sesion 3. inteligencia de negocios

UNIVERSIDAD TÉCNICA DE MACHALA

FACULTAD DE INGENIERÍA CIVIL

ESCUELA DE INFORMÁTICA

INTELIGENCIA DE NEGOCIOS

POR:

ING. BERTHA MAZÓN, MG. SC.

EL ORO – ECUADOR

2012

Inteligencia de Negocios

Ing. Bertha Mazón, Mg. Sc. 2

ÍNDICE GENERAL

RESUMEN ............................................................................................................................................... 5

INTRODUCCIÓN ................................................................................................................................. 6

OBJETIVOS ................................................................................................................................................ 6

GENERAL ............................................................................................................................................... 6

ESPECÍFICOS: ..................................................................................................................................... 6

CAPÍTULO I .......................................................................................................................................... 7

INTRODUCCIÓN A SOLUCIONES DE INTELIGENCIA DE NEGOCIOS ......................... 7

1.1.INTRODUCCION .............................................................................................................................. 8

1.2. NECESIDAD DE INFORMACIÓN Y CONOCIMIENTO EN UNA EMPRESA ................... 8

1.2.1.Las empresas en la era de la información .................................................................... 8

1.2.2. El Valor de la Información ................................................................................................. 9

1.2.3. ¿Por qué las Organizaciones Requieren Distintos Sistemas deInformación?10

1.2.4. Información que las empresas necesitan según los niveles organizacionales

................................................................................................................................................................ 12

1.2.5. Objetivos de la información ............................................................................................ 13

1.2.6. Usuarios en los niveles de gestión una organización .......................................... 13

1.2.7. Tipos de preguntas en los niveles de gestión una organización ..................... 13

1.2.8. Cantidad de datos en los diferentes niveles de una organización ................... 14

1.3. INTELIGENCIA DE NEGOCIOS ................................................................................................ 14

1.3.1. Evolución de la Inteligencia de Negocios ................................................................... 14

1.3.2. Definiciones de Inteligencia de Negocios .................................................................. 15

1.3.3. Arquitectura de Inteligencia de Negocios .................................................................. 16

1.3.4. Sistemas de Información Ejecutiva y Sistemas de Soporte a lasDecisiones 18

1.3.4.1. Sistemas de Información Ejecutiva .................................................................... 18

1.3.4.2. Sistema de Soporte de Decisiones ..................................................................... 20

1.4. HERRAMIENTAS PARA INTELIGENCIA DE NEGOCIOS .................................................. 24

1.4.1 HERRAMIENTAS PROPIETARIAS ................................................................................... 24

1.4.2 HERRAMIENTAS OPEN SOURCE...................................................................................... 29

1.4.3. COMPARATIVA DE HERRAMIENTAS BI PROPIETARIAS VERSUS

OPENSOURCE .................................................................................................................................... 34

1.4.3.1. DETERMINACIÓN DE CATEGORÍAS Y CAPACIDADES DE COMPARACIÓN

DE HERRAMIENTAS BI ............................................................................................................... 34

1.4.3.2. CUADRO COMPARATIVO ENTRE HERRAMIENTAS DE BI PROPIETARIAS

VERSUS OPEN SOURCE ............................................................................................................. 37

1.4.3.3. RESULTADOS DE LA COMPARACIÓNENTREHERRAMIENTAS DE BI

PROPIETARIAS VERSUS OPEN SOURCE.............................................................................. 40

CAPÍTULO II ...................................................................................................................................... 42

DATA WAREHOUSE Y DATA MARTS ........................................................................................ 42

2.1. INTRODUCCIÓN ........................................................................................................................... 43



2.1.1 Concepto de data warehouse .......................................................................................... 43

2.1.2. Problemas que dan origen a un Data Warehouse .................................................. 44

2.1.3. Beneficios Asociados al Data Warehouse .................................................................. 45

2.2. Data warehouse versus Sistemas Transaccionales (OLTP) ......................................... 45

2.3. Introducción a Datamarts (Tienda de datos) ................................................................... 47

2.4. Arquitectura Datawarehouse (DW) ...................................................................................... 47

2.5. Metodologías de diseño y construcción de data warehouse ....................................... 48

2.6. El Proceso ETL .............................................................................................................................. 50

2.7. El Procesamiento Analítico en Línea (OLAP) ..................................................................... 50

CAPÍTULO III .................................................................................................................................... 60

DISEÑO Y CONSTRUCCIÓN DE UNA SOLUCIÓN DE INTELIGENCIA DE

NEGOCIOS .......................................................................................................................................... 60

3.1. INTRODUCCIÓN ........................................................................................................................... 61

3.2. METODOLOGÍA UTILIZADA PARA DISEÑAR DATA WAREHOUSE .............................. 61

3.3. METODOLOGÍA HEFESTO ......................................................................................................... 61

3.4. PASOS Y APLICACIÓN METODOLÓGICA HEFESTO ......................................................... 62

PASO 0.ESTUDIO PRELIMINAR ................................................................................................... 62

PASO1.ANÁLISIS DE REQUERIMIENTOS ................................................................................ 63

PASO 2. ANÁLISIS DE OLTP’S ..................................................................................................... 65

PASO 3. MODELO LÓGICO DEL DATA WARE HOUSE ......................................................... 68

PASO 4. DISEÑO DEL PROCESO ETL ........................................................................................ 68

3.5. CREACIÓN DE CUBOS MULTIDIMENSIONALES ............................................................... 70

3.6. DISEÑO DEL SSDPARA EL D. ACADÉMICO DE LA UTSAM (FRONTEND)................ 72

3.6.1. Diagrama de casos de uso del sistema ...................................................................... 72

3.6.2. Diagrama de componentes basado en capas del sistema Ginus BI ................ 72

3.7. IMPLEMENTACIÓN DEL SOFTWARE ..................................................................................... 73

3.8. INTERFACES DEL SOFTWARE ............................................................................................ 74

GLOSARIO ........................................................................................................................................... 80

ÍNDICE DE TABLAS

Tabla 1. Estudio Comparativo Entre Herramientas de BI Propietarias Versus Open Source .......................... 39

Tabla 2. Diferencias entre sistemas transaccionales y basados en data warehouse. .................................... 47

Tabla 32: Campos del MER GINUS y organizados por perspectivas .......................................................... 67



ÍNDICE DE FIGURAS

Figura 1.Arquitectura Típica de Soluciones Business Intelligence. ...................................... 16

Figura 2.Características de un EIS. ................................................................................................... 19

Figura 3. Características de un DSS. ................................................................................................ 20

Figura 4.Cuadrante mágico de las Plataformas BI. ..................................................................... 24

Figura 5.Arquitectura BI de IBM Cognos. ...................................................................................... 25

Figura 6.Arquitectura BI de Microsoft. ............................................................................................. 26

Figura 7.Arquitectura BI de OBIEE. ................................................................................................... 27

Figura 8.Arquitectura BI de SAP BusinessObjects XI 3.1. ........................................................ 27

Figura 9.Arquitectura BI de Microstrategy ...................................................................................... 28

Figura 10.Arquitectura BI de SAS ...................................................................................................... 29

Figura 11.Arquitectura BI de Pentaho .............................................................................................. 30

Figura 12.Arquitectura BI de JasperSoft.......................................................................................... 31

Figura 13.Arquitectura BI de Eclipse BIRT ...................................................................................... 31

Figura 14.Arquitectura BI de SpagoBI .............................................................................................. 32

Figura 15.Arquitectura BI de Palo ...................................................................................................... 33

Figura 16.Arquitectura BI de Openi ................................................................................................... 33

Figura 17. Estructura básica Data warehouse ............................................................................... 48

Figura 18.Arquitectura bottom-up de un DW ................................................................................ 49

Figura 19.Arquitectura top-down de un DW................................................................................... 49

Figura 20. Ejemplo de Cubo con tres dimensiones. .................................................................... 52

Figura 21. Arquitectura básica para OLAP. ..................................................................................... 53

Figura 22. Modelo estrella..................................................................................................................... 54

Figura 23. Modelo copo de nieve. ...................................................................................................... 55

Figura 24. Ejemplo de un almacén formado por 4 data marts. .............................................. 55

Figura 25. Un esquema de estrella.................................................................................................... 56

Figura 26. Un esquema copo de nieve. ............................................................................................ 57

Figura 29.Arquitectura de la Metodología HEFESTO ................................................................... 61

Figura 31.Modelo Conceptual ............................................................................................................... 65

Figura 32.Correspondencia en el Diagrama de Entidad Relación Base de datos GINUS66

Figura 32.Modelo Conceptual Ampliado del DW GINUS BI ....................................................... 67

Figura 33.Modelo Lógico del DW GINUS BI .................................................................................... 68

Figura 35.Proceso Extracción, Transformación y Carga (ETL) al DW del sistema GINUS

BI .................................................................................................................................................................... 70

Figura 35.Cubos del sistema GINUS BI ............................................................................................ 71

Figura 37.Estructura delos Cubosdel sistema Ginus BI ............................................................. 71

Figura 38.Diagrama de casos de uso del sistema Ginus BI ..................................................... 72

Figura 38.Diagrama de componentes basado en capas del sistema Ginus BI .................. 73

Figura 40. Pantalla de Inicio de sesión al GINUS BI ................................................................. 74

Figura 41. Pantalla Principal de GINUS BI .................................................................................... 74

Figura 42. Explorar jerarquía de una carrera .............................................................................. 75

Figura 43. Generar gráfico estadístico ........................................................................................... 75

Figura 44. Matriculados por años y gráfico estadístico ............................................................ 76

Figura 45.Matriculados por modalidad, año 2008 y clasificados por escuela en

formato PDF ................................................................................................................................................ 77

Figura 46.Matriculados por modalidad, año 2008 y clasificados por escuela en

formato EXCEL ........................................................................................................................................... 77



RESUMEN

El propósito de este módulo es el estudio de bases de datos avanzadas como los

almacenes de datos (Data warehouse) que faciliten, a su vez, el desarrollo de

Sistemas de Toma de Decisiones (SSD) aplicando herramientas de Inteligencia de

Negocios (BI. Business Intelligence). Hoy en día, existen herramientas BI propietarias

y open source, en cada caso poseen ventajas y desventajas; sin embargo los altos

costos de las herramientas propietarias las convierten de exclusividad de las grandes

empresas; en cambio, las herramientas BI opensource actuales proveen la

funcionalidad suficiente para implementar SSD en PYMES sin mucha inversión. La

mayoría de las herramientas BI, se componen de una infraestructura software de

análisis e informes, integrada a un motor de workflow, capaz de ejecutar reglas de

negocio, presentar y entregar la información adecuada en el momento adecuado,

mediante tecnología OLAP, cuadros de mando y otras funciones más.



INTRODUCCIÓN

En el presente módulo se ha estructurado algunos capítulos los cuales se describen a

continuación:

Capítulo I. INTRODUCCIÓN A SOLUCIONES DE INTELIGENCIA DE NEGOCIOS.

Capítulo II. DATA WAREHOUSE Y DATA MARTS.

Capítulo III. DISEÑO Y CONSTRUCCIÓN UNA SOLUCIÓN DE INTELIGENCIA DE

NEGOCIOS.

OBJETIVOS

GENERAL

Desarrollar soluciones de inteligencia de negocios aplicando metodologías y

herramientas de diseño y construcción data warehouse, cubos OLAP, proceso

ETL y reporting con el propósito de proveer información estadística, resumida y

con una presentación dinámica y oportuna como soporte para la toma de

decisiones en los niveles directivo y gerencial de una organización..

ESPECÍFICOS:

Conceptualizar y caracterizar terminología de Inteligencia de Negocios

mediante la revisión de material de diferentes fuentes.

Diseñar data marts y data warehouse aplicando una metodología de estrella o

copos de nieve.

Diseño y construcción de una solución de inteligencia de negocios que incluya:

almacén de datos (data warehouse), cubos OLAP, proceso ETL y un sistema de

toma de decisiones (SSD) que provea la información adecuada según los

requerimientos de los mandos táctico y estratégico de una organización.



CAPÍTULO I INTRODUCCIÓN A SOLUCIONES

DE INTELIGENCIA DE NEGOCIOS

OBJETIVO:

Realizar una introducción a la Inteligencia de Negocios mediante la

conceptualización y caracterización de términos propios del tema.



1.1.INTRODUCCION

En el último decenio del siglo XX e inicios del siglo XXI, la humanidad ha asistido con

asombro a profundas transformaciones en las relaciones económicas nacionales e

internacionales, en el campo del conocimiento científico-tecnológico y en la

globalización de la economía que ha establecido y sigue determinando una nueva

estructura empresarial, con un avance vertiginoso por alcanzar altos estándares de

productividad y calidad en las operaciones cotidianas de sus empresas.

La Inteligencia de Negocios (Business Intelligence BI), es una alternativa tecnológica y

de administración de negocios, que permite manejar la información para la toma de

decisiones acertadas en todos los niveles de una organización, desde la extracción,

depuración y transformación de datos, hasta la explotación y distribución de la

información mediante herramientas de fácil uso para los usuarios. En el ámbito

empresarial, las decisiones se toman en alguno de los tres niveles organizacionales:

estratégico, táctico u operativo. Las decisiones estratégicas se centran en la

dirección del negocio a largo plazo siendo labor de los ejecutivos de alta gerencia. Las

decisiones tácticas corresponden a los gerentes de nivel medio y se enfocan en la

planeación, análisis y producción de proyectos; a nivel operativo los empleados toman

decisiones cotidianas que se requieren para convertir los planes en acción.

En esta sección se muestra los principios claves de los fundamentos teóricos para un

mejor entendimiento de la asignatura. Se comienza con una introducción de las

necesidades de información de las empresas actuales, se muestra la importancia de

una buena información para la toma de decisiones y el alcance de dicha información

en una empresa. Luego se presenta una visión general de la Inteligencia de Negocios,

Datawarehousing, OLAP y Data Mining.

1.2. NECESIDAD DE INFORMACIÓN Y CONOCIMIENTO EN UNA EMPRESA

Las empresas actualmente caracterizan a la información como uno de sus activos

(Bitam, 2002), es así, que se comienza a tratarla, especialmente aquella relacionada

con datos para tomar decisiones, de una manera más metodológica. A continuación se

exponen brevemente algunos conceptos relacionados con la información y su

importancia estratégica para la toma de decisiones en las empresas.

1.2.1. Las empresas en la era de la información

Desde que las organizaciones comenzaron a guardar los datos de sus operaciones en

medios de almacenamiento físico, con el fin de permitirles una mayor administración y

control de la información, ha existido una necesidad de utilizarla para atender las

necesidades propias del negocio.

La información y su importancia estratégica comenzó a surgir cuando la competencia

se hizo muy fuerte, y cada vez más y más productos similares, de diferentes

compañías, se ponían a la venta, en ese momento el consumidor tuvo la opción de

seleccionar aquello que más le conviniera o lo que más se adecuara a sus gustos y

preferencias. Surge entonces la necesidad de brindar servicios adicionales para

obtener la lealtad de los clientes, quienes poco a poco comenzaron a ver, no solo el

producto que compraban, sino cómo eran atendidos, qué garantías se ofrecían sobre

su compra, qué ventajas habría entre diferentes productos y, en general, evaluar todo

lo que genera la diferenciación entre las compras que realizan. Cuando las empresas

no tienen garantizada la venta de lo que producen, realizan un cambio paulatino hacia

obtener de los datos toda la información útil y estratégica para mantenerse en el

mercado, dándole un lugar preponderante al cliente.



Actualmente, se le da un peso específico muy importante a la información como el

principal conocimiento que sostiene el negocio. Existen empresas que, de modo

predominante, ofrecen servicios y giran su negocio principal sobre el manejo de la

información (bancos, aseguradoras, casas de bolsa, internet, etc.), en ellas es fácil

identificar la importancia de la información, si no existiera ésta dejarían de existir. Sin

embargo, hay otras en las que su giro principal es alrededor de la producción, en ellas

la información debe identificarse para analizar y perfeccionar su producción

(porcentajes de desecho, líneas de producción, distribución de materias, suministro,

inventarios y almacenes, procesos internos, publicidad y mercadotecnia, preferencias

del cliente, etc.). De hecho, en cualquier empresa se está tratando de convertir, por

todos los medios posibles, esa información en conocimiento que mejore los procesos

y, a su vez, se traduzca en ventajas competitivas en los mercados.

La idea de las empresas ávidas de información no surge de súbito, en realidad desde

que se almacenan los datos debe entenderse que tendrían un fin utilitario en algún

momento, caso contrario, cualquier dato de control sería desechado

instantáneamente. Lo que si surge de súbito es la imprescindible necesidad de dar

respuesta rápida a los requerimientos de información para la toma de decisiones para

ayudar a mejorar de alguna manera los procesos internos de negocio (Bitam, 2002).

1.2.2. El Valor de la Información

En la época actual, que se caracteriza por un crecimiento exponencial de las nuevas

tecnologías de la información y las telecomunicaciones, los activos más valiosos de

una empresa ya no son activos tangibles o los depósitos en los bancos, sino los

conocimientos, habilidades, valores y actitudes de las personas que forman parte de

una empresa. De hecho, para generar riqueza es suficiente tener conocimiento sobre

un tema determinado y explotarlo de la mejor manera posible. Los factores de la

producción como capital, tierra y trabajo, han sido sustituidos por el capital

intelectual, que comprende todos aquellos conocimientos tácitos o explícitos que

generan valor económico para la empresa.

Prácticamente nadie cuestiona el hecho de que vivimos en la Era de la Información y

que la información tiene un valor económico, esto se evidencia porque existen

empresas cuyo único negocio es alrededor de la venta de información, como por

ejemplo Gartner Group, Empresas de Internet y Amazon, entre otras. En

mercadotecnia, el conocimiento es el único camino posible para sostener ventajas

competitivas. Es más, en la actualidad, la información y el conocimiento son

considerados como el capital intelectual que soporta la riqueza de una organización.

Para identificar el valor concreto de la información en la organización se pueden

realizar dos evaluaciones:

a. Todas las corporaciones tienen un modelo del mundo de negocios basado en la

información que poseen, por ejemplo: ¿qué influencia la compra y la demanda?,

¿en dónde hay oportunidades de negocio?, ¿qué es lo que mueve la calidad del

producto y la demanda de los clientes? A medida que esta información se vuelve

más exacta, la capacidad de la empresa para competir se incrementa. Visto así, la

información corporativa es claramente un activo de la empresa que genera valor y

su inexistencia genera "desvalor", o sea, pérdidas en caso de que existiera la

información y ésta desapareciera, o bien, "no ganancias" en caso de que no exista.

b. Otra forma de entender la información como dinero es mediante su transformación

en conocimiento tácito o explícito. El conocimiento tácito es el que tienen las

personas producto de la experiencia, los estudios y la educación; los conocimientos

explícitos son los que se almacenan en medios magnéticos como cintas y

disquetes.



En el momento que una persona decide cambiar de empleo se está llevando consigo

información, conocimientos y está vendiendo su fuerza intelectual por un mayor

precio; el campo laboral nos indica que la fuerza de trabajo intelectual aumenta su

costo con dos factores básicos que generan conocimiento: la experiencia y la

educación. Por su parte, si un sistema que posee información eventualmente

desaparece o falla, generará pérdidas a la empresa, incluso porcada minuto que esté

detenido. En la actualidad las empresas están apostando mucho por la tecnología y los

individuos para que juntos tengan un conocimiento suficiente que acerque la visión

interna de ambos a la realidad exterior, en la medida que esa brecha disminuye, las

decisiones tomadas se acercan más a la realidad exterior, generando decisiones más

correctas y en menos tiempo; si la brecha o "gap de información" aumenta, puede

ocasionar grandes pérdidas para la organización.

Es fácil entenderlo, suponiendo una situación hipotética en la cual un nuevo auto es

diseñado con lujo, pero con algunos toques de un auto deportivo y, sin realizar ningún

tipo de estudio previo más que la intuición y el sentido común, se pretende lanzarlo

para que sea adquirido por adultos mayores de 30 años. Para ello, una vez que se

encuentra listo para la distribución, comienzan las campañas de publicidad y

presentaciones orientadas precisamente a ese mercado potencial.

