188
ISSN Electrónico: 2500-9338
Volumen 25-N°3
Año 2025
Págs. 188–201
Análisis comparativo de métricas financieras y su impacto en la toma de decisiones con el uso de
ContaWeb-BI
Piedad Mary Martelo Gómez1
Enlace ORCID: https://orcid.org/0000-0002-5405-0324
Annherys Isabel Paz Marcano2
Enlace ORCID: https://orcid.org/0000-0001-7538-1563
Raúl José Martelo Gómez3
Enlace ORCID: https://orcid.org/0000-0002-4951-0752
Fecha de Recepción: Enero 25 de 2026
Fecha de Aprobación: Abril 27 de 2026
Fecha de Publicación: Julio 17 de 2026
Resumen:
El presente estudio analiza el impacto del uso de la plataforma ContaWeb-BI en la toma de decisiones empresariales,
a través de un análisis comparativo de métricas financieras automatizadas. El trabajo se sustenta teóricamente en los
principios de Business Intelligence y en los indicadores clave de desempeño (KPIs) como instrumentos para la gestión
financiera estratégica. La investigación se desarrolló bajo un diseño metodológico mixto, descriptivo y comparativo,
aplicando un estudio de caso instrumental sobre datos contables y financieros. Se evaluaron KPIs como ROA, ROE,
liquidez corriente y margen operativo, además de módulos predictivos de proyección de ventas, detección de fraudes
y agrupamiento de proveedores. Los resultados muestran que la integración de la analítica financiera con técnicas de
machine learning mejora la capacidad de diagnóstico, control y planificación, fortaleciendo una toma de decisiones
más precisa, ágil y basada en datos.
Palabras clave: Business Intelligenc; toma de decisiones; ContaWeb-BI; machine learning; proyección financiera.
1
Odontopediatra, Colombia; Docente del Programa de Odontología de la Universidad de Cartagena (Colombia); CVLAC:
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001797842; Contacto: pmartelog@hotmail.com.
2Doctora en Administración, Venezuela; Docente investigadora de La Universidad de La Guajira (Colombia); CVLAC: https://orcid.org/0000-0001-
7538-1563; Contacto: annheryspaz@hotmail.com.
3Especialista en Redes y Telecomunicaciones, Colombia; Docente del Programa de Ingeniería de Sistemas de la Universidad de Cartagena,
(Colombia); CVLAC: https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000962589; Contacto:
rmartelog1@unicartagena.edu.co.
CC BY-NC-SA 4.0
Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional
189
Comparative analysis of financial metrics and their impact on decision-making using Contaweb-Bi
Abstract:
This study analyzes the impact of the ContaWeb-BI platform on business decision-making through a comparative
analysis of automated financial metrics. The work is theoretically based on the principles of Business Intelligence and
key performance indicators as tools for strategic financial management. The research was developed under a mixed,
descriptive, and comparative methodological design, applying an instrumental case study on accounting and financial
data. key performance indicators such as ROA, ROE, current liquidity, and operating margin were evaluated, in addition
to predictive modules for sales projection, fraud detection, and supplier clustering. The results show that the integration
of financial analytics with machine learning techniques improves diagnostic, control, and planning capabilities,
strengthening more accurate, agile, and data-driven decision-making
Keywords: Business Intelligence; decision-making; ContaWeb-BI; machine learning; financial projection.
Análise comparativa de métricas financeiras e seu impacto na tomada de decisão utilizando o
contaweb-Bi.
Resumo:
Este estudo analisa o impacto da plataforma ContaWeb-BI na tomada de decisões empresariais por meio de uma
análise comparativa de métricas financeiras automatizadas. O trabalho fundamenta-se teoricamente nos princípios de
Business Intelligence e nos indicadores-chave de desempenho como ferramentas para a gestão financeira estratégica.
A pesquisa foi desenvolvida sob um delineamento metodológico misto, descritivo e comparativo, aplicando-se um
estudo de caso instrumental sobre dados contábeis e financeiros. Foram avaliados indicadores-chave de desempenho
como ROA, ROE, liquidez corrente e margem operacional, além de módulos preditivos para projeção de vendas,
detecção de fraudes e clusterização de fornecedores. Os resultados demonstram que a integração de análises
financeiras com técnicas de aprendizado de máquina melhora as capacidades de diagnóstico, controle e planejamento,
fortalecendo a tomada de decisões mais precisas, ágeis e orientadas por dados.
Palavras-chave: Business Intelligence; tomada de decisão; ContaWeb-BI; aprendizado de máquina; projeção
financeira.
Análisis comparativo de métricas financieras y su impacto en la toma de decisiones con el uso de ContaWeb-BI
Piedad Mary Martelo Gómez- Annherys Isabel Paz Marcano-Raúl José Martelo Gómez
190
1. INTRODUCCIÓN
En la era de la información digital y de los
mega datos, la transformación de la
información financiera en conocimiento
estratégico se ha vuelto una necesidad
empresarial para poder alcanzar la
sostenibilidad (Pappas, Mikalef, Giannakos,
Krogstie, & Lekakos, 2018). La agilidad con la
que se toman las decisiones depende cada
vez más de sistemas que son capaces de
recoger, procesar y mostrar en tiempo real
grandes volúmenes de información financiera
y contable (Trigo, Belfo, & Estébanez, 2014).
En este contexto, el uso de plataformas
Business Intelligence (BI) ha pasado a ser
una ventaja competitiva a ser un elemento
básico y sustancial de la gestión en las
organizaciones (Hossain, Yasmin, Biswas, &
Asha, 2024).
