Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Conceptos de Inteligencia de
Negocios
Introducción
Desde el decenio de 1990, el contexto socioeconómico en el que se
desarrollan las actividades económicas se ha denominado
generalmente sociedad de la información y el conocimiento. Los
profundos cambios ocurridos en los métodos de producción y en las
relaciones económicas han hecho crecer la importancia del
intercambio de bienes intangibles, consistente en su mayor parte en
transferencias de información. La aceleración en el ritmo de los
procesos de transformación actuales se debe a dos factores:
"El gran libro de la naturaleza", como escribió Galileo, "sólo puede ser
leído por quienes conocen el idioma en el que fue escrito. Y este
lenguaje son las matemáticas". ¿Se puede aplicar también al análisis
de sistemas artificiales esta profunda percepción de uno de los
hombres que abrió el camino a la ciencia moderna?
Hoy en día, las meras habilidades intuitivas de los tomadores de
decisiones que gestionan empresas o la administración pública se ven
superadas por la complejidad de la gobernanza de las organizaciones
actuales. Como ejemplo, considere el diseño de una campaña de
mercadeo en mercados dinámicos e impredecibles, donde, sin
embargo, se dispone de una gran cantidad de información sobre el
comportamiento de compra de los consumidores. Hoy en día, es
inconcebible dejar de lado la aplicación de modelos avanzados de
aprendizaje inferencial para la selección de los destinatarios de la
campaña, con el fin de optimizar la asignación de recursos y la
redención de la acción de marketing.
Al establecer qué bits de datos se usarán para configurar una
descripción de una parte, así como también crear instancias y poblar
esas instancias con los valores de datos relacionados, se logra crear
el contexto para esos datos y se logra convertir en un fragmento de
información, como se muestra en la fig. 2.
Fig. 2 – Ejemplo de información.
Se podría decir que este aspecto de BI involucra la infraestructura de
gestión y presentación de datos, que incorpora las plataformas de
hardware, los sistemas de bases de datos relacionales o de otro tipo y
las herramientas de software asociadas. Este aspecto también
incorpora herramientas de consulta y reporte que brindan acceso a los
datos. Por último, esta parte del proceso no se puede realizar sin
expertos en el área de gestión de datos que integren y coordinen esta
tecnología.
Convertir la información en conocimiento
A veces sucede cuando uno despierta en medio de la noche o tal vez
mientras uno está atrapado en el tráfico o incluso mientras se está
soñando despierto en la ducha. Es ese destello de intuición que
aparece casi como por arte de magia y que proporciona la respuesta a
ese problema particularmente desagradable por el que se ha estado
agonizando. Es muy adecuado comparar el concepto de convertir la
información en conocimiento con ese destello de percepción, debido a
que se acumula mucha información, que luego se analizan de muchas
formas diferentes hasta que se crean algunos fragmentos críticos de
conocimiento. Lo que hace que ese conocimiento sea crítico es que
puede usarse para formar un plan de acción para resolver algún
problema comercial.
Conocimiento procesable
Ese último punto es tan crítico que vale la pena mencionarlo por
segunda vez: el conocimiento descubierto tiene poco valor si no existe
una acción que produzca valor que pueda emprenderse como
consecuencia de la obtención de ese conocimiento. Esto significa que
la asociación empresa-tecnología debe trabajar en conjunto no solo
para actuar sobre la inteligencia descubierta, sino para hacerlo de
manera oportuna a fin de obtener el mayor beneficio. Esto refuerza el
sentimiento de que BI puede tener éxito como resultado de la
cooperación entre los desarrolladores técnicos y sus clientes
comerciales.
Aplicación de BI
BI puede manejar grandes cantidades de datos para ayudar a
identificar y desarrollar nuevas oportunidades para el negocio.
Aprovechar estas nuevas oportunidades y aplicarles un esquema
productivo puede proporcionar un beneficio de mercado comparable y
estabilidad a largo plazo.
Ejemplos:
El activo de la información
Aunque se ha invertido una cantidad significativa de dinero en intentos
de construir y lanzar marcos y aplicaciones de BI, la mayor parte de
ese dinero se ha gastado en infraestructura, mientras que se ha
invertido muy poco en administrar y explotar un activo corporativo
valioso: los datos de una empresa. De hecho, el concepto de BI está
tan mal definido que las expectativas de un gerente se establecen en
función de lo que le dice a ese gerente el último proveedor de
herramientas de software. Debido a la falta de enfoque o la ausencia
de criterios claros de éxito, muchas implementaciones de
almacenamiento de datos se han retrasado o descartado por completo
debido a que las implementaciones de BI reales no cumplen con sus
expectativas.
