Introducción a Business Intelligencedocshare02.docshare.tips/files/24192/241928224.pdf · •...
Transcript of Introducción a Business Intelligencedocshare02.docshare.tips/files/24192/241928224.pdf · •...
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 AsunciónSan Lorenzo, Paraguay
Abstract. El presente trabajo expone los conceptos básicos que nos permiten adentrarnosal mundo de “business intelligence”. Entender qué significa “business intelligence” comocampo de la gestión empresarial, cuáles son sus objetivos, qué tipos de problemas nospermite resolver, de qué elementos está compuesto, cuáles son los pasos que se siguenpara desarrollarlo, de qué herramientas disponemos para implementarlo, son algunos delos 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 yherramientas que se utiliza para la transformación de simples datos en información útil ysignificativa para el análisis de negocios. Las tecnologías de business intelligence son capacesde manejar grandes volúmenes de datos que ayudan a identificar, desarrollar y crear nuevasestrategias de negocios.
El objetivo de business intelligence es permitir la fácil interpretación de grandes cantidades deinformación, identificar nuevas oportunidades y aplicar una estrategia eficaz que proporcionea la organización una ventaja competitiva de mercado y una estabilidad a largo plazo. Lasherramientas de business intelligence ofrecen una visión histórica, actual y predictiva de lasoperaciones 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 paraapoyar 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 deprecios. Las decisiones estratégicas incluyen prioridades, objetivos y dirección en todos losniveles de la organización.
En todos los casos, business intelligence es más eficaz cuando se combinan datos derivadosdel mercado en el que opera la empresa (datos externos) con datos originados de forma interna
en la propia organización (datos internos). En efecto, cuando se combinan datosexternos con datos internos pueden proporcionar una visión más completa, esto creauna “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 deGartner Group lo utilizó para describir un conjunto de conceptos y métodos quemejoran la toma de decisiones, partiendo de la información disponible acerca de loshechos. Entonces, partiendo de la definición del glosario de términos de Gartner[1]:
“Business Intelligence es un proceso interactivo para explorar y analizarinformación estructurada sobre un área (normalmente almacenada en undatawarehouse), para descubrir tendencias o patrones, a partir de las cuales derivarideas y extraer conclusiones. Las áreas incluyen clientes, proveedores, productos,servicios y competidores. El proceso de business intelligence incluye la comunicaciónde los descubrimientos y efectuar los cambios.”
Indica que business intelligence es un proceso que se prolonga en el tiempo, que no essólo para un momento puntual de la gestión empresarial, en el que podremos vertendencias, patrones, cambios, variables, etc. Al explorar iremos descubriendo nuevasrelaciones que hasta el momento desconocíamos. Al analizar de lo nuevo que hemosdescubierto, veremos relaciones entre variables, tendencias, patrones y cuál puede serla evolución de los mismos.
La información estructurada está en tablas relacionadas, dichas tablas a la vez estánen un datawarehouse o almacén de datos. Nos podemos centrar en áreas específicasdel negocio y en objetivos concretos como por ejemplo: reducir costes, incrementarventas, aumentar la participación en el mercado, cumplir los objetivos de ventaspresupuestados. Finalmente, lo descubierto y analizado se debe comunicar a aquellaspersonas en la organización que realizarán los cambios apropiados para mejorar lacompetitividad.
La definición[2] que propone The Datawarehouse Institute es:
“Business Intelligence (BI) es un término paraguas que abarca los procesos, lasherramientas y las tecnologías para convertir datos en información, información enconocimiento 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 sonlas herramientas de BI) y los procesos en el 'front end'.”
3 Objetivos de business intelligence
Según lo expuesto en la definición del término business intelligence podemos decirque tiene los siguientes objetivos principales:
• Convertir datos en información, información en conocimiento y conocimiento enplanes operativos o estratégicos.
• Facilitar la disponibilidad de información a los usuarios de negocios, que lesayude a tomar decisiones más rápidamente.
• Apoyar de forma sostenible y continuada a las organizaciones para mejorar sucompetitividad, ante el entorno de negocios cambiante de forma que puedanadaptarse a él.
• Ante la cantidad de información que va creciendo, disponer de más tiempo enanalizarla, en vez de gastar mucho tiempo en prepararla, organizarla yestructurarla.
