Machine Translated by Google

Revista internacional de ingeniería y tecnología emergente, vol. 2, núm. 1, enero—junio de 2017

Análisis de Data Warehouse para Transaccional

Métodos de análisis Procesamiento analítico en línea
(OLAP) en la empresa XYZ Silver

Putu Widiadnyana [1], M. Azmán Maricar [2] , Yo Nyoman Arnawan [3] , y Sri Ariyani[4]
[1][2][3] Departamento de Ingeniería Eléctrica e Informática, Programa de Posgrado, Universidad de Udayana
[4] Departamento de Ingeniería Eléctrica e Informática, Universidad de Udayana
Correo electrónico: widiadnyana11@gmail.com

Resumen— La utilización de la tecnología de la información es una necesidad en
la búsqueda de oportunidades disponibles para la toma de decisiones por parte de la
gerencia. Con la capacidad de la tecnología de la información para analizar los datos
utilizados existentes en información útil para una empresa. OLAP es capaz de superar
problemas en los mecanismos de procesamiento de datos orientados a conocer
información diversa desde diferentes ángulos. Al utilizar el análisis transaccional,
conocemos la reacción de los clientes al elegir los productos que comercializaremos.
El resultado de las ventas basadas en la web ha disminuido para las regiones de
Gianyar y Denpasar, pero ha aumentado para las áreas de Ubud y en línea para brindar
un beneficio en términos de costos de producción.
Con la capacitación para un aumento de las ventas, las ventas pueden ser uniformes
en todas las ubicaciones y se necesitan aportes de los clientes relacionados para
minimizar las devoluciones.
Palabras clave: OLAP; Ventas; Análisis Transaccional
B. Análisis Transaccional
I. INTRODUCCIÓN
La tecnología de la información ha sido una necesidad en vista de las
oportunidades que existen para la toma de decisiones por parte de la gerencia.
Con la capacidad de utilizar la tecnología de la información es capaz de analizar
los datos en información útil para una empresa.
Diversa información son datos que pueden procesarse utilizando software
existente pero que utilizan tecnología de la información que necesitan experiencia
en el uso de una variedad de software existente que permite a los usuarios
acceder a la información. OLAP es capaz de superar los problemas en los
mecanismos de procesamiento de datos y se guía para conocer información
diversa desde varios puntos de vista.
II. REVISIÓN DE LITERATURA
A. Almacén de datos
El almacén de datos son datos muy grandes que tienen un tema orientado
a la naturaleza, integrados, variables en el tiempo, y se fijan en los datos
almacenados para respaldar la gestión del proceso de toma de decisiones, lo
que puede mejorar la precisión y la calidad de la información que es fácilmente
comprensible. y se puede acceder fácilmente a través de pemkaai que contiene
la información deseada [1]. Las cuatro características que posee el almacén de
datos son las siguientes.
1. Orientado en el tema
Almacén de datos que está diseñado para analizar los datos, en función
de ciertos temas que contienen información en una organización que es
importante para el procesamiento. Soporte de decisiones, por ejemplo,
datos de ventas, clientes, etc.
2. Integración
El almacén de datos se deriva de datos que son diferentes y separados,
pero que pueden almacenarse en el mismo formato e integrarse entre sí.
3. Rango de tiempo
El almacén de datos es la información precisa y válida en un momento
dado que es útil para estimar o comparar información.
4. No volátil
El almacén de datos no siempre se actualiza en tiempo real [1,2].
El análisis transaccional es una de las nuevas formas de determinar el tipo
de posibles compradores, así como de determinar la estrategia de ventas. El
concepto es muy simple y dpat sderhana para ser entendido y utilizado como
modelo para mejorar la comunicación. Todo el mundo tiene condiciones propias
que determinan la actitud mental de la persona en la comunicación del mensaje
y el comportamiento. la condición en sí es una condición que afecta el
comportamiento tanto de los posibles compradores como de los vendedores
berrati es un sistema que fomenta un sentimiento de ciertos patrones de
pensamiento consistentemente [6].
C. Procesamiento analítico en línea (OLAP)
OLAP es un método utilizado para analizar los datos para realizar un
informe que resume la relación entre datos e información que puede ser utilizada
por el usuario de forma rápida, coherente e interactiva [2,4]. Hay varias ventajas
de usar OLAP, a saber:
1. Los usuarios no necesitan saber lenguaje SQL
2. Los usuarios no necesitan conocer la base de datos relacional
modelo
3. Capaz de mejorar el rendimiento de las consultas y mejorar la
escalabilidad del sistema

(p-issn: 2579-5988, e-issn: 2579-597X)

72
Machine Translated by Google

Revista internacional de ingeniería y tecnología emergente, vol. 2, núm. 1, enero—junio de 2017

4. Mejorar los sistemas existentes en el cálculo de la información.

5.Sistema de gestión más sencillo 6.Racionalizar

el coste del mantenimiento de datos 7. Reducir y liberar la

carga del almacén de datos 8. Control más centralizado de los

datos analíticos [5].

tercero METODOLOGÍA

A. Análisis de datos

Se han obtenido varios datos analizados más a fondo para obtener los atributos
apropiados en la fabricación de un almacén de datos. Los resultados de este análisis
se utilizarán para determinar las dimensiones, los hechos y un esquema adecuado Fig. 2. Modelo de datos para almacén de datos
para el modelo de almacén de datos.

