UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE INGENIERÍA
ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS
“Inteligencia de negocios y la agilización de la toma de decisiones en la gestión de admisión de la Universidad Nacional de Trujillo”
TESIS PARA OPTAR EL TITULO DE INGENIERO DE SISTEMAS
AUTOR :
Br. Miguel Agüero, Billy Jims
ASESOR :
Dr. Mendoza Rivera, Ricardo Dario
LÍNEA DE INVESTIGACIÓN :
GESTIÓN DE PROYECTOS DE TIC
TRUJILLO - PERÚ 2022
VoBo: 11/09/2022
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
ii
JURADO DICTAMINADOR
--- Dr. Agreda Gamboa Everson David
PRESIDENTE
--- Ms. Córdova Otero Juan Luis
SECRETARIO
--- Dr. Mendoza Rivera Ricardo Dario
VOCAL
iii DEDICATORIA
A mis padres: Norma y Wilver por brindarme sus palabras de aliento, su apoyo incondicional y fortaleza para forjarme como persona y estudiante para mi desarrollo profesional.
A mi pareja Gabriela que siempre sabía cómo ayudarme en mis momentos de mucha presión o angustia, su apoyo y cariño consistente e incondicional.
A mis hermanos: Samira, Steven y Thony que siempre han estado presentes a pesar de las dificultades y brindándome sus puntos de vista con el fin de tomar las mejores decisiones, espero poder seguir ayudándolos.
A Adriel y Luffy, quienes cada día van alegrando más nuestros días y hacen crecer nuestra motivación a salir adelante, madurar cada vez más y mejorar como personas.
Miguel Agüero Billy Jims
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
iv AGRADECIMIENTOS
A Jehová, ya que siempre me ayudó a salir adelante a pesar de los obstáculos que presenta la vida y por darme la fuerza necesaria para poder seguir adelante en todo momento.
A mi familia, que siempre me han apoyado en las decisiones que he tomado como también guiándome a lo largo de mi vida, todo su cariño, respeto y amor que he recibido por parte de ellos. Eternamente agradecido.
A la Universidad Nacional de Trujillo, por la formación brindada para mi desarrollo tanto profesionalmente como persona y éticamente, a sus excelentes docentes por su dedicación y esfuerzo constante con la intención de no solo formar mejores profesionales, sino también mejores personas.
A mi asesor Dr. Ricardo Darío Mendoza Rivera, quien siempre que he solicitado su apoyo y ayuda me la ha brindado, como también me ha orientado y corregido cuando ha sido necesario. Gracias por dedicar su tiempo y experiencia.
A la Dirección de Admisión de la UNT, por su apoyo con mi investigación como también la oportunidad de prácticas y posterior labor en las cuales pude conocer más a fondo el proceso interno como el flujo.
A todas aquellas personas que de alguna manera u otra contribuyeron y apoyaron en la culminación de la presente tesis.
El autor
v ÍNDICE GENERAL
1. CAPÍTULO I: INTRODUCCIÓN ... 1
2. CAPÍTULO II: MATERIALES Y MÉTODOS ... 27
2.1 Materiales ... 28
2.1.1 Objeto de estudio ... 28
2.1.2 Recursos ... 28
2.2 Método... 30
2.2.1 Tipo de investigación ... 30
2.2.2 Nivel de investigación ... 30
2.2.3 Diseño de Investigación ... 31
2.2.4 Población, Muestra y Muestreo ... 31
2.2.5 Variables ... 33
2.2.6 Técnicas e Instrumentos, Validación y Confiabilidad ... 34
2.2.7 Método de Análisis de Datos ... 34
2.2.8 Procedimiento ... 35
2.2.9 Consideraciones Éticas ... 35
3. CAPÍTULO III: RESULTADOS ... 36
4. CAPÍTULO IV: DISCUSIÓN ... 154
5. CAPÍTULO V: CONCLUSIONES Y RECOMENDACIONES ... 156
5.1 Conclusiones ... 157
5.2 Recomendaciones ... 158
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
vi ÍNDICES COMPLEMENTARIOS
Figuras
Figura 1 Guía para la correcta implementación del BI ... 6
Figura 2 Clasificación de OLAP ... 7
Figura 3 Aplicación de la herramienta data warehousing ... 9
Figura 4 Modelo genérico de implementación de inteligencia de negocios ... 12
Figura 5 Ciclo de características de implementación de Inteligencia de negocios ... 12
Figura 6 Factores para que la inteligencia de negocios tenga éxito ... 14
Figura 7 Modelo de inteligencia de negocios simple ... 15
Figura 8 Modelo de inteligencia de negocios particular ... 16
Figura 9 Ciclo de vida de la metodología Kimball ... 17
Figura 10 Fases de la metodología Hefesto ... 20
Figura 11 Modelo conceptual de la metodología Hefesto ... 20
Figura 12 Ciclo de vida de la metodología Rapid Warehousing ... 22
Figura 13 Herramientas y técnicas de la Inteligencia de Negocios ... 24
Figura 14 Gráfica de diseño de la investigación ... 31
Figura 15 Organigrama de la UNT ... 38
Figura 16 Cronograma de tareas y actividades ... 48
Figura 17 Reporte de inscritos por fecha ... 51
Figura 18 Reporte de comprobantes de postulantes por fecha ... 52
Figura 19 Reporte de postulantes por modalidad ordinario ... 54
Figura 20 Reporte de postulantes por grupos ... 55
Figura 21 Diagrama lógico de base de datos maestra ... 56
Figura 22 Diagrama físico de base de datos maestra ... 56
Figura 23 Diagrama lógico de base de datos detalle ... 57
Figura 24 Diagrama físico de base de datos detalle ... 58
Figura 25 BSC del indicador Índice de postulantes por modalidad ordinario ... 59
Figura 26 BSC. de indicador Índice de postulantes por modalidad extraordinario ... 60
Figura 27 BSC. de indicador Índice de postulantes ... 61
Figura 28 BSC. de indicador Índice de postulantes de colegios estatales ... 61
Figura 29 BSC. de indicador Índice de postulantes de colegios privados ... 62
Figura 30 BSC. de indicador Índice de postulantes de otros departamentos... 63
Figura 31 BSC. de indicador Índice de ingresos ... 64
vii
Figura 32 BSC. de indicador Índice de ingresantes por colegios estatales... 65
Figura 33 BSC. de indicador Índice de ingresantes por colegios privados ... 66
Figura 34 BSC. de indicador Índice de vacantes cubiertas ... 67
Figura 35 BSC. de indicador Índice de acreditados ... 68
Figura 36 BSC. de indicador Índice de acreditados por segunda opción ... 68
Figura 37 BSC. de indicador Índice de vacantes cubiertas acreditadas ... 69
Figura 38 Análisis dimensional inicial ... 70
Figura 39 Análisis dimensional final Admisión ... 76
Figura 40 Análisis dimensional final Vacantes ... 78
Figura 41 Diagrama de jerarquías de la dimensión Carrera ... 79
Figura 42 Modelo lógico de la dimensión Carrera ... 79
Figura 43 Diagrama de jerarquías de la dimensión Colegio ... 80
Figura 44 Modelo lógico de la dimensión Colegio ... 81
Figura 45 Diagrama de jerarquías de la dimensión Modalidad ... 81
Figura 46 Modelo lógico de la dimensión Modalidad ... 82
Figura 47 Diagrama de jerarquías de la dimensión Organización ... 82
Figura 48 Modelo lógico de la dimensión Organización ... 83
Figura 49 Diagrama de jerarquías de la dimensión Persona ... 83
Figura 50 Modelo lógico de la dimensión Persona ... 84
Figura 51 Diagrama de jerarquías de la dimensión Proceso ... 84
Figura 52 Modelo lógico de la dimensión Proceso ... 85
Figura 53 Diagrama de jerarquías de la dimensión Tiempo... 86
Figura 54 Modelo lógico de la dimensión Tiempo ... 86
Figura 55 Diagrama de la tabla hecho HECHO_ADMISION... 87
Figura 56 Diagrama de la tabla hecho HECHO_VACANTES ... 88
Figura 57 Priorización de procesos ... 89
Figura 58 Diseño dimensional implementado ... 91
Figura 59 Modelo físico implementado ... 92
