Revista de Ciencias Sociales (RCS)

Vol. XXXII, Número Especial 13, Enero-Junio 2026. pp. 381-400

FCES - LUZ ● ISSN: 1315-9518 ● ISSN-E: 2477-9431

Como citar: Malca, A. E. (2026). Capacidades de analítica de datos como mediadoras entre el alineamiento intelectual y el desempeño empresarial. Revista De Ciencias Sociales, XXXII(Número Especial 13), 381-400.

Capacidades de analítica de datos como mediadoras entre el alineamiento intelectual y el desempeño empresarial

Malca Terrones, Aldino Enrique*

Resumen

La analítica de datos se ha consolidado como un recurso estratégico para las organizaciones que buscan mejorar su competitividad y desempeño en entornos dinámicos. Sin embargo, las inversiones en analítica no siempre se traducen en mejores resultados, especialmente en economías emergentes. Este estudio analiza cómo el alineamiento intelectual influye en la capacidad de gestión de analítica de datos, la capacidad de tecnología de analítica de datos y la capacidad de talento de analítica de datos, así como el efecto de estas capacidades en el desempeño empresarial, tanto de forma directa como mediante efectos mediadores, en empresas que operan en Perú. Se adoptó un enfoque cuantitativo y explicativo, utilizando datos de encuestas aplicadas a 222 empresas y modelos de ecuaciones estructurales con mínimos cuadrados parciales. Los resultados muestran que el alineamiento intelectual influye positivamente en las tres capacidades analíticas. Asimismo, la capacidad de tecnología de analítica de datos presenta un efecto directo significativo sobre el desempeño empresarial; mientras que la capacidad de gestión y la capacidad de talento no muestran efectos directos robustos. Además, se concluye que la capacidad de gestión y la capacidad tecnológica median parcialmente esta relación.

Palabras clave: Alineamiento intelectual; capacidad analítica de datos; tecnología analítica; desempeño empresarial; economías emergentes.

* Doctorado de Administración en la Escuela de Posgrado en la Universidad San Ignacio de Loyola, Lima, Perú. Magister en Administración de Negocios y Tecnologías de Información. E-mail: aldino.malca@usil.pe ORCID: https://orcid.org/0000-0002-6158-2601

Recibido: 2026-01-19 • Aceptado: 2026-04-08

Data analytics capabilities as mediators between intellectual alignment and firm performance

Abstract

Data analytics has become a strategic resource for organizations seeking to improve their competitiveness and performance in dynamic environments. However, investments in analytics do not always translate into better results, especially in emerging economies. This study analyzes how intellectual alignment influences data analytics management capabilities, data analytics technology capabilities, and data analytics talent capabilities, as well as the effect of these capabilities on business performance, both directly and through mediating effects, in companies operating in Peru. A quantitative and explanatory approach was adopted, using survey data from 222 companies and partial least squares structural equation modeling. The results show that intellectual alignment positively influences all three analytical capabilities. Furthermore, data analytics technology capabilities have a significant direct effect on business performance, while management capabilities and talent capabilities do not show robust direct effects. Additionally, the study concludes that management capabilities and technological capabilities partially mediate this relationship.

Keywords: Intellectual alignment; data analytics capabilities; analytics technology; firm performance; emerging economies.

Introducción

La analítica de datos se ha consolidado como un recurso estratégico para las organizaciones que buscan mejorar su competitividad y desempeño en entornos cada vez más dinámicos. La creciente digitalización de los procesos empresariales ha incrementado la disponibilidad de datos y ha ampliado las posibilidades de utilizarlos para apoyar la toma de decisiones, optimizar operaciones y generar valor organizacional (Davenport, 2006; Janssen et al., 2017; Aljehani et al., 2024). En este contexto, la capacidad de transformar datos en información útil se ha convertido en un factor clave para la sostenibilidad y el crecimiento empresarial.

Sin embargo, la evidencia empírica muestra que la adopción de tecnologías analíticas no garantiza, por sí sola, mejoras en el desempeño. Muchas organizaciones invierten en infraestructura, software y personal especializado, pero no logran traducir estas inversiones en resultados tangibles (Mikalef et al., 2019; Laguir et al., 2023). Esta situación ha llevado a la literatura reciente a destacar que el verdadero desafío no radica únicamente en disponer de datos o tecnología, sino en la forma en que estos recursos se integran con la estrategia del negocio y con las capacidades internas de la organización (Akter et al., 2016; Mendes-da-Silva y Albertin, 2024).

Diversos estudios han analizado de manera separada el alineamiento entre negocio y tecnología, las capacidades de analítica de datos y el desempeño empresarial (DE) (Briones y D’Armas, 2024; Sánchez-Lunavictoria et al., 2025; Portocarrero et al., 2025). La investigación sobre alineamiento intelectual ha demostrado que la coherencia entre las decisiones de negocio y de Tecnología de la Información (TI) favorece la coordinación organizacional y el uso eficiente de los recursos tecnológicos (Henderson y Venkatraman, 1999; Chan y Reich, 2007; Wang et al., 2021; Romero et al., 2026).

De forma paralela, la literatura sobre analítica de datos ha evidenciado que las capacidades de gestión, tecnología y talento de analitica de datos, influyen en la calidad de las decisiones y en los resultados organizacionales (Akter et al., 2016; Alrub y Sánchez-Cañizares, 2025). No obstante, estos enfoques suelen abordarse de manera fragmentada.

A pesar de los avances, persisten brechas relevantes en el conocimiento (Espina-Romero, 2025; Gutiérrez y Espina-Romero, 2025). Existe una limitada cantidad de estudios que integren, dentro de un mismo modelo, el Alineamiento Intelectual (AI) y las capacidades de analítica de datos como determinantes del desempeño empresarial. Asimismo, la mayor parte de la evidencia empírica proviene de economías desarrolladas o de sectores altamente digitalizados, lo que restringe la comprensión de estos fenómenos en contextos emergentes (Wamba et al., 2017; Espina, 2025; Liang et al., 2025). En países como Perú, donde la madurez analítica es heterogénea y las estrategias digitales se encuentran en distintas fases de desarrollo (Peixoto, 2025), aún se dispone de escasa evidencia empírica que permita explicar cómo se genera valor a partir de la analítica de datos.

Ante este escenario, resulta necesario profundizar en el análisis de los mecanismos organizacionales que permiten convertir la analítica de datos en mejoras de desempeño. En particular, cobra relevancia examinar el rol del AI entre la estrategia del negocio y la estrategia de TI, así como su relación con las capacidades de gestión, tecnología y talento vinculadas a la analítica. Este enfoque permite avanzar más allá de la adopción tecnológica y centrarse en la forma en que las organizaciones estructuran y coordinan sus recursos para generar resultados.

En este contexto, el objetivo de este estudio es analizar cómo el AI impulsa tres capacidades analíticas —la capacidad de gestión de analítica de datos (AG), la capacidad de tecnología de analítica de datos (AT) y la capacidad de talento de analítica de datos (AH)— y cómo estas, a su vez, contribuyen al DE, tanto de manera directa como mediada en empresas que operan en Perú. Para ello, se adopta un enfoque cuantitativo y explicativo, basado en datos empíricos recopilados a través de encuestas y analizados mediante modelos de ecuaciones estructurales con mínimos cuadrados parciales. Este enfoque permite examinar simultáneamente relaciones directas e indirectas entre los constructos analizados.

