1) Business Intelligence

Según Cano (2007), Business Intelligence (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.

Cano (2007) señala que 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. Mediante el uso de tecnologías y las metodologías de Business Intelligence se
pretende convertir datos en información y a partir de la información ser capaces de descubrir
conocimiento.

En la misma perspectiva, Turban et al. (2010) afirman que el proceso que suelen seguir las iniciativas de
BI es cíclico con una serie de pasos interrelacionados. El análisis es el paso principal para convertir datos
brutos en información de apoyo a la toma de decisiones. Sin embargo, no es posible realizar un análisis
preciso y/o fiable a menos que se hayan abordado correctamente otros pasos del proceso. Una vez que un
almacén de datos está en su lugar, el proceso general de creación de inteligencia empresarial comienza
identificando y priorizando proyectos de BI específicos. Esto significa que cada proyecto debe
examinarse mediante el cálculo de costos asociado con las fases generales del proceso, así como los
costos de mantenimiento de la aplicación para el usuario empresarial. Además, las estimaciones de
beneficios deben incluir exámenes por parte del usuario final de los impactos de la toma de decisiones,
incluidas medidas que reflejen beneficios como la aceleración del flujo de caja. Además, los próximos
pasos a abordar son: (1) crear categorías de proyectos (inversión, oportunidad de negocio, estratégico,
obligatorio, etc.); (2) definir criterios para la selección de proyectos; (3) determinar y establecer un marco
para gestionar el riesgo del proyecto; (4) gestionar y aprovechar las interdependencias del proyecto; y (5)
monitorear y ajustar continuamente la composición de la cartera.

Figura N 1 – Proceso de creación y uso de la Inteligencia de Negocios (BI). Fuente: Turban et al. (2010).
En el mismo punto de vista, la Consultora Grup Vilar Riba (2014) expresa que las características que las
soluciones y el rol que cumple el BI dentro de las organizaciones son las siguientes:

 Orientado a la gestión: Deberá tener como fin el facilitar la gestión del negocio, proporcionando
información para tomar decisiones.
 Eficiente: Deberá permitir la minimización de los recursos necesarios para elaborar y analizar la
información.
 Integrado: Información única y fiable. Todos los indicadores deben ser coherentes y validos.
 Claridad y comprensión: Deberá suministrar información con definiciones y formulación única y
consensuada.
 Información relevante: Deberá suministrar información adecuada, explicativa, concreta y clara.
 Facilidad de uso: Deberá ser de fácil acceso y uso personalizado, en función de los perfiles de los
usuarios.

Finalmente, la Consultora Grup Vilar Riba (2014) indica que algunos de los beneficios que se pueden
obtener a través del uso del BI en las organizaciones pueden sintetizarse en la Figura N 2 a continuación:

Figura N° 02 –
Beneficios del Business Intelligence para las organizaciones. Fuente: Grup Vilar Riba (2014).

2) Data Analytics o Analítica de Datos

De acuerdo a SAP University Alliance (2016), la Data Analytics o Analítica de Datos es un proceso que
engloba o envuelve una serie de acciones a tomar dentro de una organización, siendo estas las siguientes:

 Identificación del problema u oportunidad de mejora dentro de la organización.

 Recopilación de datos relevantes que con frecuencia no están en forma utilizable.
 Limpieza de datos que sean utilizables.
 Carga en modelos de almacenamiento de datos.
 Manipulación para descubrir información que conduzca a conocimientos accionables.
 Toma de decisiones basadas en las ideas que resulten del análisis de los datos.
 3) Datos

De acuerdo a Martínez (2010), los datos son elementos que representan hechos relativos a un fenómeno o
al resultado de un proceso en particular, los cuales carecen de significado por sí mismos ya que están
fuera de un contexto que les dé sentido. Dicho en otras palabras, los datos tienen por finalidad representar
de forma cuantitativa o cualitativa atributos de objetos o de fenómenos. Los datos a su vez están
representados por elementos que tienen un tipo, por ejemplo numérico, alfanumérico y a su vez tienen un
valor que es la representación del fenómeno. De esta forma los datos se constituyen como la materia
prima para la generación de la información.

