Introduccin a Business Intelligence

Alberto Gabriel Garcete Gonzlez, Ral Alberto Bentez Martnez

{albertogarcetepy,raulkvd}@gmail.com
Ingeniera en Informtica de la Facultad Politcnica, Universidad Nacional de Asuncin
San Lorenzo, Paraguay
Abstract. El presente trabajo expone los conceptos bsicos que nos permiten adentrarnos
al mundo de business intelligence. Entender qu significa business intelligence como
campo de la gestin empresarial, cules son sus objetivos, qu tipos de problemas nos
permite resolver, de qu elementos est compuesto, cules son los pasos que se siguen
para desarrollarlo, de qu 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 Informacin, Data Mart, Multidimensional, OLAP, Datamining, Dashboard,
Scorecard.
1 Introduccin
Business intelligence o inteligencia de negocio abarca un conjunto de conceptos, tcnicas y
herramientas que se utiliza para la transformacin de simples datos en informacin til y
significativa para el anlisis de negocios. Las tecnologas de business intelligence son capaces
de manejar grandes volmenes de datos que ayudan a identificar, desarrollar y crear nuevas
estrategias de negocios.
El objetivo de business intelligence es permitir la fcil interpretacin de grandes cantidades de
informacin, identificar nuevas oportunidades y aplicar una estrategia eficaz que proporcione
a la organizacin una ventaja competitiva de mercado y una estabilidad a largo plazo. Las
herramientas de business intelligence ofrecen una visin histrica, actual y predictiva de las
operaciones de negocio.
Las funciones comunes de business intelligence incluyen el procesamiento analtico en linea,
minera de datos, minera de procesos, minera de texto, procesamiento de eventos complejos,
anlisis del rendimiento del negocio, anlisis predictivo, entre otros. Puede ser utilizado para
apoyar una amplia variedad de decisiones que van desde las operativas hasta las estratgicas.
Las decisiones operativas bsicas incluyen la reposicin de productos en stock o la fijacin de
precios. Las decisiones estratgicas incluyen prioridades, objetivos y direccin en todos los
niveles de la organizacin.
En todos los casos, business intelligence es ms eficaz cuando se combinan datos derivados
del mercado en el que opera la empresa (datos externos) con datos originados de forma interna
en la propia organizacin (datos internos). En efecto, cuando se combinan datos
externos con datos internos pueden proporcionar una visin ms completa, esto crea
una inteligencia que no se puede obtener de cualquier conjunto de datos.
2 Qu es business intelligence
El primero que acu el trmino fue Howard Dresner, quin cuando era consultor de
Gartner Group lo utiliz para describir un conjunto de conceptos y mtodos que
mejoran la toma de decisiones, partiendo de la informacin disponible acerca de los
hechos. Entonces, partiendo de la definicin del glosario de trminos de Gartner[1]:
Business Intelligence es un proceso interactivo para explorar y analizar
informacin estructurada sobre un rea (normalmente almacenada en un
datawarehouse), para descubrir tendencias o patrones, a partir de las cuales derivar
ideas y extraer conclusiones. Las reas incluyen clientes, proveedores, productos,
servicios y competidores. El proceso de business intelligence incluye la comunicacin
de los descubrimientos y efectuar los cambios.
Indica que business intelligence es un proceso que se prolonga en el tiempo, que no es
slo para un momento puntual de la gestin empresarial, en el que podremos ver
tendencias, patrones, cambios, variables, etc. Al explorar iremos descubriendo nuevas
relaciones que hasta el momento desconocamos. Al analizar de lo nuevo que hemos
descubierto, veremos relaciones entre variables, tendencias, patrones y cul puede ser
la evolucin de los mismos.
La informacin estructurada est en tablas relacionadas, dichas tablas a la vez estn
en un datawarehouse o almacn de datos. Nos podemos centrar en reas especficas
del negocio y en objetivos concretos como por ejemplo: reducir costes, incrementar
ventas, aumentar la participacin en el mercado, cumplir los objetivos de ventas
presupuestados. Finalmente, lo descubierto y analizado se debe comunicar a aquellas
personas en la organizacin que realizarn los cambios apropiados para mejorar la
competitividad.
La definicin[2] que propone The Datawarehouse Institute es:
Business Intelligence (BI) es un trmino paraguas que abarca los procesos, las
herramientas y las tecnologas para convertir datos en informacin, informacin en
conocimiento y planes para conducir de forma eficaz las actividades de los negocios.
BI abarca las tecnologas de datawarehousing, los procesos en el 'back end',
consultas, informes, anlisis y las herramientas para mostrar informacin (estas son
las herramientas de BI) y los procesos en el 'front end'.
