Analisis Herrmienta Enfoque Inteligent Business - Caso Banca

ANALISIS DE HERRAMIENTAS DEL ENFOQUE DE INTELIGENCIA DE
NEGOCIOS: CASO DE ESTUDIO DATOS DE LA BANCA CORPORATIVA Y DE

INVERSION
LEIDY VANESSA RODRIGUEZ MERCHAN

ELIECER MAURICIO MARTINEZ GUZMAN
UNIVERSIDAD PILOTO DE COLOMBIA

FACULTAD DE INGENIERIA DE SISTEMAS
BOGOTA
2018
ANALISIS DE HERRAMIENTAS DEL ENFOQUE DE INTELIGENCIA DE
NEGOCIOS: CASO DE ESTUDIO DATOS DE LA BANCA CORPORATIVA Y DE
INVERSION
LEIDY VANESSA RODRIGUEZ MERCHAN

ELIECER MAURICIO MARTINEZ GUZMAN
Proyecto de grado para optar al título de

Ingeniero de sistemas
Director de investigación
LUIS FELIPE HERRERA QUINTERO PhD
UNIVERSIDAD PILOTO DE COLOMBIA

FACULTAD DE INGENIERIA DE SISTEMAS
BOGOTA
2018
Notas de aceptación
___________________________________
___________________________________
___________________________________
___________________________________
___________________________________
___________________________________
___________________________________
Firma del presidente del jurado
___________________________________
Firma del jurado
___________________________________
Firma del jurado
Bogotá, 15,05,2018
Dedicatoria
A Dios por ser quien trazo la línea perfecta para guiarnos hasta el final de nuestra
carrera, él fue quien dispuso en nuestro camino a nuestras familias que con su
gran apoyo, constancia y dedicación depositaron su confianza y creyeron que
sería posible este momento tan importante para cada uno de nosotros.
A nuestras madres quienes con su esfuerzo nos ofrecieron la oportunidad de

comenzar esta carrera y hoy terminarla, cerrando de esta manera un ciclo más de
aprendizaje y abriendo una nueva etapa de accionar frente a cada una de las
metas, sueños e ilusiones que aún quedan pendientes por realizar en el
transcurso de la vida como parte esencial de la realización personal.
Agradecimientos
A Dios, familia, compañeros y Universidad, cada uno por su participación en el

proyecto de investigación, que, al unirse en un solo conjunto, se convirtió en la
base para proyectar los objetivos de nuestro proyecto.
A mi compañero de vida quien fue mi fuerza en todo el proceso, quien además

dedicó gran parte de su tiempo y compartió de manera desinteresada sus
conocimientos para el desarrollo de este proyecto.
A nuestro director de tesis el Ingeniero Luis Felipe Herrera, por su orientación

frente a la manera correcta de abordar y plasmar el propósito de nuestra
investigación.
A nuestra tutora Nelly Stella Beltrán quien con su apoyo en todo el proceso nos
orientó de manera correcta para llevar acabo el resultado correcto de nuestra
investigación
Al economista Juan Sebastián Barrantes quien contribuyo al análisis financiero en

aras de generar valor al área de CIB.
Una vez más a nuestros padres, quienes siempre han creído en nuestras
capacidades y se han esforzado por educarnos como seres con valores,
pensamiento crítico y enfoque social.
TABLA DE CONTENIDO
1. PRESENTACION DEL TRABAJO DE GRADO ............................................... 11

1.1 DEFINICIÓN DEL PROBLEMA ............................................................................................. 11
1.2 JUSTIFICACION ........................................................................................................................ 13
1.3 OBJETIVOS ............................................................................................................................... 14
1.3.1 General ............................................................................................................................. 14
1.3.2 Específicos ........................................................................................................................ 14
2. MARCO REFERENCIAL ................................................................................. 15
2.2 Antecedentes Big Data ............................................................................................................ 16
2.2.1 Data Mining ...................................................................................................................... 20
2.2.2 Big Data Analytics............................................................................................................. 21
2.2.3 Estandarización del Big Data ............................................................................................ 22
2.2.4 Regulación del Big Data ................................................................................................... 23
2.2.5 Importancia y ventajas del Big Data ................................................................................ 24
2.2.6 Big Data y BDA en el sector financiero............................................................................. 25
3. INVESTIGACIÓN SOBRE DIFERENTES TECNICAS, METODOLOGIAS Y
HERRAMIENTAS DE INTELIGENCIA DE NEGOCIO. .......................................... 27
3.1. Inteligencia de negocio .......................................................................................................... 27
3.1.1 BDA Tools y la revolución de Hadoop .............................................................................. 29
3.1.2 Técnicas de inteligencia de negocio................................................................................. 30
3.1.3 Enfoques metodológicos de inteligencia de negocio ...................................................... 31
3.1.4 Herramientas de inteligencia de negocio ........................................................................ 32
3.2. Análisis del estado del arte .................................................................................................... 34
4. DISEÑO METODOLOGICO............................................................................... 37
4.1. Descripción del proceso .................................................................................................... 37
4.2. Población y muestra............................................................................................................... 38
4.3 Técnicas e instrumentos ......................................................................................................... 38
4.4 Desarrollo para recolección de requerimientos ..................................................................... 39
5. RESULTADOS................................................................................................... 41
5.1 Análisis comparativo ............................................................................................................... 41
I. A continuación se presenta el análisis de la herramienta Qlik: ............................................. 43
II. A continuación se presenta el análisis de la herramienta Sisense:...................................... 45
III. A continuación se presenta el análisis de la herramienta Tableau:..................................... 47
IV. A continuación se presenta el análisis de la herramienta Domo: ....................................... 50
V. A continuación se presenta el análisis de la herramienta Dundas: ...................................... 53
VI. A continuación se presenta el análisis de la herramienta Power BI: ................................... 55
5.2 Comparación de herramientas ............................................................................................... 57
5.3 Especificación de requerimientos ........................................................................................... 63
5.4 Proceso de ETL ........................................................................................................................ 65
5.5 Caso de estudio CIB................................................................................................................. 65
6. CONCLUSIONES .............................................................................................. 66
7. RECOMENDACIONES ...................................................................................... 67
BIBLIOGRAFIA ...................................................................................................... 68
ANEXOS ................................................................................................................ 72
2
LISTA DE TABLAS
págs.
Tabla 1 Técnicas de inteligencia de negocios 31

Tabla 2 Formato User Stories 39
Tabla 3 Formato de Comparación de las herramientas de BI 40
Tabla 4 Comparación de herramientas de inteligencia de negocio 59
Tabla 5 User Stories 1 63
3
LISTA DE FIGURAS
Ilustración 1 Big Data Organigrama 15

Ilustración 2 Breve línea del tiempo Big Data 16
Ilustración 3 Participación sectorial en el mercado del Big Data (2016) 25
Ilustración 4 Breve historia de la inteligencia de negocio 28
Ilustración 5 Uso de las herramientas en las compañías 33
Ilustración 6 Herramientas de Inteligencia de negocio según sus características 34
Ilustración 7 Cuadrante mágico de Garner 2018 42
4
LISTA DE ANEXOS
Anexo 1: Preguntas Entrevista

Anexo 2: Prueba 001 Tableau Desktop
Anexo 3: Prueba 002 Power BI
Anexo 4: Prueba 003 Qlik Sense Desktop
5
GLOSARIO
Inteligencia de negocio: ―Es el conjunto de estrategias, metodologías, practicas,

capacidades y tecnologías enfocadas a la creación y administración de
información que nos ayudan a convertir los datos en información de calidad, y
dicha información en conocimiento que nos permita una toma de decisiones más
acertadas y nos ayude así a mejorar nuestra competitividad.‖1
Orígenes de datos: Según el libro de Salvador Ramos2, son las bases de datos
de los sistemas transaccionales (ERP, CRM, RRHH, aplicaciones
departamentales.), archivos (texto, libros de Excel y otros tipos de archivos),
páginas y servicios web, fuentes open data, etc.
Análisis de datos: Proceso que consiste en inspeccionar, limpiar y transformar
datos con el objetivo de resaltar información útil, lo que sugiere conclusiones, y
apoyo en la toma de decisiones.3
OnLine Analytical Process (OLAP): Josep Curto y Jordi Conesa4 definen OLAP
como un método ágil y flexible para organizar datos, con el fin de recuperar y
manipularlos a través de consultas o informes. Existen diferentes tipos de OLAP
tales como Multidimensional OLAP, Relational OLAP, Hybrid OLAP, Desktop
OLAP e In-memory OLAP.
Cuadros de mando (Dashboard): Según las definiciones en el libro de Josep
Curto y Jordi Conesa5, se definen los cuadros de mando como una herramienta
que permite entender rápidamente la situación de negocio y son atractivos
visualmente. Presentan una cantidad reducida de aspectos de negocio, en su
mayoría muestra gráficos e incluye elementos interactivos para potenciar el
análisis en profundidad y la comprensión de la información consultada.
Proceso ETL: De acuerdo con Salvador Ramos6, este proceso es una tecnología
de integración de datos basada en la consolidación de datos que se usa
tradicionalmente para alimentar data Warehouse, data mart, creación de datas y
carga de estas.
Base de datos: Es un conjunto exhaustivo de datos estructurados, fiables y
homogéneos, organizados independientemente de su utilización y de su
implementación en máquina, accesibles en tiempo real, compartibles por usuarios
1
RAMOS, Salvador. Microsoft Business Intelligence. Vea el cubo medio lleno. Albatera: SolidQ Press, 2011. p.9
2
RAMOS, Salvador. BI & Analytics. El arte de convertir datos en conocimiento. Vol. I. Albatera: SolidQ Press, 2016. p.14
3
JUDD, Charles & MCCLELAND. Data Analysis. Harcourt Brace Jovanovich, 1989
4
CORNESA, J., & CURTO, J. Introducción al Business Intelligence. 1 ed. Barcelona: UOC, 2010. p.96
5
CORNESA, J., & CURTO, J. op. cit. p.177
6
RAMOS, Salvador. Microsoft Business Intelligence. Vea el cubo medio lleno. Albatera: SolidQ Press, 2011. p.14-15
6
concurrentes que tienen necesidades de información diferentes y no predecibles
en el tiempo. 7
Datos: ―Son la mínima unidad semántica, y se corresponden con elementos
primarios de información que son irrelevantes como apoyo a la toma de
decisiones, se pueden ver como un conjunto discreto de valores, que no dicen
nada sobre el porqué de las cosas y no son orientativos para la acción‖.8
Información: ―Es un conjunto de datos procesados y que tienen un significado
relevancia, propósito y contexto, son de utilidad para quién debe tomar decisiones,
al disminuir su incertidumbre‖.9 También puede ser vista como un recurso para la
generación de nuevas ideas, formulación y selección de estas para convertirlas en
proyectos.
Conocimiento: ―Es una mezcla de experiencia, valores, información y know-how
que sirve como marco para la incorporación de nuevas experiencias e información,
es útil para la acción. Se origina y aplica en la mente de los conocedores.
(Davenport & Prusak, L., 1999).‖ 10
Gestión del conocimiento: De acuerdo con José11, podría decirse que la gestión
del conocimiento agrupa varias técnicas para gestionar, controlar y transmitir toda
la información acumulada en la compañía a lo largo de su historia.
Minería de datos: proceso de seleccionar, explorar, modificar, modelar y valorar
grandes cantidades de datos con el objetivo de descubrir conocimiento útil a partir
de los datos en bruto de una organización.12
Big data: De acuerdo con la organización internacional de estandarización (ISO),
Big Data es un concepto que se refiere a la inhabilidad que presentan las
arquitecturas de datos tradicionales para procesar eficientemente nuevos sets de
datos. Otros autores13 lo definen como una colección de sets de datos
estructurados o no estructurados, que sobrepasan las capacidades de
procesamiento de los sistemas de bases de datos convencionales.
7
ELMASRI, Ramez A. Navathe; ELMASRI, Shamkant BRamez A.; NAVATHE, Shamkant B. Fundamentos de sistemas de
bases de datos. Addison Wesley, 2010. p.8
8
MUÑOZ, H., OSORIO, M., & ZÚÑIGA, P. Inteligencia de los negocios. Clave del Éxito en la era de la información. En: Clío
América, 2016. vol. 10, no.20. p.2.
9
MUÑOZ, H., OSORIO, M., & ZÚÑIGA, P. op. cit. p.2.
10
MUÑOZ, H., OSORIO, M., & ZÚÑIGA, P. Inteligencia de los negocios. Clave del Éxito en la era de la información. En:
Clío América, 2016. vol. 10, no.20. p.2.
11
RODRIGUEZ, José. Características de los proyectos de inteligencia de negocio. UOC, 2014. p.10-15
12
MATAMORROS, Rafael. Implantación en una empresa de un sistema de BI SaaS. Ingeniero informático Valencia.
Universidad Politécnica de Valencia, 2010. p.32-33
13
SOGODEKAR, Mrunal, et al. "ig data analytics: hadoop and tools. En: Bombay Section Symposium (IBSS), 2016 IEEE.
7
RESUMEN
A medida que crece la información, la exigencia que surge en las organizaciones

para administrarla, se convierte en una necesidad y a la vez en un problema de
cómo obtener la validez adecuada de los datos, razón por la cual el análisis de
datos, su administración y la inteligencia de negocio es la prioridad tecnológica de
hoy.
Esta investigación discute la utilización principal del análisis del Big data
comparando diferentes herramientas disponibles para la validación de Big Data.
Además, este documento discute el caso de estudio de la banca realizado para
superar los grandes desafíos y necesidades de datos.
Una organización puede ser más impulsada por los datos mediante el uso de
tecnologías Big Data y optando por el proceso de Inteligencia de negocio. Por lo
tanto, en esta tesis se responderá la siguiente pregunta de investigación: ¿La
inclusión de técnicas y herramientas asociadas a inteligencia de negocio y Big
data pueden ayudar a optimizar la toma de decisiones estratégicas/operacionales
en el área de la banca corporativa y de inversión?
Palabras claves
Big Data, Datos, Banca, Inteligencia de negocio
8
INTRODUCCION
En los últimos años, el crecimiento exponencial de la información en todo el

planeta ha estado en auge, según estudios estadísticos en las redes sociales14,
cada segundo en promedio se envían alrededor de 6000 Tweets, se suben 845
fotos a Instagram, el tráfico de red se estima en los 56895 GB, los correos
enviados llegan a los 2.692.010, las búsquedas de Google se estiman en 67.023 y
al final del día llegan a 3.5 billones de búsquedas, entre muchas otras estadísticas,
y seguirá creciendo aún más con la progresiva inclusión de dispositivos de internet
de las cosas (IOT) y otras tecnologías que generarán gran cantidad de datos sin
procesar almacenados en la red; se espera que el crecimiento de los datos
(estructurados, no estructurados y semi-estructurados) desde el 2010 hasta el
2020 sea de 50 veces, aumentando al doble cada dos años, llegando así a los
44.4 ZB (1 zettabyte = bytes) de información. Estos datos se vuelven tan
inmanejables debido a su volumen y complejidad que es necesario el uso de
tecnologías o herramientas especializadas que se encarguen de procesar y
analizar dichos datos, tales como Inteligencia de Negocio, Big Data y analítica de
datos.
Según un estudio de Stratistics15, el mercado global de inteligencia de negocio

espera un crecimiento desde $15.64 billones de dólares en el 2016 a $29.48
billones de dólares para el 2022 con una tasa de crecimiento compuesto anual del
11.1%. Los principales factores que mueven este mercado son la adopción de la
nube, el crecimiento de analítica avanzada, adopción de decisiones basadas en
datos y el surgimiento de las tecnologías habilitadas por IOT, además de la
adopción de la inteligencia negocio en las pequeñas y medianas empresas. Por
otro lado, las inversiones altas de capital y el número limitado de trabajadores
calificados son las limitantes del mercado actualmente.
Hoy en día, como se menciona anteriormente, estas tecnologías están ganando

