IntroduccinaBusinessIntelligence

AlbertoGabrielGarceteGonzlez,RalAlbertoBentezMartnez

{albertogarcetepy,raulkvd}@gmail.com
IngenieraenInformticadelaFacultadPolitcnica,UniversidadNacionaldeAsuncin
SanLorenzo,Paraguay

Abstract.Elpresentetrabajoexponelosconceptosbsicosquenospermitenadentrarnos
almundodebusinessintelligence.Entenderqusignificabusinessintelligencecomo
campodelagestinempresarial,culessonsusobjetivos,qutiposdeproblemasnos
permiteresolver,dequelementosestcompuesto,culessonlospasosquesesiguen
paradesarrollarlo,dequherramientasdisponemosparaimplementarlo,sonalgunosde
losaspectosquetrataremosalolargodelmaterial.

Keywords: Business Intelligence, Datawarehouse, ETL, Data Staging, Granularidad,

Silos de Informacin, Data Mart, Multidimensional, OLAP, Datamining, Dashboard,
Scorecard.

Introduccin

Businessintelligence o inteligenciadenegocio abarcaunconjuntodeconceptos,tcnicasy

herramientas queseutilizapara latransformacin desimplesdatoseninformacin til y
significativaparaelanlisisdenegocios.Lastecnologasdebusinessintelligencesoncapaces
demanejargrandesvolmenesdedatosqueayudanaidentificar,desarrollarycrearnuevas
estrategiasdenegocios.
Elobjetivodebusinessintelligenceespermitirlafcilinterpretacindegrandescantidadesde
informacin,identificarnuevasoportunidadesyaplicarunaestrategiaeficazqueproporcione
alaorganizacinunaventajacompetitivademercadoyunaestabilidadalargoplazo.Las
herramientasdebusinessintelligence ofrecenunavisinhistrica,actualypredictivadelas
operacionesdenegocio.
Lasfuncionescomunesdebusinessintelligenceincluyenelprocesamientoanalticoenlinea,
mineradedatos,mineradeprocesos,mineradetexto,procesamientodeeventoscomplejos,
anlisisdelrendimientodelnegocio,anlisispredictivo,entreotros.Puedeserutilizadopara
apoyarunaampliavariedaddedecisionesquevandesdelasoperativashastalasestratgicas.
Lasdecisionesoperativasbsicasincluyenlareposicindeproductosenstockolafijacinde
precios.Lasdecisionesestratgicasincluyenprioridades,objetivosydireccinentodoslos
nivelesdelaorganizacin.
Entodosloscasos, businessintelligenceesmseficazcuandosecombinandatosderivados
delmercadoenelqueoperalaempresa(datosexternos)condatosoriginadosdeformainterna

en la propia organizacin (datos internos). En efecto, cuando se combinan datos

externoscondatosinternospuedenproporcionarunavisinmscompleta,estocrea
unainteligenciaquenosepuedeobtenerdecualquierconjuntodedatos.

