Publicado en: Esprint Investigación

Fecha de Publicación: 2026-04-08

Volumen: 5

Número: 1

Año: 2026

DOI URL: https://doi.org/10.61347/ei.v5i1.276

Autores:

• Jennifer Elizabeth Pino Arguello. https://orcid.org/0009-0004-8386-5786
• Raúl Alexis Salazar Flores. https://orcid.org/0000-0001-6483-2613
• Andrés Francisco Pacheco Logroño. https://orcid.org/0009-0005-2086-9998
• Luis Felipe Pacheco Logroño. https://orcid.org/0009-0004-2384-6815

Palabras clave: Analítica de datos; business intelligence; gestión de proyectos; ingeniería civil

Resumen

La ingeniería civil enfrenta crecientes desafíos derivados de la complejidad de los proyectos y de la limitada capacidad para aprovechar los datos disponibles, lo que genera ineficiencias, retrasos, sobrecostos y decisiones basadas en enfoques tradicionales; esta problemática se ve agravada por la baja adopción de tecnologías digitales y la resistencia al cambio organizacional. En este contexto, el presente estudio analiza las tendencias del business intelligence (BI) y su aplicación en la gestión, planificación y control de proyectos de ingeniería civil, con el objetivo de evaluar su contribución a la mejora de la eficiencia operativa y la toma de decisiones basada en datos. Se empleó un enfoque cualitativo, con diseño documental y alcance descriptivo-analítico, mediante la revisión de literatura en bases de datos académicas, priorizando estudios recientes y relevantes, cuya información fue organizada en matrices comparativas para identificar tecnologías emergentes, beneficios, desafíos y herramientas asociadas al BI en el sector. Los resultados evidencian que las principales tendencias incluyen la inteligencia artificial, el machine learning, el Big Data, el Internet de las Cosas (IoT), la integración con BIM, los dashboards y la analítica predictiva, las cuales permiten transformar grandes volúmenes de datos en información estratégica, optimizando la toma de decisiones, el monitoreo en tiempo real y la asignación de recursos. Asimismo, el BI se consolida como un eje transversal en todas las fases del ciclo de vida del proyecto, fortaleciendo la eficiencia operativa, el control de costos y la gestión de riesgos; no obstante, persisten desafíos como la falta de interoperabilidad, la escasa estandarización de datos, la resistencia organizacional, la limitada capacitación y los altos costos de adopción, por lo que su implementación requiere enfoques integrales de gestión de datos y transformación organizacional.

Abstract

Civil engineering faces increasing challenges arising from project complexity and the limited capacity to leverage available data, resulting in inefficiencies, delays, cost overruns, and decisions based on traditional approaches; this issue is further exacerbated by the low adoption of digital technologies and resistance to organizational change. In this context, the present study analyzes trends in business intelligence (BI) and its application in the management, planning, and control of civil engineering projects, with the aim of evaluating its contribution to improving operational efficiency and data-driven decision-making. A qualitative approach was employed, with a documentary design and a descriptive-analytical scope, through a literature review in academic databases, prioritizing recent and relevant studies, whose information was organized into comparative matrices to identify emerging technologies, benefits, challenges, and tools associated with BI in the sector. The results show that the main trends include artificial intelligence, machine learning, Big Data, the Internet of Things (IoT), BIM integration, dashboards, and predictive analytics, which enable the transformation of large volumes of data into strategic information, improving decision-making, real-time monitoring, and resource allocation. Furthermore, BI is consolidated as a transversal axis across all phases of the project life cycle, strengthening operational efficiency, cost control, and risk management; however, challenges such as lack of interoperability, limited data standardization, organizational resistance, insufficient training, and high implementation costs persist, indicating that its effective adoption requires comprehensive approaches to data governance and organizational transformation.