El estudio busca aportar evidencia empírica relevante en un contexto poco explorado y contribuir al debate teórico sobre el papel del alineamiento intelectual y las capacidades analíticas en la generación de valor organizacional. Asimismo, ofrece implicancias prácticas para directivos y responsables de la toma de decisiones que enfrentan el desafío de integrar la analítica de datos en sus estrategias empresariales.

El artículo se estructura de la siguiente manera. En la siguiente sección se presenta el Marco Teórico, donde se desarrollan los fundamentos conceptuales y los antecedentes empíricos del estudio. Posteriormente, se expone el Desarrollo de las Hipótesis. A continuación, se describe la metodología empleada, seguida de la presentación de los resultados. Finalmente, se discuten los hallazgos y se presentan las conclusiones del estudio.

1. Fundamentación teórica

Este marco teórico reúne los fundamentos conceptuales, antecedentes empíricos, debates teóricos y modelos explicativos, necesarios para sostener las nueve hipótesis propuestas para este estudio (ver Figura I).

Fuente: Elaboración propia, 2025.

Figura I: Modelo propuesto para este estudio

El eje teórico central del modelo es la Teoría Basada en Recursos (TBR). Barney (1991); Peteraf y Barney (2003); y, Barney y Clark (2007), sostienen que las organizaciones pueden generar ventajas competitivas sostenibles cuando poseen recursos valiosos, raros, imperfectamente imitables y adecuadamente organizados. La TBR distingue entre recursos y capacidades: los recursos, incluyen activos tangibles e intangibles (tecnología, personal, infraestructura, conocimiento); mientras que las capacidades representan procesos complejos, integrados e intransferibles que permiten a la organización coordinar, movilizar y desplegar sus recursos para mejorar la productividad (Makadok, 1999; Morgan et al., 2009).

La complementariedad de los recursos, entendida como el grado en que el efecto de un recurso depende de la presencia de otro, se presenta como un mecanismo fundamental para explicar el desempeño empresarial en entornos digitales, donde la tecnología, el talento analítico y la gestión estratégica se influyen mutuamente (Milgrom y Roberts, 1995).

La analítica de datos se considera una capacidad estratégica cuya importancia se ha incrementado significativamente con la digitalización global (Davenport, 2006; Janssen et al., 2017). Cao y Duan (2014); y, Olszak (2016), describen la capacidad analítica de datos como la habilidad organizativa para capturar, almacenar, procesar e interpretar información a gran escala, generando conocimiento que permita optimizar decisiones, procesos comerciales y estrategias corporativas. En la literatura, esta capacidad se concibe como un constructo multidimensional compuesto por capacidades de gestión, capacidades tecnológicas y capacidades de talento (Barton y Court, 2012; Akter et al., 2016; Alrub y Sánchez-Cañizares, 2025).

La AG se relaciona con los procesos de planificación, inversión, coordinación y control de las iniciativas analíticas. La AT comprende la infraestructura, la compatibilidad, la conectividad y la modularidad, necesarias para procesar datos y generar soluciones analíticas escalables. Por su parte, la AH involucra habilidades técnicas, conocimiento del negocio, competencias de gestión tecnológica y capacidades relacionales necesarias para traducir datos en acciones organizacionales.

El AI representa el grado de coherencia estratégica entre las decisiones de negocio y las decisiones de tecnología (Noroño, 2025), y ha sido ampliamente estudiado desde los trabajos pioneros de King (1978); Henderson y Venkatraman (1999); y, Reich y Benbasat (2000). Estos autores sugieren que el AI permite sincronizar objetivos, compartir una visión estratégica común y asegurar que las decisiones de TI respalden adecuadamente las prioridades del negocio.

Investigaciones posteriores han demostrado que el AI influye positivamente en la integración de procesos, en la coordinación interfuncional y en el despliegue de capacidades organizacionales, especialmente aquellas basadas en TI (Chan y Reich, 2007; Wang et al., 2021; Mendes-da-Silva y Albertin, 2024). Desde la perspectiva de la TBR, el AI constituye un recurso intangible difícil de imitar que puede habilitar capacidades tecnológicas, talento y de gestión, favoreciendo la formulación y ejecución de estrategias corporativas.

El DE es entendido como el grado de logro de los objetivos financieros, operativos y de mercado de una organización. Lee et al. (2023); y, Khatri et al. (2025), argumentan que el desempeño no debe limitarse exclusivamente a indicadores financieros, sino que debe incluir resultados operativos, estratégicos y no financieros. Sin embargo, en estudios centrados en capacidades digitales, es común evaluar el desempeño relativo a los competidores, especialmente en indicadores como crecimiento de ventas, participación de mercado, utilidad neta y retorno de inversión, tal como lo hacen Liang et al. (2025); y, Moolkham (2025).

La literatura empírica muestra que el AI tiene un efecto significativo sobre las capacidades organizacionales basadas en datos. Henderson y Venkatraman (1999); y, Chan y Reich (2007), afirman que la coherencia estratégica facilita la asignación de recursos, la planificación de inversiones tecnológicas y la coordinación interfuncional. Asimismo, estudios como los de Kim et al. (2012); y, Akter et al. (2016), demuestran que el AI impulsa el desarrollo de capacidades tecnológicas y de talento analítico, puesto que al existir claridad estratégica, las organizaciones invierten de manera más eficiente en infraestructura, software y perfiles profesionales orientados a la analítica. Esto respalda las hipótesis H1, H2 y H3, las cuales sostienen que el AI influye positivamente en AG, AT y AH.

Por otra parte, diversas investigaciones establecen que las capacidades de analítica de datos influyen positivamente en el DE. Laguir et al. (2023), sostienen que las capacidades analíticas permiten descubrir patrones no evidentes, anticipar cambios del entorno y generar ventajas competitivas basadas en información. Davenport (2006); y, Aljehani et al. (2024), evidencian que la analítica reduce ineficiencias, optimiza operaciones y mejora la satisfacción del cliente. Wamba et al. (2017); y, Mikalef et al. (2019), encuentran relaciones positivas y significativas entre capacidades tecnológicas, talento analítico y desempeño financiero y de mercado. Estas evidencias apoyan las hipótesis H4, H5 y H6.

La literatura también destaca el papel mediador de las capacidades analíticas. Estudios como los de Gupta y George (2016); y, Wamba et al. (2017), plantean que las capacidades de gestión, tecnología y talento, actúan como mecanismos que traducen recursos estratégicos en resultados organizacionales. En particular, el AI por sí mismo no garantiza un mejor desempeño, sino que requiere ser canalizado a través de capacidades internas que permitan generar soluciones analíticas, desarrollar modelos predictivos y tomar decisiones basadas en datos, tal como se evidencia en los modelos de mediación propuestos por Gupta y George (2016); y, Wamba et al. (2017). Esto fundamenta las hipótesis H7, H8 y H9, que plantean la mediación de AG, AT y AH en la relación entre AI y DE.

A pesar de estos avances, persisten brechas relevantes. Existe escasa evidencia empírica en contextos latinoamericanos sobre cómo interactúan el AI, las capacidades de analítica y el DE. La mayoría de los estudios se ha realizado en economías desarrolladas o sectores altamente digitalizados, lo que deja un vacío respecto a países como Perú, donde la madurez analítica es heterogénea y el uso de datos aún se encuentra en procesos de consolidación. Además, pocos trabajos integran simultáneamente las tres capacidades analíticas como mediadores dentro de un mismo modelo, y menos aún bajo un enfoque alineado a la TBR. Estas brechas justifican la pertinencia del presente estudio y el enfoque PLS-SEM propuesto.

