1
Funcionamiento e implementación adecuada
de Data Warehouse, dentro de la inteligencia
de negocios, basado en metodologías
existentes.
Alexander Guarín Bayona
Corporación universitaria minuto de Dios, aguarinbayo@uniminuto.edu.co

Resumen— En este proyecto, se analizan las metodologías
planteadas por referentes importantes del tema en cuestión, con la
finalidad de identificar, cuál de ellas (o por el contrario ninguna, o
ambas o inclusive combinadas) se acomoda de mejor manera al
correcto y adecuado funcionamiento e implementación del
almacenamiento de datos (Data Warehouse), dentro de las
herramientas tecnológicas y de análisis de grandes cantidades de
datos, es decir dentro de la inteligencia de negocios.
Abstract-- In this project, the methodologies proposed by
important referents of the subject in question are analyzed, with
the purpose of identifying which of them (or on the contrary none,
or both or even combined) is better suited to the correct and
adequate functioning of the project. implementation of data storage
(Data Warehouse), within the technological tools and analysis of
large amounts of data, that is, within business intelligence.
Palabras Clave: almacén de datos, inteligencia de negocios,
metodologías, data Warehouse, metadatos.
I. INTRODUCCIÓN
U n almacén de datos, es una colección de datos orientada a
un determinado ámbito, bien sea empresarial u
organizacional, entre otros. Existen múltiples metodologías que
permiten implementar y poner en marcha el funcionamiento de
Data Warehouse, sin embargo, se hace de forma amplia, global
e independiente, pero qué a su vez desempeña de buena manera
la labor que debe hacer.
Es por esto, que el investigador lleva a cabo este proyecto,
regido bajo tres (3) ítems, iniciando por (1.) evidenciar algunas
de las metodologías más sobresalientes de la implementación y
funcionamiento de DW, para así (2.) analizar el punto anterior y
determinar si trabajan mejor de forma independiente como es
planteado por cada uno de los referentes o si, en cambio trabajan
mejor de forma conjunta y/o combinada o por el contrario no se
desempeña de ninguna manera , ya que complica el proceso de
implementación y funcionamiento del almacén de datos. Por
último, (3.) y después de realizado el proceso investigativo tanto
de las metodologías planteadas por referentes como el análisis
de cada una de ellas, se toma una decisión final, la cual
determina, qué metodología implementa y funciona mejor en
DW dentro de la inteligencia de negocios y de qué manera se
puede conseguir un proceso más básico, preciso y eficaz.
Todo esto, se lleva a cabo bajo el desarrollo investigativo, que
permita brindar una información correcta sobre el tema.
II. TRABAJOS RELACIONADOS.
El investigador, pretende identificar las características que
determinan el correcto y adecuado funcionamiento del Data
Warehouse, a través de una amplia investigación realizada con
anterioridad. Basado en diferentes textos metodológicos, se
presenta a continuación el desarrollo de los mismos, teniendo en
cuenta que será desglosado, de acuerdo a la relevancia que tiene
cada una de las investigaciones dentro de este proyecto, sin
embargo, es importante recalcar el concepto de inteligencia de
negocio (conjunto de herramientas tecnológicas y de análisis de
grandes cantidades de datos, la cual permite la generación de
historia de organización e indicadores de eficiencia o KPI), ya
que el DW es uno de los elementos que componen esta.
También el conceptuado de Data Warehouse, es un
repositorio de datos electrónicos donde organización resguarda
una gran cantidad de información. Los datos deben estar
almacenados de forma segura, fiable, fácil de recuperar y fácil
de administrar. Estas pueden ser dividas en tres estructuras:
1. Estructura básica: archivos planos los cuales
proporciona datos brutos los cuales se encuentran
junto al meta datos. Y estos pueden ser accedido a
ello para su análisis a través de minería de datos.
2. Área de ensayo: estos se pueden ubicar entre la
fuente de datos y su almacenamiento encontrando un
espacio donde los datos pueden ser procesados
3. Data Marts: diseñados para líneas de negocios en
específico permitiendo el análisis de datos uno a uno.
La primera investigación se denomina “Una metodología para
Procesos Data WareHousing basada en la experiencia”, escrita
por Wilson Castillo, Fernando Medina y Francisco Fariña donde
se presenta una nueva metodología para procesos de
almacenamiento de datos, el cual integra diversos enfoques y
técnicas propuesto por Ralph Kimball y Hefesto, quienes
aseguran que una de las características tecnológicas es la