Quesbusinessintelligence

ElprimeroqueacueltrminofueHowardDresner,quincuandoeraconsultorde
Gartner Group lo utiliz para describir un conjunto de conceptos y mtodos que
mejoranlatomadedecisiones,partiendodelainformacindisponibleacercadelos
hechos.Entonces,partiendodeladefinicindelglosariodetrminosdeGartner[1]:
Business Intelligence es un proceso interactivo para explorar y analizar
informacin estructurada sobre un rea (normalmente almacenada en un
datawarehouse),paradescubrirtendenciasopatrones,apartirdelascualesderivar
ideasyextraerconclusiones.Las reasincluyenclientes,proveedores,productos,
serviciosycompetidores.Elprocesodebusinessintelligenceincluyelacomunicacin
delosdescubrimientosyefectuarloscambios.
Indicaquebusinessintelligenceesunprocesoqueseprolongaeneltiempo,quenoes
sloparaunmomentopuntual delagestinempresarial,enelquepodremosver
tendencias,patrones,cambios,variables,etc.Alexplorariremosdescubriendonuevas
relacionesquehastaelmomentodesconocamos.Alanalizardelonuevoquehemos
descubierto,veremosrelacionesentrevariables,tendencias,patronesyculpuedeser
laevolucindelosmismos.
Lainformacinestructuradaestentablasrelacionadas,dichastablasalavezestn
enundatawarehouseoalmacndedatos.Nospodemoscentrarenreasespecficas
delnegocioyenobjetivosconcretoscomoporejemplo:reducircostes,incrementar
ventas, aumentar la participacin en el mercado, cumplir los objetivos de ventas
presupuestados.Finalmente,lodescubiertoyanalizadosedebecomunicaraaquellas
personasenlaorganizacinquerealizarnloscambiosapropiadosparamejorarla
competitividad.
Ladefinicin[2]queproponeTheDatawarehouseInstitutees:
BusinessIntelligence (BI) esuntrminoparaguasque abarcalosprocesos,las
herramientasylastecnologasparaconvertirdatoseninformacin,informacinen
conocimientoyplanesparaconducirdeformaeficazlasactividadesdelosnegocios.
BI abarca las tecnologas de datawarehousing, los procesos en el 'back end',
consultas,informes,anlisisylasherramientasparamostrarinformacin(estasson
lasherramientasdeBI)ylosprocesosenel'frontend'.

Objetivosdebusinessintelligence

Segnloexpuestoenladefinicindeltrmino businessintelligence podemosdecir

quetienelossiguientesobjetivosprincipales:

Convertirdatoseninformacin,informacinenconocimientoyconocimientoen
planesoperativosoestratgicos.
Facilitarladisponibilidaddeinformacinalosusuariosdenegocios, queles
ayudeatomardecisionesmsrpidamente.
Apoyardeformasostenibleycontinuadaalasorganizacionesparamejorarsu
competitividad, ante el entorno de negocios cambiante de forma que puedan
adaptarseal.
Antelacantidaddeinformacinquevacreciendo,disponerdemstiempoen
analizarla, en vez de gastar mucho tiempo en prepararla, organizarla y
estructurarla.
Permitiralasorganizacionesdirigirdemejorforma,decidir,medir,gestionary
optimizarelalcancedelaeficienciaylosresultadosfinancieros.
Disminuirsustancialmentelaincertidumbrequeexisteantelatomadedecisiones
respectoaunplanestratgico.

Unejemplodndeserequierebusinessintelligence

Unsupermercado,dondelainformacinquedisponemossonlosticketsdeventa.El
sistemadeinformacinestbasadoenlainformacinquerecogemosdelasmquinas
registradoras.

Fig.1.Elformatodelticketutilizadoenelsupermercado.

Lainformacinquecontieneelticketdeventaes:elnmerodeticket,lafecha,la
hora,cdigodelcajero,cdigodelsupermercado;porcadaartculovendidoenel

ticket: cdigodel artculo,descripcin del artculo,unidadesvendidas,preciopor

unidad,importetotalporarticulo.Elimportetotaldelticketylaformadepago.
Apartirdeestainformacinpodemossaber:

Nmerodetickets(enhorarioodaespecfico).
Nmerodeticketsatendidosporcadacajero(enhorarioodaespecfico).
Ventasdeartculosenunidadeseimporte(puedeserporda,semana,mes,ao,
etc..).
Importetotaldelasventas(puedeserporda,semana,mes,ao,etc..).
Importecobradoenefectivootarjetasdecrdito.
Nmeropromediodeticketsporhora,da,cajero,etc.
Importepromedioporticketporhora,da,cajero,etc.

