UNIVERSIDAD PRIVADA TELESUP

FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA DE SISTEMAS

Implementación de Power BI como solución de inteligencia

de negocios para 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

TESIS
PARA OBTENER EL TÍTULO DE:
INGENIERO DE SISTEMAS

AUTOR:

Medrano Huayanay, Crisóstomo Ciriaco

ASESOR

ING. OSCAR SALAS

LIMA – PERÚ

JUNIO – DICIEMBRE DE 2017

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

La presente investigación busca explicar en forma muy sencilla que es:

“Business Intelligence” o “Inteligencia de Negocio”, tulizando el Power BI
Desktop.
Este Proyecto está orientado a la implementación de BI en el laboratorio central
de la FAP.
Ya que en el laboratorio central de la FAP no existe una aplicación gerencial que
permita tomar decisiones mediante la visualización de información resumida y
concreta. Este permitirá tener información a tiempo para ello se realizará un
proyecto de inteligencia de Negocios.
Hoy en día uno de los principales activos de las organizaciones es la información
con la que se cuenta y el conocimiento de la misma. Esta se consolida a partir
de datos de los pacientes, exámenes, servicios, analizadores, procesamiento de
las muestras, etc. Pero ya no se trata solo de datos, las empresas normalmente
tienen toda esta información en diferentes fuentes, por lo cual se requiere
herramientas y estrategias que permitan extraerla y analizarla para obtener este
importante activo para las empresas y luego obtenerlas el conocimiento.
Al contar con la información exacta, en tiempo real, es posible tomar las
decisiones y correcciones necesarias antes de que se conviertan en problemas.
Las empresas implementan la inteligencia de negocios para comprender y
analizar los patrones de comportamiento de la Demanda y Productividad,
Seguimiento de todo el flujo de trabajo del laboratorio, con el fin de identificar las
oportunidades de crecimiento.
Por lo tanto, cuanto más relevante y útil sea la inteligencia de negocios para el
laboratorio central de la FAP, mejores serán las decisiones que se puedan tomar
y mayor será su ventaja competitiva.
La construcción de diferentes Dashboard con los indicadores de las que se
definió para este proyecto darán fruto de manera extraordinaria para la toma de
decisiones que actualmente no se contaba con la movilización de los datos,
que los análisis de la información no permitían llegar a nivel de detalle para la
toma de decisiones.

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

1.1 Planteamiento del problema

Actualmente el laboratorio central de la FAP, cuanta con un LIS implementado
en todas las áreas(Inmunología, Hematología, Banco de Sangre, Bioquímica,
Microbiología y Emergencia) el cual le permite contar con la información
centralizada logrando automatizar todos los Analizadores evitando el error
humano, donde todas las muestras son etiquetadas con códigos de barras para
luego ser procesada en los equipos médicos en cada una de las áreas analíticas.
Actualmente no se cuenta con movilización de datos a pesar que cuenta con
algunos reportes generales que es obtenido por el LIS que se tiene conectado
con el HIS o en todo caso designan un personal para hacerlo en un Excel para
brindar la información.
A pesar de contar con LIS de Laboratorio, la FAP no cuenta con una herramienta
que le muestre la información con mayor detalle para lograr un mejor desempeño
del Laboratorio logrando llegar al nivel de detalle para la toma de decisiones.
La visualización de la información es limitada y no muy clara porque la toma de
decisiones se hace en base al Excel manual o con base a la experiencia
(historia) y suposiciones.

En la reuniones gerenciales o departamentales que se llevan a cabo, se requiere

contar con información ágil, la cual sin contar con una herramienta de apoyo que
brinda la información optimo podría llegar a demorarse incluso días o semanas
debido al gran volumen de datos que se maneja.
La toma de decisiones en el laboratorio central de FAP, se debería manejar de
forma estratégica e inmediata, pero al realizarse estos procesos de manera
manual, existe un retardo en tiempo de entrega de los resultados que repercute
en demora en la toma de decisiones que ocasionan una pérdida competitiva.
Mediante los indicadores presentados con la solución, permitirá la movilización
de la información, es decir a partir de un hallazgo se logrará tener información
con mayor detalle y mayor soporte para la toma de decisiones a nivel directivo.