3 Objetivos de business intelligence
Segn lo expuesto en la definicin del trmino business intelligence podemos decir
que tiene los siguientes objetivos principales:
Convertir datos en informacin, informacin en conocimiento y conocimiento en
planes operativos o estratgicos.
Facilitar la disponibilidad de informacin a los usuarios de negocios, que les
ayude a tomar decisiones ms rpidamente.
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 l.
Ante la cantidad de informacin que va creciendo, disponer de ms 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 estratgico.
4 Un ejemplo dnde se requiere business intelligence
Un supermercado, donde la informacin que disponemos son los tickets de venta. El
sistema de informacin est basado en la informacin que recogemos de las mquinas
registradoras.
Fig. 1. El formato del ticket utilizado en el supermercado.
La informacin que contiene el ticket de venta es: el nmero de ticket, la fecha, la
hora, cdigo del cajero, cdigo del supermercado; por cada artculo vendido en el
ticket: cdigo del artculo, descripcin del artculo, unidades vendidas, precio por
unidad, importe total por articulo. El importe total del ticket y la forma de pago.
A partir de esta informacin podemos saber:
Nmero de tickets (en horario o da especfico).
Nmero de tickets atendidos por cada cajero (en horario o da especfico).
Ventas de artculos en unidades e importe (puede ser por da, semana, mes, ao,
etc..).
Importe total de las ventas (puede ser por da, semana, mes, ao, etc..).
Importe cobrado en efectivo o tarjetas de crdito.
Nmero promedio de tickets por hora, da, cajero, etc.
Importe promedio por ticket por hora, da, cajero, etc.
Esta informacin nos facilita la toma de decisiones tales como: reponer las existencias
de artculos, asignar turnos a los cajeros en funcin del nmero de tickets promedio
por hora. Nos permite ver cules son los productos ms vendidos, el medio de pago
ms utilizado por los clientes.
Si hay una disminucin en las ventas nos dirn si es un problema de afluencia al
supermercado o si los clientes estn comprando menos de lo habitual. El primer
problema debe estar relacionada con la promocin y ante el segundo problema
debemos intentar que nos compren ms.
Al explorar la informacin discriminndola por da de la semana, nos damos cuenta
que los sbados son los das de mayor venta y los mircoles son los de menor venta.
En el caso de una anomala de venta en un da sbado por ejemplo, se puede explicar
con variables como da 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, qu probabilidad hay de que compre
tomates o extractos de tomate. Esta informacin es til para las promociones.
Si hemos decidido llevar a cabo promociones, queremos saber cul ha sido su
efectividad y porqu. Este aprendizaje es til 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 cmo utilizarlo en entornos como el de un supermercado.
5 Quin requiere business intelligence
Teniendo en cuenta el ejemplo del supermercado, la informacin que podemos
generar a partir de business intelligence es til para todos los departamentos de la
organizacin:
Responsables de compras, para saber la existencia en stock de cada artculo.
Responsables de ventas, que deciden la colocacin de los productos, para ver qu
productos tienen mayor rotacin.
Responsables de la negociacin con las entidades financieras, para conocer los
flujos de efectivo, tarjetas de dbito y crdito.
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 organizacin que tengan que tomar
decisiones. Tambin vemos que las decisiones a tomar pueden ser del tipo operativo o
incluso estratgico.
En un artculo[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 informacin en clculo Excel, y tan slo un 20%
a analizar la informacin relevante.
No es posible que pasemos el 80% del tiempo preparando informacin y tan slo el
20% analizndola, obviamente debera ser al revs. Estas afirmaciones deberan
darnos nimos suficientes para comenzar un largo camino hacia la implementacin 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.
6.1 Fuentes de informacin
Fig. 2. Primer componente de business intelligence.
Las fuentes de informacin a las que podemos acceder son:
Sistemas operacionales o transaccionales, que incluyen aplicacin hechas a
medida, ERP (Enterprise Resources Planning), CRM (Customer Relationship
Management), SCM (Supply Chain Management), etc.
Sistemas de informacin departamentales: hojas de clculo, informes,
presupuestos, etc.
Fuentes de informacin externa, como contenido web, informacin adquirida de
terceros por ejemplo: estudios de mercado, etc.
Informacin no estructurada como: correos electrnicos, cartas, informes, videos,
etc.
El nmero de fuentes de informacin vara de una organizacin a otra, en grandes
corporaciones se habla de una media de 8 bases de datos, en algunos casos puede
llegar hasta 50.