Al cabo de cierto tiempo se dan cuenta que las campañas que lanzaron no han tenido

mucho impacto en ese segmento, pero curiosamente un porcentaje similar de las

ventas a la fecha se han dado en personas entre 25 y 30 años. La realidad indica que

ese auto tiene un impacto mayor en un segmento distinto al que suponía. En caso de

haber tenido información suficiente sobre las preferencias delos distintos segmentos,

la historia de las ventas y, sobre todo, un estudio previo de mercado se habría sabido

con anticipación hacia dónde dirigir los esfuerzos dela publicidad con dos resultados

benéficos: en primer lugar, la publicidad no habría sido inefectiva y el dinero utilizado

en las campañas no se habría desperdiciado; y en segundo lugar, se habría atendido a

los verdaderos clientes potenciales, con lo cual las ventas habrían sido mayores. El

ejemplo es hipotético, pero la situación es muy similar a la cotidianeidad, muchas

empresas utilizan el sentido común y la intuición para tomar decisiones, la información

que se traduce en conocimientos acerca la visión interna a la realidad y esa diferencia

existente es la que puede representar miles o millones de dólares. Lo que se pretende

es acercar el mundo real a la visión interna para generar ganancias, para convertir la

información en utilidades, para darle un valor a la información.

Si la información es un activo, debemos poder asignarle un valor económico. La

pregunta que surge inmediatamente es cómo podemos asignarle un valor económico a

la información. Dado un mercado libre, la primera respuesta es que el valor de la

información es lo que en el mercado se pague por ella. Este recurso simple, basado en

el valor percibido, muchas veces es suficiente para asignarle un valor a la información,

sin embargo, no es suficiente en otros casos, por ejemplo, en el caso de una pieza de

información que no vende y que es utilizada únicamente en procesos internos de toma

de decisiones.

La importancia de una buena información puede ser vista como la diferencia en valor

entre una decisión correcta y una decisión equivocada, en donde la decisión está

basada en esa información. Mientras más grande sea esa diferencia entre decisión

correcta y errónea, mayor será la importancia de contar con una buena información

(Bitam, 2002).

1.2.3. ¿Por qué las Organizaciones Requieren Distintos Sistemas de

Información?

Para tener completamente automatizada a la empresa es necesaria una gran

infraestructura en tecnología que soporta sistemas de información. Este crecimiento

tecnológico tiene distintos orígenes, que van desde la implementación, crecimiento,



ampliación, integración, etc. Las condiciones actuales de los mercados han provocado,

la necesidad de tecnología cada vez más avanzada para responder a las peticiones

muy particulares de información.

Sistemas de Procesamiento de Datos (SPD o OLTP), Sistemas de Manufactura,

Administración de Recursos Empresariales (ERP), Sistemas de Información Ejecutiva

(EIS), Sistemas de Soporte a las decisiones (DSS), Sistemas Gerenciales, Manejo de

Relación con Clientes (CRM), Suministro de la Cadena de Distribución (SCM), son

algunos de los sistemas que surgen, se ponen de moda y luego algunos desaparecen

acorde a la evolución de las empresas. Lo que es un hecho, independientemente del

enfoque que esté de moda o sea más útil en el momento, es que los datos siempre

serán almacenados en bases de datos y esos datos serán el soporte total a las

decisiones de la empresa.

Muchos negocios requieren información de su actividad específica, por ejemplo, los

ERP (Administración de Recursos Empresariales) son sistemas muy grandes y

complejos en donde gran parte de su contenido se dedica a la producción, sería ilógico

adquirir un sistema tan complejo y costoso si la empresa se dedica a los bienes raíces.

En ese mismo sentido existen desarrollos comercializados como productos que solo

son configurados en una organización en particular, pero tienen el funcionamiento

mínimo necesario para cierta industria. Hay software para la industria automotriz,

software para hoteles, comercio minorista, transporte, software educativo, entre

otros. El motivo por el cual son distintas las herramientas utilizadas obedece a que las

actividades demisión crítica, que soportan cada una de las industrias son diferentes y

como tal, también es distinto el tipo de información que puede solicitar un directivo en

cada una de las industrias, motivo por el cual hay muchos productos de software

dedicados a explotar la información de las bases de datos que no tienen características

estándares, sino más bien son adaptables a cada situación.

Considerando las distintas necesidades en cada actividad, es fácil extrapolar la misma

situación a cada empresa, incluso con actividades similares, pero lo importante es

entender el último nivel en cuanto a la diferenciación de la información solicitada.

La información que fluye en una empresa está destinada a responder a diversos tipos

de preguntas de sus usuarios, de ahí la necesidad que existan sistemas de información

para requerimientos muy específicos que permitan la recolección y el manejo de

datos.

En el interior de una empresa, los puestos son factores importantes para determinar la

información que comúnmente es requerida por la gente.

Los sistemas de procesamiento de datos (OLTP) hacen uso de medios de

almacenamiento y técnicas para poblarlos. La mayoría de las empresas, por la

cantidad de información que manejan, se basan en los OLTP para guardar muchos

datos y tener tiempos de respuesta cortos a los cientos de transacciones realizadas

cotidianamente, sin embargo, la eficiencia no es para la consulta masiva de grandes

cantidades de información y mucho menos para el análisis dela misma. La tecnología

ha tenido que adaptar los medios de que se vale para que sean eficientes en el ámbito

específico de aplicación, tanto para el diseño de estructuras de datos que ordenen la

información como se desea, como en las herramientas o software que permite

solucionar en tiempo y forma lo que el usuario demanda. Es importante resaltar que

todos los Sistemas de Información tienen un fin muy particular, y se complementan

para sostener, de la manera más eficiente, un negocio; sin embargo, no todos pueden

solucionar las distintas demandas de los usuarios, precisamente porque son diseñados

para alguna área de aplicación muy específica.

El motivo por el cual existen varios sistemas de información es porque los usuarios

tienen preguntas muy específicas que no cualquier sistema puede resolver. De hecho,



las bases de datos operacionales, que son las indispensables en cualquier

organización, no están organizadas para responder a preguntas globales sino a

pequeños grupos de datos. Preguntas que involucren consultas complejas podrían

resolverse en un lapso extenso, en el cual cabe la posibilidad de que la vigencia

desaparezca. Lo importante es destacar que una base de datos o sistema de

información no tienen la capacidad de resolver las necesidades informativas de toda la

organización (Bitam, 2002).

1.2.4. Información que las empresas necesitan según los niveles

organizacionales

La tendencia de las organizaciones actuales es demandar información en los niveles

donde antes la administración se basaba en la intuición y el sentido común para tomar

decisiones. A pesar de que en los niveles operativos siempre se ha demandado

información, históricamente no ha existido restricción alguna para brindarla al usuario.

Más bien los mercados dinámicos han obligado a las empresas para que la información

estratégica sea puesta en las computadoras de los directivos, este comportamiento se

ha generalizado principalmente motivado por la facilidad y utilidad de la información

compartida. En estos momentos la información fluye en todos los niveles de la

organización con diferentes fines (comunicación, control, administración, evaluación,

etc.) independientemente de los puestos. Las empresas están entendiendo que los

niveles directivos tienen una gran responsabilidad al tomar decisiones, pues el impacto

que generan recae sobre toda la organización, pero también existen más personas que

toman decisiones y, a pesar de que éstas no tienen un impacto global, deben ser

también correctas y oportunas, pues ciertos grupos dependen de las mismas.

Directores, gerentes, supervisores, jefes, todos aquellos que toman decisiones deben

tener suficiente información para apoyarse en su trabajo cotidiano, el lugar que

ocupen en la pirámide organizacional se vuelve secundario cuando el enfoque es hacia

el manejo de procesos y todos los puestos tienen cierta relación y dependencia entre

sí.

De modo general en una pirámide organizacional, los requerimientos informativos se

dividen en 3 partes:

Información Estratégica

Información Táctica

Información Técnico Operacional.

Información Estratégica

Está orientada principalmente a soportar la Toma de Decisiones de las áreas directivas

para alcanzar la misión empresarial. Se caracteriza porque son sistemas sin carga

periódica de trabajo y sin gran cantidad de datos, sin embargo, la información que

almacenan está relacionada a un aspecto cualitativo más que cuantitativo, que puede

indicar como operará la empresa ahora y en el futuro, el enfoque es distinto, pero

sobre todo es distinto su alcance. Se asocia este tipo de información a los ejecutivos

de primer nivel de las empresas.

Un punto importante es que la información estratégica toma grandes cantidades de

datos de áreas relacionadas y no se enfoca específicamente hacia una sola, de ahí que

las decisiones que puedan ser tomadas impactan directamente sobre toda la

organización.



Información Táctica

Información que soporta la coordinación de actividades y el plano operativo de la

estrategia, es decir, se plantean opciones y caminos posibles para alcanzar la

estrategia indicada por la dirección de la empresa. Se facilita la gestión independiente

de la información por parte de los niveles intermedios de la organización. Este tipo de

información es extraída específicamente de un área o departamento de la

organización, por lo que su alcance es local y se asocia a gerencias o subdirecciones.

Información Técnico Operacional

Se refiere a las operaciones tradicionales que son efectuadas de modo rutinario en las

empresas mediante la captura masiva de datos y Sistemas de Procesamiento

Transaccional. Las tareas son cotidianas y soportan la actividad diaria de la empresa

(contabilidad, facturación, almacén, presupuesto y otros sistemas administrativos).

Tradicionalmente se asocian a las Jefaturas o Coordinaciones operativas o de tercer

nivel.

Si consideramos factores internos y externos de una organización podríamos concluir

que los requerimientos actuales se orientan a conocer y mejorar los costos de toda la

cadena económica. Estos requerimientos se reflejan en el interés por tener a la mano

los diagnósticos que arrojen información específica y clave para determinada área de

conocimiento, en el menor tiempo posible. La tendencia es que las áreas directivas

necesitan en su escritorio la información clave de su empresa; en todos los niveles el

requerimiento es similar aunque, evidentemente, tiene objetivos diferentes. El

paradigma de la información exclusiva en los niveles directivos para apoyar la toma de

decisiones no es obsoleto, simplemente se debe mejorar y complementar agregando

la información también en otros niveles medios y jefaturas, o sea, en cualquier

persona que tenga el poder de tomar decisiones (Bitam, 2002).

1.2.5. Objetivos de la información

El objetivo del usuario operativo es que se le facilite y automatice la operación de una

función específica de la empresa; el de un estratega es maximizar la función de la

empresa.

1.2.6. Usuarios en los niveles de gestión una organización

El usuario es distinto incluso en la misma pirámide organizacional. Mientras los

sistemas operativos tienen interfaces muy especializadas para un usuario que realiza

una operación rutinaria, los usuarios estratégicos realizan consultas variadas y no

previstas de la información, por lo que los sistemas deben ser sencillos y con toda la

información disponible que cubra cualquier consulta requerida, de este caso el

software final debe ser orientado a un usuario en particular y, por ende, deberá

adecuarse al conocimiento que tenga sobre el tema.

1.2.7. Tipos de preguntas en los niveles de gestión una organización

Las preguntas que responde un sistema operacional son referentes a las transacciones

que se realizan diariamente y a nivel registro o suma de registros de un solo tipo. Un

usuario operativo realiza frecuentemente preguntas sobre registros como pueden ser

el estado actual de una factura, movimientos de un cliente, cantidad surtida por un

proveedor, fecha del último movimiento de un distribuidor, etc. Las preguntas de un

ejecutivo pueden también ser específicas, pero se orientan más a agrupamientos de

datos como pueden ser totales por zona, promedios de clientes, tendencias de ventas

e incluso pronósticos. Toda esta información se encuentra de alguna forma en los

almacenes operativos, pero lanzar una consulta como las ventas totales del año

anterior puede implicar hasta días en resolverse y otro tiempo para publicar los datos.

Un sistema organizado para resolver preguntas de ambos tipos en el menor tiempo

posible es lo ideal.



1.2.8. Cantidad de datos en los diferentes niveles de una organización

Si un usuario procesa la información de las transacciones se mueve en el nivel

registro. Si un usuario procesa información de entidades, se mueve en el nivel

agrupamientos de registros, obviamente la cantidad de datos que se necesitan es

distinta y debe ser un sistema diferente el que provea de esa información. Para que un

director o gerente, quien necesita conocer las transacciones de toda una zona para

tomar una decisión, pudiera analizar cierto comportamiento, serían necesarias muchas

hojas de reportes con cientos de datos. El usuario operativo que necesita pocos

registros no tiene mayor problema por recibir una hoja de reportes, pero el directivo si

tendría problemas con una cantidad exagerada de papeles. Se necesitan sistemas que

brinden no solo la cantidad ideal de información según el usuario, sino también que la

entreguen en tiempos óptimos.

Resumiendo, existe una gran necesidad de información en muchos niveles de las

organizaciones, pero hasta el momento no existe un sistema de información que esté

diseñado para dar respuesta cabal a todos ellos. Cada sistema da respuesta a una

parte de los requerimientos de toda la empresa para que, en conjunto, no quede un

espacio vacío de información ni en tiempo, ni en forma.

1.3. INTELIGENCIA DE NEGOCIOS

La Inteligencia de Negocios (Business Intelligence - BI) es un concepto que hace

referencia a las técnicas de análisis de datos destinados a encontrar información útil

para la toma de decisiones, incluido el conjunto del software que aportan las

interfaces y funciones necesarias que apoyan dicho proceso.

1.3.1. Evolución de la Inteligencia de Negocios

Los sistemas de información son bastante recientes si los comparamos con otras áreas

de conocimiento. Inicialmente, con la introducción de las computadoras en la década

del 60, las aplicaciones se corrían de forma individual en archivos maestros que

almacenaban los datos en medios magnéticos, con la limitante del acceso secuencial.

El problema del acceso secuencial es la necesidad de recorrer todos los registros antes

de encontrar el que se está buscando. Además, al almacenar operaciones individuales,

pronto existió una cantidad enorme de cintas y medios de almacenamiento con

redundancia, que hacía difícil su administración.

En la década del 70, cuando aparecen los dispositivos de almacenamiento de acceso

directo, se da un gran paso en cuanto a la velocidad para acceder a los datos, pues

con ellos las búsquedas ya no eran lineales, sino directas. Junto con ello también

aparecen sistemas de administración de bases de datos (DBMS), cuyo propósito era

facilitar al programador el acceso a la información al encargarse del almacenamiento e

índices. En ese entonces se definió a la base de datos como "una fuente única de

información para todo el procesamiento".

Tanto la implementación de las bases de datos para el procesamiento en línea como

las nuevas tecnologías y lenguajes de cuarta generación (4GL), proveyeron al usuario

la facilidad de tener el control directo de los sistemas y la información, dando origen a

los primeros Sistemas de Información formales. Pero también fueron el inicio del

paradigma de una sola base de datos que pudiera servir tanto al procesamiento

operativo como al procesamiento de alto nivel.

La información almacenada en las bases de datos mantiene el registro total de lo que

sucede en la organización. Cuando un usuario operativo desea consultar transacciones

unitarias o pequeños grupos de transacciones, se puede acceder directamente y

extraer la información en un lapso muy breve (milisegundos); si la base de datos no

es muy extensa, incluso un gerente puede también realizar una consulta (vía



asistentes) que traiga información resumida sobre muchos registros e, incluso, sobre

toda la base de datos, los tiempos para consultas de ese tipo son muy razonables

(segundos). ¿Pero qué pasa cuando los datos sobrepasan los límites permisibles para

tener la información disponible?

Algunos de los factores causales de que las bases de datos se volvieran poco

operativas para consultas extensas son las fusiones, la globalización, las alianzas, la

diversificación de productos, el crecimiento exponencial de las empresas y, en general,

todas las condiciones derivadas de la evolución natural de las empresas que trajo

consigo un aumento cuantitativo de los datos que se necesitaba almacenar. A esto hay

que agregar que las herramientas o software necesario para obtener la información

eran muy especializados y rara vez una persona que toma decisiones tenía el

background necesario para manipular información.

La información primitiva se volvió muy extensa y poco práctica para cierto tipo de

consultas, había que desarrollar nueva tecnología que permitiera derivar información

calculada o sumarizada para satisfacer las necesidades de la administración, además,

la información primitiva representa el valor actual, es utilizada y operada en procesos

repetitivos, por lo tanto, es posible su modificación. La información derivada no puede

ser actualizada porque, normalmente, contiene valores históricos, es operada y

utilizada por procesos que se ejecutan aleatoriamente. La información primitiva es

operacional apoyando las funciones de empleados de línea, la información derivada es

para el soporte de decisiones que normalmente apoya a administradores y ejecutivos.

Teniendo tantas diferencias es complicado entender que la misma información pueda

residir en una misma base de datos. De hecho así fue, la gente que toma decisiones

demandó respuesta a sus necesidades en los almacenes operativos encontrando

muchas limitantes en tiempo y forma, a fin de cuentas es posible satisfacer los

requerimientos, pero no como los necesita quien toma decisiones, la tecnología

intervino para desarrollar arquitecturas especializadas para que resida la información

según su tipo y que sea operada por el software adecuado para desempeñar sus

funciones.

Inteligencia de Negocios (BI) es un concepto que se asocia 100% con los niveles

directivos, surge de la necesidad de contar con información para dirigir el rumbo de la

empresa por los altos mandos, sin embargo, con el tiempo se ha ido ampliando el

alcance de este término hasta llegar prácticamente a toda la empresa.

A pesar de relacionar completamente el término con conceptos 100%

computacionales, sobre todo las herramientas utilizadas para lograr implementar un

desarrollo de este tipo, la verdad es que el concepto no se construye basándose en

herramientas computacionales, sino de la formulación de estrategias efectivas de

negocios que respondieran a los nuevos tiempos y sus demandas. El énfasis es en los

requerimientos y de ahí se desprenden las aplicaciones, es decir, los hombres de

negocio dictan las necesidades y la gente técnica investiga y adapta la tecnología para

resolver favorablemente esos requerimientos con todos los medios a su alcance. BI se

plantea una sinergia entre los Tomadores de Decisiones y las herramientas que

emplean, la tecnología está claramente vinculada al management de las empresas,

teniendo como resultado obtener ventajas competitivas, producto de decisiones mejor

informadas. En función de esta se puede entender a BI como una combinación de

tecnología y desarrollo de negocios (Bitam, 2002).

1.3.2. Definiciones de Inteligencia de Negocios

Como muchos otros conceptos o términos, el de Inteligencia de Negocios no escapa a

la diversidad de interpretaciones. Se justifica su uso y se entiende el que sea

considerado como una Tecnología de Información, pero no existe un acuerdo en

cuanto a su definición.



Según la empresa Abits (2005, http), la “Inteligencia de Negocios, es una alternativa

tecnológica y de administración de negocios, que permite manejar la información para

la toma de decisiones acertadas en todos los niveles de la organización, desde la

extracción, depuración y transformación de datos, hasta la explotación y distribución

de la información mediante herramientas de fácil uso para los usuarios”.

Según Nader J. (2006), "Es el conjunto de tecnologías que permiten a las empresas

utilizar la información disponible en cualquier parte de la organización para hacer

mejores análisis, descubrir nuevas oportunidades y tomar decisiones más

informadas."

1.3.3. Arquitectura de Inteligencia de Negocios

Según Rodríguez I. La “Inteligencia de Negocios se compone de diferentes

tecnologías que se integran para formar una solución empresarial, los componentes se

orientan a transformar los datos en información oportuna y confiable para el usuario

final, por consiguiente, una arquitectura BI se divide en las siguientes capas: Sistemas

Fuentes, Capa DataWarehouse y la Capa BI”.

Figura 1. Arquitectura Típica de Soluciones Business Intelligence.

Fuente: Rodríguez I.

Sistemas Fuentes. Los datos administrados por los sistemas de aplicación

operacionales son la fuente principal de datos para el data warehouse. Estos sistemas

son los encargados de recolectar información diaria de las tareas operativas de la

organización. Estos datos operacionales constituyen la base de todo sistema business

Intelligence ya que de estos dependen la calidad de información que se entregue al

usuario final. En muchas ocasiones también se requiere de datos externos para

alimentar al sistema como hojas electrónicas, archivos de texto, debido a que algunas

áreas de la institución no se encuentran automatizadas por lo que no cuentan con un

sistema transaccional donde almacenar los datos.

Capa Data Warehouse. La capa data warehouse es el centro de la arquitectura en

un sistema business intelligence, que se encarga de organizar y almacenar los datos

para el análisis de los mismos.



Capa Business Intelligence. Comprende un conjunto de herramientas necesarias

para comprender los datos y utilizarlos para tomar decisiones inteligentes.

Proporcionan toda la funcionalidad de análisis y creación de informes empresariales

dirigidos a una amplia gama de posibles usuarios. Algunas de estas herramientas son:

Query and Reporting, Cuadros de mando, OLAP y Datamining.

Analizando las definiciones, queda primeramente claro que BI no es una metodología,

software, sistema o herramienta específica, es más bien un conjunto de tecnologías

que van desde arquitecturas para almacenar datos, metodologías, técnicas para

analizar información y software entre otros, con un fin común para el apoyo a la toma

de decisiones. A partir de elementos comunes, podemos obtener una definición que

abarca BI en cuando a su utilidad y funcionalidad en las empresas.

