, medir y optimizar el rendimiento de empleados con un nivel de detalle inédito: clics por hora en call centers, paquetes por minuto en almacenes Amazon, kilómetros y paradas de un repartidor Glovo, tiempo entre tareas. La guía IB lo nombra explícitamente porque combina la promesa de productividad con dilemas éticos serios.
⚖️ 7. Beneficios, riesgos e implicaciones éticas
Profundidad de la enseñanza: OE3 — evaluar.
| Dimensión | Beneficios | Riesgos / dilemas éticos |
|---|---|---|
| Eficiencia | Productividad récord, decisiones rápidas y basadas en datos. | Riesgo de dependencia y de algoritmos en piloto automático. |
| Cliente | Personalización extrema, mejor servicio. | Pérdida de privacidad, manipulación, sesgos invisibles. |
| Empleados | Tareas repetitivas automatizadas; trabajo más cualificado. | Vigilancia constante (taylorismo digital), riesgo de desempleo tecnológico, estrés. |
| Seguridad | Detección temprana de fraude e incidencias. | Mayor superficie de ataque, cibercrimen creciente, dependencia de proveedores cloud. |
| Sociedad | Mejor servicio público con datos (sanidad predictiva). | Sesgos algorítmicos que reproducen desigualdades, monopolio digital, brecha digital. |
Herramientas IB aplicables a 5.9
- EH.7 Estadística descriptiva — para resumir conjuntos de datos (media, mediana, moda, desviación) antes de hacer análisis avanzado.
- EH.15 Regresión lineal simple (NS) — para modelar la relación entre dos variables (p. ej., gasto en publicidad y ventas) y hacer predicciones sencillas.
Caso real desarrollado: Walmart — Big Data, IA y "Sparky"
Walmart (Bentonville, Arkansas, fundada por Sam Walton en 1962) opera ~10 500 tiendas en 19 países y factura ~680 000 M USD en 2024. Es el mayor empleador privado del mundo (~2,1 M empleados) y, durante décadas, el laboratorio más usado en las clases de Big Data por una razón simple: ningún otro retailer ha integrado datos a su escala. Cinco lecturas para 5.9:
- Plataforma propia "Sky": Walmart construyó un data lake interno —antes "Data Café", hoy "Walmart Sky"— que procesa ~2,5 petabytes/hora de datos de tiendas, e-commerce, cadena de suministro, web y app. Acuerdo estratégico con Microsoft Azure (2018) y luego Google Cloud (2024) para infraestructura.
- Las 5V del Big Data ilustradas: Volumen (~250 PB en total, 200 M consultas SQL/mes); velocidad (las cajas envían datos al data lake cada segundo); variedad (ticket, sensores cadena de frío, clima, búsquedas web, redes); veracidad (limpieza intensa antes de modelar); valor (Walmart ajusta precio, inventario y reposición casi en tiempo real).
- IA aplicada a inventario: el sistema "Eden" detecta automáticamente productos frescos próximos a caducar; modelos de visión por ordenador en cámaras de estantería alertan de roturas de stock antes de que el cliente las vea. Cada 1 % de reducción de rotura de stock vale ~1 000 M USD/año a la compañía.
- "Sparky" (GenAI 2024): Walmart lanzó un asistente generativo interno basado en LLM para empleados y un buscador conversacional para clientes en la app. Es la primera implantación masiva de GenAI en retail. Construido sobre LLMs propios y modelos open-source ajustados a productos Walmart.
- Implicaciones éticas y debate: Walmart usa también analítica de plantilla (taylorismo digital): tiempos en almacén, productividad por hora, predicción de absentismo. Ha sido objeto de pleitos por vigilancia excesiva. Y el uso de datos del cliente —pese a anonimización— sigue siendo terreno regulatorio en EE.UU. y UE.
Lectura IB. Walmart Big Data es el ejemplo más claro de cómo la gestión de sistemas de información se ha convertido en ventaja competitiva en operaciones. Combina los nueve componentes del syllabus (análisis, BD, ciberseguridad, infraestructura crítica cloud, IoT en sensores, IA, Big Data, programa de fidelización implícito en Walmart+, minería de datos) y abre los tres debates éticos: privacidad, vigilancia laboral, concentración de poder. Si el examen pide un caso para 5.9, Walmart es la elección segura.
¿Cómo cae en el examen?
- Prueba 1, Sección A. "Definir macrodatos / IA / IoT" (OE1, 2 puntos), "Identificar dos beneficios de la computación en la nube" (OE1, 4 puntos).
- Prueba 2, Sección A. "Explicar cómo la empresa X usa el análisis de datos en operaciones" (OE2, 4-6 puntos), "Aplicar el concepto de infraestructura crítica al caso" (OE2, 4 puntos).
- Prueba 2/3. "Discutir los beneficios y riesgos del taylorismo digital" (OE3, 10 puntos), "Evaluar las implicaciones éticas de un programa de fidelización con minería de datos masiva" (OE3, 10 puntos).
- Trampa habitual: mezclar IoT con IA (son distintas: IoT recoge; IA decide); tratar Big Data como "muchos datos" sin las 5V; ignorar la dimensión ética cuando la pregunta la exige.