La literatura especializada destaca la
importancia de los indicadores clave de
desempeño (KPIs) como instrumentos que
son fundamentales para determinar la salud
financiera, la eficiencia operativa y la
sostenibilidad estratégica de una empresa
(Parmenter, 2015). Los indicadores como
retorno sobre activos (ROA), razón de deuda,
margen operativo o rotación de activos
permiten el seguimiento de áreas críticas de
rendimiento y favorecen la toma de
decisiones en función de la evidencia (Marr,
2015).
De la misma forma, los autores Anastasios y
Maria (2024) indican que una plataforma de
BI con capacidades analíticas predictivas
como el aprendizaje automático, puede
permitir la evolución del análisis descriptivo
tradicional hacia un modelo proactivo
prescriptivo, que incluya, por ejemplo,
características como detectar fraudes
financieros (Wong & Venkatraman, 2015),
estimar compras o proyectar ventas y
anticiparse a los eventos al tiempo que se
minimizan riesgos financieros (Niu, Ying,
Yang, Bao, & Sivaparthipan, 2021).
En este sentido, ContaWeb-BI es un
desarrollo tecnológico en torno a la analítica
financiera inteligente, que integra módulos
sobre análisis de KPIs, estimaciones sobre
comportamiento financiero, recomendaciones
comerciales y agrupación de proveedores,
utilizando, además, una base de datos
NoSQL (DynamoDB) para garantizar
escalabilidad y rapidez en el proceso.
Sin embargo, a pesar del creciente desarrollo
de las soluciones de BI, se sigue observando
una distancia entre la disponibilidad de datos
financieros y el uso que se pueda hacer de
estos datos en el proceso de tomar
decisiones. Muchas organizaciones
continúan dependiendo de informes
desfragmentados, análisis manuales e
informales y métodos no sistemáticos, que las
hacen incapaces de responder en un entorno
complejo y de alta incertidumbre (Hayne,
2022). La pregunta que surge es qué grado
tiene la aplicabilidad de la utilización de
herramientas como ContaWeb-BI, dadas sus
capacidades analíticas y predictivas para la
mejora de la calidad y de la oportunidad en la
toma de decisiones financieras en el ámbito
de la empresa.
Este análisis se ha considerado adecuado e
interesante en la necesidad de realizar una
evaluación empírica del impacto real de una
herramienta tecnológica sobre la gestión
financiera, de forma especial generando,
comparando y aplicando un conjunto de KPIs
relevantes. Ahora bien, la diferencia respecto
de los análisis donde los aspectos esenciales
del análisis se centran en los aspectos
ISSN Electrónico 2500-9338
Enero – Mayo. Volumen 26 Número 3, Año 2026 Págs. 188-201
191
funcionales del software, en el presente
trabajo la voluntad es evidenciar su capacidad
de aplicabilidad práctica y su valor
estratégico, proporcionando un marco de
referencia a las organizaciones que tienen la
voluntad de transformar sus procesos
financieros mediante analítica avanzada, lo
que incluye su aplicación concreta también en
la toma de decisiones de los servicios y
productos financieros ofrecidos.
Por lo anterior, el principal objetivo de este
estudio es realizar un análisis comparativo de
las métricas financieras generadas por
ContaWeb-BI en relación a la toma de
decisiones estratégicas dentro del entorno
empresarial, teniendo en cuenta tanto
indicadores tradicionales como capacidades
analíticas avanzadas. Por otra parte, dentro
de los principales aportes se espera: ofrecer
evidencia empírica del potencial de los KPIs
que genera ContaWeb-BI, evaluar la fuerza
de los módulos predictivos (proyección de las
ventas, estimación de compras, detección del
fraude), ofrecer un modelo de interpretación
de las métricas pensando en decisiones
reales, contribuir a la literatura de BI aplicada
al contexto contable y financiero articulando
teoría, herramienta y aplicación práctica.
2. MARCO TEÓRICO
Indicadores clave de desempeño (KPIs) en
la gestión financiera
Los indicadores clave de desempeño (KPIs)
constituyen métricas cuantitativas diseñadas
para evaluar la eficiencia, rentabilidad,
solvencia y liquidez de una organización.
Según Parmenter (2015), un KPI debe estar
directamente relacionado con los objetivos
estratégicos y facilitar la acción correctiva. Tal
como otros autores indican, los KPI
financieros como el retorno sobre activos
(ROA), retorno sobre el capital (ROE),
margen operativo, razón de deuda a
patrimonio y rotación de inventarios, permiten
medir el rendimiento económico en múltiples
dimensiones (Marr, 2015).
La correcta interpretación de estos
indicadores permite a los gestores identificar
tendencias, controlar desviaciones
presupuestarias y proyectar escenarios
futuros. Sin embargo, como señala Kerzner
(2023), el uso de KPIs debe contextualizarse
dentro de sistemas de información
estructurados que permitan su actualización
automática, visualización interactiva y análisis
comparativo en el tiempo.
BI y su rol en la toma de decisiones
BI hace referencia a un conjunto de procesos
y herramientas tecnológicas para transformar
datos crudos en información útil para la toma
de decisiones estratégicas (Watson & Wixom,
2007). También indica Marr (2015) que los BI
son imprescindibles para una "organización
orientada a los datos" puesto que estos
sistemas proporcionan dashboards, reportes,
análisis de tendencias y alertas automáticas,
todo ello en tiempo real. La literatura también
indica que el impacto del BI no sólo está en la
dimensión técnica, sino en la adopción como
cultura organizacional (Yeoh & Koronios,
2010), o lo que vendría a ser la integración
entre usuarios, datos y tecnología, generando
una toma de decisiones más rápida, basada
en evidencias y menos dependiente de
intuiciones o criterios subjetivos.