Como aporte conceptual de este estudio, el AI se entiende como una capacidad estratégica integradora que permite articular la visión del negocio con el uso inteligente de los recursos tecnológicos y analíticos. En este sentido, las capacidades de analítica de datos no generan valor de manera aislada, sino cuando se organizan, gestionan y orientan hacia objetivos empresariales concretos. Por ello, se plantea que el DE en contextos emergentes depende de la interacción entre alineamiento estratégico, infraestructura tecnológica, gestión analítica y talento humano especializado. Esta reflexión permite comprender que la analítica de datos no constituye únicamente una herramienta técnica, sino un mecanismo organizacional para transformar información en decisiones, capacidades y resultados sostenibles.

Finalmente, la articulación teórica descrita permite sostener de manera coherente las nueve hipótesis del estudio. El AI se concibe como el motor estratégico que impulsa las capacidades organizativas orientadas a la analítica de datos. AG, AT y AH se entienden como capacidades VRIO que permiten transformar datos en decisiones de alto impacto. El DE se presenta como la consecuencia de la integración eficiente de recursos, capacidades tecnológicas y talento. Este marco teórico sirve como fundamento para el modelo empírico que será evaluado en empresas peruanas, permitiendo comparar posteriormente los resultados con los debates vigentes en la literatura internacional.

1.1. Desarrollo de las hipótesis

El AI se considera una capacidad estratégica que permite coherencia entre la estrategia del negocio y la estrategia de TI. Henderson y Venkatraman (1999); y, Reich y Benbasat (2000), sostienen que cuando existe entendimiento compartido entre las áreas directivas, las organizaciones pueden coordinar mejor sus recursos tecnológicos, humanos y operativos. Esta coherencia facilita la planificación y la toma de decisiones, y genera las condiciones para desarrollar otras capacidades organizacionales. En este sentido, se espera que el AI influya directamente en la AG, puesto que una visión estratégica común impulsa procesos de planificación, inversión, coordinación y control para el uso de analítica (Barton y Court, 2012; Akter et al., 2016).

H1: El AI tiene un efecto positivo en la AG.

De manera similar, el AI favorece el desarrollo de capacidades tecnológicas. Cuando la organización alinea sus decisiones de TI con las necesidades del negocio, puede invertir de forma más eficiente en infraestructura tecnológica, software analítico y sistemas compatibles (Kim et al., 2012; Akter et al., 2016). La literatura también muestra que el AI facilita la integración de soluciones tecnológicas y la compatibilidad entre plataformas, mejorando la capacidad de la empresa para generar, compartir y aprovechar información analítica (Davenport, 2006).

H2: El AI tiene un efecto positivo en la AT.

Además, el AI influye en el desarrollo del talento humano. Una estrategia compartida ayuda a definir perfiles, competencias y expectativas para el personal encargado de la analítica de datos (Chan y Reich, 2007). La literatura señala que la claridad estratégica facilita la formación, coordinación y colaboración del personal analítico (Akter et al., 2016), así como la integración entre expertos técnicos y líderes de negocio.

H3: El AI tiene un efecto positivo en la AH.

Por otra parte, la AG contribuye al DE, dado que la literatura muestra que gestionar adecuadamente la analítica mejora la calidad de las decisiones, la eficiencia operativa y la ejecución de iniciativas basadas en datos (Davenport, 2006; Aljehani et al., 2024). La planificación, coordinación y control de los recursos analíticos permiten que la empresa identifique oportunidades, corrija ineficiencias y responda mejor a cambios del entorno (Tavo y Rasmus, 2024). En consecuencia, AG se relaciona con mejores resultados financieros y mayor competitividad.

H4: La AG tiene un efecto positivo en el DE.

La AT influye en el DE, puesto que la conectividad, compatibilidad y modularidad tecnológica facilitan el desarrollo de soluciones analíticas más rápidas y escalables (Akter et al., 2016). Esto facilita tomar decisiones en tiempo real y desarrollar modelos predictivos que mejoran el rendimiento financiero y operativo. Davenport (2006), demuestra que la infraestructura tecnológica habilita el uso eficiente de datos; y estudios como los de Wamba et al. (2017), muestran que esta capacidad se asocia con incrementos en productividad y resultados económicos.

H5: La AT tiene un efecto positivo en el DE.

Asimismo, la AH está relacionada con el DE. El conocimiento técnico, el entendimiento del negocio y las habilidades de gestión y colaboración, permiten que el personal transforme datos en acciones estratégicas (Akter et al., 2016). Laguir et al. (2023), señalan que el talento analítico detecta patrones, identifica oportunidades y anticipa riesgos, lo que impulsa mejoras en eficiencia, innovación y resultados financieros.

H6: La AH tiene un efecto positivo en el DE.

La literatura también evidencia que las capacidades analíticas cumplen un rol mediador en la relación entre recursos estratégicos y desempeño. Gupta y George (2016); y, Wamba et al. (2017), sostienen que las capacidades analíticas transforman recursos dispersos —como datos, infraestructura y conocimiento— en valor organizacional. En este contexto, el AI proporciona dirección estratégica, pero son las capacidades de gestión las que operacionalizan ese alineamiento, permitiendo convertirlo en resultados financieros. Cuando la organización planifica, coordina y controla adecuadamente la analítica, el AI puede impactar el desempeño.

H7: La AG media la relación entre el AI y el DE.

De forma similar, la capacidad tecnológica actúa como un mecanismo que convierte el AI en resultados. Cuando existe alineamiento intelectual, la organización invierte adecuadamente en infraestructura analítica, lo que permite desplegar soluciones escalables y procesos automatizados que impactan en ventas, productividad y rentabilidad (Akter et al., 2016). Así, la tecnología analítica se convierte en el canal mediante el cual el AI genera mejoras en el desempeño.

H8: La AT media la relación entre el AI y el DE.

Finalmente, la AH también funciona como mediadora. El AI define prioridades estratégicas y facilita la colaboración entre las áreas. Sin embargo, son las habilidades del personal analítico las que convierten esa coherencia estratégica en acciones, modelos y soluciones basadas en datos (Constantiou y Kallinikos, 2015; Akter et al., 2016). El talento humano permite interpretar datos, comunicar insights y ejecutar iniciativas que generan valor para la empresa.

H9: La AH media la relación entre el AI y el DE.

2. Metodología

2.1. Enfoque y diseño de investigación

Este estudio adopta un enfoque cuantitativo con alcance explicativo y lógica deductiva. Este enfoque permite contrastar hipótesis teóricas mediante el análisis estadístico de relaciones causales entre variables latentes, reduciendo el sesgo subjetivo y favoreciendo la generalización de resultados (Hernández-Sampieri y Mendoza, 2018; Creswell y Creswell, 2022). El diseño es no experimental y de corte transversal, dado que las variables se midieron en un solo momento y en su contexto natural, sin manipulación por parte del investigador. Este tipo de diseño es adecuado para estudios organizacionales centrados en capacidades estratégicas y desempeño (Kerlinger y Lee, 2002).

La unidad de análisis corresponde a empresas privadas que operan en Perú; mientras que la unidad de observación está conformada por directivos y responsables de áreas vinculadas a TI, datos y analítica, cuyas percepciones reflejan de manera válida los fenómenos organizacionales estudiados (Thatcher et al., 2011).

