Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TESIS
PARA OBTENER EL TÍTULO DE:
INGENIERO DE SISTEMAS
AUTOR:
ASESOR
LIMA – PERÚ
1
DEDICATORIA
A Dios por las bendiciones
derramadas en mi vida.
A mi esposa e hijos, mis
padres, hermanos por su
apoyo constante y su gran
amor.
2
AGRADECIMIENTOS
En primer lugar, a Dios por
darme la fuerza y voluntad
todos los días de la vida.
A mi familia por brindarme el
apoyo incondicional.
A mi asesor Ing. Oscar Salas
por su apoyo y sus sabias
enseñanzas académicas.
3
RESUMEN
4
El objetivo central de este trabajo, es dar una solución al problema de las
necesidades de información para la toma de decisiones de la Secretaria, Jefatura
del Laboratorio, Unidades o áreas de producción del laboratorio central de la
FAP, que consiste realizar la implantación de Inteligencia de Negocios usando la
plataforma BI “Power BI” que es una colección de servicios de software,
aplicaciones y conectores que funcionan conjuntamente para convertir orígenes
de datos sin relación entre sí en información coherente, interactiva y atractiva
visualmente.
Para el desarrollo de este proyecto se aplicó la técnica de investigación mixta,
porque ésta consiste en la recopilación y tratamiento de datos. Cuyo objetivo
general de esta investigación es para contestar la siguiente pregunta ¿De qué
manera la Implementación de Power BI como solución de inteligencia de
negocios Influye en el proceso de toma de decisiones de la Demanda y
Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de
Lima-Perú?.
5
ABSTRACT
This research seeks to explain in a very simple way that it is: "Business
Intelligence" or "Business Intelligence", bypassing the Power BI Desktop.
This Project is oriented to the implementation of BI in the central laboratory of the
FAP.
As there is no managerial application in the central laboratory of the FAP that
allows decisions to be made through the visualization of summary and concrete
information. This will allow you to have information in time for it will be a business
intelligence project.
Nowadays one of the main assets of the organizations is the information with
which it is counted and the knowledge of it. This is consolidated from patient data,
examinations, services, analyzers, sample processing, etc. But it is no longer just
data, companies usually have all this information in different sources, which is
why tools and strategies are required to extract it and analyze it to obtain this
important asset for the companies and then obtain the knowledge.
By having accurate information, in real time, it is possible to make the necessary
decisions and corrections before they become problems. Companies implement
business intelligence to understand and analyze behavior patterns of demand
and productivity, tracking the entire workflow of the laboratory, in order to identify
opportunities for growth.
Therefore, the more relevant and useful the business intelligence for the central
laboratory of the FAP, the better the decisions that can be taken and the greater
its competitive advantage.
The construction of different Dashboard with the indicators that were defined for
this project will yield extraordinary results for the decision making process that
was not currently supported by the data mobilization, which the analysis of the
information did not allow to reach the level of Detail for decision making.
The central objective of this work is to provide a solution to the problem of the
information needs for the decision making of the Secretariat, Laboratory
Headquarters, Units or production areas of the central laboratory of the FAP,
which consists of implementing the Intelligence Using the BI platform "Power BI"
which is a collection of software services, applications and connectors that work
6
together to convert unrelated data sources into coherent, interactive and visually
appealing information.
For the development of this project the mixed research technique was applied,
because this involves the collection and processing of data. Whose general
objective of this research is to answer the following question: How does the
implementation of Power BI as a business intelligence solution Influence the
decision-making process of the Demand and Productivity in the central laboratory
of the Peruvian Area Force (FAP) of Lima-Peru?
7
INDICE
INGENIERO DE SISTEMAS ............................................................................................ 1
ASESOR ............................................................................................................................... 1
LIMA – PERÚ ..................................................................................................................... 1
1 FORMULACION DEL PROBLEMA ................................................................................ 1
1.1 Planteamiento del problema.................................................................................. 1
1.2 Elaboración de preguntas de la investigación ................................................. 2
1.3 Justificación del estudio ........................................................................................ 2
1.4 Objetivos de la investigación ................................................................................ 5
1.4.1 Objetivo General. .............................................................................................. 5
1.4.2 Objetivos Específicos. .................................................................................... 5
1.5 Aportes ........................................................................................................................ 5
2 MARCO TEÓRICO ............................................................................................................ 5
2.1 Antecedentes de la investigación ........................................................................ 5
2.1.1 Antecedentes Nacionales .............................................................................. 5
2.1.2 Antecedentes Internaciones........................................................................ 14
2.2 Bases teóricas de las variables .......................................................................... 24
2.2.1 Power BI ............................................................................................................ 24
2.2.2 Business Intelliguence.................................................................................. 26
2.3 Definición de términos básicos .......................................................................... 30
2.3.1 Sistemas transaccionales OLTP ................................................................ 30
2.3.2 Online Analytical Prcessing ........................................................................ 31
2.3.3 Data Warehouse.............................................................................................. 32
2.3.4 Data Mart........................................................................................................... 33
2.3.5 Dimensiones .................................................................................................... 34
2.3.6 Métricas............................................................................................................. 35
2.3.7 Indicadores ...................................................................................................... 36
3 METODOS Y MATERIALES .......................................................................................... 36
3.1 Hipótesis de la investigación .............................................................................. 36
3.1.1 Hipótesis General ........................................................................................... 36
3.1.2 Hipótesis Específicas .................................................................................... 36
3.2 Variables de estudio. ............................................................................................. 37
3.2.1 Definición conceptual ................................................................................... 37
3.2.2 Definición operacional .................................................................................. 39
3.3 Diseño de la investigación ................................................................................... 40
3.4 Población y muestra de estudio ......................................................................... 41
8
3.4.1 Población .......................................................................................................... 41
3.4.2 Muestra ............................................................................................................. 41
3.5 Técnicas e instrumentos de recolección de datos........................................ 41
3.5.1 Técnicas ............................................................................................................ 41
3.5.2 Instrumentos.................................................................................................... 42
3.6 Métodos de análisis de datos ............................................................................. 43
4 IV. ASPECTOS ADMINISTRATIVOS ........................................................................... 43
4.1 Presupuesto............................................................................................................. 43
5 V. REFERENCIAS .......................................................................................................... 45
5.1 BIBLIOGRAFICAS .................................................................................................. 45
6 ANEXOS:........................................................................................................................... 46
6.1 Organigrama ............................................................................................................ 46
6.2 Mapa de Ubicaciones ............................................................................................ 46
6.3 Proceso Actual ........................................................................................................ 47
6.4 Diagrama de Casos de Uso del Planteamiento de Problema ..................... 47
6.5 Proceso con la Solución ...................................................................................... 48
6.6 Diagrama de Casos de Uso para el Proceso Propuesto .............................. 48
6.7 Diagrama de Clase de Indicadores de Demanda y Productividad ............ 48
7 Anexo 1: Matriz de consistencia ............................................................................... 49
7.1 Porque Elegir Power BI ......................................................................................... 50
7.2 Cuadrante de Gartner ............................................................................................ 51
7.3 Comparación de Proveedores de BI ................................................................. 52
9
1 FORMULACION DEL PROBLEMA
1
Mediante la combinación de las métricas se puede mejorar el desempeño del
laboratorio.
