Mejorar la Toma de Decisiones, Eficiencia

de Costes y Rentabilidad con la Analítica

Predictiva

Documento técnico

por Dr. Rado Kotorov

2 Information
Information Builders
Builders
Índice de contenidos

1 Resumen ejecutivo

2 ¿Por qué la Analítica Predictiva?

3 Analítica Predictiva para Usuarios Operativos

6 Integración de los Modelos Predictivos en los Entornos de BI

9 Modelado Predictivo más Rentable

11 Conclusión
Rado Kotorov Dr. Rado Kotorov, Director Técnico de Gestión Estratégica de Productos
en Information Builders, es el responsable de las nuevas tecnologías de
visualización, análisis y generación de informes. Él está dirigiendo la adopción
de RIA, AJAX, search, y otras tecnologías móviles y Web 2.0 para hacer el BI y
la analítica empresarial más accesible, intuitiva y colaborativa. Active Reports,
Magnify e InfoAssist son solamente algunas de las aplicaciones creadas
gracias a su trabajo.

Antes de unirse a Information Builders desempeñó el cargo de director

financiero con responsabilidades en IMS y TI en DeBacker Management
LLC. También fue director de BI en CMI Marketing, donde dirigió la
implementación de soluciones de informes financieros y BI, almacenes de
datos y aplicaciones personalizadas.

El Dr. Kotorov ha desarrollado modelos analíticos y aplicaciones para la

industria farmacéutica, minorista, CPG, financiera y de la automoción. Tiene
un doctorado en económicas y en teoría de juegos y de decisión por la
Bowling Green State University. También ha publicado trabajos sobre los
procesos de negocio, nuevas tecnologías, CRM, KM, innovación e iniciativa
empresarial.
Resumen ejecutivo

Los gerentes de hoy en día deben mirar siempre al pasado, al presente y al futuro. Necesitan
informar sobre rendimientos pasados para mejorar la eficiencia operativa. También necesitan
realizar predicciones documentadas sobre el futuro para optimizar la asignación y consumo de
recursos. Y necesitan datos sobre las condiciones actuales para reaccionar ante los problemas y
cambiar las condiciones antes de sufrir un impacto negativo en el negocio.

Desafío de la Gestión Operativa: Gestionar a través de Todos los Marcos Temporales

Históricamente se empleaban distintos sistemas y herramientas para ayudar a los gestores a

tomar decisiones empresariales importantes. Como resultado, se enfrentaban al reto de lograr
una perspectiva única coherente sobre el rendimiento operativo pasado, presente y previsto. Esta
situación está cambiando rápidamente, a medida que las plataformas de business intelligence
(BI) como WebFOCUS de Information Builders, proporcionan un entorno unificado de ayuda en
la toma de decisiones donde los gestores pueden recuperar y analizar datos sobre las actividades
pasadas, presentes y futuras.

En este documento trataremos la incorporación de capacidades de modelado predictivo en

la plataforma WebFOCUS BI, y resaltaremos cómo esta avanzada funcionalidad puede mejorar
de forma dramática la toma de decisiones, reduciendo así el riesgo y los costes a la vez que se
incrementan los ingresos y los beneficios. Dotando a los usuarios de la empresa, a todos los
niveles, con aplicaciones de calificación (scoring) sencillas e intuitivas, las compañías pueden hacer
que estos tomen decisiones más fundadas sobre el futuro, en lugar de basarse en conjeturas y en
su intuición.

1 Information Builders
¿Por qué la Analítica Predictiva?

El reconocido gurú de la gestión empresarial Peter Drucker una vez dijo que lo que no puede
medirse no puede controlarse. A la luz de esta teoría, aparecieron en escena herramientas de
gestión como la generación de informes, scorecards, indicadores clave de rendimiento (KPIs), y
otras nuevas estrategias, que ayudaban a garantizar un rendimiento coherente, y que no se desvíe
de los objetivos operativos y de rentabilidad. Quizás los mayores beneficios de esas herramientas
son que pueden ofrecer a los gerentes la habilidad de monitorizar procesos una vez que han sido
ejecutados, y reaccionar de forma acorde ajustándolos cuando las cosas marchan mal.