2.2. Población, muestra y muestreo

La población está compuesta por empresas privadas que operan en Perú. Los sujetos de estudio fueron profesionales con cargos vinculados a datos y TI, tales como gerentes de TI, gerentes de datos, gerentes de analítica, gerentes de BI y roles equivalentes, siguiendo recomendaciones previas para estudios sobre capacidades analíticas (Akter et al., 2016).

El muestreo fue no probabilístico por conveniencia, debido a la dificultad de acceso a este tipo de perfiles especializados. Este tipo de muestreo es aceptado en estudios explicativos cuando el objetivo es contrastar teoría y no estimar parámetros poblacionales (Calder et al., 1982). El tamaño mínimo de muestra se determinó mediante el análisis de potencia estadística propuesto por Soper (2025), considerando un tamaño de efecto medio, un nivel de significancia de 0.05 y una potencia de 0.80. El tamaño mínimo requerido fue de 177 casos. El trabajo de campo permitió obtener 222 cuestionarios válidos, lo que garantiza potencia estadística suficiente para el análisis PLS-SEM (Hair et al., 2021).

2.3. Instrumento de recolección de datos

La recolección de datos se realizó mediante un cuestionario estructurado y autoadministrado. El instrumento fue adaptado de escalas previamente validadas en la literatura sobre alineamiento intelectual, capacidades analíticas y desempeño empresarial (Davenport, 2006; Chan y Reich, 2007; Akter et al., 2016). Dado que estas escalas no habían sido aplicadas previamente en el contexto peruano, se realizó un proceso de adaptación conceptual, lingüística y cultural, siguiendo las recomendaciones de Arribas (2006); y, Muñiz et al. (2013).

Todos los ítems se midieron mediante una escala tipo Likert de siete puntos, donde 1 indica “totalmente en desacuerdo” y 7 “totalmente de acuerdo”. El cuestionario fue distribuido de forma digital a través de la plataforma SurveyMonkey, utilizando canales como correo electrónico y LinkedIn. Este procedimiento es consistente con estudios organizacionales que analizan capacidades tecnológicas y estratégicas (Hernández-Sampiere y Mendoza, 2018). El Cuadro 1, presenta el detalle del instrumento utilizado en el estudio.

Cuadro 1

Instrumento de medición del estudio

Constructo	Ítem	Preguntas
Alineamiento Intelectual (AI)	AI1	En mi empresa las estrategias de TI respaldan las estrategias de negocio.
	AI2	En mi empresa la estrategia de TI y la estrategia de negocio coinciden.
	AI3	En mi empresa las estrategias de TI se alinean con el plan estratégico del negocio.
	AI4	En mi empresa evaluamos la importancia estratégica de las tecnologías emergentes.
	AI5	En mi empresa la estrategia de TI está alineada con la estrategia de negocio.
Capacidad de Gestión de Analítica de Datos (AG)	AG1	En nuestra organización, la información se comparte ampliamente entre los analistas de datos y los usuarios del negocio para que tengan acceso a todo el conocimiento disponible.
	AG2	En nuestra organización supervisamos constantemente el desempeño del personal de analítica de datos.
	AG3	En nuestra organización cuando decidimos invertir en analítica de datos, valoramos y estimamos el efecto que tendrán en la productividad del trabajo de los empleados.
Capacidad de tecnología analítica (AT)	AT1	En nuestra organización la información basada en analítica se comparte sin problemas en toda nuestra organización, independientemente de la ubicación.
	AT2	En nuestra organización el software que utilizan los usuarios finales los ayuda a crear sus propios reportes, modelos o soluciones de analítica.
	AT3	En nuestra organización el software que utilizamos ayuda a minimizar el tiempo de desarrollo de nuevos reportes, modelos o soluciones analíticas.
Capacidad de talento humano analítico (AH)	AH1	En nuestra organización nuestro personal de analítica es muy capaz en términos de habilidades de programación.
	AH2	En nuestra organización nuestro personal de analítica es capaz de planificar, coordinar y ejecutar el trabajo en un entorno colaborativo.
	AH3	En nuestra organización nuestro personal de analítica es capaz gestionar y liderar proyectos.
Desempeño Empresarial (DE)	DE1	En los últimos 3 años el incremento de la participación de mercado de nuestra empresa es superior a la de nuestros principales competidores.
	DE2	En los últimos 3 años el crecimiento de las ventas de nuestra empresa es superior que la de nuestros principales competidores.
	DE3	En los últimos 3 años el incremento de la utilidad neta de nuestra empresa es superior que la de nuestros principales competidores.
	DE4	En los últimos 3 años el retorno de la inversión en nuestra empresa es mejor que la de nuestros principales competidores.

Fuente: Elaboración propia, 2025.

2.4. Procesamiento y análisis de datos

El análisis se realizó mediante PLS-SEM, utilizando SmartPLS 4 (Ringle et al., 2024), dado que este método es apropiado para modelos complejos, con mediaciones y orientación predictiva, y no exige normalidad multivariante (Henseler et al., 2015; Hair et al., 2019). La evaluación del modelo incluyó el análisis del modelo de medición (fiabilidad interna, validez convergente y discriminante) y del modelo estructural (efectos directos, efectos indirectos, tamaño del efecto y relevancia explicativa).

3. Resultados y discusión: Evaluación del modelo estructural y efectos de mediación

3.1. Análisis de fiabilidad y validez

Los resultados de la Tabla 1, muestran que todos los constructos presentan cargas factoriales superiores a 0.780. De acuerdo con Hair et al. (2019), los ítems deben superar el umbral mínimo de 0.700 para considerarse adecuados. Por lo tanto, los indicadores de AG, AH, AI, AT y DE evidencian una contribución satisfactoria a sus respectivos constructos.

Tabla 1

Fiabilidad y validez convergente del modelo de medición

	Constructo	Cargas	Cronbach’s Alpha	rho_a	rho_c	AVE
Capacidad de gestión de analítica de datos (AG)	AGE1	0.860	0.817	0.820	0.891	0.732
	AGE2	0.832
	AGE3	0.875
Capacidad de talento humano analítico (AH)	AH1	0.856	0.817	0.818	0.891	0.732
	AH2	0.857
	AH3	0.853
Alineamiento Intelectual (AI)	AI1	0.806	0.880	0.833	0.912	0.675
	AI2	0.853
	AI3	0.821
	AI4	0.781
	AI5	0.845
Capacidad de tecnología analítica (AT)	AT1	0.889	0.836	0.851	0.901	0.752
	AT2	0.819
	AT3	0.892
Desempeño empresarial (DE)	DE1	0.836	0.841	0.846	0.894	0.677
	DE2	0.795
	DE3	0.814
	DE4	0.846

Fuente: Elaboración propia, 2025.

La fiabilidad interna también es sólida. Los valores de α, rho_A y rho_C superan el criterio de 0.700 recomendado por Henseler et al. (2015); y, Hair et al. (2019). En todos los casos, los valores se ubican entre 0.817 y 0.912, lo que indica consistencia interna adecuada y ausencia de problemas de subestimación o sobreestimación. En particular, rho_C, que es un indicador más preciso de fiabilidad compuesta, muestra valores entre 0.891 y 0.912, por encima del umbral de 0.700 y dentro del rango óptimo sugerido por Hair et al. (2021).