4) Información

A su vez, de acuerdo a Martínez (2010), por información se debe entender datos que han sido procesados,
elaborados y además han sido situados en un contexto específico, por lo cual tienen un significado para
alguien en un momento y un lugar determinados.

5) Conocimiento

En el mismo sentido, Martínez (2010) establece que el conocimiento consiste en datos y/o información
organizada y procesada para distribuir entendimiento, experiencia, aprendizaje acumulado y habilidades
que pueden ser aplicados a un problema o actividad actual. El conocimiento en este sentido es
información que es contextual, relevante y sobre la que se puede actuar. Por tanto, la implicación es que
el conocimiento tiene un fuerte componente de elementos de experiencia y reflexión que lo distingue de
la información en un contexto determinado.

6) Proceso de toma de decisiones

Para Martínez (2010) es relevante notar que uno de los elementos que conforman el proceso de
formulación estratégica es la elección estratégica. Esta elección implica que en un momento determinado
debe seleccionarse un curso de acción para la organización, esto es determinar su rumbo a partir de una
decisión.

Sin embargo, Martínez (2010) precisa que la toma de decisiones sucede no sólo en el ámbito de la gestión
de la estrategia, sino que es algo mucho más general. Es decir, la gestión organizacional (no sólo gestión
estratégica) inevitablemente conduce a la selección de alternativas a diferentes niveles como parte del
desarrollo de los procesos organizacionales. De hecho, y considerando los elementos fundamentales de la
teoría de gestión, la toma de decisiones está presente en todas las fases del proceso administrativo
(planeación, organización, dirección y control) y por ende es una de las funciones que cumplen los
directivos.

Martínez (2010) señala que, pese a ser un tema muy discutido en el ámbito académico en tanto las teorías
existentes tienen unos supuestos bastante fuertes, un sencillo modelo explica cómo se lleva a cabo el
proceso de toma de decisiones, sea esta decisión organizativa o personal. En el siguiente gráfico se
muestra una representación conceptual del proceso en cuatro etapas, señalando las tareas que se incluyen
en cada fase. En este gráfico se puede apreciar el flujo continuo de información existente desde el
razonamiento hasta el diseño y la elección (líneas continuas), aunque en cualquier fase puede haber un
regreso a la fase previa (líneas discontinuas).
 Figura N°03 – Proceso de toma de decisiones hipotético. Fuente: Martínez (2010).

Según el modelo, el proceso de toma de decisiones se inicia con la fase de razonamiento (inteligencia),
durante la cual se examina la realidad y se identifica y se define el problema. En la fase de diseño, se
construye un modelo o representación simplificada de la realidad. Esto se lleva a cabo realizando
suposiciones que simplifican la realidad y expresando las relaciones entre todas las variables
involucradas.

7) Estructuras de datos

Según lo establecido por Ramos (2016), es común encontrar que hay bases de datos con muchos usuarios
concurrentes que leen y escriben en la base de datos. Sin embargo, establece también, que estas
aplicaciones corresponden a sistemas transaccionales o sistemas OLTP (Online Transaction Processing).
Los procesos transaccionales generan reportes, no obstante, el objetivo principal de estos no es responder
las preguntas analíticas o particulares de los usuarios por lo que en realidad para la inteligencia de
negocios no resultan útiles. En realidad, estos datos son almacenados en bases de datos relacionales. Esto
quiere decir que los datos están normalizados y por tanto se busca optimizar el almacenamiento para
poder generar la mayor cantidad de transacciones posibles.