utilización y consolidación de las bases de datos, para el registro
de transacciones a través de internet, lo cual representa la
herramienta principal que proporciona información en una
organización. [1].
Teniendo en cuenta la cita anterior, la metodología propuesta
por estos autores si aplica a esta investigación, porque la
computación en la nube permite el almacenamiento en internet,
el cual representa una mejor implementación a las empresas, ya
que estas no tienen que generar inversiones o adaptaciones
específicas para un almacenamiento, sino que por el contrario
pueden optar por servicios o características de gran capacidad
que ofrece Cloud Computing. Teniendo la posibilidad de adaptar
estos servicios a sus necesidades, donde adicionalmente los
sistemas distribuidos permiten la eficiencia en consulta y
procesamiento de datos.
La metodología de Kimball, también plantea y afirma que el
enfoque dimensional para el diseño de un DW es la unión de
todos los DM de una organización que constituye el DW
corporativo [1]. Según el texto, el concepto de colección de
datos orientada a un determinado ámbito, contribuye a la toma
de decisiones unilaterales a las entidades que permiten
implementar este modelo, complementándose de bases de datos
multidimensionales denominadas DM y enfocadas al análisis de
necesidades y/o negocios particulares con el objetivo de cumplir
con indicadores.
La metodología Kimball no es la única metodología creada y
implementada para DW, una gran variedad de metodologías de
diseño y construcción. La mayoría de fabricantes de software de
inteligencia de negocios intentan imponer su propia metodología
según su planteamiento de negocio. Sin embargo, pero por su
estructura la Kimball resalta de gran manera.
Buscando y analizando más a fondo sobre el ciclo de vida
dimensional del negocio (Business Dimensional Lifecycle),
utilizado por Kimball, se halló la investigación denominada “la
metodología de Kimball para el diseño de almacenes de datos
(Data WareHouses)”, investigación que aporta bastante al
desarrollo de este proyecto, ya que, explica de manera detallada
tanto los cuatro principios básicos (centrarse en el negocio,
construir una infraestructura adecuada, realizar entregas en
incrementos significativos y ofrecer la solución completa)
2
utilizados por él, para llevar a cabo el funcionamiento de los
datos, como los modelos de identificación e implementación.
“una de las características es identificar todos los atributos útiles
y sus ubicaciones, definiciones y reglas de negocios asociadas
que especifican cómo se cargan esto datos.” [2].
Los elementos con que se alienta la DW es el sistema de
Extracción, Transformación y Carga (ETL). Es capaz de extraer
los datos del origen y aplicar reglas para aumentar la calidad y
eficiencia. Consolidando la información de distintos sistemas de
negocio y por ultimo cargar la información en el DW en
formatos acorde para la utilización de las herramientas de
análisis.
Por otra parte, y con la finalidad de complementar la
información obtenida con anterioridad, se acude a un tercer texto
metodológico “El proceso Data Warehousing y los meta datos”,
estudio publicado en la red de revistas científicas de América
Latina y el Caribe, España y Portugal; allí se hace referencia al
tratamiento de los datos los cuales se convierten en información
sobre la estructura, contenido e interdependencias de DW. Son
la información estructural, y contenido que poseen los datos
sobre datos en Data Warehouse estos son los datos estructurados
y codificados los cuales describen características de instancias
las cuales permiten la identificación, descubrir y administrar la
información.
En el artículo “Metodología híbrida para el diseño y la
construcción del Data Warehouse para “el programa de
rehabilitación ambiental y social” en ecuador” escrito por el
Master GIS, Oswaldo Días y el ingeniero de sistemas e
informática de la Universidad de las Fuerzas Armadas, Ricardo
Díaz, propone una metodología que diseñe y construya un Data
Warehouse el cual equilibre tanto los niveles de granularidad
como el grado de cohesión de funciones del PRAS (Programa
de rehabilitación ambiental y social), esto bajo conocimiento y
práctica de metodologías reconocidas como la de Kimball
(mencionado con anterioridad) e Inmon.
El pilar más importante que rige esta investigación es el
modelo EDW.
“estructurado en tercera forma normal y tiene una lógica
relacional, considerando las mejores prácticas establecidas por
Inmon (Inmon, 2002). A partir del modelo EDW, se crean los
Data Marts en estrella tal como lo describe Kimball (Kimball,
1996), teniendo en cuenta que las dimensiones compartidas se
crearán una sola vez en un esquema público, mientras que las
dimensiones que no sean compartidas serán creadas cada una en
su esquema respectivo.”[4].
Este artículo usa dos metodologías la de Kimball y la de
Imon, es una buena expresión porque no es solo es utilizada en
una idea de negocio, sino también a otros ámbitos como el
programa de rehabilitación ambiental y social. Teniendo en
cuenta la cita anterior, en este artículo se presenta la lógica
relacional la cual está representada en la implementación de la
base de datos.
Continuando con la investigación que se lleva a cabo sobre
 3