importancia en los escenarios estratégicos de las compañías a nivel mundial,
especialmente en el sector financiero, donde la importancia del análisis y
comprensión de los datos, pronóstico de tendencias futuras y capacidad de
funcionar sin fallas en la toma de decisiones es totalmente critica.16 Por lo cual ―las
14
Internet Live Stats. {En linea}. {mayo, 2018}. Disponible en: www.internetlivestats.com/one-second/
15
Stratisctis Market Research Consulting. Business Intelligence (BI) – Global Market Outlook (2016-2022). {En linea}.
{mayo, 2018}. Disponible en: www.strategymrc.com/report/business-intelligence-bi-market
16
LORENZETTI, Cristina. Business Intelligence Systems in The Financial Industry. Master of Sience in Management,
Economics and Industrial Engineering, Milano. Politecnico Di Milano, 2010.
9
principales economías del mundo han avanzado en el reconocimiento de los datos
como elemento central para la adaptación a la cuarta revolución industrial y para el
apalancamiento del crecimiento económico‖.17 Es por esto por lo que en américa
latina la importancia de estas es creciente; para el 2012 según Mario Carbajo et.
al.18, Brasil concentraba el 50% de la inversión en BI, seguida de México con el
20% y 25% para centro américa, Argentina con niveles de inversión en torno al
8%, y Perú y Colombia tenían crecimientos de dos dígitos, por lo cual podemos
ver que los gobiernos se están interesando paulatinamente en adoptar estas
tecnologías para mejorar el crecimiento de sus países a nivel general. De hecho,
actualmente en Colombia la importancia de los datos como activo para generar
valor social y económico al país es tan importante que es el primer país en
américa latina y el octavo en el mundo en creo una herramienta jurídica (CONPES
3920) que controla la explotación de datos definiendo ―un marco jurídico e
institucional que maximice la obtención de beneficios del aprovechamiento de
datos, permita la cooperación entre los sectores público y privado y refuerce la
protección de los derechos de los ciudadanos en la transformación de los datos
cuantificables y procesables al que llaman datificacion‖.19
En este sentido se identifica que los elementos de inteligencia de negocio son

fundamentales en el crecimiento y competitividad empresarial. De hecho,
empresas como IBM a través de soluciones como WATSON, Google a través de
Cloud Dataproc, entre otras, ofrecen procesamiento analítico para ayudar a
generar información de valor permitiendo generar mejores estrategias para las
empresas o sectores que las usen. Es por esto que en este trabajo se abordan
principalmente el análisis de diferentes herramientas de inteligencia de negocio
que permitan mejorar la generación de estrategias en el sector financiero,
específicamente en el área de la banca corporativa y de inversión.
17
DEPARTAMENTO NACIONAL DE PLANEACION(Colombia). Política Nacional de explotación de datos (Big Data). {En
línea}. {mayo, 2018}. p.3. Disponible en: https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/3920.pdf
18
CARBAJO, Mario; et. al. Proyecto de investigacion de Business Intelligence en America Latina.Universidad de San Martin
de Porres, 2012. p.14.
19
DEPARTAMENTO NACIONAL DE PLANEACION(Colombia).op. cit.
10
1. PRESENTACION DEL TRABAJO DE GRADO
En esta sección se presentará el problema a abordar, la justificación del porqué

abordar dicho problema y los objetivos propuestos para cumplir con la
investigación.
1.1 DEFINICIÓN DEL PROBLEMA
El crecimiento de los datos en el mundo hace que los mismos sean tratables
únicamente por medio de herramientas especializadas debido al volumen de los
mismos o a que no son estructurados, y cargar ese volumen de datos no
estructurados requiere un proceso complejo y tedioso si no se hace uso de las
herramientas. Incluso el transformar los datos estructurados en conocimiento
accionable es un trabajo complejo que se extiende más allá de los centros de
datos, hasta el borde y en la nube en un entorno hibrido sin fisuras.
Los desafíos que se tienen respecto a esto son la gestión del sistema y el
crecimiento de la complejidad de los clusters, el poder de los centros de datos,
refrigeramiento y limitaciones espaciales, el almacenamiento, movimiento de datos
y gestión de la complejidad, entre otras. De acuerdo con estos desafíos las
empresas se enfrentan a un mercado de diferentes herramientas que permiten dar
solución a los mismos, pero son tantas y con diferentes funcionalidades que
escoger alguna para dar solución a los requerimientos o metas de la empresa se
debe realizar un estudio de las mismas para ver cuál de ellas puede dar la mejor
solución a un costo razonable de acuerdo al uso que se le hará a la aplicación,
pero en general las empresas deciden quedarse con sus antiguos sistemas para
analizar la información por simple comodidad.
Tal es el caso en la industria bancaria la cual está experimentando una

transformación mundial masiva como resultado de las nuevas tecnologías y del
cada vez mayor volumen de información que debe ser procesado, transformado y
analizado. La aplicación del Big Data y la analítica se ha convertido en un eje
fundamental centrado en diversos procesos de esta industria, muchos de estos
asociados al comportamiento de la banca, balances generales y estados de
resultados entre otros.
11
Teniendo en cuenta que el aprovechamiento de grandes cantidades de
información que agreguen importancia y optimicen la toma de decisiones se
presenta como una gran oportunidad, se propone el caso de estudio de la banca
corporativa y de inversión donde se evidencian falencias con respecto a las
grandes cantidades de datos generados mensualmente los cuales no se están
tratando de manera inteligente debido al uso de herramientas convencionales ya
obsoletas para su procesamiento y análisis, dejando pasar una excelente
oportunidad de negocio.
La presente investigación busca responder a la pregunta: ¿La inclusión de

técnicas y herramientas asociadas a inteligencia de negocio y Big data pueden
ayudar a optimizar de manera general la toma de decisiones
estratégicas/operacionales en el área de la banca corporativa y de inversión?
12
1.2 JUSTIFICACION
El análisis de datos se ha convertido en un problema fundamental y desafiante en

el área de la banca corporativa y de inversión, puesto que los datos generados
tanto por la banca como por sus clientes son de gran volumen y relevancia para la
toma de decisiones.
Es allí donde surge la necesidad de adoptar un enfoque novedoso para mejorar el

tratamiento de los datos, brindando una solución de Inteligencia de negocio que
pueda dar apoyo a la toma de decisiones empresariales, implementando nuevas
estrategias de negocio enfocadas a la creación de información inteligente a partir
de los datos almacenados.
La presente investigación pretende generar conciencia en los beneficios al

adoptar prácticas enfocadas al aprovechamiento del Big data y uso de
herramientas de inteligencia de negocio, brindado así un ágil proceso de gestión
de los datos generando diferentes soluciones de los reportes realizados por CIB y
con ello suspender las deficiencias presentadas en el área en cuanto a tiempos,
informes, estrategias de negocio y por ultimo resaltar la importancia que tienen los
datos en el negocio, buscando presentar al lector una visión más amplia que
permita identificar oportunidades de aplicabilidad a nivel empresarial.
13
1.3 OBJETIVOS
1.3.1 General
Analizar las herramientas del enfoque de inteligencia de negocios para generar

soluciones a la banca corporativa y de inversión.
1.3.2 Específicos
 Investigar sobre las diferentes técnicas, metodologías, herramientas y

conceptos de la inteligencia de negocio, para el debido tratamiento de datos,
generación de estrategias y valor corporativo.
 Realizar una comparación de las herramientas de inteligencia de negocios
identificando sus bondades y campos de uso.
 Generar el proceso de ETL en una herramienta del enfoque de inteligencia de
negocio para la creación de escenarios asociados al enfoque del proyecto
 Analizar un conjunto de datos suministrados desde la banca corporativa y de
inversión en aras de generar valor agregado para el área.
14
2. MARCO REFERENCIAL
A continuación, se mostrarán los temas a abordar en la investigación de Big Data

reflejada en la ilustración 1:
Ilustración 1 Big Data Organigrama
Línea de tiempo
Data Mining
Analytics
Estandarización
BIg Data
Regulación
BDA Tools Técnicas
Inteligencia de Enfoques
negocio metodológicos
Importancia y
Herramientas
ventajas
BDA en el sector
financiero
15
2.2 Antecedentes Big Data
El Big data ha abarcado diferentes aspectos y evolucionado notablemente con el

tiempo, mostrando así una serie de usos desde su explotación, tratamiento,
análisis y administración. Este gran término ha generado una gran importancia en
el mundo entero brindando así estándares y regulaciones del uso de los datos en
cada país. Por consiguiente, se abordarán algunos de los temas relacionados con
el Big data como lo es data, mining, data analytics, estandarización y regulación.
Ilustración 2 Breve línea del tiempo Big Data
Fuente: interlogica.it
El primer cambio fundamental en el manejo de la información podría decirse que

data del año 1894, cuando un inventor estadounidense revolucionaría la forma
como se procesaba y trataban los datos hasta entonces al crear su famosa
máquina de tabulación, donde proponía el uso de patrones en tarjetas perforadas
los cuales serían reconocidos por la máquina para reducir el tiempo que tomaría el
proceso de censar a la población el cual se estimaba podría tomar entre 8 y 10
16
años en completarse. Gracias a Herman Hollerith el tiempo se redujo a tan solo
tres meses de ejecución.20
Para mediados del siglo XX, en se estimaba que el tamaño de las bibliotecas
universitarias en norte américa se doblaba en tamaño cada 16 años, siguiendo
esta predicción se estimaba que para el año 2040 se manejarían
aproximadamente 200 millones de libros en una sola biblioteca, lo cual requeriría
de aproximadamente seis mil personas para poderse mantener.21
En 1965 Estados Unidos propuso por primera vez la implementación de un Data

Center para guardar datos poblacionales que se volvían cada vez más difíciles de
manejar, como las huellas digitales de las personas y las declaraciones de
impuestos de los ciudadanos, sin embargo, en su momento la idea fue
considerada como una violación a la privacidad de la población.22
En 1976, las compañías empiezan a ver una posibilidad en las máquinas de

software para agilizar sus diferentes procesos de negocio, a través de la
implementación de MRP’s (Material Requirements Planning), sistemas que
buscaban hacer más eficiente el manejo de inventarios y recursos a nivel
organizacional.23
Para finales de los 80, el concepto de ―Inteligencia de negocio‖ empieza a ganar

popularidad, las empresas empiezan a adoptar sistemas enfocados al análisis de
datos buscando generar impacto a partir de ellas en la toma de decisiones y el
rendimiento operacional. Aparece por primera vez también el término Big Data,
usado por Erik Larson para referirse a una gran cantidad de datos que presentaba
dificultad para ser procesada por los sistemas actuales, definición que mantiene su
esencia hasta hoy en día.24
20
HOLLERITH, Herman. The electrical tabulating machine. En: Journal of the Royal Statistical Society, Vol. 57, Issue 4,
1894, pp. 678-689.
21
MOLYNEUX, Robert E. What Did Rider Do? An Inquiry into the Methodology of Fremont Rider's" The Scholar and the
Future of the Research Library". En: Libraries & culture, Vol. 29, No. 3, 1994, pp. 297-325.
22
LLEN, R. and SCOTT, P. Data Center Planned Called Privacy Invasion. En: The Lewiston Daily Sun,1966. p.11.
23
ORLICKI, Joseph A. Material requirements planning: the new way of life in production and inventory management.
McGraw-Hill, 1975.
24
MUKHERJEE, Triparna; NATH, Asoke. Big Data Analytics with Service-Oriented Architecture. Exploring Enterprise
Service Bus in the Service-Oriented Architecture Paradigm, 2017, p. 216-234.
17
En la década de los 90, con la aparición del internet y el rápido crecimiento de la
velocidad de procesamiento y memoria de los sistemas el almacenamiento digital
se presenta como una opción más económica sobre el almacenamiento
tradicional. Michale Lesk25 teoriza que en el mundo existen aproximadamente
doce mil Petabytes de información. Dado lo anterior se popularizan aún más los
sistemas enfocados al análisis de información, se funda QlikTech una compañía
productora de software con enfoque en analítica de datos e inteligencia de
negocio.
Entre el año 2000 y 2010 con el boom de las tecnologías de información y

comunicación se produce un impacto directo en la cantidad de información
existente en el mundo. En el año 2000, se calcula que en el mundo existían 1.5
billones de Gigabytes de información digital26, cifra que para finales de esta
década sería totalmente obsoleta pues Google27 confirma que cada dos días se
generaba la misma cantidad de información, que si se sumara toda la data creada
desde el comienzo de la humanidad hasta el año 2003.
En 2005 se crea Hadoop que de acuerdo con Borthakur 28 es un marco de trabajo

Open Source diseñado específicamente para el almacenamiento y análisis de
grandes sets de datos, su lanzamiento es un éxito completo pues su flexibilidad
permite el manejo de información tanto estructurada como no estructurada,
presentando una gran oportunidad para el manejo de información de las grandes
empresas.
Hoy en día se calcula que en el mundo se generan alrededor de 2.5 quintillones de

bytes cada 24 horas.29 La cantidad de información que se maneja es cada vez
mayor, y el Big Data sigue revolucionando la forma como manejamos y
almacenamos nuestra información, dando origen a distintos focos de investigación
y software que se discutirán a continuación.
El primer cambio fundamental en el manejo de la información podría decirse que

data del año 1894, cuando un inventor estadounidense revolucionaría la forma
como se procesaba y trataban los datos hasta entonces al crear su famosa
25
LESK, Michael. How much information is there in the world?. 1997.
26
LYMAN, Peter, et al. How much information?. 2010.
27
SIEGLER, MG. Eric Schmidt: Every 2 days we create as much information as we did up to 2003. En: TechCrunch, Vol. 4,
2010.
28
BORTHAKUR, Dhruba. The hadoop distributed file system: Architecture and design. 2008.
29
WALKER, Ben. Every day big data statistics–2.5 quintillion bytes of data created daily. En: VCloudNews, Vol.5, 2015.
18
máquina de tabulación, donde proponía el uso de patrones en tarjetas perforadas
los cuales serían reconocidos por la máquina para reducir el tiempo que tomaría el
proceso de censar a la población el cual se estimaba podría tomar entre 8 y 10
años en completarse. Gracias a Herman Hollerith el tiempo se redujo a tan solo
tres meses de ejecución.30
Para mediados del siglo XX, en se estimaba que el tamaño de las bibliotecas
universitarias en norte américa se doblaba en tamaño cada 16 años, siguiendo
esta predicción se estimaba que para el año 2040 se manejarían
aproximadamente 200 millones de libros en una sola biblioteca, lo cual requeriría
de aproximadamente seis mil personas para poderse mantener.31
En 1965 Estados Unidos propuso por primera vez la implementación de un Data

Center para guardar datos poblacionales que se volvían cada vez más difíciles de
manejar, como las huellas digitales de las personas y las declaraciones de
impuestos de los ciudadanos, sin embargo, en su momento la idea fue
considerada como una violación a la privacidad de la población.32
En 1976, las compañías empiezan a ver una posibilidad en las máquinas de

software para agilizar sus diferentes procesos de negocio, a través de la
implementación de MRP’s (Material Requirements Planning), sistemas que
buscaban hacer más eficiente el manejo de inventarios y recursos a nivel
organizacional.33
Para finales de los 80, el concepto de ―Inteligencia de negocio‖ empieza a ganar

popularidad, las empresas empiezan a adoptar sistemas enfocados al análisis de
datos buscando generar impacto a partir de ellas en la toma de decisiones y el
rendimiento operacional. Aparece por primera vez también el término Big Data,
usado por Erik Larson para referirse a una gran cantidad de datos que presentaba
dificultad para ser procesada por los sistemas actuales, definición que mantiene su
esencia hasta hoy en día.34
30
HOLLERITH, Herman. The electrical tabulating machine. En: Journal of the Royal Statistical Society, Vol. 57, Issue 4,
1894, pp. 678-689.
31
MOLYNEUX, Robert E. What Did Rider Do? An Inquiry into the Methodology of Fremont Rider's" The Scholar and the
Future of the Research Library". En: Libraries & culture, Vol. 29, No. 3, 1994, pp. 297-325.
32
LLEN, R. and SCOTT, P. Data Center Planned Called Privacy Invasion. En: The Lewiston Daily Sun,1966. p.11.
33
ORLICKI, Joseph A. Material requirements planning: the new way of life in production and inventory management.
McGraw-Hill, 1975.
34
MUKHERJEE, Triparna; NATH, Asoke. Big Data Analytics with Service-Oriented Architecture. Exploring Enterprise
Service Bus in the Service-Oriented Architecture Paradigm, 2017, p. 216-234.
19
En la década de los 90, con la aparición del internet y el rápido crecimiento de la
velocidad de procesamiento y memoria de los sistemas el almacenamiento digital
se presenta como una opción más económica sobre el almacenamiento
tradicional. Michale Lesk35 teoriza que en el mundo existen aproximadamente
doce mil Petabytes de información. Dado lo anterior se popularizan aún más los
sistemas enfocados al análisis de información, se funda QlikTech una compañía
productora de software con enfoque en analítica de datos e inteligencia de
negocio.
Entre el año 2000 y 2010 con el boom de las tecnologías de información y

comunicación se produce un impacto directo en la cantidad de información
existente en el mundo. En el año 2000, se calcula que en el mundo existían 1.5
billones de Gigabytes de información digital36, cifra que para finales de esta
década sería totalmente obsoleta pues Google37 confirma que cada dos días se
generaba la misma cantidad de información, que si se sumara toda la data creada
desde el comienzo de la humanidad hasta el año 2003.
En 2005 se crea Hadoop que de acuerdo con Borthakur 38 es un marco de trabajo