Es así, que el cambio de enfoque entre lo transaccional y lo analítico lleva a desarrollar el modelo
dimensional. Para esto, según lo establecido por Ramos (2016) se hace uso de los Data Warehouse que
hace referencia a una base de datos corporativa en la que se integra información de diversas fuentes de la
organización. Se caracteriza principalmente por cuatro aspectos: (1) Está orientado a temas específicos,
(2) Es integrado, pues la información se estructura en diversos niveles de detalle para responder a las
necesidades de los usuarios, (3) Es histórico, la variación de los datos en el tiempo debe estar registrado y
(4) No es volátil, es decir, la información de un Data Warehouse solo es de lectura. Para lograr esto,
Ramos (2016) establece que la información no debe estar normalizada. Por el contrario, se utiliza el
modelo dimensional que puede ser de tipo modelo estrella o modelo copo de nieve.

Primero, es importante definir el modelo dimensional. Este modelo, está compuesto por dos elementos:
las tablas de dimensión y las tablas de hechos.
Las dimensiones, son las perspectivas que se quieren estudiar para el análisis de datos. Según Ramos
(2016), las dimensiones nos permiten contextualizar los hechos y agregar diversas perspectivas al análisis.
Algunos ejemplos de dimensiones serían tablas de cliente o de producto. Estas tablas tienen como
propósito almacenar las características que permitirán agrupar o filtrar la información de interés.
Generalmente, estos atributos están organizados en jerarquías que facilitan el análisis de datos.

En cuanto a la tabla de hechos, Ramos (2016), especifica que corresponden a los detalles del proceso de
negocio a analizar. Estas tablas contienen datos numéricos y medidas (métricas) del negocio a analizar y
también elementos como claves externas para contextualizar las medidas. Específicamente, las tablas de
hechos representan los procesos de negocio como las ventas, compras, pagos, entre otros. Los elementos
que componen estas tablas son: clave principal, claves externas y métricas. Ramos (2016), señala que un
punto fundamental para tener en cuenta al momento de diseñar una tabla de hechos es el nivel de
granularidad que va a tener. El nivel de granularidad es el nivel de detalle que se encontrará en los datos,
no siempre un mayor nivel de detalle será mejor. En realidad, el nivel de granularidad debe estar definido
en función al uso que le daremos y el detalle que resulte útil para el usuario final que realizará la toma de
decisiones.

- Modelo Estrella

En cuanto al modelo estrella, Ramos (2016) especifica que hay una única tabla central también llamada la
tabla de hechos que contiene todas las medidas y otra tabla adicional por cada una de las perspectivas o
dimensiones desde las que se quiere analizar la información.

- Modelo Copo de Nieve

En cuanto al modelo copo de nieve, Ramos (2016) establece que esta es una estructura más compleja que
la del modelo estrella. En este modelo también se cuenta con una tabla de hechos que contienen medidas
y tablas adicionales que definen las dimensiones. Sin embargo, la diferencia principal es que hay algunas
dimensiones que no están directamente relacionadas con la tabla de hechos, sino que se relacionan con
ella mediante otras dimensiones. Ramos (2016), considera que el modelo en estrella es más simple de
entender por el usuario y ofrece un mejor rendimiento

8) Herramientas y tecnologías de BI

De acuerdo a Iniesta et al. (2016), las herramientas/tecnologías BI están diseñadas para analizar y
presentar los datos de forma que el usuario pueda recibir información útil para la toma de decisiones. Las
más habituales son:

- Hojas de calculo
Las hojas de cálculo presentan una rejilla de celdas organizadas en filas y columnas que pueden presentar
texto o valores alfanuméricos. Pueden incluir fórmulas para realizar cálculos a partir de los datos
contenidos en la hoja, y presentar gráficos sobre estos mismos datos.

- Herramientas para la elaboración de reportes

Estas herramientas ofrecen utilidades para diseñar reportes fácilmente legibles e interpretables a partir de
diferentes fuentes de datos. Por lo general, el diseño del reporte se realiza desde una aplicación que
facilita la creación de un diseño predefinido por el usuario (cabeceras, logos, disposición de los datos,
fuentes, etc), y la conexión con las fuentes de datos que se van a utilizar. Como resultado se generan uno
o varios ficheros que son interpretados en tiempo de Data warehouse REPOSITORIO DE DATOS ETL
DICCIONARIO Reporting Hojas de cálculo OLAP Minería de datos Cuadros de mando Minería de
procesos ejecución por un servidor para cargar los datos cuando el usuario solicita la visualización o
descarga del reporte.

- OLAP (Online Analytical Processing)

Las herramientas OLAP se basan en el diseño de un modelo de datos multidimensional que permite una
rápida ejecución de sentencias orientadas a la obtención de datos con diferentes niveles de agregación y
con diversos criterios de clasificación. El concepto central de un diseño multidimensional es el cubo
OLAP. Un cubo OLAP es un conjunto de medidas que constituyen datos numéricos sobre alguna
actividad de negocio; y un conjunto de dimensiones, cada una de las cuales constituye una perspectiva o
criterio de clasificación de las medidas del cubo.

- Cuadros de mando

Un cuadro de mando es un interfaz de usuario pensado para ofrecer información ejecutiva fácilmente
interpretable. Al igual que el panel de indicadores de un coche ofrece al conductor la información
necesaria para circular, realizar el mantenimiento adecuado y detectar averías, una aplicación basada en
cuadros de mando ofrece a usuarios habitualmente con perfil directivo la información necesaria para
tomar decisiones de negocio. Los recursos gráficos utilizados por un cuadro de mando pueden ser muy
variados.

- Minería de datos (Data mining)

La minería de datos o Data Mining es el proceso de extraer patrones de datos a partir de un conjunto de
datos suficientemente representativo. La minería de datos tiene por objeto sacar a la luz posibles patrones
que pongan de manifiesto información relevante para la toma de decisiones. Para conseguir este objetivo
las herramientas de minería de datos realizan un proceso de varios pasos que incluye la selección de un
conjunto de datos suficientemente representativo, su limpieza para eliminar datos ambiguos o
redundantes, la generación de una versión reducida de los datos a partir de características que se
consideran esenciales, la clasificación de los datos en grupos predefinidos o agrupación basada en
similitudes, y la verificación de resultados para comprobar que los patrones descubiertos se cumplen en el
conjunto total de datos.

- Mineria de procesos (Process mining)

La minería de procesos se basa en el análisis de procesos de negocio a partir de los datos almacenados en
ficheros de eventos (logs). Suele ser utilizada cuando no puede obtenerse una descripción formal del
proceso por otros medios. Algunos ejemplos podrían ser los registros de auditoría generados por un
sistema de workflow o las operaciones transaccionales realizadas por una aplicación de inversión en
valores.

9) Componentes la Arquitectura de BI

En el siguiente gráfico, Cano (2007) plantea los distintos componentes de Business Intelligence:

Figura N° 04 - Componentes de la arquitectura de una solución de BI. Fuente: Cano (2007).

Para describir los distintos componentes, Cano (2007) inicia por las fuentes de información, continua con
el resto de componentes y finaliza por las herramientas de visualización. Siguiendo con este orden a fin
de conocer los distintos componentes que forman la solución.

- Fuentes de información

Cano (2007) determina que las distintas fuentes de información con las que se puede alimentar un
datawarehouse son las siguientes:

 Los sistemas operacionales o transaccionales.

 Sistemas de información departamentales.
 Fuentes de información externa, en algunos casos comprada a terceros.

Existen muchos factores que contribuyen a la complejidad de cargar la información en un datawarehouse.

Uno de los principales es el número de fuentes de información distintas de las que cargamos la
información. Además, el número de fuentes de información varía de una organización a otra. Asimismo,
acceder a distintas bases de datos requiere distintas habilidades y el conocimiento de distintas sintaxis de
SQL.