Diversas investigaciones empíricas han
demostrado la efectividad del BI en pequeñas
y medianas empresas. Božič y Dimovski
(2019) encontraron que la adopción de BI en
PYMEs manufactureras mejora la eficiencia
operativa y la precisión en la planificación
financiera. De forma similar, Ebhota.,
Análisis comparativo de métricas financieras y su impacto en la toma de decisiones con el uso de ContaWeb-BI
Piedad Mary Martelo Gómez- Annherys Isabel Paz Marcano-Raúl José Martelo Gómez
192
Hongxing, y Sampene (2024) evidencian que
las PYMEs que integran analítica de datos en
sus procesos contables presentan un
desempeño superior en la gestión de liquidez
y control de costos. Boonsiritomachai.,
McGrath., y Burgess (2016), también
concluyen que el impacto del BI depende de
la madurez analítica organizacional y la
calidad de los datos disponibles. Estos
hallazgos sustentan la importancia de aplicar
herramientas como ContaWeb-BI en
contextos empresariales de pequeña y
mediana escala, donde la disponibilidad de
recursos analíticos es limitada, pero su efecto
estratégico resulta significativo.
Aplicación del Machine Learning en
análisis financiero
El apoyo de algoritmos de machine learning
(aprendizaje automático) en el mundo
financiero ha extendido su uso a tareas
complejas como la detección de fraudes, la
previsión de ventas, la agrupación de clientes
y proveedores, o la optimización de carteras
(Broby, 2022). A modo de ejemplo,
Bakumenko y Elragal (2022) señalan que
modelos de árboles de decisión, redes
neuronales y clustering pueden detectar de
forma autonómica y con gran precisión
transacciones anómalas o inconsistencias en
la contabilidad. La utilidad del Machine
Learning no pasa únicamente por la
capacidad predictiva de estos modelos, sino
por adaptarse a los comportamientos
cambiantes de los datos. Esto se traduce en
plataformas como ContaWeb-BI, donde ya se
pueden detectar anomalías en los flujos de
compras, prever el comportamiento futuro de
la empresa y ofrecer recomendaciones
inteligentes según el historial de cada cliente
o proveedor.
Plataformas integradas para la analítica
financiera: el caso de ContaWeb-BI
La evolución de las plataformas de BI ha
permitido que herramientas concretas como
ContaWeb-BI se desarrollen, ya que integra
contabilidad, análisis financieros y
capacidades analíticas en un mismo lugar.
Este tipo de plataformas, además de permitir
la carga de archivos contables, ofrecen al
usuario la posibilidad de acceder visualmente
en los dashboards interactivos, indicadores
clave, estimar las compras por proveedor,
detectar fraudes, proyectar ventas, clasificar a
los proveedores clasificándolos en función de
la conducta comercial de los mismos.
A diferencia de sistemas divididos en sus
funcionalidades, ContaWeb-BI presenta una
interfaz unificada y accesible que aprovecha
arquitecturas actuales como bases de datos
NoSQL (DynamoDB), lo que favorece mayor
rapidez de procesamiento, adaptabilidad y
escalabilidad. Como señala Eckerson (2010),
el factor clave de estas herramientas radica
en su capacidad de transformar datos
complejos en información clara y decisiones
accionables. Como lo afirman Wixom y
Watson (2007), estas herramientas
representan una de las mayores evidencias
del modelo ideal de BI operativo: una
herramienta que permite actuar en tiempo real
sobre los datos e impulsar el proceso de la
gestión financiera con una importante base
analítica.
3. METODOLOGÍA
Este trabajo fue realizado bajo un diseño
investigativo cuantitativo de tipo descriptivo y
comparativo, dando protagonismo a la
aplicación práctica de la plataforma
ContaWeb-BI en el análisis de métricas
financieras clave. Por otro lado, esta
investigación presenta un diseño tipo estudio
de caso instrumental, en el que se examina la
integración de la herramienta tecnológica
como objeto de estudio para mejorar en la
capacidad de toma de decisiones estratégicas
ISSN Electrónico 2500-9338
Enero – Mayo. Volumen 26 Número 3, Año 2026 Págs. 188-201
193
dentro del contexto empresarial (Yin, 2018).
Por otra parte, la investigación fue realizada
siguiendo una estrategia metodológica de tipo
mixto, combinando procesos funcionales
(interacción con la plataforma, extracción de
resultados) y una forma de análisis
cuantitativo (interpretación de KPIs y de
resultados de modelos predictivos).
La unidad de análisis está constituida por los
registros financieros, contables y comerciales
generados por la plataforma ContaWeb-BI
durante el procesamiento de los datos
anonimizados de una PYME simulada
multisedes. Este enfoque instrumental
permite analizar cómo el sistema interpreta,
agrupa y proyecta información para la toma
de decisiones, sin comprometer datos reales
de empresas. Se eligió una empresa modelo
de estructura mediana, con comportamiento
transaccional representativo del sector
comercial y con un flujo mensual promedio de
400 operaciones de compra y venta.
El procedimiento metodológico se estructuró
en cinco fases secuenciales, las cuales se
describen a continuación en la Figura 1.
Figura 1. Fases metodológicas planteadas
Fuente: Elaboración propia (2025)
Fase 1: Carga de datos contables y
financieros
Se imporataron al sistema archivos históricos
de compras y ventas de proveedor en formato
La aplicación generó su lectura y la incorporó
a su base de datos NoSQL para poder
analizarla con los dashboards posteriores.
Fase 2: Generación e interpretación de
KPIs
A través del módulo "Analítica" la aplicación
generó 18 indicadores financieros clave
automática o sistemáticamente, entre los
cuales están el ROA, ROE, Margen Neto,
Liquidez Corriente, Prueba Ácida, que se
seleccionaron como las variables
dependientes para poder analizar el
desempeño.
Fase 3: Aplicación de módulos predictivos
Se accedió a los módulos: “Estimar valor de
compra”, donde se seleccionaron
proveedores específicos para obtener
estimaciones de compras mensuales futuras
y al módulo “Proyectar ventas”, donde se
seleccionaron horizontes temporales (1–6
meses) para proyectar ventas con base en la
información de las tendencias pasadas.