Además de lo que pasó ayer o la semana pasada, los gerentes están ansiosos por saber qué
pasará mañana. Por ejemplo, ¿cuál será la demanda de un producto o servicio? ¿Qué ingresos
pueden esperarse y desde qué canales (venta directa, partners, etc.)? ¿Qué clientes tienen más
probabilidad de comprar un producto?

Si pueden establecerse expectativas precisas sobre el futuro, los administradores pueden

estructurar proactivamente flujos de trabajo y asignar recursos para maximizar la productividad
y los beneficios. Cuanto más precisas sean las expectativas, más grandes serán los beneficios que
puedan obtenerse – más eficientemente y con menos recursos.

Con el añadido de la analítica predictiva a la plataforma de BI empresarial WebFOCUS, los

administradores pueden aprovechar las tecnologías para formar expectativas más precisas sobre
el futuro, y en última instancia para mejorar la toma de decisiones. Sin un modelo predictivo, los
administradores únicamente podrían hacer conjeturas sobre lo que podría pasar basándose en su
experiencia pasada y en los escasos indicadores que pudieran tener en cuenta.

Los modernos sistemas de información recopilan volúmenes tremendos de datos. Un perfil de

cliente puede incluir más de 200 variables descriptivas, como ingresos, grupo de edad, sexo,
ocupación y nivel de estudios. Un crimen también puede tener muchos atributos – condiciones
meteorológicas, indicadores de la ubicación, y características de la víctima. ¿Cómo puede
decidirse qué factores son los que importan y cuáles no? Y cómo determina uno la importancia
relativa de cada factor. Por ejemplo, ¿hasta qué punto es más importante el nivel de ingresos que
el educativo a la hora de aprobar la concesión de créditos?

Con la ayuda de la tecnología de modelado predictivo, los gestores pueden hacer lo que la mente
humana por sí sola no puede. Pueden evaluar qué factores son importantes o asignar un valor de
peso a esos factores. La analítica predictiva elimina las conjeturas y ayuda a los administradores a
tomar mejores decisiones.

2 Mejorar la Toma de Decisiones, Eficiencia de Costes y

Rentabilidad con la Analítica Predictiva
Analítica Predictiva para Usuarios Operativos

Aunque hay muchos tipos de usuarios que pueden beneficiarse de la capacidad para hacer
predicciones más precisas sobre el futuro, son los usuarios operativos los que conseguirán las
mayores ventajas. Por ejemplo, un vendedor debe decidir a qué público objetivo dirigir las
campañas de correo o de catálogos de productos. La tasa de respuesta normal en una campaña
de correo directo es del dos por ciento, según los estudios del sector. Algunos catálogos son
bastante caros y producirlos puede llegar a costar hasta 30 euros o más. Si se logran en este caso
únicamente dos ventas por cada 100 catálogos enviados, puede resultar que este enfoque de
marketing y captación de clientes tenga un coste prohibitivo.

Sin embargo, si un vendedor pudiera utilizar la analítica predictiva para orientar su campaña de
forma precisa a únicamente tres clientes, de los cuáles respondieran dos, los costes de captación
de clientes arrojarían una reducción del 97 por ciento. Así que la pregunta es ¿cómo pueden
aprovecharse las ventajas que ofrecen los modelos predictivos sin tener que transformar a cada
usuario operacional en un estadístico?

Este tipo de trabajo casi siempre pertenece al dominio de unos pocos expertos, incluyendo
a matemáticos y estadísticos. Los proyectos relacionados son la excepción y los resultados
se distribuyen como documentación de investigación o archivos que contienen los registros
calificados. Se trata de un proceso lento, tedioso y que consume muchos recursos. Además no
es sistemático, y los archivos de proyectos y de datos se mezclan entre distintas personas. Dada
la naturaleza esotérica del modelado predictivo, no es de sorprender que la palabra “estadística”
atemorice a cualquier administrador.