Open Source diseñado específicamente para el almacenamiento y análisis de
grandes sets de datos, su lanzamiento es un éxito completo pues su flexibilidad
permite el manejo de información tanto estructurada como no estructurada,
presentando una gran oportunidad para el manejo de información de las grandes
empresas.
2.2.1 Data Mining
Hoy en día se calcula que en el mundo se generan alrededor de 2.5 quintillones de

bytes cada 24 horas.39 La cantidad de información que se maneja es cada vez
mayor, y el Big Data sigue revolucionando la forma como manejamos y
almacenamos nuestra información, dando origen a distintos focos de investigación
y software que se discutirán a continuación.
35
LESK, Michael. How much information is there in the world?. 1997.
36
LYMAN, Peter, et al. How much information?. 2010.
37
SIEGLER, MG. Eric Schmidt: Every 2 days we create as much information as we did up to 2003. En: TechCrunch, Vol. 4,
2010.
38
BORTHAKUR, Dhruba. The hadoop distributed file system: Architecture and design. 2008.
39
WALKER, Ben. Every day big data statistics–2.5 quintillion bytes of data created daily. En: VCloudNews, Vol.5, 2015.
20
La minería de datos puede ser definida como ―el descubrimiento de estructuras
interesantes, inesperadas o de valor en grandes sets de datos‖.
Consiste en un proceso secundario a una recolección de datos previa con el
propósito de encontrar estructuras, patrones, o relaciones entre otras, es decir,
trabaja sobre una colección de información que fue recolectada con otro propósito
y busca encontrar relaciones entre los datos aparentemente inútiles para generar
un valor agregado que pueda ser de utilidad para el negocio.
Las herramientas de minería de datos pueden ser clasificadas en dos clases

principalmente40
 Herramientas con enfoque a la construcción de modelos. Buscan generar

modelos descriptivos a partir de la forma actual de los datos por medio de la
implementación de modelos estadísticos como el modelo de regresión o el
modelo de Bayes entre otros.
 Herramientas con enfoque al descubrimiento de patrones. Buscan encontrar

estructuras locales entre las grandes cantidades de datos aparentemente
irrelevantes, por ejemplo, la ocurrencia de grandes cantidades de eventos
adversos o no adversos.
Aunque la minería de datos es un proceso grandemente implementado en

diferentes industrias, apenas se está consolidando como una capacidad clave
para el para el aprovechamiento del Big Data, sin embargo es importante resaltar
que aún existe una gran brecha de hardware para la implementación de una
minería de datos efectiva en el campo, pues se necesitaría de una gran inversión
por parte de los accionistas de una organización para crear un sistema basado en
nodos que pueda dar el soporte necesario que Big Data requiere.41
2.2.2 Big Data Analytics
El análisis de datos de Big Data (BDA), se define como el uso de técnicas

avanzadas de análisis aplicadas a grandes y diversas cantidades de datos ya
40
HAND, David J. Principles of data mining. En: Drug safety No.30, Issue 7, 2007. pp. 621-622.
41
Wu, Xindong, et al. Data mining with big data. En: IEEE transactions on knowledge and data engineering 26.1 (2014): 97-
107.
21
sean estructurados, semi-estructurados o no estructurados, de diferentes fuentes y
tamaños. 42
El objetivo principal del BDA, es mejorar el proceso de toma de decisiones,

haciéndolas más rápidas y más eficientes por medio de datos que antes se
consideraban inútiles o inaccesibles para el negocio, para esto se apoya de
diferentes técnicas como la minería de datos, estadística y machine learning entre
otras, siempre enfocándose en generar una sinergia entre el histórico de datos del
negocio y la data actual para obtener nuevas percepciones que puedan apoyar el
proceso de toma de decisiones.
Hoy en día BDA gracias a su potencial estratégico/operacional es considerada

como una característica clave para el mejoramiento del rendimiento de cualquier
negocio.43 De acuerdo con Liu, BDA es considerado como un diferenciador clave
en el rendimiento de las organizaciones, pues en su estudio se demostró que su
implementación puede disminuir los costos de adquisición de nuevos clientes
aproximadamente en un 47% y aumentar la ganancia general del negocio en un
8%. 44
Junto con el campo relacionado de inteligencia de negocio (BI), la implementación

de BDA presenta una oportunidad de gran impacto a diferentes campos, pues a
través de sus estrategias enfocadas al negocio tiene mucho que aportar, hoy en
día sus aplicaciones varían desde comercio electrónico, inteligencia de marketing,
gobierno de negocio hasta el sector financiero y de salud. 45
2.2.3 Estandarización del Big Data
Gracias al constante y exponencial crecimiento de los datos desde el boom del Big
Data, la organización internacional de normalización (ISO), presentó en 2014 el
estándar ISO/IEC JTC 1, donde se identifican los términos claves del campo y
42
IBM. Big Data Analytics. {En linea}. {marzo, 2018}. Disponible en: https://www.ibm.com/analytics/hadoop/big-data-
analytics
43
WAMBA, Samuel Fosso, et al. Big data analytics and firm performance: Effects of dynamic capabilities. Journal of
Business Research, 2017, vol. 70, p. 356-365.
44
Liu, Y. Big Data and predictive business analytics. En: The Journal of Business Forecasting, No. 33, 2014. pp. 40-42.
45
CHEN, Hsinchun; CHIANG, Roger HL; STOREY, Veda C. Business intelligence and analytics: from big data to big impact.
MIS quarterly, 2012, p. 1165-1188.
22
cuyo objetivo radicó en proponer una base de recomendaciones y definiciones
basándose en las definiciones de las diferentes industrias para evitar
ambigüedades y/o entropía investigativa en el futuro. En la actualidad se sigue
trabajando bajo el estándar JTC1.
2.2.4 Regulación del Big Data
Hasta este año Estados Unidos, Inglaterra, Corea del sur, Japón, Australia,
Francia y China eran los únicos países con políticas públicas nacionales
autónomas e integrales para la explotación de datos. Colombia se sumó a la lista,
convirtiéndose en el primer país en Latinoamérica con una política pública para la
explotación de datos (Big Data), gracias a esto con la aprobación del documento
CONPES 3920, el Estado Colombiano se posicionó como líder en la región al ser
el octavo país en el mundo, con una política pública integral que habilita el
aprovechamiento de los datos para generar desarrollo social y económico. 46
Según el documento hay 4 ejes estructurales que son necesarios para impulsar la
explotación de Big Data en el país:
 Generación de datos digitales (insumo),

 Cultura de datos (demanda),
 Capital humano para la explotación de datos (oferta)
 Marco jurídico, ético e institucional.
En palabras del director del Departamento Nacional de Planeación ―Avanzar en

una cultura del uso de los datos es una muestra del desarrollo y progreso de un
país, tenemos que reconocer los datos como un activo estratégico de la Nación.
Con la aplicación de la política de Big Data, para 2022 el 100 % de las entidades
del Estado tendrán proyectos de Big Data que permitan mejorar la relación del
estado con el ciudadano".47
46
COLOMBIA, DEPARTAMENTO NACIONAL DE PLANEACION. Colombia primer país en Latinoamérica con una política
pública para la explotación de datos Big Data. {En línea}. {abril,2018}. Disponible en:
https://www.dnp.gov.co/Paginas/Colombia-primer-pa%C3%ADs-en-Latinoam%C3%A9rica-con-una-pol%C3%ADtica-
p%C3%BAblica-para-la-explotaci%C3%B3n-de-datos-Big-Data.aspx
47
COLOMBIA, DEPARTAMENTO NACIONAL DE PLANEACION.DNP expone en encuentro mundial resultados de primeros
proyectos Big Data. {En línea}. {abril,2018}. Disponible en: https://www.dnp.gov.co/Paginas/DNP-expone-en-encuentro-
mundial-resultados-de-primeros-proyectos-Big-Data.aspx
23
2.2.5 Importancia y ventajas del Big Data
Cómo se mencionaba en las secciones anteriores, cada día se generan

aproximadamente 2.5 quintillones de datos, estudios recientes confirman que el
90% de la información existente hasta el día de hoy fue creada en los últimos dos
años.48 Por medio de la interacción con todos los datos disponibles de una
organización, el negocio enfrenta grandes oportunidades de generar impacto tanto
en sus inversiones como en sus ganancias. De acuerdo con IBM49 por medio del
aprovechamiento adecuado del Big Data una organización puede:
 Descubrir nuevos patrones y relaciones de datos que generen impacto en el

negocio.
 Obtener un entendimiento mayor de los clientes, servicios y consumo de
productos.
 Apoyar y mejorar la toma de decisiones a través de la recolección de
información más detallada, impactando la variabilidad de los datos.
 Predecir resultados y tendencias de negocio antes de su ocurrencia con mayor
precisión.
 Acelerar la identificación y correlación de problemas operacionales.
 Mejorar el desarrollo de productos y servicios de nuevas generaciones.
Otros estudios como el de Chen y Chiang50, muestran un claro impacto en

diversos sectores como:
 Comercio electrónico e inteligencia de mercadeo: Creación de estrategias de

mercadeo y productos a nivel personal, aumentos en la satisfacción de los
clientes, incremento en ventas en general.
 Gobierno electrónico y políticas. Transformación de los gobiernos, mayor
participación ciudadana, mejoras en la transparencia de los procesos
gubernamentales y equidad en la población.
 Salud: Mejoras en la calidad del sector de la salud, mayor participación de los
pacientes en la toma de decisiones y un mejor servicio a largo plazo.
 Seguridad pública. Aumenta notoriamente en general, menores crímenes y
mayor sentimiento de seguridad por parte de la ciudadanía.
48
IBM. Bringing Big Data to the Enterprise. {En linea}. {abril, 2018}. Disponible en: https://www-
01.ibm.com/software/sg/data/bigdata/.
49
IBM. op. cit. {En linea}. {abril, 2018}. Disponible en: https://www-01.ibm.com/software/sg/data/bigdata/.
50
CHEN, Hsinchun; CHIANG, Roger HL; STOREY, Veda C. Business intelligence and analytics: from big data to big impact.
MIS quarterly, 2012, p. 1165-1188.
24
Aunque se considera que BDA/BI aún se encuentra en tempranas etapas de
desarrollo y algunos problemas de Big Data siguen siendo enfrentados cada día,
la inversión correcta puede traer grandes beneficios al negocio. ―Como su nombre
lo dice, Big Data implica, Grandes cantidades de datos, grandes sistemas,
grandes desafíos y finalmente resultados vistos en grandes ganancias.‖ 51
2.2.6 Big Data y BDA en el sector financiero
De acuerdo con el análisis semi-annual de Big Data Analytics publicado por la IDC
la renta que obtienen los negocios de Big Data y BDA aumentará de 130.1 billones
(2016) y 150.8 billones (2017) a más de 210 billones para 2020, el sector bancario
es el segundo inversionista más grande del mercado de Big Data (Ver imagen)
habiendo invertido casi casi 17 billones en soluciones de Big Data y BDA en el año
solamente en el año 2016. Se calcula que la industria es responsable por un
13.3% de la tasa de crecimiento anual compuesto, confirmando que las soluciones
con enfoque en BDA/BI están más que en el radar de los ejecutivos de las
grandes compañías, pues se han convertido un pilar clave para su funcionamiento
Se espera que la inversión en soluciones relacionadas con BDA/BI mantenga un
crecimiento anual compuesto del 11.9% hasta el 2020. 52
Ilustración 3 Participación sectorial en el mercado del Big Data (2016)
51
RADHIKA, P., et al. Confrontation and opportunities of big data—A survey. En Big Data Analytics and Computational
Intelligence (ICBDAC), 2017 International Conference on. IEEE, 2017. p. 153-157.
52
FRAMINGHAM, Mass. Big Data and Business Analytics Revenues Forecast to Reach $150.8 Billion this year, led by
Banking and manufacturing investments, according to IDC.IDC Analyze the future, 2017.
25
Fuente: Informe Anual Asobancaria (2018)
En 2015 McKinsey & Company53 reportó que en Europa una docena de bancos
que decidieron implementar Machine Learning en el área de análisis estadístico de
datos obtuvieron un aumento en sus ventas del 10% y una baja del 20% en su
inversión. Otro estudio realizado por el diario Central Banking54 en Agosto de 2017
enfocado a analizar como los bancos gobiernan, manejan y procesan el Big Data
encontró que los bancos centrales cada vez destinan una mayor parte de su
presupuesto para el manejo de datos, doblando el presupuesto que usaron en el
2016 en 2017, logrando que el área de Big Data sea una de las más activas en los
nuevos proyectos de la banca, se concluye que su impacto es tan grande que está
llevando a la reforma de departamentos enteros.
A continuación, se describirá el área de caso de estudio la banca corporativa y de

inversión con las sub áreas encargadas de llevar la gestión de los procesos
relacionados con el tratamiento de los grandes clientes.
53
BRUSSELS, Jacques, et al. Artificial Intelligence. The next digital frontier. McKinsey Global Institute, 2017.
54
GLASS, Emma. Big data in central banks. 2017 survey. Central Banking, 2017.
26
3. INVESTIGACIÓN SOBRE DIFERENTES TECNICAS, METODOLOGIAS Y
HERRAMIENTAS DE INTELIGENCIA DE NEGOCIO.
3.1. Inteligencia de negocio
A continuación, se mostrará una breve línea de tiempo de la inteligencia de

negocio y los últimos estudios relacionados con en este campo.
27
Ilustración 4 Breve historia de la inteligencia de negocio
Fuente: B-Eye Network
En el transcurso de los últimos dos años, se demuestra el creciente interés en el

uso de herramientas de negocio por la cantidad de estudios y publicaciones
relacionadas en el tema. A continuación, se mencionan algunos:
El estudio llamado ―A survey on business intelligence tools for university

dashboard development‖55, donde se realizó una comparación de las herramientas
SpagoBI, Tableau, Pentaho, Qlik Sense, Jaspersoft y Jedox, para uso en un
entorno académico. Los autores concluyen que mejor opción para el proyecto
sería el uso de una herramienta de tipo Open Source, sin embargo, aclaran que
esta decisión se ve en gran parte afectada por la disponibilidad de dinero por parte
de la institución.
―Comprehensive Study of Data Analytics Tools (RapidMiner, Weka, R tool, Knime)‖

56
publicado en el 2016, fue un estudio enfocado al análisis de las cuatro
herramientas open source más dominantes en el mercado en el año de
55
M. S. Gounder, V. V. Iyer and A. A. Mazyad. A survey on business intelligence tools for university dashboard
development. 3rd MEC International Conference on Big Data and Smart City (ICBDSC), Muscat. 2016. pp. 1-7.
56
S. Dwivedi, P. Kasliwal and S. Soni. Comprehensive study of data analytics tools (RapidMiner, Weka, R tool, Knime),
Symposium on Colossal Data Analysis and Networking (CDAN), Indore. 2016. pp. 1-8.
28
publicación basándose en el volumen de datos que soportan, el tiempo de
respuesta y facilidad de uso entre otros. Se concluyó que, por facilidad de uso y su
flexibilidad para integrarse con librerías de terceros, la mejor herramienta sería
KNIME, en segundo lugar, estaría Weka, y para expertos en el tema se
recomienda RapidMiner.
―Comparative study of tools for Big Data Analytics: An Analytical Study‖. 57 Se

enfocó en la importancia de usar herramientas para análisis de datos, en este
caso Big Data, a través de la comparación de las diferentes herramientas
disponibles en el mercado. El estudio concluyó que el ser eficiente en la selección
de una herramienta para el manejo de datos de una organización conlleva a un
manejo eficiente de los datos y puede impactar positivamente la toma de
decisiones.
3.1.1 BDA Tools y la revolución de Hadoop
Hadoop es un marco de trabajo de código abierto desarrollado originalmente por