Fase 4: Evaluación de riesgos y detección
de anomalías
A través del módulo “Detección de fraude” se
seleccionaron períodos de análisis y se
generaron reportes automáticos de
transacciones irregulares encontradas. La
detección se basó en algoritmos de machine
learning no supervisado integrados en la
plataforma.
Fase 5: Agrupamiento y segmentación de
proveedores
A través del módulo “Agrupar Proveedores
Según Compras”, se clasificaron los
proveedores con base en su frecuencia,
monto de facturación y método de pago,
utilizando técnicas de clustering incorporadas
en el sistema.
Tabla 1. Variables analizadas
Análisis comparativo de métricas financieras y su impacto en la toma de decisiones con el uso de ContaWeb-BI
Piedad Mary Martelo Gómez- Annherys Isabel Paz Marcano-Raúl José Martelo Gómez
194
Tipo de variable
Descripción
Fuente
KPIs financieros
ROA, ROE,
Margen Neto,
Liquidez
Corriente,
Razón de
Deuda, etc.
Generados
por
ContaWeb-
BI
Variables
predictivas
Estimaciones
de compra por
proveedor,
proyección de
ventas,
recomendación
de productos
Modelos ML
integrados
Variables de
riesgo
Alertas de
fraude por
monto o
proveedor
Algoritmos
de detección
de
anomalías
Variables de
segmentación
Agrupación de
proveedores
por
comportamiento
Análisis de
clúster
Fuente: Elaboración propia (2025)
La interpretación de los datos que fueron
extraídos de la plataforma se realizó a partir del
análisis descriptivo y comparativo. Se utilizaron
las representaciones gráficas proporcionadas
por la plataforma, estableciéndose, además,
una relación mínima entre los KPIs y una
decisión estratégica mediante análisis de
casos. Al respecto, cruzando los indicadores
financieros y las alertas de riesgo con las
proyecciones, se pudieron validar los
resultados de acuerdo a la coherencia o
disonancia entre estos y las decisiones
propuestas por el propio sistema. Por otro lado,
tratándose de un estudio sobre datos anónimos
y basado en una plataforma de uso interno, no
fue necesario ningún tipo de autorización ética.
Aun así, los principios de integridad académica,
anonimización de los registros, trazabilidad de
las operaciones se respetaron en todo
momento.
Datos y preprocesamiento
El conjunto de datos analizado corresponde a
registros contables y financieros anonimizados
simulados a partir de la operación de una
pequeña y mediana empresa (PYME) que
utiliza la plataforma ContaWeb-BI en entorno de
prueba controlado. No se analizaron empresas
reales, sino una base de datos experimental
compuesta por información financiera generada
a partir de modelos de comportamiento
contable validados.
El dataset estuvo conformado por 12 864
registros transaccionales, incluyendo 1 870
facturas de compra, 2 240 registros de venta y
8 754 operaciones de proveedores. Se
consideraron seis sedes comerciales simuladas
y un total de 58 proveedores con diferentes
frecuencias y montos de compra. Los datos
abarcan el período comprendido entre enero de
2021 y diciembre de 2023, representando tres
años fiscales consecutivos.
Los archivos iniciales, en formato Excel (.xlsx),
fueron migrados a una base de datos NoSQL
(DynamoDB) mediante el módulo Gestión de
Archivos de ContaWeb-BI. Durante el proceso
de depuración y preprocesamiento se aplicaron
los siguientes procedimientos:
•Eliminación de duplicados y registros
incompletos (1,2 % del total).
•Tratamiento de valores faltantes mediante
imputación estadística (media para montos,
moda para categorías).
•Anonimización de nombres de clientes,
proveedores y cuentas contables usando
identificadores hash.
•Normalización de valores numéricos a escala
min–max (0–1) para garantizar la
compatibilidad con los módulos de machine
learning.
•Filtrado de outliers mediante el método del
rango intercuartílico (IQR), manteniendo
únicamente transacciones dentro del percentil
2–98.
Estas operaciones garantizaron la coherencia
interna del dataset, la reproducibilidad del
experimento y la validez de los resultados
generados por los modelos predictivos de la
plataforma.
4. RESULTADOS Y DISCUSIÓN
La presente sección expone los hallazgos
obtenidos mediante la interacción directa con
ISSN Electrónico 2500-9338
Enero – Mayo. Volumen 26 Número 3, Año 2026 Págs. 188-201
195
los módulos de ContaWeb-BI, organizados en
función de las funcionalidades analíticas
implementadas: análisis de KPIs, proyecciones,
detección de fraudes, recomendaciones y
agrupamientos. Cada subapartado describe
cómo estas métricas impactan en la toma de
decisiones empresariales, y cómo permiten
diagnosticar, anticipar o corregir situaciones
críticas.
Análisis comparativo de KPIs financieros
Tras haber efectuado la carga de los archivos
de ventas y compras en la plataforma se generó
automáticamente los primeros 18 indicadores
financieros. La figura 2 expone el panel
interactivo de los KPIs financieros generados
directamente de esta carga de archivos a la
plataforma ContaWeb-BI y a partir de este
proceso, la plataforma es capaz de agrupar 3
dimensiones fundamental del análisis
financiero. En cuanto a la Liquidez, proporciona
aquellos indicadores fundamentales para
dimensionar la capacidad de la empresa para
hacer frente a sus deberes a corto plazo,
conociéndose tales indicadores como la
Liquidez Corriente, Prueba Ácida y
Disponibilidad.