Figura 60 Meta data de la dimensión Carrera ... 93
Figura 61 Meta data de la dimensión Colegio ... 93
Figura 62 Meta data de la dimensión Modalidad ... 93
Figura 63 Meta data de la dimensión Organización ... 94
Figura 64 Meta data de la dimensión Persona ... 94
Figura 65 Meta data de la dimensión Proceso ... 94
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
viii
Figura 66 Meta data de la dimensión Tiempo ... 95
Figura 67 Meta data de la tabla hecho Admisión ... 95
Figura 68 Meta data de la tabla hecho Vacantes ... 96
Figura 69 Conexión a la base de datos transaccional admision ... 97
Figura 70 Confirmación de conexión exitosa a la base de datos transaccional admision ... 98
Figura 71 Conexión a la base de datos transaccional admision ... 98
Figura 72 Confirmación de conexión exitosa a la base de datos transaccional admisiondemo ... 99
Figura 73 Conexión a la base de datos analítica admisionolap ... 99
Figura 74 Confirmación de conexión exitosa a la base de datos analítica admisionolap ... 100
Figura 75 ETL de la dimensión carrera ... 101
Figura 76 Transformación de la dimensión carrera ... 101
Figura 77 ETL de la dimensión colegio ... 102
Figura 78 Transformación de la dimensión colegio ... 103
Figura 79 ETL de la dimensión modalidad ... 104
Figura 80 Transformación de la dimensión modalidad ... 104
Figura 81 ETL de la dimensión organización ... 105
Figura 82 Transformación de la dimensión organización ... 106
Figura 83 ETL de la dimensión persona ... 107
Figura 84 Transformación de la dimensión persona ... 107
Figura 85 ETL de la dimensión proceso ... 108
Figura 86 Transformación de la dimensión proceso ... 109
Figura 87 ETL de la dimensión tiempo ... 110
Figura 88 Transformación de la dimensión tiempo ... 111
Figura 89 ETL del hecho admision ... 111
Figura 90 Transformación del hecho admision ... 112
Figura 91 ETL del hecho vacantes ... 112
Figura 92 Transformación del hecho vacantes ... 113
Figura 93 ETL del datamart admision ... 114
Figura 94 Diseño de la arquitectura tecnológica ... 115
Figura 95 Perfiles de usuario ... 116
Figura 96 Conexión con la base de datos analítica desde workbench ... 118
Figura 97 Confirmación de conexión con la base de datos analítica desde workbench ... 118
Figura 98 Esquema general del proyecto en workbench ... 119
Figura 99 Esquema de la dimensión carrera ... 120
ix
Figura 100 Esquema de la dimensión colegio ... 120
Figura 101 Esquema de la dimensión modalidad ... 121
Figura 102 Esquema de la dimensión organización ... 121
Figura 103 Esquema de la dimensión proceso ... 121
Figura 104 Esquema de la dimensión persona ... 122
Figura 105 Esquema de la dimensión tiempo ... 123
Figura 106 Esquema del hecho admision ... 124
Figura 107 Esquema del hecho vacantes ... 125
Figura 108 Usuarios de Pentaho ... 126
Figura 109 Creación de usuario en Pentaho... 126
Figura 110 Roles de pentaho ... 127
Figura 111 Creación de roles en Pentaho ... 127
Figura 112 Inicio de sesión en consola de Pentaho ... 128
Figura 113 Interfaz de inicio en servidor Pentaho ... 128
Figura 114 Vista de análisis de hecho admision ... 129
Figura 115 Vista de análisis de hecho vacantes ... 130
Figura 116 Pantalla de login de la aplicación móvil ... 130
Figura 117 Menú de opciones de aplicación móvil ... 131
Figura 118 Lista de indicadores de aplicación móvil ... 131
Figura 119 Vista superior de indicador en aplicación móvil ... 132
Figura 120 Vista inferior de indicador en aplicación móvil ... 133
Figura 121 Prueba de hipótesis de indicador N° 1 ... 142
Figura 122 Prueba de hipótesis de indicador N° 2 ... 147
Figura 123 Prueba de hipótesis de indicador 3 ... 153
Figura 124 Árbol de problemas ... 162
Figura 125 Árbol de objetivos ... 163
Figura 126 Diagrama de Ishikawa ... 165
Figura 127 Entrevista al personal de TI ... 170
Figura 128 Entrevista al director de admisión ... 172
Figura 129 Entrevista a la jefa administrativa de admisión ... 174
Figura 130 Entrevista al decano de ingeniería ... 176
Figura 131 Entrevista al ex director de admisión y decano de Ciencias Sociales ... 178
Figura 132 Entrevista al auxiliar administrativo de admisión ... 180
Figura 133 Evidencia del encuestado N° 1 ... 182
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
x
Figura 134 Evidencia del encuestado N° 2 ... 183
Figura 135 Evidencia del encuestado N° 3 ... 184
Figura 136 Constancia de aplicación de instrumentos ... 185
Figura 137 Validación de encuesta por Alfa de Cronbach ... 186
Figura 138 Tabla estadística de distribución T ... 187
Figura 139 Tabla estadística de distribución normal ... 188
Tablas Tabla 1 Tabla de problemas, causas y efectos ... 2
Tabla 2 Diferencias entre data warehouse y datamart ... 10
Tabla 3 Elección de metodología ... 24
Tabla 4 Recurso Personal ... 28
Tabla 5 Bienes no disponibles ... 28
Tabla 6 Recursos viajes ... 29
Tabla 7 Recursos Servicios ... 29
Tabla 8 Recursos tecnológicos ... 29
Tabla 9 Total presupuesto ... 30
Tabla 10 Población de usuarios ... 32
Tabla 11 Técnicas e instrumentos para la recolección de datos ... 34
Tabla 12 Fortalezas y debilidades de la UNT ... 42
Tabla 13 Oportunidades y amenazas de la UNT ... 43
Tabla 14 Programación de entrevistas ... 55
Tabla 15 Hoja de gestión para el proceso de Inscripción ... 59
Tabla 16 Esquema del indicador Índice de postulantes por modalidad ordinario ... 60
Tabla 17 Esquema del indicador Índice de postulantes por modalidad ordinario ... 60
Tabla 18 Esquema del indicador Índice de postulantes ... 61
Tabla 19 Esquema del indicador Índice de postulantes de colegios estatales ... 62
Tabla 20 Esquema del indicador Índice de postulantes de colegios privados ... 63
Tabla 21 Esquema del indicador Índice de postulantes de otros departamentos ... 64
Tabla 22 Esquema del indicador Índice de ingresos ... 64
Tabla 23 Esquema del indicador Índice de ingresantes por colegios estatales ... 66
Tabla 24 Esquema del indicador Índice de ingresantes por colegios privados ... 66
Tabla 25 Esquema del indicador Índice de vacantes cubiertas ... 67
xi
Tabla 26 Esquema del indicador Índice de acreditados ... 68
Tabla 27 Esquema del indicador Índice de acreditados por segunda opción ... 69
Tabla 28 Esquema del indicador Índice de vacantes cubiertas acreditadas ... 70
Tabla 29 Hoja de análisis del proceso de Inscripción ... 71
Tabla 30 Hoja de análisis del proceso de Evaluación ... 72
Tabla 31 Hoja de análisis del proceso de Acreditación ... 73
Tabla 32 Dimensiones y jerarquías ... 74
Tabla 33 Medidas vs dimensiones ... 75
Tabla 34 Datamart bus architecture matrix ... 76
Tabla 35 Declaración de grano ... 78
Tabla 36 Descripción detallada de la dimensión Carrera ... 79
Tabla 37 Descripción detallada de la dimensión Colegio ... 80
Tabla 38 Descripción detallada de la dimensión Modalidad ... 81
Tabla 39 Descripción detallada de la dimensión Organización ... 82
Tabla 40 Descripción detallada de la dimensión Persona ... 84
Tabla 41 Descripción detallada de la dimensión Proceso ... 85
Tabla 42 Descripción detallada de la dimensión Tiempo ... 86
Tabla 43 Descripción de medidas de la tabla hecho HECHO_ADMISION ... 88
Tabla 44 Descripción de medidas de la tabla hecho HECHO_VACANTES ... 89