1
Mediante la combinación de las métricas se puede mejorar el desempeño del
laboratorio.

1.2 Elaboración de preguntas de la investigación

1.3 Justificación del estudio
Hoy en día la información es uno de los activos potencialmente más valiosos
en una institución. Por ende, llevar la información en conocimiento es
indispensable para la toma de decisiones con oportunidad y eficacia. La
ausencia de información y conocimiento hacen que las empresas tomen
decisiones a través de la experiencia(historia) y suposiciones. Esto puede
causar errores y costos en las decisiones que se tomen a cerca de los
Analizadores, Productividad, Pacientes, Donantes, etc.

Una empresa que no invierte en tecnología y no haga análisis de la

información que generan los diferentes sistemas entre los diferentes sistemas
de información no tendría factible el darse cuenta de los mínimos detalles, aún
más cuando se tienen miles de pacientes y procesos que afectan la toma de
decisiones.
Una de las variables que se requiere controlar es la Demanda donde es la carga
de trabajo del laboratorio y permite definir los costes e ingresos del mismo. El
indicador de la Demanda se obtiene a partir del número de pacientes,
muestras y análisis únicos solicitados y obtenidos en el periodo de tiempo
seleccionado. El seguimiento de la Demanda a lo largo del tiempo ayuda a al
Laboratorio a identificar cambios en:

- el número total de muestras

- la solicitud de patrones por muestra
- el grupo de análisis o muestras de un tipo específico
- el número de muestras recibidas por procedencia

El número de pacientes, muestras y análisis recibidos durante el periodo de

tiempo seleccionado se visualiza en gráficos de barras en el panel Carga de
trabajo. El volumen total aparece indicado en la esquina superior derecha de
cada gráfico junto con el cambio neto en el volumen respecto al periodo de

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 número de pacientes, muestras o análisis procesados por día se visualiza

en el gráfico de barras del Volumen diario para el periodo de tiempo
seleccionado. Al seleccionar una determinada fecha en el gráfico del Volumen
diario se muestra el gráfico de barras del Volumen por hora.
Los gráficos referidos al Volumen diario/por hora pueden ser de utilidad para
identificar e investigar las tendencias de la carga de trabajo del laboratorio con
un elevado grado de granularidad de los datos. El filtrado de los datos a través
de los menús desplegables situados en la parte superior del panel del
Volumen diario puede ser de utilidad para identificar las tendencias o
anomalías en subconjuntos de datos específicos (por ejemplo, determinados
casos de prioridad de muestras, tipo de muestras, etc.).

La estadística de la Distribución de la carga de trabajo puede ser útil para

llevar un seguimiento del crecimiento o intensidad de trabajo del laboratorio
respecto a periodos anteriores.

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.

Mientras la Productividad del laboratorio que es la relación entre las

entradas y salidas del laboratorio. Se emplea como una medida de la

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.

Podemos decir entonces que al implementarse el BI con una herramienta

gratuito como es Power BI, se llevan a cabo mejoras en el procesamiento de
los datos del laboratorio mostrando la información detallada con gráficos en
tiempo real, para tener más transparencia y de esta manera anticiparse a
problemas como evitar sobrecarga de trabajo ineficiencia en los procesos pre
analíticos y Analíticos del Laboratorio. Los Laboratorios más grandes y
competitivas no son las que más elementos físicos y/o activos físicos tienen

4
 sino las que centralizan, depuran, analizan la información, generando
conocimiento de apoyo a través de los indicadores para la toma de decisiones.

1.4 Objetivos de la investigación

1.4.1 Objetivo General.
¿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?

1.4.2 Objetivos Específicos.

¿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 en el laboratorio
central de la Fuerza área del Perú (FAP) de Lima-Perú?

¿De qué manera la Implementación de Power BI como

solución de inteligencia de negocios Influye en el proceso
de toma de decisiones de la Productividad en el
laboratorio central de la Fuerza área del Perú (FAP) de
Lima-Perú?

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:

• Se observa que se logró reducir el tiempo empleado para generar los

reportes en el área de Administración Tributaria en un 96 %
aproximadamente (Savala y Inca 2016).

• Se observa que se logró reducir en un 67 % aproximadamente el tiempo

que el gerente de Administración Tributaria empleaba en el análisis de la
información obtenida en los reportes (Savala y Inca 2016).

• Se observa que se logró incrementar en un 75 % aproximadamente el

número de reportes generados al día (Savala y Inca 2016).

