Unidad 1: Introducción a la Inteligencia de Negocios

¿Qué es Business Intelligence?

Business Intelligence es la habilidad para transformar los datos en información, y la
información en conocimiento, de forma que se pueda optimizar el proceso de toma de
decisiones en los negocios.

Inteligencia de Negocios (Business Intelligence). Es una estrategia empresarial que

persigue incrementar el rendimiento de la empresa o la competitividad del negocio, a través
de la organización inteligente de sus datos históricos (transacciones u operaciones diarias),
usualmente residiendo en Data Warehouse corporativos o Data Marts departamentales.

Los principales productos de Business Intelligence que existen hoy en día son:
· Cuadros de Mando Integrales (CMI)
· Sistemas de Soporte a la Decisión (DSS)
· Sistemas de Información Ejecutiva (EIS)
Por otro lado, los principales componentes de orígenes de datos en el Business Intelligence
que existen en la actualidad son:

· Datamart
· Datawarehouse

En definitiva, una solución BI completa permite:

· Observar ¿qué está ocurriendo?
· Comprender ¿por qué ocurre?
· Predecir ¿qué ocurriría?
· Colaborar ¿qué debería hacer el equipo?
· Decidir ¿qué camino se debe seguir?

1.2 Componentes de la Inteligencia de Negocios.

La infraestructura de Business Intelligence tiene tres componentes
principales. Son el esquema de creación de informes, el conjunto de procesos
de extracción y los análisis incorporados, todos ellos incluidos en la
aplicación. Se proporcionan paneles de control de Business Intelligence
centrados en áreas de negocio específicas, como el Soporte de ingresos y los
Servicios para la infancia.

1) Esquema de creación de informes

2) Procesos de extracción
3) Análisis incorporados
4) Paneles de control y cubos

1.2.1 Minería de datos

Desde un punto de vista académico el término data mining es una etapa dentro de un
proceso mayor llamado extracción de conocimiento en bases de datos en el entorno
comercial. Lo que en verdad hace el data mining es reunir las ventajas de varias áreas.

Desde los años sesenta los estadísticos manejaban términos como data fishing, data mining
o data archaeology, a principios de los años ochenta, Rakesh Agrawal, Gio Wiederhold,
Robert Blum y Gregory Piatetsky-Shapiro, entre otros, empezaron a consolidar los términos
de data mining. A finales de los años ochenta sólo existían un par de empresas dedicadas a
esta tecnología; en 2002 existen más de 100 empresas en el mundo que ofrecen alrededor
de 300 soluciones.

El data mining es una tecnología compuesta por etapas que integra varias áreas y que no
se debe confundir con un gran software. Actualmente existen aplicaciones o herramientas
comerciales de data mining muy poderosas que contienen un sinfín de utilerías que facilitan
el desarrollo de un proyecto.

Aplicaciones de uso

Podemos decir que "en data mining cada caso es un caso". Sin embargo, en términos
generales, el proceso se compone de cuatro etapas principales:

Procesos:
● Determinación de Objetivos.
● Pre procesamiento de los Datos.
● Determinación del Modelo.
● Análisis de los Resultados.

Web mining

Una de las extensiones del data mining consiste en aplicar sus técnicas a documentos y
servicios del Web, lo que se llama web mining. Las herramientas de web mining analizan y
procesan estos logs para producir información significativa, por ejemplo, cómo es la
navegación de un cliente antes de hacer una compra en línea. Debido a que los contenidos
de Internet consisten en varios tipos de datos, como texto, imagen, vídeo, metadatos o
hiperligas, investigaciones recientes usan el término multimedia data mining (minería de
datos multimedia) como una instancia del web mining (Zaiane y otros, 1998) para tratar ese
tipo de datos.

Normalmente, el web mining puede clasificarse en tres dominios de extracción de

conocimiento de acuerdo con la naturaleza de los datos:

1. Web content mining (minería de contenido web). Es el proceso que consiste en la

extracción de conocimiento del contenido de documentos o sus descripciones.

2. Web structure mining (minería de estructura web). Es el proceso de inferir

conocimiento de la organización del WWW y la estructura de sus ligas.

3. Web usage mining (minería de uso web). Es el proceso de extracción de modelos

interesantes usando los logs de los accesos al web.

Text mining

El text mining se refiere a examinar una colección de documentos y descubrir información

no contenida en ningún documento individual de la colección; en otras palabras, trata de
obtener información sin haber partido de algo.
En ocasiones se confunde el text mining con la recuperación de la información (Information
Retrieval o IR) (Hearst, 1999). Ésta última consiste en la recuperación automática de
documentos relevantes mediante indexaciones de textos, clasificación, categorización, etc.
Generalmente se utilizan palabras clave para encontrar una página relevante.

1.2.2 Administración del conocimiento.

Información que tienen las personas y que puedan compartir con los demás en la
organización.

