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.