A. Información

Es la esencia de BI. El fin último es proveer de información al usuario final para

apoyarlo en la toma de decisiones, y esta información puede provenir tanto de los

almacenes operacionales como de arquitecturas diseñadas específicamente para el

análisis como Data mart y Data warehouse. El usuario puede necesitar información de

cualquier fuente primitiva o derivada para apoyarse en su labor, para lo cual BI utiliza

o construye fuentes de datos o de información interna o externa, que son la principal

materia prima de esta Tecnología.

B. Apoyo a la toma de Decisiones

Un sistema que exclusivamente brinde información no representa lo que se busca con

BI, una segunda característica consiste en organizar y presentar los datos relevantes

para que puedan verdaderamente apoyar una Toma de Decisiones. Esto implica

tecnologías, técnicas de análisis y todo aquello que sea necesario para obtener de los

datos, solo aquella información relevante y útil a la labor del usuario. Recordando el

origen de BI, surge en la toma de decision espara obtener ventajas competitivas

producto de decisiones mejor informadas. Si su origen cae en el desarrollo de

negocios, es lógico entender que BI sea un apoyo para tal efecto. BI abarca cualquier

forma de organizar información, siempre y cuando sostenga la Toma de Decisiones.

C. Orientación al Usuario Final

Un factor que incidió en la tecnología BI para explotar información fue que el usuario

final no poseía conocimientos técnicos que le permitieran tener un acceso sencillo y

directo a los datos operacionales, pues esa área está reservada para informáticos. Por

tal motivo, el usuario final no tenía de primera mano la información que necesitaba y

las consultas no definidas, que son las que tradicionalmente realiza un ejecutivo, eran

realizadas por terceras personas (léase secretarios, asistentes técnicos o gente de

sistemas) con la dependencia consecuente. BI incluye herramientas de explotación de

información orientadas a usuario final, para eliminar la dependencia de terceras

personas. Se pretende brindar las facilidades necesarias para que, con la tecnología, el

usuario actúe solo. Las herramientas de BI son sencillas, intuitivas y fáciles de

entender y usar; pueden tener diversos fines, como son: Informar, reportar, permitir

análisis, identificar tendencias, proyectar, etc. Cualquiera que sea su función final, el

común es el mismo: orientación a usuario final. Considerando los elementos comunes

en cualquier definición, puede implementarse una definición más acabada.

Inteligencia de Negocios es una combinación de tecnologías de colección de datos y

manejo de información, que implementa soluciones orientadas al usuario final para

apoyar la toma de decisiones, aprovechando la información estratégica disponible en

cualquier parte de la organización.



Para la colección de datos usa o construye almacenes de datos y los maneja con

técnicas de análisis y herramientas orientadas al usuario final. Los almacenes de datos

son las fuentes operacionales (bases de datos, archivos de texto, hojas de cálculo,

administradores de archivos, etc.), bases de datos operacionales, bases de datos

externas, data warehouse y data marts. Las técnicas de análisis principales son los

Sistemas de Información Ejecutiva (EIS), Sistemas de Soporte de Decisiones (DSS),

Data Mining y Herramientas de Reportes, estas últimas a veces forman parte de las

anteriores.BI es un término "agrupador". El que sea considerado como un conjunto de

conceptos le da un poder enorme, pues pueden integrarse funciones que

tradicionalmente estaban separadas, tales como el acceso de datos, reportes,

explotación, pronóstico y análisis. De ese modo, al menos en la actualidad en

empresas grandes, BI se ha convertido en un apoyo indispensable para la Toma de

Decisiones, en cualquier nivel de la organización y mucha gente está explotando el

potencial estratégico de los datos operativos. Bien utilizada, BI puede ser un arma

estratégica de la gente de negocios, sustentada en tecnología de sistemas (Bitam,

2002).

1.3.4. Sistemas de Información Ejecutiva y Sistemas de Soporte a las

Decisiones

A continuación se realiza una explicación de las características principales delos

Sistemas de Información Ejecutiva (Executive Informations System-EIS-) y delos

Sistemas de Soporte a las Decisiones (Decision Support System -DSS-) que por medio

de estos tipos de sistemas se brinda información de toma de decisiones a los usuarios

finales.

1.3.4.1. Sistemas de Información Ejecutiva

En la década del 90, desde que las grandes empresas iniciaron su camino para que

sus ejecutivos manipularan la información como deseaban para lograr una visión

completa del negocio, hubo muchos intentos y malas acogidas motivadas por razones

de tecnología, costos o simplemente cultura. El Data Warehouse fue un esquema de

información que mantenía datos para efectos exclusivamente de análisis y

estadísticos, con este avance en el almacén, los esfuerzos se centraron en utilizarlo y

proveer de la información que necesitaba el ejecutivo. Los primeros intentos se

centraron en la incursión al mercado de soluciones con alarmas, instrumentos de

consulta, sistemas expertos y mucho más, pero la evolución, incluso a la fecha, es

alcanzar a colocar en una pantalla la mayor cantidad posible de datos para realizar

análisis gráficos, visuales y rápidos basados en técnicas de consolidación,

agrupamiento y tendencia. Esto dio origen a los Sistemas de Información Ejecutiva

(Bitam, 2002).

¿Qué es un EIS?

EIS se refiere a cualquier sistema de software que muestre información ejecutiva de

las diferentes áreas del negocio en un solo sistema, facilitando el monitoreo de la

empresa. El EIS es una técnica de más alto nivel dentro de las herramientas de BI.

Tiene como objetivo primordial proveer de toda la información necesaria a la gente

que toma decisiones, de modo fácil y prácticamente con una mínima interacción con el

sistema. En términos formales, "un EIS es un sistema de información que permite a

los ejecutivos acceso rápido y efectivo a información compartida, crítica para el

negocio, utilizando interfaces gráficas". Las interfaces que son utilizadas en estos

sistemas deben ser más sofisticadas que los sistemas transaccionales y deben incluir,

en el menor número de páginas posible, la mayor cantidad de información que el

usuario necesita para monitorear su empresa.



¿Qué debe contener un EIS?

Las partes importantes de un EIS son: la interfaz de usuario y la base de datos

multidimensional, esto montado en una arquitectura Cliente/Servidor. La figura 11

muestra las características principales de un EIS.

Figura 2.Características de un EIS.

Fuente: Nader, J.,2003

Interfaz Gráfica y fácil de usar. posean interfaces gráficas sencillas, que

tengan una curva de aprendizaje corta y, además, deberán ser vistosas e

intuitivas para facilitar la labor de monitoreo del tomador de decisiones.

Alarmas o semáforos. Un típico EIS cuenta con funciones que le permiten al

usuario notar rápidamente los errores y los valores destacables de la

información.

Tableros de Control. El Tablero de Control es una herramienta que en un

principio utilizaba indicadores financieros para permitir desarrollar diferentes

procesos de negocio. Su especialización ha tomado el camino hacia el CMI

(Cuadro de Mando Integral), que ya es una poderosa herramienta para

dirección, que no solo utiliza indicadores financieros, sino también los no

financieros para dirigir de forma proactiva a la empresa en la consecución de

objetivos a mediano y largo plazo.

Administración de una sola página. De la mano del Tablero de Control, la

Administración de una sola página significa colocar el mayor número posible de

indicadores destacables de la empresa en el menor número posible de páginas,

además, permitir la navegación hacia otras páginas con más información, ya

que, es prácticamente imposible colocar toda la información valiosa en un solo

lugar.

Integración de información proveniente de los cubos. El usuario tiene

muchas veces la necesidad de tener información proveniente de múltiples

sistemas o bases de datos. De hecho, para tomar una decisión estratégica es

necesario poseer información de toda la empresa, no solo de una parte de ella.

Un EIS debe permitir integrar información de cualquier aplicación y



presentársela al usuario final de una forma transparente para él. Esto es la

base para no moverse entre aplicaciones, al integrar la información de

múltiples fuentes de información es posible la Administración de una Sola

Página en un Tablero de Control, el no hacerlo representa una limitante al

usuario con la consecuencia de moverse hacia otras pantallas e, incluso, hacia

otras aplicaciones con información dispersa.

1.3.4.2. Sistema de Soporte de Decisiones

A continuación de define que es un DSS y se detallan las principales características de

este tipo de sistemas.

¿Qué es un DSS?

Los límites y el concepto de un DSS no han sido completamente precisados, a pesar

de que la utilidad ha sido justificada en las organizaciones. Su uso indiscriminado con

frecuencia lo lleva a rebasar límites de su aplicación y confundirse con términos como

OLAP, Data Warehouse o EIS, lo cierto es que, independientemente, del término que

llegue a utilizar, siempre se asocia al soporte a la toma de decisiones y, de alguna

forma, todos los conceptos señalados tienen en la toma de decisiones el punto de

encuentro (Bitam, 2002).

"DSS se refiere a cualquier sistema de software que permite análisis de las

diferentes variables del negocio para apoyar una decisión."

Características de un DSS

Figura 3. Características de un DSS.


Análisis Multidimensional (OLAP)

El análisis multidimensional no es privativo de arquitecturas multidimensionales,

puede también llevarse a cabo en arquitectura relacional, diseñada para tal caso, lo

importante para poder hacer Análisis Multidimensional no son las bases de datos, sino

la estructura de la base de datos y las técnicas que se utilicen para su explotación.

Dentro de los niveles estratégicos organizacionales, la información se concibe como

una serie de hechos multidimensionales, jerárquicos y relacionados; como ejemplo,



los datos de inventarios, ventas y compras están interrelacionados y dependen entre

si. La idea del análisis multidimensional es facilitar la consulta y análisis al usuario al

presentar una visión muy sencilla de los datos, muy similar a la forma como él ve la

organización. La información puede ser accedida desde diferentes variables

organizacionales y mostrando diferentes las perspectivas(pivotear).

Herramientas de Reportes

En este apartado se presenta una introducción a uno de los componentes quedan

soporte a la Inteligencia de Negocios, que son los reportes y las herramientas para su

construcción. A continuación se explica el estado actual de los reportes, su necesidad

y las características principales que deben reunir las herramientas que los construyen

y administran.

Estado Actual de los Reportes

Tradicionalmente, los reportes han sido el medio principal para disponer de

información. Tanto reportes en papel como en el escritorio, el usuario depende de

ellos para comunicar a la gente lo que está ocurriendo en la empresa vía los

almacenes de información. Los reportes tienen en las bases de datos su principal

fuente de alimentación y han brindado al usuario final entendido éste como cualquier

persona que requiera un reporte, la posibilidad de consultar y publicar lo que las bases

de datos poseen, la limitante que siempre ha existido en este sentido es que el

generar un reporte implica manejar algunas habilidades técnicas relacionadas con las

bases de datos y las herramientas de software.

Los reportes o las consultas son requeridos por cualquier persona dentro de la

organización, de hecho, no es una labor que esté limitada a un nivel jerárquico

opuesto. Cuando un usuario con poca preparación técnica (secretarias, ejecutivos,

etc.) requiere de un reporte o consulta, lo hace vía terceros, el tradicional entorno es

hacer la solicitud de información a sistemas y obtenerla después de cierto tiempo, el

tiempo puede ser irrelevante o puede significar la pérdida de vigencia de la

información solicitada.

El usuario técnico realiza los reportes y para ello necesita conectarse a la base de

datos, posteriormente, diseñar el formato requerido y, al final, obtener los datos.

Tanto la conexión a la base de datos como la construcción del formato del reporte son

tareas de sistemas, la obtención de datos se comparte con el usuario final, con esta

lógica se entiende que el usuario final no puede manipular sus reportes en caso de

necesitar modificaciones o adecuaciones al mismo, por lo tanto continúa la

dependencia, incluso, para modificaciones mínimas.

Los usuarios con algunas habilidades computacionales pueden hacer uso delas

herramientas de reportes orientadas a los usuarios de sistemas, pero solo para

obtener reportes sencillos, no el tradicional reporte complejo que es el más útil,

además, la gente que toma decisiones no debe perder su tiempo en procesarla

información para después analizarla.

Algunas de las limitantes propias de la generación de reportes en la actualidad son:

Integración

Los reportes complejos que necesitan de más de una fuente de información se realizan

extrayendo los datos en un primer momento y, posteriormente, procesándolos en una

herramienta que los integre (hojas de cálculo, archivos de texto, Access, etc.). Esto

implica preparar la información antes de que se encuentre lista para ser enviada al

usuario y la preparación normalmente llevan horas o hasta días con la consecuente

pérdida de tiempo en funciones secundarias improductivas.



Distribución

Los reportes se imprimen y posteriormente se distribuyen de forma manual o

mediante fax. También se generan en pantalla y, luego, se envían mediante fax o

correo electrónico, con lo que hay dos actividades involucradas que generan pérdida

de tiempo en su ejecución: la publicación y la distribución.

Dependencias de sistemas

Las bases de datos se construyen en general para ser eficaces al almacenar datos no

para consultarlos. Los lenguajes de consulta se adaptan a la estructura de las bases

de datos. En función del conocimiento necesario, tanto de las bases de datos a

consultar como de los lenguajes técnicos necesarios, el usuario final no está en

posibilidad real de obtener su propia información, por tal motivo la dependencia de

gente de sistemas es muy grande y provoca el que se tengan los reportes cuando la

gente de sistemas dispone de tiempo y recursos para hacerlo, visto de otro modo, si la

gente de sistemas no lo hace, el usuario final no los tendría a la mano.

Seguridad

Al dejar en manos de terceros la generación de reportes se puede incurrir en que la

información valiosa para la empresa pueda ser filtrada y utilizada por personas que no

son los directamente interesados en utilizarla. Un reporte de sueldos y prestaciones de

los empleados, solicitado por Recursos Humanos, puede ser un detonante de conflictos

en manos de inconformes.

Herramientas de consulta y reportes

Las herramientas de consulta y reportes (Query & Reporting Tools) son una categoría

de herramientas de BI. Con las herramientas de reportes orientadas al usuario final se

pretende mejorar la obtención de información mejorando el área de sistemas al

disminuir una capa intermedia entre complejidad técnica y usuario final.

Las herramientas de reportes orientadas al usuario final son software que aíslala

compleja capa técnica propia del lenguaje de sistemas, tal como lenguaje SQL,

uniones de tablas y nombres crípticos, al organizar los datos de la terminología de

negocios. El resultado es que el usuario final o intermedio tiene una vista mucho más

parecida a su concepción del negocio, o al menos lo suficiente como para poder

generar sus propios reportes y publicación de los mismos, sin depender delos usuarios

técnicos.

El usuario de sistemas continúa participando, pero básicamente en el control sobre el

acceso a bases de datos, administración, mantenimiento, seguridad, impacto en la red

e incluso, creación única de reportes complejos; el usuario final tiene solo un ambiente

amigable en el que es posible crear sus propias consultas y reportes. Una herramienta

de reportes puede también publicar los datos que se encuentran almacenados en un

Data Warehouse. Desde ese punto de vista, se brinda con la tecnología, la posibilidad

de que el usuario final no solo consulte y publique la información a detalle, sino

información concentrada y agrupada; de ahí que también sea considerada como el

soporte último para el máximo nivel de detalle de un DSS.

Cierta duda ha surgido en cuanto a la verdadera posibilidad para que el usuario final

realice sus reportes y posteriormente los explote. Definitivamente depende del nivel

en el cual ubiquemos al usuario final y, evidentemente, del nivel de conocimientos en

materia de computación que pueda tener. Un usuario final puede ser cualquier

persona que requiera hacer una consulta o reporte y éste puede ir desde una

secretaria, un asistente, un gerente o un director, cualquiera que necesite información

procesada de fuentes de datos es un usuario potencial.



Sin embargo, a pesar de que el manejo de una herramienta como Excel se ha

considerado un estándar que pueda utilizar cualquier administrativo de cualquier nivel,

no todas las personas pueden decir que verdaderamente saben utilizar, para fines

prácticos, esa herramienta. Precisamente, para ese tipo de usuarios, las herramientas

de reportes no serán útiles más que para explotar los reportes que previamente se

hayan realizado, es decir, ejecutar reportes. Otro tipo de usuario, con algunos

conocimientos, si podrá construir sus propios reportes, que siguen siendo tarea de

gente de sistemas, pues requieren de un procesamiento de la información antes de

que sea "pintada" y, para ello, son necesarios procedimientos externos a los datos con

lenguajes de consulta altamente técnicos.

Dependiendo del nivel del usuario puede disminuirse o eliminarse la dependencia de

sistemas y pueden las herramientas de reportes mantener 3 niveles de dificultad:

Usuarios poco expertos (gerentes tácticos, directores ejecutivos) quienes

solicitan la ejecución de reportes o consultas predefinidas, según parámetros

predeterminados.

Usuarios con cierta experiencia (asistentes, gerentes operativos, secretarias

especializadas) pueden generar consultas o reportes flexibles, apoyándose en

una interfaz gráfica intuitiva.

Usuarios muy experimentados (sistemas) pueden crear e incluso escribir, total

o parcialmente, la consulta en un lenguaje de consulta.

Características de una herramienta de reportes

Una herramienta de reportes orientada al usuario final debe también poseer algunas

utilidades adicionales que faciliten la generación y publicación de reportes.

Intuitivo

Como cualquier herramienta de BI, la característica común es su facilidad de uso e

intuición. Con apoyo en interfaces gráficas y visuales, un usuario con una formación

estándar podrá hacer uso de una herramienta de este tipo.

Seguridad

Deben brindar seguridad para el acceso a los reportes, tanto a nivel usuario como por

grupos e, incluso, en el grado de profundidad de cada usuario a la información. Esto

con la idea de que la información privada no sea accesible por cualquier persona.

Publicación y distribución.

Una función importante de las herramientas es eliminar la doble actividad de ejecutar

y publicar primero un reporte y, posteriormente, distribuirlo a quien lo necesita. La

publicación de una consulta normalmente se realiza mediante fax, correo electrónico,

archivo e, incluso, de mano en mano. El objetivo con las nuevas herramientas es

facilitar estas actividades. En el momento que un usuario pueda ejecutar, desde

cualquier lugar, una consulta y mandarla imprimir on-site, se está eliminando la doble

función de publicación y distribución. Las herramientas de reportes deben permitir

realizar consultas desde su PC en modo Cliente / Servidor, Intranet o Internet e

imprimir cualquier consulta.



Navegación

La interrelación de reportes es también frecuente para generar sistemas basados en

reportes y reportes auxiliares. La navegación entre ellos mediante ligas e hipervínculos

es una funcionalidad más.

Programación automática

Generación de instrucciones para que los reportes se ejecuten automáticamente e

incluso se distribuyan mediante correo electrónico.

Reportes dinámicos

Permitir el ingreso de parámetros de valor que hagan un reporte flexible y dinámico en

el momento de su ejecución. Con esto se economizan esfuerzos al ejecutar muchas

consultas a partir de un solo reporte.

Reportes por excepción

Para no consultar una cantidad muy grande de información debe existir la posibilidad

de brindar reportes por excepción, es decir, lo que no cumplan con las condiciones de

generalidad.

1.4. HERRAMIENTAS PARA INTELIGENCIA DE NEGOCIOS

1.4.1 HERRAMIENTAS PROPIETARIAS

EL CUADRANTE MÁGICO

Figura 4. Cuadrante mágico de las Plataformas BI. Fuente: Gartner, 2009. http://mediaproducts.gartner.com/reprints/oracle/article56/article56.html



Según el informe de investigación “Magic Quadrant for Business Intelligence

Platforms” presentado por la empresa Gartner en enero del 2009 (ver Figura 13), se

observa que las plataformas de BI predominantes siguen siendo propietarias,

destacándose Cognos de IBM, Microsoft, Oracle, SAP, SAS, Micro Strategy e

Information Builder.

A continuación se describen y se muestra la arquitectura de las plataformas BI

propietarias más relevantes:

COGNOS

COGNOS: Proveedor de tecnología y servicios para el

Business Intelligence (BI) y la Gestión del

Rendimiento, ofrece una plataforma basada en

estándares abiertos para generación reportes, análisis

y scorecards que se integran con los presupuestos,

planes, proyecciones e informes financieros

conducidos por finanzas.

Figura 5. Arquitectura BI de IBM Cognos. Fuente: IBM Cognos. http://www.cognos.com/nl/products/now/architecture.html

MICROSOFT

La plataforma Business Intelligence de Microsoft comprende

aplicaciones de servidor, cliente y programador. Está

basada en Microsoft SQL Server 2008, que incluye

administración de bases de datos relacionales, SQL Server

Integration Services, SQL Server Analysis Services, SQL

Server ReportingServices y las capacidades de análisis de

datos SQL Server Data Mining y está integrada con la

plataforma de desarrollo Microsoft Visual Studio 2010 y con



Microsoft Office 2010.