En cuanto a la Rentabilidad, se obtienen
aquellos KPIs fundamentales dedicados a
medir aquella proporción existente entre la
capacidad de la empresa de generar las
utilidades, en función de los activos, las ventas
o el capital propio, donde tales indicadores
responder los nombres de: ROA, ROE, Margen
Neto, Margen Bruto, ROCE y Margen
Operativo. Y, por último, la Eficiencia operativa
y rotación cuenta igualmente con aquellos KPIs
fundamentales para dimensionar la
productividad y el aprovechamiento efectivo de
los recursos, tales KPIs son: Eficiencia
Operativa, Rotación de Activos, Rotación de
Inventarios, Rotación de Cartera y Rotación de
Activos Fijos. Adicionalmente, se incluyen otros
indicadores relevantes como Cobertura de
Intereses = 33,13, la Razón de Deuda = 0,39 y
la Deuda/Patrimonio = 0,66, los cuales permiten
realizar un análisis de la estructura financiera y
del apalancamiento de la empresa.
Figura 2. Panel interactivo de KPIs Financieros
Fuente: elaboración propia (2025)
Este panel no se limita a ofrecer un compendio
de los cálculos realizados, sino que facilita al
usuario la visualización apropiada y
segmentada de las fortalezas y debilidades
financieras de la organización, facilitando así
una toma de decisiones rápida y fundamentada
por evidencias. Los resultados permiten
aplicaciones decisionales importantes que
permiten validar decisiones de expansión
operativa, como el conjunto entre una alta
liquidez (1,94) y un margen neto creciente
(0,32). No obstante, aunque algunos
indicadores como el ROA, ROE y ROCE
apuntan a mejoras en el uso del capital y los
activos, la organización presenta una buena
situación de liquidez, márgenes operativos y
gestión de inventarios, con niveles de
apalancamiento controlado y solvencia alta.
Esto permite deducir que la organización opera
eficientemente, pero existen oportunidades de
optimizar la rentabilidad del capital invertido.
El acceso automático a 18 indicadores clave de
desempeño (KPIs), generados desde los datos
contables cargados en ContaWeb-BI,
constituye un avance sustancial frente a
modelos de análisis financiero tradicionales,
que dependen de hojas de cálculo estáticas y
procesos manuales. La literatura coincide en
Análisis comparativo de métricas financieras y su impacto en la toma de decisiones con el uso de ContaWeb-BI
Piedad Mary Martelo Gómez- Annherys Isabel Paz Marcano-Raúl José Martelo Gómez
196
que los KPIs permiten una medición eficaz del
rendimiento organizacional, siempre que estén
alineados con los objetivos estratégicos de la
empresa (Parmenter, 2015; Marr, 2015).
La combinación de indicadores como el ROA,
ROE, margen neto y liquidez corriente permite
a los analistas tener una visión holística del
negocio. Tal como argumenta Eckerson (2010),
los dashboards financieros efectivos deben
ofrecer “un balance entre desempeño,
eficiencia y riesgo”, algo que la plataforma logra
al integrar las métricas con visualizaciones
dinámicas y comparativas. Esta capacidad evita
decisiones aisladas o reactivas, y permite
priorizar acciones estratégicas informadas,
como expansión, recorte de gastos o
renegociación de deuda.
Estimación de compras por proveedor
En el caso del módulo denominado "Estimar
valor de compra" permitió proyectar importes
futuros por proveedor seleccionando un
horizonte de hasta seis meses, lo cual se puede
observar en la Figura 3. En este panel, se
selecciona un proveedor a través de un menú
desplegable, y el sistema estima los montos de
compra proyectados para los próximos meses
mediante modelos predictivos a partir del
historial de transacciones. El gráfico de barras
presenta la estimación mensual de compras
desde abril hasta agosto. Cada barra
representa el valor proyectado para el
proveedor elegido, permitiendo comparar de
forma visual las tendencias de adquisición
futura. Se observa una relativa estabilidad en
las compras proyectadas durante los primeros
cuatro meses, seguida de una disminución en
el mes final, lo que podría indicar una
estacionalidad o tendencia descendente
asociada al comportamiento del proveedor.
La aplicación decisional de este módulo radica
en que permite al usuario anticipar necesidades
de compra, planificar presupuestos y tomar
decisiones logísticas con base en datos
históricos y algoritmos de predicción
integrados. La capacidad de ajustar el número
de meses proyectados mediante un control
deslizante (visible en rojo) incrementa la
flexibilidad analítica del módulo. La herramienta
aporta un enfoque proactivo a la gestión de
compras, alineándose con las buenas prácticas
de planificación de la cadena de suministro y
minimización de riesgos por desabastecimiento
o sobreaprovisionamiento.
El uso de módulos avanzados como “Estimar
valor de compra”, “Proyectar ventas” y
“Recomendar productos” refleja un cambio
paradigmático: de una gestión reactiva a una
inteligencia anticipativa basada en datos. Este
enfoque concuerda con las investigaciones de
Watson y Wixom (2007), quienes afirman que
las plataformas BI deben evolucionar de
sistemas descriptivos a soluciones prescriptivas
que sugieran acciones concretas.
Los modelos de proyección, basados en
patrones históricos, permiten ajustar
estrategias de compras y ventas con mayor
precisión, reduciendo incertidumbre en la
planificación comercial. Estudios recientes
como el de Aro (2024) destacan que la
incorporación de Machine Learning en entornos
contables permite “anticipar comportamientos
de consumo y patrones financieros con una
precisión superior a métodos tradicionales”.
Figura 3. Módulo de estimación de valor de compra por
proveedor
Fuente: elaboración propia (2025)
Detección de posibles fraudes en compras
ISSN Electrónico 2500-9338
Enero – Mayo. Volumen 26 Número 3, Año 2026 Págs. 188-201
197
Mediante el módulo “Detección de posible fraude
en compras”, la plataforma identifica
transacciones atípicas a partir de los registros
cargados. La Figura 4 muestra el funcionamiento
de este módulo de la plataforma ContaWeb-BI,
orientado a identificar patrones irregulares en
transacciones financieras mediante técnicas de
análisis automatizado. En la parte superior, el
usuario puede establecer un rango de fechas
específico, lo que permite focalizar la evaluación
sobre periodos determinados.
