Bibliotecas de PYTHON como motores de integración en BI: Una revisión sistemática sobre su contribución a la eficiencia operativa empresarial
Contenido principal del artículo
Resumen
La creciente complejidad de los sistemas de inteligencia de negocios y la diversidad de fuentes de datos en las organizaciones han incrementado la necesidad de soluciones capaces de integrarse de manera eficiente, haciendo que la interoperabilidad se convierta en un componente estratégico para optimizar procesos operativos. En este contexto, el artículo tiene como objetivo evaluar el impacto de la interoperabilidad en la eficiencia operativa de las empresas que utilizan bibliotecas de Python para inteligencia de negocios, con el fin de comprender cómo estas herramientas contribuyen a mejorar el rendimiento organizacional. Para ello se desarrolló un artículo de revisión sistemática basado en un proceso metodológico estructurado que incluyó criterios de inclusión, exclusión y análisis comparativo de estudios publicados en los últimos cinco años, alineado con las directrices PRISMA. Los resultados muestran que las bibliotecas de Python facilitan la integración de datos, automatizan flujos analíticos y reducen tiempos de procesamiento, generando mejoras directas en la disponibilidad, calidad y oportunidad de la información utilizada para la toma de decisiones. Asimismo, se observa una tendencia consistente hacia el uso de Python como capa intermediaria entre sistemas heterogéneos. En conclusión, la interoperabilidad habilitada por estas bibliotecas constituye un factor clave para incrementar la eficiencia operativa en entornos empresariales basados en BI, consolidándose como una herramienta esencial para fortalecer la competitividad organizacional
Descargas
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El contenido de los articulos es de exclusiva responsabilidad de los autores.
Deberá cumplir con los siguentes aspectos de la Licencia CC BY NC ND :
- Atribución : Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
- No Comercial : No se puede utilizar el material con fines comerciales.
- Sin derivados : Si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
- Sin restricciones adicionales : No se pueden aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
Citas
Ao, S.-I., Hurwitz, M., & Palade, V. (2025). Cognitive Computing and Business Intelligence Applications in Accounting, Finance and Management. Big Data and Cognitive Computing, 9(3), 54. Documento en línea. Disponible https://doi.org/10.3390/bdcc9030054
Arman, A., Bellini, P., Bologna, D., Nesi, P., Pantaleo, G., & Paolucci, M. (2021). Automating IoT Data Ingestion Enabling Visual Representation. Sensors, 21(24), 8429. Documento en línea. Disponible https://doi.org/10.3390/s21248429
Ates, H., Alshanawani, A., Hagel, S., Cotta, M., Roberts, J., Dincer, C., … & Ates, C. (2024). Unraveling the impact of therapeutic drug monitoring via machine learning for patients with sepsis. Cell Reports Medicine, 5(8), 101681. Documento en línea. Disponible https://doi.org/10.1016/j.xcrm.2024.101681
Brandão, A., Pereira, E., Esteves, M., Portela, F., Santos, M. F., Abelha, A., & Machado, J. (2016). A Benchmarking Analysis of Open-Source Business Intelligence Tools in Healthcare Environments. Information, 7(4), 57. Documento en línea. Disponible https://doi.org/10.3390/info7040057
Buga, R., Buzea, C. G., Agop, M., Ochiuz, L., Vasincu, D., Popa, O., Rusu, D. I., ?tirban, I., & Eva, L. (2025). Streamlit Application and Deep Learning Model for Brain Metastasis Monitoring After Gamma Knife Treatment. Biomedicines, 13(2), 423. Documento en línea. Disponible https://doi.org/10.3390/biomedicines13020423
Cardoso, E., & Su, X. (2022). Designing a Business Intelligence and Analytics Maturity Model for Higher Education: A Design Science Approach. Applied Sciences, 12(9), 4625. Documento en línea. Disponible https://doi.org/10.3390/app12094625
Chavan, A. (2023). Data visualization tools used for decision making: a review. International Research Journal of Modernization in Engineering Technology and Science. Documento en línea. Disponible https://doi.org/10.56726/irjmets33640
Córdova-Esparza, D.-M., Terven, J., Romero-González, J.-A., Córdova-Esparza, K.-E., López-Martínez, R.-E., García-Ramírez, T., & Chaparro-Sánchez, R. (2025). Predicting and Preventing School Dropout with Business Intelligence: Insights from a Systematic Review. Information, 16(4), 326. Documento en línea. Disponible https://doi.org/10.3390/info16040326