2
tiempo anterior. En función de la duración del periodo elegido, el panel Carga
de trabajo puede servir para comprender las tendencias a corto y largo plazo
de la carga del laboratorio.
El cambio en la Demanda del laboratorio filtrado por tipo de análisis (p. ej.
bioquímica clínica, hematología, etc.) se visualiza en el panel Volumen por
tipo de análisis para el periodo de tiempo seleccionado. El volumen del
laboratorio y el porcentaje del volumen total se visualizan en la tabla para cada
tipo de análisis y para el periodo de tiempo actual y anterior. El volumen del
laboratorio se registra por tipo de análisis a lo largo del periodo de tiempo
actual y anterior en el gráfico de líneas correspondiente. Este gráfico de líneas
puede ser de utilidad para identificar y realizar un seguimiento de las
tendencias a corto y largo plazo o estacionales y de las anomalías en cuanto
a la solicitud de patrones del tipo de análisis. Determinados tipos de análisis
pueden tener gran impacto en los ingresos, y la Demanda de estos tipos de
análisis puede servir para identificar los patrones de tendencias/ingresos.
3
eficiencia y la eficacia con la que se aprovechan los recursos del laboratorio,
y puede ser de utilidad como indicador del valor de la inversión del
laboratorio en tecnología.
El indicador de la Productividad se obtiene a partir de los datos de las
solicitudes de análisis y de los resultados (deducidos del indicador de la
Demanda).
El seguimiento de la Productividad mínima y máxima a lo largo del tiempo
permite al laboratorio identificar:
- El impacto de los esfuerzos para mejorar la productividad del
personal
- El alcance de las mejoras necesarias
- Como parámetro de productividad, especialmente si se mide en
varias áreas del laboratorio.
El número de pacientes, muestras y análisis por Hora-empleado completado
por el laboratorio durante un periodo de tiempo seleccionado se muestra en
el gráfico de líneas dentro del panel Carga de trabajo por Hora-empleado. El
número total de pacientes, muestras y análisis en el periodo de tiempo
seleccionado se muestra como barras grises en el gráfico. El impacto que
tienen los cambios de la Demanda sobre la Productividad puede conocerse a
través de la monitorización del parámetro Carga de trabajo por Hora-
empleado a lo largo del tiempo. Una Carga de trabajo por Hora-empleado
estable (independientemente de los cambios en la carga de trabajo del
laboratorio) puede indicar constancia en la Productividad del laboratorio. Las
mejoras en la Productividad pueden tener un impacto positivo en el coste por
análisis.
4
sino las que centralizan, depuran, analizan la información, generando
conocimiento de apoyo a través de los indicadores para la toma de decisiones.
1.5 Aportes
2 MARCO TEÓRICO
2.1 Antecedentes de la investigación
2.1.1 Antecedentes Nacionales
Según (Córdova 2013), en su tesis de la Pontificia Universidad
Católica Del Perú titulada “análisis, diseño e implementación de una solución de
inteligencia de negocios para el área de importaciones en una empresa
comercializadora/importadora”; en la cual resume:
El presente proyecto de tesis consiste en analizar, diseñar e implementar una
solución de inteligencia de negocios, que permita realizar el análisis a nivel
gerencial del área de Importaciones y Logística dentro de una empresa que
5
comercializa e importa bienes y que tenga implantado un ERP para las
operaciones dentro de sus diversos procesos de negocio. La solución consiste
en una serie de elementos gráficos, flexibles y de acceso eficiente a los datos
ofrecidos desde distintos orígenes; permitiendo con ello, lograr un análisis
adecuado de los datos por volumen y distribuirlos por distintos filtros como
fechas, ubicación geográfica, proveedores internacionales, entre otros y dar la
facilidad a los usuarios para que interpreten mejor dicha información.
De igual modo, la solución permitirá a los usuarios de la alta dirección de las
organizaciones de este tipo de empresas tomar mejores decisiones a nivel de
gestión en relación a las compras de importación (Córdova 2013).
Así mismo concluye:
• Se cumple con el objetivo de realizar las coordinaciones necesarias con
las áreas involucradas para el levantamiento respectivo y el
correspondiente análisis del problema en la empresa de estudio. Se
definieron las reglas del negocio, y se estructuraron las prioridades e
indicadores claves que se fundamentarán en los reportes a elaborarse
dentro de la solución.
Se analizaron y desarrollaron los requerimientos funcionales y no
funcionales de cada área involucrada (Córdova 2013).
• La selección de una arquitectura adecuada permite el desarrollo de un
sistema de manera rápida y organizada. Para el caso, se logra que el
acceso a datos, la lógica de negocio y la interfaz gráfica sean
componentes independientes, lo cual permite un sistema flexible y de fácil
mantenimiento.
De esta forma si se desea por ejemplo cambiar base de datos por algún
motivo, este cambio ocasionaría un impacto mínimo en los componentes.
La correcta administración y ejecución de los componentes dentro de la
fase de extracción como en la explotación garantizan la eficiencia para la
captura los datos desde su origen hasta llevarlos hasta el repositorio del
datamart (Córdova 2013).
• Se desarrolló el mapeo respectivo para la extracción, transformación y
carga de todos los elementos correspondiente a los datamarts que
incluyen la solución de inteligencia de negocios implementada. Se
6
definieron los lineamientos de comparación de arquitecturas y de
motores de búsqueda para que se obtenga el óptimo desempeño.
El tiempo invertido en las etapas de análisis y diseño minimiza riesgos
en la implementación y reduce pérdidas de tiempo, debido a que una
acertada definición de funcionalidades permite que los cambios
posteriores sean mínimos. Por ejemplo, si se hubiese realizado un
análisis rápido y no concienzudo del diagrama de clases, se habrían
presentado muchos problemas en la fase de construcción de la jerarquía
de bloques, debido a la complejidad presentada (Córdova 2013).
• Cada fase del proyecto fue ejecutada sobre una base metodológica
enfocando la gestión de alcance, calidad y tiempo de la metodología
PMBOK. El uso de esta metodología para el manejo del proyecto de
tesis y los conocimientos en la metodología de programación del ciclo de
vida de Ralph Kimball hicieron que se enfoque correctamente las
necesidades y cambios dentro del entorno físico y técnico de la solución
durante el proceso del mismo (Córdova 2013).
• El desarrollo de los procesos de extracción transformación y carga son
los apropiados según la información requerida por el área.
• Se diseña un modelo dimensional adecuado según la cantidad y la
profundidad de datos que requiere la organización y posee el datamart
(Córdova 2013).
• Las ejecuciones de las consultas de los usuarios fueron debidamente
empaquetados para su correcta configuración personalizándose según
las necesidades de cada área. La interfaz de consulta es flexible para
cada ejecución de los usuarios finales, pero existe una configuración
inicial base para las consultas básicas la cual se mantiene almacenado
como también la configuración de seguridad para el acceso pertinente
de cada tipo de usuario (Córdova 2013).
