FUNDAMENTOS DE INTELIGENCIA DE

NEGOCIOS

Estructura de contenidos

INTRODUCCIÓN........................................................................... 3

1. INTELIGENCIA DE NEGOCIOS..................................................... 3

1.1. La implementación de un esquema de BI permite:...................... 4

1.2. Selección de Indicadores:....................................................... 5

1.3. Las 4 P de BI:........................................................................ 6

2. MINERÍA DE DATOS (DATA MINING)............................................ 6

3. BODEGA DE DATOS................................................................... 7

4. ARQUITECTURA DE UNA BASE DE DATOS EN INTELIGENCIA DE

NEGOCIOS.................................................................................. 8

4.1. Nivel operacional................................................................... 8

4.2. Bodega de datos o DWH......................................................... 9

4.3. Nivel departamental (Data Marts)............................................. 9

4.4. Nivel individual...................................................................... 9

4.5. Cubos Multidimencionales OLAP............................................... 10

4.5.1. Dimensiones....................................................................... 10

4.5.2. Modelos utilizados para construcción...................................... 11

5. ARQUITECTURA FUNCIONAL DE UN ALMACEN DE DATOS............... 14

FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje

FUNDAMENTOS DE INTELIGENCIA DE NEGOCIOS
Mapa conceptual

2
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

INTRODUCCIÓN

La utilización de los datos en las organizaciones como elemento que

facilita la toma de decisiones, involucra el conocimiento del funcionamiento
actual y la anticipación de acontecimientos futuros. Alrededor de este tema
hay toda una serie de estrategias y herramientas las cuales a partir del
análisis de datos existentes, generan conocimiento que permite apoyar
las decisiones empresariales. Este es el campo de acción de la Inteligencia
de Negocios.

La Inteligencia de Negocios se centra en el manejo de grandes volúmenes

de información provenientes de las diferentes áreas de la empresa, a
esta información se le aplican metodologías y herramientas para que
sea posible analizar el entorno organizacional determinando fortalezas y
debilidades para así establecer estrategias y el descubrimiento de nuevas
oportunidades.

1. INTELIGENCIA DE NEGOCIOS.

Inteligencia de negocios o BI (del inglés business intelligence) es el

conjunto de estrategias y herramientas para la administración y creación
de conocimiento mediante el análisis de la información de una organización
para facilitar la toma de decisiones empresariales, predicciones y perfiles
futuras.

En 1958 Hans Peter Luhn habla por primera vez sobre inteligencia de
negocios, entendida como la interrelación de hechos orientados al
desarrollo de una meta. Anteriormente las empresas generaban datos
y con mucho esfuerzo generaban conocimientos sobre estos, debido a
que no contaban con recursos computacionales, dificultando el análisis
de los datos por la carencia de herramientas que permitieran la toma
de decisiones a largo plazo y las decisiones a corto plazo se toman por
intuición.

3
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

La inteligencia de negocios permite la toma de decisión en los niveles

estratégicos, tácticos u operativos, extrayendo datos para analizarlos,
generar reportes y realizar análisis cruzados por medio del análisis
multidimensional.

Howard Dresner en 1985, puso el acrónimo de BI (Business Intelligence),

como el conjunto de métodos, herramientas y procedimientos para la
toma de decisiones, basados en hechos.

En la actualidad BI, incluye una amplia gama de metodologías, aplicaciones

y tecnologías, que permiten extraer de diversas fuentes, plataformas
y estructuras para transformarlas y analizarlas: datos, transacciones e
información son convertidas en conocimientos para soporte en la toma
de decisiones.

1.1. La implementación de un esquema de BI permite:

• Información correcta en el momento adecuado, almacenada en un

único lugar y disponible en tiempo real.

• Evaluación de distintos escenarios que permiten analizar situaciones

que puedan afectar al negocio.

• La información va mas allá de los reportes, incluyendo indicadores

que me permitan medir el desempeño del negocio.

• Permite agrupar información de diferentes áreas para establecer,

modificar y ajustar políticas, procesos y procedimientos.

• Gran capacidad de reacción ante amenaza y vulnerabilidades del

negocio, actuando o anticipándose a éstos.