Antes de distribuir aplicaciones de modelado predictivo a los usuarios finales, debe eliminarse
primero la complejidad. Los procesos tradicionales deben simplificarse y reemplazarse por
enfoques más intuitivos y orientados al sistema. Esto puede lograrse proporcionando aplicaciones
de calificación (scoring) a los usuarios operacionales, que les permitan generar predicciones
simplemente seleccionando algunos parámetros en un formulario Web fácil de entender.

Imagine el caso de un gerente de marketing que acaba de adquirir una nueva lista de direcciones
de correo. Ahora la lista debe reducirse en otra lista de candidatos más específicos para minimizar

Una aplicación de calificación

basada en Web para los
usuarios operacionales que
no requiera de conocimientos
sobre estadística.

3 Information Builders
los costes. En lugar de crear un modelo y fórmulas de análisis, el gerente de marketing puede
seleccionar simplemente un modelo de entre varios en una lista desplegable y pasar los datos a su
través para generar las puntuaciones para cada persona de la lista (ver imagen en la página anterior).

De igual forma un oficial de policía puede seleccionar parámetros específicos, como las condiciones
meteorológicas o los eventos de la zona, para generar una predicción sobre dónde es más probable que
ocurran los delitos (ver captura del mapa en la página siguiente).

Para cada situación operativa que involucre cierto nivel de riesgo, y para las cuales se necesite
cierta toma de decisiones anticipadas, las aplicaciones de calificación pueden ofrecer grandes
ventajas.
■ Operaciones de marketing – Orientar y segmentar listas para las campañas, mejorar las tasas
de respuesta, identificar oportunidades de venta cruzada e incrementar el precio medio de
venta (sobreventa)
■ Gestión de relaciones con el cliente (CRM) – Modelar y calificar la lealtad del cliente, valor
del tiempo de vida, rotación y tasas de captación; evaluar modelo RFM (compras recientes,
frecuencia, valor de compra)
■ Finanzas – Realizar el análisis de riesgo del crédito, incluir puntuación de comportamiento,
evaluación de riesgo, venta cruzada, y puntuación de solicitud de préstamos
■ Cobros – Optimizar las cuentas de cobros dirigiéndose a pagadores similares
■ Detección de fraude – Descubrir patrones de comportamientos ilegales, fraudulentos u
ofensivos
■ Atención sanitaria – Monitorizar los historiales de los pacientes para determinar qué personas
son más propensas a desarrollar enfermedades crónicas
■ Seguros – Detectar reclamaciones falsas, previsión de actividad de reclamaciones, y determinar
la gravedad de las reclamaciones
■ Cumplimiento de la ley – Mejorar la asignación de recursos y gestión de informes mediante la
previsión precisa y oportuna de delitos
■ Manufactura – Identificar maquinaria o relaciones entre equipos y herramientas que pueden
generar mayores resultados y/o reducir los costes
■ Previsión de la demanda – Estimar con precisión la demanda de los clientes y el volumen
necesario de productos

En estos escenarios, y en otros muchos, los beneficios para la toma de decisiones operativas se
obtienen como mejoras en la evaluación de riesgos y en la obtención de expectativas futuras más
precisas.

La precisión de la toma de decisiones se basa en tres variables: la cantidad de información histórica

disponible, los medios para evaluar correctamente la importancia de cada factor dentro del
historial de datos, y la adquisición de tecnologías para automatizar los procesos de recopilación de
datos, previsión y evaluación del riesgo.

Centrémonos en cada una de estas variables de forma individual:

■ Acceso a Datos Históricos – Incorporar gran cantidad de datos históricos en el proceso de
evaluación para incrementar la precisión y exactitud de la decisión. Por ejemplo, cuanta más
información se disponga sobre ventas pasadas, mejor podrá determinar el vendedor si es
probable o no que una persona vaya a comprar un producto específico. Un punto de venta de

4 Mejorar la Toma de Decisiones, Eficiencia de Costes y

Rentabilidad con la Analítica Predictiva
 electrónica puede vender aproximadamente unos 15.000 artículos. Una tarjeta de fidelización
o de descuento puede capturar todas las transacciones, y esa información puede utilizarse para
modelar qué consumidores tienen mayor tendencia a comprar ordenadores, equipos de cine
en casa, dispositivos portátiles y otras ofertas. En otras palabras, esa información pasada permite
la detección de patrones de comportamiento que pueden utilizarse para establecer juicios más
fieles acerca de las necesidades de los clientes y sus posibles compras y perspectivas de compra
en el futuro.
■ Modelado de Datos y Scoring – Utilizar algoritmos matemáticos para asignar valores de peso
(puntuaciones) a cada factor que afecte a un resultado particular. Cuantas más variables afecten
a un resultado, más difícil será decidir si esos factores tienen el mismo nivel de importancia,
o si algunos de ellos son más importantes que los otros. Por ejemplo, si se sobreestima el
nivel de demanda, un vendedor de electrónica podría tener un exceso de inventario. Si se
subestima podría perder oportunidades de venta. Imagine un minorista con 200 tiendas o más.
La ubicación, la distribución de la tienda, el tráfico, la demografía del barrio, y otras muchas
variables podrían afectar a las ventas. Evaluando el nivel de importancia de cada variable
permitirá hacer mejores previsiones de demanda para cada tienda, y en última instancia, una
gestión de inventario más eficiente.
■ Automatización – Procesar grandes volúmenes de datos y evaluar la importancia relativa de
cada variable no es una tarea sencilla. Lleva su tiempo y requiere conocimientos especiales. Los
usuarios operativos no disponen de ese tiempo, ni del conocimiento, o de la responsabilidad
funcional para analizar los datos de esa forma. Ellos necesitan hacer decisiones rápidamente
para poder hacer su trabajo. Es aquí dónde entra en juego la automatización. Las soluciones
software de vanguardia como WebFOCUS RStat, pueden hacer en segundos lo que a los
analistas les llevaría días completar. Podemos proporcionar aplicaciones con las que, en modo
autoservicio, los responsables de tomar decisiones puedan ejecutar modelos y aplicaciones de
calificación para hacer estimaciones y predicciones sobre el futuro y utilizar dichas previsiones
para mejorar la planificación y la toma de decisiones. Si un oficial de policía tiene que decidir a
qué lugares enviar los coches patrulla el viernes, no tiene que realizar complicados análisis de
la información sobre los delitos de los últimos cinco años que involucran más de 100 variables.
Eso sería un trabajo de proporciones extraordinarias, dado que el conjunto de datos sería tan
grande y complejo que ni tan siquiera podría colocarse en una hoja de cálculo de Excel. En su
lugar, podría simplemente seleccionar unos cuantos parámetros desde un formulario Web, y el
programa haría una estimación por él de las probabilidades de delitos por zonas de servicio.
Analítica predictiva
utilizada dentro de una
aplicación de cumplimiento
de la ley.

5 Information Builders
Integración de los Modelos Predictivos en
los Entornos de BI

Si a los usuarios operacionales les asusta la estadística, a los directores de TI les aterra el coste y
la implementación de aplicaciones de modelado predictivo. Este es precisamente el motivo por
el cual muchas empresas deciden implementar una suite de BI y una solución independiente
de estadística o de data mining. Estas herramientas distintas suelen ser gestionadas por grupos
de usuarios bien diferenciados y el resultado es un análisis fragmentado y mayores requisitos
de administración, ya que deben mantenerse varias aplicaciones. Sin un enfoque coherente y
unificado, tal y como se promulga en los centros competentes de Business Intelligence (BICCs), los
usuarios finales se verán forzados a acudir a un sitio para obtener un tipo de información y a otros
distintos para conseguir otros tipos de decisiones.