Almacenamiento de datos (Data WareHousing), se menciona

ahora como referente, el artículo publicado en la revista de
ingeniería científica chilena, cuyo alusivo genera
discrepancia en el uso del DW tradicional, ya que es
implementado en un ámbito académico y que lleva por título:
“Análisis de rendimiento académico estudiantil usando Data
Warehouse Difuso”, escrito por Carolina Zambrano, Angélica
Urrutia y Marcela Varas.

“Un Data Warehouse (DW) es un repositorio de datos que

provienen de distintas fuentes. Es utilizado para el análisis de
datos y como apoyo a la toma de decisiones. Ya que permite
obtener indicadores cuantitativos tales como cantidades. Sin
embargo, en el ámbito de análisis de datos es usual encontrar
relaciones entre los datos de naturaleza difusa. Por ejemplo,
en un contexto académico la respuesta a la consulta “qué
estudiantes obtuvieron buena nota final” no puede ser
obtenida desde un DW tradicional pues no maneja
información cualitativa. Debido a las limitaciones de los DW
tradicionales es que pueden extenderse usando lógica difusa
a un DW Difuso (DWD).”[5].

Es importante mencionar que el DW que se considera,

siempre debe ser utilizado para la obtención de datos
cuantitativos, los cuales brindan información necesaria para la
toma de decisiones dentro de la inteligencia de negocios, sin
embargo y después de la investigación se evidencia que no solo
es aplicable el DWT, sino que también existe otra forma de
cualificar los datos.
Continuando con el tema de DW Difuso, otro referente
importante para esta investigación, también por su relevancia en
la revista científica chilena de ingeniería es: “Enfoque MDA
para el diseño de un data warehouse difuso.” Escrito de igual
manera por Carolina Zambrano, Marcela Vara y Angélica
Urrutia, donde continúan con el tema central de Data
Warehouse, ya que, realizan un comparativo entre el DW
tradicional y DW Difuso, a continuación, se muestra el cuadro
comparativo realizado por las autoras:
Figure 1 Enfoque MDA para el diseño de un data warehouse difuso. Tabla. [6]
Según el criterio del investigador de este proyecto se
considera que ambos DW funcionarían correctamente de forma
combinada, es decir, la metodología cuantitativa permite una
buena toma de decisiones de manera global y la metodología
cualitativa (difusa), complementa y centra a través de
características el área de interés de forma específica.
Continuamos con un texto investigativo más, el cual lleva por
título: “modelo éxito de un data warehouse.” Escrito por la
doctora en Administración de Empresas de la Universidad del
este, Isabel Candal, éste artículo se centra en los metadatos, los
cuales son la información que facilitan la búsqueda de los datos.
El modelo o metodología aplicada en este artículo, muestra a
referentes como Delone y Mclean quienes se enfocan en la
calidad del servicio del software y es por ello que no será
teniendo en cuenta para este proyecto. También mencionan las
variables de Kendall: “El éxito de los factores de la
implementación Data Warehouse, se asocia significativamente a
la calidad de datos, calidad de sistema y calidad de servicio.”
[7].

