241928224 introduccion-a-business-intelligence-pdf

50 %
50 %
Information about 241928224 introduccion-a-business-intelligence-pdf

Published on November 19, 2019

Author: juanperez2596

Source: slideshare.net

1. Introducción a Business Intelligence  Alberto Gabriel Garcete González, Raúl Alberto Benítez Martínez {albertogarcetepy,raulkvd}@gmail.com Ingeniería en Informática de la Facultad Politécnica, Universidad Nacional de Asunción San Lorenzo, Paraguay Abstract. El presente trabajo expone los conceptos básicos que nos permiten adentrarnos al mundo de “business intelligence”. Entender qué significa “business intelligence” como campo de la gestión empresarial, cuáles son sus objetivos, qué tipos de problemas nos permite resolver, de qué elementos está compuesto, cuáles son los pasos que se siguen para desarrollarlo, de qué herramientas disponemos para implementarlo, son algunos de los aspectos que trataremos a lo largo del material. Keywords:  Business Intelligence, Datawarehouse, ETL, Data Staging, Granularidad, Silos de Información, Data Mart, Multidimensional, OLAP, Datamining, Dashboard, Scorecard. 1 Introducción Business intelligence o inteligencia de negocio abarca un conjunto de conceptos, técnicas y herramientas que se utiliza para la transformación de simples datos en información útil y significativa para el análisis de negocios. Las tecnologías de business intelligence son capaces de manejar grandes volúmenes de datos que ayudan a identificar, desarrollar y crear nuevas estrategias de negocios. El objetivo de business intelligence es permitir la fácil interpretación de grandes cantidades de información, identificar nuevas oportunidades y aplicar una estrategia eficaz que proporcione a la organización una ventaja competitiva de mercado y una estabilidad a largo plazo. Las herramientas de business intelligence ofrecen una visión histórica, actual y predictiva de las operaciones de negocio. Las funciones comunes de business intelligence incluyen el procesamiento analítico en linea, minería de datos, minería de procesos, minería de texto, procesamiento de eventos complejos, análisis del rendimiento del negocio, análisis predictivo, entre otros. Puede ser utilizado para apoyar una amplia variedad de decisiones que van desde las operativas hasta las estratégicas. Las decisiones operativas básicas incluyen la reposición de productos en stock o la fijación de precios. Las decisiones estratégicas incluyen prioridades, objetivos y dirección en todos los niveles de la organización. En todos los casos, business intelligence es más eficaz cuando se combinan datos derivados del mercado en el que opera la empresa (datos externos) con datos originados de forma interna

2. en la propia organización (datos internos). En efecto, cuando se combinan datos externos con datos internos pueden proporcionar una visión más completa, esto crea una “inteligencia” que no se puede obtener de cualquier conjunto de datos.  2 Qué es business intelligence El primero que acuñó el término fue Howard Dresner, quién cuando era consultor de Gartner Group lo utilizó para describir un conjunto de conceptos y métodos que mejoran la toma de decisiones, partiendo de la información disponible acerca de los hechos. Entonces, partiendo de la definición del glosario de términos de Gartner[1]: “Business   Intelligence   es   un   proceso   interactivo   para   explorar   y   analizar información   estructurada   sobre   un   área   (normalmente   almacenada   en   un datawarehouse), para descubrir tendencias o patrones, a partir de las cuales derivar ideas y extraer conclusiones. Las áreas incluyen clientes, proveedores, productos, servicios y competidores. El proceso de business intelligence incluye la comunicación de los descubrimientos y efectuar los cambios.” Indica que business intelligence es un proceso que se prolonga en el tiempo, que no es sólo para un momento puntual de la gestión empresarial, en el que podremos ver tendencias, patrones, cambios, variables, etc. Al explorar iremos descubriendo nuevas relaciones que hasta el momento desconocíamos. Al analizar de lo nuevo que hemos descubierto, veremos relaciones entre variables, tendencias, patrones y cuál puede ser la evolución de los mismos.  La información estructurada está en tablas relacionadas, dichas tablas a la vez están en un datawarehouse o almacén de datos. Nos podemos centrar en áreas específicas del negocio y en objetivos concretos como por ejemplo: reducir costes, incrementar ventas, aumentar la participación en el mercado, cumplir los objetivos de ventas presupuestados. Finalmente, lo descubierto y analizado se debe comunicar a aquellas personas en la organización que realizarán los cambios apropiados para mejorar la competitividad. La definición[2] que propone The Datawarehouse Institute es: “Business Intelligence (BI) es un término paraguas que abarca los procesos, las herramientas y las tecnologías para convertir datos en información, información en conocimiento y planes para conducir de forma eficaz las actividades de los negocios. BI   abarca   las   tecnologías   de   datawarehousing,   los   procesos   en   el   'back   end', consultas, informes, análisis y las herramientas para mostrar información (estas son las herramientas de BI) y los procesos en el 'front end'.”

3. 3 Objetivos de business intelligence Según lo expuesto en la definición del término business intelligence podemos decir que tiene los siguientes objetivos principales: • Convertir datos en información, información en conocimiento y conocimiento en planes operativos o estratégicos. • Facilitar la disponibilidad de información a los usuarios de negocios, que les ayude a tomar decisiones más rápidamente. • Apoyar de forma sostenible y continuada a las organizaciones para mejorar su competitividad, ante el entorno de negocios cambiante de forma que puedan adaptarse a él. • Ante la cantidad de información que va creciendo, disponer de más tiempo en analizarla,   en   vez   de   gastar   mucho   tiempo   en   prepararla,   organizarla   y estructurarla. • Permitir a las organizaciones dirigir de mejor forma, decidir, medir, gestionar y optimizar el alcance de la eficiencia y los resultados financieros. • Disminuir sustancialmente la incertidumbre que existe ante la toma de decisiones respecto a un plan estratégico.  4 Un ejemplo dónde se requiere business intelligence Un supermercado, donde la información que disponemos son los tickets de venta. El sistema de información está basado en la información que recogemos de las máquinas registradoras. Fig. 1. El formato del ticket utilizado en el supermercado. La información que contiene el ticket de venta es: el número de ticket, la fecha, la hora, código del cajero, código del supermercado; por cada artículo vendido en el

4. ticket: código del artículo, descripción del artículo, unidades vendidas, precio por unidad, importe total por articulo. El importe total del ticket y la forma de pago. A partir de esta información podemos saber: • Número de tickets (en horario o día específico). • Número de tickets atendidos por cada cajero (en horario o día específico). • Ventas de artículos en unidades e importe (puede ser por día, semana, mes, año, etc..). • Importe total de las ventas (puede ser por día, semana, mes, año, etc..). • Importe cobrado en efectivo o tarjetas de crédito. • Número promedio de tickets por hora, día, cajero, etc.  • Importe promedio por ticket por hora, día, cajero, etc. Esta información nos facilita la toma de decisiones tales como: reponer las existencias de artículos, asignar turnos a los cajeros en función del número de tickets promedio por hora. Nos permite ver cuáles son los productos más vendidos, el medio de pago más utilizado por los clientes. Si hay una disminución en las ventas nos dirán si es un problema de afluencia al supermercado o si los clientes están comprando menos de lo habitual. El primer problema debe estar relacionada  con la promoción y ante el segundo problema debemos intentar que nos compren más. Al explorar la información discriminándola por día de la semana, nos damos cuenta que los sábados son los días de mayor venta y los miércoles son los de menor venta. En el caso de una anomalía de venta en un día sábado por ejemplo, se puede explicar con variables como día festivo anterior o inclemencia del tiempo, si es el caso. Si analizamos los tickets, capaz descubramos que hay relaciones entre productos, por ejemplo cuando un cliente compra fideos, qué probabilidad hay de que compre tomates o extractos de tomate. Esta información es útil para las promociones. Si  hemos decidido llevar a cabo promociones, queremos saber cuál  ha sido su efectividad y porqué. Este aprendizaje es útil para futuras promociones y por ende para servir mejor a nuestro clientes. Un supermercado es un negocio que efectivamente requiere  business intelligence, vemos que se plantean constantes interrogantes a lo largo del flujo de negocios. Cuando vayamos desarrollando los elementos de business intelligence notaremos con claridad cómo utilizarlo en entornos como el de un supermercado.   