• Se observa que se logró incrementar en un 63 % aproximadamente el

nivel de satisfacción del gerente de Administración Tributaria respecto al
proceso de obtención de los reportes (Savala y Inca 2016).
8
 • Con el desarrollo de la solución de Inteligencia de Negocios se logró
mejorar el proceso de Toma de Decisiones en el área de Administración
Tributaria de la Municipalidad de San Bartolo (Savala y Inca 2016).

• Se establecieron las condiciones claras de confidencialidad en el contrato

con el proveedor del servicio en la Nube, donde se garantiza que la
información almacenada no será sustraída ni interferida por terceros o
personas ajenas al área de Administración Tributaria (Savala y Inca
2016).
Según (Rojas 2014), en su tesis de la Universidad de San Marín de Porres
titulada “implementación de un data mart como solución de inteligencia de
negocios, bajo la metodología de ralph kimball para optimizar la toma de
decisiones en el departamento de finanzas de la contraloría general de la
república”; que resume: El proyecto surge por la necesidad de los usuarios del
Departamento de Finanzas de la Contraloría General de la República para
acceder a información confiable de manera rápida. Al tener esta información
disponible, los usuarios se pueden centrar en realizar el análisis desde diversos
puntos de vista y determinar las acciones que crean conveniente para mejorar
su gestión.
El procedimiento a realizar por los usuarios para acceder a esta información, es
solicitar al Departamento de Tecnologías de la Información, la exportación de
datos de la base de datos, luego, estos son proporcionados en un archivo Excel,
y después, son depurados, ordenados, organizados y clasificados. El proceso
desarrollado manualmente genera diversos problemas, tales como: dependencia
del Departamento de Tecnologías de la Información, generación de información
con una alta posibilidad de error (proceso manual), inversión de tiempo en
procesos mecánicos e Información dispersa en archivos de Excel, dificultando la
consulta de datos históricos.
El proyecto propone la implementación de una solución de inteligencia de
negocios para el Departamento de Finanzas de la Contraloría General de la
República, de modo que, esta herramienta automatice el procedimiento que ha
sido explicado en el párrafo anterior, y que, en un entorno amigable, permita a
los usuarios acceder a información de mejor calidad, más confiable, en menor

9
 tiempo y en un repositorio que facilite acceder a información histórica (Rojas
2014).
Así mismo concluye:

• Se logró identificar los procesos que permiten llevar a cabo la toma de

decisiones, admitiendo se realice un análisis de los requerimientos de la
empresa (Rojas 2014).
• Se estudió el Departamento de Finanzas de la CGR, estableciendo de
manera correcta, las medidas que se utilizan en la realización de reportes
para la toma de decisiones (Rojas 2014).
.
• Se analizó y seleccionó los datos indispensables para el desarrollo la
solución de inteligencia de negocios, lo que garantizó la validez y calidad de
los mismos (Rojas 2014)

• Se construyó un modelo de datos OLAP, que permitió ejecutar las consultas,

a partir de información previamente procesada, obteniendo como resultado
la flexibilidad al usuario al realizar las diferentes consultas pre elaboradas.
Además, se efectuaron las pruebas, para corregir los errores siguiendo la
solución de inteligencia de negocios (Rojas 2014).

• Se diseñó las interfaces, mediante la herramienta QlikView para desplegar

el cubo OLAP (Rojas 2014).
Según (Tuñoque y Vilchez 2016) en su tesis de la Universidad Señor de Sipan
titulada “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”, que resume: La presente Tesis
tiene por finalidad 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.
Actualmente la empresa no tiene una herramienta que permita analizar el
historial de las liquidaciones, actividades de obra in situ, Resumen de
Presupuestos de cada uno de los Centros de Costos que hay a nivel nacional.

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).

Según (Gutiérres 2014),en su tesis de la Universidad Peruana de Integración

Global titulada “Implantación de business intelligence como mejora en la gestion
académica del área de coordinación académica de la upig, surco 2015”, que
resume: La presente investigación busca explicar en forma muy sencilla que es:
“Business Intelligence” o “Inteligencia de Negocio”, su estructura y aplicaciones
en la empresa.
Este Proyecto está orientado a universidad UPIG específicamente en parte
académica el cual tendrá como herramienta para el desarrollo a SQL SERVER
2008R2.
Ya que en la institución en estudio no existe una aplicación gerencial que permita
tomar decisiones mediante la visualización de información resumida y concreta.
Este permitirá tener información a tiempo para ello se realizara un proyecto de
inteligencia de Negocios.
La inteligencia de Negocios es el análisis de los datos de la empresa, mediante
la cual se transforman en información estratégica para el apoyo de la toma de
decisiones gerenciales, para ello brinda una serie de herramientas tecnológicas,
de consultoría y estrategia.
Al contar con la información exacta, en tiempo real, es posible tomar las
decisiones y correcciones necesarias antes de que se conviertan en problemas.
Las empresas implementan la inteligencia de negocios para comprender y

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:

• Se demostró que con la ayuda de BI mejoro la creación de reportes

(Gutiérres 2014).