B. Fase de Extracción
DATOS
BASE

Datos que se utilizarán en el diseño del almacén de datos Análisis de ventas

basado en:

C. Diseño del almacén de datos DATOS 1 mes

BASE
2. venta y
Datos que se utilizarán como almacenamiento de datos que se han transformado. Introducir datos Datos
ubicación
Ordenar
Luego, los datos ingresados en el almacén de datos para ser utilizados. Selecciona el

datos para guardar

seleccionado
dentro

Datos de almacén
almacén
3. producción
datos mi

perusa 4. bienes
D. Etapa de Diseño OLAP 5. ventas

DATOS
6. pago
OLAP permite al usuario poder ver los datos con diferentes dimensiones debido BASE 7. devoluciones
a que los datos utilizados difieren entre sí.
8. descuento

DATOS
BASE

Fig. 3. Almacén de datos de diseño de arquitectura

IV. ANÁLISIS DE RESULTADOS

Estos son los resultados de algunos análisis del almacén de datos que
se obtiene de la siguiente manera.

Tabla 1 Análisis de Ventas (Mes y Ubicación)

UBICACIÓN ENERO FEBRERO MARCHA

GIÁNYAR 110.325.164 rupias 51.729.525 rupias 81.733.556 rupias

UBUD 15.000.000 rupias 25.088.000 rupias 26.831.000 rupias

DENPASAR 84.429.000 rupias 78.419.209 rupias 26.831.000 rupias

EN LÍNEA 2.496.000 rupias 7.672.025 rupias 16.433.000 rupias

TOTAL 212.250.164 rupias 162.908.759 rupias 151.828.556 rupias

Fig. 1. Modelo de datos para análisis de rendimiento de ventas

(p-issn: 2579-5988, e-issn: 2579-597X)

73
Machine Translated by Google

Revista internacional de ingeniería y tecnología emergente, vol. 2, núm. 1, enero—junio de 2017

Tabla 3 Análisis de Ingresos por Ventas (Ventas)

NOMBRE ENERO FEBRERO MARCHA

VENTAS A Rp 23.166.000 Rp 25.906.000 Rp 12.837.000

VENTAS B
5.512.009 rupias 9.512.009 rupias 19.881.000 rupias
VENTAS C
58.831.000 rupias 37.333.200 rupias 10.320.000 rupias

VENTAS D Rp 33,200,000 Rp 25,088,000 Rp 21,026,000

VENTAS F 23.000.000 rupias 43.189.525 rupias 45.274.556 rupias
VENTAS G 20.816.000 rupias 14.208.000 rupias 10.636.000 rupias

VENTAS H Rp Rp
- -
3.800.000 rupias

VENTAS I Rp Rp
- -
5.816.000 rupias

Fig. 4. Análisis de Ventas (Mes y Ubicación)

Tabla 2 Análisis de Ventas (Producción)

TOTAL
BERAT SÉTOR
BULAN JUMLAH
BERSIH HARGA TOTAL
BARANG
POKOK

DICIEMBRE 610 1,968 137.414.643 rupias

ENERO 604 1,735 128ÿ470ÿ000 rupias

FEBRERO 437 923 105.155.000 rupias

MARET 825 136.081.000 rupias

2,510 Fig. 6. Análisis de Ingresos por Ventas (Ventas)

Tabla 4 Análisis de Ventas (Pagos))

CRÉDITO
DINERO TARJETA DE DÉBITO
BULAN TARJETA

Rp
ENERO 39ÿ155ÿ000 rupias 43.837.009 44.130.000 rupias

FEBRERO 37.042.200 rupias 47ÿ262ÿ009 rupias 32.126.000 rupias

MARET 34.421.000 rupias 44.184.000 rupias 15.496.000 rupias

Fig. 5. Análisis de Ventas (Producción)

(p-issn: 2579-5988, e-issn: 2579-597X)

74
Machine Translated by Google

Revista internacional de ingeniería y tecnología emergente, vol. 2, núm. 1, enero—junio de 2017