Estainformacinnosfacilitalatomadedecisionestalescomo:reponerlasexistencias
deartculos,asignarturnosaloscajerosenfuncindelnmerodeticketspromedio
porhora.Nospermiteverculessonlosproductosmsvendidos,elmediodepago
msutilizadoporlosclientes.
Sihayunadisminucinenlasventasnosdirnsiesunproblemadeafluenciaal
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
debemosintentarquenoscomprenms.
Alexplorarlainformacindiscriminndolapordadelasemana,nosdamoscuenta
quelossbadossonlosdasdemayorventaylosmircolessonlosdemenorventa.
Enelcasodeunaanomaladeventaenundasbadoporejemplo,sepuedeexplicar
convariablescomodafestivoanterioroinclemenciadeltiempo,sieselcaso.
Sianalizamoslostickets,capazdescubramosquehayrelacionesentreproductos,por
ejemplo cuando un cliente compra fideos, qu probabilidad hay de que compre
tomatesoextractosdetomate.Estainformacinestilparalaspromociones.
Si hemos decidido llevar a cabo promociones, queremos saber cul ha sido su
efectividadyporqu.Esteaprendizajeestilparafuturaspromocionesyporende
paraservirmejoranuestroclientes.
Unsupermercado es unnegocio queefectivamente requiere business intelligence,
vemos que se plantean constantes interrogantes a lo largo del flujo de negocios.
Cuandovayamosdesarrollandoloselementosdebusinessintelligencenotaremoscon
claridadcmoutilizarloenentornoscomoeldeunsupermercado.

Quinrequierebusinessintelligence

Teniendo en cuenta el ejemplo del supermercado, la informacin que podemos

generarapartirde businessintelligence estilparatodoslosdepartamentosdela
organizacin:

Responsablesdecompras,parasaberlaexistenciaenstockdecadaartculo.
Responsablesdeventas,quedecidenlacolocacindelosproductos,paraverqu
productostienenmayorrotacin.
Responsablesdelanegociacinconlasentidadesfinancieras,paraconocerlos
flujosdeefectivo,tarjetasdedbitoycrdito.
Responsablesdemarketing,paracrearpromocionesoverlaefectividaddelasya
realizadas.
Responsablesdelpersonal,paraasignarturnosenlascajasporejemplo.

Endefinitiva,paratodasaquellaspersonasdelaorganizacinquetenganquetomar
decisiones.Tambinvemosquelasdecisionesatomarpuedenserdeltipooperativoo
inclusoestratgico.
Enunartculo[3]sobreelsectorsanitariodeEEUUnarrabalosiguiente:
En muchos hospitales los analistas financieros destinan un 80% del tiempo a
agregarynormalizarmanualmenteinformacinenclculoExcel,ytansloun20%
aanalizarlainformacinrelevante.
Noesposiblequepasemosel80%deltiempopreparandoinformacinytansloel
20% analizndola, obviamente debera ser al revs. Estas afirmaciones deberan
darnosnimossuficientesparacomenzarunlargocaminohacialaimplementacinde
proyectosdebusinessintelligenceennuestrasorganizaciones.

Componentesdebusinessintelligence

Cincosonloscomponentesde businessintelligence,loiremosdesarrollandounoa
uno.

6.1

Fuentesdeinformacin

Fig.2.Primercomponentedebusinessintelligence.

Lasfuentesdeinformacinalasquepodemosaccederson:
Sistemas operacionales o transaccionales, que incluyen aplicacin hechas a
medida, ERP (Enterprise Resources Planning), CRM (Customer Relationship
Management),SCM(SupplyChainManagement),etc.
Sistemas de informacin departamentales: hojas de clculo, informes,
presupuestos,etc.
Fuentesdeinformacinexterna,comocontenidoweb,informacinadquiridade
tercerosporejemplo:estudiosdemercado,etc.
Informacinnoestructuradacomo:correoselectrnicos,cartas,informes,videos,
etc.
Elnmerodefuentesdeinformacinvaradeunaorganizacinaotra,engrandes
corporacionessehabladeunamediade8basesdedatos,enalgunoscasospuede
llegarhasta50.
Cadavezmslatecnologanospermitetrabajarconinformacinnoestructurada,yse
esperaqueestetipodeinformacinseacadavezmsimportante.Unaencuesta[4]ha
indicadoqueel60%delosdirectoresdeSistemasdeInformacinylosdeTecnologa
consideran que la informacin semiestructurada es crtica para mejorar las
operacionesyparalacreacindenuevasoportunidadesdenegocio.
Calidaddelosdatos