Si no se tiene una buena implementación del DW, se van a

presentar errores en diferentes ámbitos, es decir no va a ver
información correcta y exacta.

También, se tiene en cuenta un referente que ha sido

mencionado con anterioridad y es Inmon, quien afirma que: “el
conjunto de datos es orientado a un dominio, integrado, no
volátil, no varía en tiempo y ayuda a la toma de decisiones de la
empresa u organización.” [7].

La importancia de lo planteado por Inmon anteriormente, se
centra en los datos que se mantienen con el tiempo y no varían
según su información, lo opuesto a Kimball.
Se da paso ahora, a una investigación más, la cual lleva por
título: “Aplicación de Business Intelligence en Unidades de
Negocio (UNE´s).” Escrita por el Dr. Jesús Sánchez de la
Universidad Francisco de Vitoria y donde se lleva a cabo un
proceso de estrategia de negocios aplicada a través de una
metodología de DW básico:
I. “Sistema fuente: sistemas operacionales de
registros donde sus funciones son capturar las
transacciones del negocio. A los sistemas fuentes
también se le conoce como Legacy System.
II. Área de tráfico de datos: es un área de
almacenamiento y grupo de procesos, que limpian
transforman, combinan y remueven los
duplicados, guardan, archivan y preparan los datos
fuente para ser usados en el Data WareHouse.” [8]
Como un dato adicional, esta información se organiza con el
objetivo de que sea accesible, consistente, adaptable y elástica.
Esto como unos requerimientos de Data Marts, los cuales no
tienen límites fijos.
Este referente es tomado en cuenta para el desarrollo de este
proyecto, ya que, explica el flujo correcto de la información y
como lo procesa un DW básico y esto es una combinación junto
con la base de datos.
Tenemos una investigación más dentro del marco teórico que
se lleva a cabo en este proyecto, publicada en la revista científica
chilena de ingeniería y donde se expone el ciclo de madurez,
para el crecimiento constante y mejora de la inteligencia de
negocios manejada a través de una metodología de estudio de
similitudes y estándares (MESME) y dentro de ella el área de
proceso clave donde interviene el DW.
Figure 2 Análisis comparativo de modelos de madurez en inteligencia de
negocio [9].
Un DW de alta madurez, representa una amplia calidad tanto
en su formación como en su proceso, de igual manera los DW
pueden se progresivos según su nivel de calidad. Existen muchas
4
metodologías, pero no existe una gran similitud entre ellas y esto
dificulta la estandarización de un método eficaz que funcione
para todo.
A continuación, se evidencia una investigación publicada en
la Conferencia Nacional de Academias Aliadas, titulada: “Data
Warehousing” Escrita por Claudia Rogers y donde se habla
acerca de los procesos DW y el flujo de datos.
“Un almacén de datos permite la recopilación de datos de
muchas fuentes diferentes. Es capaz de no solo aceptando los
datos, sino también limpiándolos y colocándolos en el formato
correcto. La información extraída de un almacén de datos es
confiable porque son sistemas de solo lectura. En otras palabras,
el fin el usuario no puede hacer cambios o alterar la información
dentro del almacén.” [10].
Los DW poseen un uso indispensable, ya que son capaces de
preservar la fiabilidad de los datos sin ser alterados o
modificados por externos entregando información fiable, esto a
que pueden procesar los datos ingresados sin importar su fuente,
por este motivo generar datos indispensables para tomas
decisiones y generadores de indicadores.
Según la investigación plasmada en el artículo, los DW se
componen de cuatro fases o niveles:
I. Nivel actual: es el nivel que posee más importancia
para el procesamiento de información debido a que
son datos actualizados en el momento y los que van
tener un flujo de uso mayor, generando mayores
costos de manera administrativa.
II. Metadatos: ya que los DW, son almacenes de
grandes cantidades de información debe existir una
manera de realizar búsquedas exactas dentro de
ellos, esa es la función de los metadatos los cuales
son puntos de referencia para cualquier usuario que
lo requiera similar las fichas bibliográficas,
generando información adicional para su búsqueda.
III. Datos más antiguos: como su nombre indica, datos a
los que no se acceden con mucha frecuencia, ya que
están almacenados mientras todavía tengan algún
nivel de importancia, por lo general estos son
guardados en un almacenamiento externos.
IV. Datos resumidos: estos dependen únicamente de la
frecuencia con las que son usados, por este motivo
se generan dos tipos:
• Datos ligeramente resumidos: que son generados
de los datos actuales, los cuales crean un filtro de
menor detalle.
• Datos altamente resumidos: son compactos y
fáciles de acceder, se producen de los datos más
antiguos, estos pueden estar guardados en el
almacén de datos o externos.