Tabla 45 Mapa lógico de la dimensión carrera ... 101
Tabla 46 Mapa lógico de la dimensión colegio ... 102
Tabla 47 Mapa lógico de la dimensión modalidad ... 104
Tabla 48 Mapa lógico de la dimensión organización ... 105
Tabla 49 Mapa lógico de la dimensión persona ... 106
Tabla 50 Mapa lógico de la dimensión proceso ... 108
Tabla 51 Mapa lógico de la dimensión tiempo ... 110
Tabla 52 Plataforma tecnológica ... 117
Tabla 53 Tabla de indicadores ... 136
Tabla 54 Tiempos para el indicador de “Tiempo de obtención de información” ... 138
Tabla 55 Costo horas-hombre en la generación de reportes ... 143
Tabla 56 Rangos de aprobación según el nivel de aprobación ... 148
Tabla 57 Modelo de cuadro resumen para evaluar encuesta ... 149
Tabla 58 Cálculo de indicador 3 mediante proceso actual ... 149
Tabla 59 Cálculo de indicador 3 luego de sistema implantado ... 150
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
xii
Tabla 60 Contrastación de resultados de indicador 3 ... 150
Tabla 61 Matriz de Operacionalización de variables ... 164
Tabla 62 Inversión en hardware... 189
Tabla 63 Inversión en software ... 189
Tabla 64 Inversión en inmobiliarios ... 190
Tabla 65 Resumen de costos de inversión ... 190
Tabla 66 Inversión en recursos humanos ... 190
Tabla 67 Inversión en materiales e insumos ... 191
Tabla 68 Carga del equipo ... 191
Tabla 69 Inversión en energía eléctrica ... 192
Tabla 70 Inversión en servicios... 192
Tabla 71 Inversión en transportes ... 192
Tabla 72 Resumen consolidado de costos de proyecto ... 193
Tabla 73 Inversión en depreciación ... 193
Tabla 74 Ahorro por recursos humanos ... 194
Tabla 75 Total de beneficios ... 194
Tabla 76 Flujo de caja ... 195
xiii PRESENTACIÓN
Señores miembros del jurado:
Cumpliendo con los requisitos estipulados en el Reglamento de Grados y Títulos de la Escuela Profesional de Ingeniería de Sistemas de la Facultad de Ingeniería de la Universidad Nacional de Trujillo, presento vuestra disposición la tesis titulada:
“Inteligencia de negocios y la agilización de la toma de decisiones en la gestión de admisión de la Universidad Nacional de Trujillo”
La presente tesis ha sido desarrollada teniendo como base los conocimientos adquiridos en la formación académica profesional y de nuestro respectivo asesor, los cuales fueron aplicados juntamente con la experiencia profesional adquirida.
Espero que el presente estudio se convierta en una guía para los venideros proyectos de tesis, aplicando la metodología de desarrollo Ralph Kimball.
Trujillo, junio del 2022
_________________________________
Miguel Agüero, Billy Jims
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
xiv RESUMEN
El desarrollo del presente trabajo de investigación titulado “Inteligencia de Negocios y la agilización de la toma de decisiones en la Gestión de Admisión de la Universidad Nacional de Trujillo” consta de una solución de inteligencia de negocios, la cual brinda soporte y apoyo para la toma de decisiones del director de admisión de la Universidad Nacional de Trujillo.
Las decisiones, a través de un sistema de inteligencia de negocios para la dirección de admisión de la Universidad Nacional de Trujillo es más rápida, eficiente y con una reducción de coste.
El proyecto fue desarrollado siguiendo las pautas del desarrollo ágil, por lo que se utilizó la metodología Ralph Kimball.
Mediante el sistema de inteligencia de negocios, se logró hacer reportes inmediatos, dinámicos y análisis de indicadores para la toma de decisiones; además de ello, se mejoró la calidad del manejo de datos, entre otros servicios.
Palabras Clave: Ralph Kimball, Indicadores, Datamart, ETL, Reportes automáticos
xv ABSTRACT
The development of the present research work titled “Business Intelligence for the speed-up of decision making in the admission management of the National University of Trujillo”, consist in a business intelligence solution, which provides support for the decision making of admission director of the National University of Trujillo.
The decisions, through a business intelligence system for the admission direction of the National University of Trujillo are faster, more efficient and cost lesser.
The project was developed following the guidelines of agile development, so the Ralph Kimball methodology was used.
Through the business intelligence system, was achieved making immediate and dynamic reports, and analysis of the indicators for decision making; also, was improved the data management quality, among other services.
Key Words: Ralph Kimball, Indicators, Datamart, ETL, Automatic reports
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
1.
CAPÍTULO I: INTRODUCCIÓN
2 La Universidad Nacional de Trujillo en la actualmente considerada como una de las mejores universidades del norte del país, ya que ha ido logrando un reconocimiento a nivel de calidad en los últimos años. Sin embargo, en la gestión de admisión, no se cuenta con un sistema que agilice la toma de decisiones a nivel estratégico, incrementando el tiempo de obtención de reportes estratégicos y el costo Horas-Hombre que se requieren para la obtención de estos.
Tabla 1
Tabla de problemas, causas y efectos
Problema Causas Efectos
Demora en la toma de decisiones a nivel estratégico en la gestión de admisión de la Universidad Nacional de Trujillo.
Demora o retraso del tiempo de búsqueda
de información. Insatisfacción de quien lo requiere.
Desorden orden de la información. Pérdida de información al buscarla.
Inexistencia de Sistemas automáticos Elevado costo de Horas- Hombres.
Nota. En esta tabla se identificó el problema principal, sus causas y efectos de estos, con el fin de ser abordados más adelante en esta investigación.
Antes de comenzar la investigación, se revisaron y analizaron antecedentes e investigaciones relacionadas al tema de inteligencia de negocios y toma de decisiones, en tres niveles, al nivel local, el cual comprende el departamento de la libertad, el nivel nacional, el cual involucra a todo el Perú y el nivel internacional, el cual envuelve antecedentes de otros países.
En el nivel local, se tienen dos antecedentes, ambas realizadas por ingenieros de la UNT pero en distintos ambientes, los cuales se detallan a continuación.
La tesis titulada “Inteligencia de negocios y la dinamización en la toma de decisiones en la gestión académica de la Universidad Nacional de Trujillo” para optar el título profesional de Ingeniero de Sistemas, desarrollada por Burgos Cristhian y Perreyra Gloria, desarrollada en la Universidad Nacional de Trujillo el año 2015 tiene por objetivo principal dinamizar la toma de decisiones en la gestión académica. Para poder llevar a cabo este objetivo se implementó un Datamart y se desarrolló una aplicación móvil unida a este para que así se pueda obtener la información necesaria siempre que se lo requiera. Se utilizó la tecnología Pentaho la cuál es open source y la metodología Ralph Kimball para su desarrollo. De esta tesis podemos extraer la tecnología para su desarrollo y la metodología, así mismo esta tesis dejó bases para la extensión de inteligencia de negocios para un futuro, siguiendo este camino.