- Proceso de extracción, transformación y carga (ETL)

Cano (2007) describe que el proceso de extracción, transformación y carga trata de recuperar los datos de
las fuentes de información y alimentar el datawarehouse. Este proceso consume entre el 60% y el 80% del
tiempo de un proyecto de Business Intelligence, que requiere recursos, estrategia, habilidades
especializadas y tecnologías, por lo que es un proceso clave en la vida de todo proyecto.

La extracción, transformación y carga (el proceso ETL) es necesario para acceder a los datos de las
fuentes de información al datawarehouse. El proceso ETL se divide en 5 subprocesos:

 Extracción: Este proceso recupera los datos físicamente de las distintas fuentes de información.
 Limpieza: Este proceso recupera los datos en bruto y comprueba su calidad, eliminando,
corrigiendo y completando sea el caso.
 Transformación: Este proceso recupera los datos limpios y de alta calidad y los estructura y
sumariza en los distintos modelos de análisis.
 Integración: Este proceso valida que los datos que cargamos en el datawarehouse son consistentes
con las definiciones y formatos del datawarehouse.
 Actualización: Este proceso es el que nos permite añadir los nuevos datos al datawarehouse.

- Datawarehouse o almacén de datos

Cano (2007) indica que un datawarehouse es una colección de información creada para soportar las
aplicaciones de toma de decisiones, producto del proceso completo de extraer información, transformarla
y cargarla en un datawarehouse y el acceso a esta información por los usuarios finales y las aplicaciones.
La aparición de los datawarehouse o Almacenes de datos son la respuesta a las necesidades de los
usuarios que necesitan información consistente, integrada, histórica y preparada para ser analizada para
poder tomar decisiones.

Al recuperar la información de los distintos sistemas, tanto transaccionales como departamentales o

externos, y almacenándolos en un entorno integrado de información diseñado por los usuarios, el
datawarehouse permite analizar la información contextualmente y relacionada dentro de la organización.

Si el datawarehouse está construido adecuadamente proporciona un entorno de información que permite

encontrar nuevo conocimiento y generar valor. Los datawarehouses se representan habitualmente como
una gran base de datos, pero pueden estar distribuidos en distintas bases de datos. El entorno de
datawarehousing debería permitir acceder a información que ha sido estructurada para hacer consultas, y
estas consultas deberían permitir a los usuarios percibir el valor de esa información.

Un componente crítico de un datawarehouse es el Metadata. El Metadata es el repositorio central de

información de la información. Da el significado de cada uno de los componentes y sus atributos que
residen en el datawarehouse (o Data Mart). La información que contiene el Metadata es útil para los
departamentos de tecnología y los propios usuarios. La construcción del Metadata supone que se defina el
significado de cada una de las tablas y cada uno de los atributos que se cargan en el datawarehouse.
 - Herramientas de visualización

Cano (2007) determina que las herramientas de visualización son las tecnologías que nos permitirán tratar
y visualizar la información que reside en un datawarehouse.

Existen distintas tecnologías que nos permiten analizar la información que reside en un datawarehouse,
pero la más extendida es el OLAP. Los usuarios necesitan analizar información a distintos niveles de
agregación y sobre múltiples dimensiones, OLAP provee de estas funcionalidades y algunas más, con la
flexibilidad necesaria para descubrir las relaciones y las tendencias que otras herramientas menos
flexibles no pueden aportar.

La representación gráfica del OLAP son los cubos. A estos tipos de análisis se les denomina
multidimensionales, porque facilitan el análisis de un hecho desde distintas perspectivas o dimensiones.
Esta es la forma natural que se aplica para analizar la información por parte de los tomadores de
decisiones, ya que los modelos de negocio normalmente son multidimensionales.

Existen distintos tipos de herramientas OLAP. La diferencia entra ellas, básicamente, depende de cómo
acceden a los datos: Relational OLAP, Multimensional OLAP y Hybrid OLAP. Teniendo como formas
de acceso tradicionales al Cliente/Servidor y el Acceso Web.