• Se demostró que la ayuda de BI incremento la cantidad de tomas de

decisiones en el mes (Gutiérres 2014).

• En la UPIG se obtendrán grandes beneficios al utilizarse el DataMart

académico, puesto que se podrá analizar el comportamiento de los

13
 estudiantes se podrá tomar mejores decisiones en cuanto al uso de los
recursos (Gutiérres 2014).

• El desarrollo de los procesos de extracción, transformación y carga son

los apropiados según la información requerida por los directores de
carrera (Gutiérres 2014).

• El uso de los indicadores Académicos permitirá realizar el proceso de

elaboración de las estrategias para mejorar las decisiones (Gutiérres 2014).
2.1.2 Antecedentes Internaciones
Según (Acosta y Flores 2015), en su tesis de la Universidad Católica de
Colombia titulada “diseño e implementación de prototipo bi utilizando una
herramienta de big data para empresas pymes distribuidoras de tecnología”, que
resume: Hoy en día uno de los principales activos de las organizaciones es la
información con la que se cuenta y el conocimiento de la misma. Esta se
consolida a partir de datos de los clientes, proveedores, servicios, productos,
competencia, etc. Pero ya no se trata solo de datos, las empresas normalmente
tienen toda esta información en diferentes fuentes, por lo cual se requiere
herramientas y estrategias que permitan extraerla y analizarla para obtener este
importante activo para las empresas – el conocimiento.
La inteligencia de negocios – BI – “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 en los negocios”1. El engranaje principal que
le da fuerza a la máquina de BI es generar conocimiento a partir de datos en
sistemas de información, que toda empresa tiene usualmente alojada en
diversas bases de datos de la compañía. El análisis de la información se
convierte en un factor decisivo para la toma de decisiones para las empresas.
1 SINNEXUS
En la actualidad, bajo el término Business Intelligence, “se reconoce como el
valor de suministrar hechos e información como soporte a la toma de
decisiones”2.
El termino Big data se define como – “la tecnología que se usa para administrar,
recopilar y guardar los datos”3. Al tener toda la información de algo en particular

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.

La empresa Book Center S.A.C necesita mantenerse a la vanguardia de la

tecnología para ser líder en el norte del País brindando una mejor atención a sus
clientes con diagnóstico temprano y certero a la disposición oportuna de

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.

Ante este problema la solución que se propone 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 que apoye a la Gerencia brindando información
valiosa que dé soporte a la hora de tomar 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).

Así mismo concluye:

 Se elaboró el marco teórico respecto al trabajo evolutivo sobre la base de

datos en la nube de Microsoft basada en soluciones de inteligencia de
negocios (Valera y Quispe 2015).
 Se determinó que el alcance del proyecto está en el área de Ventas
obteniendo 10 requerimientos que la gerencia necesita, en base a las
entrevistas (Valera y Quispe 2015).
 Con el análisis de los requerimientos se logró identificar la jerarquía de los
datos en cada consulta hecha por el usuario determinando el modelo de
datos Starnet.(Ver pág. 55 y 56) (Valera y Quispe 2015).
 Al realizar el diseño se identificaron 1 tablas hecho y 6 dimensiones
(Valera y Quispe 2015).
17
  La construcción del Datamart se realizó utilizando las herramientas de
SQL Server 2012, como son SQL Server Data Tools (Business
Intelligence Development) y Microsoft Azure (Valera y Quispe 2015).
 Se realizaron las pruebas sobre los requerimientos a fin de garantizar el
correcto funcionamiento del Datamart, estas pruebas se realizaron
utilizando el Power BI en Excel 2013 (Ver Pág. 107) (Valera y Quispe
2015).

