Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Director de investigación
LUIS FELIPE HERRERA QUINTERO PhD
___________________________________
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 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
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
2
LISTA DE TABLAS
págs.
3
LISTA DE FIGURAS
4
LISTA DE ANEXOS
5
GLOSARIO
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
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
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
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
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.
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.
12
1.2 JUSTIFICACION
13
1.3 OBJETIVOS
1.3.1 General
1.3.2 Específicos
14
2. MARCO REFERENCIAL
Línea de tiempo
Data Mining
Analytics
Estandarización
BIg Data
Regulación
Inteligencia de Enfoques
negocio metodológicos
Importancia y
Herramientas
ventajas
BDA en el sector
financiero
15
2.2 Antecedentes Big Data
Fuente: interlogica.it
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
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.
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
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.
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.
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
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:
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
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
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.
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.
27
Ilustración 4 Breve historia de la inteligencia de negocio
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.
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.
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
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.
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.
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:
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.
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.
EN USO PLANEADO
Fuente: Bi Survey
33
Ilustración 6 Herramientas de Inteligencia de negocio según sus características
Fuente: Bi Survey
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.
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
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.
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.
Criterio de aceptacion
39
Tabla 3 Formato de Comparación de las herramientas de 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
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
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:
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.
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.
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)
Ventajas:
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.
No publican su precio en línea, a menos que se les contacte
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:
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.
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 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.
Ventajas:
Inconvenientes:
49
Preparación inicial de los datos para ser cargados
No posee informes financieros
Necesita de conocimientos técnicos al conectarse a bases de datos
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.
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.
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.
52
Monitoreo extenso de logs provenientes de la red, sistema y eventos de las
aplicaciones.
Ventajas:
Inconvenientes:
53
Licenciamiento: el costo depende del número de usuarios y sobre grandes
despliegues, con pagos anuales o a perpetuidad
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:
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.
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.
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.
58
Soporte en línea: Evalúa si la herramienta permite el acceso a recursos en
línea como tutoriales, soporte al usuario, chat y comunidades.
Eficiencia SI SI SI N/A SI SI
Conocimiento
Presentación técnico
SI SI SI SI SI
de los datos (QlikView)
59
Rendimiento Optimo Optimo Optimo Optimo Optimo Optimo
Windows
Multiplataforma Windows Windows
Mac
Full Windows Windows
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
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.
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.
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.
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.
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.
62
a tener en cuenta es que dichos recursos deben escalar conforme al tamaño
del negocio.
63
Tabla 6 User Stories 2
64
Tabla 9 User Stories 5
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.
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.
6. CONCLUSIONES
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.
7. RECOMENDACIONES
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
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.
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:
(https://ieeexplore.ieee.org/document/8229827/).
RADHIKA, P.; PRANEEL, Kumar; Sailaja, S & GAYATRI, V. Confrontation and
opportunities of big data. A survey. {En línea}. {marzo, 2018}. Disponible en:
(https://ieeexplore.ieee.org/document/8070827/).
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:
(https://ieeexplore.ieee.org/document/7753435/).
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:
(https://ieeexplore.ieee.org/document/7428454/).
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:
(https://ieeexplore.ieee.org/document/7570890/).
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
72
Anexo 3: Prueba 002 Power BI
Anexo 4: Prueba 003 Qlik Sense Desktop
73