Por otro lado, hay una serie de organizaciones que han comenzado a
ver sus datos como un activo corporativo y a darse cuenta de que la
recopilación, agregación y análisis adecuados de sus datos abre una
oportunidad para descubrir bits de conocimiento que pueden mejorar
el procesamiento operativo y proporcionar una mejor comprensión de
los perfiles y el comportamiento de los clientes. En estos entornos,
existe un claro acuerdo sobre la definición de BI como un conjunto de
herramientas y metodologías diseñadas para explotar el conocimiento
procesable descubierto en el activo de información de la empresa.
Explotación de la información
Cualquiera que esté involucrado en el proceso de BI está preocupado
por la capacidad de explotar la información de una manera que pueda
mejorar la forma en que opera una empresa (o cualquier
organización). Sin embargo, el objetivo final de la explotación de datos
se basa en una pirámide de abstracción (ver fig. 3) que se relaciona
con las formas en que se administra la información, y la capacidad de
proporcionar acceso a ese activo de conocimiento primero debe
administrar de manera efectiva el flujo de información hacia una
plataforma de inteligencia.
Si los responsables de la toma de decisiones pueden confiar en un
sistema de BI que facilite su actividad, se puede esperar que la calidad
general del proceso de toma de decisiones mejore considerablemente.
Con la ayuda de algoritmos y modelos matemáticos, es posible
analizar un mayor número de acciones alternativas, lograr
conclusiones más precisas y tomar decisiones efectivas y oportunas.
Por tanto, la principal ventaja que se deriva de la adopción de un
sistema de BI se encuentra en la mayor eficacia del proceso de toma
de decisiones.
Bibliografía
Pérez Marqués, María (2015), Business Intelligence: Técnicas,
herramientas y aplicaciones (1ª Ed.), México D.F., México,
Alfaomega.
Cano, Josep Lluís (2007), Business Intelligence: Competir con
Información, Barcelona, España, ESADE Business School.
Vercellis, Carlo (2009), Business Intelligence: Data Mining and
Optimization for Decision Making, Politecnico di Milano, Italy,
John Wiley & Sons, Ltd.
Loshin, David (2003), Business Intelligence – The Savvy
Manager's Guide, San Francisco, USA, Morgan Kaufmann
Publishers.
1.2. Herramientas de Inteligencia de
Negocios.
1.3. Bodega de datos y Despensa de
datos..
Introducción
Desde mediados de la década de 1990 se sintió la necesidad de una
separación lógica y material entre las bases de datos que alimentan
los datos de entrada a los sistemas de soporte de decisiones y
arquitecturas de inteligencia de negocios, por un lado, y los sistemas
de información operacional, por el otro.
1. Sistemas de back-office, que recopilan registros
transaccionales básicos como pedidos, facturas,
inventarios, datos de producción y logística.
2. Sistemas de atención al cliente, que contienen datos que
se originan en las actividades del centro de llamadas,
asistencia al cliente, ejecución de campañas de mercadeo.
3. Sistemas basados en la web, que recopilan transacciones
de ventas en sitios web de comercio electrónico, visitas a
sitios web, datos disponibles en formularios llenados por
clientes actuales y potenciales.
Datos externos. Hay varias fuentes de datos externos que
pueden usarse para ampliar la riqueza de información
almacenada en las bases de datos internas. Por ejemplo,
algunas agencias recopilan y ponen a disposición datos
relacionados con las ventas, la participación de mercado y las
predicciones de tendencias futuras para industrias comerciales
específicas, así como indicadores económicos y financieros.
Otras agencias proporcionan datos de encuestas de mercado y
opiniones de los consumidores recopilados a través de
cuestionarios.
Calidad de datos
La necesidad de verificar, preservar y mejorar la calidad de los datos
es una preocupación constante de los responsables del diseño y
actualización de una bodega de datos. Los principales problemas que
pueden comprometer la validez e integridad de los datos se muestran
en la tabla 2.
Exactitud. Para que sean útiles para análisis posteriores, los datos
deben ser muy precisos. Por ejemplo, es necesario verificar que los
nombres y codificaciones estén representados correctamente y que
los valores estén dentro de los rangos admisibles.
Resumen
Una base de datos transaccional es una fuente de datos mediante la
cual se mantiene el trabajo transaccional diario de los sistemas de
información originales (OLTP). También se hacen análisis de los datos
en tiempo real sobre la misma base de datos (OLAP).