Figura 6. Arquitectura BI de Microsoft. Fuente: Microsoft. http://www.microsoft.com/bi/aboutbi/default.aspx

ORACLE

ORACLE BUSINESS INTELLIGENCE SUITE ENTERPRISE

EDITION (OBIEE):

Integra tecnología de Siebel con Oracle Fusion Middleware.

Incluye: consulta y análisis relacional y OLAP de entornos

Oracle y de otros proveedores, herramientas de análisis y

consulta ad-hoc, dashboards analíticos, creación de

informes y herramientas de publicación, alertas en tiempo

real, capacidades analíticas para dispositivos móviles e

integración con las herramientas de escritorio de Microsoft.



Figura 7. Arquitectura BI de OBIEE. Fuente: Oracle. http://www.b-eye-network.com/blogs/mcknight/

BUSINESS OBJECT DE SAP

La empresa SAP compró en el 2008 a Business Object,

convirtiéndose en un fuerte competidor de tecnologías

de inteligencia de negocios. Suministra a los usuarios

el poder acceder de forma sencilla a los datos, analizar

la información almacenada y creación de informes.

Figura 8. Arquitectura BI de SAP Business Objects XI 3.1.

Fuente: SAP. http://www.businessobjects.com

http://www.businessobjects.com/



MICROSTRATEGY

MICROSTRATEGY provee soluciones a clientes de

cualquier industria y/o área funcional con el fin de

ayudarlos en la obtención de un mayor conocimiento

sobre la información manejada en su empresa.

Figura 9. Arquitectura BI de Microstrategy Fuente: Microstrategy. http://www.microstrategy.com

SAS

SAS provee una Plataforma de Inteligencia abierta y

extensible que sirve de base para la creación y

entrega de inteligencia a la organización; incluye

herramientas: ETL para extracción, transformación y

carga independiente a la plataforma; Intelligence

Storage para distribuir información a aplicaciones de

BI y analíticas desde SAS o terceros; SAS Enterprise

BI Server brinda acceso a la información en diferentes

formatos; SAS Analytic Technologies para manejo y

modelación de información analítica, algorítmica y

matemática.



Figura 10. Arquitectura BI de SAS

Fuente: SAS. http://support.sas.com/documentation/cdl/en/biov/60947/HTML/default/a003069226.htm

1.4.2 HERRAMIENTAS OPEN SOURCE

El software libre dispone al día de hoy de casi todas las herramientas necesarias para

el trabajo informático. Incluso hay campos en donde su supremacía no se discute y ni

siquiera se contempla la posibilidad de usar otro tipo de software.

En el informe de investigación “Magic Quadrant for Business Intelligence

Platforms” presentado por la empresa Gartner en enero del 2009, que trata de un

estudio de mercado de las plataformas de inteligencia de negocios a nivel mundial, dio

seria consideración a la inclusión de proveedores de código abierto de BI; pero aún no

generan los suficientes ingresos para su visualización en el Magic Quadrant; sin

embargo, destacan la presencia en el mercado a Jasper Soft y Pentaho.

A continuación se describen los productos open source más relevantes para BI:

PENTAHO

De todas las iniciativas, la más completa es la de

Pentaho, que abarca una serie de componentes Open

Source muy utilizados y fiables: Mondrian OLAP

server, JPivot, Firebird RDBMS, Enhrydra ETL, Shark

and JaWE, JBoss, Hibernate, JBoss Portal, Weka Data

Mining, Eclipse, BIRT, JOSSO, Mozilla Rhino.



Figura 11. Arquitectura BI de Pentaho Fuente: http://www.pentaho.com

JASPERSOFT

JasperSoft a través de su plataforma de BI en código

abierto JasperIntelligence proporciona productos

propios actualizados como: JasperAnalysis,

JasperReports, iReports, JasperETL y JasperServer.

JasperAnalysis, diseñado para proporcionar a las

empresas medianas análisis online en tiempo real de

grandes volúmenes de datos. JasperServer, dirigido a

la integración de fuentes de datos y otros servicios,

aporta funciones como scheduling y control de la

seguridad de acceso de los usuarios. JasperReports e

iReport incluyen un plug-in para JasperServer.

JasperSoftofrece sus productos sin coste y licencias

comerciales que incluyen soporte y servicios.

http://www.pentaho.com/



Figura 12. Arquitectura BI de JasperSoft Fuente: http://www.jaspersoft.com

ECLIPSE BIRRT

Actuate es una empresa que figura en el cuadrante

mágico y es miembro del proyecto Eclipse “Business

Intelligence and Reporting Tools (BIRT)”ofrece un

conjunto de herramientas open source para

desarrollar cuadros de mando y gestor de informes

avanzados, entre sus módulos destacan: BIRT Report

Designer Prof, BIRT Chart Engine SDK, BIRT Report

Engine.

Figura 13. Arquitectura BI de Eclipse BIRT Fuente: http://www.eclipse.org/birt/phoenix/

http://www.jaspersoft.com/

http://www.eclipse.org/birt/phoenix/



SPAGOBI

SpagoBIofrece un conjunto de nuevas

funcionalidades para apoyar actividades de usuarios

de toma de decisiones y operacional. Consta de 5

módulos: SpagoBI Server que abarca SpagoBI

Studio, un entorno de desarrollo único eintegrado,

SpagoBI Meta entorno enfocado en metadatos;

SpagoBI SDK para integración con aplicaciones

externas y Spago BI Applications para mantener los

modelos verticales de análisis.

Figura 14. Arquitectura BI de SpagoBI Fuente: http://spagobi.eng.it/ecm/faces/public/guest/home/solutions/spagobi

PALO DE JEDOX

La firma alemana Jedox presenta Palo como una

plataforma de código abierto para soluciones BI

basado en la planificación, análisis y presentación de

informes. Las soluciones que provee PALO son:

Indicadores de rendimiento clave (KPI), Gestión de

liquidez y Previsión, Presupuesto y Planificación y

Balanced Scorecards, Cockpits, Dash boards. Las

herramientas que integran esta plataforma son: Palo

OLAP Server, Palo ETL Server, Palo Supervisión

Server, Palo WorkSheet Server y Open-API

http://spagobi.eng.it/ecm/faces/public/guest/home/solutions/spagobi



Figura 15. Arquitectura BI de Palo

Fuente: http://www.jedox.com/en/products/palo_olap_server/Introduction.html

OPENI.ORG

Openi es una aplicación de Inteligencia de Negocios, diseñado

para el uso basado en la web. Basado en J2EE y sus

aplicaciones corren sobre Apache Tomcat, OpenI es una

solución para la construcción y publicación de informes de

XMLA compatible con fuentes de datos OLAP, como Microsoft

Analysis Services o Mondrian. Su objetivo es proporcionar

análisis consolidado de los principales componentes de datos de

una aplicación inteligente, incluyendo: fuentes de datos OLAP,

bases de datos relacionales, modelos de datos estadísticos y

modelos de minería de datos.

Figura 16. Arquitectura BI de Openi

Fuente: http://www.openi.org/



1.4.3. COMPARATIVA DE HERRAMIENTAS BI PROPIETARIAS VERSUS

OPENSOURCE

1.4.3.1. DETERMINACIÓN DE CATEGORÍAS Y CAPACIDADES DE

COMPARACIÓN DE HERRAMIENTAS BI

Para el establecimiento del proceso comparativo, se realizó un estudio las diferentes

plataformas de inteligencia de negocios (BI) tanto propietarias como open source; por

otra parte se buscaron fuentes científicas que caracterizaran a la tecnología BI, tal es

el caso de la empresa Gartner que define una plataforma de BI como una plataforma

de software que debe ofrecer 12 capacidades clasificadas en 3 categorías:

“Integración, presentación de la información y Análisis”. A continuación se

describen las categorías con sus respectivas capacidades.

A. INTEGRACIÓN

1. Infraestructura BI. Todas las herramientas en la plataforma deben utilizar las

mismas normas de seguridad, los metadatos, la administración, la integración

del portal, el modelo de objetos, el motor de consulta y deben poseer

consistencia en el interfaz.

2. Gestión de metadatos. Herramientas para buscar, capturar, almacenar,

publicar y reutilizar objetos de metadatos tales como dimensiones, jerarquías,

medidas, parámetros de rendimiento y plantillas de diseño de informes. En

esta capacidad se incluye ETL y construcción de data marts.

o ETL. Es el proceso que permite a las organizaciones mover datos desde

múltiples fuentes, reformatearlos y limpiarlos, y cargarlos en otra base

de datos, data mart, o data warehouse para analizar, o en otro sistema

operacional para apoyar un proceso de negocio.

o Cubos de información (Data marts). Son subconjuntos de datos con

el propósito de ayudar a que un área específica dentro del negocio

pueda tomar mejores decisiones. Los datos existentes en este contexto

pueden ser agrupados, explorados y propagados de múltiples formas

para que diversos grupos de usuarios realicen la explotación de los

mismos de la forma más conveniente según sus necesidades.

3. Herramientas de Desarrollo - Una plataforma BI debe proporcionar un

conjunto de herramientas de desarrollo de aplicaciones BI que pueden ser

integrados en un proceso de negocio y / o incrustados en otra aplicación. Una

plataforma de BI también debe permitir a los desarrolladores construir

aplicaciones BI sin codificación mediante el uso de asistentes. El entorno de

desarrollo debería utilizar servicios Web para controlar el desempeño de las

tareas comunes tales como la programación, la entrega, la administración y la

gestión.

4. Flujo de trabajo (Workflow) y colaboración - Esta capacidad permite a los

usuarios de BI compartir y discutir información a través de carpetas públicas y

foros de discusión y realizar seguimiento de eventos o tareas asignadas a

usuarios específicos. A menudo, esta capacidad ha sido controlada mediante un

portal o herramienta de trabajo.

B. PRESENTACIÓN DE LA INFORMACIÓN

5. Presentación de informes (Reporting) - Permitir la posibilidad de crear

informes formateados, interactivos y altamente escalables en su distribución y

capacidad de programación. Además, los proveedores de plataformas BI deben



manejar una amplia gama de estilos de presentación de informes (por ejemplo,

financieros, operativos y paneles de rendimiento).

6. Paneles de administración o tableros (Dashboards).Proporcionan una

representación gráfica del rendimiento empresarial incluyendo todas las áreas

de actividad. Incluyen la capacidad de publicar la información de forma gráfica

e intuitiva como tablas, gráficos, indicadores o medidores, semáforos y otros

controles. Estas pantallas indican el estado de las métricas de rendimiento, en

comparación con una meta o valor objetivo. Cada vez más, los paneles se

utilizan para difundir en tiempo real los datos de las aplicaciones operacionales.

7. Consultas específicas (Ad hoc query).Esto implica que el sistema permite al

usuario personalizar una consulta en la base de datos en tiempo real, en vez de

estar atado a las consultas prediseñadas para informes. En particular, las

herramientas deben tener una sólida capa semántica o GUI que permita a los

usuarios navegar por las fuentes de datos disponibles. Además, estas

herramientas de consulta deberían ofrecer la capacidad de gestión y auditoría

para asegurar que las consultas funcionen bien.

8. Integración a distribución. A Microsoft Office. En algunos casos, se utilizan

plataformas de BI como un nivel medio para gestionar, asegurar y ejecutar

tareas de BI, pero Microsoft Office (especialmente Excel) actúa como cliente de

la BI. En estos casos, es indispensable que el proveedor de BI proporcione

integración con herramientas de oficina, incluyendo soporte para formatos de

documentos, fórmulas, refrescamiento de datos y tablas de pivote.

C. ANÁLISIS

9. OLAP(On-Line Analytical Processing).Permite a los usuarios finales un uso

más eficaz de los data warehouse para el análisis de datos en línea, lo que

proporciona respuestas rápidas a consultas analíticas complejas e iterativas

utilizadas generalmente para sistemas de ayuda para la toma de decisiones;

ofrece la capacidad de consultar y estudiar las diferentes dimensiones de un

conjunto de datos relacionales, multidimensionales o híbridos.

10. Visualización avanzada (Advanced visualization). Proporcionar la

capacidad de mostrar numerosos aspectos de los datos de manera más

eficiente mediante el uso interactivo de imágenes y gráficos, en lugar de filas y

columnas.

11. Modelado predictivo y data mining. Esta capacidad permite a las

organizaciones clasificar por categorías a las variables y estimar su continuidad

utilizando avanzadas técnicas matemáticas e inteligencia artificial.

12. Tableros de Control (Scorecards).Proporcionan una representación visual

de los indicadores claves de rendimiento (KPI): métricas cuidadosamente

seleccionadas que permiten a las empresas medir y gestionar el rendimiento

alineado sus objetivos estratégicos (planificación). Además, debe permitir crear

un número ilimitado de KPI’s basándose en una metodología específica, como

Balanced Scorecard, Six Sigma, gestión basada en actividades o un diseño

empresarial concreto.

Debido a que las 3 categorías y 12 capacidades definidas por Gartner corresponden a

la Capa BI y Capa Data Warehouse(según Rodríguez I.) y teniendo en consideración



que la arquitectura de una solución de inteligencia de negocios abarca también las:

Fuente de Datos, entonces se ha visto conveniente incluir la categoría de

“Aprovisionamiento” y “Plataformas de soporte”.

D. APROVISIONAMIENTO

13. Fuentes de datos. Los datos administrados por los sistemas de aplicación

operacionales son la fuente principal de datos para el data warehouse. Estos

sistemas son los encargados de recolectar información diaria de las tareas

operativas de la organización. Es posible dividir las fuentes de información en

las siguientes: (1) Información generada por los sistemas transaccionales, (2)

Información externa, (3) Información generada por los departamentos de la

empresa que no corresponden a un sistema transaccional oficial, (4) Datos

tomados de bases de datos relacionales que forman parte de los sistemas

transaccionales. Estas fuentes pueden ser de varios tipos, dependiendo del

tamaño de la organización y de los niveles de tecnología y sistemas de

información que se utilicen en la empresa.

E. PLATAFORMAS DE SOPORTE

14. Sistemas operativos. Que soporta la plataforma BI

15. DBMS Servers para Data Warehouse. Sistemas manejadores de bases de

datos que brinde soporte a almacenes de datos.

16. Servidor web y/o aplicaciones web. Que las aplicaciones de BI corran en

servidores web o servidores de aplicaciones web.

Además de las categorías citadas se incluye el factor costo como un indicativo

preponderante a la hora de decidir por una u otra plataforma.

F. COSTO

17. Costo de Licencia. Involucra el precio de la Licencia(s) de la plataforma BI



1.4.3.2. CUADRO COMPARATIVO ENTRE HERRAMIENTAS DE BI PROPIETARIAS VERSUS OPEN SOURCE

Categorías y Capacidades de Comparación de soluciones BI

Plataformas de Business Intelligence Propietarias Plataformas de Business Intelligence Open Source

IBM

CO

GN

OS

Mic

roso

ft

OB

IEE

(Ora

cle

)

SAP

B

usi

ne

ss

Ob

ject

Mic

rost

ra-

tegy

SAS

Pe

nta

ho

Jasp

erS

oft

Eclip

se

BIR

T

Spag

oB

I

Jed

ox

Pal

o

Op

en

i

A. INTEGRACIÓN

1. Infraestructura BI COGNOS MS BI OBIEE Business Object

Microstra-tegy SAS Pentaho BI

Suite Jasper

Intelligence Eclipse BIRT SpagoBI Palo BI Suite Openi

2. Gestión de metadatos Data Manager Sql Server 2008 Oracle BI:

Server, Administration

SAP Business Objects

MicroStrategy: Desktop, Architect

SAS Metadata Server

Pentaho Data

Integration

i. ETL X Sql Server 2008 Enterprise ETL

Option Rapid Marts X

SAS Workspace Server

Kettle Spoon ETL

JasperETL SpagoBI Meta Palo ETL Server -

ii. Diseño de cubos(Data marts)

Cognos Power Cubes

Sql Server 2008 Warehouse

Builder Rapid Marts X

SAS OLAP Server, OLAP Cube Studio

Workbench, Pentaho

Cube Designer

- - SpagoBI Server Palo OLAP Server Workbench

3. Herramientas de Desarrollo Cognos SDK .NET 2008 DeveloperSuit J2EE SDK, .NET SDK

X JDK JDK o J2EE JDK o J2EE

Eclipse 3.2 y JDK, Web con

J2EE

SpagoBI Studio con Eclipse IDE,

SpagoBI SDK MS .NET J2EE, JDK

4. Flujo de trabajo (Workflow) y colaboración

X Office SharePoint

Server 2007 Workflow

SAP Workflow

X X - - - X - -

B. PRESENTACIÓN DE LA INFORMACIÓN

IBM Cognos BI

Office 2007, SharePoint Server

2007

Report Server, Presentation

Services

SAP B.O.: Xcelsius,

Web Intelligence

MicroStrategy Reporting Suite

Web application server

Pentaho BI Suite

JasperReports y JasperServer

BIRT Report Designer, BIRT Report Engine

SpagoBI Server, SpagoBI

Applications

Palo Worksheet Server

JFreeChart and

JasperReports

5. Presentación de informes (Reporting) en formatos Excel, PDF, XML, HTML y CSV y envío por correo electrónico

X Excel 2007,

Outlook X X X

SAS Web Report Studio, OLAP

Viewer for Java

Pentaho Reporting

iReport X X X X

6. Paneles de administración o tableros (Dashboards).

X Excel 2007 X X X SAS Dashboard Pentaho

Dashboards X X X X X

7. Consultas específicas (Ad hoc query).

X SQL Server

ReportingServices X X X

SAS Web Report Studio

X X X X - -

8. Integración y distribución a: SAS Data

Integration Studio

Palo Worksheet Server, Palo

Server Service

i. Microsoft Office(Excel) X X X X X SAS Add-In for X X X X Palo OLAP -



Microsoft Office Server, Palo Excel Add-in

ii. Dispositivos móviles X X X SAP

Netweaver Mobile

X - - - - - - -

iii. Portales web

IBM WebSphere,

SAP Enterprise

Portal, Plumtree

Office SharePoint Server 2007, .NET

2008

Oracle Application

Server Portal, WebSphere

X

MS SharePoint, IBM

WebSphere, SAP

NetWeaver, BEA WebLogic

SAS Information Delivery Portal

J2EE server IBM

WebSphere, BEA WebLogic

- - - J2EE server

iv. Navegadores web: IE, Firefox,

Opera, otros IE IE, Firefox

IE, Firefox, Netscape

IE, Firefox Mozilla, Safari,

Netscape

IE, Firefox Mozilla IE, Firefox

Mozilla IE, Firefox

Mozilla X X X

IE, Firefox Mozilla

C. ANÁLISIS IBM Cognos

BI

Performance-Point, SqlServer

Analysis Services(SSAS)