Se mostrará a continuación, una investigación titulada:
“Almacenamiento de datos, evaluación y gestión tecnológica.”
Escrita por David Chou de la Universidad de Oxford, Miami y
donde se muestra de forma detallada la amplia definición que
abarca el DW, además de las implicaciones que esto conlleva,
bajo referentes que se han venido mostrando durante el
desarrollo de este artículo y se habla de Inmon y Kimball.
“Inmon (1992) describió el almacén de datos como orientado
por el sujeto, en un estado de uniformidad, variable en el tiempo
y no volátil. El término "orientado a la materia" implica que el
almacenamiento de datos se organiza en torno a temas
comerciales, como el vendedor, la actividad y el producto del
cliente. "Uniformidad" significa que dentro del almacén de datos
se hace referencia a los elementos de datos comunes de múltiples
aplicaciones de manera consistente. "Variante de tiempo"
significa que los datos operativos se actualizan a medida que
cambian las condiciones del negocio. "No volátil" significa que
los datos se cargan en el almacén y luego se accede desde él. Los
datos operativos se actualizan registro por registro.” [11]
Se evidencia nuevamente la importancia del método
cualitativo, ya que a través de estas características se sigue
centrado a conceptos puntuales, con el fin de que los datos
almacenados sean entregados a los usuarios, viéndoles siempre
como un cliente según la orientación del negocio,
adicionalmente los datos ingresados dependiendo de su
orientación son actualizados registro por registro, con el fin de
no acertar ni afectar la fiabilidad de la información dependiendo
de la condiciones del negocio.
Se evidencia nuevamente la importancia del método
cualitativo, ya que a través de estas características se sigue
centrado a conceptos puntuales, con el fin de que los datos
almacenados sean entregados a los usuarios, viéndoles siempre
como un cliente según la orientación del negocio,
adicionalmente los datos ingresados dependiendo de su
orientación son actualizados registro por registro, con el fin de
no acertar ni afectar la fiabilidad de la información
dependiendo de la condiciones del negocio.
Teniendo en cuenta que, en la mayoría de las investigaciones
anteriores, se mencionó tanto la metodología de los referentes
Ralph Kimball e Inmon, se hizo un alto en el desarrollo del
marco teórico de este proyecto para visualizar como son y en
que discrepan ambas metodologías.
Kimball. Inmon.
- Implementación - Implementación
inicial genera bajo inicial genera alto
costo. costo.
- Tiene tiempo de - Requiere más
desarrollo inferior. tiempo de
- Equipo desarrollo.
especializado en - Equipo
tipo medio. especializado alto.
- Requiere de - Requiere de toda la
apartamentos compañía para la
implementación.
5
individuales para la - Tiene un