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
3 La tesis “Inteligencia de negocios para la dinamización en la toma de decisiones en la gestión contable y presupuestal de la municipalidad de Víctor Larco Herrera”, desarrollada por Gastañadui Yajaira y Tamayo Jhon en la Universidad Nacional de Trujillo, el año 2016 logra acortar el tiempo de generación de reportes en un 85% así como el costo de generación de estos en un 85% también, de la misma manera incrementa la satisfacción del cliente en un 30%, mostrando que la Inteligencia de Negocios proporciona grandes beneficios, no solo en cuestión de tiempo, sino también en el costo. Como una recomendación importante, propone que se deben ejecutar encuestas periódicas a los usuarios para determinar no solo los niveles de satisfacción, sino también posibles mejores del sistema.
Para los antecedentes al nivel del Perú, se contó con investigaciones en empresas privadas como en universidades, en donde una de ellas, es en el área de admisión, como la investigación presente.
La investigación “Implementación de un datamart como una solución de inteligencia de negocios para el área de logística de T-impulso” desarrollada por Yalan Castillo Julio y Palomino Paniora Luis en el año 2012 logró principalmente, resolver el problema de la extracción de información, automatizándola y explotándola a través de la inteligencia de negocios. Redujo el tiempo en la generación de reportes y, además, ya no es necesario tener un conocimiento profundo para poder obtener reportes, sino, basta con saber lo que se requiere, se puede generar los reportes. Impactando tanto en el área estratégica y táctica del área de logística, como en el área de informática.
La investigación titulada “Desarrollo de Business Intelligence, basado en la metodología de Ralph Kimball, para mejorar el proceso de toma de decisiones en el área de admisión de la Universidad Autónoma del Perú”, desarrollada por Castañeda Vásquez Alberto en la Universidad Autónoma del Perú en Lima el año 2015, logró disminuir el tiempo de generación de reportes, el tiempo de toma de decisiones y también el porcentaje de malas decisiones tomadas debido a que ahora cuentan con información confiable con un mínimo de demora. También la exactitud de la información se logró aumentar con respecto al sistema con el que contaban. En conclusión, la implementación de inteligencia de negocios tuvo un impacto positivo en la toma de decisiones en el área de admisión de la Universidad Autónoma del Perú.
La investigación “La inteligencia de negocio como apoyo a la toma de decisiones en el ámbito académico”, desarrollada por Reyes Dixon Yusnier y Nuñez Maturel Lisette en la Universidad de Ciencias informáticas en Lima el año 2015, logró crear un sistema basado en inteligencia de negocios que mejoró el sistema académico, en la medida que se logró el procesamiento y exposición de información y conocimiento útil para la toma de decisiones en los procesos docentes universitarios.
Aumentando de esta manera la satisfacción de los usuarios y reduciendo el tiempo obtención de
4 información para la óptima distribución de los docentes y la información que necesitan para el desarrollo de sus temas y los datos que generan con los alumnos.
La investigación titulada “Desarrollo de un datamart para mejorar el proceso de toma de decisiones en el área de rentas de la Municipalidad de Lurín”, desarrollada por Vargas Rodriguez Félix y Camacho Colán Luis, en la Universidad Autónoma del Perú, en el año 2014, logró de manera efectiva, la rápida visualización de los indicadores del área de rentabilidad de la municipalidad, así como la generación de reportes de distintos años. Reduciendo considerablemente el tiempo de generación de reportes, así como su obtención de quien lo requiere. Usaron software libre, entre ellos, lo que es el software Pentaho y la metodología que siguieron es la de Ralph Kimball.
La tesis “Implementación de inteligencia de negocios, utilizando la metodología de Ralph Kimball, en la toma de decisiones en el área de ventas. Empresa SID S.A.C.” desarrollada por Rojas Prado, Diego Alfonso y Zamudio Chamorro, Luis Antonio en la Universidad Autónoma del Perú, en el año 2016, para optar el título de ingeniero de sistemas, nos muestra que se logra la mejora de la toma de decisiones generando la información estructurada y útil a través de la implementación de un DataMart.
Además, se logra una reducción significativa en el tiempo en lo que respecta a la generación de reportes en un 99.97%, de la misma manera, en la cantidad de reportes generados ya que, al presentarse la información útil y precisa, se logra que se haga más uso de la información. También aumenta la satisfacción de los gerentes en un 80% que llega a ser muy llamativo en muchos sentidos y la confiabilidad de los reportes también aumentó en un 83.3%. Esto demuestra la efectividad de la implementación de la inteligencia de negocios.
Al nivel internacional se contó con investigaciones en países como Chile, Croacia y Ecuador.
La investigación “Tourism, terrorism, and business intelligence – security of Croatian economy”, o traducido: “Turismo, terrorismo e inteligencia de negocios – seguridad de economía Crotata”, desarrollado por Mirko Bilandzic y Danijela Lucic en Croacia, en el año 2017, logró hallar una relación y tendencia entre el turismo y el terrorismo, a través de la inteligencia de negocios. Esto se logró a través del análisis de datos históricos desde el e 2011, implementando la minería de datos para poder predecir los puntos con mayor probabilidad de ataque para poder tomar medidas más fuertes o intensivas en diferentes puntos. Además, el impacto que tienen los ataques terroristas en el turismo y la economía de Croacia. Esta investigación demostró que el tamaño de una población y la necesidad de turismo, tiene una relación directa con el número de ataques terroristas.
La investigación titulada “Diseño e implementación de una herramienta de inteligencia de negocios para una empresa desarrolladora de simuladores educativos” desarrollado por Manuel Bugueño Díaz,
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
5 en la Universidad de Chile, Chile en el 2021, se logró la eficiente implementación de inteligencia de negocios, pudiendo obtener la información necesaria a través del ETL de Pentaho para el poblamiento del datamart, para que con ello se pueda obtener los KPI y reportes necesarios para que puedan evaluar el desempeño de las campañas del área de marketing y las ventas generadas por la empresa GameLab. Incrementando de esta forma la satisfacción de la empresa GameLab en cuando a la visibilidad de los resultados de ventas de sus simuladores educativos y reduciendo el tiempo y trabajo para la entrega de estas métricas con sus reportes dinámicos.
La tesis “Implementación de un data mart para el análisis de información del área de ventas de la empresa Riego Ecuador” desarrollado por Aguiar Nuñez Kebler Stalin para optar el título de Ingeniero en Sistemas de Computación de Informática en la Universidad de las Américas en Ecuador, en el año 2018 tiene como propósito la implementación de un Datamart para el área de ventas, de tal manera que se facilite el análisis de la información histórica y se logró, además este Datamart se integró al Data Warehouse con que la empresa contaba. Se logró la reducción considerable del tiempo de generación de los reportes y de tal manera que los gerentes o usuarios tengan la información necesaria para la toma de decisiones, además la presentación de indicadores según la información analizada para apoyar a la toma de decisiones.
Una vez mostrados los antecedentes de investigaciones similares, se revisaron papers e investigaciones, de las variables de la investigación presente, como lo que es la Inteligencia de negocios, en sus distintas definiciones.
De acuerdo con (Armendáriz y otros, 2015), uno de los conceptos de la inteligencia de negocios se encuentra uno de los textos más conocidos cual es “El arte de la Guerra”, de Sun Tzu; este narra las estrategias más antiguas que se conocen, aun en los actuales días se sigue practicando algunas de sus estrategias en las organizaciones que buscan ser más competentes en el mercado actual. En este escrito nos indica que es fundamental conocer las fortalezas y debilidades de cada uno de nosotros para poder terminar triunfante en la guerra. La falta de conocer alguna de ellas podría ser la causa de nuestra propia derrota. Dando a entender la importancia de la información precisa y oportuna para la correcta toma de decisiones.