Oracle BI PresentationS

ervices

SAP Business Objects

MicroStrategyIntelligence

Server SAS BI

Pentaho BI Suite

JasperAnalysis SpagoBI Server, SpagoBIApplica

tions

Palo OLAP Server, Palo Worksheet

Server

Mondrian, SSAS

9. OLAP (On-Line Analytical Processing)

X Excel X Voyager X OLAP Viewer for

Java, Help Viewer

JPivot, servidor

Mondrian OLAP

X -

JPivot y servidor

Mondrian OLAP

X JPivot,

Mondrian OLAP

10. Visualización avanzada (Advanced visualization)

X X X X X SAS Information

Map Studio X X - X - X

11. Modelado predictivo y data mining

X X X PredictiveWo

rkbench X

SAS Enterprise Miner

Pentaho Data Mining con WeKa

- - X X X

12. Tableros de Control (Scorecards-KPI)

X X X Performance

Manager X X X - X X X -

D. APROVISIONAMIENTO

13. Fuentes de datos

i. Bases de datos

DB2, Informix, Oracle, SQL

Server, Sybase,

Teradata, ODBC

Sql Server, ORACLE, IBM,

ODBC

Oracle, SQL Server,

DB2, Teradata, ODBC

SQL Server,HP Neoview, Netezza, Teradata,

ODBC

SQL Server, DB2, Oracle,

Teradata, Sybase, Postgre,

MySQL, Otras

Oracle,DB2, Teradata, ODBC, MS SQL Server,

Sybase

JDBC, Oracle, IBM

DB2, MS SQL Server, MySQL,

PostgreSQL, EnterpriseD

B, otras

JDBC,Oracle, IBM DB2, MS SQL Server,

MySQL, PostgreSQL,

EnterpriseDB, otras

Apache Derby Data Base,

MySql, JDBC, otras

RDBM’s accedidos

mediante JDBC RDBM’s

RDBM’s accedidosmediante JDBC

ii. Multi-dimensional, ERP’s SAP BW, SAP R/3 y Siebel

CRM SAP, Siebel

XMLA, Oracle OLAP Option, MS Analysis

Services, SAP BW

SAP NetWeaver BI, SAP BW,

otros

X

SAP R/3, Siebel, Oracle

applications, PeopleSoft, SAS

OLAP cubes

OLAP databases via XML/A and MDX

standards,

X - - X -



ERP’s

iii. Otras fuentes Mainframes, Web services,

otras

Mainframe, Microsoft Dinamics

XML, Excel, Text

XML, CRM X

SAS data sets, SAS SPD Engine

tables, SAS SPD Server

X XML/A, EJB,

POJO, Hybernate

XML XML X XMLA

E. PLATAFORMAS DE SOPORTE

14. Sistemas operativos

Windows, IBM AIX

(UNIX), Sun Solaris, HP-UX

Windows

Windows, Debian,

Mandriva, Novell, Red Hat, Ubuntu

Windows XP, Server 2003,

Vista

IBM AIX, HP-UX, SuSE Linux, Redhat Linux, Oracle Linux, Sun Solaris

HP-UX,UNIX, Windows, z/OS

Windows, Linux

Windows, Linux, Novell SUSE Linux, Sun Solaris,

OpenSolaris, Mac OS X, HP-UX, FreeBSD,

IBM AIX

Windows, Linux, UNIX

Windows, Linux,

Windows Windows,

Linux,

15. DBMS Servers para Data Warehouse

DB2, Teradata, HP,

otros Sql Server 2008 Oracle DB

SQL Server, HP Neoview,

Netezza, Teradata,

ODBC

SQL Server, DB2, Oracle,

Teradata, Sybase, Postgre,

MySQL, Otras

Oracle,DB2, Teradata, ODBC,

SQL Server, Sybase, SAS SPD

Server

JDBC,Oracle, IBM DB2, MS SQL Server,

MySQL, PostgreSQL, Enterprise DB, otras

RDBM’S accedidos con

JDBC 2.0 -

RDBM’S accedidos con

JDBC 2.0

SQL Server, otros RDBM’s

MySQL, otras

16. Servidor web y/o aplicaciones web

IIS, iPlanet, IBM Http Server, Apache

Tomcat, BEA Weblogic

IIS IIS, Tomcat, Websphere,

iPlanet IIS, Tomcat

IIS, WebSphere,

Apache/Tomcat, Oracle App. Server, BEA WebLogic

JBoss, WebSphere,

BEA WebLogic Server

Apache Tomcat,

JBoss

Apache Tomcat, JBoss,

WebSphere, WebLogic, Sun

GlassFish

Apache Tomcat, JBoss

Apache Tomcat, JBoss

IIS Apache Tomcat,

JBoss

F. COSTO. 17. Costo de Licencia

Licencia por Usuario: Consumidor: $1100. BI Profesional:$4000

SQLServer 2008: $3900 x 5 clientes ó $12000 x CPU Office 2007 profesional: $1100 VS .NET 2008: $1700 Share Point: $500

OBIEE Plus: $ 2000 x user (min 5) ó $295.000 x CPU BI Server EE:$580 x user ó $86.500 x CPU

$350 x user No publica costos

$575 x CPU ó $220 x User min. 5

Versión Comunitaria: $0.00

$0.00 $0.00 $0.00 $0.00 $0.00

Notación: Si se observa una (X) significa que posee la capacidad pero integrada a una herramienta. (-) No posee la capacidad.

Tabla 1. Estudio Comparativo Entre Herramientas de BI Propietarias Versus Open Source Fuente: Elaboración propia

1.4.3.3. RESULTADOS DE LA COMPARACIÓNENTREHERRAMIENTAS DE BI

PROPIETARIAS VERSUS OPEN SOURCE

Del estudio realizado, se evidencia que las herramientas de Inteligencia de Negocios

propietarias cumplen en su mayoría las Capacidades definidas, se evidencia una fuerte

competencia entre las herramientas propietarias como: IBM COGNOS, Oracle,

Microsoft, Micro Strategy, SAP Business Object, SAS y otras. Las herramientas BI

propietarias por sus altos costos de licencias están dedicadas a grandes empresas; por

otra parte, los costos y el tiempo de implementación se ven reducidos por las

facilidades que brindan. SAP y SAS parecen ser las de menos costo.

En cambio, a las herramientas BI open source aún les falta desarrollarse para cumplir

con todas las capacidades planteadas en este estudio, lo que corrobora la

investigación realizada por la empresa Gartner, que aún no ubica a ninguna

herramienta BI open source en el cuadrante mágico; a pesar de ello, en su informe

destaca el esfuerzo realizado por Pentaho y Jaspersoft. A continuación se mencionan

algunas conclusiones en base al cuadro comparativo y a la revisión de fuentes

bibliográficas:

La mayoría de las herramientas BI open source son jóvenes, tienen máximo

unos 5 0 6 años de haber incursionado en el mercado, aún están en proceso de

desarrollo y fusión. Por ejemplo Pentaho apareció en el 2004.

De entre todas las herramientas BI open source la más importante es Pentaho,

debido a que cumple la mayoría de capacidades y sobre todo porque tiene

muchos seguidores que han formado comunidades de desarrollo y aprendizaje

a nivel mundial. Se observa en el cuadro comparativo de cumplimiento de

capacidades que es la plataforma más destacada entre sus homólogas open

source. Pentaho tiene un promedio de 3.8/4 de cumplimiento y la menor

desviación estándar (0.45); a este análisis incluimos el costo de licencia

comunitaria que es gratis lo que la convierte en una opción viable y

conveniente para implementar soluciones BI.

La mayoría de las herramientas BI open source se han desarrollado bajo

plataforma Java tal es el caso de Pentaho, JasperSoft, Eclipse BIRT, SpagoBI y

Openi. Sólo Jedox Palo se evidencia su desarrollo en plataforma .NET de

Microsoft.

Pentaho, SpagoBI y Openi utilizan algunas herramientas comunes, tal es el

caso de JPivot, el servidor OLAP Mondrian y WorkBench. Así también ciertos

componentes Jasper y Eclipse son igualmentecompartidos.

Tanto Pentaho como las otras herramientas BI opensource no son 100%

gratuitas; manejan versiones de costo y una versión comunitaria, en la cual se

limita sus capacidades y tanto el soporte técnico como el documental es

escaso.

Al proporcionarse escaso soporte técnico y documental de las versiones

comunitarias, se elevan los costos y el tiempo de aprendizaje, desarrollo e

implementación y esto puede ser un factor decisivo al momento de elegir.

Sin embargo las personas que deciden dedicar su tiempo al aprendizaje de

estas herramientas BI open source tienen grandes oportunidades debido a que

la mayoría de las empresas existentes son PYMES y es posible proporcionarles

soluciones parciales y de bajo costo; de bajo costo porque solo involucra el

servicio técnico, más no a las licencias del producto.

A pesar de las conclusiones no tanto favorables para las herramientas BI open

source se destaca su importancia y su incursión en el mercado debido a que

son una alternativa viable y quizá la única para las pequeñas y medianas

empresas (PYMES).

CAPÍTULO II

DATA WAREHOUSE Y DATA MARTS

OBJETIVO:

Diseñar data marts y data warehouse aplicando una metodología de estrella,

copos de nieve o constelación.

2.1. INTRODUCCIÓN

Los continuos cambios en los mercados crearán, y de hecho ya están creando, nuevas

oportunidades de negocio, así como una competencia implacable. A medida que esta

pugna se intensifica, las empresas se enfrentan con la necesidad de reducir los costos,

añadir valor a sus productos y servicios y asegurar la diferenciación como señal de

identidad. En un mercado en el que el cliente puede escoger entre distintas empresas,

la inteligencia de negocios se convierte en una función estratégica para la retención e

incremento del segmento de mercado de la empresa.

Todos estos cambios exigen de las empresas una infraestructura receptiva y flexible,

en una palabra: ágil. Ágil en su enfoque del mercado, en la manera en que responde a

sus clientes y en la puesta en marcha de los nuevos servicios o el desarrollo de los

nuevos productos. El desafío no es ser el más grande, sino el más ágil en adaptarse al

cambio.

Hacer accesible la información de ayuda a la toma de decisiones, de manera

instantánea a los responsables de la gestión de la empresa, constituye en definitiva el

objetivo intrínseco del Data Warehouse. Cuando se construye adecuadamente el Data

Warehouse, en unión con un conjunto de aplicaciones de ayuda a la toma de

decisiones, proporciona de manera natural un mejor conocimiento de la rentabilidad y

la orientación adecuada al esfuerzo de las metas empresariales.

El material básico necesario (los datos operacionales) para el desarrollo de un Data

Warehouse corporativo es abundante. La información sobre los clientes y los

productos, por ejemplo, son a la vez recursos disponibles en grandes cantidades e

infrautilizados. Por ende, los datos operacionales por sí solos no generan información

significativa y conocimiento, a menos que los objetivos empresariales de la compañía

y la tecnología de la información estén alineados.

Para que la tecnología se convierta en un elemento que facilite la creación de nuevas

estrategias, debe primero integrarse en las funciones de negocio de la empresa. El

futuro éxito o fracaso de las compañías dependerá en gran medida del conocimiento

de la propia empresa, el cual a su vez se basará en la construcción exitosa de

herramientas como el Data Warehouse.

Dada la gran importancia del Data Warehouse para el crecimiento de la empresa, se

hace necesario conocer los conceptos relacionados a su filosofía de trabajo, a su

proceso y la forma de utilizarlo. En este trabajo expondremos las características

principales, su estructura y su funcionamiento, así como los resultados que puede

esperar el usuario final al interactuar con las aplicaciones que utilizan esa

herramienta. Para ello, junto con el desarrollo teórico hemos tomado un caso práctico

de aplicación que permitirá ver la implementación de la tecnología de Data

Warehouse. Este caso se describe a continuación.

2.1.1 Concepto de data warehouse

El almacén de datos es el lugar donde se acumulan todos los datos de la empresa. El

creador del concepto de almacén de datos, Bill Inmon, lo define de la siguiente

manera:

"Un almacén de datos es una recopilación de datos temáticos, integrados, no volátiles

y con historial para la toma de decisiones".

A continuación describiremos las características distintivas de un Data Warehouse, las

cuales nos ayudarán a comprender mejor su concepto.

Almacena Información Histórica. El tiempo es parte implícita de la información

contenida en un data warehouse. A diferencia de los sistemas transaccionales, que

mantienen los datos actualizados a un instante determinado en el tiempo, un DW

puede mantener información de más de un instante. La bodega se carga con los

distintos valores que toma una variable en el tiempo y de esta manera los datos

pueden ser analizados y comparados, facilitando las labores gerenciales.

Contiene Información No volátil. La información de un DW existe para ser leída

y no modificada, por lo tanto, se carga una sola vez y permanece igual en

adelante. De esta manera la actualización del DW es la incorporación de los

últimos valores que tomaron las distintas variables, sin ningún tipo de acción sobre

lo que ya existía. Esto está en contraste con la información de un sistema

transaccional que está sujeta a permanentes inserciones, actualizaciones,

reemplazos o borrados.

Organiza la Información de forma Temática. El almacén de datos está

orientado a los principales temas o entidades de la organización lo cual está en

contraste con la mayoría de los sistemas de hoy en día cuya orientación se basa en

los procesos o funciones.

Administra grandes cantidades de información. La mayoría de los Data

Warehouse contienen información histórica que se retira con frecuencia de los

sistemas operacionales porque ya no es necesaria para las aplicaciones operativas

y de producción. Por el volumen de información que un Data Warehouse debe

manejar, también debe ofrecer opciones para la adición y la condensación que

clasifiquen esta inmensa cantidad de datos, es decir, un Data Warehouse maneja

información a diferentes niveles de detalle. Por lo tanto, el volumen de los datos

que debe almacenar es generalmente mayor al de los datos de las bases de datos

operacionales.

Gestiona múltiples versiones de un esquema de base de datos. Debido a

que el Data Warehouse tiene que guardar la información histórica y administrarla,

y como esta información histórica ha sido manejada en distintos momentos por

diferentes versiones de esquemas de bases de datos, en ocasiones el Data

Warehouse tiene que controlar información originada en organizaciones de bases

de datos diferentes.

Condensa y agrega información. Con frecuencia, es muy alto el nivel de detalle

de la información almacenada por bases de datos operacionales para cualquier

toma de decisiones sensata. Un Data Warehouse condensa y agrega información

para presentarla en forma comprensible a los usuarios finales.

2.1.2. Problemas que dan origen a un Data Warehouse

Los Data Warehouse surgen por los siguientes problemas:

Falta de integración de la información. Muchos de los datos de que disponen las

empresas se encuentra en diversos almacenes de datos porque han evolucionado

como sistemas independientes, en diferentes lenguajes, desarrollados por

diferentes personas y en diferentes momentos. Estos almacenes de datos son

incapaces de ofrecer a la empresa una visión consolidada ya que no poseen

vinculación entre ellos.

Sobrecarga de información. En las últimas décadas, los sistemas operacionales han

producido una gran cantidad de datos, los que son difíciles de analizar para tomar

decisiones de negocio. A pesar de las grandes sumas invertidas en tecnología de la

información, los distintos departamentos dentro de las empresas todavía carecen

de herramientas para explorar esos datos de una manera ágil y eficaz.

Exceso de información genérica y despersonalizada. Por lo general, los informes

producidos por un sistema operacional contienen una gran cantidad de datos. Sin

embargo, ofrecen muy poca información que ayude a la toma de decisiones. Estos

informes no tienen la capacidad de adaptarse a las necesidades actuales de los

usuarios, y carecen de información personalizada y/o relevante para los distintos

perfiles que existen en un negocio.

Falta de retroalimentación oportuna para la mejora de los negocios. En las

organizaciones, los ejecutivos trabajan haciéndose preguntas e imaginando

posibles situaciones futuras. Los resultados obtenidos de esa labor generarán a su

vez más preguntas y el planteo de nuevas situaciones repitiendo el ciclo hasta

conseguir los fundamentos para tomar una decisión. Con el uso de los sistemas

operacionales, este proceso se hace dificultoso, sino imposible, al no tener

posibilidad de generar informes adaptados a las necesidades del momento.

2.1.3. Beneficios Asociados al Data Warehouse

Un Data Warehouse puede dar lugar a una serie de importantes beneficios para la

organización. En cualquier caso, su utilización permitirá que la información de gestión

sea:

Accesible, correcta, uniforme y actualizada. Estas características asociadas a la

información contenida en un Data Warehouse, junto con otra serie de aspectos

inherentes al mismo dan lugar a la obtención de un conjunto de ventajas, que

podemos resumir del siguiente modo:

Menor costo en la toma de decisiones. Se suprime el desperdicio de tiempo que se

podía producir al intentar ejecutar consultas de datos largas y complejas con bases

de datos que estaban diseñadas específicamente para transacciones más cortas y

sencillas.

Posibilidad de encontrar relaciones ocultas. Facilita la aplicación de técnicas

estadísticas de análisis y modelización para encontrar relaciones ocultas entre los

datos, obteniendo un valor añadido para el negocio.

Aprendizaje del pasado. Proporciona la capacidad de aprender de los datos del

pasado y de predecir situaciones futuras en diversos escenarios.

Mayor flexibilidad ante el entorno. El Data Warehouse convierte los datos

operacionales en información relacionada y estructurada, que genera el

conocimiento necesario para la toma de decisiones. Esto permite establecer una

base única del modelo de información de la organización, que puede dar lugar a

una visión global de la información en base a los conceptos de negocio que tratan

los usuarios. Además, aporta una mejor calidad y flexibilidad en el análisis del

mercado, y del entorno en general. Esta visión global puede conllevar también la

obtención de otras ventajas competitivas, al permitir el desempeño de tareas que

en los sistemas tradicionales sufrirían un costo adicional, por ejemplo:

Mejor servicio al cliente. Lo dicho en el punto anterior implica una importante

mejora en la calidad de gestión, lo que también repercute en la relación con el

cliente. De hecho, el que un Data Warehouse implique una mayor flexibilidad

ante el entorno tiene una consecuencia directa en una mayor capacidad para

responder a las necesidades de los clientes.

Rediseño de procesos. Ofrecer a los usuarios una capacidad de análisis de la

información de su negocio que tiende a ser ilimitada y permite con frecuencia

obtener una visión más profunda y clara de los procesos de negocio

propiamente dichos, lo que a su vez permite obtener ideas renovadoras para el

rediseño de los mismos.

2.2. Data warehouse versus Sistemas Transaccionales (OLTP)

Hoy en día las empresas cuentan en su mayoría con sus procesos automatizados,

manejando gran cantidad de datos en forma centralizada y manteniendo sus sistemas

en línea. En esta información descansa el conocimiento de la empresa, constituyendo

un recurso corporativo primario y parte importante de su patrimonio.

El nivel competitivo alcanzado en las empresas les ha exigido desarrollar nuevas

estrategias de gestión. En el pasado, las organizaciones fueron típicamente

estructuradas en forma piramidal con información generada en su base fluyendo hacia

lo alto; y era en el estrato de la pirámide más alto donde se tomaban decisiones a

partir de la información proporcionada por la base, con un bajo aprovechamiento del

potencial de esta información. Las empresas han reestructurado y eliminado estratos

de estas pirámides y han autorizado a los usuarios de todos los niveles a tomar

mayores decisiones y responsabilidades. Sin embargo, sin información sólida para

ayudar y apoyar las decisiones, la automatización no tiene sentido.

Esta necesidad de obtener información para una amplia variedad de individuos es la

principal razón de negocios que conduce al concepto de. El énfasis no está sólo en

llevar la información hacia lo alto sino a través de la organización, para que todos los

empleados que la necesiten la tengan a su disposición (Sperley, 1999).

El DW (de ahora en adelante los términos Data warehouse, Datawarehousing,

Warehouse, Almacén de Datos y DW son utilizados en forma indistinta) convierte

entonces los datos operacionales de una organización en una herramienta competitiva,

por hacerlos disponibles a los empleados que lo necesiten para el análisis y toma de

decisiones.

El objetivo del DW es el de satisfacer los requerimientos de información interna de la

empresa para una mejor gestión. El contenido de los datos, la organización y

estructura son dirigidos a satisfacer las necesidades de información de los analistas y

usuarios tomadores de decisiones. El DW es el lugar donde la gente puede acceder a

sus datos.

El DW puede verse como una bodega donde están almacenados todos los datos

necesarios para realizar las funciones de gestión de la empresa, de manera que

puedan utilizarse fácilmente según se necesiten. Los sistemas transaccionales son

dinámicos, constantemente se encuentran actualizando datos. Analizar esta

información puede presentar resultados distintos en cuestión de minutos, por lo que

se deben extraer y almacenar fotografías de datos (snapshots, en inglés), para estos

efectos, con la implicancia de un consumo adicional de recursos de cómputo. Llevar a

cabo un análisis complejo sobre un sistema transaccional, puede resultar en la

degradación del sistema, con el consiguiente impacto en la operación del negocio. Los

almacenes de datos (o Data warehouse) generan bases de datos tangibles con una

perspectiva histórica, utilizando datos de múltiples fuentes que se fusionan en forma

congruente. Estos datos se mantienen actualizados, pero no cambian al ritmo de los

sistemas transaccionales. Muchos data warehouse se diseñan para contener un nivel

de detalle hasta el nivel de transacción, con la intención de hacer disponible todo tipo

de datos y características, para reportar y analizar. Así un data warehouse resulta ser

un recipiente de datos transaccionales para proporcionar consultas operativas, y la

información para poder llevar a cabo análisis multidimensional. De esta forma, dentro

de un data warehouse existen dos tecnologías que se pueden ver como

complementarias, una relacional para consultas y una multidimensional para análisis

(Sperley, 1999).

Puede considerarse que el modelo relacional en el cual se basa OLTP - Procesamiento

Transaccional en Línea (OnLine Transational Procesing, en inglés), tiene como objetivo

mantener la integridad de la información (relaciones entre los datos) necesaria para

operar un negocio de la manera más eficiente. Sin embargo, este modelo no

corresponde a la forma como el usuario percibe la operación de un negocio.

DW está basado en un procesamiento distinto al utilizado por los sistemas

operacionales, es decir, este se basa en OLAP -Procesos de Análisis en Línea- (OnLine

Analysis Process, en inglés), usado en el análisis de negocios y otras aplicaciones que

requieren una visión flexible del negocio.

Para ampliar los conceptos anteriores, en la Tabla 2 se exponen las principales

diferencias entre los sistemas Transaccionales (OLTP) y los basados en Data

warehouse.

Transaccionales Basados en Data warehouse

Admiten el acceso simultáneo de muchos usuarios Admiten el acceso simultáneo de muchos usuarios

Transaccionales Basados en Data warehouse

-miles- que agregan y modifican datos. -cientos- que consultan y no modifican datos.

Representan el estado, en cambio constante, de una organización, pero no guardan su historial.

Guardan el historial de una organización.

Contienen grandes cantidades de datos, incluidos los datos extensivos utilizados para comprobar transacciones

Contienen grandes cantidades de datos, sumarizados, consolidados y transformados. También de detalle pero solo los necesarios para el análisis.

Tienen estructuras de base de datos complejas. Tienen estructuras de Base de datos simples.

Se ajustan para dar respuesta a la actividad transaccional.

Se ajustan para dar respuesta a la actividad de consultas.

Proporcionan la infraestructura tecnológica necesaria para admitir las operaciones diarias de la empresa.

Proporcionan la infraestructura tecnológica necesaria para admitir análisis de los datos de la empresa.

Los analistas carecen de la experiencia técnica necesaria para crear consultas "ad hoc" contra la compleja estructura de datos.

Pueden combinar datos de orígenes heterogéneos en una única estructura homogénea y simple, facilitando la creación de informes y consultas.

Las consultas analíticas que resumen grandes volúmenes de datos afectan negativamente a la capacidad del sistema para responder a las transacciones en línea.

Organizan los datos en estructuras simplificadas buscando la eficiencia de las consultas analíticas más que del proceso de transacciones.

El rendimiento del sistema cuando está respondiendo a consultas analíticas complejas puede ser lento o impredecible, lo que causa un servicio poco eficiente a los usuarios del proceso analítico en línea.

Contienen datos transformados que son válidos, coherentes, consolidados y con el formato adecuado para realizar el análisis sin interferir en la operatoria transaccional diaria.

Los datos que se modifican con frecuencia interfieren en la coherencia de la información analítica.

Proporcionan datos estables que representan el historial de la empresa. Se actualizan periódicamente con datos adicionales, no con transacciones frecuentes.

La seguridad se complica cuando se combina el análisis en línea con el proceso de transacciones en línea.

Simplifican los requisitos de seguridad.

Tabla 2. Diferencias entre sistemas transaccionales y basados en data warehouse. Fuente: Nader, Javier, 2006

A continuación se realiza una breve explicación de una especialización de los data

warehouses, denominada datamart.

2.3. Introducción a Datamarts (Tienda de datos)

El acceso a los datos de toda la empresa a veces no es conveniente (o necesario) para

determinados usuarios que solo necesitan un subconjunto de estos datos, en estos

casos se utilizan los Datamarts. El concepto Datamart es una especialización del data

warehouse, y está enfocado a un departamento o área específica, como por ejemplo

los departamentos de Finanzas o Marketing. Permitiendo así un mejor control de la

información que se está abarcando (Poe et al., 1998).

Los principales beneficios de utilizar Data marts son:

Acelerar las consultas reduciendo el volumen de datos a recorrer

Estructurar los datos para su adecuado acceso por una herramienta

Dividir los datos para imponer estrategias de control de acceso

Segmentar los datos en diferentes plataformas hardware

Permite el acceso a los datos por medio de un gran número de herramientas

del mercado, logrando independencia de estas.

2.4. Arquitectura Data warehouse (DW)

Antes de describir la arquitectura data warehouse se señala la siguiente consideración

ya generalizada, presente en la literatura: el término Data warehouse se utiliza

indistintamente para hablar de la arquitectura en sí como también para uno de los

componentes que la conforman, específicamente el que tiene relación con el

almacenamiento físico de los datos (Poe et al., 1998). Ahora, con el propósito de

facilitar el entendimiento por parte del lector, se hace especial énfasis en esta parte

del capítulo sobre el contexto del cual se estará hablando al hacer referencia al

término data warehouse.

La estructura básica de la arquitectura DW incluye:

1. Datos operacionales: un origen o fuente de datos para poblar el componente

de almacenamiento físico DW. El origen de los datos son los sistemas

transaccionales internos de la organización como también datos externos a

ésta.

2. Extracción de Datos: selección sistemática de datos operacionales usados

para poblar el componente de almacenamiento físico DW.

3. Transformación de datos: procesos para sumarizar y realizar otros cambios

en los datos operacionales para reunir los objetivos de orientación a temas e

integración principalmente.

4. Carga de Datos: inserción sistemática de datos en el componente de

almacenamiento físico data warehouse

5. Data warehouse: componente de almacenamiento físico.

6. Herramientas de acceso a los datos en el componente de almacenamiento

físico data warehouse. Estas herramientas pueden ser de visualización

multidimensional específicas para el acceso a un data mart que está contenido

en un data warehouse como también aplicaciones desarrolladas dentro de la

organización del tipo EIS/DSS.

Figura 17. Estructura básica Data warehouse

Fuente: Hernández J., 2003

Los pasos 2, 3 y 4 considerados en la figura anterior, conforman el proceso conocido

como ETL (Extracción, Transformación y Carga).

2.5. Metodologías de diseño y construcción de data warehouse

Correspondencia

Bases de datos

operacionales

Almacenamiento

intermedio

Almacén de

datos

Transformación

Extracción Carga o

Transporte

Aplicaciones

EIS/DSS

Acceso a

Datos

FuentesExternas

En los últimos años se han propuesto distintas metodologías para el diseño de

Almacenes de Datos (AD) o Data Warehouse (DW), aunque ninguna de ellas ha sido

aceptada plenamente.

En algunos casos, las metodologías son extensiones de las metodologías clásicas para

bases de datos, en otros casos se ha adoptado un enfoque completamente nuevo.

Intentando analizar el trabajo hecho hasta el momento en el área del diseño, las

propuestas metodológicas pueden clasificarse en tres grupos: metodologías dirigidas

por datos, metodologías dirigidas por procesos y metodologías compuestas (datos-

procesos). El objetivo de las metodologías dirigidas por datos es obtener el esquema

conceptual del DW a partir de la descripción de las bases de datos operacionales de la

organización, por el contrario, las metodologías dirigidas por procesos derivan el

esquema conceptual del DW a partir de los requisitos de usuario. Finalmente, las

metodologías compuestas realizan una combinación de las dos aproximaciones

anteriores, es decir, consideran los requisitos de usuario así como la descripción de la

base de datos operacional. A continuación se citan algunas:

Metodología de Kimball. Kimball fue quien determinó que un data warehouse

no era más que: "la unión de todos los Data marts de una entidad". Defiende

por tanto una metodología ascendente (bottom-up) a la hora de diseñar un

almacén de datos.

Figura 18. Arquitectura bottom-up de un DW Fuente: BERNABEU, Ricardo

Metodología de Inmon. Inmon defiende una metodología descendente (top-

down) a la hora de diseñar un almacén de datos, ya que de esta forma se

considerarán mejor todos los datos corporativos. En esta metodología los Data

marts se crearán después de haber terminado el data warehouse completo de

la organización.

Figura 19. Arquitectura top-down de un DW Fuente: BERNABEU, Ricardo

Model Driven Architecture 2.0 (MDA 2.0).Desarrollado por “The Object

Management Group” (OMG). Consiste en un conjunto de estándares que

asisten en la creación, implementación, evolución y desarrollo de sistemas

dirigido por modelos. Los estándares que constituyen MDA son: Lenguaje

Unificado de Modelado (UML), Meta-Object-Facility (MOF), Meta-Data

Interchange (XMI) y Common Warehouse Metamodel (CWM).

Multidimensional FactModel (DFM) propuesta por Golfarelly, M. y Dario.

Permite hacer una representación de los hechos y dimensiones con una

notación gráfica propia, además proponen una metodología semiautomática

para obtener un esquema multidimensional a partir de un diagrama Entidad

Relación (ER). Un esquema en DFM se define como una colección de esquemas

de hechos, cuyos elementos básicos son los hechos, los atributos, las

dimensiones y las jerarquías.

Modelo Multidimensional (MD).Cabibbo y Torlone proponen el método de

diseñoMD, que definen como un modelo lógico para sistemas OLAP, sin

embargo los autores mencionan que es independiente de cualquier

implementación, por lo que lo ubican en el nivel conceptual. El método de

diseño que proponen construye un es quema MD a partir de una base de datos

operacional existente, el esquema MD consiste de un conjunto finito de

Dimensiones y un conjunto finito de F-Tables (Hechos), donde las dimensiones

son categorías sintácticas que permiten especificar múltiples caminos para la

búsqueda de información y cada dimensión se organiza en una jerarquía de

niveles correspondientes.

Metodología HEFESTO. Propuesta por Bernabéu D. Es una metodología

fundamentada en metodologías existentes y experiencias propias del autor

respecto al proceso de confección de almacenes de datos. La construcción e

implementación de un DW puede adaptarse muy bien a cualquier ciclo de vida

de desarrollo de software, con la salvedad de que para algunas fases en

particular, las acciones que se han de realizar serán muy diferentes. Lo que se

debe tener muy en cuenta, es no entrar en la utilización de metodologías que

requieran fases extensas de reunión de requerimientos y análisis, fases de

desarrollo monolítico que conlleve demasiado tiempo y fases de despliegue

muy largas. Lo que se busca, es entregar una primera implementación que

satisfaga una parte de las necesidades, para demostrar las ventajas del DW y

motivar a los usuarios.

2.6. El Proceso ETL

falta

2.7. El Procesamiento Analítico en Línea (OLAP)

La tecnología de Procesamiento Analítico en Línea –OLAP- (Online

AnalyticalProcessing) permite un uso más eficaz de data warehouse para el análisis de

datos en línea, lo que proporciona respuestas rápidas a consultas analíticas complejas

e iterativas utilizada generalmente para sistemas de ayuda para la toma de

decisiones. Primero y más importante, el OLAP presenta los datos a los usuarios a

través de un modelo de datos intuitivo y natural. Con este estilo de navegación, los

usuarios finales pueden ver y entender más efectivamente la información de sus bases

de datos, permitiendo así a las organizaciones reconocer mejor el valor de sus datos.

En segundo lugar, el OLAP acelera la entrega de información a los usuarios finales que

ven estas estructuras de datos como cubos denominadas multidimensionales debido a

que la información es vista en varias dimensiones.

Esta entrega es optimizada ya que se prepararan algunos valores calculados en los

datos por adelantado, en vez de de realizar el cálculo al momento de la solicitud. La

combinación de navegación fácil y rápida le permite a los usuarios ver y analizar

información más rápida y eficientemente que lo que es posible con tecnologías de

bases de datos relacionales solamente. El resultado final: se pasa más tiempo

analizando los datos y menos tiempo analizando las bases de datos.

A pesar del proceso de almacenamiento de datos de preparar información para el

consumo del usuario final se debe facilitar la búsqueda de la información.

Generalmente, las estructuras de datos de las bases tienen cierta complejidad para el

usuario final, principalmente para responder a preguntas tales como:

"¿Quiénes fueron los mejores vendedores de cada región durante el año pasado,

mensualmente?" son complejas cuando se expresan en lenguaje SQL.

Estos retos son enfrentados con herramientas avanzadas de peticiones (queries), las

cuáles ocultan al usuario final la complejidad de las base de datos. Esta es la función

de las herramientas OLAP.

Todas las organizaciones tienen datos multidimensionales y la complejidad no es

necesariamente una función del tamaño de la compañía. Aún a las más pequeñas

compañías les gustaría poder rastrear sus ventas por producto, vendedor, geografía,

cliente y tiempo. Las organizaciones han buscado durante mucho tiempo herramientas

para acceder, navegar y analizar información multidimensional de una manera fácil y

natural.

Las aplicaciones OLAP deberían proporcionar análisis rápidos de información

multidimensional compartida. Las características principales del OLAP son

(Pence&Creeth, 2002):

Rápido: proporciona la información al usuario a una velocidad constante. La

mayoría de las peticiones se deben de responder al usuario en cinco segundos

o menos.

Análisis: realiza análisis estadísticos y numéricos básicos de los datos,

predefinidos por el desarrollador de la aplicación o definido “ad hoc” por el

usuario.

Compartida: implementa los requerimientos de seguridad necesarios para

compartir datos potencialmente confidenciales a través de una gran población

de usuarios.

Multidimensional: llena la característica esencial del OLAP, que es ver la

información en determinadas vistas o dimensiones.

Información: acceden a todos los datos y a la información necesaria y

relevante para la aplicación, donde sea que ésta resida y no esté limitada por el

volumen.

El OLAP es un componente clave en el proceso de almacenamiento de datos (data

warehousing) y los servicios OLAP proporcionan la funcionalidad esencial para una

gran variedad de aplicaciones que van desde reportes corporativos hasta soporte

avanzado de decisiones.

Vistas del Usuario.

En un modelo de datos OLAP, la información es vista como cubos, los cuáles consisten

de categorías descriptivas (dimensiones) y valores cuantitativos (medidas). El modelo

de datos multidimensional simplifica a los usuarios el formular peticiones complejas,

arreglar datos en un reporte, cambiar de datos de resumen a datos de detalle y filtrar

o seccionar los datos en subconjuntos significativos.

Por ejemplo, las dimensiones típicas de un cubo que contenga información de ventas,

incluiría tiempo, geografía, producto, canal, organización y escenario (planeado o

real). Las medidas típicas incluirían ventas en euros (u otra moneda), unidades

vendidas, número de personas, ingresos y gastos.

HECHO: “El primer trimestre de 2004 la empresa vendió en Valencia por un importe de 22.000 euros del producto tauritón 33 cl.”

Figura 20. Ejemplo de Cubo con tres dimensiones. Fuente: Hernández J., 2003

Dentro de cada dimensión de un modelo de datos OLAP, los datos se pueden organizar

en una jerarquía que represente niveles de detalle de los datos.

La funcionalidad de los sistemas OLAP se caracteriza por ser un análisis

multidimensional de datos corporativos, que soportan los análisis del usuario y unas

posibilidades de navegación, seleccionando la información a obtener.

Normalmente este tipo de selecciones se ve reflejada en la visualización de la

estructura multidimensional, en unos campos de selección que permitan elegir el nivel

de agregación (jerarquía) de la dimensión, y/o la elección de un dato en concreto, la

visualización de los atributos del sujeto, frente a una(s) dimensiones en modo tabla,

pudiendo con ello realizar, entre otras las siguientes acciones (Pence&Creeth, 2002):

Rotar (Swap): alterar las filas por columnas (permutar dos dimensiones de

análisis)

Bajar (Down): bajar el nivel de visualización en las filas a una jerarquía

inferior

Detallar (Drilldown): informar para una fila en concreto de datos a un nivel

inferior

Expandir (Expand): ídem anterior sin perder la información a nivel superior

para éste y el resto de los valores

Arquitectura OLAP

Aunque en ocasiones se utilizan indistintamente, los términos data warehouse y

proceso analítico en línea (OLAP) se aplican a diferentes componentes de sistemas de

ayuda a la toma de decisiones o sistemas de inteligencia empresarial. Los datos

contenidos en undata warehouse se encuentran organizados para permitir el análisis

por medio de herramientas OLAP.

La tecnología OLAP permite un uso más eficaz de los almacenes de datos para el

análisis en línea, lo que proporciona respuestas rápidas a consultas analíticas

complejas e iterativas. Los modelos de datos multidimensionales de OLAP y las

técnicas de agregados de datos organizan y resumen grandes cantidades de datos

para que puedan ser evaluados con rapidez mediante el análisis en línea y las

herramientas gráficas. La respuesta a una consulta realizada sobre datos históricos a

Zumo Piña 1l. Cola 33cl.

LecheEnteraCabra 1l

Tauritón 33cl Cerveza Kiel 20 cl

JabónSalitre

1 2 3 4 1 2

TIEMPO:

trimestre

Madrid Barcelona

Valencia Zaragoza Alicante Murcia

17 57 93

5 12

Ventas en

miles de

Euros Jerarquía de dimensiones:

Categoría

\

Gama Prov.

\ /

Artículo

País

Ciudad

Supermercado

Año

/ \

Trimestre

/ \

Mes Semana

PRODUCTO:

artículo

LUGAR:

ciudad PRODUCTO LUGAR TIEMPO

2004 2005

22

menudo suele conducir a consultas posteriores en las que el analista busca respuestas

más concretas o explora posibilidades.

Los sistemas OLAP proporcionan la velocidad y la flexibilidad necesarias para dar

apoyo al analista en tiempo real. La figura 21 muestra la integración del data

warehouse y los procesos OLAP, que generalmente se implementan por medio de una

aplicación servidora que accede al data warehouse y realiza los procesos de análisis. A

través de este servicio OLAP, los usuarios acceden a la información residente en las

bases de datos (Microsoft Corp, 2002).

Figura 21. Arquitectura básica para OLAP. Fuente: http://cgmlab.cs.dal.ca/Members/obaltzer/SOLAP/

A continuación se explica el modelo de datos donde se sustenta esta tecnología.

El modelo de datos OLAP.

Un reto fundamental en la implementación del OLAP es mapear el esquema inicial de

la base de datos a un modelo multidimensional.

En la mayoría de las implementaciones de OLAP, se asume que los datos han sido

preparados para el análisis a través del almacenamiento de datos (data warehousing)

y que la información se ha extraído de sistemas operacionales, limpiado, validado y

resumido antes de incorporarse en una aplicación OLAP. Este es un paso vital en el

proceso, que asegura que los datos que son vistos por el usuario OLAP son correctos,

consistentes y que llenan las definiciones organizacionales para los datos.

Cada vez más, la información en un data warehouse se organiza en esquemas de

estrella o de copo de nieve. El esquema estrella, considerado como jerarquía de

dimensiones lineal (figura 22) se basa en una tabla de hechos central (las medidas)

que se enlaza a las tablas de dimensiones relacionadas (las categorías descriptivas de

las medidas), mientras que el esquema copo de nieve, considerado como estrella

jerárquica o modelo no lineal (figura 23), es una tabla de hechos central se enlaza a

las tablas de dimensiones relacionadas, pero estas a su vez se enlaza a otras tablas

dimensionales.

Con este tipo de esquemas simplifica el entendimiento de los datos por parte del

usuario, maximiza el desempeño de las peticiones (queries) de la base de datos para

aplicaciones de soporte de decisiones y requiere menor espacio de almacenamiento

para bases de datos grandes.

Ejemplo:

Figura 22. Modelo estrella. Fuente: Hernández J., 2003.

Tabla Dimensión

Tabla Hechos

Tabla Dimensión

Tabla Dimensión

Tabla Dimensión

Tabla Dimensión

Tabla Hechos

Tabla Dimensión

Tabla

Tabla Dimensión

Tabla

Tabla Dimensión

Ejemplo:

Figura 23. Modelo copo de nieve.


Una tabla de hechos contiene generalmente los valores o medidas que se quiere

analizar, mientras las tablas de dimensiones contienen las vistas en que se quiere

analizar esas medidas.

Luego de analizar los dos tipos de esquemas, cabe una pregunta ¿Se puede recopilar

toda la información necesaria en un único esquema estrella o copo de nieve? La

respuesta es NO. Realmente se requiere de varios esquemas y cada uno de ellos se

denomina data mart como se ejemplifica en la figura 24.

Figura 24. Ejemplo de un almacén formado por 4 data marts.


La figura 9 muestra un ejemplo de esquema de estrella. En este tipo de base de datos,

una tabla de hechos central se enlaza a las tablas de dimensiones relacionadas.

Figura 25. Un esquema de estrella.


La figura 10 muestra un ejemplo de esquema copo de nieve. Este tipo de esquema se

caracteriza por tener tablas dimensionales relacionadas con otras tablas dimensionales

además de vincularse a la tabla de hechos. A continuación se enumeran algunas de las

principales ventajas del esquema estrella:

Crea una base de datos con tiempos de respuesta rápido.

Diseño fácil de modificar.

Simula como ven los datos los usuarios finales.

Simplifica la navegación.

Facilita la interacción con herramientas.

Figura 26. Un esquema copo de nieve.

Fuente: Nader, J., 2003

Los esquemas de estrella y copo de nieve son aproximaciones relacionales del modelo

de datos OLAP y son un punto de partida excelente para construir definiciones de cubo

OLAP. Pocos productos OLAP han tomado ventaja de este hecho. Generalmente no

han provisto herramientas sencillas para mapear un esquema de estrella a un modelo

OLAP y como resultado mantienen el costo de construir el modelo OLAP

extremadamente alto y el tiempo de desarrollo innecesariamente largo.

Debido a la explosión de datos, las aplicaciones OLAP pueden sufrir aún más cuando

los datos de detalle o fuente están distribuidos dispersamente en todo lo amplio del

cubo multidimensional. Los valores faltantes o inválidos crean dispersión en el modelo

de datos OLAP. En el peor caso, un producto OLAP podría almacenar un valor vacío.

Por ejemplo, una compañía podría no vender todos los productos en todas las

regiones, así que no aparecerían valores en la intersección donde los productos no se

venden en una región particular.