Cada vez ms la tecnologa nos permite trabajar con informacin no estructurada, y se
espera que este tipo de informacin sea cada vez ms importante. Una encuesta[4] ha
indicado que el 60% de los directores de Sistemas de Informacin y los de Tecnologa
consideran que la informacin semi-estructurada es crtica para mejorar las
operaciones y para la creacin de nuevas oportunidades de negocio.
Calidad de los datos
La calidad de los datos en un datawarehouse es fundamental, como afirma Bill Inmon
en su artculo[5] aparecido en Business Intelligence Network sobre calidad de
datos:
Las organizaciones actan bajo la suposicin de que la informacin de la que
disponen es precisa y vlida. Si la informacin no es vlida, entonces no pueden
responder de las decisiones basadas en ella.
Es necesario asegurar que la calidad de los datos es mxima. Si en el datawarehouse
hay errores, stos se propagarn a lo largo de toda la organizacin y son muy difciles
de localizar. Adems, pueden ocasionar que se tomen decisiones errneas que afecten
los resultados de la organizacin.
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 problemtica de la calidad de datos no es un problema de
los departamentos de tecnologa, sino un problema estratgico al que debemos asignar
objetivos, recursos y planificacin. No hay demasiadas organizaciones que tengan un
plan de calidad de datos; en una encuesta[7] de The Datawarehouse Institute
realizada en el ao 2001, los resultados obtenidos fueron contundentes: el 48% de las
organizaciones encuestadas no tenan un plan para gestionar o mejorar la calidad de
los datos.
6.2 ETL Proceso de extraccin, transformacin y carga
Fig. 3. Segundo componente de Business Intelligence.
El proceso trata de recuperar los datos de las fuentes de informacin 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 tecnologas.
El proceso ETL se divide en 5 subprocesos:
Extraccin
La extraccin 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 programacin que extraigan los datos de las fuentes. La alternativa es la
que proveen las herramientas especializadas de ETL que han sido diseadas para
llevar a cabo esta funcin.
Fig. 4. Principales problemas al acceder a los datos para extraerlos.
La Figura 4 se refiere a que la problemtica de la extraccin 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 cargarn 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 estn sucios son:
Valores por defecto.
Ausencia de valor.
Campos que tienen distintas utilidades.
Valores contradictorios.
Uso inapropiado de los campos.
Reutilizacin de claves primarias.
Seleccin del primer valor de una lista.
Problemas de carga de antiguos sistemas o de integracin entre sistemas.
La limpieza de datos se divide en distintas etapas:
Depurar los valores (parsing): localiza e identifica los elementos individuales de
informacin en las fuentes de datos. Por ejemplo: separa el nombre completo en:
nombre, primer apellido, segundo apellido; o la direccin en: calle, nmero, etc.
Corregir (correcting): corrige los valores individuales de los atributos usando
algoritmos de correccin y fuentes de datos externas. Por ejemplo: comprueba la
direccin y su cdigo postal correspondiente.
Estandarizar (standardizing): aplica rutinas de conversin 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, corrigindolos
y estandarizndolos para eliminar duplicados. Por ejemplo: identificando nombres y
direcciones similares.
Transformacin
Se hace partiendo de los datos una vez limpios. Transformamos los datos de
acuerdo a las reglas de negocio y los estndares que han sido establecidos. La
transformacin incluye:
Cambios de formato.
Sustitucin de cdigos.
Valores derivados y agregados.
Los agregados como las sumas de las ventas normalmente se pre-calculan y se
almacenan para conseguir mayores rendimientos. En este proceso tambin ajustamos
el nivel de granularidad o detalle, por ejemplo: podemos tener detalles a nivel de
lineas de factura en los datos extrados, pero en el datawarehouse lo que
almacenamos son las ventas semanales o mensuales. La diferencia del nivel de detalle
en el anlisis es lo que denominamos granularidad.
Debemos decidir cul 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 informacin que resida en nuestro sistema transaccional.
Es fundamental comprobar que todo se ha llevado a cabo correctamente, ya que de lo
contrario puede llevar a decisiones errneas de los usuarios.
Actualizacin
Este proceso determina la periodicidad con el que haremos nuevas cargas de datos al
datawarehouse.
6.3 Datawarehouse o almacn de datos
Fig. 5. Tercer componente de Business Intelligence.
La aparicin de los datawarehouses son la respuesta a las necesidades de los usuarios
que necesitan informacin consistente, integrada, histrica y preparada para ser
analizada y poder tomar decisiones. Si el datawarehouse est construido
adecuadamente proporciona un entorno de informacin que nos permitir encontrar
nuevo conocimiento y generar valor.