Según afirma (Ahumada y Perusquia, 2016), la inteligencia de negocios surge a partir de la gestión de conocimiento y se llama así al conjunto de estrategias que permiten crear un conjunto de acciones que una empresa inteligente puede acometer y así obtener una clara ventaja sobre los demás competidores, obteniendo así valor agregado en sus productos y efectividad en su funcionamiento.
6 Así mismo, también se refiere a las herramientas orientadas a la creación y gestión del conocimiento mediante análisis de datos existentes.
De acuerdo con (Prieto y otros, 2015), la Inteligencia de negocios es una amplia gama de tecnologías, procesos y aplicaciones para la recolección, acumulamiento y análisis de datos con el fin de mejorar el proceso de decisión de la empresa, siendo clave para adicionar valor a la organización.
Como afirma (Duro & Perez, 2016), la inteligencia de negocios son las tecnologías, aplicaciones y metodologías que permiten transformar los datos en información y estos en conocimiento. Teniendo en cuenta que los datos o información puede ser interna y externa a la organización para su explotación directa o su análisis de tal manera que su acceso sea rápido y sencillo para el proceso de toma de decisiones de organizaciones o empresas.
La inteligencia de negocios permite la transformación de los datos en información, y esta misma en conocimiento de forma que pueda agilizar los procesos en la toma decisiones. Esta información, necesita ser administrada en los distintos niveles de su desarrollo y según sus propósitos. La siguiente figura muestra la correcta implementación de la Inteligencia de Negocios.
Figura 1
Guía para la correcta implementación del BI
Nota. Figura con los aspectos claves para una exitosa implementación de Business Intelligence (BI).
Como componentes de la inteligencia de se tiene la base de datos, que es de donde se extrae y almacena la información.
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
7 Según (Armendáriz y otros, 2015), las bases de datos ordenan mejor la información, facilitando la fluidez para el análisis y posteriormente se transforme en conocimiento y sirva como base en la toma decisiones. Estas se encuentran en todas partes que se manejen softwares, como en la mayoría de las actividades que realizamos en la vida cotidiana. Por ejemplo, si entramos a un banco a ingresar o retirar dinero, si reservamos un tour para salir de viaje en vacaciones, si accedemos a un catálogo virtual para comprar alguna herramienta u objeto de interés.
Otro componente importante de la inteligencia de negocios, es el OLAP (On-Line Analytical Processing), cuya traducción al español es Procesamiento Analítico en Línea.
De acuerdo con (Yuan y otros, 2017), OLAP es una solución usada por Data Warehouses así como los DataMart, es usado para el análisis de modelos. OLAP provee el soporte necesario para la toma de decisiones del sector de información del negocio. OLAP cuenta con numerosas operaciones, las cuales se detallan más adelante.
Como afirma (Cristescu, 2016), los cubos OLAP usan la tecnología OLAP la cual realiza muchas tareas con respecto a la representación y procesamiento de la información. Los cubos OLAP son excelentes para la gestión y generación de reportes, la gestión de procesos de negocio y así mismo, el análisis de bases de datos. Además, los cubos OLAP permiten el acceso a información importante a los usuarios, desde distintas perspectivas. En los cubos OLAP, se introducen los hechos, los cuales son los llamados dimensiones.
Figura 2
Clasificación de OLAP
8 Nota. Gráfico resumiendo los 3 tipos de servidores OLAP.
Los servidores OLAP se clasifican en 3 tipos, los cuales se detallan a continuación.
ROLAP (Relational On-Line Analytical Processing), son servidores que están situados entre el servidor de Back-end y el Front-end del cliente. Almacena los datos en un motor relacional.
MOLAP (Multidimensional On-Line Analytical Processing), son servidores multidimensionales, es el tipo tradicional de base de datos multidimensional
HOLAP (Hybrid On-Line Analytical Processing), presenta dos motores de datos, uno relacional y el otro multidimensional, por lo tanto, se dice que es un híbrido entre ROLAP y MOLAP.
Olap, como cualquier componente, tiene sus operaciones, las cuales son las siguientes
Drill down and roll up, el cual es ver detalle y abstraer. Permite moverse a través de las dimensiones y obtener la información deseada
Slice & dice, esta operación permite rebanar y generar nuevos cubos modificando el origen de las dimensiones (segmentos, casillas, cubos, planos), para su mejor análisis.
Rotate, cambia dimensiones unos con otros.
Otro componente importante de la inteligencia de negocios es el Data Warehouse, el cual se refiere al almacén de datos ya procesados, de manera que su lectura y procesamiento posterior sea más sencillo y rápido.
Según (Reyes y otros, 2015), los almacenes de datos (Data Warehouse) son una de las herramientas de la Inteligencia de Negocios que posibilita a los directivos, gerentes o la persona responsable, de
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
9 las organizaciones las acciones de analizar la información, formular preguntas y realizar consultas en el momento, según la forma y cantidad que precisen sin la necesidad de solicitar apoyo al área informática de dicha organización. A partir de esto, podemos extraer un concepto de Data Warehouse y su utilidad, el cual permite la organización y obtención de los datos, según se requiera.
Según afirma (Armendáriz y otros, 2015), con el descenso de los costos de almacenamiento, en los negocios el problema ya no era conservar grandes cantidades de información, sino poder examinarlas, lo cual es fundamental para el aumento de nuestros conocimientos en la empresa y poder tener una veloz respuesta frente a un problema en dicho entorno. De allí nace Data Warehousing el cual no es un elemental producto de software o de hardware que se compra para conjeturar información estratégica. Esto es mucho mejor, podemos decir que es un ambiente computacional donde los usuarios pueden hallar información estratégica, un sitio donde los usuarios pueden interactuar directamente con la información que ellos mismos necesitan en el momento que lo necesiten para tomar mejores decisiones acerca de la empresa.
Figura 3
Aplicación de la herramienta data warehousing
Nota. Gráfico donde se resaltan las principales aplicaciones del Data Warehousing.
Por lo tanto, a partir de los conceptos que tenemos presentados, podemos concluir que Data Warehouse es la estructuración de datos de manera que sea de fácil manejo dentro de una organización, agilizando así la toma de decisiones.
Datamart es otro componente de la inteligencia de negocios, la cual, según (Rocha, 2021), es un subconjunto estructurado de los datos guardados en un Data Warehouse donde se guarda información agregada o consolidada actualizada periódicamente con objetivo de satisfacer las necesidades de una parte del negocio en específico. Y a su vez, esta información es consumida por alguna otra herramienta para su presentación al usuario final. Dependiendo de la base de calidad y
10 cantidad de indicadores a evaluar, se define el modelo que se usará para e Datamart, los cuales pueden ser modelos de copo de nieve o de estrella.
De acuerdo con (Medina y otros, 2018), existen dos enfoques para los conceptos de Data Warehouse y Datamart. El primero siendo Top-down, propuesto por Bill Inmon, que consiste en el uso de un Data Warehouse para extraer los datos que necesita el Datamart y guardar la información estructurada en su modelo relacional. Y el segundo enfoque siendo Bottom-up, propuesto por Ralph Kimball, el cual indica que el Data Warehouse de una corporación es la unión del total de los Datamart de una organización.
Como (Rocha, 2021) afirma, los Datamart pueden ser de 2 tipos, estos se detallan a continuación.
Datamart OLAP: son los cubos OLAP que, de acuerdo a los requerimientos de departamento o área de un negocio, se construyen las dimensiones y los indicadores precisos de cada cubo relacional.
Datamart OLTP: a través de características específicas de cada departamento o área del negocio, se basa en una simple extracción de la Data Warehouse de la empresa incluyendo mejoras de performance como filtrados de las operaciones más frecuentes.