Según (Sanchez 2014), en su tesis de la Universidad Nacional Autónoma de

México titulada “análisis de información y toma de decisiones para
administración de negocios”, que resume: La presente tesis tiene como objetivo
mejorar la visión del negocio, en específico del área de Ventas, por medio del
análisis de información, además de detectar por medio de indicadores la
eficiencia del área. Esto es importante para la toma de decisiones en las
empresas, ya que hoy día, pueden presentar pérdidas considerables por no
interpretar de forma acertada las enormes cantidades de datos que generan, los
cuales deberían de ser transformados en información relevante que ayude a
mejorar la efectividad de la institución.
Las Tecnologías de Información (TI) forman un papel importante en la vida
cotidiana. Se han convertido en parte importante de nuestra vida y por tanto
impactan con fuerza a las industrias y grandes empresas; las cuales tienen que
recurrir a nuevos métodos tecnológicos para poder satisfacer las necesidades
de negocio.
Los sistemas de: Planificación de Recursos Empresariales, los de Administración
de Relación con los Clientes y los de Recursos Humanos; son aplicaciones
implementadas en las organizaciones que la mayoría de las ocasiones se
encuentran desarrolladas en plataformas diferentes. A toda esta problemática,
se le suman la producción de documentos impresos, archivos de diversas
herramientas ofimáticas, entre otros, convirtiendo a las organizaciones en un mar
de información, dificultando encontrar la información relevante para tomar
decisiones en el proceso de negocio.
La Inteligencia de Negocios o Business Intelligence analiza la información de la
organización a fin de generar escenarios, pronósticos y reportes que son
suministrados a los ejecutivos y analistas para la toma de decisiones.

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).

Según (Oña 2013), en su tesis de la Universidad Central de Ecuador titulada

“Estudio Y Diseño De Un Modelo De Inteligencia De Negocios Empresarial Y
Desarrollo De Un Caso De Estudio Con La Herramienta Oracle Bi”, que resume:
El proyecto planteado surge al ver como en la actualidad existen empresas que
manejan gran cantidad de datos, pero a la hora de tomar decisiones, no tienen
un alto grado de conocimiento que sirva como patrones de comportamiento para
analizar y mejorar el desempeño de un negocio. Por esta razón se propone
realizar el diseño de un modelo de Inteligencia de Negocios Empresarial junto al
desarrollo de un ejemplo práctico como caso de estudio a través de la
herramienta Oracle tanto para la base de datos como para el modelo de BI, y de
esta manera facilite la realización de análisis tanto estratégicos como operativos
a través del tiempo, permitiendo crear reportes dinámicos y ayudando a los
directivos a mejorar la toma de decisiones así como el desempeño del negocio,
agregándole valor a la empresa para que sea cada vez más competitiva y
rentable (Oña 2013).

Así mismo concluye:

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).

 Para toda solución de Inteligencia de Negocios es importante conocer el

proceso de negocio del cual se va a realizar un modelo, el cual soporte
los requerimientos solicitados por los usuarios (Oña 2013).

 Al realizar el presente caso de estudio utilizando la metodología de Ralph

Kimball en conjunto con la metodología SCRUM el tiempo empleado en
su realización se acorta debido a los avances cortos y a los prototipos
realizados además que es posible obtener información en cuestión de
días a causa de los prototipos presentados como avances (Oña 2013).

 La solución de Inteligencia de Negocios permite a los usuarios visualizar

la información a través de los reportes de la Herramienta de BI de una
manera más segura, evitando errores al manipular los datos si se
realizaran reportes manuales (Oña 2013).

2.2 Bases teóricas de las variables

2.2.1 Power BI
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.
Tanto si se trata de una sencilla hoja de cálculo de Excel como de una
colección de almacenes de datos híbridos locales o basados en la nube,
Power BI le permite conectar fácilmente los orígenes de datos, visualizar

24
(o descubrir) lo más importante y compartirlo con quien quiera (Ccance
2017).

Figura 1 – Estructura de la herramienta de Power BI Fuente: (Ccance 2017).

Las partes de Power BI

Power BI consta de una aplicación de escritorio de Windows denominada
Power BI Desktop, un servicio SaaS (software como servicio) en línea
denominado servicio Power BI, y aplicaciones móviles de Power BI
disponibles para teléfonos y tabletas Windows, así como para dispositivos
iOS y Android (Ccance 2017).

Figura 2 – Las partes de la herramienta de Power BI

25
Fuente : (Ccance 2017).
Ante este problema la solución que se propone 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 que apoye a la Gerencia brindando información
valiosa que dé soporte a la hora de tomar 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).