Según (Savala y Inca 2016), en su tesis de la Universidad Autónoma del Perú
titulada “Desarrollo de una solución de inteligencia de negocios para la mejora
del proceso de toma de decisiones en el área de administración tributaria de la
municipalidad distrital de san bartolo”, que resume: La presente tesis trata sobre
el desarrollo de una solución de Inteligencia de Negocios, dicha herramienta nos
permitirá mejorar el proceso de toma de decisiones en el área de Administración
7
Tributaria de la Municipalidad Distrital de San Bartolo, haciendo uso de la
metodología de Ralph Kimball.
El área de Administración Tributaria de la Municipalidad Distrital de San Bartolo
diariamente maneja grandes cantidades de información, pero debido a que su
sistema actual no soporta el adecuado manejo de grandes volúmenes de
información, se establece que en dicha área tiene el inconveniente de usar toda
esa información que sirva de apoyo a la toma de decisiones de la gerencia. El
proceso de obtención de los reportes es muy tardío y genera esfuerzo
innecesario en el personal encargado de la obtención de los reportes solicitados
por la gerencia.
Por lo antes mencionado es que se plantea el desarrollo de una solución de
Inteligencia de Negocios, que nos permitirá reducir los tiempos en el proceso de
obtención de los reportes y a su vez disminuirá el esfuerzo desplegado en dicho
proceso.
En conclusión, la solución final nos mostrará una serie de reportes que permitirán
al usuario visualizar el estado actual e histórico de las recaudaciones y las
deudas, y en base a ello el gerente podrá tomar decisiones acertadas y plantear
nuevas estrategias (Savala y Inca 2016).
Así mismo concluye:
9
tiempo y en un repositorio que facilite acceder a información histórica (Rojas
2014).
Así mismo concluye:
10
A esto se le suma el desconocimiento de liquidez con que cuentan actualmente
los Centros de costos y en forma general cuánto dinero se está manejando y
gastando. No se tienen estadísticas de las operaciones de obra que se realizan
en los centros de costos.
Por lo expuesto se plantea la siguiente interrogante: ¿De qué manera se puede
desarrollar Inteligencia de Negocios para la administración de datos de los
Centros de Costos de la empresa Constructora BEAVER L & C S.A.C?
La finalidad de esta investigación es: Implementar una Aplicación de Inteligencia
de Negocios utilizando Data WAREHOUSE para mejorar la Administración de
Datos de los Centros de Costos de la empresa Constructora Beaver L & C S.A.C.
La hipótesis planteada es: Se aplicó Data WAREHOUSE para el desarrollo de
Inteligencia de Negocios, mejorando así la administración de datos de los
Centros de Costos en la empresa constructora BEAVER.
La elaboración de esta aplicación permitirá utilizar los datos almacenados en el
tiempo (información histórica) con el fin de encontrar esquemas e indicadores
que sirvan como fuente de consulta a la alta gerencia para tomar decisiones más
acertadas el cual contribuyan alcanzar la misión y visión de la organización. La
metodología se basa en el Ciclo de Vida Dimensional del Negocio de Kimball
(Tuñoque y Vilchez 2016).
Así mismo concluye:
• Se analizó la situación interna de la empresa Beaver y se constató que
cuenta con reportes de un sistema transaccional cuya valoración por la
alta gerencia es de impacto bajo (Tabla 03), es decir que no tiene un
aporte significativo como soporte o apoyo en la toma de decisiones, y con
respecto (Tuñoque y Vilchez 2016).
• Se pudo constatar que los indicadores actuales de la empresa Beaver son
Reporte de proveedores, gastos, ingresos, liquidaciones, actividades de
obra in situ y su impacto es bajo en promedio para el apoyo en la toma de
decisiones. Según la alta gerencia (Tuñoque y Vilchez 2016).
• Se aplicó el proceso ETL, el cual permitió desarrollar y obtener
importantes indicadores como, por ejemplo: CUBO OLAP: Liquidaciones
de Centros de costos por responsable; CUBO OLAP: Reporte de gastos
totales; CUBO OLAP: Reporte Global de Liquidaciones de Centro de
costos con Semáforo. Todos estos indicadores están catalogados por la
11
alta gerencia como excelentes por ser un soporte esencial para la toma
de decisiones (Tuñoque y Vilchez 2016).
• Se organizó la información de las liquidaciones de los centros de costos
basado en un modelo multidimensional desarrollando así una aplicación
como es Inteligencia de Negocios, el cual permite mostrar indicadores en
tiempo real cuyo impacto valorado por la alta gerencia es alto o excelente
porque permite ser un buen apoyo o soporte para la toma de decisiones
como, por ejemplo: realizar desembolsos urgentes a centros de costos
cuya liquides esta por agotarse o agotado (Tuñoque y Vilchez 2016).
• Finalmente se aplicó las interfaces basadas en código generado por
ASP.net, específicamente formatos con aspx, la cual muestra
intuitivamente los reportes basados en cubos OLAP (Tuñoque y Vilchez
2016).
12
analizar los patrones de comportamiento ingresos, Seguimiento Académicos de
estudiantes y docentes, con el fin de identificar las oportunidades de crecimiento.
Por lo tanto, cuanto más relevante y útil sea la inteligencia de negocios para la
empresa, mejores serán las decisiones que se puedan tomar y mayor será su
ventaja competitiva.
La orientación de las empresas va hacia sistemas que permitan unificar y
administrar su información de manera inteligente.
La construcción de una aplicación de soporte a la toma de decisiones este
implica la implantación de un Datamart que abarca un área específicamente
como es la parte académica del estudiante de la universidad. Por lo tanto, la
implementación de Datamart hacia la inteligencia de negocios se realizará en la
plataforma SQL SERVER 2008R2 con Analysis Services.
El objetivo central de este trabajo, es dar una solución al problema de las
necesidades de información para la toma de decisiones de las autoridades y
Coordinadores de la UPIG que consiste realizar la implantación de Inteligencia
de Negocios usando la plataforma SQL SERVER 2008R2.
Para el desarrollo de este proyecto se aplicó la técnica de investigación mixta,
porque ésta consiste en la recopilación y tratamiento de datos. Los métodos de
investigación que se utilizaron son de investigación analítico-sintéticos e
inductivo-deductivos.
Las principales conclusiones arrojadas establecen que, Business Intelligence es
la habilidad para transformar los datos en información, y la información en
conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones
(Gutiérres 2014).
Así mismo concluye:
13
estudiantes se podrá tomar mejores decisiones en cuanto al uso de los
recursos (Gutiérres 2014).
14
ya no se habla de un solo dato sino de un hecho que permite conocer y prever
un momento basado en su análisis, un conocimiento preciso.
Al conocer la información de datos anteriores no se habla de pronosticar lo que
va a suceder sino de adelantarse a hechos que se repiten con el tiempo.