Bibliografía
Pérez Marqués, María (2015), Business Intelligence: Técnicas,
herramientas y aplicaciones (1ª Ed.), México D.F., México,
Alfaomega.
Cano, Josep Lluís (2007), Business Intelligence: Competir con
Información, Barcelona, España, ESADE Business School.
Vercellis, Carlo (2009), Business Intelligence: Data Mining and
Optimization for Decision Making, Politecnico di Milano, Italy,
John Wiley & Sons, Ltd.
Loshin, David (2003), Business Intelligence – The Savvy
Manager's Guide, San Francisco, USA, Morgan Kaufmann
Publishers.
Componentes de OLAP
Cubo: Es una estructura de datos que agrega las medidas por los
niveles y jerarquías de cada una de las dimensiones que desea
analizar. Los cubos combinan algunas dimensiones, como el
tiempo y la geografía, con datos resumidos, como las ventas o
las cifras de inventario.
Es un conjunto de valores en un cubo que se basan en una
Medida:
columna en la tabla de detalles del cubo y que generalmente son
tipos numéricos. Las medidas son los valores centrados en el
cubo que se procesan previamente, se agregan y se analizan.
Ventajas de un OLAP
El sistema OLAP presenta las siguientes ventajas:
Metadatos
El término metadatos se refiere a "datos sobre datos". El término es
ambiguo, ya que se utiliza para dos conceptos muy distintos:
Por ejemplo, una imagen digital puede incluir metadatos que describen
el tamaño de la imagen, la profundidad del tono, la resolución de la
imagen, cuándo se creó la imagen y otros datos.
Por ejemplo, por sí misma, una base de datos que consta de varias
cifras, con 10 dígitos de longitud, podría ser el resultado de resultados
calculados o una lista de números para cerrar en una ecuación; pero
sin ningún otro contexto, las cifras en sí pueden verse sólo como los
datos.
Fig. 5 – Ejemplo de metadata.
Tipos de metadatos
1. Descubrimiento de recursos.
3. Facilitar la interoperabilidad.
4. Identificación digital.
Ventaja de los metadatos
Una pieza de metadatos es un par de nombre/valor que describe
características como autor, nombre y calificación. Una señal de ruta
contiene uno o más títulos de bloques de metadatos. También puede
identificar una pieza de metadatos dentro de un bloque de metadatos.
La siguiente expresión de ruta comprende un bloque App1 que a su
vez comprende un bloque IFD que a su vez comprende la pieza de
metadatos:
/app1/ifd/{ushort=18249}
Anatomía de una expresión de ruta
/app1/ifd/{ushort = 18249}
/app1 /app1/ifd/exif
Cuando se utiliza un lector/escritor de consultas para ejecutar una
consulta, este devuelve un nuevo lector/escritor de consultas que
atiende consultas dentro del alcance del bloque de metadatos en
particular. Por ejemplo, si se ejecuta la consulta “/app1”, se obtiene un
nuevo lector de libros de consultas y las consultas al nuevo lector de
libros están relacionadas con el bloque App1. Esto significa que la
consulta "/ifd" es legítima para el nuevo lector porque el bloque
App1 contiene un bloque IFD. Sin embargo, "/xmp" no funcionaría
porque este bloque App1 no comprende un bloque de metadatos
XMP.
/[0]app1/[0]ifd
/xmp/xmp:Rating
1. Agregaciones
Los cálculos matriciales son iguales a los que haría una hoja de
cálculo, con relaciones arbitrariamente complejas (+, -, *, /, suma,
recuento y más) tanto en la fila como en las columnas. Por ejemplo,
cálculos como varianza, porcentaje de varianza, total, recuento, saldos
de inventario, etc.
3. Cálculos multidimensionales
Son iguales a los que harían hojas de cálculo vinculadas o una hoja de
cálculo multidimensional. En estos, los resultados calculados pueden
referirse a números en otra hoja del cubo, sobre dimensiones de
distinción o jerarquías diferentes, no solo en la misma hoja de cálculo
en la que se encuentra. Los ejemplos de cálculo incluyen participación
de producto, participación de mercado, etc.
Ejemplo: con una sola función compatible con OLAP se podría evaluar
una desviación de referencia, una variación, una tasa de interés, etc.
en todas las dimensiones.