Lacalidaddelosdatosenundatawarehouseesfundamental,comoafirmaBillInmon
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
disponenesprecisayvlida.Silainformacinnoesvlida,entoncesnopueden
responderdelasdecisionesbasadasenella.
Esnecesarioasegurarquelacalidaddelosdatosesmxima.Sieneldatawarehouse
hayerrores,stossepropagarnalolargodetodalaorganizacinysonmuydifciles
delocalizar.Adems,puedenocasionarquesetomendecisioneserrneasqueafecten
losresultadosdelaorganizacin.
Asumirquelacalidaddelosdatosesbuenapuedeserunerrorfatalenlosproyectos
debusinessintelligence[6].Loserroresenlosdatospuedenprovenirdelossistemas
transaccionales de los que recuperamos los datos, del proceso ETL o del propio
datawarehouse.
Debemosentenderquelaproblemticadelacalidaddedatosnoesunproblemade
losdepartamentosdetecnologa,sinounproblemaestratgicoalquedebemosasignar
objetivos,recursosyplanificacin.Nohaydemasiadasorganizacionesquetenganun
plan de calidad de datos; en una encuesta[7] de The Datawarehouse Institute
realizadaenelao2001,losresultadosobtenidosfueroncontundentes:el48%delas
organizacionesencuestadasnotenanunplanparagestionaromejorarlacalidadde
losdatos.

6.2

ETLProcesodeextraccin,transformacinycarga

Fig.3.SegundocomponentedeBusinessIntelligence.

Elprocesotrataderecuperarlosdatosdelasfuentesdeinformacinyalimentarel
datawarehouse.ElprocesodeETL[8]consumeentreel60%yel80%deltiempode
unproyectode businessintelligence,porloqueesunprocesoclavequerequiere
recursos,estrategia,habilidadesytecnologas.
ElprocesoETLsedivideen5subprocesos:
Extraccin
Laextraccindelosdatossepuederealizarbiendeformamanualobienutilizando
herramientas de ETL. De forma manual significa programar rutinas utilizando
lenguajesdeprogramacinqueextraiganlosdatosdelasfuentes.Laalternativaesla
queproveen las herramientas especializadas deETLque hansidodiseadas para
llevaracaboestafuncin.

Fig.4.Principalesproblemasalaccederalosdatosparaextraerlos.

LaFigura4serefiereaquelaproblemticadelaextraccinsurgedequelosdatos
provienen de distintas fuentes, bases de datos, plataformas, protocolo de
comunicaciones,juegodecaracteresytiposdedatos.
Hablamosdedatastagingoalmacenesdedatosintermediosmientrasestamosenel
procesodelimpiezadelosdatos.Acumulamosdatosdedistintasfuenteseneldata
staging,enunmomentodadotodosestosdatossecargarneneldatawarehouse.Los
usuariosfinalesnuncaaccedenaesteentorno.
Limpieza
Lossistemastransaccionalescontienendatosquenohansidodepuradosyquedeben
serlimpiados.LasherramientasETLtienenfuncionalidadesdelimpiezadedatos.
Algunascausasqueprovocanquelosdatosestnsuciosson:

Valorespordefecto.
Ausenciadevalor.
Camposquetienendistintasutilidades.
Valorescontradictorios.
Usoinapropiadodeloscampos.
Reutilizacindeclavesprimarias.
Seleccindelprimervalordeunalista.
Problemasdecargadeantiguossistemasodeintegracinentresistemas.

Lalimpiezadedatossedivideendistintasetapas:
Depurarlosvalores(parsing):localizaeidentificaloselementosindividualesde
informacinenlasfuentesdedatos.Porejemplo:separaelnombrecompletoen:
nombre,primerapellido,segundoapellido;oladireccinen:calle,nmero,etc.
Corregir(correcting): corrigelosvaloresindividualesdelosatributosusando
algoritmosde correccin yfuentes de datosexternas. Por ejemplo: comprueba la
direccinysucdigopostalcorrespondiente.
Estandarizar (standardizing): aplica rutinas de conversin para transformar
valoresenformatosdefinidosyconsistentes.Porejemplo:tratodeSra.oSr.cambiar
asuscorrespondientesnombrescompletos.
Relacionar(matching):buscayrelacionalosvaloresderegistros,corrigindolos
yestandarizndolosparaeliminarduplicados.Porejemplo:identificandonombresy
direccionessimilares.
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
transformacinincluye:

Cambiosdeformato.
Sustitucindecdigos.
Valoresderivadosyagregados.