Con este proyecto, buscamos generar un punto de partida mediante un prototipo
que sirva de referente y como una propuesta de innovación para las pymes
distribuidoras de tecnología que las proyecte a ser más competitivas en el
mercado cada vez más exigente. Basándonos en estudios como los de
computerworld – los 50 grandes de la informática - donde podemos ver el
“crecimiento en el mercado de tecnología y la participación en el mismo que
tienen las PYMES”4 (Acosta y Flores 2015).
Así mismo concluye:
Luego del diseño e implementación de este prototipo se puede
comprender como las empresas que utilicen la información para su
análisis y generación de conocimiento toman una base del buen rumbo a
tomar en el mercado ya que les permite poder apoyarse para tomar
decisiones del mismo (Acosta y Flores 2015).
Destacando el papel primordial y fundamental que hace el Business
Intelligence con el respaldando Big data en la aportación de conocimiento
y en toma de decisiones. Con este modelo la empresa estaría en
capacidad de saber en todo momento cuál es el estado de la fuerza de
ventas, analizar la rentabilidad por marcas, productos, etc. Según sea la
necesidad en su momento, les permitirá tener un poder de observar la
empresa como un todo. Los Indicadores que se configuren como
principales proporcionan alertas en el rendimiento de cada proceso que la
empresa quiera aplicar, todo esto con el fin de llevar a la empresa a su
crecimiento y manejo del mercado (Acosta y Flores 2015).
En el trayecto del desarrollo de la tesis buscamos que este prototipo sea
una puerta de acceso a estos términos para cualquier negocio incluyendo
las grandes empresas como las medianas, puesto que no sería necesario
un gran presupuesto para su implementación, ni el uso sofisticado de
aplicaciones. Siendo este uno de los más interesantes ítems que una
solución Business Intelligence con la ayuda de una herramienta de Big
data que permita a empresas tener las mismas capacidades y potencial
15
de rendimiento que un software más sofisticado, para que como en el caso
de la empresa de ejemplo se puedan enfocar en otros aspectos como
sería su producción y ventas (Acosta y Flores 2015).
Por otro lado, al realizar este proyecto permite conocer en más
profundidad el concepto de Big data de la mano de Business Intelligence.
Saber sus orígenes, qué conceptos se encuentran incluidos en él, las
técnicas y diferentes herramientas, aplicación de todos estos conceptos y
lo más importante la práctica hacia el reto de la laboral (Acosta y Flores
2015).
Se logra que la empresa donde se implementó tuviera un conocimiento
no solo de los términos manejados sino llegar a pensar en posibles
cambios de estructura para que este recurso valioso como lo es la
información sea de su apoyo diario y no sea visto como solo
almacenamiento (Acosta y Flores 2015).
El éxito de este desarrollo es fundamentalmente, en el análisis por
productos, marcas y clientes que la solución ofrece, reduciendo el
elaborar informes a pocos pasos y tiempo. Además se obtiene una
manera más dinámica para análisis de información clave para la
organización y la generación de alertas posibles que impacten en los
indicadores (Acosta y Flores 2015).
Según (Valera y Quispe 2015), en su tesis de la universidad Privada Antenor
Orrego titulada “Solución de inteligencia de negocios en la nube bajo la
plataforma de microsoft azure y power bi para el proceso de ventas de la
empresa book center s.a.c.”, que resume: Books Center librerías es el día de hoy
una empresa referente en el ámbito de venta de libros. Con más de 15 años de
experiencia, Books Center se ha convertido en un espejo para otras muchas
librerías por su sistema de gestión cuidado, moderno y fácilmente adaptable a
las circunstancias del mercado, primando, antes, ahora y después, las
necesidades del cliente, otorgándole a éste, la oportunidad de conseguir cultura
al mejor precio.
16
información, permitiendo el mejor control y gestión de ellas. Es por ello que
presentamos esta herramienta tecnológica; que permitirá brindar un soporte a
las tomas de decisiones para la empresa con información confiable, precisa y
oportuna.
Teniendo como problemática que los sistemas con los que cuenta la empresa,
no fueron desarrollados con el fin de brindar síntesis, análisis, consolidación,
búsquedas de datos y algunos datos se encuentran en diferentes fuentes. Los
reportes que se emiten son entregados fuera de tiempo y, a la vez también son
analizados fuera de fecha, lo que ocasiona un retraso en la toma de decisiones.
Para cumplir con esta necesidad, se utilizó la metodología de Ralph Kimball, SQL
Server 2012, Microsoft Azure en la implementación del Data Mart dando como
resultado el trabajo que se presenta en este proyecto. Permitiendo brindar un
mejor análisis de los datos que maneja la empresa. Este análisis es dinámico,
permite que los datos sean accesibles de la forma como el usuario piensa
analizarlo. El Data Mart permite a la Gerencia desarrollar estrategias más
efectivas (Valera y Quispe 2015).
18
Entre las áreas en que el uso de las soluciones de inteligencia de negocios
aporta beneficios encontramos: Ventas (análisis de ventas, detección de clientes
importantes, análisis de productos, líneas, mercados, pronósticos y
proyecciones), Marketing (segmentación y análisis de clientes, seguimiento a
nuevos productos), Finanzas (análisis de gastos, rotación de cartera, razones
financieras) y Manufactura (productividad en líneas, análisis de desperdicios,
análisis de calidad, rotación de inventarios y partes criticas).
Los departamentos que se han enlistado son los más comunes, pero esto no
delimita que sean los únicos, ya que en donde exista información, se puede
implementar una solución de inteligencia de negocios.
Este trabajo está conformado por cinco capítulos. En el primero de ellos se
presenta el marco teórico de la inteligencia de negocios. En el segundo capítulo
se ilustran las diferentes etapas por las que debe pasar todo proceso de Data
Warehouse. En el tercer capítulo se muestra un ejemplo aplicando la
metodología descrita para la construcción de un sistema de inteligencia de
negocios. En el cuarto capítulo se realiza las pruebas de usabilidad y los
resultados del sistema de inteligencia de negocio. Finalmente, las conclusiones
sobre la implementación de sistema (Sanchez 2014).
Así mismo concluye:
La presente tesis expuso la implementación de un sistema de Business
Intelligence, la cual puede ser aplicada a cualquier tipo de organización,
tomando como sistema fuente un Data Warehouse montado en una base
de Datos Oracle 11.2.0.1.0 y una herramienta de análisis Oracle Business
Intelligence 11.1.1.6.0, el cual está basado en un Data Mart de Ventas. El
sistema demostró que, mediante un Dashboard, puede determinar la
tendencia de la empresa con respecto al tiempo, y si esta va en
aumentado en los últimos años (Sanchez 2014).
Se conoce, además, quienes son los diez clientes más importantes en la
empresa por año, país y canal de venta, además de saber a detalle las
ventas por año, cliente, país, canal de venta, promoción y producto. Por
otra parte por medio de un KPI se puede conocer qué canales de venta
están cumpliendo con el objetivo de ingresos anualmente (Sanchez
2014).