• Capacidad de retroalimentación con respecto a hechos sucedidos

para reevaluar políticas y objetivos del negocio.

4
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

Datos

Retroalimentación
Información

Planes de acción
Conocimiento

Reglas

1.2. Selección de Indicadores:

Para generar el concepto de BI es importante entender cuál es el flujo de

información en la empresa y cuáles son los procesos involucrados en el
requerimiento de información. Por eso es necesario preguntarse:

• ¿Qué información se necesita?

• ¿Para qué se quiere la información?

• ¿A quien va dirigida la información?

5
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

1.3. Las 4 P de BI:

• PLAN: curso de acción conscientemente determinado

•  OSICIÓN: un medio para ubicar a la organización (nicho, rentas,

P
dominio)

• PATRÓN: es un modelo que implica consistencia

•  ERSPECTIVA: una manera particular de percibir el mundo (concepto,

P
cultura, ideología)

2. MINERÍA DE DATOS (DATA MINING)

Es un proceso de descubrimiento y análisis de relación de patrones y

tendencias en grandes volúmenes de datos para la generación de
conocimiento.

Entendimiento
Entendimiento
de los Datos
de la Idea

Preparación
de los Datos

Implementación

Datos

Modelamiento

Evaluación

6
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

Los sistemas de base de datos dan soporte a los procesos básicos de

la organización, una vez realizada esta labor la organización requiere
información más allá de lo que ofrecen los reportes; de esta necesidad,
surgen herramientas para la toma de decisiones (DSS Decision Support
System), tales como: EIS, OLAP y otras herramientas de la minería de
datos.

Las Herramientas OLAP (On Line Analytical Processing) actúan sobre

sistemas de información (transaccional o bodega de datos), permitiendo
hacer agregaciones y combinaciones de datos complejos para realizar
análisis estratégico, basados en sistemas o interfaces multidimensionales
de forma matricial, permitiendo facilidades para manejar y transformar
los datos que producen otros datos (metadatos).

Las herramientas de minería de datos permiten extraer patrones,

tendencias para predecir comportamientos futuros.

3. BODEGA DE DATOS.

Un bodega de datos (Bodega de datos, DataWareHouse), es el sistema de

información central de datos orientado al dominio, no volátil, integrado
y variante en el tiempo, procedente de diversos sistemas de información
que generan la materia prima a granel (SAP, CRM, ERP, OLTP).

La información en el bodega de datos sirve para realizar minería de datos

(Data mining), utilizando herramientas de procesamiento analítico en
línea y análisis multidimensional (OLAP) y Sistemas para el apoyo en la
toma de decisiones (DSS).

Los almacenes de datos pueden estar conformados por centros de acopios

intermedios o data marts que se especializan en un área de la organización
y son sistemas orientados a la consulta.

Una bodega de datos debe ser:

• Temático: Los datos se almacenan por su naturaleza (área, tema,

dependencia, etc.) para facilitar su entendimiento por parte de los
usuarios finales.

• Integrado: Todos las dependencias de la organización envían su

7
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

información en diferente nivel de detalle pero de forma tal que es

altamente consistente.

• No volátil: La información es permanente, solo se realizan dos tipos

de operaciones: Carga de los objetos (información) y su consulta.

• Histórico: Esta conformado por una serie de instantáneas de la

situación de la organización para realizar una línea base para el análisis
y la realización de perfiles, comportamientos y predicciones con respecto
a la información almacenada.

4. ARQUITECTURA DE UNA BASE DE DATOS EN

INTELIGENCIA DE NEGOCIOS

4.1. Nivel operacional

Son los datos primitivos de los sistemas de información que son creados
y actualizados transaccionalmente.

Datos operacionales Almacén de datos Nivel departamental Aplicaciones de usuario

DATA
MART

SGBD Nivel individual

OLAP

Carga de datos Transformadores de datos Minería de datos

8
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

4.2. Bodega de datos o DWH

Almacenan los datos primitivos cargados en el DWH con un mediano o

alto grado de resumen para generar datos derivados y apoyar la toma de
decisiones.