Por otro lado, una alternativa al OLAP son las herramientas que utilizan consultas de lógica asociativa.
Cuando se realiza una consulta, se accede directamente de los datos al visor, se accede al máximo detalle
de la información sin dimensiones y jerarquías predefi nidas y sin restricciones en cuanto al volumen de
información.

Finalmente, las principales herramientas de Business Intelligence son:

 Generadores de informes: Utilizadas por desarrolladores profesionales para crear informes

estándar.
 Herramientas de usuario final de consultas e informes: Empleadas por usuarios finales para crear
informes.
 Herramientas OLAP: Permiten a los usuarios finales tratar la información de forma
multidimensional.
 Herramientas de Dashboard y Scorecard: Permiten a los usuarios finales ver información crítica
para el rendimiento.
 Herramientas de planificación, modelización y consolidación: Permite a los analistas y a los
usuarios finales crear planes de negocio y simulaciones con la información de Business
Intelligence.
 Herramientas datamining: Permiten a estadísticos o analistas de negocio crear modelos
estadísticos de las actividades de los negocios.

Referencias
[1] Cano, Josep (2007). “Business Intelligence: Competir con información”. Banesto, Fundación Cultural.
Recuperado de
http://itemsweb.esade.edu/biblioteca/archivo/Business_Intelligence_competir_con_informacion.pdf

[2] Turban, Efraim; Sharda, Ramesh; Denle, Dursun & King, David (2010). “Business Intelligence: A
managerial approach 2nd Edition”. Prentice Hall. Recuperado de
http://ce.sharif.ir/~abtahi/EC/%5BTurban_Efraim,_Sharda_Ramesh.%5D_Business_Intellige(b-
ok.xyz).pdf

[3] Consultora Grup Vilar Riba (2014). “Business Intelligence: Una organización puede ser rica en datos
y pobre en información si no sabe cómo identificar, resumir y categorizar los datos”. Boletín de Noticias
del Grup Vilar Riba. Recuperado de https://www.vilarriba.com/wp-
content/uploads/2014/06/VRNews_Juny_2014-consultoria-castell%C3%A0.pdf

[4] SAP University Alliance (2016). “Data Analytics”. Recuperado de https://learn-us-east-1-prod-

fleet01-xythos.s3.amazonaws.com/5f3c200ba95ce/45127?response-cache-control=private%2C%20max-
age%3D21600&response-content-disposition=inline%3B%20filename%2A%3DUTF-
8%27%27201_BI_Data%2520analitics%2520Teoria.pdf&response-content-type=application%2Fpdf&X-
Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Date=20201009T000000Z&X-Amz-
SignedHeaders=host&X-Amz-Expires=21600&X-Amz-
Credential=AKIAZH6WM4PL5SJBSTP6%2F20201009%2Fus-east-1%2Fs3%2Faws4_request&X-Amz-
Signature=536448651bcfc735fd30ffab0144cdf747d4dbdbe0eff61d6013bb698408aec8

[5] Martínez, Jaime (2010). “La inteligencia de negocios como herramienta para la toma de decisiones
estratégicas en las empresas. Análisis de su aplicabilidad en el contexto corporativo colombiano”. [Tesis
de Maestría publicada]. Facultad de ciencias económicas, Universidad de Colombia, Colombia.
Recuperado de http://bdigital.unal.edu.co/3098/1/940607.2010a.pdf

[6] Iniesta et al. (2016). “El papel de las tecnologías de Inteligencia de Negocio en la mejora del servicio
al ciudadano y la eficiencia de la Administración”. Portal de Administración Electrónica (PAE), Gobierno
de España, España. Recuperado de https://administracionelectronica.gob.es/pae_Home/dam/jcr:1f5bf868-
263e-420a-8985-87e737e4c9fd/16servicio_usuarios.pdf.

[7]

Ramos, S. (2016). Data Warehouse, Data Marts y Modelos Dimensionales. Alicante, España: SolidQ.