La administración del conocimiento implica la conversión del conocimiento tácito (el que
sabe un trabajador específico) en explícito (conocimiento documentado y replicable) para
convertirlo en un activo estratégico de la organización.

Dicho en otras palabras implica la adecuada utilización de datos e información para

transformarlos en conocimiento y entendimiento.

El conocimiento responde a preguntas que empiezan con ¿Cómo?, es decir, todo aquello
que generalmente sólo algunos miembros de la organización saben y lo tienen en su
cabeza pero no ha sido transformado en un conocimiento explícito.

Procesos:

1. Alineación y consolidación estratégica de capitales:

a. Definición de Sistemas Referenciales
b. Estructuración y Operacionalización de Capitales
c. Estrategia de Administración del Conocimiento y Desarrollo de Capitales Articuladores

2. Administración del Capital Agente

a. Administración del Aprendizaje Organizacional
b. Desarrollo de Prácticas de Valor
c. Desarrollo de Competencias Claves

3. Administración del Capital Instrumental

a. Métodos y Herramientas para instrumentar las estratégicas de Administración del
Conocimiento
b. Selección e Implementación de Plataformas Tecnológicas para la Administración del
Conocimiento
c. Desarrollo de la Base de Conocimiento

Con el fin de ampliar más este concepto, se presentan diferentes enfoques desde el punto
de vista de una organización:
1.2.3 Aplicaciones Analíticas.

Son un tipo de negocio de Software aplicaciones que sirve para medir y mejorar el
rendimiento de las operaciones comerciales.

1. Características de las aplicaciones analíticas.

Una aplicación analítica no es solo un juego de informes creados al azar. Tiene cuatro
características importantes las cuales son:

1. Integradas lógicamente: significa que algún grado de lógica comercial es incluido en la

aplicación que ayude a los usuarios a navegar a través de una serie de tareas.

2. Informes Interactivos que permitan a los usuarios acceder, analizar y actuar: Esto
significa que los usuarios pueden penetrar con una vista de nivel más alto de un reporte a
niveles más bajos o inferiores para adicionar información.

3. Información Integrada: Arquitectónicamente una aplicación analítica es un objeto

soportado por un repositorio de almacenamiento de datos de la empresa.

4. Dirección de un dominio comercial: Las aplicaciones analíticas son definidas por los
requerimientos de información de la actividad comercial, como las ventas, servicios o
infraestructura.

2. Elementos de una aplicación analítica.

Una aplicación analítica está compuesta por seis elementos primordiales los cuales son:

1. Visualización y percepción: La visualización consiste en un ambiente gráfico amigable

al usuario, en la referente a la percepción se enfatiza en la navegación de las áreas de
trabajo.

2. Reportes y Análisis: Los reportes en vistas de información predefinidas, que pueden

presentarse como estáticas o como documentos interactivos, el análisis incorpora
sofisticados cálculos, algoritmos estadísticos, y visualizaciones avanzadas para analizar
grandes y complejos volumen de información.

3. El servidor de análisis: es generalmente el responsable de procesar peticiones

utilizando run-time de metadatos definidos y guardándolos en el almacén del servidor.

4. Lógica de negocios: Ya se ha mencionado un tipo de lógica comercial, las reglas de

navegación de los usuarios es paso a paso a través de reportes, vistas, acciones.

5. Modelo de Datos: es el cerebro de aplicaciones analíticas, a menudo trabajando en

conjunto con la capa semántica de BI, los modelos de datos son usados en las definiciones
de los cubos de OLAP.

6. El mapeo de las fuentes: Se definen las transformaciones requeridas para llevar los
datos fuentes dentro del modelo de datos designado.

3. Dashboards y Scorecards
Los scorecards y dashboards proporcionan la información del rendimiento empresarial a
través de sus distintas áreas.

La popularidad de dashboard está creciendo porque proporciona una interfaz sumamente

intuitiva para supervisar y analizar los datos, existen tres tipos de Dashboards los cuales
son:

1. Operacional: Los usuarios pueden intervenir en los procesos y actividades

comerciales para solucionar un problema o capitalizar una oportunidad.

2. Táctico: Mide el progreso y actuación de los departamentos o equipos del proyecto

contra metas establecidas a través de un gerente.

3. Estratégico: Contiene la métrica que se empleará en la estrategia corporativa. Estos

Dashboards son en forma de cascada donde en cada nivel y se tiene una versión diferente
de métrica moldeada a su dominio comercial.

1.2.4 Sistemas de Reportes.

Los sistemas de reportes tienen como objetivo principal mostrar una visión general de la
situación de la empresa. Consecuentemente, estos muestran la situación de las
operaciones regulares de la empresa para que los directivos puedan controlar, organizar,
planear y dirigir. Los reportes se pueden visualizar, exportar a otros formatos como PDF,
HTML, XML, etc. y también se pueden imprimir en papel.