La dispersión de datos, un reto para las compañías de OLAP, se ha vencido con varios

grados de éxito. Las peores implementaciones resultan en bases de datos que

almacenan valores vacíos, por tanto teniendo baja densidad y desperdiciando espacio

y recursos. Los servicios OLAP no almacenan valores vacíos y como resultado, aún los

cubos dispersamente poblados no se inflarán de tamaño. Mientras que este asunto es

frecuentemente subrayado como un factor decisivo de arquitecturas OLAP, por

algunos vendedores de OLAP, las diferencias entre las implementaciones de las

compañías en el manejo de la dispersión son mínimas comparadas a las más

importantes explosiones de datos causadas por precalcular demasiados agregados.

Implementación del OLAP

Los cubos, las dimensiones y las jerarquías son la esencia de la navegación

multidimensional del OLAP. Al describir y representar la información en esta forma, los

usuarios pueden navegar intuitivamente en un conjunto complejo de datos. Sin

embargo, el solo describir el modelo de datos en una forma más intuitiva, hace muy

poco para ayudar a entregar la información al usuario más rápidamente.

El Almacén de Datos y las herramientas OLAP se pueden basar físicamente en varias

organizaciones:

Sistemas ROLAP

se implementan sobre tecnología relacional, pero disponen de algunas

facilidades para mejorar el rendimiento (índices de mapas de bits, índices

de JOIN).

Sistemas MOLAP

disponen de estructuras de almacenamiento específicas (arrays) y técnicas

de compactación de datos que favorecen el rendimiento del almacén.

Sistemas HOLAP

sistemas híbridos entre ambos.

CAPÍTULO III

DISEÑO Y CONSTRUCCIÓN DE UNA

SOLUCIÓN DE INTELIGENCIA DE

NEGOCIOS

OBJETIVO:

Diseñar y construir una solución de inteligencia de negocios que incluya: almacén de datos (data warehouse), cubos OLAP, proceso ETL y un sistema

de toma de decisiones (SSD) que provea la información adecuada según los requerimientos de los mandos táctico y estratégico de una organización.

3.1. INTRODUCCIÓN

El diseño de data warehouse es posible hacerlo aplicando el procedimiento de alguna

metodología.

3.2. METODOLOGÍA UTILIZADA PARA DISEÑAR DATA WAREHOUSE

Existen algunas metodologías para el diseño de Data Warehouse, sin embargo se ha

elegido la metodología HEFESTO, debido a que define claramente el ¿Qué? Y el

¿Cómo? de cada una de sus fases y actividades.

3.3. METODOLOGÍA HEFESTO

La Metodología HEFESTO, es una metodología para la construcción del almacén de

datos que servirá de soporte para la aplicación de inteligencia de negocios.

A continuación se presenta la arquitectura de la metodología y se la describe brevemente:

Figura 27.Arquitectura de la Metodología HEFESTO Fuente: BERNABEU, Ricardo

Como se puede apreciar, se comienza recolectando las necesidades de información de los usuarios y se obtienen las preguntas claves del negocio. Luego, se deben identificarlos indicadores resultantes de los interrogativos y sus respectivas perspectivas de análisis, mediante las cuales se construirá el modelo conceptual de datos del DW.

0) ESTUDIO PRELIMINAR

Después, se analizarán los OLTP para determinar cómo se construirán los indicadores, señalar las correspondencias con los datos fuentes y para seleccionar los campos de estudio de cada perspectiva.

Una vez hecho esto, se pasará a la construcción del modelo lógico del depósito, en donde se definirá cuál será el tipo de esquema que se implementará. Seguidamente, se confeccionarán las tablas de dimensiones y las tablas de hechos, para luego efectuar sus respectivas uniones.

Por último, se definirán los procesos de extracción, transformación y carga de los datos fuente, que poblarán y actualizarán el DW.

3.4. PASOS Y APLICACIÓN METODOLÓGICA HEFESTO

PASO 0.ESTUDIO PRELIMINAR

1. DATOS INFORMATIVOS DE LA EMPRESA Nombre: Dirección: Ciudad: Teléfono:

2. IDENTIFICACIÓN DE LA EMPRESA 2.1. DESCRIPCIÓN DE LA EMPRESA Describir brevemente el objeto de negocio de la empresa

2.2. ANTECEDENTES HISTÓRICOS

Describir los hechos históricos destacables de la empresa

3. MISIÓN, VISIÓN Y OBJETIVOS

3.1. VISIÓN La visión se conoce como el camino al cual se dirige la empresa a largo plazo y sirve de rumbo y aliciente para orientar decisiones estratégicas de crecimiento junto a las de competitividad.

3.2. MISIÓN La misión es el motivo, propósito, fin o razón de ser de la existencia de una empresa u organización.

3.3. OBJETIVOS Listar los objetivos de la empresa o institución 4. ORGANIGRAMA Gráfico que representa la estructura organizativa de la empresa.

5. RELACIÓN DE LAS METAS DE LA ORGANIZACIÓN CON LAS DEL DATA WAREHOUSE Se debe definir las metas que proporcionarán el data warehouse al negocio o la empresa. Por ejemplo: El Data Warehouse aportará un gran valor a la empresa, y su alcance es el siguiente:

- Permitirá a las autoridades y personal administrativo contar con una herramienta que brindará soporte en la toma de decisiones.

- Transformará datos operativos en información analítica, enfocada en las estrategias de la empresa.

- Se podrán generar reportes dinámicos y personalizados con información estadística, resumida (es decir sumarizados, promediados o contabilizados) y mediante gráficos representativos.

- Se podrá visualizar en los reportes información historial de la empresa y serán posibles presentarlos en diferentes formatos como PDF, HTML, EXCEL

- Será posible explorar y navegar de forma rápida en la información de los reportes

- El costo y el empleo de recursos materiales para la elaboración de reportes o informes necesarios para la toma de decisiones serán mínimos.

PASO1.ANÁLISIS DE REQUERIMIENTOS

Lo primero que se hará será identificar los requerimientos del usuario a través de

preguntas que expliciten los objetivos de la organización. Luego, se analizarán las

estas preguntas a fin de identificar cuáles serán los indicadores y perspectivas que

serán tomadas en cuenta para la construcción del DW. Finalmente se confeccionará un

modelo conceptual en donde se podrá visualizar el resultado obtenido en este primer

paso.

a)Identificar preguntas

El objetivo principal de esta fase, es la de obtener e identificar las necesidades de

información clave de alto nivel, que es esencial para llevar a cabo las metas y

estrategias de la empresa y que facilitará una eficaz y eficiente toma de decisiones.

Ejemplo Aplicativo. Para este ejemplo se considera una universidad como empresa o

institución de estudio.

Preguntas identificadas:

- ¿Se cuenta con estadísticas de crecimiento estudiantil de toda la Universidad?

- ¿Se cuenta con estadísticas de crecimiento estudiantil por carreras, destacando

la de mayor crecimiento?

- ¿Se cuenta con estadística de estudiantes matriculados por modalidad de

estudios?

- ¿Es posible detallar el crecimiento estudiantil por modalidad de estudio,

carrera y periodo lectivo?

- ¿Es posible presentar la información en gráficos estadísticos?

- ¿Es posible la generación de informes en formato PDF, Excel y HTML?

- Para el desarrollo el prototipo de este sistema, se ha considerado centrar el

estudio en el ámbito académico y específicamente en información de matrículas

de estudiantes.

b) Identificar indicadores y perspectivas de análisis

Una vez que se han establecido las preguntas claves, se debe proceder a su

descomposición para descubrir los indicadores que se utilizarán y las perspectivas de

análisis que intervendrán. Los indicadores deben ser realmente efectivos y por lo

general son valores numéricos. En cambio, las perspectivas se refieren a los objetos

mediante los cuales se quiere examinar los indicadores, con el fin de responder a las

preguntas planteadas.

Aplicando al caso de estudio. De entrevistas realizadas al personal administrativo se obtuvo un listado de los reportes que más prioridad tienen:

- Total de alumnos matriculados en la UTSAM desde su creación

- Total de alumnos matriculados por escuela

DESCRIPCIÓN DE PROCESOS PARA LA TOMA DE DECISIONES ACADÉMICAS EN

LA UNIVERSIDAD XYZ

La Universidad XYZ está estructurada en escuelas: Informática, Gestión, Derecho, Educación y

Salud. Cada escuela tiene un director y agrupa una o varias carreras. Las modalidades de estudio

son: presencial, semi-presencial y a distancia. Cada año académico comienza en enero y culmina

en diciembre y se divide en dos periodos lectivos: Enero-Junio y Julio-Diciembre. En cada periodo

lectivo los estudiantes deben matricularse en el semestre o nivel que le corresponde.

Cada director de escuela es el responsable de llevar las estadísticas de cada carrera pero de

modalidad presencial: matriculados por semestre, egresados y graduados, retirados, mejores

estudiantes y otros reportes.

Las modalidades de estudio semipresencial y a distancia tienen un director y dos coordinadores

que se encargan del control y planificación del desarrollo de cada módulo (asignatura) de cada

carrera.

Dependiendo del número de alumnos, las autoridades toman decisiones tales como: si se apertura

un nuevo paralelo o si se cierra un curso, planificación horarios de uso de los laboratorios,

construir nueva infraestructura física para aulas y/o laboratorios, adquirir nueva infraestructura

tecnológica, u otra decisión.

- Número de alumnos matriculados por escuela, carrera y por años

- Número de alumnos matriculados por escuela, carrera, años, periodo,

semestre y modalidad

- Número de alumnos matriculados por años, escuela, carrera, modalidad,

periodo, semestre y sección.

- Número de alumnos matriculados por modalidad, años, escuela, carrera,

periodo, semestre y sección.

Ejemplo de análisis de indicadores y perspectivas:

Indicadores:

- Número de alumnos matriculados

- Total de alumnos matriculados

Perspectiva de Análisis:

- Escuela

- Carrera

- Modalidad

- Tiempo

- Semestre

c) Modelo Conceptual

En esta etapa, se construirá un modelo conceptual a partir de los indicadores y

perspectivas obtenidas en el paso anterior. A través de este modelo, se podrá

observar con claridad cuáles son los alcances del proyecto, para luego poder trabajar

sobre ellos, además al poseer un alto nivel de definición de los datos, permite que

pueda ser presentado ante los usuarios y explicado con facilidad.

Aplicando al caso de estudio. La representación gráfica del modelo conceptual del caso de

estudio es la siguiente:

Figura 28. Modelo Conceptual Fuente: Elaboración propia

PASO 2. ANÁLISIS DE OLTP’S

Seguidamente, se analizarán las fuentes OLTP para determinar cómo serán calculados

los indicadores y para establecer las respectivas correspondencias entre el modelo

conceptual creado en el paso anterior y las fuentes de datos. Luego, se definirán qué

campos se incluirán en cada perspectiva. Finalmente, se ampliará el modelo

conceptual con la información obtenida en este paso.

a) Determinación de Indicadores

Número de alumnos matriculados porescuela, carrera y por años

Indicador Perspectivas

Tiempo

Escuela

Carrera

Modalidad

Semestre

Matrícula

Total de estudiantes

Número de Estudiantes

Escuela

Carrera

Modalidad

Semestre

Número de estudiantes

Total estudiantes

Tiempo

En este paso se deberán explicitar cómo se calcularán los indicadores, definiendo los

siguientes conceptos para cada uno de ellos:

- Hecho/s que lo componen, con su respectiva fórmula de cálculo. Por ejemplo:

Hecho1+ Hecho2.

- Función de sumarización que se utilizará para su agregación. Por ejemplo:

SUM,AVG, COUNT, etc.

Aplicando al caso de estudio, tenemos:

b) Establecer correspondencias

El objetivo de este paso, es el de examinar los OLTP disponibles que contengan la

información requerida, como así también sus características, para poder identificar las

correspondencias entre el modelo conceptual y las fuentes de datos.

Aplicando al caso de estudio, se tiene:

Figura 29.Correspondencia en el Diagrama de Entidad Relación Base de datos GINUS Fuente: GINUS

c) Nivel de granularidad

- Indicador1:

Número de alumnos matriculados= COUNT(Matriculados por semestre)

- Indicador2:

Total de alumnos matriculados=SUM(Indicador1)

Una vez que se han establecido las relaciones con los OLTP, se examinarán y

seleccionarán los campos que contendrá cada perspectiva, ya que será a través de

estos por los que se manipularán y filtrarán los indicadores.

De acuerdo a las correspondencias establecidas, se analizaron los campos residentes

en cada tabla a la que se hacía referencia, a través de dos métodos diferentes.

Primero se examinó la base de datos para intuir los significados de cada campo, y

luego se consultó con el encargado del sistema sobre algunos aspectos de los cuales

no se comprendía su sentido. De todas formas, y como puede apreciarse en el

diagrama de entidad relación antes expuesto, los nombres de los campos son bastante

explícitos y se deducen con facilidad.

Aplicando al caso de estudio. Se identifica el nivel de granularidad

Perspectiva Datos Descripción

Escuela Esc_cod Código de la escuela

Esc_nom Nombre de la escuela

Carrera Car_cod Código de carrera

Car_nom Nombre de carrera

Modalidad Mod_cod Código de Modalidad

Mod_desc Descripción de la modalidad de estudio

Tiempo Anio Corresponde al Año académico

Periodo En un año académico se pueden aperturar uno o

varios periodos de clases. Cada periodo de clase tiene

un mes y año de inicio y un mes y año de culminación.

Un semestre se desarrolla en un periodo de clases.

Semestre

Sem_cod Código del semestre

Sem_desc Descripción del Semestre

Sem_sec Sección de estudios

Matrícula Mat_cod Código de matrícula

Tabla 3: Campos del MER GINUS y organizados por perspectivas Fuente: GINUS UTSAM

d) Modelo Conceptual ampliado

En este paso, y con el fin de graficar los resultados obtenidos en los pasos anteriores,

se ampliará el modelo conceptual, colocando bajo cada perspectiva los campos

elegidos y bajo cada indicador su respectiva fórmula de cálculo. Aplicando al caso

de estudio se tiene la siguiente figura:

Figura 30. Modelo Conceptual Ampliado del DW GINUS BI

TIEMPO Anio

periodo

ESCUELA Esc_nom

CARRERA Car_nom

MODALIDAD Mod_desc

SEMESTRE Sem_desc Sem_sec

Matrícula

Total de estudiantes

SUM(Número de Estudiantes)

Número de Estudiantes

COUNT(mat_cod) por cada semestre

Fuente: Elaboración propia

PASO 3. MODELO LÓGICO DEL DATA WARE HOUSE

A continuación, se confeccionará el modelo lógico de la estructura del DW, teniendo

como base el modelo conceptual que ya ha sido creado. Para ello, primero se definirá

el tipo de modelo que se utilizará y luego se llevarán a cabo las acciones propias al

caso, para diseñar las tablas de dimensiones y de hechos. Finalmente, se realizarán

las uniones pertinentes entre estas tablas.

a) Tipo de Modelo Lógico del DW

Se debe seleccionar cuál será el tipo de esquema que se utilizará para contener la

estructura del DW, que se adapte mejor a los requerimientos y necesidades del

usuario. Es muy importante definir objetivamente si se empleará un esquema en

estrella, constelación o copo de nieve, ya que esta decisión afectará

considerablemente la elaboración del modelo lógico.

Aplicando al caso de estudio. El esquema que se utilizará será en estrella, debido

a sus características, ventajas y diferencias con los otros esquemas.

b) Diseño de tablas de dimensiones, hechos y uniones

En este paso se deben diseñar las tablas de dimensiones que formarán parte del DW.

Para los tres tipos de esquemas, cada perspectiva definida en el modelo conceptual

constituirá una tabla de dimensión. Para ello deberá tomarse cada perspectiva con sus

campos relacionados y realizarse el siguiente proceso:

- Se elegirá un nombre que identifique la tabla de dimensión.

- Se añadirá un campo que represente su clave principal.

- Se redefinirán los nombres de los campos si es que no son lo suficientemente

intuitivos.

Aplicando al caso de estudio:

Figura 31. Modelo Lógico del DW GINUS BI


PASO 4. DISEÑO DEL PROCESO ETL

Una vez construido el modelo lógico, se deberá proceder a probarlo con datos, a

través de procesos ETL.

SENTENCIA SQL DE EXTRACCIÓN DE DATOS DEL SISTEMA GINUS TRANSACCIONAL

SELECT escuelas.Esc_Nom,

carreras.Car_Nom,

YEAR(Per_Fea) as Año,

CONCAT(IF(MONTH(periodos.Per_Fea) = 1, 'Enero', IF(MONTH(periodos.Per_Fea)

= 2, 'Febrero', IF(MONTH(periodos.Per_Fea) = 3, 'Marzo',

IF(MONTH(periodos.Per_Fea) = 4, 'Abril', IF(MONTH(periodos.Per_Fea) =

5, 'Mayo', IF(MONTH(periodos.Per_Fea) = 6, 'Junio',

IF(MONTH(periodos.Per_Fea) = 7, 'Julio', IF(MONTH(periodos.Per_Fea) =

8, 'Agosto', IF(MONTH(periodos.Per_Fea) = 9, 'Septiembre',

IF(MONTH(periodos.Per_Fea) = 10, 'Octubre', IF(MONTH(periodos.Per_Fea)

= 11, 'Noviembre', 'Diciembre'))))))))))), ' - ',

YEAR(periodos.Per_Fea), ' ',IF(MONTH(periodos.Per_Fef) = 1,

'Enero', IF(MONTH(periodos.Per_Fef) = 2, 'Febrero',

IF(MONTH(periodos.Per_Fef) = 3, 'Marzo', IF(MONTH(periodos.Per_Fef) =

4, 'Abril', IF(MONTH(periodos.Per_Fef) = 5, 'Mayo',

IF(MONTH(periodos.Per_Fef) = 6, 'Junio', IF(MONTH(periodos.Per_Fef) =

7, 'Julio', IF(MONTH(periodos.Per_Fef) = 8, 'Agosto',

IF(MONTH(periodos.Per_Fef) = 9, 'Septiembre',

IF(MONTH(periodos.Per_Fef) = 10, 'Octubre', IF(MONTH(periodos.Per_Fef)

= 11, 'Noviembre', 'Diciembre'))))))))))),' - ', YEAR(periodos.Per_Fef))

AS Periodo,niveles.Niv_Des,modalidad.Mod_Des,semestres.Sem_Sec,

count(matriculas.Mat_Int) AS Total

FROM matriculas

INNER JOIN semestres ON (matriculas.Sem_Cod = semestres.Sem_Cod)

INNER JOIN periodos ON (semestres.Per_Int = periodos.Per_Int)

INNER JOIN promocione ON (semestres.Pro_Cod = promocione.Pro_Cod)

INNER JOIN carreras ON (promocione.Car_Int = carreras.Car_Int)

INNER JOIN escuelas ON (carreras.Esc_Int = escuelas.Esc_Int)

INNER JOIN modalidad ON (periodos.Mod_Cod = modalidad.Mod_Cod)

INNER JOIN niveles ON (semestres.Niv_Cod = niveles.Niv_Cod)

WHERE matriculas.Mat_Est = 'A'

GROUP BY

Para realizar la compleja actividad de extraer datos de diferentes fuentes, para luego

integrarlos, filtrarlos y depurarlos; existen varios software que facilitan estas tareas,

por lo cual este paso se centrará solo en la generación de las sentencias SQL que

contendrán los datos que serán de interés.

Antes de realizar la carga de datos, es conveniente efectuar una limpieza de los

mismos, para evitar valores faltantes y anómalos. Se debe tener en cuenta cuál es la

información que se desea almacenaren el DW, para ello se pueden establecer

condiciones adicionales y restricciones.

Aplicando al caso de estudio:

En este proceso se ha diseñado una consulta que extrae los datos de la base de datos

del GINUS transaccional y carga a un archivo de Excel que posteriormente se importó

en una base de datos y tabla temporal. A continuación se explica el proceso:

Luego de extraer los datos de la base de datos transaccional se procedió a colocar en

un base de datos temporal para posterior cargar al data warehouse del sistema GINUS

BI.

Figura 32. Proceso Extracción, Transformación y Carga (ETL) al DW del sistema

GINUS BI Fuente: Elaboración propia

3.5. CREACIÓN DE CUBOS MULTIDIMENSIONALES

Un cubo multidimensional o hipercubo, representa o convierte los datos planos que se

encuentran en filas y columnas, en una matriz de N dimensiones. Los objetos más

importantes que se pueden incluir en un cubo multidimensional, son los siguientes:

- Indicadores: sumarizaciones que se efectúan sobre algún hecho,

perteneciente a una tabla de hechos.

- Atributos: campos o criterios de análisis, pertenecientes a tablas de

dimensiones.