Tal como se menciona en la parte superior, la principal diferencia entre un Datamart y un Data Warehouse radica en que el primero va enfocado a un área o departamento específico del negocio y el otro cubre a todo el negocio o empresa.
Tabla 2
Diferencias entre data warehouse y datamart
Características Data Warehouse Datamart
Alcance Satisface las necesidades de
información de toda una organización Satisface las necesidades de información de un departamento o área de negocios específica Áreas Múltiples áreas del negocio Línea de negocio específica
Fuentes de datos Múltiples fuentes Pocas fuentes
Tamaño 100 GB a 1TB Menos de 100 GB
Implementación De meses a años Unos pocos meses
Nota. Tabla con las diferencias entre Data Warehouse y Datamart según 5 características. Basado en (Burgos y Pereyra, 2015).
Data Mining es otro componente de la inteligencia de negocios, la cual se traduce como Minería de Datos.
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
11 Como afirma (Cuevas, 2015), la minería de datos es un proceso que busca encontrar patrones y reglas a través de los datos históricos para poder hacer previsiones y predicciones. Lo más común en cuestión de su orientación es la similitud, agrupamiento, clasificación y regresión.
De acuerdo con (Cristescu, 2016), la Minería de Datos es una opción de la serie de herramientas analíticas de los datos, permitiendo analizar y clasificar la data en muchas categorías, de distintas medidas y perspectivas para encontrar patrones o relaciones, por lo cual se puede decir que Data Mining es el descubrimiento de modelos o conexiones entre muchos campos o bases de datos internas o externas. Por lo cual la minería de datos, es un proceso de análisis de datos desde distintas perspectivas para sintetizar datos y obtener información, así disminuyendo los costos.
El componente de la inteligencia de negocios, ETL es Extract, Transform and Load, traducido al español es Extraer, Transformar y Cargar, se encarga de procesar la información.
Como afirma (Reyes y Fuertes, 2017), ETL permite la extracción, transformación, análisis y carga o presentación de la información. Además, ETL previene la sobrecarga de datos en la base de datos con información potencialmente irrelevante.
Los KPI son componentes de la inteligencia de negocios y son los indicadores.
Según (Cuevas, 2015), un KPI es una medida que contrasta el valor de un variable contra un valor deseado plasmado en una variable. La utilidad de estos es para monitorear y cuantificar de manera gráfica los objetivos del plan estratégico de la empresa.
Otro componente de la inteligencia de negocios es el big data, del cual se cuenta con la siguiente definición.
Como dice (Armendáriz y otros, 2015), Big data es una herramienta tecnológica que permite gestionar grandes cantidades de datos de cuatro grupos principalmente, los cuales son la Internet misma, bases de datos internas del negocio, las aplicaciones móviles, la computación en la nube y las redes sociales. Uniendo estos grupos, se permite un análisis, para así, según la empresa darle un uso u objetivo, permitiendo así generar una ventaja competitiva y la no implementación de esta, significaría un riesgo en la empresa frente a otras.
Un modelo general a seguir o del cual guiarse para la implementación de la inteligencia de negocios es la siguiente, partiendo de la base de datos de requisitos, llegando a lo que desean los usuarios finales.
12 Según (Gutierrez y otros, 2016), la inteligencia de negocios puede ayudar a las organizaciones a obtener fácilmente el cálculo del valor de las variables de administración de riesgos de modo eficaz y agiliza la comparación entre umbrales y variables.
A continuación, presento un modelo de implementación genérico:
Figura 4
Modelo genérico de implementación de inteligencia de negocios
Nota. En este gráfico se visualiza de forma macro los pasos que se siguen para implementar una Inteligencia de negocios (BI) y sus herramientas para la información procesada. Basado en (Gutierrez y otros, 2016).
Para la implementación de la inteligencia de negocios, en una empresa, no es necesario de solo un software, sino que debemos incluir una transformación organizacional y una perfecta administración de los recursos de la organización de tal forma que se pueda obtener los efectos deseados, soportados o requeridos en la gobernabilidad de la información.
El siguiente gráfico, representa el ciclo de características para la implementación de la inteligencia de negocios:
Figura 5
Ciclo de características de implementación de Inteligencia de negocios
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
13 Nota. En este gráfico se representa el ciclo de características de la Inteligencia de Negocios. Basado en (Gutierrez y otros, 2016).
Amplitud: Integración de funciones y tecnologías de la empresa.
Profundidad: La inteligencia de negocios debe alcanzar a todos los espacios de la empresa, es decir cada uno de los trabajadores deben poseer acceso a las herramientas adecuadas para la implementación.
Integridad: Base de datos compacta y precisa, que no sea solo para informes y/o consulta, sino que también sea como un soporte de uso diario.
Calidad de los datos: Anticipa que, a partir del análisis de la inteligencia de negocios, las decisiones tomadas sean las mejores y apropiadas para la empresa.
Almacenamiento: Esta debe ser capaz de ordenar grandes volúmenes de información, procesarla y entregar de forma veloz resultados.
Existen agentes que presentes dentro de la ejecución de la inteligencia de negocios, consolidan el éxito en sus frutos, estos factores se pueden apreciar, según su magnitud, en la siguiente figura.
14 Figura 6
Factores para que la inteligencia de negocios tenga éxito
Nota. En este gráfico se visualiza los factores principales para el éxito de implementación de una Inteligencia de Negocios, siendo el más fuerte los metadatos. Basado en (Gutierrez y otros, 2016).
La inteligencia de negocios cuenta con dos modelos principalmente para su implementación, la cual es la simple y la particular, a continuación, se muestran estos.
De acuerdo con (Gutierrez y otros, 2016), los modelos de la Inteligencia de Negocios se dividen en dos los modelos de inteligencia de negocios, modelos verticales y horizontales. Primeramente, los modelos horizontales, los cuales también son llamados modelos generales, son frecuentes para diversos tipos de industrias y puede ser aplicado a cualquier dominio de negocio. Por otra parte, los modelos verticales, también llamados modelos de empresa específicos, son desdoblados para una industria específica.
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
15 En los dos siguientes gráficos presento los modelos mencionados, desarrollados y empleados frecuentemente como una guía para una gran cantidad de organizaciones. De esta forma, se debe tener en consideración que, en el desarrollo de estos modelos, el big data es usado como data warehousing debido a que el Data Warehousing se establece utilizando tecnologías de big data que otorgan a la organización la posibilidad de procesar inmensos volúmenes de datos mucho más rápido que un Data Warehousing tradicional, adicionando la cualidad para almacenar datos no estructurados.
El modelo de la inteligencia de negocios simple abarca de manera general un rubro de negocio y se construye a partir de este.
Abarca el modelado del negocio, modelado de datos, fuentes de datos, ETL, almacenamiento de datos, mercado de datos, y herramientas OLAP.
Figura 7
Modelo de inteligencia de negocios simple
Nota. Gráfico de un modelado simple de Inteligencia de Negocios (BI), se resalta el modelado de negocio y de datos en los requisitos como punto de partida. Basado en (Gutierrez y otros, 2016).
Los modelos de inteligencia de negocios particulares, abarcan negocios específicos, los cuales son creados para resolver problemas de la carencia de la referencia, un antecedente y el arquetipo de una empresa en particular. Diferenciando de la simple en que esta obtiene información de un negocio directamente que de un conjunto en general.
16 Figura 8
Modelo de inteligencia de negocios particular
Nota. En este gráfico se puede ver un modelo de Inteligencia de Negocios (BI) particular, diferenciándose principalmente del simple en que se hace bastante hincapié en la organización en que se implementará. Basado en (Gutierrez y otros, 2016).