El profesor Hugh J. Watson[9] lo define como:
Un datawarehouse es una coleccin de informacin creada para soportar las
aplicaciones de toma de decisiones. Datawarehousing es el proceso completo de
extraer informacin, transformarla y cargarla en un datawarehouse y el acceso a
esta informacin por los usuarios finales y las aplicaciones.
Bill Inmon[10] fue el que defini las caractersticas que debe cumplir un
datawarehouse:
Orientado a un rea: cada parte del datawarehouse est construida para resolver
un problema de negocio. Por ejemplo: entender los hbitos de compra de nuestros
clientes, analizar la calidad de nuestros productos, analizar la productividad de una
lnea de fabricacin.
Integrado: la informacin debe ser transformada en medidas comunes, cdigos
comunes y formatos comunes para ser til. Por ejemplo: la moneda en que estn
expresadas los importes es comn.
Indexado en el tiempo: se mantiene la informacin histrica. Ello nos permite por
ejemplo: analizar la evolucin de las ventas en los periodos que queramos.
No voltil: los usuarios no la mantienen como lo haran en los entornos
transaccionales. No se ve actualizado continuamente, sino peridicamente de forma
preestablecida. La informacin se almacena para la toma de decisiones.
Ralph Kimbal[11] define los objetivos que debera cumplir un datawarehouse:
El alcance de un datawarehouse puede ser bien un departamento o bien
corporativo[12].
El datawarehouse no es slo informacin sino tambin las herramientas de
consulta, anlisis y presentacin de la informacin.
La informacin del datawarehouse es consistente.
La calidad de informacin 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 aparicin de los
data mart.
Normalmente, los data mart son ms pequeos que los datawarehouses. Tienen
menos cantidad de informacin, menos modelos de negocios y son utilizados por un
nmero menor de usuarios. Los data mart almacenan informacin de un nmero
limitado de reas, 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 orgenes de la
informacin, mientras que los dependientes se alimentan desde el datawarehouse
corporativo.
Los data mart independientes pueden perpetuar el problema de los silos de
informacin que es el que sucede cuando entre distintos departamentos no fluye la
informacin necesaria, bien para la gestin o bien para el anlisis, dando lugar tanto a
problemas de operaciones como de optimizacin del negocio. Tambin la evolucin
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
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 informacin es til para los departamentos de
tecnologa y para los propios usuarios.
El personal de los departamentos de Tecnologa necesita saber los orgenes de la
informacin: 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, cmo 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 terminologa y con el mismo significado. Por ejemplo: cuando alguien hable
de margen bruto o margen de contribucin deber estar definido sin ambigedad
para toda la organizacin.
6.4 Herramientas de business intelligence
Fig. 8. Herramientas para tratar y visualizar lo que reside en un datawarehouse.
Existen distintas tecnologas que nos permiten analizar la informacin que reside en
un datawarehouse, pero la ms extendida es la OLAP (Online Analytical Processing).
Los usuarios[14] necesitan analizar informacin a distintos niveles de agregacin y
sobre mltiples dimensiones. Por ejemplo: ventas de productos por clientes o tipo de
cliente, por zona de venta y por fecha. OLAP provee de estas funcionalidades y
algunas ms.
A estos tipos de anlisis les llamamos multidimensionales, porque nos facilitan el
anlisis de un hecho desde distintas perspectivas o dimensiones. Los modelos de
negocios normalmente son multidimensionales.
Fig. 9. La representacin grfica 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 aos. 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 ms de un hecho.
Rotar (en ingls slicing) los cubos, es decir cambiar el orden de las distintas
dimensiones. Como vemos en la Figura 10 hemos cambiado la dimensin clientes
por la de libros.
Fig. 10. Las herramientas OLAP nos permiten rotar los cubos.
Tambin podemos seleccionar (del ingls dicing) slo algunas de las celdas. En la
Figura 11 las ventas al cliente 2 de los libros 1 y 2 en el ao 1.
Fig. 11. Las herramientas OLAP nos permiten seleccionar algunas celdas.
El mximo nivel de agregacin (del ingls roll-up), en el ejemplo obtenemos el
total de libros vendidos por cliente y por ao.

Fig. 12. Las herramientas OLAP nos permiten obtener el mximo nivel de agregacin.
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 ms detalle (del ingls drill-
down) a travs de la jerarqua materias. Las jerarquas nos permiten hacer
agrupaciones.
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 tamao, pero es ms 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 rpida 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 atmicos directamente sobre la base de datos relacional.