Una vez definidos los parámetros, el sistema
genera una tabla con las posibles actividades
fraudulentas detectadas, listadas por proveedor,
monto de compra y fecha de la transacción. En la
imagen, se identifican múltiples proveedores con
transacciones consideradas anómalas por
superar umbrales estadísticos predefinidos o por
no coincidir con el patrón histórico del proveedor.
Los montos oscilan entre $1,614 y $9,924, y las
fechas coinciden con un rango específico de
cierre mensual, lo que podría indicar patrones
reiterativos de fraude por acumulación o
manipulación de fechas.
Este módulo aplica técnicas de detección de
anomalías, utilizando algoritmos no supervisados
de clustering o reglas heurísticas, para señalar
compras que se desvían significativamente de la
norma. El objetivo es ofrecer alertas tempranas a
los responsables de control interno, quienes
pueden investigar la legitimidad de dichas
transacciones. Esta herramienta fortalece los
mecanismos de auditoría preventiva y control de
riesgo financiero, contribuyendo a mitigar
pérdidas por fraudes internos o colusión con
proveedores.
Asimismo, la detección de transacciones
anómalas mediante el módulo de fraude en
compras valida el uso de algoritmos de análisis
de outliers en entornos contables, como ha sido
demostrado en la literatura por Rahman, y
colabordaores (2023). Este tipo de controles
automatizados no solo mejora el cumplimiento
normativo, sino que fortalece el control interno y
reduce pérdidas operativas.
Figura 4. Módulo de Detección de posible fraude en
compras
Fuente: elaboración propia (2025)
Recomendación de productos por cliente
El módulo “Recomendar productos” implementa
técnicas de machine learning fundamentadas en
patrones de consumo, los cuales permiten
generar la lista de productos sugerida por cliente.
En la Figura 5 se muestra este módulo, el cual
tiene como objetivo recomendar alternativas de
compra a partir de patrones de consumo
histórico, así como de los análisis que se puedan
hacer de las ventas y de los consumos por el
cliente en cada sede y en un período de tiempo.
En esta función el usuario puede escoger tres
variables fundamentales: sede, los rangos de
fechas y el grupo de cliente, los cuales permiten
ajustar las recomendaciones a una medida
adecuada a su contexto de operación.
Una vez se han preestablecido estas variables el
sistema recomienda una lista de cuatro productos
sugeridos, que en este caso ha sido etiquetada
como Producto 1, Producto 2, Producto 3 y
Producto 4. Estas recomendaciones se generan
a partir de algoritmos de machine Learning
(filtrado colaborativo o modelos basados en
contenido), que analizan las afinidades entre
artículos y preferencias de compra en función del
comportamiento del cliente o del grupo de
clientes preseleccionado. Este módulo permite
optimizar la gestión del inventario, aumentar la
rotación de productos y mejorar la experiencia del
Análisis comparativo de métricas financieras y su impacto en la toma de decisiones con el uso de ContaWeb-BI
Piedad Mary Martelo Gómez- Annherys Isabel Paz Marcano-Raúl José Martelo Gómez
198
cliente final pronosticando sus necesidades. La
inteligencia artificial aplicada a esta funcionalidad
permite una toma de decisiones comerciales y de
abastecimiento preventiva, incrementando la
eficiencia operativa y el marketing directo.
Este módulo proporciona una herramienta
analítica que convierte datos históricos en
acciones concretas de recomendación,
alineándose con las tendencias actuales en
sistemas de recomendación inteligentes en
entornos empresariales.
Figura 5. Módulo de Recomendación de Productos
Fuente: elaboración propia (2025)
Proyección de ventas
El módulo "Proyectar ventas" ha generado los
escenarios de ingresos mensuales futuros de las
ventas realizados como resultado de las
combinaciones de patrones históricas,
estacionales y comportamientos por sede para el
horizonte de tiempo de hasta 1 a 6 meses. Se
aprecia en la figura 6 que, en la parte superior del
panel, un controlador deslizante permite al
usuario elegir el número de meses a proyectar;
mientras que un menú desplegable permite
seleccionar una sede en particular para el
análisis. En el gráfico de barras inferior se
encuentran las proyecciones de ventas
mensuales desde abril a agosto para la sede
seleccionada. Las barras muestran una
tendencia estable entre las proyecciones, sin
grandes fluctuaciones entre ellas, sugiriendo un
comportamiento cíclico o una demanda regular.
Esta representación gráfica permite realizar
previsiones con respecto al inventario, los
recursos logísticos y los objetivos de ventas.
El modelo detrás de esta proyección se apoya en
técnicas estadísticas como series temporales
(ARIMA, SARIMA) y enfoques más avanzados
como modelos de redes neuronales recurrentes
(RNN o LSTM) entrenados sobre los datos
históricos de la empresa. La integración de estas
técnicas en una plataforma visual e interactiva
como ContaWeb-BI proporciona un valor
agregado a la planificación comercial, por lo que
este módulo actúa como herramienta de soporte
para la toma de decisiones estratégicas, al
permitir anticipar la demanda y ajustar
dinámicamente las políticas de ventas y
abastecimiento.
Figura 6. Módulo de Proyección de Ventas Futuras
Fuente: elaboración propia (2025)
Agrupamiento de proveedores por
comportamiento
El módulo “Agrupar proveedores según compras”
segmenta automáticamente los proveedores por
variables como monto total, frecuencia de compra
y método de pago (efectivo o crédito), utilizando
clustering interno. La Figura 7 ilustra el
funcionamiento de este módulo de agrupamiento
de proveedores de la plataforma ContaWeb-BI. El
gráfico de dispersión muestra la distribución de
proveedores en un plano cartesiano donde el eje X
representa el número de transacciones y el eje Y el
valor total de compra, con un mapa de calor lateral
que indica la densidad relativa de puntos.