2.2.2 Business Intelliguence

Business Intelligence es un conjunto de conceptos, métodos, y tecnologías
diseñadas para convertir los datos de una organización en información útil y,
eventualmente, conocimiento. Con esta tecnología, cada miembro de la
organización puede, en tiempo real, realizar análisis que se ajusten a sus
necesidades para decidir líneas de actuación en función de los datos
anteriores, o pronosticar de forma precisa resultados futuros (Rojas 2014).

SQL Server 2008 es una plataforma escalable de Business Intelligence

optimizada para la integración de datos, elaboración de informes y análisis que
hace posible poner al alcance de todos usuarios la inteligencia empresarial.
(Criptoy, 2014).
Virtualización y consolidación de servidores: La virtualización de servidor,
también conocida como virtualización de hardware, es un tema de plena
actualidad en el mundo de IT debido a que permite reducir de manera drástica
los costes y mejorar la agilidad de las organizaciones.
Consolidación de servidores SQL Server 2008 puede contribuir a reducir los
costes de hardware y mantenimiento mediante una solución de consolidación de
servidores flexible que aporta un rendimiento y una manejabilidad extraordinarios
a las organizaciones. e. (Criptoy, 2014).

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).

2.3 Definición de términos básicos

2.3.1 Sistemas transaccionales OLTP
Los OLTP (Online Transaction Processing) son sistemas
transaccionales que están altamente afinados para realizar su trabajo
rápidamente, usualmente en tiempo real, y a menudo con el uso de
mainframes y otros servidores grandes. Capturan las transacciones
de un negocio y las persisten en estructuras relacionales llamadas
base de datos.
Las características principales de los sistemas OLTP son:
- Realizan transacciones en tiempo real del proceso de un negocio,
con lo cual los datos almacenados cambian continuamente. Los
sistemas OLTP en sus transacciones conducen procesos esenciales
del negocio.

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

Si el sistema ETL se diseña adecuadamente, puede extraer los datos

de los sistemas de origen de datos, aplicar diferentes reglas para
aumentar la calidad y consistencia de los mismos Especificación y
desarrollo de aplicaciones de BI: Las aplicaciones de BI son la cara
visible de la inteligencia de negocios: los informes y aplicaciones de
análisis proporcionan información útil a los usuarios.
Para concluir con el proyecto, se realizó la contrastación de la
hipótesis, las conclusiones y finalizando con las recomendaciones
(Gutiérres 2014).
2.3.4 Data Mart
Es una Data WareHouse solo que más pequeña; en otras palabras, es una Data
Warehouse orientada a algún tema. Los Data Mart suelen ser usados por un
departamento o grupo de usuarios en una compañía, para un conjunto definido
de tareas.
Una Data Mart se considera independiente, ya que recibe datos desde
un Data Warehouse.
Los Data Mart aislados, es decir los que toman sus datos directamente
desde sistemas transaccionales y no dependen de otros Data
Warehouse, recién el nombre de “Data Marts Independientes”.

El acceso a los datos de toda la empresa a veces no es conveniente

(o necesario) para determinados usuarios que solo necesitan un
subconjunto de estos datos, en estos casos se utilizan los Datamarts.
El concepto Datamart es una especialización del datawarehouse, y
está enfocado a un departamento o área específica, como por ejemplo
los departamentos de Finanzas o Marketing. Permitiendo así un mejor
control de la información.

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).

 Dimensiones heterogéneas: que agrupan conjuntos heterogéneos

de atributos, que no están relacionados entre sí.
 Dimensiones roll-up: es un subconjunto de otra, necesarias para
el caso en que tenemos tablas de hechos con diferente
granularidad (ver la entrada anterior del blog).
 Dimensiones Junk: agrupa indicadores de baja cardinalidad como
pueden ser flags o indicadores.

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.