Fig. 7. Análisis de Ventas (Pagos) REFERENCIAS

Tabla 5 Análisis de Ventas (Retorno) [1] Ditya Octavianto dan Tutut Wurijanto. Almacén de datos de Pengolahan Terhadap
Sumber Data Akademik Dan Kemahasiswaan Stikom Sebagai Sistem
ENERO FEBRERO MARET Pendukung Keputusan Surabaya. Prosiding Seminar Nasional Sistem &
Teknologi Informasi (SNASTI), 22 de agosto de 2007.
2.258.000 rupias 1.072.000 rupias 1.787.600 rupias
[2] Budi Santosa, Dessyanto Boedi y Markus Priharjanto. Analisa Data Transaksional
Pada E-Commerce Denganteknologi Olap (Proceso analítico en línea).
Seminario Nacional de Informática 2011 (semnasIF 2011)
UPN ”Veteran” Yogyakarta, 2 de julio de 2011; ISSN: 1979-2328.
[3] Randy Oktrima Putra. Rancang Bangun Data Warehouse Untuk Analisis Kinerja
Penjualan Pada Industri Dengan Model Spa-Dw (Análisis de desempeño de
ventas – Data Warehouse) (studi kasus : PT. Semen Padang). Tesis,
Universitas Diponegoro; 2012.
[4] Maimunah, Siti Farhatus y Randy Andrian. Rancang Bangun Aplikasi Almacén
de datos Untuk Business Intelligence. CSRID Journal, Vol.4 No.1 Febrero
2012, Hal. 27 - 36.
[5] Slamet Kacung dab Lambang Probo. Rancangan dan Pembuatan Data
Warehouse untuk Kebutuhan Sistem Pendukung Keputusan (Studi Kasus:
Departemen Marketing dan Komunikasi Universitas Dr Soetomo Surabaya.
Jurnal.
[6] R. Dwi Anggiadi H. Pengaruh Atribut Produk Jaket Star Seeker Terhadap
Keputusan Pembelian Konsumen di Bandung. Skripsi.
[7] Armadyah Amborowati. 2008. Almacén de datos Perancangan Dan Pembuatan
Pada Perpustakaan Stmik Amikom Yogyakarta. Seminario Nasional Aplikasi
Sains dan Teknologi 2008 – IST AKPRIND Yogyakarta
Fig. 8. Análisis de Ventas (Sale)
[8] Fatah Yasin Al Irsyadi. 2014. Implementación de Data Warehouse Dan Data
Tabla 6 Análisis de Ventas (Descuentos) Mining Untuk Penentuan Rencana Strategis Penjualan Batik (Studi Kasus
Batik Mahkota Laweyan). KomuniTi, vol. VI, No. 1 Mercado 2014
ENERO FEBRERO MARET
[9] Tanty Oktavia. 2011. Almacén de datos modelo de Perancangan Dalam
Mendukung Perusahaan Jasa Pengiriman. Seminar Nasional Informatika 2011
(semnasIF 2011) UPN ”Veteran” Yogyakarta, 2 de julio de 2011
147ÿ219ÿ529 rupias 124.017.451 rupias 133.838.167 rupias
[10] Lita Alfriany Ndoloe. 2012. Sistem Informasi Lulusan Dengan Metode
Procesamiento analítico en línea (OLAP) Pada Politeknik Negeri Kupang.
Jurnal Sistem Informasi Bisnis
[11] Novi Sofía Fitriasari. 2008. Perancangan Sistem Informasi Business Intelegence
Lulusan Dengan Menerapkan Metode Olap. Seminario Nasional Aplikasi
Teknologi Informasi 2008 (SNATI 2008) Yogyakarta, 21 de junio de 2008

[12] Dimara Kusuma Hakim. 2011. Implementación de procesamiento analítico en

Fig. 9. Análisis de Ventas (Venta)
CONCLUSIÓN V
Se puede concluir que los resultados de ventas disminuyeron por
ubicación para el área de gianyar y denpasar pero aumentaron para el
área de ubud y en línea para que puedan beneficiarse por costo de
producción. Con la capacitación para ventas, para aumentar las ventas se
distribuyen uniformemente en toda la ubicación y la necesidad de
comentarios de los clientes relacionados para minimizar las devoluciones.
línea (OLAP) Pada Studi Kasus Sistem Informasi Management Perijinan
Menggunakan Alat Bantu Microsoft Business Intelligence Development Studio.
Techno, Volumen 12 No. 1, abril de 2011, ISSN 1410
– 8607
[13] Zainal Arifin. 2013.Rancang Bangun Sistem Business Intelligence Universitas
Sebagai Pendukung Pengambilan Keputusan Akademik.
Jurnal Sistem Informasi Bisnis 01(2013)
[14] Fadhil Husni Putra. 2016. Almacén de datos Aplikasi Dan Procesamiento
analítico en línea (OLAP) (Studi Kasus: Permintaan Dan Pemakaian Obat Di
Puskesmas Poasia Kota Kendari). SemanTIK, Vol.2, No.2, Jul Des 2016, pp.
1-12 ISSN : 2502-8928
[15] Adi Supriyatna. 2016. Sistem Analisis Data Mahasiswa Menggunakan Aplikasi
Online Analytical Processing (OLAP) Data Warehouse. Jurnal Pilar Nusa
Mandiri Vol.XII, No. 1 Maret 2016

(p-issn: 2579-5988, e-issn: 2579-597X)

75