• Permitir a las organizaciones dirigir de mejor forma, decidir, medir, gestionar yoptimizar el alcance de la eficiencia y los resultados financieros.
• Disminuir sustancialmente la incertidumbre que existe ante la toma de decisionesrespecto a un plan estratégico.
4 Un ejemplo dónde se requiere business intelligence
Un supermercado, donde la información que disponemos son los tickets de venta. Elsistema de información está basado en la información que recogemos de las máquinasregistradoras.
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, lahora, código del cajero, código del supermercado; por cada artículo vendido en el
ticket: código del artículo, descripción del artículo, unidades vendidas, precio porunidad, 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 existenciasde artículos, asignar turnos a los cajeros en función del número de tickets promediopor hora. Nos permite ver cuáles son los productos más vendidos, el medio de pagomás utilizado por los clientes.
Si hay una disminución en las ventas nos dirán si es un problema de afluencia alsupermercado o si los clientes están comprando menos de lo habitual. El primerproblema debe estar relacionada con la promoción y ante el segundo problemadebemos intentar que nos compren más.
Al explorar la información discriminándola por día de la semana, nos damos cuentaque 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 explicarcon variables como día festivo anterior o inclemencia del tiempo, si es el caso.
Si analizamos los tickets, capaz descubramos que hay relaciones entre productos, porejemplo cuando un cliente compra fideos, qué probabilidad hay de que compretomates o extractos de tomate. Esta información es útil para las promociones.
Si hemos decidido llevar a cabo promociones, queremos saber cuál ha sido suefectividad y porqué. Este aprendizaje es útil para futuras promociones y por endepara 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 conclaridad cómo utilizarlo en entornos como el de un supermercado.
5 Quién requiere business intelligence
Teniendo en cuenta el ejemplo del supermercado, la información que podemosgenerar a partir de business intelligence es útil para todos los departamentos de laorganización:
• 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 tomardecisiones. También vemos que las decisiones a tomar pueden ser del tipo operativo oincluso 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 aagregar 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 el20% analizándola, obviamente debería ser al revés. Estas afirmaciones deberíandarnos ánimos suficientes para comenzar un largo camino hacia la implementación deproyectos de business intelligence en nuestras organizaciones.
6 Componentes de business intelligence
Cinco son los componentes de business intelligence, lo iremos desarrollando uno auno.
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 amedida, ERP (Enterprise Resources Planning), CRM (Customer RelationshipManagement), SCM (Supply Chain Management), etc.• Sistemas de información departamentales: hojas de cálculo, informes,presupuestos, etc.• Fuentes de información externa, como contenido web, información adquirida deterceros 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 grandescorporaciones se habla de una media de 8 bases de datos, en algunos casos puedellegar hasta 50.
Cada vez más la tecnología nos permite trabajar con información no estructurada, y seespera que este tipo de información sea cada vez más importante. Una encuesta[4] haindicado que el 60% de los directores de Sistemas de Información y los de Tecnologíaconsideran que la información semiestructurada es crítica para mejorar lasoperaciones y para la creación de nuevas oportunidades de negocio.
Calidad de los datos
La calidad de los datos en un datawarehouse es fundamental, como afirma Bill Inmonen su artículo[5] aparecido en “Business Intelligence Network” sobre calidad dedatos:
“Las organizaciones actúan bajo la suposición de que la información de la quedisponen es precisa y válida. Si la información no es válida, entonces no puedenresponder de las decisiones basadas en ella.”
Es necesario asegurar que la calidad de los datos es máxima. Si en el datawarehousehay errores, éstos se propagarán a lo largo de toda la organización y son muy difícilesde localizar. Además, pueden ocasionar que se tomen decisiones erróneas que afectenlos resultados de la organización.
Asumir que la calidad de los datos es buena puede ser un error fatal en los proyectosde business intelligence[6]. Los errores en los datos pueden provenir de los sistemastransaccionales de los que recuperamos los datos, del proceso ETL o del propiodatawarehouse.
Debemos entender que la problemática de la calidad de datos no es un problema delos departamentos de tecnología, sino un problema estratégico al que debemos asignarobjetivos, recursos y planificación. No hay demasiadas organizaciones que tengan unplan de calidad de datos; en una encuesta[7] de The Datawarehouse Instituterealizada en el año 2001, los resultados obtenidos fueron contundentes: el 48% de lasorganizaciones encuestadas no tenían un plan para gestionar o mejorar la calidad delos datos.