Los agregados como las sumas de las ventas normalmente se precalculan y se

almacenanparaconseguirmayoresrendimientos.Enesteprocesotambinajustamos
elnivelde granularidadodetalle,porejemplo:podemostenerdetallesanivelde
lineas de factura en los datos extrados, pero en el datawarehouse lo que
almacenamossonlasventassemanalesomensuales.Ladiferenciadelniveldedetalle
enelanlisisesloquedenominamosgranularidad.

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
granularidadpodremosresponderalgunaspreguntasperonootras.
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
coincidenconlainformacinqueresidaennuestrosistematransaccional.
Esfundamentalcomprobarquetodosehallevadoacabocorrectamente,yaquedelo
contrariopuedellevaradecisioneserrneasdelosusuarios.
Actualizacin
Esteprocesodeterminalaperiodicidadconelqueharemosnuevascargasdedatosal
datawarehouse.

6.3

Datawarehouseoalmacndedatos

Fig.5.TercercomponentedeBusinessIntelligence.

Laaparicindelosdatawarehousessonlarespuestaalasnecesidadesdelosusuarios
que necesitan informacin consistente, integrada, histrica y preparada para ser
analizada y poder tomar decisiones. Si el datawarehouse est construido
adecuadamenteproporcionaunentornodeinformacinquenospermitirencontrar
nuevoconocimientoygenerarvalor.

ElprofesorHughJ.Watson[9]lodefinecomo:
Un datawarehouse es una coleccin de informacin creada para soportar las
aplicaciones de toma de decisiones. Datawarehousing es el proceso completo de
extraerinformacin,transformarlaycargarlaenundatawarehouseyelaccesoa
estainformacinporlosusuariosfinalesylasaplicaciones.
Bill Inmon[10] fue el que defini las caractersticas que debe cumplir un
datawarehouse:
Orientadoaunrea:cadapartedeldatawarehouseestconstruidapararesolver
unproblemadenegocio.Porejemplo:entenderloshbitosdecompradenuestros
clientes,analizarlacalidaddenuestrosproductos,analizarlaproductividaddeuna
lneadefabricacin.
Integrado: lainformacindebesertransformadaenmedidascomunes,cdigos
comunesyformatos comunesparaser til.Porejemplo: lamonedaenqueestn
expresadaslosimportesescomn.
Indexadoeneltiempo:semantienelainformacinhistrica.Ellonospermitepor
ejemplo:analizarlaevolucindelasventasenlosperiodosquequeramos.
No voltil: los usuarios no la mantienen como lo haran en los entornos
transaccionales.Noseveactualizadocontinuamente,sinoperidicamentedeforma
preestablecida.Lainformacinsealmacenaparalatomadedecisiones.
RalphKimbal[11]definelosobjetivosquedeberacumplirundatawarehouse:
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,anlisisypresentacindelainformacin.
Lainformacindeldatawarehouseesconsistente.
La calidad de informacin en el datawarehouse es el motor de business
reengineering[13].
DataMart
Losdatawarehousesserepresentanhabitualmentecomounagranbasededatos,pero
pueden estar distribuidos en varias bases de datos. El trabajo de construir un
datawarehouse corporativo puede generar inflexibilidades, ser costoso o requerir
plazosdetiempoinaceptables.Enparte,estasrazonesoriginaronlaaparicindelos
datamart.
Normalmente, los data mart son ms pequeos que los datawarehouses. Tienen
menoscantidaddeinformacin,menosmodelosdenegociosysonutilizadosporun
nmero menor de usuarios. Los data mart almacenan informacin de un nmero
limitadodereas,porejemplo:puedenserdeventasydemarketing.

Losdatamartpuedenserindependientesodependientes.

Fig.6.DataMartindependientes.

Fig.7.Datamartdependientes.