5. 5 Quién requiere business intelligence Teniendo  en  cuenta   el  ejemplo  del   supermercado,  la  información   que  podemos generar a partir de business intelligence es útil para todos los departamentos de la organización: • Responsables de compras, para saber la existencia en stock de cada artículo. • Responsables de ventas, que deciden la colocación de los productos, para ver qué productos tienen mayor rotación. • Responsables de la negociación con las entidades financieras, para conocer los flujos de efectivo, tarjetas de débito y crédito. • Responsables de marketing, para crear promociones o ver la efectividad de las ya realizadas. • Responsables del personal, para asignar turnos en las cajas por ejemplo. En definitiva, para todas aquellas personas de la organización que tengan que tomar decisiones. También vemos que las decisiones a tomar pueden ser del tipo operativo o incluso estratégico. En un artículo[3] sobre el sector sanitario de EEUU narraba lo siguiente: “En muchos hospitales los analistas financieros destinan un 80% del tiempo a agregar y normalizar manualmente información en cálculo Excel, y tan sólo un 20% a analizar la información relevante”. No es posible que pasemos el 80% del tiempo preparando información y tan sólo el 20% analizándola,  obviamente debería  ser al revés. Estas afirmaciones  deberían darnos ánimos suficientes para comenzar un largo camino hacia la implementación de proyectos de business intelligence en nuestras organizaciones.  6 Componentes de business intelligence Cinco son los componentes de business intelligence, lo iremos desarrollando uno a uno.

6. 6.1 Fuentes de información Fig. 2. Primer componente de business intelligence. Las fuentes de información a las que podemos acceder son: • Sistemas   operacionales   o   transaccionales,   que   incluyen   aplicación   hechas   a medida,   ERP   (Enterprise   Resources   Planning),   CRM   (Customer   Relationship Management), SCM (Supply Chain Management), etc. • Sistemas   de   información   departamentales:   hojas   de   cálculo,   informes, presupuestos, etc. • Fuentes de información externa, como contenido web, información adquirida de terceros por ejemplo: estudios de mercado, etc. • Información no estructurada como: correos electrónicos, cartas, informes, videos, etc.  El número de fuentes de información varía de una organización a otra, en grandes corporaciones se habla de una media de 8 bases de datos, en algunos casos puede llegar hasta 50. Cada vez más la tecnología nos permite trabajar con información no estructurada, y se espera que este tipo de información sea cada vez más importante. Una encuesta[4] ha indicado que el 60% de los directores de Sistemas de Información y los de Tecnología consideran   que   la   información   semi­estructurada   es   crítica   para   mejorar   las operaciones y para la creación de nuevas oportunidades de negocio. Calidad de los datos

7. La calidad de los datos en un datawarehouse es fundamental, como afirma Bill Inmon en su artículo[5] aparecido en  “Business Intelligence Network”  sobre calidad de datos: “Las organizaciones actúan bajo la suposición de que la información de la que disponen es precisa y válida. Si la información no es válida, entonces no pueden responder de las decisiones basadas en ella.” Es necesario asegurar que la calidad de los datos es máxima. Si en el datawarehouse hay errores, éstos se propagarán a lo largo de toda la organización y son muy difíciles de localizar. Además, pueden ocasionar que se tomen decisiones erróneas que afecten los resultados de la organización. Asumir que la calidad de los datos es buena puede ser un error fatal en los proyectos de business intelligence[6]. Los errores en los datos pueden provenir de los sistemas transaccionales de los que recuperamos los datos, del proceso ETL o del propio datawarehouse. Debemos entender que la problemática de la calidad de datos no es un problema de los departamentos de tecnología, sino un problema estratégico al que debemos asignar objetivos, recursos y planificación. No hay demasiadas organizaciones que tengan un plan   de   calidad   de   datos;   en   una   encuesta[7]   de  The   Datawarehouse   Institute realizada en el año 2001, los resultados obtenidos fueron contundentes: el 48% de las organizaciones encuestadas no tenían un plan para gestionar o mejorar la calidad de los datos. 6.2 ETL – Proceso de extracción, transformación y carga Fig. 3. Segundo componente de Business Intelligence.