4.3. Nivel departamental (Data Marts)

Tienen datos primitivos con un mediano grado de resumen, procedentes

de sistemas de información y fuentes de información. En los Data Marts:
los usuarios son limitados (servidores dedicados), están asignados a un
área específica del negocio, tienen un propósito, y una función de apoyo
a la organización.

4.4. Nivel individual

Contienen pocos datos y son generados mediante algoritmos Heurísticos,

procesos estadísticos de la información de los almacenes de datos
para la toma de decisiones (Regresiones, series temporales, análisis
discriminantes, métodos bayesianos, algoritmos genéticos, arboles
de decisión y redes neuronales en otros), realización de perfiles,
comportamientos y predicciones.

La diferencia entre la arquitectura de una bodega de datos y una base

de datos OLTP estándar, es que en una estructura de bodega de datos
las tablas están desnormalizadas entre variables y dimensiones. Un
sistema OLTP debe dar una respuesta a cada pregunta con respeto al
funcionamiento de la empresa.

9
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

4.5. Cubos Multidimencionales OLAP

Manillas

Zapatos

Balacas
Bolsos
Hello

Hello
01/09/2011
Iserra 3 2 01/10/2011
01/11/2011

Éxito

Carulla
1

Olímpica

SAO Clientes
4

8 Productos

6
5 7

Fechas

1. ¿Cuántos pares de zapatos Hello se vendieron a almacenes Éxito?

2. ¿Cuántos productos se vendieron en total a Iserra el 1 de octubre de 2011?
3. ¿Cuántos pares de zapatos Hello se vendieron a Iserra el 1 de octubre de 2011?
4. ¿Cuántos bolsos Hello se vendieron a Olímpica?
5. ¿Cuántos bolsos Hello se vendieron en total el 1 de noviembre?
6. ¿Cuántos zapatos Hello se vendieron en total?
7. ¿Cuántos productos se vendieron en total?
8. ¿Cuántos productos se vendieron en total el 1 de noviembre de 2011?

Las herramientas especializadas como hojas de cálculos dinámicas, tablas

dinámicas son utilizadas para consultar un cubo permitiendo al usuario
realizar operaciones (cruces, filtrados, organización, totales), de forma
más fácil.

4.5.1. Dimensiones

Un cubo está conformado por dimensiones que son atributos relativos a

las variables, son las perspectivas de análisis de las variables que forman
parte de las dimensiones y son necesarias para la presentación de los
datos a los usuarios para cada uno de los registros de la tabla de hechos.

10
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

4.5.2. Modelos utilizados para construcción

* Esquema estrella (Star schema)

Dimensiones

TABLA DE HECHOS
Dimensiones Dimensiones

Dimensiones Dimensiones

El Esquema de estrella es la arquitectura más simple en una bodega de

datos, consiste en una tabla de Variables (Hechos) rodeada por Dimensiones
para poder utilizarla con una herramienta de consultas OLAP.

La llave primaria de una tabla de hechos es el conjunto de atributos primos

que corresponden a las dimensiones.

11
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

* Esquema en copos de nieve (bola de nieve)

TABLA DE HECHOS

Las tablas de dimensiones representan las relaciones normalizadas (3NF)

y forman parte de un modelo relacional de base de datos.

El uso más común del esquema en bola de nieve es cuando las tablas
de dimensiones son muy grandes o complejas y es dependiente de otra
dimensión y no de la tabla de hecho como tal.

12
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

* Esquema de constelación de hechos (fact constellation

schema)

Dimensiones Dimensiones

HECHOS A HECHOS B

Dimensiones Dimensiones

Dimensiones

Un modelo tipo constelación se realiza cuando existe más de una tabla de

hecho y estas pueden compartir sus dimensiones entre sí.

13
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

5. ARQUITECTURA FUNCIONAL DE UN ALMACEN DE

DATOS

MINERÍA
INTELIGENCIA DE DATOS DATAWAREHOUSE

CONOCIMIENTO CUBOS OLAP ROLAP MOLAP OLAP ROLAP MOLAP

INFORMACIÓN OPERACIÓN CONSTRUCCIÓN CUBOS ODS

LIMPIEZA OPERACIÓN HERRAMIENTAS ETL OLAP STAGING AREA

DATOS REPOSITORIO DE DATOS OLTP OLTP

Repositorio de Datos OLTP: Es el nivel inferior de la pirámide y

corresponde a las bases de datos de la organización con estructura
orientada a las transacciones. Aquí se encuentran todos los datos con los
que se va a trabajar.