5. Cálculos procedimentales
Velocidad de los servicios de análisis
OLAP ofrece la forma más simple de análisis, lo que permite a
cualquier persona cortar subconjuntos interrelacionados de datos o
"cubos" con el clic de un mouse. Los usuarios pueden investigar datos
utilizando características OLAP estándar como paginación, pivotar,
ordenar, filtrar y desglosar hacia arriba y hacia abajo para hojear una
secuencia de vistas de informes.
Bibliografía
Pérez Marqués, María (2015), Business Intelligence: Técnicas,
herramientas y aplicaciones (1ª Ed.), México D.F., México,
Alfaomega.
Cano, Josep Lluís (2007), Business Intelligence: Competir con
Información, Barcelona, España, ESADE Business School.
Vercellis, Carlo (2009), Business Intelligence: Data Mining and
Optimization for Decision Making, Politecnico di Milano, Italy,
John Wiley & Sons, Ltd.
Loshin, David (2003), Business Intelligence – The Savvy
Manager's Guide, San Francisco, USA, Morgan Kaufmann
Publishers.
Sin embargo, alcanzar este objetivo requiere algunos desafíos:
Extracción, transformación y carga sin conexión
(ETL)
Al principio, la única interfaz común que se proporcionaba entre los
distintos sistemas en una organización era la cinta magnética. Los
formatos de cinta estaban estandarizados y cualquier sistema podía
generar cintas que pudieran ser leídas por otros sistemas. Así, los
primeros almacenes de datos fueron alimentados por cintas
magnéticas preparadas por los distintos sistemas dentro de la
organización. Sin embargo, eso dejó la dificultad de la disparidad de
datos. Los datos escritos por los diferentes sistemas reflejan sus
asociaciones de datos nativas.
Aún más importante fue que la base de datos del almacén de datos se
diseñó para respaldar las funciones analíticas necesarias para la
función de inteligencia de negocios. Este diseño de base de datos era
típicamente una base de datos altamente organizada con índices
complejos para respaldar el procesamiento analítico en línea (OLAP . [2]
Los datos son fácilmente hechos, cifras y texto que pueden ser
procesados por una computadora. Por ejemplo, una transacción
en un punto de venta minorista son datos.
La información son datos procesados. Por ejemplo, el análisis
de las transacciones en el punto de venta proporciona
información sobre el comportamiento de compra del consumidor.
El conocimiento representa un patrón que conecta la
información y generalmente presenta un alto grado de
previsibilidad en cuanto a lo que se cuenta o lo que sucederá a
continuación. Un ejemplo de conocimiento es la predicción de
los esfuerzos promocionales sobre las ventas de artículos
particulares en función del comportamiento de compra de los
compradores.
Herramientas de informes
El conocimiento creado por un motor de minería de datos no es muy
útil a menos que se presente fácil y claramente a quienes lo necesitan.
Hay muchos formatos para reportar información y resultados de
conocimiento. Una de las técnicas comunes para mostrar información
es el tablero digital (ver fig. 4).
Data marts
A medida que se empezaron a utilizar los almacenes de datos de toda
la empresa, se descubrió que en muchas situaciones un almacén de
datos completo era excesivo para las aplicaciones. Los mercados de
datos evolucionaron para resolver este problema. Un data mart es un
tipo especial de data warehouse. Se centra en un solo tema (o área
funcional), como Ventas, Finanzas o Mercadeo. Mientras que los
almacenes de datos tienen una profundidad en toda la empresa, la
información en los data marts pertenece a un solo departamento. El
uso principal de una despensa de datos son las aplicaciones de
Business Intelligence (BI). Implementar un data mart puede ser menos
costoso que implementar un data warehouse, lo que lo hace más
práctico para las pequeñas empresas.
Análisis. Durante la fase de análisis, es necesario reconocer y
explicar con precisión el problema en cuestión. Los tomadores de
decisiones deben entonces crear una representación mental del
fenómeno que se analiza, identificando los factores críticos que se
perciben como los más relevantes. La disponibilidad de metodologías
de inteligencia de negocios puede ayudar ya en esta etapa, al permitir
que los tomadores de decisiones desarrollen rápidamente varias vías
de investigación. Por ejemplo, la exploración de cubos de datos en un
análisis multidimensional, de acuerdo con diferentes visiones lógicas,
permite a los tomadores de decisiones modificar sus hipótesis de
manera flexible y rápida, hasta llegar a un esquema de interpretación
que consideren satisfactorio. Así, la primera fase del ciclo de la
inteligencia de negocios lleva a los responsables de la toma de
decisiones a plantear varias preguntas y obtener respuestas rápidas
de forma interactiva.