Yahoo en 2005 enfocado al almacenamiento y procesamiento de grandes
cantidades de datos, su importancia radica en su capacidad para consultar y
escribir en diversos sistemas distribuidos eficientemente por medio del principio de
paralelismo entre los nodos de los procesadores de una máquina. Hadoop cumple
el principio de alta disponibilidad, abriendo caminos a los datos desde diferentes
máquinas en caso de presentarse un fallo de hardware. Adicionalmente, no
requiere de un hardware especializado pues sus requerimientos son mínimos.
Gracias a su aparición, construir servidores más grandes dejó de ser una

prioridad. Con la llegada de la era del Big Data el interés por Hadoop crece cada
día. Actualmente los desarrolladores lo están usando para la creación de nuevas
aplicaciones con enfoque al procesamiento de Big Data. 58
En la actualidad las herramientas con enfoque en inteligencia de negocio dominan

el mercado empresarial del análisis de datos ya que, a través de estas, el negocio
obtiene una gran cantidad de ventajas, como son:
57
S. K. Sahu, M. M. Jacintha and A. P. Singh. Comparative study of tools for big data analytics: An analytical study. En:
International Conference on Computing, Communication and Automation (ICCCA), Greater Noida, 2017, pp. 37-41.
58
GAO, Song, et al. Constructing gazetteers from volunteered big geo-data based on Hadoop. Computers, Environment and
Urban Systems, 2017, vol. 61, p. 172-186.
29
 Optimización en la toma de decisiones
 Análisis, control y monitoreo de operaciones en sistemas empresariales (como
ERP)
 Mejora de procesos internos
 Análisis de recursos
 Reducción de costos
 Incremento en ganancias
 Incremento en la eficiencia toma de decisiones en sistemas OLAP
 Generación de reportes y dashboards interactivos con información de valor,
entre otras.
En términos más generales, de acuerdo con Kumar59, la inteligencia de negocio

provee información detallada a partir de históricos de información para apoyar la
toma de decisiones basada en hechos reales, identifica oportunidades de negocio
nuevas, soporta el entendimiento del comportamiento del cliente, ayuda a
establecer objetivos de negocio realistas e incrementa grandemente la eficiencia
del negocio.
Compañías como Amazon, American Express, BDO y Netflix entre otras han
adoptado el modelo de inteligencia de negocio a su favor, utilizando la información
obtenida para mejorar sus estrategias de mercado y rendimiento del negocio.60
3.1.2 Técnicas de inteligencia de negocio
En esta sección trabajaremos con respecto a las técnicas de inteligencia de

negocio que tienen una relación estrecha con el concepto de Big Data y ambas
tecnologías van de la mano en pro de realizar un mejor análisis de la información.
El manejo que se le da a la información tiene bases de técnicas estadísticas o
probabilísticas y la inteligencia de negocio comparte esto, ―la inteligencia de
negocio es un campo influenciado por técnicas estadísticas tradicionales y a su
vez la minería de datos comparte esta característica dado que algunas de sus
técnicas son usadas en inteligencia de negocio, algunas de ellas son la
clasificación, el agrupamiento, patrones secuenciales, predicción, regresión,
59
KUMAR, Vikas. Data analysis using business intelligence tool. Diss. Sciences, 2013.
60
O´NEILL, Eleanor. 10 companies that are using big data. {En linea}. {marzo,2018}. Disponible en:
https://www.icas.com/ca-today-news/10-companies-using-big-data
30
métodos multidimensionales, entre otras.‖61 Para el adecuado manejo de los datos
en inteligencia de negocio se deben aplicar en ciertos casos o de acuerdo a sus
necesidades diferentes técnicas que permitan aprovechar la información
proveniente de estos para generar nueva con la cual poder realizar estrategias de
negocio más concretas o entender mejor el negocio. Estas técnicas pueden
clasificarse en técnicas de inteligencia de negocio, las cuales presentaremos en la
tabla 1.
Tabla 1 Técnicas de inteligencia de negocios
TÉCNICA DESCRIPCIÓN
 Pronóstico de probabilidades y tendencias.
 Predice un valor los atributos de un ítem en los datos
Modelamiento predictivo específico usando modelos estadísticos.
 Predice un valor para un atributo de un dato en
específico.
 La caracterización provee un resumen conciso de los
datos.
Minería de datos descriptiva y  La minería de datos descriptiva está basada sobre los
caracterización datos y el análisis, define modelos para las bases de
datos, y un pronostica las tendencias. Es usada en
segmentación y análisis de grupos.
Asociación, análisis causal y correlación Para identificar las relaciones entre los atributos
Clasificación Determinar la clase de elemento de datos.
OLAP (Online Analytical Processing) Permite analizar diferentes dimensiones de datos
multidimensionales
Transformando los hechos descubiertos en diagramas,
Modelos de visualización histogramas y otras formas de visualización.
Dividiendo datos en pedazos y agrupando ítems con las
Agrupamiento y análisis de valores atípicos mismas características.
 Encontrando el mayor camino de acción para una

situación dada.
Análisis prescriptivo
 Incluye optimización y simulación.
Explora un conjunto de datos sin una dependencia fuerte

Análisis exploratorio de datos (EDA) sobre modelos o suposiciones para identificar patrones.
Fuente: Business Intelligence Techniques: A Perspective from Accounting and Finance
3.1.3 Enfoques metodológicos de inteligencia de negocio
61
JAYANTHI, Ranjan. Business Intelligence: Concepts, components, techniques and benefits. En: Journal of
theoretical and applied information technology, Vol. 9, No.1, 2009. p.68
31
Al hablar de inteligencia de negocio es importante considerar los enfoques metodológicos
principales que mueven el campo, pues a través de su implementación ofrecen distintas
posiciones para resolver un problema de investigación. A continuación, se enuncian
algunos de los enfoques más relevantes con base en la descripción de Jorge Fernández y
Enric Mayol62 en su artículo sobre inteligencia de negocio:
 Enfoque impulsado por los usuarios, la demanda o el prototipo: orientado hacia la

confección de prototipos para la obtención de los requisitos que sean lo
suficientemente precisos, mostrando al usuario un prototipo funcional.
 Enfoque impulsado por los datos: centrado en los datos, en cómo se encuentran
estructurados, quien los usa, la forma en que los usan, cuales datos son los más
usados o consultados con mayor frecuencia, la relación de los datos.
 Enfoque impulsado por la cadena de valor: basado en la cadena de valor de la
inteligencia de negocio, usando parte del enfoque impulsado por datos, pero
seleccionando únicamente aquellos que traerían valor para el negocio.
 Enfoque impulsado por los procesos: basado en el análisis de los procesos de
negocios, la información que pueden generar y de donde obtienen la misma.
 Enfoque impulsado por los eventos: basado en dividir los procesos de negocio en
datos, función y organización, lo cual permite tener un análisis funcional de la
organización.
 Enfoque impulsado por objetivos: se basa en el objetivo de los procesos
estratégicos de la organización en cuando a la interacción entre clientes y usuarios
permitiendo establecer necesidades de información e interrelaciones que permiten
la creación de la estructura del sistema de inteligencia de negocio.
 Enfoque impulsado por modelos: permite tener un puente entre el negocio y el
departamento de TI, intentando proporcionar la base para desarrollar soluciones
rápidas
Los anteriores enfoques son algunos de todos los empleados en proyectos de inteligencia
de negocio. Para el presente proyecto se pretende usar el enfoque impulsado en los datos
y el enfoque impulsado en los objetivos o requerimientos del área a través de los cuales
los cuales se permitirá simular un proyecto de inteligencia de negocio en el área de la
banca corporativa y de inversión luego se hacer un análisis de herramientas que permitan
llegar a este objetivo.
3.1.4 Herramientas de inteligencia de negocio
En la actualidad existen más de 64 herramientas enfocadas en inteligencia de

negocio, cada una con diferentes características, pero con la misma finalidad de
62
FERNANDEZ, Jorge; MAYOL, Enric. Factores críticos de éxito de un proyecto de Business Intelligence. En: Novática, N°
211, 2011, p.17-22.
32
generar nuevas estrategias y puntos de vista del negocio a través del análisis de
los datos. Dado lo anterior, el incremento en el uso de estas ha permitido la
evolución de varias empresas, permitiéndoles expandir sus ganancias o mirar
nuevos sectores.
Ilustración 5 Uso de las herramientas en las compañías
USO DE HERRAMIENTAS EN LAS COMPAÑIAS
Advanced analysis 19% 48%
Financial consolidation 29% 23%
Budgeting and plannig 37% 27%
Dasboard/Scorecards 68% 32%
Basic data analys 70% 30%
Ad hoc query 78% 22%
Estándar/Enterprise reporting 84% 16%
EN USO PLANEADO
Fuente: Bi Survey
En el sector bancario se usan estas herramientas para mejorar la toma de

decisiones estratégicas, la elaboración de una cartera de productos más rentable,
las relaciones con sus clientes, la prospección de clientes, entre otras tantas
vitales para el sector. Esto permite a los bancos que usen estas herramientas
posicionarse en un lugar más alto que su competencia, pero no por usar la
herramienta únicamente, sino también por hacer el correcto análisis de los datos
proporcionados por la misma.
33
Ilustración 6 Herramientas de Inteligencia de negocio según sus características
Fuente: Bi Survey
3.2. Análisis del estado del arte
En esta sección se presenta el análisis del estado del arte, el cual tiene por
objetivo determinar la forma como ha sido tratado el tema de inteligencia de
negocio, como se encuentra el avance de conocimiento del mismo y cuáles son
las tendencias para el desarrollo de la problemática que se llevará a cabo
Aunque podría decirse que las organizaciones llevan utilizado los datos para tomar
decisiones informadas aproximadamente desde comienzos del siglo XX63, la
inteligencia de negocio y el análisis de datos en general han visto un acelerado
63
Tedlow RS. Giants of enterprise: seven business innovators and the empires they built. New York (NY): Harper Collins;
2009.
34
interés tanto a nivel académico como en su implementación a partir de la década
de 1990, lo cual se ha evidenciado principalmente en áreas comerciales como:
presupuesto, finanzas y gestión empresarial64.
Se ha demostrado que la inteligencia de negocio puede contribuir a la toma de

decisiones en cualquier organización, impactando positivamente el nivel de
satisfacción de los clientes, así como la lealtad de los mismos. 65 El sector
bancario es uno de los más interesados y líderes en estas tendencias, recientes
estadísticas muestran que después de la industria de manufactura es la segunda
industria que más dinero invierte al año en soluciones de inteligencia de
negocio/Big data, por lo que es responsable aproximadamente 13% tasa de
crecimiento anual compuesto en el mercado.
El análisis de información y la inteligencia de negocio están encontrando cada vez
más aplicaciones en diferentes áreas de estudio, en los últimos dos años se han
realizado investigaciones para mejorar la calidad del agua, mejorar la agilidad de
los hospitales, aprendizaje organizacional, criptografía cuántica, la industria de
comercio, contaduría y en general para mejorar la calidad del proceso de toma de
decisiones en un nivel empresarial. 66
El gobierno colombiano está llevando a cabo grandes esfuerzos para promover el

buen aprovechamiento de la información, con la aprobación del CONPES 3920 en
abril de 2018, la explotación del Big Data pasó a ser una prioridad para el país. Sin
embargo, la industria financiera en Colombia aún enfrenta grandes desafíos para
alcanzar el nivel de madurez deseado para la implementación exitosa de sistemas
de BI/BDA, la congestión y redundancia de datos, falta de información,
conocimiento y baja calidad de reportes generados son de los principales desafíos
que deben ser superados antes de avanzar. Adicionalmente en un reporte
publicado por ASOBANCARIA a comienzos de 2018, se habla de nuevas barreras
a las que se enfrenta el país para el desarrollo del Big Data, entre estas están el
desarrollo de nuevas capacidades tecnológicas, el recurso humano, identificación
de datos útiles, objetivos y protección de datos y ciberseguridad entre otras.67
64
RICHARDS, Gregory, et al. Business intelligence effectiveness and corporate performance management: An empirical
analysis. Journal of Computer Information Systems, 2017, p. 1-9.
65
Qureshi, N. A., Khan, B. A., & Saif, J. A. (2017). Business Intelligence Systems in the Holistic Infrastructure Development
Supporting Decision-Making in Organizations.
66
Rikhardsson, P., & Yigitbasioglu, O. (2018). Business intelligence & analytics in management accounting research: Status
and future focus. International Journal of Accounting Information Systems, 29, 37-58.
67
GOMEZ, Santiago, et. al. Big data: aprovechando los datos, el nuevo gran activo. {En línea}. {marzo, 2018}. Disponible
en: http://www.asobancaria.com/wp-content/uploads/2018/02/1124-C-05-02-2018-1.pdf
35
El objetivo actual de la analítica de datos consiste en proveer herramientas que
puedan ayudar al desarrollo y mantenimiento del negocio a través de la
implementación de procesos como la inteligencia de negocio68, aunque la
adopción de estos sistemas puede presentar grandes dificultades, el dejar pasar
estas oportunidades de negocio puede repercutir gravemente en el futuro del
negocio, especialmente en un sector tan competitivo como lo es sector financiero.
68
Mathaisel, D. F., & Comm, C. L. The Use of Business Intelligence to Market the Sustainability of" Unique Products‖. 2017.
p. 1.
36
4. DISEÑO METODOLOGICO
Esta sección tiene como objetivo definir el diseño metodológico de la

investigación, en primer lugar, se describe el proceso y la metodología a usar,
luego se define la población y muestra, para finalmente definir las técnicas e
instrumentos que se usarán en el desarrollo de la investigación con base en el
caso de estudio de la banca corporativa.
4.1. Descripción del proceso
La metodología usada en la investigación es una metodología hipotético-

deductiva, la cual parte desde la observación del área de la banca corporativa y de
inversión (CIB), que será el caso de estudio de la investigación, en cuanto al
manejo que se les da a los datos o a la información entrante para generar nuevas
estrategias de negocios con el fin de entablar nuevas relaciones que permitan una
interacción más sólida entre ambas partes. Así pues, observamos que en el área
de CIB en los bancos de la ciudad de Bogotá usan la herramienta Microsoft Excel
como primera opción para el almacenamiento y posterior análisis de los datos
entrantes diariamente. Lo cual llevo a preguntarnos si esa herramienta brindará
todo lo necesario para analizar los datos de esa área, y a formular la siguiente
hipótesis de investigación:
El uso de tecnologías enfocadas en inteligencia de negocio influirá positivamente

en la toma de decisiones del área de CIB.
De ser cierta esta hipótesis el beneficio que traería este tipo de herramientas al
área de CIB seria considerable. Para saber la veracidad de esta, se define el tipo
de investigación según el problema propuesto y los objetivos planteados como un
estudio descriptivo con un enfoque cualitativo para comprender la manera cómo,
al usar una herramienta del enfoque de inteligencia de negocios en el área de CIB,
generar valor para la misma en términos de generación de nuevas estrategias de
negocio. Se podrá así, realizar la contrastación de la hipótesis a través de un
análisis de una serie de datos del área, los cuales muestran históricos financieros
en cuanto a saldos de la banca, totales anuales y comportamientos del área.
37
El procedimiento de análisis en la investigación se divide en tres fases:
 Fase I. Investigación: se realizará la planificación de las actividades
necesarias para dar cumplimiento de la investigación y se realizará una
revisión documental para construir el marco conceptual y teórico; se
buscarán los datos base para hacer las pruebas y se inicia el acercamiento
con las áreas de banca corporativa en los bancos mencionados
anteriormente por medio de entrevistas estructuradas y semi estructuradas.
 Fase II. Descripción y Análisis: se realizará la construcción general de los

requerimientos del área de banca corporativa, por medio de entrevistas las
cuales serán plasmadas en historias de usuarios para su interpretación,
estudio y cumplimiento por medio de criterios de aceptación, y por último
se realizará comparación de herramientas de inteligencia de negocio de
acuerdo con criterios establecidos.
 Fase III. Interpretación: se realizará la selección de las herramientas de

inteligencia de negocio para el debido estudio de la banca corporativa y de
inversión, realizando pruebas que demuestren el cumplimiento de los
criterios de aceptación, brindando dashboards que permitan la realización
de un análisis financiero.
4.2. Población y muestra
Para obtener la información necesaria del área de banca corporativa y de

inversión se tomaron como población los principales bancos que cuentan con esta
área en Bogotá, entre los cuales están el banco BBVA, el banco de Bogotá, el
banco Davivienda y el banco Colpatria, de los cuales se tomaron dos de estos
como muestra para obtener los requerimientos y metas del área en general
(Colpatria y BBVA).
4.3 Técnicas e instrumentos
Para la recolección de datos se usaron los siguientes métodos:

 Entrevista estructurada: contando con doce preguntas dirigidas hacia el
área de la banca corporativa y de inversión permitiendo obtener información
clave para la recolección de los requerimientos y metas del área.
 Entrevista no estructurada: trabajando con preguntas abiertas de acuerdo

con la conversación, en la búsqueda de profundizar algún tema en
38
específico o resaltar el mismo. En este caso definiciones o acciones
financieras tomadas por el área para realizar algo en específico hacia sus
clientes o sus productos y servicios.
4.4 Desarrollo para recolección de requerimientos
Para el proceso de análisis y especificación de requerimientos se ha escogido un

acercamiento ágil basado en un Desarrollo Orientado al Comportamiento, (ver
sección 2.4) conocido en inglés como BDD (Behaviour Driven Development), el
cual se refleja en cómo las historias de usuario (user stories) están escritas y de
las cuales se parte desde un requerimiento de negocio para su diseño.
Las historias de usuario se realizarán bajo el siguiente formato:
Tabla 2 Formato User Stories
User Story No. TITULO

Requerimiento
Criterio de aceptacion
Para los criterios de análisis y comparación de las herramientas se establecerá la

siguiente tabla:
39
Tabla 3 Formato de Comparación de las herramientas de BI
Qlik Sense Sisense Tableau Domo Dundas Power BI
Eficiencia
Presentación de
los datos
Facilidad de uso
OLAP
Visualización
interactiva
Conexión BD
Rendimiento
Multiplataforma
Seguridad
Perfiles de
usuarios
ETL
Modelos
dimensionales
Soporte en línea
Licenciamiento
Manejo de
volumen de
datos
Método de
distribución
Disco Duro
Memoria
Hardware
Conexión Cloud
Lenguaje
multiparadigma
40
5. RESULTADOS
El objetivo de la presente sección es presentar los resultados obtenidos durante la

segunda y tercera fase del proceso investigativo, que hacen referencia a la
descripción y análisis de las herramientas de inteligencia de negocio, y una
interpretación de los datos cargados en las mismas. En primer lugar, se realizará
el análisis y comparación de las herramientas y luego se especificarán los
requerimientos de la banca corporativa y se realizara la interpretación financiera
de los resultados.
5.1 Análisis comparativo
Como se menciona en la sección 3.1.4 y soportada por la ilustración 5, existen

variedad de herramientas con enfoque en inteligencia de negocio con la capacidad
de optimizar diferentes aspectos en una compañía. Es por esto por lo que se
considera pertinente realizar un análisis de las mismas para focalizar cuales de
ellas ofrecerán más beneficios al negocio de acuerdo con sus necesidades. Para
el área de la banca corporativa y de inversión se decidió analizar seis de las
principales herramientas que se usan actualmente con base en la documentación
de estas (Tableau69, Dundas70, Domo71, Sisense72, Power BI73 y Qlik74), encuestas
y análisis expuestos por empresas consultoras y de investigación de las
tecnologías de información tales como Gartner75, BI-Survey76, SoftwareAdvice77 y
Selecthub78 que muestran las ventajas y desventajas de las herramientas, cuáles
son las que están mejor posicionadas al momento, cuáles son sus características
y como manejan las visualizaciónes y conectores a bases de datos o fuentes
externas. El siguiente grafico muestra las aplicaciones tendencias a comienzos del
2018 realizadas por Gartner.
69
TABLEAU. {En línea}. {marzo, 2018}. Disponible en: https://www.tableau.com
70
DUNDAS. {En línea}. {marzo, 2018}. Disponible en: https://www.dundas.com/Support/learning/documentation
71
DOMO. {En línea}. {marzo, 2018}. Disponible en: https://developer.domo.com
72
SISENSE. {En línea}. {marzo, 2018}. Disponible en: https://documentation.sisense.com
73
POWER BI. {En línea}. {marzo, 2018}. Disponible en: https://docs.microsoft.com/en-us/power-bi
74
QLIK. {En línea}. {marzo, 2018}. Disponible en: https://www.qlik.com
75
GARTNER. The 2018 Analytics and BI Magic Quadrant highlights. {En linea}. {mayo, 2018}. Disponible en:
https://www.gartner.com/webinar/3856063/player?commId=305487&channelId=5502&srcId=1-
4730952011&webinarType=ondemand
76
BI-SURVEY. Comparison of the Best Business Intelligence Software products in 2018. {En línea}. {mayo, 2018}.
Disponible en: https://bi-survey.com/business-intelligence-software-comparison
77
SOFTWARE ADVICE. Business Intelligence Tools. {En línea}. {mayo, 2018}. Disponible en:
https://www.softwareadvice.com/bi/
78
SELECT HUB. Compare BI Software. {En línea}. {mayo, 2018}. Disponible en: https://selecthub.com/categories/business-
intelligence-bi
41
Ilustración 7 Cuadrante mágico de Garner 2018
Fuente: The 2018 Analytics and BI Magic Quadrant highlights.
Para ello se realizó una comparación básica de las herramientas teniendo en

cuenta los siguientes factores:
 Propietario o Desarrollador
 Descripción de la herramienta
 Licenciamiento
 Funciones principales
 Productos de la compañía
 Seguridad
 Ventajas
 Inconvenientes
 Clientes actuales
42
Esto brindará al lector una visión más general de las herramientas a tratar, con el
enfoque de identificar las herramientas que mejor se acoplen a los requerimientos
del área de la banca corporativa y de inversión. A continuación, se presentan los
resultados de dicha comparación:
Ilustración 8. Herramientas de inteligencia de negocio seleccionadas para comparación.
I. A continuación se presenta el análisis de la herramienta Qlik:
Propietario o desarrollador: QlikTech International AB.
Descripción de la herramienta: Es una aplicación independiente de visualización

y descubrimiento de datos diseñada para individuos, grupos y organizaciones,
permite formular y dar respuesta a preguntas sobre la marcha, la ruta hacia el
conocimiento, y brinda la capacitación individual o colectiva para tomar decisiones
en colaboración.79 Qlik Sense admite la interfaz OLE DB (Object Linking and
Embedding, Database) para conexión con fuentes de datos externas. Se puede
acceder a un gran número de fuentes de datos externas mediante OLE DB. Sus
herramientas de visualización y generación de Dashboard y scorecards permiten
la gestión de los datos de un negocio en tiempo real.
Licenciamiento: Posee dos versiones, Desktop y Enterprise. La versión desktop

es gratuita con acceso ilimitado, mientras que la versión Enterprise es de pago con
previa consulta a la empresa solicitándole sus datos y los de la empresa en donde
trabaja si aplica.
79
QLIK. {En línea}. {marzo, 2018}. Disponible en: https://www.qlik.com/es-es/products/qlik-sense
43
Funciones principales: permite descubrir puntos de vista con respecto a sus
datos que otras herramientas tal vez no logren ver. No está restringido a una
exploración lineal dentro de vistas parciales de los datos, y se tiene total
flexibilidad con una plataforma de datos analítica en la nube que soporta el
espectro total de los casos de uso de la inteligencia de negocio. Además, permite
un análisis interactivo que facilitará la búsqueda de información en sus datos
respondiendo rápidamente a las preguntas que le realicen a través de sus
visualizaciones innovadoras de fácil uso.
Productos de la compañía: Qlik Sense Cloud, Qlik analytics, QlikView, Qlik

NPrint, Qlik GeoAnalytics y Qlik DataMarket.
Seguridad: a través de recursos internos y externos gestiona el acceso, la
autenticación, autorización y el gobierno de los datos en cuatro niveles: Seguridad
en la red, seguridad en el servidor, procesos de seguridad y seguridad en las
aplicaciones. El primer nivel usa protocolos web usando capas de transporte de
seguridad(TLS) para encriptar la información intercambiada entre servicios,
servidores y clientes, el segundo nivel permite que la seguridad del sistema
operativo controle el acceso a los certificados, almacenamiento, memoria y
recursos de CPU, el tercer nivel permite mitigar los riesgos de seguridad y manejar
eventos sin anticipación a través de pruebas en el desarrollo, y la cuarta es
basada en un control de accesos basado en atributos que proporciona un marco
integral para gobernar las capacidades del usuario.
Ventajas:
 La facilidad de generación de informes por los usuarios finales, desde que se
tienen los procesos de ETL, la simpleza de implementar requiere poco tiempo
de mantenimiento.
 La automatización y distribución de la información permite mostrar los
indicadores claves de negocio lo cual garantiza la disponibilidad de la
información.
 Ahorrar tiempo
 Unicidad y consistencia de los datos mediante una única forma de calcular los
KPI de la compañía.
Inconvenientes:
 Solo se puede instalar en Windows o Windows server, si se desea usar otro
sistema operativo toca usar paquetes para ello.
 No publican su precio en línea, a menos que se les contacte
44
Clientes actuales: más de 45000 organizaciones en más de 100 países en el
mundo, entre ellas se encuentran, Adtran Inc, Centerstone Research Institude,
Cisco, Banque Neuflize OBC, Federazione Lombarda di Banche di Credito
Cooperativo, Finanmadrid, Global Retail Bank, HSBC Group Turkey, OdeaBank,
Swedbank, entre otras.
II. A continuación se presenta el análisis de la herramienta Sisense:
Propietario o desarrollador: Sisense Inc,
Descripción de la herramienta: Sisense es una herramienta de inteligencia de

negocios que simplifica la toma de decisiones en las empresas que tienen
dificultades para dar sentido a los grandes y dispersos volúmenes de datos,
proporcionando una solución que les permite preparar, analizar y visualizar un
conjunto de datos complejo gracias a su facilidad de uso, su agilidad, su
flexibilidad y su capacidad de producir resultados y cuestión de días en vez de
meses. La tecnología de Sisense permite que los usuarios y analistas de datos y
negocios exploren libremente sus datos sin depender de un mosaico de
herramientas o asistencia de un área de tecnología extensa, más que todo en el
caso en el que los escenarios de análisis son complejos.
De acuerdo con la documentación de Sisense 80 se observa que la arquitectura de

ellos se divide en aplicaciones de Front-End y el servidor de inteligencia de
negocios, los cuales permiten el buen funcionamiento en diferentes aplicaciones y
sobre diferentes fuentes de datos.
Licenciamiento: Sisense tiene un modelo de licenciamiento anual con la solución

completa y permite una prueba gratis de 14 días para su producto
Funciones principales: El motor In-Chip ™ de Sisense permite a los usuarios

analizar cantidades masivas de datos a una velocidad sin precedentes, mientras
que su arquitectura Single-Stack ™ elimina la línea de ensamblaje de
80
SISENSE. {En línea}. {marzo, 2018}. Disponible en: https://documentation.sisense.com
45
herramientas que normalmente habría sido necesaria para manejar datos difíciles
(base de datos, ETL, herramientas de visualización)
Productos de la compañía: N/A
Seguridad: La seguridad fuerte es crítica para las empresas de software,

especialmente con aplicaciones que almacenan o acceden a datos altamente
sensibles como inteligencia de negocio. Sisense usa prácticas de seguridad
rigurosas para asegurar que las organizaciones puedan implementarlo de forma
segura y de acuerdo con sus necesidades únicas, además de combinar procesos
rigurosos y regulares de pruebas con tecnologías estándar como métodos de
encriptación, autenticación y control de accesos.
A esta solución en seguridad se le realizan pruebas regularmente de acuerdo con
el estándar industrial OWASP de pruebas incluyendo recolección de información,
pruebas de gestión de configuración y despliegue, pruebas de gestión de
identidad, pruebas de autenticación, pruebas de autorización, criptografía, entre
otras.
Ventajas:
 Ofrece una versión basada en la nube

 Habilidad para trabajar con grandes volúmenes de datos usando un
acercamiento de base de datos columnar versus filas lo cual facilita el uso de
grandes consultas.
 Provee cuadros de mandos fáciles de entender con buenos widgets, variedad
de tipos de gráficos, y vistas informativas sobre KPI y métricas.
 Sisense cubre gran parte de los atributos de análisis y reportes
Inconvenientes:
 Los cubos elásticos no son del todo amigables al usuario debido a que en
algunos casos el usuario debe escribir código SQL.
 Requiere experiencia técnica
 Los cuadros de mando solo interactúan en la web, para los usuarios que
trabajan con acceso a la web en tiempo real es perfecto, pero para otros no.
46
Clientes actuales: Sisense se mueve en los mercados de Australia, Canadá,
Europa, Alemania, Reino Unido y Estados Unidos, algunas de las empresas que
usan el producto son Rolls Royce, Nasdaq, Wix, Juniper Networks, Flight Centre,
VMWare, Molina HealthCare, Hewlett Packard Enterprise, Motorola, Fujitsu,
Airbus, Verizon Wireless, Philips, LeadSpace, entre otros.
III. A continuación se presenta el análisis de la herramienta Tableau:
Propietario o desarrollador: Tableau Software
Descripción de la herramienta: Tableau es una herramienta de inteligencia de

negocio que ha sido muy agresiva en el mercado debido a su facilidad de uso
(productos para arrastrar y soltar campos principalmente), cualquier persona
puede analizar los datos con estos productos sin tener un conocimiento técnico,
como lo dijo un entrevistado por la revista Forbes “Fue fácil para alguien
conectarse a internet, y ellos podían empezar a aprender de inmediato. En un día
o dos, la persona fue competente y podía hacer mucho más en Tableau que lo
que podía llegar a hacer en Excel”81 y esto es gracias a que el programa es
intuitivo, no necesita de conocimientos de programación, solo necesita buenos
puntos de vista para analizar los datos.
La solución permite que las empresas se conecten, visualicen y compartan datos

rápidamente con una experiencia eficiente y sin interrupciones, desde la PC hasta
el iPad. Puede crear y publicar paneles, y luego compartirlos con socios, colegas o
clientes, pero sin la necesidad de habilidades de programación. Si ya está
utilizando un servicio de Tableau (Tableau Online o Tableau Server), no habrá
obstáculos para permitir que los datos fluyan sin problemas de una plataforma a
otra.
Licenciamiento: para su versión web, la edición personal cuesta 35 dólares al

mes, para la edición profesional cuesta 70 dólares por mes, el servidor cuesta 35
dólares al mes, la versión en línea cuesta 42 dólares al mes, pero se factura
anualmente todos. Si se es estudiante le permiten usar la aplicación personal por
un año gratuitamente, solo se debe acreditar que es estudiante.
81
GROENFELDT, Tom. A Tableau Solution to Those Excel Blues. Forbes, 2013.
47
Funciones principales: deja hacer una revisión histórica de los datos permitiendo
la opción de volver a versiones anteriores en los libros de trabajos y permite la
conectividad a varias fuentes de datos.
El uso intuitivo de la herramienta permite a los usuarios realizar análisis de datos