Deb Nath, R. P., Romero, O., Pedersen, T. B., & Hose, K. (2021). High-level ETL for semantic data warehouses. Semantic Web, 12(6), 841–878
Demirdö?en, G., I??k, Z., & Arayici, Y. (2022). Determination of Business Intelligence and Analytics-Based Healthcare Facility Management Key Performance Indicators. Applied Sciences, 12(2), 651. Documento en línea. Disponible https://doi.org/10.3390/app12020651
Dhaouadi, A., Bousselmi, K., Gammoudi, M. M., Monnet, S., & Hammoudi, S. (2022). Data Warehousing Process Modeling from Classical Approaches to New Trends: Main Features and Comparisons. Data, 7(8), 113. Documento en línea. Disponible https://doi.org/10.3390/data7080113
Ekambaram, D., & Ponnusamy, V. (2024). Real-Time Monitoring and Assessment of Rehabilitation Exercises for Low Back Pain through Interactive Dashboard Pose Analysis Using Streamlit—A Pilot Study. Electronics, 13(18), 3782. Documento en línea. Disponible https://doi.org/10.3390/electronics13183782
El Benany, M. M., El Beqqali, O., & Ouksel, A. M. (2019). Big Data Interoperability for E-Governance. Journal of Computer Science, 15(10), 1430–1438. Documento en línea. Disponible https://doi.org/10.3844/jcssp.2019.1430.1438
Fuad, A., Herwanto, G., Pertiwi, A., Wahyuningtias, S., Harsini, H., Maula, A., … & Ahmad, R. (2021). Design and prototype of tomo: an app for improving drug resistant tb treatment adherence. F1000research, 10, 983. Documento en línea. Disponible https://doi.org/10.12688/f1000research.67212.1
Gottfried, A., Hartmann, C., & Yates, D. (2021). Mining Open Government Data for Business Intelligence Using Data Visualization: A Two-Industry Case Study. Journal of Theoretical and Applied Electronic Commerce Research, 16(4), 1042-1065. Documento en línea. Disponible https://doi.org/10.3390/jtaer16040059
Grobler-D?bska, K., Mularczyk, R., Gaw?da, B., & Kucharska, E. (2025). Time Series Methods and Business Intelligent Tools for Budget Planning—Case Study. Applied Sciences, 15(1), 287. Documento en línea. Disponible https://doi.org/10.3390/app15010287
Hasnine, M. N., Nguyen, H. T., Tran, T. T. T., Bui, H. T. T., Akçap?nar, G., & Ueda, H. (2023). A Real-Time Learning Analytics Dashboard for Automatic Detection of Online Learners’ Affective States. Sensors, 23(9), 4243. Documento en línea. Disponible https://doi.org/10.3390/s23094243
Hussin, N., Jaafar, N., Idris, I., & Nawi, A. (2025). Evaluating the effects of e-health interventions on mental health outcomes in individuals with breast cancer: a systematic review. Plos One, 20(5), e0321495. Documento en línea. Disponible https://doi.org/10.1371/journal.pone.0321495
Jensen, S. K., Thomsen, C., Pedersen, T. B., & Andersen, O. (2021). pygrametl: A Powerful Programming Framework for Easy Creation and Testing of ETL Flows. I Transactions on Large-Scale Data- and Knowledge-Centered Systems XLVIII: Special Issue in Memory of Univ. Prof. Dr. Roland Wagner (Bind XLVIII, s. 45-84). Documento en línea. Disponible Springer. https://doi.org/10.1007/978-3-662-63519-3_3
Jiménez-Partearroyo, M., & Medina-López, A. (2024). Leveraging Business Intelligence Systems for Enhanced Corporate Competitiveness: Strategy and Evolution. Systems, 12(3), 94. Documento en línea. Disponible https://doi.org/10.3390/systems12030094
Johnson, D., Batista, D., Cochrane, K., Davey, R., Etuk, A., González-Beltrán, A., … & Rocca?Serra, P. (2021). Isa api: an open platform for interoperable life science experimental metadata. Gigascience, 10(9). Documento en línea. Disponible https://doi.org/10.1093/gigascience/giab060
Kalampokis, E., Karamanou, A., & Tarabanis, K. (2019). Interoperability Conflicts in Linked Open Statistical Data. Information, 10(8), 249. Documento en línea. Disponible https://doi.org/10.3390/info10080249
Karampakakis, P., Ioakeimidou, D., Chatzimisios, P., & Tsintotas, K. A. (2025). A Web-Based Application for Smart City Data Analysis and Visualization. Future Internet, 17(5), 217. Documento en línea. Disponible https://doi.org/10.3390/fi17050217
Karudin, A., Leni, D., Sari, D. Y., Fernanda, Y., & Kusuma, Y. P. (2025). Development of practical data-based visualization models using the Streamlit framework in thermodynamics learning. TEM Journal, 14(1), 913–924. Documento en línea. Disponible https://doi.org/10.18421/TEM141-80