8. El proceso trata de recuperar los datos de las fuentes de información y alimentar el datawarehouse. El proceso de ETL[8] consume entre el 60% y el 80% del tiempo de un proyecto de  business intelligence, por lo que es un proceso clave que requiere recursos, estrategia, habilidades y tecnologías. El proceso ETL se divide en 5 subprocesos: Extracción La extracción de los datos se puede realizar bien de forma manual o bien utilizando herramientas   de   ETL.   De   forma   manual   significa   programar   rutinas   utilizando lenguajes de programación que extraigan los datos de las fuentes. La alternativa es la que proveen las herramientas especializadas de ETL que han sido diseñadas para llevar a cabo esta función. Fig. 4. Principales problemas al acceder a los datos para extraerlos. La Figura 4 se refiere a que la problemática de la extracción surge de que los datos provienen   de   distintas   fuentes,   bases   de   datos,   plataformas,   protocolo   de comunicaciones, juego de caracteres y tipos de datos. Hablamos de data staging o almacenes de datos intermedios mientras estamos en el proceso de limpieza de los datos. Acumulamos datos de distintas fuentes en el data staging, en un momento dado todos estos datos se cargarán en el datawarehouse. Los usuarios finales nunca acceden a este entorno. Limpieza Los sistemas transaccionales contienen datos que no han sido depurados y que deben ser limpiados. Las herramientas ETL tienen funcionalidades de limpieza de datos. Algunas causas que provocan que los datos estén “sucios” son:

9. • Valores por defecto. • Ausencia de valor. • Campos que tienen distintas utilidades. • Valores contradictorios. • Uso inapropiado de los campos. • Reutilización de claves primarias. • Selección del primer valor de una lista. • Problemas de carga de antiguos sistemas o de integración entre sistemas. La limpieza de datos se divide en distintas etapas: • Depurar los valores (parsing): localiza e identifica los elementos individuales de información en las fuentes de datos. Por ejemplo: separa el nombre completo en: nombre, primer apellido, segundo apellido; o la dirección en: calle, número, etc. • Corregir (correcting):  corrige los valores individuales de los atributos usando algoritmos de corrección y fuentes de datos externas. Por ejemplo: comprueba la dirección y su código postal correspondiente. • Estandarizar   (standardizing):  aplica   rutinas   de   conversión   para   transformar valores en formatos definidos y consistentes. Por ejemplo: trato de Sra. o Sr. cambiar a sus correspondientes nombres completos. • Relacionar (matching): busca y relaciona los valores de registros, corrigiéndolos y estandarizándolos para eliminar duplicados. Por ejemplo: identificando nombres y direcciones similares. Transformación Se hace partiendo de los datos una vez “limpios”. Transformamos los datos de acuerdo a las reglas de negocio y los estándares que han sido establecidos. La transformación incluye: • Cambios de formato. • Sustitución de códigos. • Valores derivados y agregados. Los agregados como las sumas de las ventas normalmente se pre­calculan y se almacenan para conseguir mayores rendimientos. En este proceso también ajustamos el nivel de  granularidad o detalle, por ejemplo: podemos tener detalles a nivel de lineas   de   factura   en   los   datos   extraídos,   pero   en   el  datawarehouse  lo   que almacenamos son las ventas semanales o mensuales. La diferencia del nivel de detalle en el análisis es lo que denominamos granularidad.