con solo arrastrar botones, también permite el uso de características de
colaboración para los grupos de trabajo, estas se encuentran en un cuadro de
mando público que es de fácil uso y además la gestión de dispositivos móviles que
permite el soporte a toda la organización asegura que las actividades se puedan
completar sin importar en donde se encuentre la persona.
Tableau ofrece a los usuarios un confiable equipo de expertos para dar soporte y
automatiza las actualizaciones de los datos para ayudar a las compañías a tener
información fresca sin malgastar el tiempo, además de la posibilidad de elegir
entre desplegar en la nube o en sus servidores locales haciendo su producto
flexible
Productos de la compañía:
 Tableau Desktop: Esta versión está disponible en dos ediciones, la profesional

que soporta todas las fuentes de datos y se conecta con Tableau server para
realizar analíticas basadas en la web, y la edición personal que soporta
únicamente Excel, Access y fuentes de datos en formato csv, esta no posee
soporte del servidor. Ambas ediciones son con fines comerciales y están
disponibles para propósitos académicos por un año gratuito.
 Tableau Server: Esta versión es una solución de inteligencia de negocio para

móviles y en línea. Generalmente la usan para publicar Dashboard con la
versión de escritorio y compartirlo en las organizaciones. Esta soporta las
mismas fuentes de datos que la versión de escritorio y es compatible con todos
los navegadores en plataformas y dispositivos.
 Tableau Online: Es una versión alojada del servidor que permite además de
compartir información entre colegas, permite una facilidad de encontrar
respuestas en minutos. Provee 100 Gigas de almacenamiento para la licencia
comercial.
48
 Tableau Public: Esta versión está pensada más para usuarios que compartan
constantemente información en la red, permitiéndole mostrar historias de datos
interactivas.
Seguridad: Tableau provee soluciones de seguridad comprensibles que

balancean la variedad sofisticada de requerimientos con implementación y uso
simple. A nivel empresarial manejan características para gestionar la
autenticación, permisos, datos y seguridad en la red, lo cual permite tener un
esquema completo de seguridad.
En cuanto a la autenticación, Tableau soporta tres tipos de autenticación más la

opción de permitir accesos anónimos al sistema que son Microsoft Active
Directory, autenticación local gestionada por el servidor de Tableau y autenticación
confiable que crea relaciones de confianza entre el servidor de Tableau y uno o
más servidores web.
La seguridad de datos es otra opción para tener en cuenta dado la importancia de

esta en toda la organización, y más aún si se envían datos a entidades externas.
Tableau ofrece flexibilidad en ayudar a las organizaciones a cumplir sus
requerimientos de seguridad de tres diferentes maneras: Implementando la
seguridad en la base de datos, implementando la seguridad en Tableau, o creando
un método hibrido donde la información del usuario tenga datos correspondientes
en la base de datos.
Ventajas:
 Visualización interactiva de los datos

 Facilidad de uso
 Permite variedad en fuentes de datos
 Permite usar APIs para extracción sistemática de datos
 Escalable tanto en hardware como en memoria
 Seguridad
 Interfaz gráfica atractiva
 Servicio al cliente
 Bajo precio
Inconvenientes:
49
 Preparación inicial de los datos para ser cargados
 No posee informes financieros
 Necesita de conocimientos técnicos al conectarse a bases de datos
Clientes actuales: Tiene más de 50000 cuentas de clientes, algunas de las

empresas que usan el software son AeroMexico, SpaceX, University of
Birmingham, Allstate Insurance, Priority HealthCare, Audi AG, Symetra Financial,
Banco Nacional de Costa Rica, Bank of America, Barclays, CitiBank, EverBank
Direct, Aeria Games, U.S. Bank, DirectTV Colombia, Skype, Ferrari, entre muchas
otras de diferentes sectores.
IV. A continuación se presenta el análisis de la herramienta Domo:
Propietario o desarrollador: Domo, Inc.
Descripción de la herramienta: Domo es una plataforma de manejo empresarial

con enfoque en inteligencia de negocio cuyas soluciones de negocio funcionan
sobre la nube y son entregadas al cliente como un servicio (Software as a
Service), entre sus funcionalidades más conocidas se destaca su capacidad para
conectarse directamente a más de 500 data sources diferentes desde cualquier
punto de la organización82, la facilidad que posee para la creación de Dashboards
y gráficos a partir de los datos ofreciendo soporte móvil como de escritorio y su
sólida arquitectura en la nube enfocada a ser una expansión de la arquitectura
existente del negocio en lugar de ser un remplazo para la misma.
Licenciamiento: tienen cuatro opciones para los usuarios, una prueba gratis, una
versión estándar, una versión profesional y una versión empresarial, las últimas
tres se pagan anualmente, pero para saber el precio exacto hay que contactarlos
no muestran información en la web.
Funciones principales: Más que un producto Domo funciona como un ―Sistema

Operativo‖ para la organización, se enfoca principalmente en la recolección de
data desde diferentes fuentes y su actualización y mantenimiento en tiempo real.
82
DOMO. {En línea}. {marzo, 2018}. Disponible en: https://www.domo.com/connectors#/
50
―Domo pone a trabajar todos los datos de una empresa para todos los empleados
de esta‖83
Domo parte de la premisa de que una plataforma de manejo empresarial debe ser
flexible al cliente, por lo que sus soluciones están enfocadas al rol específico de
cada área de la organización, Domo se especializa en las necesidades específicas
de cada rol y despliega soluciones netamente en la nube para los mismos.
Entre sus características más destacadas se encuentran:
 Magic ETL: Permite limpiar, combinar y transformar los datos sin conocimiento
previo de SQL, así como programar tareas de transformación de datos a través
de esta herramienta. Gracias a ―Magic‖ Domo ha hecho posible que cualquier
individuo pueda extraer y transformar datos fácilmente sin afectar la calidad de
estos y sin necesitar alguna habilidad técnica.
 DataFlows. Permite el uso de lenguaje común SQL para acceder, transformar,

limpiar e interactuar con el data warehouse del cliente sin necesidad de salir de
Domo.
 Blend. Permite al usuario la combinación de diversas fuentes de datos en una

sola plataforma por medio de una interfaz interactiva que puede ser usada por
un usuario común.
 Card Builder: Es el interpretador de datos de Domo, con sólo añadir un Data

source, Card builder es capaz de interpretar los datos, así como dar
sugerencias sobre su visualización buscando generar impacto y claridad en los
datos. Card Builder se encarga de la visualización y descubrimiento de los
datos y permite realizar
 Buzz: Domo ha integrado a su suite de servicios la plataforma de colaboración

Buzz, a través de la cual tanto equipos como individuos pueden compartir en
tiempo real datos desde cualquier fuente, asignar proyectos y tareas y crear
canales de chat para equipos todo desde una sola conversación.
 Alert Center: El centro de alertas de Domo funciona como una consola donde
se informa el manejo que se está dando a los datos de la organización, en el
centro de alertas el usuario puede consultar que nueva data está siendo
añadida, la modificación de data existente y cuáles datos están siendo vistos
83
DOMO. {En línea}. {marzo, 2018}. Disponible en: https://www.domo.com/product
51
más frecuentemente, a través del centro de alertas el usuario puede acceder a
las diferentes discusiones, gráficos o Dashboard con solo un click.
 Analyzer: Provee la habilidad de filtrar u organizar los datos en card builder o

en páginas enteras de Domo para proveer una vista específica de los datos, ya
sea una región, un periodo de tiempo o cualquier filtro sin necesidad de alterar
la vista de los demás usuarios.
 Workbench 4. Workbench es una herramienta para la adquisición de datos

utilizada por Domo para la recolección de datos desde cualquier data source
soportado de forma segura y flexible, soportando incluso cifrado y descifrado
de la información.
 Domo Apps: Appstore propio donde se ofrecen diversas aplicaciones basadas

en el rol de los usuarios de la organización para la creación de nuevos
Dashboard, gráficos, etc.
Seguridad: Domo ofrece diferentes capas de seguridad para la protección de los

datos, entre sus modelos soportados se encuentran el modelo BYOE (Bring Your
Own Ecnryption) permitiendo al cliente utilizar su propio software de cifrado y
manipular sus propias llaves de cifrado, el modelo SSO (Single Sign On),
procedimiento por el cuál un usuario se autentica y autoriza en un servidor a
través de una sola instancia de autenticación y el 2FA (Two Factor Authentication),
método de autenticación basado en el método MFA (Multi Factor Authentication)84
El equipo de TI tiene control completo de la seguridad interna de los datos, la

accesibilidad y permisividad sobre los mismos, por lo que se cuenta con un
gobierno confiable sobre los datos bajo el control del usuario en todo momento 85,
Domo protege la data del cliente a través de:
 Múltiples capas de seguridad tanto físicas como lógicas.

 Un modelo de acceso a la información basado en permisos y separación de
tareas.
 Evaluación de amenazas para cada característica.
 TLS
84
DOMO. {En línea}. {marzo, 2018}. Disponible en: https://www.domo.com/roles/it
85
DOMO. {En línea}. {marzo, 2018}. Disponible en: https://www.domo.com/trust
52
 Monitoreo extenso de logs provenientes de la red, sistema y eventos de las
aplicaciones.
Ventajas:
 Integra datos de diferentes fuentes en la nube, instalando un programa en la

red del usuario que captura la información y la sube a la nube.
 Puede cargar datos estructurados y no estructurados desde cualquier fuente a
una sola vista.
 Ofrece más de 100 conectores a fuentes de datos
 Soporte al cliente
Inconvenientes:

 Pocas actualizaciones
 Extracción de datos desde la nube un poco difícil
Clientes actuales: Posee más de 1000 clientes entre los cuales se encuentran
DHL, Mastercard, Ebay, Univision, National Geographic, Colony American
Finance, Apria Health Care, entre muchas otras.
V. A continuación se presenta el análisis de la herramienta Dundas:
Propietario o desarrollador: Dundas Data Visualization, Inc.
Descripción de la herramienta: La solución de Dundas ofrece control total sobre

los datos para que puedan ser enviados en la vía más rápida, además de permitir
a los usuarios de negocios tener un total control de los datos, personalizando los
reportes y creando contenido relevante y procesable para el fácil consumo.
Esta herramienta consolida múltiples herramientas de analítica en cuadros de

mando consistentes, y usa aplicaciones para facilitar la personalización y ajuste de
datos para varios sectores de información en la industria reduciendo los costos
corporativos.
53
Licenciamiento: el costo depende del número de usuarios y sobre grandes
despliegues, con pagos anuales o a perpetuidad
Funciones principales: Ofrece un buen conjunto de características para el

descubrimiento de los datos con funciones para la preparación de datos, análisis
visual y análisis avanzados guiados. Utiliza tecnología de Microsoft permitiendo al
usuario soporte en Microsoft SQL Server y ofrece un amplio conjunto de
conectores de datos, así como funciones para el acceso a datos en tiempo real y
en caché. Algunas de las características puntuales son:
 Está basado en navegadores web, por lo cual no es necesario descargar o

instalar ninguna aplicación.
 Facilidad de administración, control total y la seguridad y la gobernación
necesarios para despliegues a gran escala.
 Permite conectarse con cualquier fuente de datos
 Trabaja en cualquier dispositivo que utilice la tecnología HTML5
 La plataforma de ETL es completamente personalizable
 Capacidad de compartir datos entre usuarios
 Interfaz intuitiva
Seguridad: La jerarquía de seguridad es típicamente usada para implementar

filtros dependientes de usuarios y su principal diferencia entre un cubo de datos
basado en una jerarquía de seguridad y un cubo de datos basado en atributos
personalizado es que puede almacenar o almacenar en memoria caché los datos
al usar la jerarquía de seguridad.
Dundas permite crear grupos de seguridad que facilitan el control a los conectores
de datos, tablas virtuales, dimensiones, KPIs, cuadros de mandos y otros
recursos. Esto para permitir o denegar el acceso a un grupo en vez de configurarlo
para cada usuario (ya sea usuario de los cuadros de mandos, usuarios de las
ventanas, usuarios de los grupos de ventanas u otros grupos de seguridad).
Ventajas:
54
 Accesible en múltiples plataformas
 Fácil uso al ejecutar análisis y crear visualizaciones, cuadros de mandos e
informes
 No hay necesidad de conocimientos técnicos
Inconvenientes:
 Falta documentación para desarrolladores

 No posee una comunidad de usuarios
Clientes actuales: Clientes de un gran rango de industrias y líneas de negocio,

algunos de ellos son Siemens, The Boeing Company, Absorb, NHS, HP,
Scotiabank, entre otras.
VI. A continuación se presenta el análisis de la herramienta Power BI:
Propietario o desarrollador: Microsoft
Descripción de la herramienta: Power BI es un conjunto de aplicaciones de

análisis de negocios que permite analizar datos y compartir información. Esta se
actualiza en tiempo real y está disponible en todos sus dispositivos. Asimismo,
puede acceder a sus datos e informes desde cualquier lugar con las aplicaciones
móviles de Power BI Mobile, que se actualizan automáticamente con los cambios
que se realicen en los datos. Además de lo anterior, Power BI es una herramienta
de mashup de datos y creación de informes que incluye numerosas
características.
Licenciamiento: Power BI ofrece tres soluciones para las empresas las cuales
son Power BI Desktop que es de licenciamiento gratuito, Power BI Pro que cuesta
9.99 dólares por usuario al mes y la versión Power BI Premium que tienen un
precio por capacidad por nodo al mes que depende de la cantidad de usuarios que
usaran la herramienta.
Funciones principales:
55
 Combina datos de bases de datos, archivos y servicios web diversos con
herramientas visuales que ayudan a comprender y corregir problemas de
formato y calidad de los datos automáticamente.
 Posee más de veinte objetos visuales integrados y una dinámica comunidad de
visualizaciones personalizadas.
 Publicación de informes con seguridad en la organización.
 Unifica todos los datos de su organización, ya sea en la nube o localmente
 Posee complementos para Excel y otras basadas en la nube con un buen
potencial
 Facilidad de compartir informes y cuadros de mandos.
Productos de la compañía: Power BI, Power BI Desktop, Power BI Pro, Power BI

Premium.
Seguridad: En cuanto a seguridad de los datos, usa dos repositorios principales
para almacenar y administrar datos: los datos que se cargan de los usuarios se
envían normalmente al almacenamiento de Azure BLOB, y todos los metadatos,
así como los artefactos para el sistema mismo, se almacenan en la Base de datos
SQL de Azure
Además, usa seguridad dinámica para restringir el acceso a los datos a través de
seguridad por niveles en los informes, basados en las credenciales de acceso de
los usuarios. Esto lo hacen por medio de tablas de usuarios en el modelo y las
funciones de nombre de usuario cuando se crean los roles de los usuarios.
Ventajas:
 Bajo costo
 Emparejamiento con los productos de Microsoft
 Actualizaciones consistentes
 Fácil integración con Excel
 Comunidad activa, y documentación de ayuda
 Multiplataforma
Inconvenientes:
56
 Con grandes cantidades de datos genera retrasos en algunas ocasiones y la
solución es usar una conexión en vivo.
 Complejo de entender completamente dado que tiene una gama de productos
por optar dentro del mismo, componentes complejos como gateways, servicios
de Power BI, entre otras que hace que el usuario tenga dificultad de entender
cuál es mejor para su negocio.
Clientes actuales: Algunos de sus clientes son McAfee, Commune de Musson,