Las metodologías para la implementación de la inteligencia de negocios, son diversas, y estas se deben seleccionar y aplicar dependiendo del tipo de negocio y requerimientos. A continuación, se detallaron 3 metodologías, la Ralph Kimball, Hefesto y Rapid Warehousing.
Comenzando con la metodología Ralph Kimball consta de 12 fases, de acuerdo con (Kimball y otros, 2008), la metodología Ralph Kimball sirve para poder llevar a cabo la implementación de un Data Warehouse, así como la mejora y mantenimiento de este, permitiendo que a medida que la organización crezca, el Data Warehouse o Datamart implementado, crezca de la misma manera.
Las fases del ciclo de vida de la metodología Kimball, se detallan a continuación.
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
17 Figura 9
Ciclo de vida de la metodología Kimball
Nota. En este gráfico se puede apreciar el ciclo de vida de la Inteligencia de Negocios según la metodología de Ralph Kimball, sus 12 fases. Basado en (Kimball y otros, 2008).
La primera fase de la metodología Ralph Kimball es el Planeamiento del proyecto.
De acuerdo con (Kimball y otros, 2008), es la fase inicial, en esta fase, se definen los recursos, tareas y alcance del desarrollo, asignando las cargas de trabajo de tal manera que, durante el desarrollo, se pueda hacer un seguimiento del avance. Además, se elabora un documento en donde se especifica el plan de desarrollo del proyecto.
Una vez definido el proyecto y a los involucrados del proyecto, se procede a la Definición de los requerimientos del negocio, la cual es la segunda fase de la metodología Ralph Kimball.
En concordancia con (Silva, 2018), antes de obtener los requerimientos de los usuarios primero se debe comenzar analizando a la empresa como su misión y visión, su planeamiento estratégico, sus fortalezas y debilidades con respecto a sus competidores. Luego para realizar las entrevistas a los usuarios para el levantamiento de información, se debe definir un plan con roles, como la persona entrevistadora y secretario y también se debe seleccionar a qué personas se entrevistarán, según su grado jerárquico dentro de la empresa y desarrollar entrevistas para cada uno de estos niveles. Esta fase es importante debido a que en base a esta información se puede iniciar a construir el Data Warehouse o Datamart según se requiere.
Luego de obtener los requerimientos y habiéndolos procesado correctamente, se puede pasar al Modelo dimensional, la tercera fase.
18 Como afirma (Guevara, 2020), con los requerimientos de la organización ya tomados y sus respectivos documentos y reportes que entreguen, a través del análisis, se puede construir las matrices y con ello construir las dimensiones de los indicadores con sus respectivos atributos y medidas, su nivel de granularidad y jerarquías que van dando forma al modelo dimensional.
Luego se procede a escoger las tablas hechos, dimensiones y medidas para luego ser implementado, probado y revisado.
El Diseño físico es la cuarta fase, la cual se realiza posteriormente haber realizado el modelo dimensional.
Según (Kimball y otros, 2008), el diseño físico se elabora también a base de los requerimientos y se determinan cosas como el tamaño que tendrá el Data Warehouse, y la estructura física necesaria para poder soportar el Data Warehouse o Datamart.
Una vez completado el diseño físico, se puede realizar la quinta fase, el Diseño e implementación del subsistema ETL.
En concordancia con (Silva, 2018), el proceso de ETL se compone de 3 sub etapas, la primera sub etapa es la extracción, este sub proceso se trata de obtener los datos necesarios para la carga del modelo físico diseñado en la cuarta fase. La segunda sub etapa es la transformación, en la cual se convierte o transforma los datos obtenidos en la primera sub etapa con el fin de poder preparar la carga del diseño físico. Y finalmente, la tercera sub etapa, es la carga netamente para poblar el Data Warehouse o Datamart. Para realizar el proceso de ETL propone el mismo plan propuesto por Ralph Kimball, los cuales son: un plan a alto nivel, selección de herramientas ETL, elaboración de un plan detallado, empezar poblando una dimensión simple, implementación de la lógica para la población de dimensiones, poblar las demás dimensiones, cargar las tablas hechos, ETL de hechos incremental y finalmente la auto.matización del proceso ETL.
El Diseño de la arquitectura técnica es la sexta fase, la cual se realiza a partir de los requerimientos obtenidos.
Como proclama (Guevara, 2020), para esta fase se debe tener en cuenta que el Datamart o Datawarehouse necesita la integración de más de una tecnología, por lo cual se debe tener en cuenta 3 factores, el primero siendo los requerimientos de la organización para la inteligencia de negocios, el segundo los ambientes actuales y el tercero las directivas técnicas estratégicas futuras, donde dentro de este último factor se tiene en cuenta las tecnologías que no se tienen actualmente y solicitarlas para la implementación.
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
19 La Selección de productos e instalación es la séptima fase, donde luego de definir la arquitectura se realiza la selección de los productos a usar según los factores estándar que cuenta la metodología Kimball.
De acuerdo con (Silva, 2018), para la selección de productos se debe tener en cuenta 2 factores para la elección de los productos, estos factores son los requerimientos técnicos y requerimientos del negocio. Se deben evaluar las herramientas y comparar considerando el alcance, la arquitectura, limitaciones, requerimientos de usuarios, hardware, software, ventajas y desventajas.
Como octava fase se tiene la Especificación de aplicaciones de inteligencia de negocios.
Según (Guevara, 2020), en esta fase se identifican los roles y perfiles de los usuarios ya que no todos requieren la misma información y las mismas aplicaciones.
La novena fase es Desarrollo de aplicaciones de inteligencia de negocios, donde se desarrollan las aplicaciones de la inteligencia de negocio mismas como las que consumirán a estos o le darán soporte.
Como afirma (Kimball y otros, 2008), antes de hacer el desarrollo de las aplicaciones que usarán los usuarios de sistema a implementar, se deben realizar las especificaciones, teniendo en cuenta las restricciones que se puedan tener como el acceso, los parámetros y los cálculos. Posterior a esto, se desarrollan las aplicaciones estructurando la información que proviene de los almacenes de datos para la mejor visualización y manejo del usuario.
Luego de tener las fases anteriores, se procede a la fase décima, la Implementación.
Como afirma (Guevara, 2020), en esta fase confluyen las aplicaciones seleccionadas, la información obtenida y la tecnología seleccionada, de modo que se ejecuta el plan diseñado en las fases anteriores. Algunos de los factores fundamentales para una exitosa implementación es una buena comunicación, la correcta capacitación y el soporte técnico de las tecnologías antes de empezar a implementar el Data Warehouse y Datamart.
La onceava fase, el Mantenimiento y crecimiento se realiza luego de haber realizado la implementación y esta marca el punto del cual se puede comenzar otro ciclo de la metodología.
Según afirma (Kimball y otros, 2008), como toda organización que tiende a crecer, también lo hacen sus datos, por lo tanto, el sistema debe ser capaz de manejar esto, y según su evolución poder adaptarse, y estos cambios que se realicen, no deben ser una señal de falla, sino una de éxito.
20 La duodécima fase, la Gestión de proyecto, es la fase que se ejecuta a lo largo de todo el proyecto, la cual es consecuente a la primera.
Como afirma (Guevara, 2020), esta fase se ejecuta a lo largo de todo el proyecto, asegurándose de que las actividades y fases se ejecuten correctamente y sincronizadas. Como actividades principales tiene la comunicación constante (siendo esta fundamental) entre los requerimientos de la organización, así como las restricciones de información y el monitoreo del estado del proyecto.
La metodología Hefesto, a diferencia de la Ralph Kimball, cuenta con 4 fases.
Según (Silva, 2018), la metodología Hefesto busca que cada fase no sea muy extensa de ejecutar y que tampoco compliquen el desarrollo. Con la ejecución de sus 4 pasos, se logra definir las necesidades primarias de la información e identificar fuentes de datos de forma determinada, sus indicadores y la definición del modelo de datos.