Kumar, N., Bhargavi, K., & Manisha, R. (2025). Financial statement analysis of dr.jhandeere. JOAE, 13(6), 159-168. Documento en línea. Disponible https://doi.org/10.70864/joae.2025.v13.i6.pp159-168
Larroza, A., Pérez-Benito, F. J., Tendero, R., Perez-Cortes, J. C., Román, M., & Llobet, R. (2025). Three-Blind Validation Strategy of Deep Learning Models for Image Segmentation. Journal of Imaging, 11(5), 170. Documento en línea. Disponible https://doi.org/10.3390/jimaging11050170
Lee, A., Ghouse, J., Eslick, J., Laird, C., Siirola, J., Zamarripa, M., … & Miller, D. (2021). The idaes process modeling framework and model library—flexibility for process simulation and optimization. Journal of Advanced Manufacturing and Processing, 3(3). Documento en línea. Disponible https://doi.org/10.1002/amp2.10095
Mello, B., Rigo, S., Costa, C., Righi, R., Donida, B., Bez, M., … & Schunke, L. (2022). Semantic interoperability in health records standards: a systematic literature review. Health and Technology, 12(2), 255-272. Documento en línea. Disponible https://doi.org/10.1007/s12553-022-00639-w
Nath, R. P. D., Pedersen, T. B., Romero, O., & Thomsen, C. (2015). SETL: A programmable semantic ETL framework for semantic data warehouses. In Proceedings of the 19th International Workshop on Data Warehousing and OLAP (DOLAP ’15) (pp. 17–24). ACM. Documento en línea. Disponible https://doi.org/10.1145/2811222.2811229
Pamuk, M., & Schumann, M. (2024). Towards AI Dashboards in Financial Services: Design and Implementation of an AI Development Dashboard for Credit Assessment. Machine Learning and Knowledge Extraction, 6(3), 1720-1761. Documento en línea. Disponible https://doi.org/10.3390/make6030085
Picozzi, P., Nocco, U., Pezzillo, A., De Cosmo, A., & Cimolin, V. (2024). The Use of Business Intelligence Software to Monitor Key Performance Indicators (KPIs) for the Evaluation of a Computerized Maintenance Management System (CMMS). Electronics, 13(12), 2286. Documento en línea. Disponible https://doi.org/10.3390/electronics13122286
Razali, F., Majid, N. A., Azrin, A. A. M., & Quah, W. B. (2024). Exploring Academic Performance Among Gifted and Talented Students: A Comprehensive Review. International Journal of Academic Research in Business and Social Sciences, 13(1), 334–347. Documento en línea. Disponible http://dx.doi.org/10.6007/IJARPED/v13-i1/20144
Santos-Dominguez, M., Hernández Flores, N., Parra-Ramírez, I. A., & Arroyo-Figueroa, G. (2025). AI–Big Data Analytics Platform for Energy Forecasting in Modern Power Systems. Big Data and Cognitive Computing, 9(11), 272. Documento en línea. Disponible https://doi.org/10.3390/bdcc9110272
Souibgui, M., Atigui, F., Zammali, S., Cherfi, S., & Ben Yahia, S. (2019). Data quality in ETL process: A preliminary study. Procedia Computer Science, 159, 676–687. Documento en línea. Disponible https://doi.org/10.1016/j.procs.2019.09.223
Sousa, R., Abelha, V., Peixoto, H., & Machado, J. (2024). Unlocking Healthcare Data Potential: A Comprehensive Integration Approach with GraphQL, openEHR, Redis, and Pervasive Business Intelligence. Technologies, 12(12), 265. Documento en línea. Disponible https://doi.org/10.3390/technologies12120265
Tsakiridis, S., Tsimpiris, A., Angeioplastis, A., Papaioannou, N., Mastorocostas, P., & Varsamis, D. (2024). Un procedimiento con MySQL y Python para el desarrollo de un almacén de datos y análisis utilizando datos de una empresa griega de refrescos. En Proceedings of the 2024 International Conference on Applied Mathematics and Computer Science (ICAMCS) (pp. 167–172). IEEE. Documento en línea. Disponible https://doi.org/10.1109/ICAMCS62774.2024.00027
Vázquez-Ingelmo, A., García-Peñalvo, F. J., & Therón, R. (2021). Towards a Technological Ecosystem to Provide Information Dashboards as a Service: A Dynamic Proposal for Supplying Dashboards Adapted to Specific Scenarios. Applied Sciences, 11(7), 3249. Documento en línea. Disponible https://doi.org/10.3390/app11073249
Vu, V. Q., Tran, M.-Q., Amer, M., Khatiwada, M., Ghoneim, S. S. M., & Elsisi, M. (2023). A Practical Hybrid IoT Architecture with Deep Learning Technique for Healthcare and Security Applications. Information, 14(7), 379. Documento en línea. Disponible https://doi.org/10.3390/info14070379