19
Se logró tener un sistema confiable que brinda la información necesaria
para la toma de decisiones. El enfoque dado está dirigido al área de
ventas, pero no obstante se puede implementar la misma para cualquier
área en la que se requiera hacer análisis (Sanchez 2014).
El aprendizaje obtenido consta de poder ver los datos de otra manera,
transformarlos en información que sea útil y proporcionarla en el momento
que sea necesaria, quiénes toman decisiones en las organizaciones hoy
en día han de tener, si quieren obtener ventajas competitivas, un acceso
rápido y fácil a la información estratégica del negocio. La información
estratégica confiable puede medirse y monitorearse con facilidad además
de compartirse en toda la organización (Sanchez 2014).
Una desventaja que se percibió en la implementación del sistema de
Business Intelligence es el tiempo de respuesta de las consultas que
genera el modelo de datos, mientras los sistemas transaccionales crecen
en volumen de información las consultas tardan más tiempo en resolverse
(Sanchez 2014).
El futuro del Business Intelligence es prometedor ya que entre las
tendencias destacan el Real Time BI ( Inteligencia de Negocios en Tiempo
Real) que se refiere a la capacidad de proporcionar información sobre las
operaciones de un negocio tan pronto como éstas ocurran, Big Data que
conceptualiza el movimiento de grandes cantidades de información,
Mobile BI que proporciona la toma de decisiones desde cualquier lugar
por medio de las tecnologías móviles y Social Media que ayudara a
realizar análisis de las redes sociales (Sanchez 2014).
Tecnológicamente hablando el área de Business Intelligence representa
un reto y una oportunidad para futuros ingenieros que deseen encontrar
en los datos de las organizaciones información que cambie el futuro de
las mismas (Sanchez 2014).
Según (Rodríguez 2017), en su tesis de la Universidad de Oviedo titulada
“Metamodelo Para Integración De Datos Abiertos Aplicado A Inteligencia De
Negocios”, que resume: El sector público, en el cumplimiento de sus funciones,
genera, gestiona, sufraga y conserva una gran cantidad de información de
calidad. Dicha información es potencialmente reutilizable tanto por los
20
ciudadanos como por las empresas. Esa información que obra en poder de las
instituciones y administraciones públicas presenta un potencial económico y
social enorme a la par que contribuye a la transparencia en la gestión pública y
a la generación de confianza por parte de la ciudadanía.
La finalidad de las iniciativas open data consiste en hacer públicos los datos en
poder de las administraciones públicas y el sector privado para que puedan ser
posteriormente reutilizados con la finalidad de generar nuevos conocimientos y
aplicaciones que, en muchos casos, añadirán un valor al dato primario y
contribuirán a potenciar la innovación. Este reciente paradigma provee a las
empresas de enormes oportunidades para sacar provecho de diversos tipos de
datos que contribuyan a la toma de decisiones acertadas y por ende mayores
posibilidades de éxito en un entorno tan competitivo.
La apertura de los datos conlleva beneficios para todos los que participan de ella:
para los ciudadanos, para las empresas y para la propia administración. Para las
empresas porque a partir de estos datos pueden diseñar y crear nuevos servicios
y productos con los que se mejora su productividad y su competitividad; para los
ciudadanos porque les permite estar mejor informados respecto a la gestión
pública lo que contribuye a que tomen mejor sus decisiones; a la propia
administración pública porque el hecho de proporcionar una mayor cantidad de
información a sus ciudadanos permite a estos la búsqueda de soluciones a
problemáticas para las cuales las instituciones no tienen tiempo ni recursos.
El reto está en procesar cantidades enormes de datos y convertirlas en
decisiones inteligentes y oportunas, por eso se hace necesario aprovechar esta
importante oportunidad de crear valor al combinar y utilizar con eficacia conjuntos
de datos de diversas fuentes.
La Ingeniería Dirigida por Modelos es una propuesta que se ha venido trabajando
desde hace varios años por diversos autores que plantean el uso de modelos
como eje fundamental en todo el ciclo de vida de un proyecto de software que
reduce el tiempo y esfuerzo en el desarrollo. Este es el camino propuesto para
la presentación de un metamodelo, materializado en un lenguaje de dominio
especifico, que a partir de una fuente de datos abiertos captura, transporta,
transforma y analiza datos, y finalmente permite visualizar información que
apoya la toma de decisiones (Rodríguez 2017).
Así mismo concluye:
21
La arquitectura propuesta pretende contribuir al uso de los datos abiertos
dispuestos por entes públicos o privados y proporcionar información
valiosa para el apoyo de la toma de decisiones, sin embargo un aporte
real dependerá de aspectos técnicos, semánticos y organizacionales
(Rodríguez 2017).
Desde el punto de vista técnico, es necesario establecer parámetros
comunes respecto a la información publicada, la calidad, el formato, las
licencias, el procesamiento y la carga en cada sitio. Respecto a la
semántica, el reto consiste en estandarizar los formatos y establecer un
vocabulario de referencia estándar que las distintas administraciones
pueden utilizar para facilitar la vinculación de los datos y ampliar el
alcance a soluciones nacionales. Por último, desde el punto de vista
organizativo, se requiere un fuerte liderazgo de la Administración pública
para identificar cuáles son los datos que generan valor añadido, definir
indicadores para medir y evaluar iniciativas y reconocer la importancia de
los datos abiertos como motor de generación de beneficios económicos,
la transparencia y la mejora de la interoperabilidad vertical y horizontal en
las administraciones públicas (Rodríguez 2017).
La participación ciudadana real es esencial, la frustración y la falta de
confianza en las instituciones en muchos países son altas, por lo que no
es ninguna sorpresa cuando la gente expresa escepticismo respecto a
que la apertura de los datos del gobierno contribuirá a solucionar
problemas. Probablemente los problemas más difíciles de superar no son
técnicos o semánticos, sino más bien aquellos relativos al entendimiento
de que la información pertenece a todos y que el empoderamiento de las
administraciones públicas es esencial para compartir su información con
otros en este caso en particular actores de la cadena agroindustrial. En
este sentido, la investigación sobre nuevos mecanismos que contribuyan
a facilitar la búsqueda, extracción análisis y uso de datos abiertos es
necesaria para aprovechar el potencial del Open Goverment Data
(Rodríguez 2017).
22
Con la herramienta descrita es posible facilitar el uso de los datos abiertos
disponibles por entes públicos y privados con el ánimo de aprovechar su
potencial. Una de las necesidades más críticas del sector agroindustrial
es consolidar la información. Los expertos consideran que el modelo
podría ser una oportunidad y herramienta de cambio siempre y cuando
los actores interesados la conozcan y participen activamente en su
mejoramiento a partir de su experiencia. Una mejora de esta propuesta es
la integración de los datos abiertos con datos propios de tal manera que
el usuario pueda usar datos históricos y tomar decisiones a partir de la
realidad de su quehacer y la realidad del ambiente en el que se
desempeña (Rodríguez 2017).