Integrando las capacidades del modelado predictivo en la suite de BI se resuelven estos

problemas y se proporciona un único entorno donde los usuarios con distintas habilidades
técnicas pueden colaborar para desarrollar aplicaciones para usuarios operacionales. Esto
simplifica también la implementación y reduce los costes de mantenimiento, al tiempo que facilita
la reusabilidad de los recursos. Para ilustrar estos puntos, examinemos el proceso para crear una
aplicación de calificación (scoring) y veamos cómo puede llevarse a cabo dentro de entornos
integrados como WebFOCUS RStat.

La creación de la aplicación de calificación puede realizarse en tres etapas diferenciadas: (1)

preparación de los datos, (2) creación del modelo, y (3) desarrollo de la aplicación para el usuario
final. Aproximadamente el 80 por ciento del tiempo y del esfuerzo se dedicará a la etapa de
preparación de los datos. Durante esta etapa, deberá crearse el acceso a la fuente o múltiples
fuentes de datos, y las consultas que extraerán los datos en un archivo plano para su análisis.
Además los datos deberán ser perfilados y limpiados. Por ejemplo, si se detecta que faltan
valores, deberán ser reemplazados, o si se descubren valores atípicos, estos deberán eliminarse.
Frecuentemente algunas de las variables de datos necesitarán transformarse. Por ejemplo, puede
ser necesario convertir las cifras de ingresos o de ventas a logaritmos naturales para mejorar el
ajuste y la capacidad predictiva del modelo.

El proceso de preparación de los datos normalmente es ejecutado por varias personas –

modeladores de datos y estadísticos. El modelador de datos creará la consulta, mientras que el
estadístico perfila y limpia

los datos. Este trabajo se lleva a cabo utilizando múltiples paquetes de software. Por lo tanto,
el conjunto de datos es creado por un usuario, luego pasa a otro usuario, lo que resulta en la
proliferación de conjuntos de datos incompatibles para los propósitos de modelado, de la misma
forma proliferan informes Excel inconsistentes en los entornos de BI.

Contraste ahora este enfoque con el típico flujo de trabajo en un entorno completamente
integrado. Un modelador prepara los procesos de acceso a los datos y crea los metadatos,
garantizando que cualquiera pueda ejecutar consultas estándar sobre las fuentes requeridas. El
modelador también puede crear la consulta. Dado que en un entorno completamente integrado,
una consulta puede usarse con el propósito de generar un informe o para el modelado, un
estadístico o un analista puede también usar la consulta para ejecutarla directamente en el
motor de modelado (WebFOCUS RStat). Cuando se ejecuta una consulta para el modelado, se
llama a una interfaz de usuario simple pero potente, de forma que el modelador pueda rápida y
fácilmente especificar y crear el modelo.

¿Quién puede crear modelos? ¿Se necesita un estadístico? Es complicado dar una respuesta
definitiva a esta pregunta. Sin embargo, tanto la tecnología de las estadísticas como los

6 Mejorar la Toma de Decisiones, Eficiencia de Costes y

Rentabilidad con la Analítica Predictiva
 La preparación de
datos para el modelado
predictivo en Developer
Studio y selección de
variables en RStat.

conocimientos aplicados a estas, han cambiado, especialmente con el creciente uso de Six Sigma
en las empresas de hoy. Los detalles técnicos y las fórmulas matemáticas ya no se enseñan;
es la comprensión y aplicación de las técnicas estadísticas en lo que uno se centra durante la
formación. En pocas palabras, uno no necesita tener conocimientos de las matemáticas que se
esconde detrás de una regresión lineal para construir modelos de regresión. Es por esto que la
mayor parte de las escuelas de negocios y de dirección ofrecen cursos que cubren la estadística
empresarial.

Las herramientas de modelado han evolucionado también para proporcionar interfaces de

usuario sencillas para la selección y configuración de modelos. Pero lo más importante es que
incluyen métodos intuitivos para evaluar la exactitud de los distintos modelos. Como resultado,
un analista empresarial puede crear varios modelos, comparar su precisión, y seleccionar el que se
ajuste mejor para su aplicación. Obviamente siempre existen casos complicados que requieren de
una transformación y segmentación de datos avanzada. En este tipo de escenarios, será necesario
contar con la participación de un estadístico experto, aunque los analistas del negocio dispondrán
de las herramientas para reconocer cuando aparecen situaciones que requieren ayuda adicional.