6.2 ETL – Proceso de extracción, transformación y carga
Fig. 3. Segundo componente de Business Intelligence.
El proceso trata de recuperar los datos de las fuentes de información y alimentar eldatawarehouse. El proceso de ETL[8] consume entre el 60% y el 80% del tiempo deun proyecto de business intelligence, por lo que es un proceso clave que requiererecursos, 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 utilizandoherramientas de ETL. De forma manual significa programar rutinas utilizandolenguajes de programación que extraigan los datos de las fuentes. La alternativa es laque proveen las herramientas especializadas de ETL que han sido diseñadas parallevar 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 datosprovienen de distintas fuentes, bases de datos, plataformas, protocolo decomunicaciones, juego de caracteres y tipos de datos.
Hablamos de data staging o almacenes de datos intermedios mientras estamos en elproceso de limpieza de los datos. Acumulamos datos de distintas fuentes en el datastaging, en un momento dado todos estos datos se cargarán en el datawarehouse. Losusuarios finales nunca acceden a este entorno.
Limpieza
Los sistemas transaccionales contienen datos que no han sido depurados y que debenser limpiados. Las herramientas ETL tienen funcionalidades de limpieza de datos.Algunas causas que provocan que los datos estén “sucios” son:
• 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 deinformación 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 usandoalgoritmos de corrección y fuentes de datos externas. Por ejemplo: comprueba ladirección y su código postal correspondiente.• Estandarizar (standardizing): aplica rutinas de conversión para transformarvalores en formatos definidos y consistentes. Por ejemplo: trato de Sra. o Sr. cambiara sus correspondientes nombres completos.• Relacionar (matching): busca y relaciona los valores de registros, corrigiéndolosy estandarizándolos para eliminar duplicados. Por ejemplo: identificando nombres ydirecciones similares.
Transformación
Se hace partiendo de los datos una vez “limpios”. Transformamos los datos deacuerdo a las reglas de negocio y los estándares que han sido establecidos. Latransformación incluye:
• Cambios de formato.• Sustitución de códigos.• Valores derivados y agregados.
Los agregados como las sumas de las ventas normalmente se precalculan y sealmacenan para conseguir mayores rendimientos. En este proceso también ajustamosel nivel de granularidad o detalle, por ejemplo: podemos tener detalles a nivel delineas de factura en los datos extraídos, pero en el datawarehouse lo quealmacenamos son las ventas semanales o mensuales. La diferencia del nivel de detalleen el análisis es lo que denominamos granularidad.
Debemos decidir cuál es el nivel de granularidad que nos permita responder aaquellas preguntas que nos hemos formulado, ya que al determinar un nivel degranularidad podremos responder algunas preguntas pero no otras.
Carga
Es el momento en el que cargamos los datos en el datawarehouse y en el quedebemos comprobar por ejemplo: si los totales de ventas que hemos cargadocoinciden con la información que residía en nuestro sistema transaccional.
Es fundamental comprobar que todo se ha llevado a cabo correctamente, ya que de locontrario puede llevar a decisiones erróneas de los usuarios.
Actualización
Este proceso determina la periodicidad con el que haremos nuevas cargas de datos aldatawarehouse.
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 usuariosque necesitan información consistente, integrada, histórica y preparada para seranalizada y poder tomar decisiones. Si el datawarehouse está construidoadecuadamente proporciona un entorno de información que nos permitirá encontrarnuevo conocimiento y generar valor.
El profesor Hugh J. Watson[9] lo define como:
“Un datawarehouse es una colección de información creada para soportar lasaplicaciones de toma de decisiones. Datawarehousing es el proceso completo deextraer información, transformarla y cargarla en un datawarehouse y el acceso aesta información por los usuarios finales y las aplicaciones.”