3.1.2 Hipótesis Específicas

H1: La Implementación de Power BI como solución de inteligencia de
negocios Permitirá en el proceso de toma de decisiones de la Demanda en
el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú

H2: La Implementación de Power BI como solución de inteligencia de

negocios Permitirá en el proceso de toma de decisiones de la 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:

Demanda es la carga de trabajo del laboratorio y permite definir los

costes e ingresos del mismo. El indicador de la Demanda se
obtiene a partir del número de pacientes, muestras y análisis únicos
solicitados y obtenidos en el periodo de tiempo seleccionado. El
seguimiento de la Demanda a lo largo del tiempo ayuda a los
laboratorios a identificar cambios en:
• el número total de muestras
• la solicitud de patrones por muestra
• el grupo de análisis o muestras de un tipo específico
• el número de muestras recibidas por procedencia

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:

Productividad es la relación entre las entradas y salidas del

laboratorio. Se emplea como una medida de la 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

38
 •Como parámetro de productividad, especialmente si se mide en
varios laboratorios

3.2.2 Definición operacional

Cuadro 1. Definición operacional de las variables

Variables Dimensiones Unidades

Independientes
- TIEMPO DE ENTREGA Minutos
PREDECIBLE (PTAT)
Implementación de Power El PTAT es una indicación de la
BI como solución de capacidad del laboratorio para
inteligencia de negocios entregar regularmente resultados
según el tiempo de entrega
acordado
• El exceso de desempeño (es decir,
cumplir con los objetivos de PTAT
demasiado pronto cuando no es
clínicamente relevante) puede
indicar un posible desperdicio de
recursos
• El desempeño insuficiente
significa que el laboratorio no
puede cumplir con las necesidades
de sus clientes
• Al utilizar esta parte de la consola
de la plataforma de BI puede:
• Trabajar más cerca de los clientes
para poder definir mejor el nivel de
servicio requerido
• Informar cómo se desempeñó el
laboratorio en relación a los
objetivos de nivel de servicio

- 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

Variables Dependientes Dimensiones Unidades

- VOLUMEN DE CARGA DE TRABAJO

TOTAL
Muestra la cantidad total de
Número de Pacientes
pacientes, muestras y pruebas
Demanda durante el período de tiempo
seleccionado.

39
 - CARGA DE TRABAJO
PROMEDIO/HORAS-HOMBRE

Estos indicadores muestran la

productividad de su fuerza laboral. Al
Cantidad de Fuerza Laboral
incrementar la productividad de sus
recursos humanos, el costo por prueba
mejorará.

- DISTRIBUCIÓN DEL GRUPO DE

PRUEBA

Muestra la distribución de diferentes

tipos de pruebas, así como también los
Distribución de las Pruebas
cambios en el promedio. También
muestra cómo la mezcla de prueba
cambia con el tiempo

- CARGA DE TRABAJO Promedio de Horas Hombre

PROMEDIO/HORAS-HOMBRE

(Esto le permite visualizar su carga

Productividad de volumen de trabajo por los
pacientes, muestras y pruebas)

- CARGA DE TRABAJO vs.

CARGA DE TRABAJO/HORAS-HOMBRE Eficiencia del personal

3.3 Diseño de la investigación

Pre Experimental: Se demostrará la hipótesis a través de métodos
experimentales. No tiene un Grupo Control para comparación de resultados.
Solo se hará en una entidad específica.
Ge O1 X O2
Dónde:
Ge = Grupo Experimental: Es el grupo conformado por toda la producción del
Laboratorio Central de la FAP.
O1 = Son los valores de los indicadores de la Variable Dependiente en la Pre-
Prueba, antes de implementarse Inteligencia de Negocios.
X = Es el estímulo, tratamiento o condición experimental. (Inteligencia de
Negocios).
O2 = Son los valores de los indicadores de la Variable Dependiente en la Post-
Prueba, después de implementarse Inteligencia de Negocios.
40
Descripción: Se trata de la conformación intencional de un grupo experimental
(Ge) conformado por toda la producción del Laboratorio central de la FAP, al cual
a sus indicadores de Pre-prueba (O1), se le administra un estímulo o tratamiento
experimental, Inteligencia de Negocios como estímulo (X) para solucionar el
problema de dicho proceso, luego se espera que se obtenga (O 2). Por lo tanto,
se espera que los valores O2 sean mejores que los valores O1.

3.4 Población y muestra de estudio

3.4.1 Población
Las unidades a analizar son todas los indicadores o dimensiones
que servirán para la toma de decisiones de la producción y la de
demanda del Laboratorio central de la FAP.

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.

3.5 Técnicas e instrumentos de recolección de datos

3.5.1 Técnicas
En la siguiente tabla (ver Tabla 1) detallaremos las técnicas que usaremos
para la recolección de información necesaria para poder seguir con el
desarrollo del presente proyecto de tesis.