Figura 10
Fases de la metodología Hefesto
Nota. Gráfico con las 4 fases de la metodología Hefesto. Basado en (Silva, 2018).
La metodología Hefesto consta de 4 fases para su desarrollo, que se detallan a continuación.
La primera fase de la metodología Hefesto es Análisis de requerimientos.
Según (Criollo, 2018), en esta primera fase, se determina los requerimientos en lo que respecta a la información y usuarios para definir claves de desempeño, esto se realiza a través de identificación de preguntas para poder recopilar la mayor cantidad de información necesaria para el proyecto, identificación de perspectivas e indicadores según el análisis de las respuestas de las preguntas realizadas y finalmente un modelo conceptual para representar las perspectivas e indicadores para poder observar de una forma clara los alcances del proyecto.
Figura 11
Modelo conceptual de la metodología Hefesto
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
21 Nota. Gráfico con modelo conceptual de la metodología Hefesto, ubicando las perspectivas e indicadores uniéndose a través de una relación que puede ser compartida. Basado en (Silva, 2018).
La segunda fase es Análisis de los OLTP, consecuente de la primera.
De acuerdo con (Silva, 2018), el principal objetivo de esta fase es ampliar cómo se alcanzarán, conforme al modelo conceptual, los indicadores encontrados en la fase anterior para luego incluir los campos en cada perspectiva y ampliar el modelo conceptual definido anteriormente. Esto se realiza a través la conformación de los indicadores que consiste en la fórmula para el cálculo de los indicadores a través de sus fórmulas y funciones especiales, también a través de establecer correspondencias entre las fuentes de datos OLTP disponibles y el modelo conceptual definido para conseguir la información deseada, también se realiza la identificación del nivel de granularidad de cada perspectiva para su análisis y filtrado de indicadores y con ello, finalmente se obtiene el modelo conceptual ampliado, donde se tienen los campos seleccionados de cada perspectiva e indicadores con su respectiva fórmula.
La tercera fase de la metodología Hefesto es Modelo lógico de la data warehouse.
Como afirma (Criollo, 2018), en esta fase, con el modelo conceptual ampliado de la fase dos, se construye el modelo lógico del Data Warehouse o Datamart. Para ello primero se define que esquema se usará según las necesidades e indicadores KPI, luego se construyen las dimensiones con sus niveles de granularidad y las tablas hecho. Finalmente se procede a crear las uniones entre las tablas hecho y las dimensiones.
La última fase de la metodología Hefesto es la Integración de datos.
Según afirma (Silva, 2018), en esta última fase, se realizan los procesos de ETL con el objetivo de realizar una carga de datos que cuente con una apropiada limpieza y calidad de los mismos. Así mismo, también se definen que políticas y reglas de continua actualización se emplearán. Para poder
22 realizar esta fase, se comienza con una carga inicial, definiendo las restricciones y condiciones para la carga de datos del Data Warehouse o Datamart, para esto se debe comenzar con las tablas dimensiones, desde las más generales a más detallados y luego siguiendo con las tablas hecho, teniendo muy en cuenta el orden, valores faltantes, absurdos o redundantes. El siguiente punto para poder realizar exitosamente esta fase es la actualización, donde se debe especificar que estrategias y políticas se deben emplear para asegurar la calidad de datos actualizada, para ello se especifican tareas automáticas de limpieza, procesos ETL y manuales sobre como ejecutar una adecuada actualización.
La metodología Rapid Warehousing, de acuerdo con (Silva, 2018), permite el crecimiento de la solución de inteligencia de negocios e ir incrementando el Data Warehouse o Datamart a través de iteraciones, permitiendo la obtención de entregables por cada una de estas. Esta metodología está compuesta por 6 fases, las cuales son las siguientes.
Figura 12
Ciclo de vida de la metodología Rapid Warehousing
Nota. En este gráfico se visualiza las 6 fases de la metodología Rapid Warehousing, donde al igual que la Kimball, se aplica la gestión de proyecto a lo largo de todo el desarrollo. Basado en (Becerra, 2019)
La primera fase de la metodología Rapid Warehousing es Definición de los objetivos.
Según (Becerra, 2019), en esta fase se identifica las personas con las que se irá a validar y presentar los reportes resultado del proyecto y así realizar la correcta toma de decisiones, también se evalúa la situación de los datos conforme a calidad, fiabilidad y a fuente de estos. Finalmente se evalúa la
Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.
23 infraestructura tecnológica en la que se implementarán el Data Warehouse o Datamart. Todo esto se realiza con el fin de definir cómo se evaluará el éxito del proyecto.
La segunda fase es Definición de los requerimientos de la información, la cual se ejecuta luego de la definición de los objetivos del proyecto.
Como afirma (Silva, 2018), se realiza el levantamiento de los requerimientos de los stakeholders y análisis de los sistemas actuales. De este modo para el final de esta fase se definirá un documento donde se plasme tanto los requerimientos de usuarios y estrategia y arquitectura del proyecto. Esto se realiza a través de reuniones con entrevistas y análisis de la organización y capacidad de infraestructura.
El Diseño y modelización es la tercera fase de la metodología.
Como asegura (Becerra, 2019), se define cómo se realizará el ETL, sin antes establecer las fuentes de datos, su modelo lógico y físico de los datos y estableciendo la arquitectura que se manejará en el Data Warehouse o Datamart.
Luego de tener el diseño y modelización, se pasa a la cuarta fase, la Implementación.
Según afirma (Silva, 2018), se tienen 3 sub fases, las cuales son la administración donde los datos se recopilan y se transforman desde los orígenes de datos hacia el Data Warehouse o Datamart considerando la validación, depuración e integración. Otra sub fase es la organización donde los datos son cargados y la última sub fase es la explotación donde se construyen las herramientas de acceso a través de gráficos, reportes y dashboards.
Finalmente, la quinta fase de la metodología es la Revisión.
De acuerdo con (Becerra, 2019), en esta última fase luego de aproximadamente 6 a 9 meses, se hacen revisiones del almacén de datos que está en marcha y se evalúan que mejoras se pueden realizar o qué funcionalidades se pueden potenciar.
Una vez haber analizado las 3 metodologías presentadas, se validaron con 3 expertos en el área de inteligencia de negocios, cuál sería la ideal para aplicar en esta investigación, cuyo resultado es el siguiente.
Se han consultado a 3 expertos y el resultado obtenido en relación a su conocimiento de las metodologías se muestra en la siguiente matriz:
24 Tabla 3
Elección de metodología
CRITERIOS / METODOLOGÍAS C1 C2 C3 C4 C5 C6 TOTAL
P = 2 P = 0.15 P = 0.15 P = 0.1 P = 0.2 P = 0.2 Σ(Ci*Pi)
M. RALPH KIMBALL 5 5 5 5 5 4 4.9
M. HEFESTO 4 5 4 5 5 4 4.15
M. RAPID WAREHOUSING 4 5 5 5 5 5 4.13
Nota. Puntaje de acuerdo a conocimiento de expertos sobre metodologías de implementación de inteligencia de negocios con su valor total
Los resultados de las encuestas se encuentran en el Anexo 7: Validación de Instrumentos¡Error! No se encuentra el origen de la referencia.. Y como se puede apreciar, la metodología seleccionada es la metodología Ralph Kimball.
Todo lo comentado anteriormente, se puede resumir en una sola imagen, donde se visualizan todas las herramientas y las técnicas de Inteligencia de Negocios mencionadas anteriormente.
Figura 13
Herramientas y técnicas de la Inteligencia de Negocios
Nota. En este gráfico se resume lo presentado con respecto a la Inteligencia de Negocios en esta investigación con sus posibles flujos y herramientas.
Detallando un poco de la otra variable, la toma de decisiones, se tienen las siguientes definiciones.