La validez convergente también se confirma. Los valores de AVE oscilan entre 0.675 y 0.752, superando el umbral mínimo de 0.50 recomendado por Fornell y Larcker (1981). Esto evidencia que cada constructo explica más del 50% de la varianza de sus indicadores, lo que garantiza un nivel adecuado de representatividad conceptual.

Como aporte metodológico de este estudio, los resultados de fiabilidad y validez permiten sostener que la medición de las capacidades analíticas y del desempeño empresarial requiere instrumentos consistentes, conceptualmente claros y adaptados al contexto organizacional donde se aplican. En este caso, la solidez del modelo de medición confirma que los constructos analizados representan dimensiones diferenciadas, pero complementarias, del proceso mediante el cual la analítica de datos puede convertirse en una capacidad empresarial relevante.

3.2. Análisis de validez discriminante (HTMT y Fornell–Larcker)

De acuerdo con los datos de la Tabla 2, los valores HTMT son adecuados. Todos se encuentran por debajo del umbral de 0.850 recomendado por Henseler et al. (2015) para modelos conceptualmente relacionados. Ninguna relación supera el límite más estricto de 0.900. Esto confirma que los constructos mantienen diferenciación entre sí y que no existe solapamiento conceptual significativo entre AG, AH, AI, AT y DE. Los valores más altos, como AH–AG (0.698), AI–DE (0.698) y AT–DE (0.689), permanecen dentro de los márgenes aceptables, lo que indica correlaciones esperadas sin comprometer validez discriminante.

Tabla 2

Resultados de validez discriminante mediante HTMT y Fornell–Larcker

		AG	AH	AI	AT	DE
HTMT	AG
	AH	0.698
	AI	0.637	0.583
	AT	0.579	0.525	0.499
	DE	0.561	0.468	0.698	0.689
Fornell Larckert	AG	0.856
	AH	0.574	0.855
	AI	0.543	0.496	0.822
	AT	0.479	0.435	0.436	0.867
	DE	0.470	0.390	0.605	0.585	0.823

Fuente: Elaboración propia, 2025.

El criterio de Fornell–Larcker también se sostiene para este estudio. Las raíces cuadradas del AVE están ubicadas en la diagonal y son superiores a las correlaciones entre constructos, lo cual cumple con el criterio propuesto por Fornell y Larcker (1981). AG (0.856); AH (0.855); AI (0.822); AT (0.867); y, DE (0.823), muestran valores mayores que cualquier correlación asociada en sus filas y columnas. Esto confirma que cada constructo comparte más varianza con sus propios indicadores que con otros constructos del modelo. Siguiendo a Hair et al. (2019), cuando ambos criterios se cumplen simultáneamente, no existen problemas de redundancia entre constructos, y el modelo de medición puede considerarse sólido para avanzar al análisis estructural.

A partir de estos resultados, se entiende que la diferenciación empírica entre AG, AH, AI, AT y DE es fundamental para explicar con mayor precisión el comportamiento del modelo. La ausencia de solapamiento excesivo entre los constructos, demuestra que cada variable cumple una función específica dentro de la lógica del estudio. Esto aporta claridad al análisis, puesto que permite interpretar las relaciones estructurales sin confundir el alineamiento estratégico, las capacidades analíticas y el desempeño empresarial como dimensiones equivalentes.

3.3. Análisis de efectos directos y mediación

Los efectos directos muestran resultados significativos y coherentes con el modelo teórico (ver Tabla 3). AI presenta efectos positivos y significativos sobre AG (β = 0.543, p < 0.001); AT (β = 0.436, p < 0.001); y, AH (β = 0.496, p < 0.001). Estos valores confirman que AI explica una parte importante de la varianza de estas capacidades, lo cual es consistente con Hair et al. (2021), quienes señalan que coeficientes con t > 1.96 y p < 0.05 evidencian efectos significativos. Los intervalos de confianza no cruzan el cero, lo que refuerza la estabilidad de estos efectos.

Tabla 3

Resultados de efectos directos e indirectos del modelo estructural

	Sample (β)	t value	p value	2,5% CI	97,5% CI	R² / VAF	Naturaleza del efecto
H1. AI → AG	0.543	10.221	0.000	0.423	0.635	29,50%	Efecto directo significativo
H2. AI → AT	0.436	7.214	0.000	0.305	0.542	19,00%	Efecto directo significativo
H3. AI → AH	0.496	8.634	0.000	0.367	0.596	24,60%	Efecto directo significativo
H4. AG → DE	0.212	2.808	0.005	0.060	0.353	39,20%	Efecto directo significativo
H5. AT → DE	0.452	5.936	0.000	0.289	0.585	39,20%	Efecto directo significativo
H6. AH → DE	0.073	1.347	0.178	-0.038	0.173	39,20%	Efecto directo no significativo
H7. AI → AG → DE	0.115	2.474	0.013	0.028	0.209	47,13% VAF	Mediación parcial complementaria
H8. AI → AT → DE	0.197	3.855	0.000	0.102	0.300	25,13% VAF	Mediación parcial complementaria
H9. AI → AH → DE	0.036	1.259	0.208	-0.017	0.094	70,28% VAF	Mediación no establecida

Fuente: Elaboración propia, 2025.

En cuanto a los efectos de AG, AT y AH sobre DE, los resultados muestran que AG → DE es significativo (β = 0.212, p = 0.005) y AT → DE también es significativo (β = 0.452, p < 0.001). Esto indica que AG y AT contribuyen directamente al desempeño, lo cual se alinea con lo recomendado por Chin (2010) para evaluar relevancia predictiva en modelos PLS-SEM. Por el contrario, AH → DE no es significativo (β = 0.073, p = 0.178), puesto que su intervalo de confianza incluye el cero. Esto indica que AH no explica varianza relevante en DE de manera directa.

Respecto a la mediación, los efectos indirectos permiten identificar la naturaleza de cada mediación siguiendo los criterios de Zhao et al. (2010); y, Hair et al. (2019). AI → AG → DE muestra un efecto significativo (β = 0.115, p = 0.013) con un VAF de 47,13%, lo que indica mediación parcial complementaria, pues se cumple que el efecto directo y el indirecto son significativos y en la misma dirección. AI → AT → DE presenta un efecto indirecto significativo (β = 0.197, p < 0.001) con un VAF de 25,13%, lo cual también indica mediación parcial complementaria. En ambos casos, el efecto directo AI → DE no se reporta en la tabla, pero, siguiendo los criterios de Zhao et al. (2010), un VAF entre 20% y 80% confirma mediación parcial.

Finalmente, AI → AH → DE no muestra un efecto mediado significativo (β = 0.036, p = 0.208), debido a que el intervalo de confianza incluye el cero. Aunque el VAF es 70,28%, dicha mediación se clasifica como “mediación no establecida”, puesto que la significancia es el requisito principal para confirmar un efecto mediador.

Desde la interpretación asumida en este estudio, los efectos directos e indirectos evidencian que el AI no genera valor empresarial de manera automática, sino a través de capacidades organizacionales que permiten operacionalizar la estrategia analítica. En particular, la mediación de AG y AT muestra que la gestión y la tecnología actúan como canales relevantes para convertir el alineamiento estratégico en desempeño. Este hallazgo refuerza la idea de que la analítica de datos requiere coordinación, infraestructura y orientación estratégica, para producir resultados empresariales significativos.