Bill Inmon[10] fue el que definió las características que debe cumplir undatawarehouse:
• Orientado a un área: cada parte del datawarehouse está construida para resolverun problema de negocio. Por ejemplo: entender los hábitos de compra de nuestrosclientes, analizar la calidad de nuestros productos, analizar la productividad de unalínea de fabricación.• Integrado: la información debe ser transformada en medidas comunes, códigoscomunes y formatos comunes para ser útil. Por ejemplo: la moneda en que estánexpresadas los importes es común.• Indexado en el tiempo: se mantiene la información histórica. Ello nos permite porejemplo: analizar la evolución de las ventas en los periodos que queramos.• No volátil: los usuarios no la mantienen como lo harían en los entornostransaccionales. No se ve actualizado continuamente, sino periódicamente de formapreestablecida. 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 biencorporativo[12].• El datawarehouse no es sólo información sino también las herramientas deconsulta, análisis y presentación de la información.• La información del datawarehouse es consistente.• La calidad de información en el datawarehouse es el motor de businessreengineering[13].
Data Mart
Los datawarehouses se representan habitualmente como una gran base de datos, peropueden estar distribuidos en varias bases de datos. El trabajo de construir undatawarehouse corporativo puede generar inflexibilidades, ser costoso o requerirplazos de tiempo inaceptables. En parte, estas razones originaron la aparición de losdata mart.
Normalmente, los data mart son más pequeños que los datawarehouses. Tienenmenos cantidad de información, menos modelos de negocios y son utilizados por unnúmero menor de usuarios. Los data mart almacenan información de un númerolimitado de áreas, por ejemplo: pueden ser de ventas y de marketing.
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 lainformación, mientras que los dependientes se alimentan desde el datawarehousecorporativo.
Los data mart independientes pueden perpetuar el problema de los “silos deinformación” que es el que sucede cuando entre distintos departamentos no fluye lainformación necesaria, bien para la gestión o bien para el análisis, dando lugar tanto aproblemas de operaciones como de optimización del negocio. También la evoluciónde 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 undatawarehouse corporativo.
Metadata
Un componente critico del datawarehouse es el metadata o diccionario de datos. Nosda el significado de cada uno de los componentes y sus atributos que residen en eldatawarehouse o en el data mart. Esta información es útil para los departamentos detecnología y para los propios usuarios.
El personal de los departamentos de Tecnología necesita saber los orígenes de lainformación: bases de datos, transformaciones realizadas, criterios de filtro, nombrede 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, losresponsables de los datos, etc.
Obliga a que se definan los conceptos de negocio y se homogeneicen entre losdistintos departamentos, sucursales, etc. Obliga a que todos hablen utilizando lamisma terminología y con el mismo significado. Por ejemplo: cuando alguien hablede “margen bruto” o “margen de contribución” deberá estar definido sin ambigüedadpara 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 enun datawarehouse, pero la más extendida es la OLAP (Online Analytical Processing).Los usuarios[14] necesitan analizar información a distintos niveles de agregación ysobre múltiples dimensiones. Por ejemplo: ventas de productos por clientes o tipo de
cliente, por zona de venta y por fecha. OLAP provee de estas funcionalidades yalgunas más.
A estos tipos de análisis les llamamos multidimensionales, porque nos facilitan elanálisis de un hecho desde distintas perspectivas o dimensiones. Los modelos denegocios 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 distintosclientes y en los distintos años. Este es el concepto de multidimensionalidad. Loscontenidos de cada de los cubos individuales son los “hechos” (las unidades vendidasen nuestro ejemplo). En la actualidad las soluciones OLAP permiten que cada uno delos cubos individuales pueda contener más de un hecho.
Rotar (en inglés slicing) los cubos, es decir cambiar el orden de las distintasdimensiones. 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.
También podemos seleccionar (del inglés “dicing”) sólo algunas de las celdas. En laFigura 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 eltotal 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 3corresponde a la materia 2. En este caso bajamos a más detalle (del inglés “drilldown”) a través de la jerarquía “materias”. Las jerarquías nos permiten haceragrupaciones.
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 notiene limitaciones en cuanto a tamaño, pero es más lento que el MOLAP.• MOLAP (multidimensional OLAP): se accede directamente sobre una base dedatos multidimensional (MDDB – Multi Dimensional Data Base). La principalventaja es que es muy rápida en los tiempos de respuesta y la principal desventaja esque, 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 datosmultidimensional 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 lógicaasociativa[15]. Cuando se carga la información, se comprime y se normaliza almáximo para que no haya información redundante. Cada valor único para todos losdatos se almacena una sola vez y se referencia a través de punteros.
Por ejemplo: si existen muchos registros “coche rojo” y también “coche azul”, sólouna vez se almacena la palabra “coche”, la palabra “rojo” y la palabra “azul”. Seindexan 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 ylectura.