Una vez que el modelo es construido, deberá desarrollarse y desplegarse una sencilla aplicación
Web para los usuarios operativos. La ventaja de contar con una única suite de BI unificada es que
el modelador puede pasar el modelo como una función compilada al desarrollador de BI, quién
puede entonces usar la misma herramienta para construir los formularios que permitirán a los
usuarios seleccionar los datos y los modelos a partir de listas desplegables. Esas selecciones serán
pasadas a través de las funciones y los resultados serán devueltos como informes completamente
formateados o mostrados como tablas, gráficas o mapas.

7 Information Builders
Otro de los beneficios de integrar el modelado predictivo en una suite de BI es que los usuarios
podrán ejecutar el análisis de los resultados de un proceso estadístico. Por ejemplo, un vendedor
podrá ejecutar una lista directa de correo a través de una aplicación de calificación para
determinar el mejor público para cada promoción. El resultado será un informe que incluirá todos
los públicos y la predicción de probabilidad de cada uno, desde 0 (no es un posible comprador)
hasta 100 (es un posible comprador). El profesional del marketing puede entonces usar el BI para
segmentar aún más los posibles compradores por rango de probabilidad; por ejemplo, de 100 a
90 o de 89 a 90. Esto le permitirá obtener un conocimiento preciso para planificar de forma acorde
para obtener unos resultados óptimos de la campaña.

Construcción del
modelo y evaluación.

8 Mejorar la Toma de Decisiones, Eficiencia de Costes y

Rentabilidad con la Analítica Predictiva
Modelado Predictivo más Rentable

Debido a que se fundamentan sobre tecnologías de alta especialización, el software estadístico y

las herramientas de modelado desde siempre han tenido la reputación de ser extremadamente
caras, estando únicamente al alcance de unos pocos. Esta situación ha cambiado. La creciente
popularidad del software de código abierto (open source) ha creado alternativas a los paquetes
comerciales en todos los campos, y las estadísticas y el modelado no son una excepción.

En el mercado de la analítica predictiva y el modelado estadístico, el motor de código abierto

R ha surgido como una alternativa fiable, escalable y robusta a muchos de sus equivalentes
comerciales.

Según Statistics in a Nutshell1, “…si usted se toma en serio la estadística como carrera, necesita
familiarizarse con R porque se trata del lenguaje más flexible y potente disponible, y puede
convertirse en la “lingua franca” de la programación estadística en un futuro próximo.“

Daryl Pregibon, un científico investigador en Google, una compañía que usa software R, coincide.
El establece que “Hasta tal punto es importante R que incluso sería difícil sobrevalorarlo. Permite
a los estadísticos realizar análisis muy complejos e intrincados sin necesidad de conocer los
entresijos de los sistemas informáticos.”

Bajo la cubierta de WebFOCUS RStat se utiliza R para la creación de modelos y análisis, y

proporciona numerosos servicios adicionales para facilitar el diseño y despliegue de aplicaciones
de modelado predictivo. Una mirada a la arquitectura aclara esos beneficios.

1
Sarah Boslaugh, Paul A. Watters, Statistics in a Nutshell, California, O’Reilly Media, Inc., 2008

9 Information Builders
R es simplemente un motor core, así que los usuarios deben tener conocimientos de
programación específicos de cara a acceder a los datos, cargarlos en la memoria de R, crear el
modelo, generar los scripts de las rutinas de calificación, etc. La creación de cada modelo es un
proceso no estándar que requiere de un esfuerzo de programación completo. Al integrar R con
WebFOCUS, los usuarios pueden hacer uso de todas las funciones de administración de metadatos
y acceso a los datos de las herramientas estándar de BI, y luego utilizar una interfaz de usuario
especialmente diseñada para especificar los parámetros del modelo para R. Además, una vez que
se ha creado un modelo, se compila como una función normal de WebFOCUS. Así la aplicación
de calificación puede implementarse en cualquier plataforma, y desplegarse más eficientemente
desde el punto de vista de la arquitectura, dado que R no es necesario para calificar. La calificación
es realizada en el servidor de informes, eliminando la necesidad de software extra y minimizando
el procesamiento en tiempo de ejecución. Eso a su vez reduce significativamente los costes de
mantenimiento y la configuración.