En el capítulo 1 de este documento se plantearon un grupo de objetivos
específicos, los cuales están estructurados con el fin de validar la
hipótesis planteada, los mismos han sido cumplidos durante el desarrollo
de esta tesis doctoral. Se presenta la contratación de los mismos
(Rodríguez 2017).
23
La solución de Inteligencia de Negocios planteada para el presente
proyecto cumple con los requerimientos establecidos en la etapa de
análisis y diseño del modelo siendo de gran importancia para obtener la
información que el personal necesita y así tomar decisiones acertadas
para el negocio (Oña 2013).
24
(o descubrir) lo más importante y compartirlo con quien quiera (Ccance
2017).
26
Conocida también como Business Intelligence (BI), se refiere a la recolección de
información generada por los procesos de negocio. Esto incluye la tecnología
usada en estos procesos y la información obtenida de los mismos. Las empresas
normalmente recopilan información con el fin de determinar el entorno del
negocio, y recopilan información de los estudios de mercado, las ventas, la
industria y los competidores. Las organizaciones competitivas acumulan
información con el fin de obtener gran ventaja competitiva y preservan esa
información como capacidad de competitividad para algunas instancias.
La información que se recopila para la Inteligencia de Negocios es
principalmente proveniente de fuentes internas, como son los trabajadores que
intervienen en las ventas. La segunda fuente proviene de los clientes, los
proveedores, la competencia y en general de las tendencias de la tecnología, la
economía y la cultura.
La tecnología de Inteligencia de Negocios es el proceso que convierte los datos
en información y luego en conocimiento. Las personas que participan de los
procesos de negocio deben utilizar software y otras tecnologías que les permitan
obtener, almacenar, analizar y permitir acceso a data, presentarla de manera
simple y de manera manejable.
Las Inteligencias de Negocios normalmente usan indicadores claves de
performance (KPI), que son métricas financieras y no financieras que permiten
medir los objetivos e indicadores dependiendo del giro de la compañía.
Dentro de Inteligencia de Negocios los principales son los siguientes:
- Balanced Scorecard
- Customer Relationship Management (CRM)
- Business Process Re-engineering
- Datamining and Datawarehouses.
- OLAP
- AQL - Associative Query Logic (Rojas 2015).
En el libro optaremos, como hemos avanzado en los Objetivos del libro, por el
término anglosajón de Business Intelligence, ya que ha sido muy difundido y es
comúnmente utilizado. La traducción más habitual es la de “Inteligencia de
Negocio” (LLuis 2007).
27
El objetivo básico de la Business Intelligence es apoyar de forma sostenible y
continuada a las organizaciones para mejorar su competitividad, facilitando la
información necesaria para la toma de decisiones. El primero que acuñó el
término fue Howard Dresner que, cuando era consultor de Gartner, popularizó
Business Intelligence o BI como un término paraguas para describir un conjunto
de conceptos y métodos que mejoraran la toma de decisiones, utilizando
información sobre qué había sucedido (hechos) (LLuis 2007).
Mediante el uso de tecnologías y las metodologías de Business Intelligence
pretendemos convertir datos en información y a partir de la información ser
capaces de descubrir conocimiento (LLuis 2007).
Para definir BI partiremos de la defi nición del glosario de términos de Gartner6:
“BI es un proceso interactivo para explorar y analizar información estructurada
sobre un área (normalmente almacenada en un datawarehouse), para descubrir
tendencias o patrones, a partir de los cuales derivar ideas y extraer conclusiones.
El proceso de Business Intelligence incluye la comunicación de los
descubrimientos y efectuar los cambios (LLuis 2007).
Las áreas incluyen clientes, proveedores, productos, servicios y competidores.”
Pero descompongamos detalladamente esta defi nición:
• Proceso interactivo: al hablar de BI estamos suponiendo que se trata de un
análisis de información continuado en el tiempo, no sólo en un momento puntual.
Aunque evidentemente este último tipo de análisis nos puede aportar valor, es
incomparable con lo que nos puede aportar un proceso continuado de análisis
de información, en el que por ejemplo podemos ver tendencias, cambios,
variabilidades, etc (LLuis 2007).
• Explorar: En todo proyecto de BI hay un momento inicial en el que por primera
vez accedemos a información que nos facilita su interpretación. En esta primera
fase, lo que hacemos es “explorar” para comprender qué sucede en nuestro
negocio; es posible incluso que descubramos nuevas relaciones que hasta el
momento desconocíamos (LLuis 2007).
• Analizar: Pretendemos descubrir relaciones entre variables, tendencias, es
decir, cuál puede ser la evolución de la variable, o patrones. Si un cliente tiene
una serie de características, cuál es la probabilidad que otro con similares
características actué igual que el anterior (LLuis 2007).
28
• Información estructurada y datawarehouse: La información que utilizamos en
BI está almacenada en tablas relacionadas entre ellas. Las tablas tienen
registros y cada uno de los registros tiene distintos valores para cada uno de los
atributos. Estas tablas están almacenadas en lo que conocemos como
datawarehouse o almacén de datos. Más adelante lo defi niremos con mayor
precisión, pero se trata de una base de datos en las que se almacenan dichas
tablas (LLuis 2007).
• Área de análisis: Todo proyecto de BI debe tener un objeto de análisis concreto.
Nos podemos centrar en los clientes, los productos, los resultados de una
localización, etc. que pretendemos analizar con detalle y con un objetivo
concreto: por ejemplo, la reducción de costes, el incremento de ventas, el
aumento de la participación de mercado, el ajuste de previsiones de venta, el
cumplimiento los objetivos de venta presupuestados, etc (LLuis 2007).
• Comunicar los resultados y efectuar los cambios: Un objetivo fundamental del
BI es que, una vez descubierto algo, sea comunicado a aquellas personas que
tengan que realizar los cambios pertinentes en la organización para mejorar
nuestra competitividad (LLuis 2007).
El origen de la Business Intelligence va ligado a proveer acceso directo a la
información a los usuarios de negocio para ayudarles en la toma de decisiones,
sin intervención de los departamentos de Sistemas de Información.
En el año 2005, en las conferencias del Simposio de Gartner en Australia7, se
llevó a cabo una encuesta informal a los asistentes de distintas presentaciones
(150 técnicos y usuarios de negocio). La encuesta incluía 14 opciones de
posibles defi niciones de Business Intelligence e incluso permitía que los propios
asistentes expresaran su propia defi nición. El 43% de ellos defi nía Business
Intelligence como:
“El uso de información que permite a las organizaciones dirigir de la mejor forma,
decidir, medir, gestionar y optimizar el alcance de la efi ciencia y los resultados
fi nancieros.” (LLuis 2007)
Un 16% afi rmaban que Business Intelligence es:
“La habilidad de proporcionar datos/información en un proceso (o aplicación)
funcional para permitir mostrar un hecho específi co y que en ese contexto puede
originar una acción.” (LLuis 2007)
Otro 16% veía Business Intelligence como:
29
“El acceso al análisis de fuentes de información cuantitativa que permita mostrar
a sus usuarios alinear mejor a las personas y los procesos con los objetivos del
negocio.” (LLuis 2007)
Menos del 5% veía Business Intelligence cómo:
“Herramientas y tecnologías (reporting8 y minería de datos) que ayudan a los
analistas a trabajar la información.” (LLuis 2007)
Los dos hechos más críticos de la encuesta fueron que los asistentes entendían
que el valor de Business Intelligence iba más allá la distribución de información
y que está fuertemente relacionado con la consecución de los objetivos de
negocio (LLuis 2007)
Una defi nición9 más amplia es la que proponen en The datawarehouse Institute:
“Business Intelligence (BI) es un término paraguas que abarca los procesos, las
herramientas, y las tecnologías para convertir datos en información, información
en conocimiento y planes para conducir de forma efi caz las actividades de los
negocios. BI abarca las tecnologías de datawarehousing los procesos en el ‘back
end10’, consultas, informes, análisis y las herramientas para mostrar información
(estas son las herramientas de BI) y los procesos en el ‘front end’” (LLuis 2007).