Tabla 1: Técnicas de recolección de información Fuente: Elaboración Propia

TÉCNICAS DESCRIPCIÓN

Hemos observado como es el proceso de Toma

de Decisiones en el Laboratorio central de la
Observación FAP. También se hizo la observación sobre la
directa participación de los roles que cumplen en el
proceso tanto la Jefatura del Laboratorio, Los
Técnicos, los Médicos y los Tecnólogos
Médicos.

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.

Tabla 2: Instrumentos de recolección de información Fuente: Elaboración Propia

INSTRUMENTOS DESCRIPCIÓN

Cuestionarios Hemos utilizado dos formatos de cuestionarios,

uno dirigido a la Jefatura del Laboratorio, y otro
dirigido a la Secretaria encargado de generar
los reportes solicitados por la jefatura del
Laboratorio central de la FAP.
Libreta de apuntes Hemos utilizado una libreta de apuntes estándar
para registrar los datos sobre la infraestructura
tecnológica con el cual actualmente se trabaja
en la entidad, así como también detalles
relacionados al proceso de la obtención de
reportes.

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.

4 IV. ASPECTOS ADMINISTRATIVOS

4.1 Presupuesto

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.

Ccance. «Servicio Integral Informático.» Manual, 2017.

Córdova. «ANÁLISIS, DISEÑO E IMPLEMENTACIÓN DE UNA SOLUCIÓN DE INTELIGENCIA DE

NEGOCIOS PARA EL ÁREA DE IMPORTACIONES EN UNA EMPRESA
COMERCIALIZADORA/IMPORTADORA.» Tesis, Lima, 2013.

Gutiérres. «"MPLANTACION DE BUSINESS INTELLIGENCE COMO MEJORA EN LA GESTION

ACADEMICA DEL AREA DE COORDINACION ACADEMICA DE LA UPIG, SURCO 2015".»
Tesis, Lima, 2014.

LLuis. «BUSINESS INTELLIGENCE: COMPETIR CON INFORMACIÓN.» De LLuis, 393. 2007.

Oña. «"ESTUDIO Y DISEÑO DE UN MODELO DE INTELIGENCIA DE NEGOCIOS EMPRESARIAL Y

DESARROLLO DE UN CASO DE ESTUDIO CON LA HERRAMIENTA ORACLE BI".» Trabajo
de Graduacion, Quito- Ecuador, 2013.

Rodríguez. «“METAMODELO PARA INTEGRACIÓN DE DATOS ABIERTOS APLICADO A

INTELIGENCIA DE NEGOCIOS”.» Tesis Doctoral, Oviedo, 2017.

Rojas. «2MPLANTACION DE BUSINESS INTELLIGENCE COMO MEJORA EN LA GESTION

ACADEMICA DEL AREA DE COORDINACION ACADEMICA DE LA UPIG, SURCO 2015".»
s.f.

Rojas. «IMPLANTACION DE BUSINESS INTELLIGENCE COMO MEJORA EN LA GESTION

ACADEMICA DEL AREA DE COORDINACION ACADEMICA DE LA UPIG, SURCO 2015.»
Tesis, Lima, 2014.

Rojas. «IMPLEMENTACIÓN DE UN DATA MART COMO SOLUCIÓN DE INTELIGENCIA DE

NEGOCIOS, BAJO LA METODOLOGÍA DE RALPH KIMBALL PARA OPTIMIZAR LA TOMA DE
DECISIONES EN EL DEPARTAMENTO DE FINANZAS DE LA CONTRALORÍA GENERAL DE
LA REPÚBLICA.» Tesis, Chiclayo, 2014.

Sanchez. «"ANÁLISIS DE INFORMACIÓN Y TOMA DE DECISIONES PARA ADMINISTRACIÓN DE

NEGOCIOS".» Tesis, México D.F, 2014.

Savala, y Inca. «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.» Tesis, Lima, 2016.

Takimoto. «APLICACIÓN METODOLÓGICA DE INTELIGENCIA DE NEGOCIOS EN EL PROCESO DE

TOMA DE DECISIONES DE EGEMSA.» Tesis para optar el Grado de Máster, Piura, 2013.

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

6.2 Mapa de Ubicaciones

46
6.3 Proceso Actual

6.4 Diagrama de Casos de Uso del Planteamiento de Problema

47
6.5 Proceso con la Solución

6.6 Diagrama de Casos de Uso para el Proceso Propuesto

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