Los datamart independientessonalimentadosdirectamenteporlosorgenesdela

informacin, mientras que los dependientes se alimentan desde el datawarehouse
corporativo.
Los data mart independientes pueden perpetuar el problema de los silos de
informacinqueeselquesucedecuandoentredistintosdepartamentosnofluyela
informacinnecesaria,bienparalagestinobienparaelanlisis,dandolugartantoa
problemasdeoperacionescomodeoptimizacindelnegocio.Tambinlaevolucin
deundatamartpuedellegaragenerarinconsistenciasconotrosdatamart.
Esta estrategia se utiliza a veces como un paso previo al desarrollo de un
datawarehousecorporativo.
Metadata

Uncomponentecriticodeldatawarehouseeselmetadataodiccionariodedatos.Nos
daelsignificadodecadaunodeloscomponentesysusatributosqueresidenenel
datawarehouseoeneldatamart.Estainformacinestilparalosdepartamentosde
tecnologayparalospropiosusuarios.
Elpersonal delosdepartamentos deTecnologanecesita saberlosorgenesdela
informacin:basesdedatos,transformacionesrealizadas,criteriosdefiltro,nombre
delascolumnasydelastablas,plazosdecarga,tiposdedatos,formatos,etc.
Losusuariosnecesitansaberlasentidadesysusatributos,cmohansidocalculados,
transformados, detalle de las transformaciones, los informes disponibles, los
responsablesdelosdatos,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
mismaterminologayconelmismosignificado.Porejemplo:cuandoalguienhable
demargenbrutoomargendecontribucindeberestardefinidosinambigedad
paratodalaorganizacin.

6.4

Herramientasdebusinessintelligence

Fig.8.Herramientasparatrataryvisualizarloqueresideenundatawarehouse.

Existendistintastecnologasquenospermitenanalizarlainformacinqueresideen
undatawarehouse,perolamsextendidaeslaOLAP(OnlineAnalyticalProcessing).
Losusuarios[14]necesitananalizarinformacinadistintosnivelesdeagregaciny
sobremltiplesdimensiones.Porejemplo:ventasdeproductosporclientesotipode

cliente, por zona de venta y por fecha. OLAP provee de estas funcionalidades y
algunasms.
Aestostiposdeanlisislesllamamos multidimensionales,porquenosfacilitanel
anlisis de un hecho desde distintas perspectivas o dimensiones. Los modelos de
negociosnormalmentesonmultidimensionales.

Fig.9.LarepresentacingrficadelOLAPsonloscubos.

Enelcubotenemoslasunidadesvendidasdecadaunodeloslibros,paralosdistintos
clientesyenlosdistintosaos.Esteeselconceptodemultidimensionalidad.Los
contenidosdecadadeloscubosindividualessonloshechos(lasunidadesvendidas
ennuestroejemplo).EnlaactualidadlassolucionesOLAPpermitenquecadaunode
loscubosindividualespuedacontenermsdeunhecho.
Rotar (en ingls slicing) los cubos, es decir cambiar el orden de las distintas
dimensiones.ComovemosenlaFigura10hemoscambiadoladimensinclientes
porladelibros.

Fig.10.LasherramientasOLAPnospermitenrotarloscubos.

Tambinpodemosseleccionar(delinglsdicing)sloalgunasdelasceldas.Enla
Figura11lasventasalcliente2deloslibros1y2enelao1.

Fig.11.LasherramientasOLAPnospermitenseleccionaralgunasceldas.

Elmximoniveldeagregacin(delingls rollup),enelejemploobtenemosel
totaldelibrosvendidosporclienteyporao.

Fig.12.LasherramientasOLAPnospermitenobtenerelmximoniveldeagregacin.

EnlaFigura13,loslibros1y2correspondenalamateria1,mientrasqueellibro3
correspondealamateria2.Enestecasobajamosamsdetalle(delingls drill
down) a travs de la jerarqua materias. Las jerarquas nos permiten hacer
agrupaciones.

Fig.13.LasherramientasOLAPnospermitenobtenerelmayordetalleposible.