30
- Los sistemas OLTP son los responsables del mantenimiento de los
datos, ya sea agregando datos, realizando actualizaciones o bien
eliminándolos.
- Las estructuras de datos deben estar optimizadas para validar la
entrada de los mismos, y rechazarlos si no cumplen con determinadas
reglas de negocio.
- Para la toma de decisiones, proporciona capacidades limitadas ya
que no es su objetivo, por lo tanto, no es prioridad en su diseño. Si se
quisiera obtener determinada información histórica relativa al negocio
consultando un sistema OLTP, se produciría un impacto negativo en
el funcionamiento del sistema.
2.3.2 Online Analytical Prcessing
La tecnología OLAP es una forma específica para representar datos
financieros, operacionales, comerciales y estadísticos orientados a los
ejecutivos, especialistas y analistas. Está diseñada para ayudar a la
toma de decisiones y una mejor comprensión de la información. La
idea central es poder contestar las preguntas de los usuarios, de una
forma fácil, poderosa e intuitiva. Un sistema OLAP permite a los
usuarios entrar en detalles y generalizar, filtrar, ordenar, rankear y
reagrupar datos, calculándose totales intermediarios y finales en
forma instantánea.
La tecnología OLAP permite un uso más eficaz de los almacenes de
datos para el análisis en línea, lo que proporciona respuestas rápidas
a consultas analíticas complejas e iterativas. Los modelos de datos
multidimensionales de OLAP y las técnicas de agregados de datos
organizan y resumen grandes cantidades de datos para que puedan
ser evaluados con rapidez mediante el análisis en línea y las
herramientas gráficas. Los sistemas OLAP proporcionan la velocidad
y la flexibilidad necesarias para dar apoyo al analista en tiempo real.
Cabe indicar que la tecnología OLAP tiene como base el proceso de
transacciones en línea (OLTP).
Las siguientes son características que la tecnología OLAP posee:
31
- Las bases de datos de OLAP tienen un esquema que está
optimizado para que las preguntas realizadas por los usuarios sean
respondidas rápidamente.
- Las preguntas que se le hacen a un OLAP, deben permitir un uso
interactivo con los usuarios.
- Los cubos de OLAP almacenan varios niveles de datos conformados
por estructuras altamente optimizadas que responden a las
expectativas de negocio de la empresa.
- Un sistema OLAP está preparado para realizar informes complejos
de una manera simple.
- OLAP proporciona una vista de datos multidimensional. Los cubos
proporcionan una vista de los datos multidimensional que se extiende
más allá del análisis de dos dimensiones que puede proporcionar una
simple planilla de cálculo utilizada como tal.
- Los usuarios pueden cambiar fácilmente las filas, las columnas, y las
páginas en informes de OLAP, pudiendo leer la información de la
manera que se crea más conveniente para el análisis.
2.3.3 Data Warehouse
Es un repositorio de información extraída de otros sistemas corporativos, sean
estos sistemas transaccionales, bases de datos departamentales, o Intranet de
la compañía, a la que los hombres de negocios de la empresa pueden acceder.
Los sistemas Data Warehouse están orientados a procesos de
consultas en contraposición con los procesos transaccionales, sus
tablas pueden no estar normalizadas y se admite redundancia en los
datos.
Mejor dicho, la Data Warehouse es un sistema, no un producto, en el
que se almacenan datos. Es una técnica para consolidar y administrar
datos de variadas fuentes con el propósito de responder preguntas de
negocios y tomar decisiones, de una forma rápida. Una Data
Warehouse se vale de una base de datos relacional diseñada para el
acceso rápido y análisis y no al proceso transaccional. La Data
Warehouse separa la carga del análisis y normalmente contiene datos
históricos derivados de datos transaccionales.
32
Sus principales características son:
- Orientado hacia información relevante de la organización
- Datos integrados
- Variable en el tiempo
- No Volátil
33
Los principales beneficios de utilizar Datamarts son:
- Acelerar las consultas reduciendo el volumen de datos a recorrer
- Estructurar los datos para su adecuado acceso por una
herramienta
- Dividir los datos para imponer estrategias de control de acceso.
- Segmentar los datos en diferentes plataformas hardware.
- Permite el acceso a los datos por medio de un gran número de
herramientas del mercado, logrando independencia de estas
(Gutiérres 2014)
2.3.5 Dimensiones
Son los diferentes puntos de vista por los que queremos analizar la
información. Las dimensiones contienen los diversos atributos que
queremos analizar, además se estructuran en forma jerárquica,
conforme a diferentes niveles de detalle.
Las tablas de dimensiones se construyen con todos los atributos que
incluyen de una forma des normalizada y con una clave que identifica
el mínimo nivel de detalle. Podemos distinguir varios tipos de
dimensiones:
Dimensiones normales: aquellas que agrupan diferentes atributos
que están relacionados por el ámbito al que se refieren (todas las
características de un cliente, los diferentes componentes de la
dimensión tiempo, etc).
Dimensiones causales: son atributos que pueden causar cambios
en los procesos de negocio (por ejemplo, la dimensión promoción
en el proceso de negocio de ventas).
34
Dimensiones role-playing: cuando una misma dimensión interviene
en una tabla de hechos varias veces (por ejemplo, la fecha en una
tabla de hechos donde se registran varias fechas referidas a
conceptos diferentes), es necesario reutilizar la misma dimensión,
pues no tiene sentido crear tantas dimensiones como usos se
hagan de ella. En consecuencia, se definen las dimensiones role-
playing. Podemos crear vistas sobre la tabla de la dimensión
completa que nos permiten usarla varias veces o jugar con los alias
de tabla. La misma dimensión juega un rol diferente según el sitio
donde se utiliza.
Dimensiones degeneradas: no tienen ningún atributo y por tanto,
no tienen una tabla específica de dimensión. Incluyen para ellas un
identificador en la tabla de hechos, que identifica completamente a
la dimensión (por ejemplo, un pedido de ventas). Nos interesa tener
determinada la transacción (para realizar data mining, por ejemplo),
pero los datos interesantes de este elemento los tenemos
repartidos en las diferentes dimensiones (cliente, producto, etc).