3.4. Análisis del tamaño del efecto (f²)

Los resultados de la Tabla 4, muestran que AI tiene efectos relevantes sobre AG, AT y AH. El valor f² = 0.418 para AI → AG es alto según los criterios de Cohen (1988), quien establece que 0.02 es pequeño, 0.15 es mediano y 0.35 es grande. Esto indica que AI aporta una contribución sustancial a la explicación de AG. Además, el intervalo de confianza no incluye el cero, lo que confirma la estabilidad del efecto.

Tabla 4

Tamaño del efecto (f²) de los predictores del modelo estructural

	f2	t-value	p-value	2,5% CI	97,5% CI
AI → AG	0.418	3.424	0.001	0.325	0.397
AI → AT	0.235	2.776	0.006	0.178	0.178
AI → AH	0.327	3.055	0.002	0.279	0.279
AG → DE	0.045	1.254	0.210	-0.089	0.025
AT → DE	0.246	2.096	0.036	0.168	0.175
AH → DE	0.006	0.537	0.591	-0.138	0.038

Fuente: Elaboración propia, 2025.

El efecto AI → AT presenta un f² = 0.235, clasificado como mediano. Esto demuestra que AI explica una porción importante de la varianza de AT. AI → AH muestra un f² = 0.327, también dentro del rango de efectos medianos a grandes, lo que indica que AI tiene un impacto considerable en AH. En ambos casos, los intervalos de confianza son positivos, lo que respalda la relevancia del efecto (Hair et al., 2021).

En cuanto a los efectos sobre DE, AG → DE presenta un f² = 0.045, considerado pequeño. Su intervalo de confianza incluye el cero, lo que indica baja relevancia práctica aunque el efecto directo en el modelo estructural fue significativo. AT → DE evidencia un f² = 0.246, correspondiente a un efecto mediano, y sus intervalos de confianza son positivos, confirmando su contribución a DE. Por el contrario, AH → DE tiene un f² = 0.006, clasificado como trivial, y su intervalo de confianza incluye valores negativos, lo que refuerza que AH no aporta relevancia explicativa sobre DE.

Estos resultados muestran que AI es el principal predictor del desarrollo de capacidades analíticas; mientras que AT es el predictor más relevante del desempeño. AG y AH aportan efectos pequeños o insignificantes sobre DE. Esto se alinea con la recomendación de Hair et al. (2019), quienes señalan que el f² permite valorar la importancia relativa de cada predictor más allá de la significancia estadística.

Como aporte al análisis del modelo estructural, los tamaños del efecto permiten comprender que no todas las relaciones estadísticamente significativas poseen la misma relevancia práctica. En este estudio, el AI destaca como un predictor importante de las capacidades analíticas; mientras que la AT se posiciona como el componente con mayor aporte explicativo sobre el DE. Este resultado sugiere que, en empresas que operan en contextos emergentes, la infraestructura tecnológica analítica puede ser el recurso más determinante para transformar la estrategia en resultados medibles.

El Cuadro 2, muestra los resultados de los efectos directos del modelo estructural. Los hallazgos indican que AI ejerce efectos positivos y significativos sobre AG, AT y AH, por lo que estas hipótesis se confirman. Asimismo, AT muestra un efecto significativo sobre DE; mientras que AG y AH no presentan efectos relevantes sobre este resultado. En conjunto, el Cuadro 2 resume qué relaciones directas del modelo teórico cuentan con soporte estadístico y cuáles no.

Cuadro 2

Soporte de las hipótesis de efectos directos

Hipótesis	Resultado del efecto f²	¿Se soporta la hipótesis?
H1: AI → AG	Efecto grande (0.418)	Soportada
H2: AI → AT	Efecto mediano (0.235)	Soportada
H3: AI → AH	Efecto mediano-grande (0.327)	Soportada
H4: AG → DE	Efecto pequeño (0.045)	No soportada por f² (aunque el efecto directo fue significativo)
H5: AT → DE	Efecto mediano (0.246)	Soportada
H6: AH → DE	Efecto trivial (0.006)	No soportada

Fuente: Elaboración propia, 2025.

El Cuadro 3, presenta los resultados de los efectos indirectos y la evaluación de las mediaciones. Los análisis muestran que las mediaciones a través de AG y AT son significativas y corresponden a mediaciones parciales complementarias, por lo que se consideran soportadas. En contraste, la mediación a través de AH no alcanza significancia y no se confirma. El Cuadro 3 sintetiza el soporte obtenido para cada una de las hipótesis mediadoras del modelo.

Cuadro 3

Soporte de las hipótesis de mediación

Hipótesis		Mediación	Tipo de mediación	Soporte
H7	AI → AG → DE		Parcial complementaria	Soportada
H8	AI → AT → DE		Parcial complementaria	Soportada
H9	AI → AH → DE		No establecida	No soportada

Fuente: Elaboración propia, 2025.

A continuación, la Figura II muestra el modelo de medición final generado por SmartPLS 4, en el cual se visualizan las relaciones estructurales entre el AI, las capacidades de analítica de datos y el DE. La Figura permite observar de manera integrada los coeficientes estimados para cada trayectoria, así como la fuerza de las relaciones directas entre los constructos del modelo. Asimismo, facilita la comprensión gráfica del papel que cumplen la AG, la AT y la AH dentro del modelo propuesto. En conjunto, esta representación complementa los resultados estadísticos presentados previamente y permite identificar con mayor claridad las relaciones que recibieron soporte empírico.

Fuente: Elaboración propia, 2025 a partir de SmartPLS 4.

Figura II: Resultados del PLS-SEM

Los resultados confirman de manera mayoritaria las hipótesis planteadas y permiten responder al objetivo central del estudio. Se evidencia que AI ejerce efectos positivos y significativos sobre AG, AT y AH, lo que confirma H1, H2 y H3. Asimismo, AT muestra un efecto directo y relevante sobre DE, confirmando H5. En cambio, AG y AH no presentan efectos directos robustos sobre DE, lo que implica que H4 y H6 no se confirman plenamente. En el análisis de mediación, AG y AT actúan como mediadores parciales complementarios entre AI y DE, confirmando H7 y H8; mientras que AH no cumple un rol mediador significativo, por lo que H9 no se confirma.

Estos hallazgos son consistentes con estudios previos que destacan el rol del AI como habilitador de capacidades organizacionales basadas en datos. La relación positiva entre AI y AG, AT y AH coincide con lo reportado por Henderson y Venkatraman (1999); Chan y Reich (2007); y, Akter et al. (2016), quienes sostienen que la coherencia estratégica facilita la asignación de recursos, la planificación tecnológica y el desarrollo de talento especializado. El valor añadido de este estudio radica en validar estas relaciones en empresas que operan en Perú, un contexto caracterizado por una madurez analítica heterogénea y menor evidencia empírica.

El efecto directo significativo de AT sobre DE refuerza la literatura que posiciona a la infraestructura, compatibilidad y escalabilidad tecnológica como factores críticos para convertir datos en resultados de negocio. Este hallazgo coincide con Davenport (2006); Wamba et al. (2017); y, Mikalef et al. (2019), quienes muestran que la tecnología analítica permite acelerar decisiones, mejorar procesos y generar ventajas competitivas. En este estudio, AT emerge como el predictor más relevante del desempeño, lo que sugiere que, en contextos emergentes, la tecnología actúa como el principal mecanismo de traducción del AI en resultados tangibles.