Webjet Limited, Fesco, Mercedes-Benz, Kuwait Finance House, Nations
TrustBank, Vipps, Kohler, Celestica, Dell, Adobe, entre otras.
5.2 Comparación de herramientas
Se observó que, en su mayoría, las herramientas estudiadas actualmente ya han

sido adoptadas por entidades del sector financiero, resaltando la importancia que
juega el análisis de datos en este frente. La herramienta más implementada por
clientes de dicho sector es Tableau, punto que se tuvo en consideración al
momento de seleccionar las herramientas a probar en el caso de estudio. Otro
factor para tener en cuenta al evaluar las herramientas es la facilidad de uso, dado
que en algunos casos se requiere de conocimientos técnicos/especializados con
los que el área de la banca corporativa no cuenta.
En la selección de criterios de comparación a tener en cuenta para el análisis de

herramientas, se partió de los requerimientos especificados en conjunto con el
área, vistos en la sección 5.3 del documento, con el objetivo de contribuir al
análisis del caso de estudio del proyecto. También se tuvo en cuenta la
investigación de cada herramienta expuesta en la sección 5.1, profundizando en
sus capacidades técnicas, experiencia ofrecida al usuario y rendimiento entre
otras.
Cada herramienta fue evaluada bajo los criterios que se exponen a continuación,
haciendo uso de datos aleatorios, buscando simular escenarios reales de
aplicación:
57
 Eficiencia: Evaluando si la herramienta tiene un buen rendimiento en el
procesamiento de consultas con un gran volumen de datos. Es importante que
el rendimiento sea bueno dado que en el área de CIB la toma de decisiones
debe realizarse en tiempos estimados.
 Presentación de los datos: Evaluando si la presentación de manera visual es

comprensible para el usuario y que brinde así una fácil comprensión de la
información.
 Rendimiento: Evaluando si la herramienta presenta errores, bugs o latencia

durante su ejecución.
 Seguridad: Evaluando si los datos del negocio se encuentran almacenados

localmente o en la nube, accesos a los modelos y capas de seguridad que
tenga la herramienta.
 Facilidad de uso: Evaluar si un usuario sin experiencia puede encontrar e

identificar las características y que tan fácil es usarlas.
 Procesamiento analítico en línea consultas ad hoc (OLAP): Evalúa si la

herramienta permite al usuario tener libertad de definir consultas. OLAP
permite a los usuarios realizar análisis ad hoc considerando múltiples
dimensiones y proveyendo la información necesaria para tener un mejor
proceso de toma de decisiones.
 Visualización interactiva de datos: Evalúa si la herramienta permite la

interacción entre el usuario y los cuadros de mando, informes y gráficos.
 Conexión a bases de datos: Evalúa si cuenta con múltiples conexiones a

diferentes fuentes de datos.
 Multiplataforma: Evalúa si la herramienta puede ser instalada en diferentes

sistemas operativos.
 Perfil de usuarios: Evalúa si la herramienta permite crear jerarquías de

usuarios.
 Extracción, transformación y carga (ETL): Evalúa el proceso de ETL

incorporados en la herramienta.
 Integración de modelos dimensionales: Evalúa si la herramienta permite la

incorporación de modelos dimensionales (Modelo estrella, copo de nieve).
58
 Soporte en línea: Evalúa si la herramienta permite el acceso a recursos en
línea como tutoriales, soporte al usuario, chat y comunidades.
 Licenciamiento: Evalúa si la herramienta cuenta con licencia gratuita o con

planes de licenciamiento.
 Manejo de volumen de datos: Evalúa cómo se comporta la herramienta al

cargar grandes volúmenes de datos.
 Método de distribución: Evalúa como se entrega el software al cliente.
 Disco Duro: Evalúa el espacio mínimo requerido por la herramienta para

poder ser ejecutada en una maquina
 Hardware: Evalúa si la herramienta necesita de una maquina física donde

instalarse en la organización o puede ser netamente cloud.
 Conexión Cloud: Evalúa si la herramienta implementa alguna arquitectura

basada en Cloud donde la información no se encuentre en un servidor
centralizado adentro de la organización.
 Lenguaje multiparadigma: Evalúa si la herramienta integra diversos

lenguajes de programación para la realización de Scripts, extracción de datos,
etc.
La siguiente tabla muestra la comparación de las herramientas con cada uno de
los criterios mencionados anteriormente:
Tabla 4 Comparación de herramientas de inteligencia de negocio
Qlik Sense Sisense Tableau Domo Dundas Power BI
Eficiencia SI SI SI N/A SI SI
Conocimiento
Presentación técnico
SI SI SI SI SI
de los datos (QlikView)
Facilidad de Conocimiento Conocimiento

SI SI SI SI
uso técnico técnico
OLAP SI SI SI SI SI SI
Visualización
SI SI SI SI SI SI
interactiva
Conexión BD SI SI SI SI SI SI
59
Rendimiento Optimo Optimo Optimo Optimo Optimo Optimo
Windows
Multiplataforma Windows Windows
Mac
Full Windows Windows
Seguridad Alta Alta Alta Regular Alta Regular

Perfiles de
SI SI SI SI SI SI
usuarios
ETL SI SI SI SI SI SI
Modelos SI
SI SI SI SI SI
dimensionales
Soporte en
SI SI SI SI SI SI
línea
Gratuita/
Licenciamiento Comercial Comercial Comercial Comercial Comercial
Comercial
Manejo de
volumen de SI SI SI SI SI SI
datos
Método de
Local Local Local SAAS Local Local
distribución
Disco Duro 3 GB 4 GB 15 GB N/A 50 GB 1 GB
Memoria 8 GB 8 GB 8 GB N/A 8 GB 1 GB
Hardware SI SI SI NO SI SI
Puede ser
TABLEAU implementada
Conexión QLIK CLOUD SISENSE NETAMENTE Basada en
ONLINE, Cloud, pero
Cloud SENSE CLOUD CLOUD Cloud
CLOUD no se ofrece
este servicio
DAX, ―M‖,
SDK (C, Dundas
Qlik script, SQL,
Java C++, Script,
Lenguaje SQL, Nativo MDX, R,
Script, Java, R, SQL JavaScript,
multiparadigma Qlik, Python, .NET,
SQL, R Python) .NET, Python,
R Python,
R, SQL PHP, SQL, R
NodeJS
De acuerdo con el análisis comparativo expuesto en la tabla 4 y el proceso

investigativo de cada herramienta, se llegó al siguiente análisis:
 Todas las herramientas analizadas a excepción de Domo utilizan recursos
(Disco, memoria, procesador) de la maquina local del usuario, se observó el
rendimiento de cada una de las herramientas con ayuda del monitor de
recursos de Windows al momento de realizar operaciones en las mismas y se
encontró que los recursos mantuvieron un estado óptimo durante su ejecución.
Domo al ser una herramienta netamente Cloud ejecuta todas las operaciones
en sus servidores y solo requiere de un navegador web para su uso.
60
 Los resultados arrojados en los diferentes dashboard diseñados en las
herramientas fueron fáciles de comprender y no requieren de conocimientos
técnicos por parte del usuario para su entendimiento exceptuando el caso de
uno de los productos de Qlik (QlikView), el cuál presentó complejidad al
momento de realizar operaciones en los gráficos, pues utiliza un lenguaje
nativo del producto. La información desplegada en los dashboards se presenta
como un gran apoyo para la toma de decisiones a nivel operacional o
estratégico.
 Entre las diferentes herramientas y el usuario se obtuvo un grado alto de

satisfacción en cuanto a la facilidad con la que se interactúa con los gráficos,
brindando así libertad de explorar, buscar y pivotar entre los diferentes objetos.
Domo y Tableau sólo permiten manejar un gráfico por cada hoja; A diferencia
de las demás herramientas, donde se permite trabajar diversos gráficos en una
sola hoja.
 El modelo asociativo que manejan algunas de las herramientas (Power BI,

Qlik) mejora la exploración y análisis interactivos de los datos, en donde todos
estos se reúnen y se indexan para encontrar todas las asociaciones posibles
en los datos, en todas las fuentes de datos.
 Existen herramientas de visualización basadas en Queries, las cuales limitan a
los usuarios a tener vistas fragmentadas e incompletas obligando a elegir cómo
unir los datos basados en las limitaciones de SQL. Un ejemplo de este se
visualiza en el siguiente grafico
 Qlik brinda una gran ventaja frente a la visualización de los datos, su motor
asociativo de indexación provee una alta calidad en cuanto al análisis de datos
generando un fuerte impacto en la calidad de la experiencia de visualización.
Otras herramientas como Power Bi, Tableau, y Domo manifiestan una fácil
interacción entre la data, segmentación de datos, y poseen una documentación
previa en cada una de las paginas para fomentar el auto aprendizaje por parte
del usuario.
 Se evidencio que todas las herramientas permiten la creación de una

experiencia personalizada para cada usuario o grupos de usuarios, a través de
permisos que permiten filtrar la información que cada usuario o grupo puede
ver de acuerdo con su rol en la organización.
 La conexión a fuentes de datos es muy amplia en cada una de las

herramientas contando con desde 32 conectores hasta más de 300 en algunos
casos, a diversas fuentes de datos, dichos conectores son sencillos de utilizar
y poseen tiempos de conexión generalmente rápidos.
 En Cada una de las herramientas se manejan servidores que ofrecen una

fuerte capa de seguridad sobre la información almacenada, afianzando la
61
confianza de los usuarios sobre los productos, un ejemplo de esta
característica es la bolsa electrónica de valores NASDAQ la cual utiliza
Sisense como plataforma para el manejo de sus datos, brindando un alto
estándar en cuanto al suministro de información financiera al público. Aunque
Domo utiliza protocolos de seguridad de última generación para enviar la
información a sus servidores, presenta las mismas falencias que cualquier
servicio alojado en la nube, es decir, no se conoce el paradero real de la
información la cual puede estar distribuida en servidores desconocidos en el
mundo.
 Todas las herramientas analizadas cuentan con un Analyzer, el cual se

encarga de ejecutar los modelos para evaluar su rendimiento e informar al
usuario sobre las celdas o variables que están consumiendo recursos de más.
Las herramientas analizadas fomentan el uso de buenas prácticas
especificando el tratamiento ideal para las variables y el buen uso de todos los
sets de análisis.
 Todas las herramientas poseen conectores especializados para la extracción

de información desde sistemas basados en Hadoop, ofreciendo soporte a una
de las tecnologías más usadas para el manejo de Big Data.
 Con excepción de Domo y Power BI, las demás herramientas presentan una
limitante de hardware para su implementación a nivel empresarial, es decir
requieren un servidor dedicado con altas condiciones de memoria y espacio de
almacenamiento para la ejecución del producto.
 Herramientas como Domo y Power BI a pesar de ser excelentes opciones,

presentan una gran desventaja frente a las demás para el caso de estudio del
proyecto (CIB), pues al ser servicios Cloud, no se tiene control sobre la
ubicación de la información sensible del negocio, lo cual es un aspecto
fundamental de confidencialidad en el sector financiero.
 La curva de aprendizaje de Tableau es notoriamente menos drástica que la de

las demás herramientas, posee una interfaz de aprendizaje intuitivo (Drag and
Drop) y no requiere de conocimientos técnicos para su ejecución, por ende
cualquier persona fuera del sector de TI debería estar en capacidad total de
manejarla y sacar provecho de ella por su cuenta.
 Todas las herramientas poseen opciones del producto en Cloud, por lo que no
es necesario de un servidor dedicado para su implementación a nivel
empresarial.
 En general las herramientas poseen requerimientos mínimos bastante

alcanzables en términos de memoria y almacenamiento, sin embargo un factor
62
a tener en cuenta es que dichos recursos deben escalar conforme al tamaño
del negocio.
 Todas las herramientas poseen soporte e integración con diferentes lenguajes

de programación/scripting, permitiendo incorporar funciones de programación
no nativas de las herramientas que pueden ser de alto impacto para la
optimización tanto del proceso ETL como de la visualización de la información.
 Tableau cuenta con innovadores complementos para potenciar los dashboards

generados a través de la herramienta, un claro ejemplo de esta ventaja es el
aclamado ―Viz in a tooltip‖, a través del cual es posible vincular elementos de
un dashboard a pequeñas vistas con estadísticas generadas
independientemente, las cuales son desplegadas ―on hover‖ es decir al acercar
el puntero al elemento asociado.
5.3 Especificación de requerimientos
Con base en las entrevistas no estructuradas que se realizaron en conjunto con el

área de CIB, se especificaron las siguientes historias de usuario:
Tabla 5 User Stories 1
User Story No. 1 Comportamiento de la banca
Como Director de area quisiera visualizar el comportamiento de la

Requerimiento
banca en el tiempo
Dado que el usuario accedio a la herramienta se visualizara un
grafico con dimensiones año y saldo
Dado que el usuario dio clic sobre el grafico podra interactuar de
forma dinamica en los datos
Dado que el usuario dio clic sobre el grafico podra visualizar los
datos de comportamiento
63
User Story No. 2 Balance del area

Como Analista de area el quisiera ver el balance de la banca en el
Requerimiento
tiempo
grafico con dimensiones año y tipo (balance)
Dado que el usuario dio clic sobre el grafico podra interactuar de
User Story No. 3 Estado de resultados

Como Transaccional del area quisiera visualizar el estados de
Requerimiento
resultados por trimestre
grafico con dimensiones trimestre y saldo del estado de las
cuentas
Criterio de aceptacion Dado que el usuario dio clic sobre el grafico podra interactuar de
User Story No. 4 Participación de los productos y/o servicios

Como Analista del area quisiera visualizar el beneficio brindado en
Requerimiento
los ultimos meses en el area
Dado que el usuario accedió a la herramienta se mostrara una
tabla con el porcentaje total de los balances y resultados actuales
en el área
Criterio de aceptacion Dado que el usuario dio clic sobre el grafico podra interactuar de
forma dinamica en la tabla
64
User Story No. 5 Tendencias

Como Economista del area quisiera visualizar las tendencias
Requerimiento
generadas según los tipos de recaudos
Dado que el usuario accedio a la herramienta se mostrara el
comportamiento asociado a los recaudos
Dado que el usuario dio clic sobre el grafico podrá interactuar de
forma dinámica
5.4 Proceso de ETL
Para realizar el proceso de ETL (extracción, transformación y carga), se llevó

acabo la selección de 3 de las herramientas analizadas (Tableau, Qlik Sense,
Power BI), en las cuales se realizaron pruebas haciendo uso de bases de datos
públicas del área (CIB) obtenidas desde internet
Las pruebas realizadas en cada una de las herramientas se ven reflejadas en los
(Anexos 3,4 y 5), describiendo el proceso trabajado en cada una de ellas, un
modelo de Dashboard para la visualización de los datos y una conclusión.
5.5 Caso de estudio CIB
Para el caso de estudio del proyecto, se seleccionaron tres herramientas en las

que se realizó el proceso de ETL haciendo uso de bases de datos públicas del
área (CIB) obtenidas desde internet, con el objetivo de generar valor a la misma a
partir de la creación de diferentes escenarios.
Las herramientas seleccionadas fueron Tableau, Power BI y Qlik Sense, pues se

tuvo en cuenta que además de cumplir satisfactoriamente los requerimientos del
65
área, hoy en día son consideradas tendencia en el mercado de la inteligencia de
negocio y análisis de datos. En los anexos 3, 4 y 5 del documento se evidencia el
proceso realizado en cada una de las herramientas.
A partir de los resultados generados en las diferentes herramientas, se procedió a

realizar un análisis de tipo financiero para lo cual se contó con el apoyo de un
integrante del área de CIB, quien con base en la solución generada apoyo en la
deducción del valor inmediato que el área podía obtener al adoptar una
herramienta con enfoque en inteligencia de negocio. Entre los resultados
obtenidos se destacan:
 Se pudo observar claramente los recaudos que han dejado los clientes y la
tendencia de los mismos, permitiendo generar planes de acción frente a los
posibles cambios.
 Las tendencias observadas brindan un panorama más general del activo y
pasivo del banco, ofreciendo un acercamiento más claro tanto a la necesidad
del mercado como a las estrategias a tomar con base en los diferentes
cambios en los datos.
 Se pueden generar estrategias que abarquen grandes cambios en tasas de
rentabilidad, revisión de exoneraciones, planes de contingencia para conseguir
más recursos, revisión de posibles fugas de clientes, planes de negocio,
acciones concretas sobre el manejo del presupuesto, y asignar a las áreas
encargadas la labor de evaluar las tasas de cumplimiento para con los clientes.
6. CONCLUSIONES
Gracias a la extensiva investigación y estudio que se llevaron a cabo tanto en el