Mini dimensiones o dimensiones Outrigger: conjunto de atributos
de una dimensión que se extraen de la tabla de dimensión principal,
pues se suelen analizar de forma diferente. El típico ejemplo son
los datos socio demográficos asociados a un cliente (que se
utilizan, por ejemplo, para la data mining).
2.3.6 Métricas
Son valores que recogen el proceso de una actividad o los resultados
de la misma y son usados por los analistas en sus query’s para medir
la performance del comportamiento de un proceso o un objeto del
negocio.
Las medidas candidatas son los datos numéricos, pero no cada
atributo numérico en una medida candidata.
Estas medidas proceden del resultado de la actividad de negocio.
Métricas de realización de actividad: miden la realización de
una actividad. Por ejemplo, la participación de una persona en
un evento.
35
Métricas de resultado de una actividad: recogen los resultados
de una actividad. Por ejemplo, la cantidad de unidades
vendidas.
2.3.7 Indicadores
Es una variable dimensional unitaria, expresada como un cociente,
que correlaciona dos variables cualesquiera. A través de este
concepto es posible relacionar diversas variables presentes en los
procesos de una empresa. Ejemplo: N° Ciclos/Hora, LtsComb,
/Maquina.
La importancia de un indicador radica en la particularidad de informar
al usuario el estado actual del sistema. Revelar el estado del sistema,
nos permitirá tomar decisiones preventivas o correctivas de acuerdo
a los resultados de las comparaciones entre el valor esperado y el
valor obtenido del sistema.
3 METODOS Y MATERIALES
3.1 Hipótesis de la investigación
3.1.1 Hipótesis General
Hi: Desarrollo si la Implementación de Power BI como solución de
inteligencia de negocios Influye en el proceso de toma de
decisiones de la Demanda y Productividad en el laboratorio central
de la Fuerza área del Perú (FAP) de Lima-Perú.
36
3.2 Variables de estudio.
3.2.1 Definición conceptual
Variable Independiente(VI): Implementación de Power BI como
solución de inteligencia de negocios
La nueva herramienta de Microsoft que permite analizar y utilizar
su información para mejorar la toma de decisiones, con gran
facilidad para obtener datos de Querys o preparar modelos
directamente en Power BI Desktop. Mediante Querys realizados
en sus datos de orígenes Power BI permite sincronizar sus datos y
obtener toda la interactividad deseada, sin embargo este tipo de
tareas corresponde a las características del Query generado, el
cual puede tener restricciones a nivel de la fecha generada, de los
atributos utilizados y los datos proporcionados en el Query, lo cual
tiene efectos en la flexibilidad que se puede hacer en Power BI, ya
que estará restringido el análisis a realizar de acuerdo a las
características que tiene el modelo y por otra parte el uso de una
sola tabla con toda la información hace que los cálculos a obtener
tomen más tiempo al tener que evaluar toda la tabla. Sin embargo,
permite que la vista o consulta generada se realice en el lenguaje
nativo, permitiendo obtener informes con la información básica a
utilizar por el usuario final (Datawin 2017)
Variables Dependientes:
Demanda:
37
El cambio en la Demanda del laboratorio filtrado por tipo de análisis
(p. ej. bioquímica clínica, hematología, etc.) se visualiza en el panel
Volumen por tipo de análisis para el periodo de tiempo
seleccionado. El volumen del laboratorio y el porcentaje del
volumen total se visualizan en la tabla para cada tipo de análisis y
para el periodo de tiempo actual y anterior. El volumen del
laboratorio se registra por tipo de análisis a lo largo del periodo de
tiempo actual y anterior en el gráfico de líneas correspondiente.
Este gráfico de líneas puede ser de utilidad para identificar y
realizar un seguimiento de las tendencias a corto y largo plazo o
estacionales y de las anomalías en cuanto a la solicitud de patrones
del tipo de análisis. Determinados tipos de análisis pueden tener
gran impacto en los ingresos, y la Demanda de estos tipos de
análisis puede servir para identificar los patrones de
tendencias/ingresos.
Productividad:
38
•Como parámetro de productividad, especialmente si se mide en
varios laboratorios
- TIEMPO EN USO
DEL ANALIZADOR
Porcentaje
El seguimiento del Tiempo de
actividad del analizador puede
ayudar al laboratorio a identificar si
los analizadores se utilizan a su
capacidad máxima y también
observar las posibles tendencias
como la frecuencia del tiempo de
inactividad del analizador
39
- CARGA DE TRABAJO
PROMEDIO/HORAS-HOMBRE
3.4.2 Muestra
Para esta investigación se realizará un muestreo intencional (no aleatorio)
y se tomará una muestra de 30 toma de decisiones ya que se trata de un
valor adecuado, estándar y se utiliza en varios procesos de investigación.
TÉCNICAS DESCRIPCIÓN
41
Se realizó una entrevista a la jefatura del
Realización de Laboratorio y a la Secretaria quien es la
entrevistas encargado de generar los reportes solicitados
por la Jefatura respecto a la producción de toda
las Unidades del Laboratorio central de la FAP.
Revisión Hemos consultado libros como material de
documentaria apoyo, así como también artículos científicos y
diferentes tesis que estén relacionados al tema.
3.5.2 Instrumentos
En la siguiente tabla (ver Tabla 2) detallaremos los instrumentos que
emplearemos para la recolección de información necesaria para poder seguir
con el desarrollo de la tesis.
INSTRUMENTOS DESCRIPCIÓN
42
3.6 Métodos de análisis de datos
Al culminar procesamiento de datos, se logrará obtener resultados y determinar
la situación actual y las diferencias que se muestran después de la
implementación de la solución del proyecto.
43
4.1. Cronograma de actividades
44
5 V. REFERENCIAS
5.1 BIBLIOGRAFICAS
Acosta, y Flores. «"DISEÑO E IMPLEMENTACIÓN DE PROTOTIPO BI UTILIZANDO UNA
HERRAMIENTA DE BIG DATA PARA EMPRESAS PYMES DISTRIBUIDORAS DE
TECNOLOGÍA".» Tesis, Bogota, 2015.
Tuñoque, y Vilchez. «"Aplicación de inteligencia de negocios haciendo uso del data Warehouse
2.0 en la empresa constructora Beaver para mejorar el proceso de control de
información de los centros de costos".» Tesis, Pimentel, 2016.
45
Valera, y Quispe. «“SOLUCION DE INTELIGENCIA DE NEGOCIOS EN LA NUBE BAJO LA
PLATAFORMA DE MICROSOFT AZURE Y POWER BI PARA EL PROCESO DE VENTAS DE LA
EMPRESA BOOK CENTER S.A.C.”.» Tesis, Trujillo, 2015.
6 ANEXOS:
6.1 Organigrama
46
6.3 Proceso Actual
47
6.5 Proceso con la Solución
48
7 Anexo 1: Matriz de consistencia
49
7.1 Porque Elegir Power BI
50
7.2 Cuadrante de Gartner
51
7.3 Comparación de Proveedores de BI
52