La integración de R y WebFOCUS ofrece la utilización totalmente optimizada de los recursos

humanos además de los activos de hardware y software.

10 Mejorar la Toma de Decisiones, Eficiencia de Costes y

Rentabilidad con la Analítica Predictiva
Conclusión

Ya que cada vez es mayor la presión que se imprime a los gerentes para tomar mejores decisiones
y hacer estimaciones más precisas, es muy importante proporcionar un sistema unificado de
apoyo a las decisiones que les permita revisar en detalle el rendimiento pasado y actual, además
de poder predecir condiciones y actividades futuras. El resultado será un acusado aumento de la
demanda de integración de técnicas de modelado avanzado y previsión en las aplicaciones, para
poder cumplir estas necesidades.

WebFOCUS RStat integra sólidamente capacidades de modelado en el núcleo de la suite de BI y

aprovecha las tecnologías open source de última generación para ayudar a los profesionales de TI
a normalizar la forma en la que desarrollan, gestionan y mantienen dichas aplicaciones, utilizando
herramientas que son familiares a los desarrolladores de BI.

11 Information Builders
Oficinas en el mundo
América del Norte Europa ■ Grecia Applied Science
■ Alemania Information Builders (Deutschland) Atenas 30-210-699-8225
Estados Unidos ■ Guatemala IDS de Centroamerica
■ Atlanta,* GA (770) 395-9913 Eschborn* 49-6196-77576-0
■ Bélgica* Information Builders Belgium Ciudad de Guatemala 502-2412-4212
■ Baltimore, MD Servicios profesionales:
Brussels 32-2-7430240 ■ India* InfoBuild India
(703) 247-5565
■ Dinamarca InfoBuild AB Chennai 91-44-42177082
■ Boston,* MA (781) 224-7660
Kista, SE 46-735-23-34-97 ■ Israel SRL Group Ltd.
■ Canales, (800) 969-4636
■ España Information Builders Ibérica S.A. Tel Aviv 972-3-7662030
■ Chicago,* IL (630) 971-6700
Barcelona 34-93-344-32-70 ■ Japón K.K. Ashisuto
■ Cincinnati,* OH (513) 891-2338
Bilbao 34-94-452-50-15 Osaka 81-6-6373-7113
■ Dallas,* TX (972) 490-1300
Madrid* 34-91-710-22-75 Tokyo 81-3-5276-5863
■ Denver,* CO (303) 770-4440
■ Francia* Information Builders France S.A. ■ Jordania InfoBuild Middle East
■ Detroit,* MI (248) 641-8820
Paris 33-14-507-6600 Abu Dhabi 971-2-627-5911
■ Sistemas federales,* DC (703) 276-9006
■ Italia Information Builders Italy Dubai 971-4-3914391
■ Hartford, CT (860) 249-7229
Milan 39-02-30-314-420 ■ Kuwait InfoBuild Middle East
■ Houston,* TX (713) 952-4800
■ Países Bajos* Information Builders Dubai 965-22322926
■ Los Angeles,* CA (310) 615-0735
(Netherlands) B.V. ■ Líbano InfoBuild Middle East
■ Minneapolis,* MN (651) 602-9100
Amsterdam 31-20-4563333 Dubai 961-4-533162
■ New Jersey Ventas: (973) 593-0022
■ Portugal Information Builders Portugal ■ Noruega InfoBuild Norway
■ New York,* NY Ventas: (212) 736-7928
Lisboa 351-217-217-400 Oslo 47-48-20-40-30
Servicios profesionales:
■ Reino Unido* Information Builders (UK) Ltd. ■ Omán InfoBuild Middle East