El modelo de almacenamiento interno proporciona una visión vertical (basada encolumnas) de los datos así como una visión horizontal ampliada (basada en filas) queva más allá de las tecnologías de base de datos relacionales. Las consultas sonaltamente eficientes debido al nuevo modelo de almacenamiento.
Principales herramientas[16] de business intelligence
• Herramientas OLAP: permiten a los usuarios finales tratar la información deforma multidimensional para explorarla desde distintas perspectivas y periodos detiempo.• Herramientas de Dashboard[17] y Scorecard: permiten a los usuarios finales verinformación crítica del rendimiento con un sólo vistazo mediante íconos gráficos o laposibilidad de ver más detalles si lo desean.• Herramientas Datamining: datamining es el proceso de descubrir e interpretarpatrones desconocidos en la información, mediante los cuales resolver problemas denegocio. 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 noestructurada y herramientas de visualización avanzada.• Generadores de informes: utilizadas por desarrolladores profesionales para crearinformes para grupos, departamentos, organización, etc.• Herramientas de usuario final de consultas e informes: para usuarios finales paracrear informes para ellos mismos o para otros, no requiere programación.• Herramientas de planificación, modelización y consolidación: para elaborar laplanificación, los presupuestos, las previsiones. Estas herramientas proveen a losdashboards 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 lasorganizaciones, tanto la que se genera de forma interna como producto de lasoperaciones transaccionales cotidianas, así como la información externa que estádisponible, se presenta el desafío de saber qué hacer con ellas para utilizarlas enbeneficio de la organización.
Este desafío recae sobre los empleados de la organización que deben tomar decisionesempresariales, y que determinarán en un futuro no muy lejano el nivel decompetitividad de la empresa. Estas decisiones muchas veces requieren ser tomadasen un momento determinado y sin mucha demora.
Debido a esta gran responsabilidad de guiar el rumbo competitivo de la empresa, esque deben armarse de las mejores herramientas, métodos, técnicas, conceptos, etc. Eneste entorno es donde entra en juego business intelligence o inteligencia de negocio,que busca transformar toda esa información en conocimiento, para la toma dedecisiones tanto operativas como estratégicas.
Siguiendo los pasos que propone business intelligence y con las herramientasdisponibles para su implantación, se dota a los usuarios tomadores de decisiones, de
un entorno completo donde encontrar soluciones a los problemas operacionales oestratégicos 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 internacionalespecializada en TICs (Tecnologías de Información y Comunicación).[2] Enterprise Business Intelligence: Strategies and Technologies for Deploying BI on anEnterprise 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 costareas” 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 indatawarehousing: 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 HarvardDeusto Business Review, 3 er trimestre de 1991. El BPR es una metodología de transformaciónde las organizaciones que se centra en los aspectos clave y no en cómo se están haciendo lascosas, parte de la tesis de que en muchos casos se han aplicado nuevas tecnologías sobreprocesos antiguos. Dicho de otro modo, ineficiencia más tecnología es “ineficienciaautomatizada”.[14] Building the datawarehouse, W.H. Inmon, Willey, 1996.[15] Como se describe en: “QlikTech’s Approach to Business Intelligence: Keep It Simple andFlexible”, D. Vesset y B. McDonough IDC, julio 2006. Uno de los productos que utiliza estatecnología es Qlikview de QlikTech, que patentó el Associative Query Logic (AQL).[16] “Enterprise Business Intelligence: Strategies and Technologies for Deploying BI on anEnterprise Scale”, Wayne W. Eckerson y Cindi Howson, TDWI Report Series, Agosto 2005.[17] “Dashboard” y “Scorecard” son traducidos del inglés habitualmente por “Cuadros deMando”. La diferencia básica es que los primeros tan sólo muestran indicadores de áreas denegocio que no tienen por qué estar relacionados entre ellos y pueden ser de tan sólo una partede la organización, son básicamente operativos o tácticos, mientras que los segundos sedesarrollan a nivel estratégico, se establecen relaciones entre los indicadores y suelen cubrirtoda la organización. Los principales precursores de estos últimos son Robert S. Kaplan yDavid P. Norton con el Balanced Scorecard, que publicaron en su artículo: “The BalancedScorecard – Measures That Drive Performance”, Harvard Business Review, enerofebrero,