implementación. mantenimiento
- Requiere fácil.
mantenimiento más
complejo.
Continuamos con el desarrollo del marco teórico y se da paso
a un artículo más, publicado en la red de revistas científicas de
América Latina y el Caribe, España y Portugal, el cual lleva por
título: “Metodologías para desarrollar Almacén de Datos.”
Escrita por Eric Brizuela y Yudi Castro, donde se llevó a cabo
una investigación sobre el tipo de metodologías existentes para
la arquitectura de DW, teniendo como referente a Hefesto, quien
afirma que:
“La confección de almacenes de datos. Consta de cuatro
fases: análisis de requerimientos, análisis de los OLTP, modelo
lógico del almacén de datos y proceso ETL. Puede ser utilizada
en cualquier ciclo de vida que no requiera fases extensas de
requerimientos y análisis, con el fin de entregar una
implementación que cumpla con una parte de las necesidades
proporcionadas por el usuario” (pág. 7). [12]
Por otra parte, se tuvo en cuenta también, el artículo titulado:
“La inteligencia de negocios como una herramienta en la gestión
académica -Business intelligence as a tool in academic
management.” Escrito por Juan Camargo, Luis Joyanes y
Lillyana Giraldo, donde se realizó una indagación sobre el
estudio, análisis y evaluación de las características de los datos
existentes en la comunidad académica con el fin de recomendar
el modelo para aplicar la inteligencia de negocios.
El referente metodológico que se maneja en esta investigación
es nuevamente Ralph Kimball, pues afirma que: “el caso de
datos o valores inadmisibles. Dentro de la transformación se
puede contemplar conversión de datos lo cual busca
homogeneidad e integración de los datos, de manera que se
disminuya el tiempo de respuesta por las consultas de los
usuarios.” (pág. 9). [13]
Continuando con la indagación, se tiene en cuenta para este
marco teórico el artículo titulado: “Data Warehouse (bodega de
datos). Herramienta para la toma de decisiones”, escrito por
Néstor Duque y Alonso Tamayo donde se muestra el proceso
investigativo para comprender porque el DW se está con
virtiendo en Jas bases de datos de la inteligencia de un negocio,
generando y apoyando elementos de competitividad. Teniendo
como referente a Inmon y la metodología que este plantea.
“Data warehouse es la combinación de tecnología y proceso
orientada a apoyar a la toma de decisiones, donde interesa más
la historia que el detalle de lo actual.” (pág. 121). [14]
Para cerrar este ciclo de marco teórico del proyecto, se
menciona la tesis doctoral titulada: “Impacto de la data
warehouse e inteligencia de negocios en el desempeño de las
empresas: investigación empírica en Perú, como país en vías
de desarrollo” escrita por Rolando Gonzales y donde se llevó
a cabo un proceso de preguntas de investigación y se