Operaciones con Herramientas ETL OLAP: Aquí se encuentran las

herramientas para la realización de operaciones ETL y a nivel funcional
constituyen la STAGING AREA (área temporal de procesos) que
corresponde a un área de almacenamiento que permite temporalmente la
extracción, transformación, limpieza y mapeo de los datos a cargar en la
bodega de datos

14
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Fundamentos de Inteligencia de Negocios

Operaciones de construcción de Cubos: Aquí se integran los datos del nivel

OLTP y el nivel OLAP, a nivel funcional se denomina ODS (OPERATIONAL
DATA STORE) o Almacén Operacional De Datos, el cual representa el
contenedor de datos activos que ayudan al soporte de toma de decisiones
y a la operación.

Los cubos OLAP - ROLAP - MOLAP: Son cubos multidimensionales, y

dependiendo del tipo de almacenamiento de datos se pueden clasificar en
ROLAP si sus datos son almacenados en un motor relacional, o MOLAP en
el caso en que se almacene en una base de datos multidimensional.

Herramientas de Minería de Datos: Ayudan a extraer información a

partir de patrones, la herramienta más común utilizada en la minería
de datos es el proceso denominado Descubrimiento de Conocimiento en
Bases de datos (KDD).

15
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 GLOSARIO

DWH: (Data WareHouse). Bodega de Datos. Es un conjunto de datos

integrados sobre los cuales se soportan procesos de toma de decisiones
para grandes volúmenes de datos.

ETL: (Extraction, Transformation and Load). Corresponde a los procesos

de:

Extracción: Aquí se identifican las fuentes y la información requerida por

el almacén de datos (BD, archivos planos, aplicaciones no relacionales,
etc.).

Transformación: Una vez se selecciona la información a ser cargada al

almacén, ésta se debe tratar para evitar que la migración no interrumpan
su carga; por ejemplo: tipos de datos, formatos de fecha, caracteres
especiales no visibles (cambios de línea, chr(10),chr(13)), caracteres de
comillas sencillas y otros.

Carga: Después de determinar las fuentes de información, las

transformaciones y limpieza de la información extraída, se procede a
determinar la fuente destino y el mapeo entre la estructura origen y la
destino para realizar la carga de los datos extraídos

KDD: (Knowledge Discovery from Databases). Descubrimiento de

Conocimiento en Bases de Datos cuyo objetivo es encontrar conocimiento
útil, válido, relevante y nuevo sobre una determinada actividad mediante
algoritmos, para grandes volúmenes de datos.

ODS: (OPERATIONAL DATA STORE) o Almacén Operacional De Datos

16
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 BIBLIOGRAFÍA

Kimball, R., & Ross, M. (2002). The Data Warehouse Toolkit: The Complete
Guide to Dimensional Modeling (Second Edition ed.). (R. Elliott, Ed.) John
Wiley and Sons, Inc.

Pérez López, C., & Santín González, D. (2007). Minería de Datos, Técnicas
y Herramientas. Madrid: Thomson Ediciones Paraninfo, S.A.

Scheps, S. (2008). Business Intelligence For Dummies. Indianapolis:

Wiley Publishing, Inc.

17
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje
 Control de documento
Construcción Objeto de Aprendizaje
Fundamentos de Inteligencia de Negocios
Desarrollador de contenido José Fernando Galindo
Experto temático
Asesor pedagógico Rafael Neftalí Lizcano Reyes
Producción Multimedia Luis Fernando Botero Mendoza
Victor Hugo Tabares
Programador Daniel Eduardo Martínez
Líder expertos temáticos Ana Yaqueline Chavarro Parra
Líder línea de producción Santiago Lozada Garcés

18
FAVA - Formación en Ambientes Virtuales de Aprendizaje SENA - Servicio Nacional de Aprendizaje