BD GINUS

TRANSACCIONAL

SCRIPT SQL

HOJA DE

EXCEL BD

TEMPORAL DW GINUS

BI

SERVIDOR BD

MYSQL

EXTRACCIÓN TRANSFORMACIÓN CARGA

SERVIDOR BD

MYSQL

CÓDIGO XML DEL CUBO MATRICULAS_MOD

<Cube name="Matriculas_mod" cache="false" enabled="true">

<Table name="hechos"> </Table>

<Dimension type="StandardDimension" name="Modalidad">

<HierarchyhasAll="true"> <Level name="Modalidad" column="modalidad" type="String"

uniqueMembers="false" levelType="Regular" hideMemberIf="Never">

</Level>

<Level name="Anio" column="anio" type="String" uniqueMembers="false"

levelType="Regular" hideMemberIf="Never">

</Level>

- Jerarquías: representa una relación lógica entre dos o más atributos.

Aplicando al caso de estudio: Para diseñar los cubos se ha utilizado una

herramienta denominada Workbench, esta herramienta permite diseñar fácilmente

los cubos en formato XML estableciendo en primera instancia la conexión con el data

warehouse GINUS BI.

En la siguiente figura se muestra los 3 cubos creados: Matriculas_esc, Matricula_anio,

Matriculas_mod.

Figura 33.Cubos del sistema GINUS BI Fuente: Elaboración propia

Estructura de los cubos del sistema GINUS BI

Figura 34. Estructura delos Cubos del sistema Ginus BI Fuente: Elaboración propia

Para cada cubo se debe definir la tabla de hechos, las dimensiones, la jerarquía y las

medidas.

Ejemplo del cubo Matriculas_mod del sistema GINUS BI

- Tabla de hechos: hechos - Dimensiones: Modalidad - Jerarquía: Modalidad, Anio, Escuela, Carrera, Periodo, Semestre y Sección - Atributos: Modalidad, Anio, Escuela, Carrera, Periodo, Semestre y Sección - Medida: nro_matriculados

3.6. DISEÑO DEL SSDPARA EL D. ACADÉMICO DE LA UTSAM (FRONTEND)

3.6.1. Diagrama de casos de uso del sistema

Figura 35. Diagrama de casos de uso del sistema Ginus BI


3.6.2. Diagrama de componentes basado en capas del sistema Ginus BI

Tomador de

decisiones

Iniciar sesión

Generar estadísticas

de matriculados

G. E. M. por

escuela y carrera

G. E. M. por

año

G. E. M. por

modalidad

<<extends>> <<extends>> <<extends>>

Presentar en

formatos XLS,

HTML y PDF

Generar Gráfico

estadístico

<<include>>

<<include>>

Figura 36. Diagrama de componentes basado en capas del sistema Ginus BI


3.7. IMPLEMENTACIÓN DEL SOFTWARE

Herramientas utilizadas. La mayoría de herramientas utilizadas son open source. A

continuación se presenta y se describe cada herramienta utilizada.

- mysql-5.0.45-win32. Es el servidor de bases de datos donde se almacena

del Data warehouse del sistema Ginus BI.

- mysql_yog. Esta herramienta es un FrontEnd que permite la gestión del

servidor de bases de datos.

- apache-tomcat-6.0.18. Es el servidor web utilizado para aplicaciones JAVA.

- jdk-6u10-windows-i586-p.Es el Kit de desarrollo de JAVA. Sirve de soporte

para que el servidor web Apache Tomcat ejecute aplicaciones JAVA.

- jpivot-1.8.0. Es el visor de los cubos que son administrados por un servidor

OLAP.

- mondrian-3.0.4.11371. Servidor de cubos OLAP y se integra a Jpivot.

CUBOS XML

Interfaz de Usuario web

del Tomador de

Decisiones

Aplicación OLAP (JPivot)

Servidor OLAP (Mondrian)

Matriculas_esc, Matricula_anio, Matriculas_mod

SERVIDOR DE BD

MYSQL

DATA WAREHOUSE

GINUS BI

CAPA DE INFORMACIÓN

CAPA DE APLICACIÓN

CAPA DE PRESENTACIÓN

- mysql-connector-java-5.0.5-bin. Java Data Base Conectivity. Conector a

bases de datos Mysql desde aplicaciones Java.

- workbench-2.3.2.9247. Herramienta para el diseño de cubos OLAP.

3.8. INTERFACES DEL SOFTWARE

A continuación se muestran algunas pantallas del sistema GINUS BI:

Figura 37. Pantalla de Inicio de sesión al GINUS BI Fuente: GINUS BI

Figura 38. Pantalla Principal de GINUS BI Fuente: GINUS BI

Figura 39. Explorar jerarquía de una carrera Fuente: GINUS BI

Figura 40. Generar gráfico estadístico Fuente: GINUS BI

Figura 41. Matriculados por años y gráfico estadístico Fuente: GINUS BI

Figura 42. Matriculados por modalidad, año 2008 y clasificados por escuela en formato PDF

Fuente: GINUS BI

Figura 43. Matriculados por modalidad, año 2008 y clasificados por escuela en formato EXCEL Fuente: GINUS BI

REFERENCIAS BIBLIOGRÁFICAS

BUTTERWORTH, Heinemann. Oracle Database 10 g Data Warehousing. Ed. Digital

Pr.

CABENA, Peter; HADJINIAN, Pablo; STADLER, Rolf; VERHEES, Jaap; ZANASI,

Alessandro. Discovering Data Mining: From Concept to Implementation. Prentice

Hall. 1998. ISBN: 0-13-743980-6.

GROTH, Robert. Data Mining: A Hands On Approach for Business Professionals.

Prentice Hall. 1998. ISBN: 0-13-756412-0.

INMON, W. H.; Hackathorn; Richard D. 1994. Using the Data Warehouse. New

York: John Wiley & Sons. ISBN: 0-471-05966-8.

WILEY, John & SONS. Inmon W.H. Building the Data Warehouse., 3rd edition,

2002.

NADER, Javier. Sistema de Apoyo Gerencial. Tesis de Grado. 2006.

BALLARD, C. HERREMAN, D. SCHAU, D. BELL, R. KIM, E. VALNCIC, A.:Data

Modeling Techniques for Data Warehousing. SG24-2238-00. IBM Red Book. 1998.

CABIBBO, L. TORLONE, R.:"A Logical Approach to MultidimensionalDatabases",

EDBT, 1998.

CARPANI, F.: CMDM: A conceptual multidimensional model for Data Warehouse.

Master Thesis. Advisor: Ruggia. InCo - Pedeciba, UdelaR, Uruguay, 2000.

FRANCONI, E. SATTLER, U.:A Data Warehouse Conceptual Data Model for

Multidimensional Aggregation, DMDW’99, Germany, 1999.

GOLFARELLI, M. MAIO, D. RIZZI, S.:Conceptual Design of Data Warehouses from

E/R Schemes, HICSS’98, IEEE, Hawaii, 1998.

HÜSEMANN, B. LECHTENBÖRGER, J. VOSSEN, G.:Conceptual Data Warehouse

Design. DMDW’00, Sweden, 2000.

Kenan Technologies:An Introduction to Multidimensional Databases. White Paper,

Kenan Technologies, 1996.

KIMBALL, R.: The Data warehouse Toolkit. John Wiley & Son, Inc., 1996.

PICERNO, A. FONTAN, M.: Un editor para CMDM. Undergraduate Project. Advisor:

Carpani. InCo, UdelaR, Uruguay. 2000.

SAPIA, C. BLASCHKA, M. HÖFLING, G. DINTER, B.: Extending the E/R Model for

the Multidimensional Paradigm. DWDM’98, Singapure, 1998.

THOMSEN, E.:OLAP Solutions. Building Multidimensional Information. John Wiley &

Sons, Inc. 1997.

Gartner. Magic Quadrant for Business Intelligence Platforms. Enero 2009

(http://mediaproducts.gartner.com/reprints/oracle/article56/article56.html)

RODRÍGUEZ, Ivonne.Soluciones Tecnológicas Integrales para las Empresas.

Presentación electrónica .PPT.

HERNANDEZ, José. Análisis y Extracción de Conocimiento en Sistemas de

Información: Data warehouse y Datamining. Departamento de Sistemas

Informáticos y Computación, Universidad Politécnica de Valencia. (URL.

http://www.dsic.upv.es/~jorallo/cursoDWDM/).

CASARES, Claudio. Data Warehousing.Programación en Castellano.

(URL: http://www.programacion.com/bbdd/tutorial/warehouse/)

BITAM. Business Intelligence. Febrero 2002.

(URL: http://www.bitam.com/spanish/AcercaDeBI.htm)

CSI, I. Development Datawarehousing. Julio 2002.

(URL: http://www.data warehousecenter.com)

GUPTA, V. An introduction to Data Warehousing. Febrero 2002.

(URL:http://www.system-services.com/dwintro.htm)

Web Site Tic &Tac. (URL:http://tikitak.blogspot.com/)

MANZANO, Oscar. A Bit of an apple.

(URL:http://oscarmanzano.f2o.org/applebit/)

ARIAS, Emilio. Stratebi Business Solutions.

(URL: http://www.stratebi.com)

ARIAS, Emilio. El recurso en español sobre Business Intelligence.

(URL: http://www.TodoBI.com)

http://mediaproducts.gartner.com/reprints/oracle/article56/article56.html

http://www.bitam.com/spanish/AcercaDeBI.htm

http://www.system-services.com/dwintro.htm

http://tikitak.blogspot.com/

http://oscarmanzano.f2o.org/applebit/

http://www.todobi.com/

Abits Software de Colombia.

(URL: http://www.abits.com.co/productos/inteligencia.asp)

Fyc - Servicios - Información - Inteligencia de Negocios.

(URL: http://www.fyccorp.com/servicios-informacion-inteligencia-negocios.htm)

GopacBI. (URL: http://www.gopac.com.mx/bi/que.htm)

Revista pc-news.com. La importancia de la inteligencia de negocios (entrevista a

Raúl Roldán, gerente de Business InnovationServices de IBM Venezuela).

(URL: http://www.pc-news.com/detalle.asp?sid=&id=9&Ida=266)

Inteligencia de Negocios(URL: http://www.ibix.com.mx/Inteligencia.htm)

Business intelligence y proyectos Data warehouse - SOLUZIONA Consultoria

(http://www.soluziona.es/htdocs/areas/consultoria/servicios/bi/index_bi.shtml)

RAMÍREZ ROMERO, Luz María. Inteligencia de negocios para la toma de decisiones.

(URL:http://www.enterate.unam.mx/Articulos/2004/octubre/inteligen.htm)

SPSS. Reportes OLAP: Opciones Tecnológicas Para Quienes Toman

Decisiones(URL:http://www.spss.com/la)

MARTÍNEZ,Andrés. Curso gratis de SPSS para todos.

(URL: http://www.spssparatodos.com)

INEI,Instituto Nacional de Estadística e Informática - Perú.Data warehouse.

(URL: http://www.inei.gob.pe/web/metodologias/attach/lib619/index.htm)

BACH, Torben Pedersen & JENSEN, Christian. Multidimensional Database

Technology. AalborgUniversity& IEEE. (URL:http://computer.org/dsonline)

Gobierno Nacional de la República del Ecuador. Decreto 1014 respecto al uso del

software Libre. Abril 2008.

(URL: http://www.presidencia.gov.ec/noticias.asp?noid=13318)

CGMLAB. OLAP Spatial. Abril 2009.

(URL: http://cgmlab.cs.dal.ca/Members/obaltzer/SOLAP/)

IBM Cognos. Arquitectura BI de IBM Cognos. Mayo 2009.

(URL: http:// www.cognos.com/nl/products/now/architecture.html)

Microsoft. Arquitectura BI de Microsoft. Mayo 2009.

(URL: http://www.microsoft.com/bi/aboutbi/default.aspx)

ORACLE. Arquitectura BI de OBIEE. Mayo 2009.

(URL: http://www.b-eye-network.com/blogs/mcknight/)

SAP. Arquitectura BI de SAP BusinessObjects XI 3.1. Mayo 2009.

(URL: http://www.businessobjects.com)

Microstrategy. Arquitectura BI de Microstrategy. Mayo 2009.

(URL: http://www.microstrategy.com)

SAS. Arquitectura BI de SAS. Mayo 2009. (URL:http://support.sas.com/documentation/cdl/en/biov/60947/HTML/default/a003069226.htm)

Pentaho. Arquitectura BI de Pentaho. Mayo 2009.

(URL: http://www.pentaho.com)

http://www.abits.com.co/productos/inteligencia.asp

http://www.fyccorp.com/servicios-informacion-inteligencia-negocios.htm

http://www.soluziona.es/htdocs/areas/consultoria/servicios/bi/index_bi.shtml

http://www.spssparatodos.com/

http://cgmlab.cs.dal.ca/Members/obaltzer/SOLAP/

http://www.microstrategy.com/

http://www.pentaho.com/

JasperSoft. Arquitectura BI de JasperSoft. Mayo 2009.

(URL: http://www.jaspersoft.com)

Eclipse BIRT. Arquitectura BI de Eclipse BIRT. Mayo 2009.

(URL: http://www.eclipse.org/birt/phoenix/)

SpagoBI. Arquitectura BI de SpagoBI. Mayo 2009.

(URL: http://spagobi.eng.it/ecm/faces/public/guest/home/solutions/spagobi)

Palo. Arquitectura BI de Palo. Mayo 2009.

(URL: http://www.jedox.com/en/products/palo_olap_server/Introduction.html)

Openi. Arquitectura BI de Openi. Mayo 2009.

(URL: http://www.openi.org/)

GARCÍA, Mariano. Montar MySQL + Mondrian + OpenI + Tomcat6. Video

Tutoriales.(URL: http://www.youtube.com/view_play_list?p=73466B47EC452C82)

GOLFARELLI M., MAIO D., RIZZI S. The Dimensional Fact Model: A Conceptual

Model for Data Warehouses. International Journal of CooperativeInformation

System, 1998.

BERNABEU, Ricardo Darío. Metodología HEFESTO 1.1. Metodología propia para la

Construcción de un Data Warehouse. Abril 2009.

(URL: http://tgx-hefesto.blogspot.com).

CABIBBO L., TORLONE R. A Logical Approach to Multidimensional Databases. In

Proceedings of the 6th International Conference on Extending Database

Technology (EDBT’98), Volume 1377 of Lecture Notes in Computer Science,

Valencia, Spain, March 23 - 27 1998. Springer-Verlag

LIND, MARCHAL, MASON. Estadística para Administración y Economía. Ed.

Alfaomega, México 2004.

GLOSARIO

Bajar (Drill-Down): Es una operación de acceso a datos en cubos

multidimensionales que significa bajar el nivel de

visualización en las filas a una jerarquía inferior.

Balanced Scorecard:

Término utilizado para expresar un sistema de

medicióndel logro de objetivos de una empresa que

permite traducir la visión de la organización, expresada

a través de su estrategia, en términos y objetivos

específicos.

Colapsar (Collapse): Es una operación de acceso a datos en cubos

multidimensionales que significa ocultar los detalles

hacia un nivel superior mostrando los resúmenes

correspondientes.

Data mart: Conjunto de hechos y datos organizados para soporte

decisional basados en la necesidad de un área o

departamento específico. Los datos son orientados a

satisfacer las necesidades particulares de un

departamento dado teniendo sólo sentido para el

personal de ese departamento y sus datos no tienen

http://www.jaspersoft.com/

http://www.eclipse.org/birt/phoenix/

http://spagobi.eng.it/ecm/faces/public/guest/home/solutions/spagobi

http://www.openi.org/

http://tgx-hefesto.blogspot.com/

por qué tener las mismas fuentes que los de otro Data

mart.

Dataminig: Análisis de los datos para descubrir relaciones,

patrones, o asociaciones desconocidas.

Data warehouse: Base de datos que almacena una gran cantidad de

datos transaccionales integrados para ser usados para

análisis de gestión por usuarios especializados

(tomadores de decisión de la empresa).

Dimensión: Entidad independiente dentro del modelo

multidimensional de una organización, que sirve como

llave de búsqueda (actuando como índice), o como

mecanismo de selección de datos.

Drill-Down: Es una operación de acceso a datos en cubos

multidimensionales, que significa exponer

progresivamente más detalle (dentro de un reporte o

consulta), mediante selecciones de ítems

sucesivamente.

Drill-Up: Es una operación de accesos a datos en cubos

multidimensionales, es el efecto contrario a drill-down.

Significa ver menos nivel de detalle. Sobre la jerarquía

significa generalizar o sumarizar, es decir, subir en el

árbol jerárquico.

DSS

(Decisión Support

System- Sistema de

Soporte de Decisiones):

Sistema de aplicaciones automatizadas que asiste a la

organización en la toma de decisiones mediante un

análisis estratégico de la información histórica.

EIS (Executive

Information System –

Sistema de Información

Ejecutiva)

Sere fiere a cualquier sistema de software que muestre

información ejecutiva delas diferentes áreas del negocio

en un solo sistema, facilitando el monitoreo de la

empresa.

Esquema Constelación de

Hechos:

Es un esquema de base de datos en donde varias tablas

de hechos se enlazan a las tablas de dimensiones.

Esquema Copo de Nieve: Es un esquema de base de datos en donde una tabla de

hechos central se enlaza a las tablas de dimensiones

relacionadas, pero éstas a su vez se enlazan con otras

tablas dimensionales.

Esquema Estrella: Es un esquema de base de datos en donde una tabla de

hechos central se enlaza a las tablas de dimensiones

relacionadas.

PYME’S Pequeñas y Medianas Empresas

ETL (Extracción,

Transformación y

Transporte de datos):

Pasos por los que atraviesan los datos para ir desde el

sistema OLTP (o la fuente de datos utilizada) a la

bodega dimensional. Extracción, se refiere al

mecanismo por medio del cual los datos son leídos

desde su fuente original. Transformación (también

conocida como limpieza) es la etapa por la que puede

atravesar una base de datos para estandarizar los datos

de las distintas fuentes, normalizando y fijando una

estructura para los datos. El Transporte consiste

básicamente en llevar los datos leídos y estandarizados

a la bodega dimensional (puede ser remota o

localmente). Generalmente, para un Data Mart no es

necesario atravesar por todos estos pasos, pues al ser

información localizada, sus datos suelen estar

naturalmente estandarizados (hay una sola fuente).

Expandir (Expand): Es una operación de accesos a datos en cubos

multidimensionales que significa ampliar la información

hacia más detalle sin perder la información a nivel

superior.

Inteligencia de Negocios: Es el conjunto de tecnologías que permiten a las

empresas utilizar la información disponible en cualquier

parte de la organización para hacer mejores análisis,

descubrir nuevas oportunidades y tomar decisiones más

informadas.

MDDB: Base de datos multidimensional. Se utiliza para

almacenar la información de los cubos, pertenecientes a

un sistema OLAP.

MOLAP: La arquitectura MOLAP usa unas bases de datos

multidimensionales para proporcionar el análisis, su

principal premisa es que el OLAP está mejor implantado

almacenando los datos multidimensionalmente.

OLAP(On-line Analytical

Processing):

Conjunto de principios que proveen una ambiente de

trabajo dimensional para soporte decisional.

OLTP (On-line

Transaction Processing):

Sistema transaccional diario (o en detalle) que

mantiene los datos operacionales del negocio.

ROLAP: La arquitectura ROLAP, accede a los datos almacenados

en un Data Warehouse para proporcionar los análisis

OLAP. La premisa de los sistemas ROLAP es que las

capacidades OLAP se soportan mejor contra las bases

dedatos relacionales.

Rotar (Swap): Alterarlas filas por columnas (permutar dos

dimensiones de análisis).

Snapshot: Imagen instantánea de los datos en un tiempo dado.

Sumarización: Actividad de incremento de la granularidad de la

información en una base de datos. La sumarización

reduce el nivel de detalle, y es muy útil para presentar

los datos para apoyar al proceso de Toma de

Decisiones.

Tabla Dimensional: Dentro del esquema estrella, copo de nieve o

constelación de hechos, corresponde a las tablas que

están unidas a la tabla central a través de sus

respectivas llaves. La cantidad de estas tablas le

otorgan la característica de multidimensionalidad a esta

estrategia.

Tabla Hechos: Dentro del esquema estrella, copo de nieve o

constelación de hechos, contiene las medidas o valores

de las dimensiones de análisis. Está unida a las tablas

de dimensiones.

XML(eXtended Markup

Lenguaje – Lenguaje de

Denotación Extendido):

Es un lenguaje que consiste en una serie de reglas,

pautas, convenciones para planificar formatos texto

para datos, de manera que produzcan archivos que

sean fácilmente generados y leídos (por un ordenador)

que son inequívocos, y que evitan escollos comunes

como la falta de extensibilidad, falta de soporte para la

internacionalización o localismo, y la dependencia de

una determinada plataforma.

sesion 3. inteligencia de negocios

Documents