DistintostiposdeherramientasOLAP
ROLAP(relationalOLAP):seaccedeaunabasededatosrelacional(RDBMS).
Accede habitualmentesobre unmodeloestrella. Laprincipal ventaja esqueno
tienelimitacionesencuantoatamao,peroesmslentoqueelMOLAP.
MOLAP(multidimensionalOLAP): seaccede directamente sobreunabasede
datos multidimensional (MDDB Multi Dimensional Data Base). La principal
ventajaesqueesmuyrpidaenlostiemposderespuestaylaprincipaldesventajaes
que,siqueremoscambiarlasdimensiones,debemoscargardenuevoelcubo.
HOLAP(hybridOLAP):seaccedealosdatosdealtonivelenunabasededatos
multidimensionalyalosatmicosdirectamentesobrelabasededatosrelacional.
AlternativasaOLAP
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
mximoparaquenohayainformacinredundante.Cadavalornicoparatodoslos
datossealmacenaunasolavezysereferenciaatravsdepunteros.
Porejemplo:siexistenmuchosregistroscocherojoytambincocheazul,slo
unavezsealmacenalapalabracoche,lapalabrarojoylapalabraazul.Se
indexanel100%delosdatosyseeliminanlosdatosredundantesylosvaloresnulos,
loquellevaaunmenorusodeespacioendiscoymenorestiemposdeescrituray
lectura.
El modelo de almacenamiento interno proporciona una visin vertical (basada en
columnas)delosdatosascomounavisinhorizontalampliada(basadaenfilas)que
va ms all de las tecnologas de base de datos relacionales. Las consultas son
altamenteeficientesdebidoalnuevomodelodealmacenamiento.

Principalesherramientas[16]debusinessintelligence
Herramientas OLAP: permiten alosusuarios finalestratar la informacin de
formamultidimensional para explorarla desdedistintasperspectivas yperiodosde
tiempo.
HerramientasdeDashboard[17]yScorecard:permitenalosusuariosfinalesver
informacincrticadelrendimientoconunslovistazomedianteconosgrficosola
posibilidaddevermsdetallessilodesean.
HerramientasDatamining: datamining eselprocesodedescubrireinterpretar
patronesdesconocidosenlainformacin,medianteloscualesresolverproblemasde
negocio.Losusosmshabitualesde datamining son:segmentacin,ventacruzada,
sendasdeconsumo,clasificacin,previsiones,optimizaciones,etc.
Herramientas de Text mining: nos permiten trabajar con informacin no
estructuradayherramientasdevisualizacinavanzada.
Generadoresdeinformes:utilizadaspordesarrolladoresprofesionalesparacrear
informesparagrupos,departamentos,organizacin,etc.
Herramientasdeusuariofinaldeconsultaseinformes:parausuariosfinalespara
crearinformesparaellosmismosoparaotros,norequiereprogramacin.
Herramientasdeplanificacin,modelizacinyconsolidacin: paraelaborarla
planificacin, los presupuestos, las previsiones. Estas herramientas proveen a los
dashboardsyalosscorecardsdelosobjetivosydelosumbralesdelasmtricas.

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,sepresenta el desafodesaberquhacer conellaspara utilizarlas en
beneficiodelaorganizacin.
Estedesaforecaesobrelosempleadosdelaorganizacinquedebentomardecisiones
empresariales, y que determinarn en un futuro no muy lejano el nivel de
competitividaddelaempresa.Estasdecisionesmuchasvecesrequierensertomadas
enunmomentodeterminadoysinmuchademora.
Debidoaestagranresponsabilidaddeguiarelrumbocompetitivodelaempresa,es
quedebenarmarsedelasmejoresherramientas,mtodos,tcnicas,conceptos,etc.En
esteentornoesdondeentraenjuegobusinessintelligenceointeligenciadenegocio,
que busca transformar toda esa informacin en conocimiento, para la toma de
decisionestantooperativascomoestratgicas.
Siguiendo los pasos que propone business intelligence y con las herramientas
disponiblesparasuimplantacin,sedotaalosusuariostomadoresdedecisiones,de

unentorno completo donde encontrar soluciones a losproblemas operacionales o

estratgicos que les toca resolver, as como tambin pueden analizar, calcular,
proyectar,medir,etc..elalcancedelasdecisionesquevanatomar.