ámbito del Big Data y análisis de datos, como en el área de CIB se lograron
identificar fácilmente las técnicas, metodologías y herramientas de inteligencia de
negocio, que permitieran generar soluciones eficaces con base en los
requerimientos y necesidades expuestas por la banca.
66
Se realizó un análisis comparativo de las herramientas tendencia en el mercado,
con base en encuestas y análisis expuestos por empresas consultoras y de
investigación de las tecnologías de información; identificando sus bondades y
campos de uso, cuyo resultado fue clave en la selección de las herramientas que
fueron sometidas al caso de estudio del proyecto.
Se seleccionaron las tres herramientas con mayor viabilidad para tratar los datos
asociados al área de CIB, con base en el análisis comparativo realizado y los
requerimientos de la banca, en las cuales se realizó el proceso de extracción
transformación y carga de datos con el objetivo de simular escenarios reales de
aplicación que permitieran identificar posibles estrategias/oportunidades de
negocio.
La inclusión de técnicas y herramientas asociadas al Big Data (BI/BDA) se

presenta como una gran oportunidad para agilizar el proceso de toma de
decisiones estratégicas/operacionales en el área de banca corporativa y de
inversión, sin embargo, el sector financiero debe haber alcanzado un nivel de
madurez deseado para que dicha inclusión no resulte contraproducente.
El optar por un acercamiento ágil para el proceso de recolección y especificación

de requerimientos, facilitó en gran medida el desarrollo del proyecto, en términos
de documentación y pruebas.
7. RECOMENDACIONES
El análisis propuesto en la investigación se basó en las herramientas de

inteligencia de negocio que actualmente son tendencia, pero existen varias
opciones que pueden ajustarse a los requerimientos del área, estas podrían ser
una alternativa a las propuestas en el presente trabajo y se abre la posibilidad de
realizar un estudio posterior con ellas.
67
Por otro lado, una recomendación pertinente se da en la prospección de los
clientes nuevos en el área, debido a que se necesita un estudio de las acciones
que tiene dado cliente con su capital, de acuerdo a las entrevistas realizadas al
área, y actualmente este proceso lleva tiempo debido a que la información se
encuentra en diferentes fuentes de datos, por ende el uso de esta tecnología
permitiría correlacionar estos datos con respecto a unos criterios que maneja el
área siendo un beneficio y evidenciando los posibles clientes a los cuales
acercarse, y en el momento de una visita tener la información necesaria para
poder mostrarle al cliente que beneficios podría tener al entablar relaciones con el
banco o el área como tal.
BIBLIOGRAFIA
CORNESA, J.; BRAULIO, N. & CURTO, J. Customer Analytics. Mejorando la

inteligencia del cliente a través de los datos. Barcelona: UOC, 2014. 76 p.
PANIAGUA, E.; MEYER, C. & SANDS, L. Big Data. El Poder de los Datos. Madrid:
Fundación innovación Bankinter, 2015. 82 p.
CORNESA, J. & CURTO, J. Introducción al Business Intelligence. 1 ed. Barcelona:
UOC, 2010. 240 p.
68
SHERMAN, Rick. Business Intelligence GuideBook. From data integration to
analytics. Elsevier, 2015. 513 p.
HOWSON, C. Successful Business Intelligence: Unlock the value of BI & Big Data.
(M. G. Hill, 2 Ed.) United States: Mac Graw Hill, 2015. 309 p.
ROLDÁN, J. L.; GALÁN, J. L. & CEPEDA, G. A. Los sistemas de inteligencia de
negocio como soporte a los procesos de toma de decisiones en las
organizaciones. En: Papeles de economía española, 2012. No.132. p. 239-260
ABELLO, A.; SAMOS, G. & JIMENEZ, J. La factoría de información corporativa.
UOC, 2013. 44 p.
RODRIGUEZ, José. Características de los proyectos de inteligencia de negocio.
UOC, 2014. 50 p.
GIRONES, J. Algoritmos. UOC, 2013. 74 p.
MUÑOZ, H.; OSORIO, M. & ZÚÑIGA, P. Inteligencia de los negocios. Clave del
Éxito en la era de la información. En: Clío América, 2016. Vol. 10, no.20. P.p. 194 -
211.
RAMOS, Salvador. BI & Analytics. El arte de convertir datos en conocimiento. Vol.

I. Albatera: SolidQ Press, 2016. 44 p.
RAMOS, Salvador. Microsoft Business Intelligence. Vea el cubo medio lleno.
Albatera: SolidQ Press, 2011. 128 p.
BRIJS, Bert. Business Analytics for business intelligence. CRC Press, 2012. 316 p.
MATAMORROS, Rafael. Implantación en una empresa de un sistema de BI SaaS.
Ingeniero informático Valencia. Universidad Politécnica de Valencia, 2010. 183 p.
AIMACAÑA, Doris. Análisis, diseño e implementación de una data mart. Ingeniero

informático. Quito Universidad Central del ecuador, 2013. 140 p.
ALTER, Steven. A Taxonomy of decision support systems. En: Sloan Management
Review, 1977. pp.39-56.
CODREANU, Diana. Modelling financial-accounting decisions by means of OLAP
tools. En: Database Systems Journal, 2011. Vol II, No 1. pp.23-32.
LIU, Shaun & HELLER, Jack. A record oriented, grammar driven data translation
model. New York: State university of New York at Stony Brook. 19 p.
69
WOHLFART, Eva. A detailed comparison of information visualization tools using a
reference data set. Viena, 2007,104p. Tesis de maestría. Universidad Técnica de
Viena. Facultad de Informática.
GOUNDER, Mohan; VASUDEVAN, Vani & AL MAZYAD, Abdulaziz. A Survey on
Business Intelligence tools for University Dashboard development. {En línea}.
{marzo 2018}. Disponible en: (https://ieeexplore.ieee.org/document/7460347/).
YADRANJIAGHDAM, Baba; POOL, Nathan & TABRIZI, Nasser. A survey on real-
time big data analytics. Aplications and tools. {En línea}. {marzo 2018}. Disponible
en: (https://ieeexplore.ieee.org/abstract/document/7881376/).
CHAUDHURI, Surajit; DAYAL, Umeshwar & NARASAYYA, Vivek. An overview of
business intelligence technology. En: Communications of the acm. Vol. 54, No 8
(ago. 2011); pp.88-98.
QIHAI, Zhou; TAO, Huang & TAO, Wang. Analysis of business intelligence and its
derivative. Financial intelligence. {En línea}. {marzo 2018}. Disponible en:
(https://ieeexplore.ieee.org/document/4606219/).
ILYES, Mohamed. Application and survey of business intelligence (bi) tools within
the context of military decision making. Monterrey, 2012,103 p. Tesis (Maestría de
ciencias en sistemas tecnológicos). Naval postgraduate school.
ATRIWAL, Labhansh, et al. Business intelligence tools for big data. En: Journal of
basic and applied engineering research. Vol. 3, Issue 6; (Abr-Jun, 2016). pp. 505-
509.
MAREFATI, Maryam & MOHSEN, Seyyed. Business intelligence system in
banking industry. Case study of Saman Bank of Iran. {En linea}. {marzo, 2018}.
Disponible en:
(https://www.researchgate.net/publication/271587869_Business_Intelligence_Syst
em_in_Banking_Industry_Case_Study_of_Samam_Bank_of_Iran?enrichId=rgreq-
8dabea62a081fb2d1f4364846323f483-
XXX&enrichSource=Y292ZXJQYWdlOzI3MTU4Nzg2OTtBUzozNzMxMjMzNDcxNz
MzODJAMTQ2NTk3MDk0NjI3OQ%3D%3D&el=1_x_3&_esc=publicationCoverPdf
).
SANJIB, Sahu; M MARY, Jacintha & AMIT, Singh. Comparative study of tools for
big data analytics. An analytical study. {En línea}. {marzo, 2018}. Disponible en:
RADHIKA, P.; PRANEEL, Kumar; Sailaja, S & GAYATRI, V. Confrontation and
opportunities of big data. A survey. {En línea}. {marzo, 2018}. Disponible en:
70
MICHAEL, Nancy; RAISSI, Mehna & GOVIL, Anju. How to become a data-driven
bank. {En línea}. {febrero 2018}. Disponible en:
(https://www.moodysanalytics.com/-/media/whitepaper/2017/how-to-become-a-
data-driven-bank.pdf).
BRANDAO, Andreia, et al. A benchmarking analysis of open-source business
intelligence tools in healthcare environments. En: MDPI Journal information. Vol. 7.
Issue 4; (Octubre 2016). 16 p.
MANOOCHEHR, Najmi, MEHRAN, Sepehri & SPIDEH, Hashemi. The evaluation
of business intelligence maturity level in Iranian banking industry. {En línea}.
{marzo 2018}. Disponible en: (https://ieeexplore.ieee.org/document/5646571/).
BORA, Tuccaroglu & MUESSER, Nat. The Readiness of Banks for the Application
of Business Intelligence Solutions. {En línea}. {abril 2018}. Disponible en:
Rueter, Marc, FIELDS, Ellie. Tableau for the Enterprise: An overview for IT. {En
línea}. {febrero 2018}. Disponible en:
(https://www.tableau.com/learn/whitepapers/tableau-enterprise).
A, Martin; M, Manjula & VENKATESAN, Prasanna. A business intelligence model
to predict bankruptcy using financial domain ontology with association rule mining
algorithm. En: International Journal of Computer Science. Vol. 8, issue 3, No. 2;
(mayo 2011). pp. 211-218.
DIVYAKANT, Agrawal; SUDIPTO, Das & AMR EL, Abbadi. Big data and cloud
computing: Current state and future opportunities. {En línea}. {marzo 2018}.
Disponible en: (https://openproceedings.org/2011/conf/edbt/AgrawalDA11.pdf).
SHARMA, Ravi; DJIAW, Veronica. Realising the strategic impact of business
intelligence tools. En: VINE. Vol 41, No. 2; (2011). pp. 113-131.
HSINCHUN, Chen; CHIANG, Roger & STOREY, Veda. Business intelligence and
analytics: From big data to big impact. MIS Quarterly, Vol. 36, No. 4 (diciembre
2012), pp. 1165-1188.
MUHMMAD I., Nofal & ZAWIYAH M., Yusof. Integration of business intelligence
and enterprise resource planning within organizations. En: Procedia Technology,
Vol. 11, (2013). pp. 658-665.
RIMPLE M., Taneja. Business Intelligence in banking sector: A step forward to
customer delight. En: Journal of management, Vol. II, Issue No. 2, (noviembre-
enero 2014). pp. 32-36.
DASH W., Desheng; CHEN, Shu-heng & OLSON, David. Business intelligence in
risk management: Some recent progresses. En: Information Sciences, Vol. 256,
(2014). pp. 1-7.
71
MORO, Sergio; CORTEZ, Paulo & RITA, Paulo. Business intelligence in banking:
A literatura analysis from 2002 to 2013 using text mining and latent dirichlet
allocation. En: Expert Systems with Applications, Vol. 42, (2015). pp. 1314-1324.
SANDOVAL, L. Design of business intelligence applications using big data
technology. {En línea}. {abril 2018}. Disponible en:
HASSAN A., Ayat A. A proposed application of business intelligence in
microfinance sector in Sudan. A case study of agricultural bank. Sudan, 2016,
121p.Thesis (M.Sc. degree in Computer Science). Sudan University of Science
and Technology. College of graduate studies.
ROUHANI, Saeed & RABIEE, Sogol. A success assessment model for BI tools
implementation: An empirical study of banking industry. En: International Journal of
Business Intelligence Research, Vol. 7, Issue 1 (enero-junio 2016). pp. 25-44.
SOGODEKAR, Mrunal, et al. Big data analytics: Hadoop and tools. {En línea}.
{febrero 2018}. Disponible en:
(https://ieeexplore.ieee.org/abstract/document/7940204/).
CHAWDA, Rahul & THAKUR, Ghanshyam. Big data and advanced analytics tools.
{En línea}. {febrero 2018}. Disponible en:
DEPARTAMENTO NACIONAL DE PLANEACION(Colombia). Política Nacional de
explotación de datos (Big Data). {En linea}. {abril, 2018}. Disponible en:
https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/3920.pdf
ANEXOS
Anexo 1: Preguntas Entrevista

Anexo 2: Prueba 001 Tableau Desktop
72
Anexo 3: Prueba 002 Power BI
Anexo 4: Prueba 003 Qlik Sense Desktop
73

Analisis Herrmienta Enfoque Inteligent Business - Caso Banca

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis Herrmienta Enfoque Inteligent Business - Caso Banca

Cargado por

Copyright:

Formatos disponibles

ANALISIS DE HERRAMIENTAS DEL ENFOQUE DE INTELIGENCIA DE

NEGOCIOS: CASO DE ESTUDIO DATOS DE LA BANCA CORPORATIVA Y DE

LEIDY VANESSA RODRIGUEZ MERCHAN

UNIVERSIDAD PILOTO DE COLOMBIA

LEIDY VANESSA RODRIGUEZ MERCHAN

Proyecto de grado para optar al título de

UNIVERSIDAD PILOTO DE COLOMBIA

A nuestras madres quienes con su esfuerzo nos ofrecieron la oportunidad de

A Dios, familia, compañeros y Universidad, cada uno por su participación en el

A mi compañero de vida quien fue mi fuerza en todo el proceso, quien además

A nuestro director de tesis el Ingeniero Luis Felipe Herrera, por su orientación

Al economista Juan Sebastián Barrantes quien contribuyo al análisis financiero en

1. PRESENTACION DEL TRABAJO DE GRADO ............................................... 11

Tabla 1 Técnicas de inteligencia de negocios 31

Ilustración 1 Big Data Organigrama 15

Anexo 1: Preguntas Entrevista

Inteligencia de negocio: ―Es el conjunto de estrategias, metodologías, practicas,

A medida que crece la información, la exigencia que surge en las organizaciones

En los últimos años, el crecimiento exponencial de la información en todo el

Según un estudio de Stratistics15, el mercado global de inteligencia de negocio

Hoy en día, como se menciona anteriormente, estas tecnologías están ganando

En este sentido se identifica que los elementos de inteligencia de negocio son

En esta sección se presentará el problema a abordar, la justificación del porqué

1.1 DEFINICIÓN DEL PROBLEMA

Tal es el caso en la industria bancaria la cual está experimentando una

La presente investigación busca responder a la pregunta: ¿La inclusión de

El análisis de datos se ha convertido en un problema fundamental y desafiante en

Es allí donde surge la necesidad de adoptar un enfoque novedoso para mejorar el

La presente investigación pretende generar conciencia en los beneficios al

Analizar las herramientas del enfoque de inteligencia de negocios para generar

 Investigar sobre las diferentes técnicas, metodologías, herramientas y

A continuación, se mostrarán los temas a abordar en la investigación de Big Data

Ilustración 1 Big Data Organigrama

BDA Tools Técnicas

El Big data ha abarcado diferentes aspectos y evolucionado notablemente con el

Ilustración 2 Breve línea del tiempo Big Data

El primer cambio fundamental en el manejo de la información podría decirse que

En 1965 Estados Unidos propuso por primera vez la implementación de un Data

En 1976, las compañías empiezan a ver una posibilidad en las máquinas de

Para finales de los 80, el concepto de ―Inteligencia de negocio‖ empieza a ganar

Entre el año 2000 y 2010 con el boom de las tecnologías de información y

En 2005 se crea Hadoop que de acuerdo con Borthakur 28 es un marco de trabajo

Hoy en día se calcula que en el mundo se generan alrededor de 2.5 quintillones de

El primer cambio fundamental en el manejo de la información podría decirse que

En 1965 Estados Unidos propuso por primera vez la implementación de un Data

En 1976, las compañías empiezan a ver una posibilidad en las máquinas de

Para finales de los 80, el concepto de ―Inteligencia de negocio‖ empieza a ganar

Entre el año 2000 y 2010 con el boom de las tecnologías de información y

En 2005 se crea Hadoop que de acuerdo con Borthakur 38 es un marco de trabajo

2.2.1 Data Mining

Hoy en día se calcula que en el mundo se generan alrededor de 2.5 quintillones de

Las herramientas de minería de datos pueden ser clasificadas en dos clases

 Herramientas con enfoque a la construcción de modelos. Buscan generar

 Herramientas con enfoque al descubrimiento de patrones. Buscan encontrar

Aunque la minería de datos es un proceso grandemente implementado en

2.2.2 Big Data Analytics

El análisis de datos de Big Data (BDA), se define como el uso de técnicas

El objetivo principal del BDA, es mejorar el proceso de toma de decisiones,

Hoy en día BDA gracias a su potencial estratégico/operacional es considerada

Junto con el campo relacionado de inteligencia de negocio (BI), la implementación

2.2.3 Estandarización del Big Data

 Generación de datos digitales (insumo),

En palabras del director del Departamento Nacional de Planeación ―Avanzar en