Cada punto azul corresponde a un proveedor, y el
patrón observado sugiere la existencia de
subgrupos diferenciados, desde proveedores de
bajo volumen y bajo valor, hasta aquellos con alta
recurrencia y peso financiero. Esta visualización,
generada mediante algoritmos de clustering no
ISSN Electrónico 2500-9338
Enero – Mayo. Volumen 26 Número 3, Año 2026 Págs. 188-201
199
supervisado como K-means o DBSCAN, permite
descubrir patrones no evidentes en el
comportamiento de aprovisionamiento. En la parte
inferior se encuentra una tabla detallada con el
resultado del agrupamiento, que lista proveedores
identificados, su total comprado, cantidad de
compras y su respectivo cluster asignado.
Este tipo de segmentación es de gran utilidad para
la toma de decisiones estratégicas, ya que permite:
Identificar proveedores críticos de alto volumen,
detectar oportunidades de renegociación en grupos
con bajo desempeño, aplicar estrategias
diferenciadas por segmento (por ejemplo,
descuentos por volumen o contratos por
exclusividad).Este módulo constituye una
herramienta avanzada de análisis de relaciones
proveedoras, permitiendo optimizar la gestión del
portafolio de abastecimiento bajo criterios
cuantitativos y objetivos.
La funcionalidad de agrupamiento de proveedores
mediante técnicas de clustering permitió clasificar
actores estratégicos según su comportamiento de
compra, lo que es consistente con los modelos de
segmentación inteligente propuestos por Chen et
al. (2012) en estudios de supply chain analytics. Al
visualizar clústeres según frecuencia, monto y
método de pago, se facilita una negociación más
efectiva, se optimiza el flujo de caja y se reduce
dependencia de proveedores críticos. Este tipo de
segmentación, según Yeoh & Koronios (2010),
representa una madurez analítica superior dentro
de la arquitectura de BI, en la que los datos no solo
informan, sino que transforman procesos
operativos complejos.
Figura 7. Módulo de Agrupar proveedores según compras
Fuente: elaboración propia (2025)
La siguiente tabla resume los módulos
utilizados y su aplicación práctica:
Tabla 2. Síntesis de Resultados
Módulo
ContaWeb-BI
Función
principal
Impacto en
la decisión
KPI
Métricas
financieras
clave
Evaluación
de salud
financiera
Estimar valor de
compra
Predicción por
proveedor
Planificación
y
presupuesto
de compras
Detección de
fraude
Alertas de
anomalías
Control
interno y
mitigación
de riesgo
Recomendación
de productos
Sugerencias
personalizadas
Estrategias
de venta y
fidelización
Proyección de
ventas
Estimación
futura de
ingresos
Logística,
inventario y
comercial
Agrupación de
proveedores
Clustering
basado en
comportamiento
Gestión
estratégica
de
proveedores
Fuente: elaboración propia (2025)
Si bien los hallazgos validan el potencial de
ContaWeb-BI como herramienta decisional,
también se identificaron algunas limitaciones,
como, por ejemplo, la plataforma depende de la
calidad del dato ingresado. Como señaló
Redman (Redman, 1998), “sin datos confiables,
ninguna inteligencia es posible”; además,
algunos modelos predictivos requieren ajustes
paramétricos que el usuario promedio podría no
dominar y la plataforma aún no incorpora
benchmarking externo para comparar KPIs con
empresas del sector, lo que limita el análisis
competitivo. Sin embargo, estas limitaciones no
invalidan los beneficios observados, pero
Análisis comparativo de métricas financieras y su impacto en la toma de decisiones con el uso de ContaWeb-BI
Piedad Mary Martelo Gómez- Annherys Isabel Paz Marcano-Raúl José Martelo Gómez
200
sugieren líneas de mejora futuras,
especialmente en la incorporación de análisis
sectorial y en el soporte para toma de
decisiones multicriterio.
5. CONCLUSIONES
El trabajo ha permitido demostrar que el uso de
una plataforma de inteligencia empresarial
como ContaWeb-BI supone una mejora muy
interesante en la dirección financiera
estratégica porque ofrece una forma
automatizada, dinámica y predictiva para
interpretar métricas clave de rendimiento.
En primer lugar, los 18 indicadores financieros
que se generan automáticamente permiten
entender de forma global el desempeño
económico de la empresa, facilitando el análisis
de las dimensiones liquidez, rentabilidad,
endeudamiento y eficiencia operativa sin el
procesamiento manual por parte del usuario.
Precisamente esta funcionalidad, unida a la
representación gráfica de los datos mediante
una visualización interactiva, permite que la
comprensión de los datos aumente y, a su vez,
puedan tomarse decisiones, basándose en
hechos o, como se ha defendido anteriormente,
con la evidencia correspondiente.
En segundo lugar, la implementación de
módulos predictivos y analíticos como la
proyección de ventas, la estimación de
compras, la detección de fraude y la
recomendación de productos otorga una
perspectiva anticipativa al análisis financiero.
Esta transformación del enfoque descriptivo
hacia uno prescriptivo es coherente con las
tendencias actuales de inteligencia financiera
soportada en modelos de aprendizaje
automático. Además, la plataforma permite la
segmentación inteligente de proveedores, lo
que mejora la gestión de compras y
negociaciones estratégicas, representando una
aplicación específica del análisis de clústeres al
contexto empresarial.