utilizaron dos modelos para resolver las mismas. El primero
un modelo Cualitativo Exploratorio, mediante entrevistas
semi-estructuradas, y el segundo un modelo Cuantitativo,
mediante cuestionarios. Esto con la finalidad de conocer el
impacto que genera el DW en un país en vías de desarrollo.
Al igual que en la mayoría de los artículos mencionados, los
referentes principales fueron Kimball: “basado en Data Marts
desarrollados siguiendo un conjunto de declaraciones de
atributos llamada data warehouse” e Inmon: “enfatiza la
importancia de los cortes de data cros-funcionales desde
múltiples fuentes para soportar las diversas necesidades, siendo
esta orientación al tema, la base del modelo empresarial de data
warehouse” (pág. 21 y 22). [15]
III. METODOLOGÍA
“Los métodos mixtos no nos proveen de soluciones perfectas,
sin embargo, hasta hoy, son la mejor alternativa para indagar
científicamente cualquier problema de investigación. Conjuntan
información cuantitativa y cualitativa, y la convierten en
conocimiento sustantivo y profundo.” (Sampieri. R, Fernández.
C, Baptista P. Metodología de la investigación. Parte 4, Cap. 17)
[16]
En el momento de establecer la metodología a trabajar durante
el proceso, se busca analizar la información obtenida a través de
este elemento clave, que es la metodología. Teniendo en cuenta
la referencia del libro: “Metodología de la investigación” escrita
por Roberto Sampieri, Carlos Fernandez y Pilar Baptista; el
investigador elige utilizar como herramienta la metodología
mixta y el modelo multimetodos. Si bien, se sabe que es uno de
los enfoques más completos para llevar a cabo, también se
entiende que es el más complejo porque combina tanto el
enfoque cualitativo como el enfoque cuantitativo.
A continuación, se evidencian las ventajas que brinda el
contenido del libro para esta metodología:
I. Brindar datos e información numérica con precisión
estadística.
II. Profundizar la investigación, de acuerdo a las
características que presenta el planteamiento de la
problemática inicial.
III. Calcular las proyecciones numéricas de la
información recolectada a través del instrumento
metodológico.
IV. Enriquecimiento a la identificación de problemáticas
de forma cualitativa y cuantitativa de la información
obtenida.
“Dentro de una misma investigación se aplica primero uno de
los enfoques y luego el otro, casi de forma independiente. Éste
diseño puede realizarse cuantificando datos cualitativos,
cualificando datos cuantitativos, agrupando la información en
datos categóricos o validando suficientemente los instrumentos
cualitativos.” (Hernández. R, Fernández. C, Baptista P.
Metodología de la investigación. Parte 4, Cap. 17) [16]
Empleando la metodología mixta dentro de este proyecto, se
aplica primero el enfoque cualitativo a través de la obtención de
6
características referidas por el modelo metodológico establecido
por Kimball e Inmon (referentes principales de esta
investigación), para así pasar a desarrollar el enfoque
cuantitativo a través de la recolección de datos estadísticos,
obtenidos como un porcentaje eficaz de cada una de las
características adquiridas dentro del enfoque cualitativo.
Como se diría popularmente, en pocas palabras, se pretenden
buscar y determinar las características planteadas por la
metodología de Kimball e Inmon para así obtener estadísticas
probables que demuestren de forma contable cuál de las dos
metodologías es la correcta para lograr una implementación y
funcionamiento adecuado del Data Warehouse.
REFERENCIAS
[1] Castillo-Rojas, W., Quispe, F. M., & Molina, F. F. (2018). Una
metodología para procesos data WareHousing basada en la experiencia.
Revista Ibérica De Sistemas e Tecnologias De Informação, (26), 83-103.
doi:http://dx.doi.org.ezproxy.uniminuto.edu/10.17013/risti.26.83-103.