(212) 736-4433, ext. 4443
Londres 44-845-658-8484 Abu Dhabi 971-2-627-5911
■ Orlando, FL (407) 562-1852
■ Suiza Information Builders Switzerland AG Dubai 971-4-3914391
■ Philadelphia,* PA Ventas: (610) 940-0790
Dietlikon 41-44-839-49-49 ■ Polonia/Europa Central y del Este InfoBuild SP.J.
■ Phoenix, AZ (480) 346-1095
Varsovia 48-22-657-00-14
■ Pittsburgh, PA Ventas: (412) 494-9699
■ Qatar InfoBuild Middle East
■ St. Louis,* MO (636) 519-1411 Representantes Dubai 974-467-7311
■ San Jose,* CA (408) 453-7600 ■ Arabia Saudí InfoBuild Middle East
■ Singapur
■ Seattle, WA (206) 624-9055 Riyadh 996-1-2180280
Automatic Identification Technology Ltd.
■ Washington,* DC Ventas: (703) 276-9006 ■ Austria Raiffeisen Informatik Consulting GmbH
Singapur 65-6286-2922
Servicios profesionales: (703) 247-5565 Viena 43-12-1136-3870
■ Sudáfrica
■ Bahréin InfoBuild Brazil Ltda.
Canadá InfoBuild South Africa (Pty.) Ltd.
Dubai 973-17-536-222, ext. 312
Information Builders (Canada) Inc. Gauteng 27-83-4600800
■ Brasil InfoBuild Brazil Ltda.
■ Calgary (403) 437-3479 Fujitsu Services (Pty.) Ltd.
São Paulo 55-11-3285-1050
■ Montreal* (514) 421-1555 Johanesburgo 27-11-2335911
■ China
■ Ottawa (613) 233-7647 ■ Taiwán Galaxy Software Services
Information Builders China (IBC)
■ Toronto* (416) 364-2760 Taipei 886-2-2586-7890
Beijing 86-10-5128-9680
■ Vancouver (604) 688-2499 ■ Tailandia Datapro Computer Systems Co. Ltd.
Beijing Xinrong Software Technology Co., Ltd.
Bangkok 662-679-1927, ext. 200
Beijing 86-10-5873-2031
México ■ Turquía InfoBuild Middle East
■ Corea
Information Builders Mexico Ankara 90-312-266-33-00
■ Ciudad de México 52-55-5062-0660
UVANSYS
Estambul 90-212-325-4114
Seul 82-2-832-0705
■ Venezuela InfoServices Consulting
■ Egipto InfoBuild Middle East
Australia Caracas 58-212-763-1653
Abu Dhabi 971-2-627-5911
Information Builders Pty. Ltd. Dubai 971-4-3914391
■ Melbourne* 61-3-9631-7900 ■ Emiratos Arabes Unidos InfoBuild Middle East Número gratuito
■ Sydney* 61-2-8223-0600 ■ Ventas, ISV, VAR e información de socios SI
Abu Dhabi 971-2-627-5911
Dubai 971-4-3914391 (800) 969-4636
■ Etiopía MKTY IT Services Plc
Addis Ababa 251-11-5501933 * Las instalaciones de formación se ubican en estas oficinas.
■ Federación Rusa FOBOS Plus Co., Ltd.
Moscú 7-495-926-3358
■ Finlandia InfoBuild Oy
Espoo 358-207-580-840

Oficinas centrales en Madrid Centro Empresarial El Plantío C/ Ochandiano, 12 2 Planta 28023 Madrid Tel.: 34 91 710 22 83 DN7506254.0809-ES
www.informationbuilders.es askinfo@informationbuilders.com
Oficinas corporativas Two Penn Plaza, Nueva York, NY 10121-2898 (212) 736-4433 Fax (212) 967-6406
Consultas internacionales +1(212) 736-4433
Copyright © 2010 Information Builders. Reservados todos los derechos. [89] Todos los productos y nombres de producto
mencionados en esta publicación son marcas comerciales o marcas comerciales registradas de sus respectivas empresas.