En contraste, la falta de efecto directo significativo de AH sobre DE introduce un matiz relevante en el debate teórico. Aunque la literatura suele asociar el talento analítico con mejoras en desempeño (Akter et al., 2016; Laguir et al., 2023), los resultados sugieren que, en el contexto peruano, el talento por sí solo no garantiza impactos directos en DE. Esto puede explicarse por la ausencia de estructuras organizativas maduras que permitan aprovechar plenamente las competencias analíticas, o por una limitada integración entre talento, procesos y tecnología. Este contraste aporta evidencia empírica a debates recientes sobre la necesidad de complementar el talento con capacidades organizativas y tecnológicas para generar valor.

El análisis de mediación refuerza la lógica de la TBR. AG y AT, actúan como mecanismos que canalizan el AI hacia el DE, lo que coincide con Gupta y George (2016); y, Wamba et al. (2017), quienes sostienen que las capacidades analíticas transforman recursos estratégicos en resultados organizacionales. La mediación parcial complementaria observada, indica que el AI no impacta el desempeño de forma aislada, sino a través de capacidades internas que permiten operacionalizar la estrategia. La ausencia de mediación significativa de AH refuerza la idea de que el talento requiere un entorno organizacional y tecnológico adecuado para generar impacto.

Conclusiones

Este estudio demuestra que el AI es un recurso estratégico clave que impulsa el desarrollo de capacidades analíticas en las organizaciones. Los resultados confirman que AI fortalece AG, AT y AH, pero solo AT muestra un impacto directo y relevante sobre DE. Asimismo, AG y AT median parcialmente la relación entre AI y DE; mientras que AH no cumple un rol mediador significativo.

Desde una perspectiva teórica, los hallazgos amplían la TBR al mostrar que las capacidades analíticas no contribuyen de manera uniforme al desempeño. La tecnología analítica emerge como una capacidad central; mientras que la gestión y el talento requieren integrarse de forma efectiva para generar valor. Este estudio refina la comprensión del rol diferencial de las capacidades analíticas en economías emergentes.

En términos prácticos, los resultados sugieren que las empresas deben priorizar el alineamiento entre negocio y TI como punto de partida para el desarrollo analítico. La inversión en infraestructura y plataformas analíticas debe acompañarse de mecanismos de gestión que permitan coordinar iniciativas y traducir la estrategia en resultados. El desarrollo de talento analítico es necesario, pero no suficiente si no se integra con procesos y tecnología adecuados.

El estudio presenta limitaciones que deben considerarse. Primero, el diseño transversal impide analizar efectos dinámicos en el tiempo. Segundo, la muestra se concentra en empresas que operan en Perú, lo que limita la generalización a otros contextos. Por último, los datos se basan en percepciones de informantes clave, lo que puede introducir sesgos subjetivos, aunque este enfoque es común en estudios organizacionales.

Para futuras investigaciones se sugiere incorporar diseños longitudinales para analizar la evolución de las capacidades analíticas, incluir variables moderadoras como cultura organizacional o liderazgo digital, y comparar resultados entre países o sectores con distintos niveles de madurez analítica. También sería relevante explorar modelos que integren capacidades dinámicas y procesos de aprendizaje organizacional.

Referencias bibliográficas

Akter, S., Wamba, S. F., Gunasekaran, A., Dubey, R., y Childe, S. J. (2016). How to improve firm performance using big data analytics capability and business strategy alignment? International Journal of Production Economics, 182, 113-131. https://doi.org/10.1016/j.ijpe.2016.08.018

Aljehani, S. B., Abdo, K. W., Nurul, M., y Aloufi, E. M. (2024). Big Data Analytics and Organizational Performance: Mediating roles of green innovation and knowledge management in telecommunications. Sustainability, 16(18), 7887. https://doi.org/10.3390/su16187887

Alrub, Y. A., y Sánchez-Cañizares, S. M. (2025). Dynamic capabilities and digital transformation: Toward strategic planning in the digital age—Evidence from Palestine. Administrative Sciences, 15(1), 21. https://doi.org/10.3390/admsci15010021

Arribas, A. (2006). Adaptación transcultural de instrumentos. Guía para el proceso de validación de instrumentos tipo encuestas. Revista Científica de la Asociación Médica de Bahía Blanca, 16(3), 74-82. https://www.ambb.org.ar/ojs/index.php/RCAMBB/article/view/153

Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management, 17(1), 99-120. https://doi.org/10.1177/014920639101700108

Barney, J. B., y Clark, D. N. (2007). Resource-Based Theory. Oxford University PressOxford. https://doi.org/10.1093/oso/9780199277681.001.0001

Barton, D., y Court, D. (2012). Making advanced analytics work for you. Harvard Business Review, 90, 79-83. https://harrt.ucla.edu/wp-content/uploads/2015/12/Making-Advanced-Analytics-work-for-you.pdf

Briones, V., y D’Armas, M. (2024). Gestión del conocimiento y desempeño laboral en una empresa pública de una institución de educación superior. Revista de Ciencias Sociales (Ve), XXX(4), 306-322. https://doi.org/10.31876/rcs.v30i4.42999

Calder, B. J., Phillips, L. W., y Tybout, A. M. (1982). The Concept of External Validity. Journal of Consumer Research, 9(3), 240-244. https://doi.org/10.1086/208920

Cao, G., y Duan, Y. (2014). A path model linking business analytics, data-driven culture, and competitive advantage. ECIS 2014 Proceedings - 22nd European Conference on Information Systems. https://aisel.aisnet.org/ecis2014/proceedings/track04/1/

Chan, Y. E., y Reich, B. H. (2007). IT Alignment: What have we learned? Journal of Information Technology, 22(4), 297-315. https://doi.org/10.1057/palgrave.jit.2000109

Chin, W. W. (2010). How to Write Up and Report PLS Analyses. In V. Esposito, W. Chin, J. Henseler y H. Wang (Eds.), Handbook of Partial Least Squares (pp. 655-690). Springer. https://doi.org/10.1007/978-3-540-32827-8_29

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. Lawrence Erlbaum Associates. https://doi.org/10.1016/C2013-0-10517-X

Constantiou, I. D., y Kallinikos, J. (2015). New Games, New Rules: Big Data and the Changing Context of Strategy. Journal of Information Technology, 30(1), 44-57. https://doi.org/10.1057/jit.2014.17

Creswell, J. W., y Creswell, J. D. (2022). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. SAGE Publications Inc.

Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 84(1), 98-107, 134. https://cs.brown.edu/courses/cs295-11/competing.pdf

Espina, E. M. (2025). Gaps in the Digital Transformation of Public Health in Latin America. Ceniiac, 1, e0004. https://doi.org/10.64923/ceniiac.e0004

Espina-Romero, L. (2025). Ceniiac – An Open Window to Applied Knowledge. Ceniiac, 1, e0001. https://doi.org/10.64923/ceniiac.e0001

Fornell, C., y Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.1177/002224378101800104

Gupta, M., y George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049-1064. https://doi.org/10.1016/j.im.2016.07.004

Gutiérrez, H., y Espina-Romero, L. C. (2025). Gestión del conocimiento en la era digital: Tendencias, retos y oportunidades en el desarrollo empresarial. Revista de Ciencias Sociales (Ve), XXXI(1), 367-384. https://doi.org/10.31876/rcs.v31i1.43514

Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., y Ray, S. (2021). An Introduction to Structural Equation Modeling. In Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R (pp. 1-29). https://doi.org/10.1007/978-3-030-80519-7_1

Hair, J. F., Risher, J. J., Sarstedt, M., y Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203

Henderson, J. C., y Venkatraman, H. (1999). Strategic alignment: Leveraging information technology for transforming organizations. IBM Systems Journal, 38(2.3), 472-484. https://doi.org/10.1147/SJ.1999.5387096

Henseler, J., Ringle, C. M., y Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

Hernández-Sampiere, R., y Mendoza, C. (2018). Metodología de la investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill Educatión.