Alternativas a OLAP
Una alternativa al OLAP son las herramientas que utilizan consultas de lgica
asociativa[15]. Cuando se carga la informacin, se comprime y se normaliza al
mximo para que no haya informacin redundante. Cada valor nico para todos los
datos se almacena una sola vez y se referencia a travs de punteros.
Por ejemplo: si existen muchos registros coche rojo y tambin coche azul, slo
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 visin vertical (basada en
columnas) de los datos as como una visin horizontal ampliada (basada en filas) que
va ms all de las tecnologas de base de datos relacionales. Las consultas son
altamente eficientes debido al nuevo modelo de almacenamiento.
Principales herramientas[16] de business intelligence
Herramientas OLAP: permiten a los usuarios finales tratar la informacin de
forma multidimensional para explorarla desde distintas perspectivas y periodos de
tiempo.
Herramientas de Dashboard[17] y Scorecard: permiten a los usuarios finales ver
informacin crtica del rendimiento con un slo vistazo mediante conos grficos o la
posibilidad de ver ms detalles si lo desean.
Herramientas Datamining: datamining es el proceso de descubrir e interpretar
patrones desconocidos en la informacin, mediante los cuales resolver problemas de
negocio. Los usos ms habituales de datamining son: segmentacin, venta cruzada,
sendas de consumo, clasificacin, previsiones, optimizaciones, etc.
Herramientas de Text mining: nos permiten trabajar con informacin no
estructurada y herramientas de visualizacin avanzada.
Generadores de informes: utilizadas por desarrolladores profesionales para crear
informes para grupos, departamentos, organizacin, etc.
Herramientas de usuario final de consultas e informes: para usuarios finales para
crear informes para ellos mismos o para otros, no requiere programacin.
Herramientas de planificacin, modelizacin y consolidacin: para elaborar la
planificacin, los presupuestos, las previsiones. Estas herramientas proveen a los
dashboards y a los scorecards de los objetivos y de los umbrales de las mtricas.
7 Conclusiones
En el mundo actual de los negocios, con toda la informacin que disponen las
organizaciones, tanto la que se genera de forma interna como producto de las
operaciones transaccionales cotidianas, as como la informacin externa que est
disponible, se presenta el desafo de saber qu hacer con ellas para utilizarlas en
beneficio de la organizacin.
Este desafo recae sobre los empleados de la organizacin que deben tomar decisiones
empresariales, y que determinarn 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, mtodos, tcnicas, conceptos, etc. En
este entorno es donde entra en juego business intelligence o inteligencia de negocio,
que busca transformar toda esa informacin en conocimiento, para la toma de
decisiones tanto operativas como estratgicas.
Siguiendo los pasos que propone business intelligence y con las herramientas
disponibles para su implantacin, se dota a los usuarios tomadores de decisiones, de
un entorno completo donde encontrar soluciones a los problemas operacionales o
estratgicos que les toca resolver, as como tambin 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 (Tecnologas de Informacin y Comunicacin).
[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 artculo: 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.b-eye-network.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 definicin ha sido extradas de una presentacin 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 edicin), 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 artculo Rediseo del trabajo: no automatice, elimine publicado en Harvard
Deusto Business Review, 3 er trimestre de 1991. El BPR es una metodologa de transformacin
de las organizaciones que se centra en los aspectos clave y no en cmo se estn haciendo las
cosas, parte de la tesis de que en muchos casos se han aplicado nuevas tecnologas sobre
procesos antiguos. Dicho de otro modo, ineficiencia ms tecnologa es ineficiencia
automatizada.
[14] Building the datawarehouse, W.H. Inmon, Willey, 1996.
[15] Como se describe en: QlikTechs Approach to Business Intelligence: Keep It Simple and
Flexible, D. Vesset y B. McDonough IDC, julio 2006. Uno de los productos que utiliza esta
tecnologa es Qlikview de QlikTech, que patent 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 ingls habitualmente por Cuadros de
Mando. La diferencia bsica es que los primeros tan slo muestran indicadores de reas de
negocio que no tienen por qu estar relacionados entre ellos y pueden ser de tan slo una parte
de la organizacin, son bsicamente operativos o tcticos, mientras que los segundos se
desarrollan a nivel estratgico, se establecen relaciones entre los indicadores y suelen cubrir
toda la organizacin. Los principales precursores de estos ltimos son Robert S. Kaplan y
David P. Norton con el Balanced Scorecard, que publicaron en su artculo: The Balanced
Scorecard Measures That Drive Performance, Harvard Business Review, enero-febrero,
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.