[2] Gustavo R. R. (2010). La metodología de Kimball para el diseño de
almacenes de datos (Data warehouses).
https://www.ucasal.edu.ar/htm/ingenieria/cuadernos/archivos/5-p56-
rivadera-formateado.pdf
[3] García. F., Luna E. (2015). El proceso Data Warehousing y los metadatos.
Red de revistas científicas de América Latina y El Caribe, España y
Portugal. Universidad Autónoma del Estado de México. Pág (66).
[4] Oswaldo, D. R., & Ricardo Díaz Razo. (2016). METODOLOGÍA
HÍBRIDA PARA EL DISEÑO Y LA CONSTRUCCIÓN DEL DATA
WAREHOUSE PARA "EL PROGRAMA DE REHABILITACIÓN
AMBIENTAL Y SOCIAL EN ECUADOR". 3C Empresa, 5(1), 1-15.
doi:http://dx.doi.org.ezproxy.uniminuto.edu/10.17993/3cemp.2016.05012
5.1-15
[5] Matamala, C. Z., Sepúlveda, A. U., & Contreras, M. V. (2017). Análisis
de rendimiento académico estudiantil usando data warehouse difuso.
Ingeniare : Revista Chilena De Ingenieria, 25(2), 242-254. Retrieved from
https://search-proquest-
com.ezproxy.uniminuto.edu/docview/1931961664?accountid=48797
[6] Matamala, C. Z., Contreras, M. V., & Sepúlveda, A. U. (2012). Enfoque
MDA para el diseño de un data warehouse difuso/A model driven approach
for fuzzy data warehouse design. Ingeniare : Revista Chilena De
Ingenieria, 20(1), 99-113. Retrieved from https://search-proquest-
com.ezproxy.uniminuto.edu/docview/1033501905?accountid=48797
[7] Isabel, C. V. (2013). Modelo de éxito de un data warehouse. Tecnura,
17(35), 116-125. Retrieved from https://search-proquest-
com.ezproxy.uniminuto.edu/docview/1869528283?accountid=48797
[8] Cotobal, J. S. (2013). Aplicación de business intelligence en unidades de
negocio (UNE's)/Development of business intelligence in customer and
business units. Anuario Jurídico y Económico Escurialense, (46), 285-301.
Retrieved from https://search-proquest-
com.ezproxy.uniminuto.edu/docview/1528550099?accountid=48797
[9] Morales, R. P., Villegas, C. M., & Zepeda, V. V. (2015). Análisis
comparativo de modelos de madurez en inteligencia de
negocio/Comparative analysis of maturity models in business intelligence.
Ingeniare : Revista Chilena De Ingenieria, 23(3), 361-371. Retrieved from
https://search-proquest-
com.ezproxy.uniminuto.edu/docview/1709292958?accountid=48797
[10] Rogers, C. (2000). DATA WAREHOUSING. Allied Academies
International Conference.Academy of Information and Management
Sciences.Proceedings, 4(1), 6-10. Retrieved from https://search-proquest-
com.ezproxy.uniminuto.edu/docview/192409984?accountid=48797
[11] Ma, C., Chou, D. C., & Yen, D. C. (2000). Data warehousing, technology
assessment and management. Industrial Management & Data Systems,
100(3), 125-135.
doi:http://dx.doi.org.ezproxy.uniminuto.edu/10.1108/0263557001032319
3
[12] Brizuela, E. & Castro, Y. (2013). Metodologías para desarrollar Almacén
de Datos.
https://www.redalyc.org/html/1939/193930080003/?fbclid=IwAR137DS
 7

2AMtogD4PFLYLY3EiKe7hLWl8yVXOYxb5HR2h9bbbmrMSyHXM5
O8
[13] Camargo, J. Joyanes , L & Giraldo Lillyana. (2016). La inteligencia de
negocios como una herramienta en la gestión académica.
https://revistas.udistrital.edu.co/ojs/index.php/revcie/article/view/10163/1
1436
[14] Duque, N. & Tamayo A. (2001). data warehouse (bodega de datos).
herramienta para la toma de decisiones.
http://bdigital.unal.edu.co/58088/1/datawarehouseparte1.pdf
[15] Gonzales, R. “Impacto de la data warehouse e inteligencia de negocios en
el desempeño de las empresas: investigación empírica en Perú, como país
en vías de desarrollo”
https://www.tdx.cat/bitstream/handle/10803/85876/GONZALES_Tesis%
20Doctoral_FV.pdf
[16] Hernandez, R. Fernando C. & Baptista, P. (2006). Metodología de la
investigación, Sexta versión. http://observatorio.epacartagena.gov.co/wp-
content/uploads/2017/08/metodologia-de-la-investigacion-sexta-
edicion.compressed.pdf