Referencias
[1] Glosario de Gartner: www.gartner.com. Gartner es una consultora internacional
especializadaenTICs(TecnologasdeInformacinyComunicacin).
[2] Enterprise Business Intelligence: Strategies and Technologies for Deploying BI on an
EnterpriseScale,WayneW.EckersonyCindiHowson,TDWIReportSeries,Agosto2005.
[3]Traducidodelartculo:BusinessIntelligencetoolscanhelpturnoutsavingsincorecost
areasdeMatthewB.Rice,publicadoenManagedHealthcareAlliance,March2004.
[4] Blumberg, R. y S. Atre The Problem with Unstructured Data, DM Review,
http://dmreview.com/master.cfm?NavID=55&EdID=6287(12Septiembre2003).
[5]Disponibleenhttp://www.beyenetwork.com/,agosto2006.
[6]TheBasicsofdatawarehousing,MarkBeyeryDonaldFeinberg,Gartner,2006.
[7]TDWI,ReportSeries:DataQualityandtheBottomLine,porWayneW.Eckerson,2002.
[8]EvaluatingETLandDataIntegrationPlatforms,porWayneEckersonyColinWhite,
TDWIReportSeries,2003.
[9] Estadefinicinhasidoextradasdeunapresentacintitulada:RecentDevelopmentsin
datawarehousing: A Tutorial, disponible en la web:
http://www.terry.uga.edu/~hwatson/dw_tutorial.ppt,agosto2006.
[10]Buildingthedatawarehouse(1aedicin),Inmon,W.H.,QEDPress,NewYork,1992.
[11]ThedatawarehouseToolkit.RalphKimball.Wiley,1996.
[12] Los interesados en los datawarehouse corporativos pueden profundizar en el libro
CorporateInformationFactorydeW.H.Inmon,C.ImhoffyR.Sousa,Wiley,1997.
[13] El Business Reengineering o Business Process Reengineering fue definido por M.
HammerensuartculoRediseodeltrabajo:noautomatice,eliminepublicadoenHarvard
DeustoBusinessReview,3ertrimestrede1991.ElBPResunametodologadetransformacin
delasorganizacionesquesecentraenlosaspectosclaveynoencmoseestnhaciendolas
cosas, partede latesis deque enmuchos casosse hanaplicado nuevastecnologas sobre
procesos antiguos. Dicho de otro modo, ineficiencia ms tecnologa es ineficiencia
automatizada.
[14]Buildingthedatawarehouse,W.H.Inmon,Willey,1996.
[15]Comosedescribeen:QlikTechsApproachtoBusinessIntelligence:KeepItSimpleand
Flexible,D.VessetyB.McDonoughIDC,julio2006.Unodelosproductosqueutilizaesta
tecnologaesQlikviewdeQlikTech,quepatentelAssociativeQueryLogic(AQL).
[16]EnterpriseBusinessIntelligence:StrategiesandTechnologiesforDeployingBIonan
EnterpriseScale,WayneW.EckersonyCindiHowson,TDWIReportSeries,Agosto2005.
[17] DashboardyScorecardsontraducidosdelinglshabitualmenteporCuadrosde
Mando.Ladiferenciabsicaesquelosprimerostanslomuestranindicadoresdereasde
negocioquenotienenporquestarrelacionadosentreellosypuedenserdetanslounaparte
de la organizacin, son bsicamente operativos o tcticos, mientras que los segundos se
desarrollananivelestratgico,seestablecenrelacionesentrelosindicadoresysuelencubrir
toda la organizacin. Losprincipalesprecursoresdeestos ltimossonRobertS. Kaplan y
DavidP.NortonconelBalancedScorecard,quepublicaronensuartculo:TheBalanced
Scorecard Measures That Drive Performance, Harvard Business Review, enerofebrero,

1992.ParaaquelloslectoresquequieranprofundizarenladiferenciaentreDashboardsy
Scorecards y analizar sus principales diferencias pueden utilizar el informe de The
datawarehouseInstitute,publicadoenJuliode2006porW.W.Eckerson,titulado:Deploying
DashboardsandScorecards.