El Jasper Report es una librería para la generación de informes. Está escrita en java y es
libre. http://jasperforge.org/ El funcionamiento consiste en escribir un xml donde se recogen
las particularidades del informe. Este xml lo tratan las clases del Jasper para obtener una
salida. Esta salida puede ser un PDF, XML, HTML, CSV, XLS, RTF, TXT. Otra ventaja de
utilizar Jasper Report es que se integra perfectamente con el JFreeChart que es una librería
libre para la generación de todo tipo de graficas.

Para generar el xml lo recomendable es bajarse la herramienta iReport que es un editor

gráfico que está implementado en java y se integra perfectamente con el Jasper Report.
El sistema de reportes jasper reports ofrece muchas herramientas que son de gran utilidad
proporciona todo lo necesario para diseñar informes de una complejidad media, y la curva
de aprendizaje para comenzar a tener resultados productivos no es muy elevada. Además
los informes se puede realizar directamente sobre los xml descriptores o podemos utilizar la
herramienta ireport para diseñarlo gráficamente.

Un ejemplo básico:

Para generar un reporte con jasper report debemos seguir los siguientes pasos:

- Generar un fichero .jrxml en el que se configura cómo queremos el informe.

- Compilar el fichero .jrxml para obtener un fichero .jasper.

- Rellenar los datos del informe. Esto generará un fichero .jrprint.

- Exportar el fichero .jrprint al formato que deseemos (pdf, etc). Esto generará el fichero
en cuestión.
Generar el fichero .jrxml

El fichero .jrxml se puede generar a mano con este DTD y esta referencia de atributos. De
todas formas, una opción mejor es usar la herramienta iReport, que permite generar el
fichero .jrxml de forma visual y más fácil.

En este fichero también se configura cual va a ser la fuente de datos (si es una base de
datos, un fichero, etc). Incluso si es base de datos, en este fichero se pone el SELECT que
devuelve los datos que queremos para el informe.

Compilado del fichero .jrxml

Para compilar el fichero .jrxml y generar el fichero .jasper, desde código podemos poner
algo como esto:

JasperReport report= JasperCompileManager.compileReport("C:\\informesJAsper\\JRXML\\

InformeMySql.jrxml");

Rellenar el informe con datos

Ahora hay que rellenar el informe con datos. Desde código se hace con algo como esto

JasperPrint print = JasperFillManager.fillReport(report, parameters, conn);

Donde conn es la conexión con la base de datos. No es necesario indicar el select ni nada
similar, puesto que esta información está incluida en el .jrxml.

Obtener el pdf (o el que sea)

Finalmente, para obtener el fichero .pdf, la línea es algo como esto

JasperExportManager.exportReportToPdfFile(print, "C:\\informes JAsper\\PDF's\\

InformePaisesMySQL.pdf");
Donde el parámetro es el fichero de salida que deseamos.

1.2.5 Multidimensionalidad

La multidimensionalidad dentro de la inteligencia de negocios ayuda a representar los datos

en forma cercana a la intuición del usuario y al mismo tiempo resolver problemas
planteados en sistemas relacionales.

La información multidimensional se puede encontrar en hojas de calculo, bases de datos,

etc. Es una herramienta de B.I. que es capaz de reunir información dispersa en toda la
empresa e incluso en diferentes fuentes para así proporcionar a los departamentos la
accesibilidad, poder y flexibilidad que necesitan para analizar la información.

Por ejemplo, un pronóstico de ventas de un nuevo producto en varias regiones no está

completo si no se toma en cuenta también el comportamiento histórico de las ventas de
cada región y la forma en que la introducción de nuevos productos se ha desarrollado en
cada región en cuestión.

Se representan los datos como una matriz.

● En los ejes están los criterios de análisis.
● En los cruces están los valores a analizar.
● A esta estructura se le llama Cubo o Hipercubo.

Los Cubos o Hipercubos constan de:

Dimensiones:
● Criterios de análisis de los datos.
● Macro-objetos del problema.
● Variables independientes.
● Ejes en el hipercubo.
Medidas:
● Valores o indicadores a analizar.
● Datos asociados a relaciones entre los objetos problema.
● Variables dependientes.
● Variables en la intersección de las dimensiones.
●
Las bases de datos multidimensionales se utilizan principalmente para crear aplicaciones
OLAP y pueden verse como bases de datos de una sola tabla, su peculiaridad es que por
cada dimensión tienen un campo (o columna), y otro campo por cada métrica o hecho.

1.2.6 Data Warehouse

Es el gran almacén de datos que está estructurado para analizar la información, a diferente
nivel de detalle, de todos los procesos de negocios que tiene la organización. Es la Base de
Datos llamada estratégica o multidimensional. Una vez diseñadas mediante el ETL es
poblada o llenada a partir de las Bases de Datos operacionales. El diseño va orientado a
encontrar medidas (Por ejemplo: montos vendidos, montos cobrados, horas hombre
utilizadas, etc) y dimensiones (Clientes, Productos, Tiempo, Organización, Servicios, etc).
Las características de los data warehouse se representan en la siguiente gráfica: