Módulo 1. Introducción a 
los conceptos de Business 
Intelligence 
 

Unidad 1.1Conceptos técnicos 

El  objetivo  de  la  presente  unidad  es  dar  un  marco  conceptual  sobre  los 
componentes  a  ser  tratados  en  el  presente  curso.  En  este  sentido,  la  función 
principal  es  dar  un  marco  de  referencia  y  normalización  sobre  cada  uno  de  los 
conceptos o definiciones a ser utilizadas en el resto de los módulos. 

1.1.1 Datawarehouse 
El datawarehouse es uno de los componentes más destacados de la arquitectura 
de business intelligence. 
El  datawarehouse  es  un repositorio de datos, integrado, no volátil, variable en 
el tiempo y orientado al negocio (Inmon, 1992).  
Integrado:  la  información  proviene  de  sistemas  heterogéneos,  como  ser  base 
de  datos,  sistemas  transaccionales,  archivos  de  textos,  planillas  de  cálculos, 
etcétera. 
No  volátil:  los  datos  almacenados  perduran  en  el  tiempo  (no  es  necesaria  la 
depuración). 
Variable  en  el  tiempo:  es  un  repositorio  de  información  histórica.  El  tiempo  en 
el  cual  son  conservados  los  datos  es  mucho  mayor  que  en  sistemas 
transaccionales o bases de datos tradicionales. 
Orientado  al  negocio:  los  datos  se  organizan  de  manera  tal  que  reflejan  la 
estructura  que  posee  el  negocio.  El  nivel  de  detalle  a  ser  almacenado  en  el 
datawarehouse  se  determina  según  las  necesidades de información que tenga 
el negocio. 
El  Datawarehouse  está  constituido  con  una  organización  interna  (a  nivel físico) 
que facilita la administración y procesamiento de grandes volúmenes de datos, 

1 
 
 
 

con  el  objetivo  de  poder  dar  respuesta  a  las  necesidades  que  posee  el 
negocio para la toma de decisiones (Kimball, 1996).  
 
Figura 1: Ejemplo de fuentes de un datawarehouse 

 
​Fuente: elaboración propia 
 
1.1.2 OLAP 
OLAP es un acrónimo inglés que significa procesamiento analítico en línea (On-Line 
Analytical Processing).  
Debido  a  su  conformación  interna,  y  mediante  la  utilización  de  estructuras 
multidimensionales,  permite  el  almacenamiento  de  grandes  volúmenes  de 
información  que  pueden  ser  consultados  con  tiempos  de  respuesta  mucho 
mejores que las bases de datos tradicionales. 
Dependiendo  del  tipo  de  implementación  física  que  se  utilice,  los  sistemas 
OLAP se dividen en ROLAP, MOLAP y HOLAP. 
ROLAP  (OLAP  relacional):  la  implementación  se  realiza  sobre  bases  de  datos 
relacionales.  Los  datos  se  estructuran  utilizando  distintas  técnicas  que  tienen 
como  principal  objetivo  obtener  fluidez  y  rapidez  en  las  consultas  que  se 
realicen.  Algunas  de  las  técnicas  consisten  en  la  desmoralización  de las tablas 
que  almacenan  la  información,  mayor  redundancia  de  los  datos  y  modelado 
en estructuras que ayudan a obtener mejores tiempos de respuesta. 

2 
 
 
 

MOLAP  (OLAP  multidimensional):  la  implementación  se  realiza sobre bases de 

datos  multidimensionales,  diseñadas  para  tal  fin  y  con  estructuras  propias. 
Algunas  de  las  técnicas  utilizadas  en  el  diseño  de  dichas  bases  de  datos 
consisten  en  el  cálculo  de  la  información  por  adelantado,  el  uso  de  reglas  de 
compresión  de  datos  y uso de métodos de indexación para la optimización de 
las búsquedas. 
HOLAP  (OLAP  híbrido):  la  implementación  se  realiza  a  la  vez  sobre  bases de 
datos  relacionales  y  bases  de  datos  multidimensionales.  En  estas 
implementaciones  los  sistemas  tienen la habilidad de utilizar una u otra técnica 
dependiendo  del  grado  de  granularidad  que  se  necesite  para  dar  respuesta 
a las solicitudes de información. 
Debido  a  la  utilización  de  estructuras  multidimensionales,  los  sistemas  OLAP 
suelen  ser  asociados  al  concepto de cubos de información. Si bien solo pueden 
ser  graficadas  tres  dimensiones  (álgebra  y  geometría  analítica),  cuando 
existen mayor número de dimensiones, se continúa denominando cubo. 
Otro  de  los  conceptos  asociados  a  los  sistemas  OLAP  es  la  posibilidad  de 
cortar  y  extraer  información  (drill  down).  Esto  se  debe  a  que  los  ejes  que 
conforman  el  cubo  de  información  pueden  ser  particionados  según  las 
necesidades de información.  
En  la  figura  2  (análisis  OLAP),  puede  verse  un ejemplo del concepto de cortar 
y  extraer  información.  En  dicho  ejemplo  se  está  analizando  la  información 
proveniente  de  un  sistema  de  ventas;  la  información  fue  almacenada  en  un 
cubo  de  información  OLAP,  y  los  tres  ejes  corresponden  al  tiempo,  los  datos 
geográficos y los artículos. 
Figura 2: Análisis OLAP  

3 
 
 
 

 
Fuente: elaboración propia.  

  

1.1.3 Data Mining   

Data  mining  es  un  conjunto  de  técnicas,  procedimientos  y  tecnologías  que  tiene 
como  objetivo  explorar  y  analizar  grandes  volúmenes  de  información  de  manera 
automática  o  semiautomática, para responder a solicitudes de información y hacer 
lo siguiente: 
● Encontrar  patrones  ocultos  y  repetitivos,  tendencias  o  reglas  que 
expliquen el comportamiento de los datos en un determinado contexto. 
● Generar  modelos  predictivos,  a  partir  de  datos  históricos,  con  el 
objetivo  de  anticiparse  a  los hechos y tener mayor información para la 
toma de decisiones. 
Antes  de  la  aparición  de  la  práctica  del  ​data  mining,​   la  técnica  más  utilizada 
para  el  procesamiento  de  información  con  objetivos  exploratorios  consistía  en 
la aplicación de estadística.  
Las  técnicas  de  estadísticas  basaban  su  resultado  en  la  aplicación  manual  de 
los  conocimientos  de uno o más expertos en el uso de los algoritmos, modelos y 
leyes  estadísticas.  La  tarea  requería  la  participación  de  un  gran  número  de 
expertos  y  sobre  todo  implicaba  uso  del  tiempo,  todo  lo  que  podía 
incrementarse cuando se requería procesar un gran volumen de información. 

4 
 
 
 

Data  ​mining,  por  su  parte,  utiliza  software  especializado  en  el  procesamiento 
de  grandes volúmenes de información, cuyos resultados se obtienen en un corto 
período.  Sin  embargo,  el rol del experto en estadística sigue siendo necesario, 
no  para  el  procesamiento  de  los  datos,  sino  para  la  interpretación  de  los 
modelos resultantes. 
Existen dos tipos de modelos para la aplicación de técnicas de data mining: 
● Clasificación:  mediante  la  aplicación  de  técnicas,  condiciones  o  reglas 
se  busca  obtener  modelos  que  permitan  dividir  o  relacionar  en  forma 
lógica  el  universo  de  datos  de  estudio.  Algunas  de  las  técnicas  más 
conocidas en este tipo de modelos son las siguientes: 
● Árboles de decisión. 
● Teorema de Bayes. 
● Redes neuronales. 
● Basadas en asociaciones. 
● Predicción:  mediante  la  construcción  de  un  modelo  que  surge  del 
aprendizaje  o  entrenamiento  en  base a datos históricos y conocidos, se 
busca  encontrar  o  predecir  los  datos  futuros  o  desconocidos.  Algunas 
de  las  técnicas  más  conocidas  en  este  tipo  de  modelos  son  las 
siguientes: 
● Regresión lineal. 
● Regresión múltiple. 
● Regresión logarítmica. 
El  proceso  por  el  cual  se  realiza  el  estudio  de  data  mining  se  denomina 
proceso  de  descubrimiento  del  conocimiento  ​(knowledge  discovery  in 
database​, KDD). 
En la figura 3, puede observarse el proceso y cada uno de sus componentes: 
● Determinación de objetivos: 
¿Por qué se realiza el estudio y qué se espera obtener? 
¿Cuáles son los datos que serán procesados y de dónde se obtienen? 
¿Existe alguna regla que es necesario aplicar? 
● Preparación de los datos: 
Selección de la información: ¿Cuál es el conjunto de datos que se va a utilizar? 
Preprocesado:  se  analiza  qué tan sanos y completos están los datos. Se define 
qué acciones se van a tomar con aquellos que sean erróneos. 

5 
 
 
 

Transformación  y  reducción:  Se  aplican  las  reglas  de  limpieza,  llenado  de 
información  faltante  y  corrección  de  errores.  También,  en  el  caso  de  ser 
necesario, se reduce la información a ser utilizada. 
● Data mining: 
Se seleccionan las técnicas a aplicar según el objetivo del estudio. 
Se determina el algoritmo a utilizar. 
Se  pone a prueba el algoritmo seleccionado y se analizan los datos obtenidos. 
En  el  caso  de  no  aproximarse  a  lo  esperado,  se  vuelve  a  seleccionar  otra 
técnica u otro algoritmo y se repite el proceso. 
● Evaluación: 
Se visualizan los datos obtenidos. 
Se eliminan los datos y patrones redundantes. 
Se  analiza  si  lo  datos  obtenidos  proveen  información  para  la  toma  de 
decisiones. 
● Uso del conocimiento: 
Los  patrones  obtenidos  se  aplican  a  nueva  información  y  se  procede  a 
ponerlos disponible para su utilización. 
Se  guardan  los  patrones  obtenidos  en  la  base  de  conocimiento  para  que 
sirvan de entrada en futuros estudios. 
 
Figura 3: Proceso de descubrimiento del conocimiento  

6 
 
 
 

Fuente: elaboración propia. 

 
Entre las muchas aplicaciones del uso de data mining, podemos detallar las 
siguientes: 
● Identificar patrones de compra. 
● Buscar asociaciones entre clientes y características demográficas. 
● Predecir respuestas a campañas de marketing. 
● Detectar patrones de uso fraudulento de tarjetas. 
● Identificar clientes con probabilidad de dejar de pagar un crédito. 
● Determinar la logística de la distribución. 
● Identificar patrones de comportamiento en pacientes con riesgo médico. 
● Identificación  de  terapias  médicas  satisfactorias  para  distintas 
enfermedades. 
● Análisis de canasta de compra. 
● Identificar clientes leales. 
● Identificar reglas del mercado de valores. 
● Detectar comportamiento fraudulento. 
  
1.1.4 Diferencia entre OLAP y Data Mining 
lOLAP y data mining son dos técnicas que trabajan sobre la información y tienen 
como objetivo dar apoyo a la toma de decisiones. 
Desde  el  punto  de  vista  de  OLAP  y  aprovechando  sus  estructuras 
multidimensionales,  es  posible extraer y analizar información con gran rapidez 
y  versatilidad.  Su  fortaleza  se  base  en  la  extracción,  navegabilidad  y 
rapidez,  y  en  ella,  es  la  persona que utiliza esta técnica el actor principal que 
va decidiendo por cuál camino realizar el análisis. 
Por  el  lado  de  data  mining,  las  técnicas  se  basan  en  el  análisis  y 
procesamiento  de  la  información  en  forma  automática,  con  el  objetivo  de 
obtener  un  algoritmo  que  resuelva  las  necesidades  del  negocio.  Su  fortaleza 
radica  en  la  posibilidad  de  encontrar  patrones  ocultos,  descubrir  relaciones  y 
predecir  comportamientos  sobre  los  datos  que  pueden  cumplirse  con  cierta 
probabilidad. 

7 
 
 
 

 
A modo de referencia, en la tabla 1 se ejemplifican distintas aplicaciones y 
preguntas que pueden resolver cada una de estas técnicas. 
 
Tabla 1: Análisis OLAP frente a Data Mining 

OLAP  DATA MINING 

¿Cuál es el perfil de los clientes que 
¿Cuál fue la tasa de respuesta a la 
probablemente respondan a la futura 
campaña? 
campaña? 
¿Cuáles de nuestros clientes actuales 
¿Cuántas unidades del producto nuevo 
son los que probablemente compren 
vendimos a nuestros clientes actuales? 
nuestro futuro producto? 
¿Cuáles son clientes que 
¿Cuáles fueron los top 10 clientes del 
probablemente se pasen a la 
año pasado? 
competencia en los próximos 6 meses? 
¿Qué clientes no renovaron contrato el  ¿Cuáles son las probabilidades de que 
mes pasado?  éste cliente deje de pagar? 
¿Qué clientes dejaron de pagar sus  ¿Qué puedo hacer para bajar el 
préstamos?  porcentaje de defectos? 
¿Qué porcentaje de las piezas 
 
producidas ayer fueron defectuosas? 
 
Fuente: elaboración propia 

Unidad 1.2 Conceptos funcionales 

  
El objetivo de esta unidad consiste en detallar cada uno de los componentes 
funcionales que ayudan a comprender la arquitectura de business intelligence (BI). 
 

8 
 
 
 

1.2.1 Definición de Business Intelligence y componentes 

 
 
Figura 5: Compontes de la arquitectura de business intelligence 

 
Fuente: elaboración propia. 
 

● Datos:  son  las  fuentes  de  información  provenientes  de  sistemas 

heterogéneos  El  objetivo  es  poder  centralizar  la  información  de  las 
múltiples fuentes en un único modelo de información. 
● Entendimiento: es el conjunto de herramientas (OLAP, data mining, entre 
otras) utilizadas para analizar y mejorar el conocimiento del negocio. 
● Acción:  con  la  información  obtenida,  los  usuarios  del  negocio  pueden 
tomar decisiones o impulsar distintas iniciativas de negocio. 
 
Tal  cual  se  puede  apreciar  en  la  figura  4,  la  arquitectura  de  business 
intelligence  es  un  sistema  cerrado.  Esto  se  debe  a  que  las  acciones  tomadas 
por  el  negocio  se  convierten  en  nuevas fuentes de información o en procesos a 
aplicar  en  la  etapa  de  entendimiento.  Por  esta  razón,  se  considera  a business 
intelligence como un sistema vivo. 

9 
 
 
 

  

1.2.2 Estilos de Business Intelligence 

Los estilos de BI se refieren a las prácticas incluidas dentro de una arquitectura de 
business intelligence. Estos estilos suelen ir actualizándose, debido al avance de la 
tecnología y la aparición de nuevas maneras de procesar la información.  
Actualmente, se definen siete estilos, que pueden visualizarse en la figura 5. 
 
Figura 5: Los siete estilos de business intelligence 

 
 
Fuente: Adaptado de Microstrategy Analytics Platform, 2014. Recuperado de 
http://goo.gl/vXNWJ0 

 
● Analizar​: 
o Análisis  predictivo​:  comprende  los  procesos  y  metodología  de  data 
mining.  
o Análisis  OLAP​:  comprende  todas  las  técnicas  de  procesamiento  de 
información, utilizando cubos de información OLAP. 
o Data  discovery​:  comprende  un  conjunto  de  herramientas  que  tienen 
como  objetivo  poner  como  disponible  la  información  en  diferentes 
elementos  de  explotación  (gráficos,  filtros,  etc.)  de  rápido  acceso  y  de 
fácil entendimiento. 

10 
 
 
 

 
● Monitorear​: 
o Reporting​:  comprende  un  conjunto  de  elementos  tradicionales  de 
explotación de información, como ser grillas, gráficos y documentos. 
o Tableros​:  comprende  un  conjunto  de  elementos  avanzados  de 
visualización de información, con el objetivo de acceder en forma rápida 
a  los  datos  claves  de  negocio. Generalmente, se asocian a los conceptos 
de indicadores o KPIs.  
 
● Actuar​: 
o Alertas​:  comprende  un  conjunto  de  técnicas  que  utilizan  distintos 
disparadores  (tiempo,  eventos,  resultado  de  una  medición),  que  envían 
información  en  forma  proactiva  sobre  la  situación  de  determina medida 
de negocio. 
o Transacciones​:  comprende  un  conjunto  de  herramientas  que  permiten 
interactuar  con  la  información  presentada,  ingresando  datos y actuando 
sobre el resultado de éstos. 
  
1.2.3 Desafíos de Business intelligence 
● Tener  una  única  verdad:  Una  de  las  claves  de  las  organizaciones  es 
que  la  información  fluya  en  forma  ordenada  y  normalizada.  Esto 
significa  que  las  cifras  sobre determinada medida deben interpretarse 
de  la  misma  manera  por  cualquier  integrante  de  la  organización.  Esto 
evitará  las  discusiones  sobre  el  origen  y  procesamiento  de  la 
información,  dedicando  ese  tiempo  a  analizar  el  negocio  y  cómo 
impacta  esa  medida.  Si  se  sigue  adelante  en  el  ejercicio  de 
planeamiento  estratégico  de  los  recursos  humanos,  se  debería llegar a 
un esquema como el siguiente:  
 
 
 
 
  
● Lograr  una  visión  integral  del  negocio:  toda  organización  está  dividida  en 
diferentes  componentes  según  su  funcionalidad  (unidades  de  negocio, 

11 
 
 
 

departamentos,  gerencias, sectores, etcétera). En muchas oportunidades, esto 
nos  lleva  a  tener  una  visión  de  islas  o  silos  de  información,  por  lo  que  se 
desaprovecha la integración y la posibilidad de ver todo como un conjunto. 

● Poder  acceder  a  la  información  en  el  momento  que  la  necesito:  se  dice 
habitualmente  que  las  decisiones  de  negocio  no  pueden  esperar,  y  en  este 
sentido  los  usuarios  de  negocio  deberían  poder  acceder  a  la  información 
cuando  lo  requieran  y  con  el  grado  de  detalle  que  lo  necesitan.  Ya  no  se 
hablan  de  tiempos de procesamientos medidos en segundos, minutos u horas, 
ahora  se  indica  que  la  información  debe  viajar  del  origen  al  destino  tan 
rápida como el negocio lo requiera. 

  
  

1.2.4 Soluciones y herramientas de Business Intelligence 

Según  la  clasificación  disponible  en  el  Cuadrante  Mágico  de  Gartner  (2016), 
podemos  dividir las soluciones de BI por sus funcionalidades, innovación, fortalezas 
y  el  uso  que  le  dan  los  usuarios.  Es  así  como  se  dividen  en  los  siguientes 
cuadrantes: 
● Leaders​:  son  las  herramientas  con  amplitud  de  propuestas  para  los  estilos 
de  BI,  tienen  gran  alcance  en  el  mercado  y  una  fuerza  de  marketing  muy 
importante. 
● Challengers​:  son  herramientas  que  tienen  amplitud  de  propuestas  para  los 
estilos  de  BI,  pero  con  limitado  alcance,  ya  sea por los enfoques técnicos o 
por ventas 
● Niche  Players:  son  herramientas  con  muy  buenas  propuestas  de  business 
intelligence pero que solo abordan uno o pocos estilos de BI. 
● Visionaries:  son  herramientas  con  arquitecturas  flexibles,  con  nuevas 
propuestas  y  que  aún  no  se  encuentran  estables  en  sus  funcionalidades  y 
uso. 

12 
 
 
 

Esta  clasificación  antes  mencionada  en  el  Cuadrante  Mágico  de  Gartner  (2016) 
se  actualiza  año  a  año,  y  cada  una  de  las herramientas se posiciona en cada uno 
de estos cuadrantes de acuerdo a su desempeño. 
Figura 6: Cuadrante mágico de Gartner 

Fuente: Adaptado de Gartner (2016) en Parenteau et al. Recuperado de https://goo.gl/3LF3UB  

 

Otra  clasificación que podemos abordar es un resumen de acuerdo a los estilos de 
business  intelligence  antes  estudiados,  es  así  como  podemos  evaluar  a  las 
herramientas en lo detallado a continuación: 
 
● Herramientas de reporting, dashboard y scorecard. 
● Herramientas de data Discovery. 
● Herramientas de data mining. 
● Herramientas  de  big  data:  esta  no  forma  parte  de  los  estilos  de  BI 
definidos hasta el momento, pero su uso se está expandiendo. 
 
En los gráficos siguientes se ejemplifican algunas de estas soluciones. 
 
Figura 7: Reporting 

13 
 
 
 

 
Fuente: Adaptado de The 5 Styles of Business Intelligence, Microstrategy (2002). (Traducción 
Propia) 

 
Figura 8: Dashboard y scorecard 

 
Fuente: Adaptado de Microstrategy Analytics Platform (2014). Recuperado de 
http://goo.gl/vXNWJ0 

Figura 9: Data discovery 

14 
 
 
 

Fuente: Adaptado de: Information Builders (2014), Recuperado de http://goo.gl/94qxck.  

Figura 10: Data mining 

Fuente: Statsoft (2013), ​http://goo.gl/v6TrqO​.  

15 
 
 
 

Referencias   

  
[Imagen intitulada sobre Markahall] (S.f.). ​Recuperado de
http://2.bp.blogspot.com/-miaU0wprBAg/T_T-pm3aEFI/AAAAAAAAACU/tAG1yiu
depU/s640/R2.png
[Imagen intitulada sobre SPSS]. ​(S.f.)​. ​Recuperado de http://goo.gl/W9J5ZL
[Imagen intitulada sobre Statsoft] ​(S.f.)​. ​Recuperado de
http://www.statsoft.nl/images/screenshot1.gif
Barrón, F. (2014)​. Big Data filos (un ejemplo). [Imagen]. Recuperado de
http://stf.filos.unam.mx/2014/04/big-data-filos-un-ejemplo/
BBVA ​(2015). ​Ejemplos reales del uso de Big Data​. [Imagen]. BBVA. Recuperado
de
http://www.centrodeinnovacionbbva.com/noticias/ejemplos-reales-del-uso-de-
big-data
Garnet en Parenteau J. et al., ​(2016). ​Magic Quadrant for Business Intelligence
and Analytics Platforms. [​ Imagen]. ​Recuperado de
https://www.gartner.com/doc/reprints?id=1-2XXET8P&ct=160204
Information Builders (​ S.f.). Self-Service Data Discovery with InfoAssist+.
Information Builders. Recuperado de
http://www.informationbuilders.com/products/webfocus/data-discovery
Inmon, W.​ (1992). ​Building the DataWarehouse.​ Estados Unidos: Wiley.
Kimball, R. (1996). ​The Data Warehouse Toolkit: The Definitive Guide to
Dimensional Modeling​.
Predictive Analytics Today (​ S.f.)​. ​Data discovery and visualization using SAP
Lumira Edge Edition. ​ ecuperado
R de
http://www.predictiveanalyticstoday.com/data-discovery-and-visualization-using
-sap-lumira-edge-edition/
SAS. The Power to know. ​(2016). Recuperado de
http://www.sas.com/en_gb/software/business-intelligence/visual-analytics.html
Timothy King ​(2016). T​ IBCO Updates Spotfire with Simple Data Discovery.
Solutions Review. ​Recuperado de

16 
 
 
 

http://solutionsreview.com/business-intelligence/tibco-updates-spotfire-with-si
mple-data-discovery/
Urman M. ​(S.f.). Data Mining & Advanced Analytics Expandiendo el alcance de
sus modelos predictivos. ​Microstrategy Analytics Platform​. R
​ ecuperado de
http://www.austral.edu.ar/ingenieria-posgrados/wp-content/uploads/2014/10/
Microstrategy-Mariano-Urman.pdf
Yobene (​ 2013). I​ n-Memory analysis and reporting drives simplicity and
performance. Yobene. Recuperado de
http://www.yobene.com/Live/en_qlikview.Yobene?ActiveID=1239
 

17