10. Debemos decidir cuál  es el nivel de  granularidad  que nos permita responder a aquellas preguntas que nos hemos formulado, ya que al determinar un  nivel de granularidad podremos responder algunas preguntas pero no otras.  Carga Es el momento en el que cargamos los datos en el  datawarehouse  y en el que debemos   comprobar   por   ejemplo:   si   los   totales   de   ventas   que   hemos   cargado coinciden con la información que residía en nuestro sistema transaccional. Es fundamental comprobar que todo se ha llevado a cabo correctamente, ya que de lo contrario puede llevar a decisiones erróneas de los usuarios. Actualización Este proceso determina la periodicidad con el que haremos nuevas cargas de datos al datawarehouse. 6.3 Datawarehouse o almacén de datos Fig. 5. Tercer componente de Business Intelligence. La aparición de los datawarehouses son la respuesta a las necesidades de los usuarios que  necesitan  información  consistente,  integrada,  histórica   y  preparada  para  ser analizada   y   poder   tomar   decisiones.   Si   el  datawarehouse  está   construido adecuadamente proporciona un entorno de información que nos permitirá encontrar nuevo conocimiento y generar valor.

11. El profesor Hugh J. Watson[9] lo define como: “Un datawarehouse es una colección de información creada para soportar las aplicaciones de toma de decisiones. Datawarehousing es el proceso completo de extraer información, transformarla y cargarla en un datawarehouse y el acceso a esta información por los usuarios finales y las aplicaciones.” Bill   Inmon[10]   fue   el   que   definió   las   características   que   debe   cumplir   un datawarehouse: • Orientado a un área: cada parte del datawarehouse está construida para resolver un problema de negocio. Por ejemplo: entender los hábitos de compra de nuestros clientes, analizar la calidad de nuestros productos, analizar la productividad de una línea de fabricación. • Integrado: la información debe ser transformada en medidas comunes, códigos comunes y formatos comunes para ser útil. Por ejemplo: la moneda en que están expresadas los importes es común. • Indexado en el tiempo: se mantiene la información histórica. Ello nos permite por ejemplo: analizar la evolución de las ventas en los periodos que queramos. • No   volátil:  los   usuarios   no   la   mantienen   como   lo   harían   en   los   entornos transaccionales. No se ve actualizado continuamente, sino periódicamente de forma preestablecida. La información se almacena para la toma de decisiones. Ralph Kimbal[11] define los objetivos que debería cumplir un datawarehouse: • El   alcance   de   un  datawarehouse  puede   ser   bien   un   departamento   o   bien corporativo[12]. • El  datawarehouse  no es sólo información sino también las herramientas de consulta, análisis y presentación de la información. • La información del datawarehouse es consistente. • La   calidad   de   información   en   el  datawarehouse  es   el   motor   de  business reengineering[13]. Data Mart Los datawarehouses se representan habitualmente como una gran base de datos, pero pueden   estar   distribuidos   en   varias   bases   de   datos.   El   trabajo   de   construir   un datawarehouse corporativo  puede generar inflexibilidades, ser costoso o requerir plazos de tiempo inaceptables. En parte, estas razones originaron la aparición de los data mart. Normalmente, los  data mart  son más pequeños que los  datawarehouses. Tienen menos cantidad de información, menos modelos de negocios y son utilizados por un número menor de usuarios. Los  data mart  almacenan información de un número limitado de áreas, por ejemplo: pueden ser de ventas y de marketing.

12. Los data mart pueden ser independientes o dependientes. Fig. 6. Data Mart independientes. Fig. 7. Data mart dependientes. Los data mart independientes son alimentados directamente por los orígenes de la información, mientras que los dependientes se alimentan desde el  datawarehouse corporativo. Los  data   mart  independientes   pueden   perpetuar   el   problema   de   los  “silos   de información” que es el que sucede cuando entre distintos departamentos no fluye la información necesaria, bien para la gestión o bien para el análisis, dando lugar tanto a problemas de operaciones como de optimización del negocio. También la evolución de un data mart puede llegar a generar inconsistencias con otros data mart. Esta   estrategia   se   utiliza   a   veces   como   un   paso   previo   al   desarrollo   de   un datawarehouse corporativo. Metadata

13. Un componente critico del datawarehouse es el metadata o diccionario de datos. Nos da el significado de cada uno de los componentes y sus atributos que residen en  el datawarehouse o en el data mart. Esta información es útil para los departamentos de tecnología y para los propios usuarios. El personal de los departamentos de Tecnología necesita saber los orígenes de la información: bases de datos, transformaciones realizadas, criterios de filtro, nombre de las columnas y de las tablas, plazos de carga, tipos de datos, formatos, etc. Los usuarios necesitan saber las entidades y sus atributos, cómo han sido calculados, transformados,   detalle   de   las   transformaciones,   los   informes   disponibles,   los responsables de los datos, etc. Obliga a que se definan los conceptos de negocio y se homogeneicen entre los distintos departamentos, sucursales, etc. Obliga a que todos hablen utilizando la misma terminología y con el mismo significado. Por ejemplo: cuando alguien hable de “margen bruto” o “margen de contribución” deberá estar definido sin ambigüedad para toda la organización. 6.4 Herramientas de business intelligence Fig. 8. Herramientas para tratar y visualizar lo que reside en un datawarehouse. Existen distintas tecnologías que nos permiten analizar la información que reside en un datawarehouse, pero la más extendida es la OLAP (Online Analytical Processing). Los usuarios[14] necesitan analizar información a distintos niveles de agregación y sobre múltiples dimensiones. Por ejemplo: ventas de productos por clientes o tipo de

14. cliente, por zona de venta y por fecha. OLAP provee de estas funcionalidades y algunas más. A estos tipos de análisis les llamamos  multidimensionales, porque nos facilitan el análisis de un hecho desde distintas  perspectivas o dimensiones. Los modelos de negocios normalmente son multidimensionales. Fig. 9. La representación gráfica del OLAP son los cubos. En el cubo tenemos las unidades vendidas de cada uno de los libros, para los distintos clientes y en los distintos años. Este es el concepto de multidimensionalidad. Los contenidos de cada de los cubos individuales son los “hechos” (las unidades vendidas en nuestro ejemplo). En la actualidad las soluciones OLAP permiten que cada uno de los cubos individuales pueda contener más de un hecho. Rotar   (en   inglés  slicing)   los   cubos,   es   decir   cambiar   el   orden   de   las   distintas dimensiones. Como vemos en la Figura 10 hemos cambiado la dimensión “clientes” por la de “libros”. Fig. 10. Las herramientas OLAP nos permiten rotar los cubos.

15. También podemos seleccionar (del inglés “dicing”) sólo algunas de las celdas. En la Figura 11 las ventas al cliente 2 de los libros 1 y 2 en el año 1. Fig. 11. Las herramientas OLAP nos permiten seleccionar algunas celdas. El máximo nivel de agregación (del inglés “roll­up”), en el ejemplo obtenemos el total de libros vendidos por cliente y por año.   Fig. 12. Las herramientas OLAP nos permiten obtener el máximo nivel de agregación. En la Figura 13, los libros 1 y 2 corresponden a la materia 1, mientras que el libro 3 corresponde a la materia 2. En este caso bajamos a más detalle (del inglés “drill­ down”)   a   través   de   la   jerarquía   “materias”.   Las   jerarquías   nos   permiten   hacer agrupaciones.

16. Fig. 13. Las herramientas OLAP nos permiten obtener el mayor detalle posible. Distintos tipos de herramientas OLAP •  ROLAP (relational OLAP): se accede a una base de datos relacional (RDBMS). Accede habitualmente sobre un modelo “estrella”. La principal ventaja es que no tiene limitaciones en cuanto a tamaño, pero es más lento que el MOLAP. • MOLAP (multidimensional OLAP):  se accede directamente sobre una base de datos   multidimensional   (MDDB   –   Multi   Dimensional   Data   Base).   La   principal ventaja es que es muy rápida en los tiempos de respuesta y la principal desventaja es que, si queremos cambiar las dimensiones, debemos cargar de nuevo el cubo. • HOLAP (hybrid OLAP): se accede a los datos de alto nivel en una base de datos multidimensional y a los atómicos directamente sobre la base de datos relacional. Alternativas a OLAP Una alternativa  al OLAP son las herramientas  que utilizan consultas de  lógica asociativa[15]. Cuando se carga la información, se comprime y se normaliza al máximo para que no haya información redundante. Cada valor único para todos los datos se almacena una sola vez y se referencia a través de punteros. Por ejemplo: si existen muchos registros “coche rojo” y también “coche azul”, sólo una vez se almacena la palabra “coche”, la palabra “rojo” y la palabra “azul”. Se indexan el 100% de los datos y se eliminan los datos redundantes  y los valores nulos, lo que lleva a un menor uso de espacio en disco y menores tiempos de escritura y lectura. El modelo de almacenamiento interno proporciona una visión vertical (basada en columnas) de los datos así como una visión horizontal ampliada (basada en filas) que va más allá de las tecnologías de base de datos relacionales. Las consultas son altamente eficientes debido al nuevo modelo de almacenamiento.

17. Principales herramientas[16] de business intelligence • Herramientas OLAP:  permiten a los usuarios finales tratar la información de forma multidimensional para explorarla desde distintas perspectivas y periodos de tiempo. • Herramientas de Dashboard[17] y Scorecard: permiten a los usuarios finales ver información crítica del rendimiento con un sólo vistazo mediante íconos gráficos o la posibilidad de ver más detalles si lo desean. • Herramientas Datamining: datamining es el proceso de descubrir e interpretar patrones desconocidos en la información, mediante los cuales resolver problemas de negocio. Los usos más habituales de datamining son: segmentación, venta cruzada, sendas de consumo, clasificación, previsiones, optimizaciones, etc. • Herramientas   de   Text   mining:  nos   permiten   trabajar   con   información   no estructurada y herramientas de visualización avanzada. • Generadores de informes: utilizadas por desarrolladores profesionales para crear informes para grupos, departamentos, organización, etc. • Herramientas de usuario final de consultas e informes: para usuarios finales para crear informes para ellos mismos o para otros, no requiere programación. • Herramientas de planificación, modelización y consolidación:  para elaborar la planificación, los presupuestos, las previsiones. Estas herramientas proveen a los dashboards y a los scorecards de los objetivos y de los umbrales de las métricas.  7 Conclusiones En el mundo actual de los negocios, con toda la información que disponen las organizaciones,   tanto  la  que   se  genera  de   forma   interna   como  producto  de   las operaciones transaccionales cotidianas, así como la información externa que está disponible, se presenta el desafío de saber qué hacer con ellas para utilizarlas en beneficio de la organización. Este desafío recae sobre los empleados de la organización que deben tomar decisiones empresariales,   y   que   determinarán   en   un   futuro   no   muy   lejano   el   nivel   de competitividad de la empresa. Estas decisiones muchas veces requieren ser tomadas en un momento determinado y sin mucha demora. Debido a esta gran responsabilidad de guiar el rumbo competitivo de la empresa, es que deben armarse de las mejores herramientas, métodos, técnicas, conceptos, etc. En este entorno es donde entra en juego business intelligence o inteligencia de negocio, que   busca   transformar   toda   esa   información   en   conocimiento,   para   la   toma   de decisiones tanto operativas como estratégicas. Siguiendo   los   pasos   que   propone  business   intelligence  y   con   las   herramientas disponibles para su implantación, se dota a los usuarios tomadores de decisiones, de

18. un entorno completo donde encontrar soluciones a los problemas operacionales o estratégicos   que   les   toca   resolver,   así   como   también   pueden   analizar,   calcular, proyectar, medir, etc.. el alcance de las decisiones que van a tomar.  Referencias [1]   Glosario   de   Gartner:  www.gartner.com.   Gartner   es   una   consultora   internacional especializada en TICs (Tecnologías de Información y Comunicación). [2] Enterprise Business Intelligence: Strategies and Technologies for Deploying BI on an Enterprise Scale, Wayne W. Eckerson y Cindi Howson, TDWI Report Series, Agosto 2005. [3]  Traducido del artículo: “Business Intelligence tools can help turn out savings in core cost areas” de Matthew B. Rice, publicado en Managed Healthcare Alliance, March 2004. [4]     Blumberg,   R.   y   S.   Atre   “The   Problem   with   Unstructured   Data”,   DM   Review, http://dmreview.com/master.cfm?NavID=55&EdID=6287 (12 Septiembre 2003). [5]  Disponible en http://www.b­eye­network.com/, agosto 2006. [6]  “The Basics of datawarehousing”, Mark Beyer y Donald Feinberg, Gartner, 2006. [7] TDWI, Report Series: “Data Quality and the Bottom Line”, por Wayne W. Eckerson, 2002. [8] “Evaluating ETL and Data Integration Platforms”, por Wayne Eckerson y Colin White, TDWI Report Series, 2003. [9]  Esta definición ha sido extraídas de una presentación titulada: “Recent Developments in datawarehousing:   A   Tutorial”,   disponible   en   la   web: http://www.terry.uga.edu/~hwatson/dw_tutorial.ppt, agosto 2006. [10]  “Building the datawarehouse” (1a edición), Inmon, W.H., QED Press, New York, 1992. [11] “The datawarehouse Toolkit.” Ralph Kimball. Wiley, 1996. [12]   Los interesados en los datawarehouse corporativos pueden profundizar en el libro “Corporate Information Factory” de W.H. Inmon, C. Imhoff y R. Sousa, Wiley, 1997. [13]   El Business Reengineering o Business Process Reengineering fue definido por M. Hammer en su artículo “Rediseño del trabajo: no automatice, elimine” publicado en Harvard Deusto Business Review, 3 er trimestre de 1991. El BPR es una metodología de transformación de las organizaciones que se centra en los aspectos clave y no en cómo se están haciendo las cosas, parte de la tesis de que en muchos casos se han aplicado nuevas tecnologías sobre procesos   antiguos.   Dicho   de   otro   modo,   ineficiencia   más   tecnología   es   “ineficiencia automatizada”. [14]  Building the datawarehouse, W.H. Inmon, Willey, 1996. [15]  Como se describe en: “QlikTech’s Approach to Business Intelligence: Keep It Simple and Flexible”, D. Vesset y B. McDonough IDC, julio 2006. Uno de los productos que utiliza esta tecnología es Qlikview de QlikTech, que patentó el Associative Query Logic (AQL). [16] “Enterprise Business Intelligence: Strategies and Technologies for Deploying BI on an Enterprise Scale”, Wayne W. Eckerson y Cindi Howson, TDWI Report Series, Agosto 2005. [17]   “Dashboard” y “Scorecard” son traducidos del inglés habitualmente por “Cuadros de Mando”. La diferencia básica es que los primeros tan sólo muestran indicadores de áreas de negocio que no tienen por qué estar relacionados entre ellos y pueden ser de tan sólo una parte de la organización, son básicamente operativos o tácticos, mientras que los segundos se desarrollan a nivel estratégico, se establecen relaciones entre los indicadores y suelen cubrir toda la organización. Los principales precursores de estos últimos son Robert S. Kaplan y David P. Norton con el Balanced Scorecard, que publicaron en su artículo: “The Balanced Scorecard – Measures That Drive Performance”, Harvard Business Review, enero­febrero,

19. 1992. Para aquellos lectores que quieran profundizar en la diferencia entre “Dashboards” y “Scorecards”   y   analizar   sus   principales   diferencias   pueden   utilizar   el   informe   de   The datawarehouse Institute, publicado en Julio de 2006 por W.W. Eckerson, titulado: “Deploying Dashboards and Scorecards”.

Add a comment