Janssen, M., Van der Voort, H., y Wahyudi, A. (2017). Factors influencing big data decision-making quality. Journal of Business Research, 70, 338-345. https://doi.org/10.1016/j.jbusres.2016.08.007

Kerlinger, F. N., y Lee, H. B. (2002). Investigacion del comportamiento: Técnicas y metodología. McGraw-Hill.

Khatri, I., Giskås, P. E., Kyrrø, A. K., y Kjærland, F. (2025). Corporate governance mechanisms and non-financial disclosure quality: Evidence from sustainability committee, external CSR assurance, and stakeholder engagement. International Review of Financial Analysis, 107, 104645. https://doi.org/10.1016/j.irfa.2025.104645

Kim, G., Shin, B., y Kwon, O. (2012). Investigating the Value of Sociomaterialism in Conceptualizing IT Capability of a Firm. Journal of Management Information Systems, 29(3), 327-362. https://doi.org/10.2753/MIS0742-1222290310

King, W. R. (1978). Strategic Planning for Management Information Systems. MIS Quarterly, 2(1), 27-37. https://doi.org/10.2307/249104

Laguir, I., Modgil, S., Bose, I., Gupta, S., y Stekelorum, R. (2023). Performance effects of analytics capability, disruption orientation, and resilience in the supply chain under environmental uncertainty. Annals of Operations Research, 324(1–2), 1269-1293. https://doi.org/10.1007/s10479-021-04484-4

Lee, B., Tsui, A. S. C., y Yau, O. H. M. (2023). Impact of Balanced Scorecard implementation on company performance of PRC listed companies in the healthcare industry. Journal of Transnational Management, 28(1–2), 35-73. https://doi.org/10.1080/15475778.2023.2191379

Liang, Z., Du, J., y Hua, Y. (2025). The impact of digital marketing capability on firm performance: Empirical evidence from Chinese listed manufacturing firms. Journal of Theoretical and Applied Electronic Commerce Research, 20(3), 236. https://doi.org/10.3390/jtaer20030236

Makadok, R. (1999). Interfirm differences in scale economies and the evolution of market shares. Strategic Management Journal, 20(10), 935-952. https://doi.org/10.1002/(SICI)1097-0266(199910)20:10<935::AID-SMJ56>3.0.CO;2-G

Mendes-da-Silva, F. M., y Albertin, A. L. (2024). The Impact of IT-Business Strategic Alignment on The Transformation and Operations of Pre-Digital Businesses. Revista de Administração Contemporânea, 28(4), e240128. https://doi.org/10.1590/1982-7849rac2024240128.en

Mikalef, P., Boura, M., Lekakos, G., y Krogstie, J. (2019). Big data analytics and firm performance: Findings from a mixed-method approach. Journal of Business Research, 98, 261-276. https://doi.org/10.1016/j.jbusres.2019.01.044

Milgrom, P., y Roberts, J. (1995). Complementarities and fit strategy, structure, and organizational change in manufacturing. Journal of Accounting and Economics, 19(2–3), 179-208. https://doi.org/10.1016/0165-4101(94)00382-F

Moolkham, M. (2025). Digital transformation, financial performance and firm valuation: The moderating effect of environmental risk. Journal of Climate Finance, 13, 100075. https://doi.org/10.1016/j.jclimf.2025.100075

Morgan, N. A., Slotegraaf, R. J., y Vorhies, D. W. (2009). Linking marketing capabilities with profit growth. International Journal of Research in Marketing, 26(4), 284-293. https://doi.org/10.1016/j.ijresmar.2009.06.005

Muñiz, J., Elosua, P., y Hambleton, R. (2013). Directrices para la traducción y adaptación de los tests: segunda edición. Psicothema, 25(2), 151-157. https://doi.org/10.7334/psicothema2013.24

Noroño, J. G. (2025). How entrepreneurs perceive technology in the digital era: From aversion to adoption. Ceniiac, 1, e0002. https://doi.org/10.64923/ceniiac.e0002

Olszak, C. M. (2016). Toward Better Understanding and Use of Business Intelligence in Organizations. Information Systems Management, 33(2), 105-123. https://doi.org/10.1080/10580530.2016.1155946

Peixoto, E. (2025). How Social Media Drives Innovation in Digital Marketing. Ceniiac, 1, e0005. https://doi.org/10.64923/ceniiac.e0005

Peteraf, M. A., y Barney, J. B. (2003). Unraveling the resource-based tangle. Managerial and Decision Economics, 24(4), 309-323. https://doi.org/10.1002/mde.1126

Portocarrero, L., Restrepo-Morales, J. A., Rincón, Y. A., y López-Cadavid, D. A. (2025). Resiliencia organizacional y rendimiento empresarial en medio de COVID-19: Estudio comparativo para pequeñas y medianas empresas. Revista  de  Ciencias  Sociales (Ve), XXXI(4), 122-139. https://doi.org/10.31876/rcs.v31i4.44843

Reich, B. H., y Benbasat, I. (2000). Factors That Influence the Social Dimension of Alignment Between Business and Information Technology Objectives. MIS Quarterly, 24(1), 81-113. https://doi.org/10.2307/3250980

Ringle, C. M., Wende, S., y Becker, J.-M. (2024). SmartPLS 4 (4.1.0.3). https://www.smartpls.com

Romero, M. D. C., Vidal, A. L., Soto, D. J., y Nava, Á. A. (2026). Tecnologías clave para la transformación digital empresarial: El camino hacia la competitividad. Revista de Ciencias Sociales (Ve), XXXII(1), 130-141. https://doi.org/10.31876/rcs.v32i1.45192

Sánchez-Lunavictoria, J. C., Sánchez-Lunavictoria, D. M., Romero-Vélez, E. M., y Macías-Zambrano, N. (2025). Inteligencia de negocios en la optimización de estrategias de marketing: Enfoque basado en el análisis predictivo. Revista de Ciencias Sociales (Ve), XXXI(2), 340-351. https://doi.org/10.31876/rcs.v31i2.43770

Soper, D. S. (2025). A-priori Sample Size Calculator for Structural Equation Models [Software]. https://www.danielsoper.com/statcalc

Tavo, K., y Rasmus, R. (2024). The role of planning in management: Strategies to achieve organizational success. Sharia Oikonomia Law Journal, 2(2), 106-115. https://doi.org/10.55849/solj.v2i2.1148

Thatcher, J. B., Carter, M., y Grover, V. (2011). The emerging CIO role of business technology strategist. MIS Quarterly Executive, 10(1), 19-29. https://aisel.aisnet.org/misqe/vol10/iss1/4/

Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J.-F., Dubey, R., y Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356-365. https://doi.org/10.1016/j.jbusres.2016.08.009

Wang, Y., Toseef, M., y Gong, Y. (2021). IT Process Alignment in Business Strategy: Examining the role of transactional leadership and organization culture. Information, 12(6), 237. https://doi.org/10.3390/info12060237

Zhao, X., Lynch, J. G., y Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis. Journal of Consumer Research, 37(2), 197-206. https://doi.org/10.1086/651257