Por otra parte, aunque la funcionalidad del
sistema es robusta, se han identificado algunas
oportunidades de mejora, como, por ejemplo, la
necesidad de poder realizar benchmarking del
rendimiento del sistema de manera externa y la
dependencia con la calidad de los datos que se
gestionen. Finalmente se concluye que,
ContaWeb-BI no solo automatiza el análisis
financiero, sino que además incrementa el
control y la previsión empresarial, por lo que se
considera una herramienta clave para
empresas orientadas a la toma de decisiones
basadas en datos.
REFERENCIAS
Anastasios, P., & Maria, G. (2024). Predictive AI in
Business Intelligence Enhancing Market Insights
and Strategic Decision-Making. American Journal
of Technology Advancement, 1(8), 72-90. DOI:
https://doi.org/10.31149/ajta.v1i8.605
Aro, O. (2024). Predictive Analytics in Financial
Management: Enhancing Decision-Making and
Risk Management. International Journal of
Research Publication and Reviews, 5(10), 2181-
2194. DOI:
https://doi.org/10.55248/gengpi.5.1024.2819
Bakumenko, A., & Elragal, A. (2022). Detecting
anomalies in financial data using machine
learning algorithms. Systems, 10(5), 130. DOI:
https://doi.org/10.3390/systems10050130
Boonsiritomachai, W., McGrath, G. M., & Burgess, S.
(2016). Exploring business intelligence and its
depth of maturity in Thai SMEs. Cogent Business
& Management, 3(1), 1220663. DOI:
https://doi.org/10.1080/23311975.2016.1220663
Bozic, K., & Dimovski, V. (2019). Business intelligence
and analytics for value creation: The role of
absorptive capacity. International journal of
information management, 46, 93-103. DOI:
https://doi.org/10.1016/j.ijinfomgt.2018.11.020
Broby, D. (2022). The use of predictive analytics in
finance. The Journal of Finance and Data
ISSN Electrónico 2500-9338
Enero – Mayo. Volumen 26 Número 3, Año 2026 Págs. 188-201
201
Science, 8, 145-161. DOI:
https://doi.org/10.1016/j.jfds.2022.05.003
Chen, H., Chiang, R., & Storey, V. (2012). Business
intelligence and analytics: From big data to big
impact. MIS quarterly, 36 (4), 1165-1188. DOI:
https://doi.org/10.2307/41703503
Ebhota, O. S., Hongxing, Y., & Sampene, A. K. (2024).
Investigating the influence of digital
transformation, budgeting and budgetary control
on the financial performance of SMEs. Scientific
African, 26, e02429. DOI:
https://doi.org/10.1016/j.sciaf.2024.e02429
Eckerson, W. (2010). Performance dashboards:
measuring, monitoring, and managing your
business. New Jersey: John Wiley & Sons.
Hayne, C. (2022). The effect of discontinuous and
unpredictable environmental change on
management accounting during organizational
crisis: A field study. Contemporary Accounting
Research, 39(3), 1758-1796. DOI:
https://doi.org/10.1111/1911-3846.12767
Hossain, Q., Yasmin, F., Biswas, T., & Asha, N. (2024).
Data-Driven Business Strategies: A Comparative
Analysis of Data Science Techniques in Decision-
Making. Scholars Journal of Economics,
Business and Management, 11(9), 257-263. DOI:
https://doi.org/10.36347/sjebm.2024.v11i09.002
Kerzner, H. (2023). Project management metrics, KPIs,
and dashboards: a guide to measuring and
monitoring project performance. New Jersey:
John wiley & sons.
Marr, B. (2015). Key performance indicators for
dummies. New Jersey: John Wiley & Sons.
Niu, Y., Ying, L., Yang, J., Bao, M., & Sivaparthipan, C.
(2021). Organizational business intelligence and
decision making using big data analytics.
Information Processing & Management, 58(6),
102725. DOI:
https://doi.org/10.1016/j.ipm.2021.102725
Pappas, I., Mikalef, P., Giannakos, M., Krogstie, J., &
Lekakos, G. (2018). Big data and business
analytics ecosystems: paving the way towards
digital transformation and sustainable societies.
Information systems and e-business
management, 16(3), 479-491. DOI:
https://doi.org/10.1007/s10257-018-0377-z
Parmenter, D. (2015). Key performance indicators:
developing, implementing, and using winning
KPIs. New Jersey: John Wiley & Sons.
Rahman, M., Bhowmik, P., Hossain, B., Tannier, N.,
Amjad, M., Chouksey, A., & Hossain, M. (2023).
Enhancing Fraud Detection Systems in the USA:
A Machine Learning Approach to Identifying
Anomalous Transactions. Journal of Economics,
Finance and Accounting Studies, 5(5), 145-160.
DOI: https://doi.org/10.32996/jefas.2023.5.5.15
Redman, T. (1998). The impact of poor data quality on
the typical enterprise. Communications of the
ACM, 41(2), 79-82. DOI:
https://doi.org/10.1145/269012.269025
Trigo, A., Belfo, F., & Estébanez, R. (2014). Accounting
information systems: The challenge of the real-
time reporting. Procedia Technology, 16, 118-
127. DOI:
https://doi.org/10.1016/j.protcy.2014.10.075
Watson, H., & Wixom, B. (2007). The current state of
business intelligence. Computer, 40(9), 96-99.
DOI: https://doi.org/10.1109/MC.2007.331
Wong, S., & Venkatraman, S. (2015). Financial
accounting fraud detection using business
intelligence. Asian Economic and Financial
Review, 5(11), 1187. DOI:
https://doi.org/10.18488/journal.aefr/2015.5.11/1
02.11.1187.1207
Yeoh, W., & Koronios, A. (2010). Critical success
factors for business intelligence systems. Journal
of computer information systems, 50(3), 23-32.
DOI:
https://doi.org/10.1080/08874417.2010.1164540
4
Yin, R. (2018). Case Study Research and Applications:
Design and Methods (6th ed.). Los Angeles:
SAGE Publications.
