Está en la página 1de 25

Universidad Católica Andrés Bello

Vicerrectorado Académico
Dirección General de Estudios de Postgrado
Área de Ingeniería
Maestría en Sistemas de Información
Sistemas de Información

Inteligencia de Negocios

Javier A. PINO B.
Caracas, 10/12/2015

Inteligencia de Negocios

Definición

La Inteligencia de Negocios o Business Intelligence (BI)
es la habilidad corporativa para tomar decisiones

¿Cómo se logra?

 Al usar metodologías, aplicaciones y tecnologías que permitan reunir, depurar,
transformar datos, y aplicar en ellos técnicas analíticas de extracción de
conocimiento.

 Los datos pueden ser estructurados para generar conocimiento sobre:
 los problemas del negocio
 las oportunidades del negocio
Fuente: Bautista B. et al (2010)

Fuentes: Laudon.  Permite utilizar los datos como respaldo a las decisiones. J. Bautista B.  Proporcionan las herramientas para aprovechar los datos transaccionales.Herramientas para BI  El software para Inteligencia de Negocios (BI) obtiene información de las fuentes de datos de una compañía. K. et al (2010) . y Laudon. (2012). para facilitar la toma de decisiones basadas en hechos.

Algunas herramientas para BI Herramienta que busca Necesidad satisfacer la necesidad Bases de Datos Censar el Ambiente Relacionales Data Warehouse y Recordar lo censado Data Marts Razonar Cubos OLAP Aprender Minería de Datos .

K.Almacenes de Datos (Data Warehouses)  El almacén de datos consolida y estandariza la información de distintas bases de datos operacionales. J.  Los datos se originan en muchos sistemas de transacciones operacionales básicos Fuente: Laudon. (2012) . y Laudon.  Es una base de datos que almacena la información actual e histórica de interés potencial para los encargados de tomar decisiones en la compañía.

Fuente: Laudon. K. y Laudon. se enfocan en un solo tema o línea de negocios. es común que se construya con más rapidez y a un menor costo que un almacén de datos a nivel empresarial. (2012) . en el cual se coloca una porción con alto grado de enfoque en los datos de la organización.  Por lo general.Mercados de Datos (Data Marts)  Es un subconjunto de un almacén de datos. J.  Por su menor tamaño.

.Data Warehouse vs Data Mart Data Warehouse Data Mart Contiene múltiples áreas de Una única área de estudio: estudio Finanza o Ventas Almacena los datos a nivel Puede contener información detallado sumarizada o agregada Trabaja para integrar todas las Integra la información en un fuentes de datos de la subconjunto de las fuentes de organización datos No tiene necesariamente un modelo multidimensional. pero Su construcción se basa en un es capaz de alimentarlos modelo multidimensional.

Cubos OLAP OLAP (Online Analytical Processing)  Análisis de datos multidimensional. región o periodo de tiempo— representa una dimensión distinta. precios.  OLAP permite a los usuarios obtener respuestas sobre información agregada. el cual permite a los usuarios ver los mismos datos de distintas formas. Fuente: Chaudhuri S. costo. et al (2013) . en un periodo de tiempo bastante corto.  Cada aspecto de información —producto.

Cubos OLAP OLTP (Online Transaction OLAP (Online Analytical Processing) Processing) • Transacciones largas • Transacciones cortas • Consultas Complejas • Consultas Simples • Actualizan gran parte de los datos • Actualizan una pequeña parte • Actualizaciones poco frecuentes de los datos • Actualizaciones frecuentes ¿Ventas comparadas “¿Cuántas unidades del producto 403 del producto número por trimestre y región 403 se enviaron en de ventas durante los febrero de 2010?” últimos dos años? .

los usuarios NO necesitan tener una buena idea sobre la información que están buscando. o Inferir reglas para predecir el comportamiento a futuro. o Guiar la toma de decisiones y pronosticar el efecto de esas decisiones. K. (2012) . y Laudon. al: o Encontrar patrones y relaciones ocultas en las bases de datos grandes. Contrario a las bases de datos OLTP y OLAP. ya que provee perspectivas hacia los datos corporativos que no se pueden obtener mediante OLTP u OLAP. Fuente: Laudon. J.Minería de Datos (Data Mining)  La minería de datos está orientada al descubrimiento.

Clasificación: Reconocer patrones que describen el grupo al que pertenece un elemento. Asociaciones: Ocurrencias vinculadas a un solo evento 2. aún cuando no se han definido grupos. 5. 3. Agrupamiento o clustering: Funciona de manera similar a la clasificación.Información 1.Minería de Datos . y Laudon. K. Fuente: Laudon. (2012) . Secuencias: Eventos vinculados en el tiempo. Predicciones: Se basa en una serie de valores existentes para pronosticar . 4. J. al inferir un conjunto de reglas.

Inteligencia de Negocios en la literatura Fuente: Google Books Ngram Viewer .

Inteligencia de Negocios ARQUITECTURA TECNOLÓGICA Fuente: Chaudhuri S. et al (2013) .

Arquitectura Tecnológica para BI Fuentes de Datos: 1 Bases de datos de la compañía o fuentes externas. etc. 5 Aplicaciones de Front End Aplicaciones de consulta. . Motores ETL y de streaming (Calidad de los datos) 2 Herramientas de extracción. tableros visuales. 3 Almacenes de Datos o Data Warehouses: Almacenan la data normalizada Servidores de Capa Media 4 Proveen funcionalidades para escenarios y herramientas de BI distintas. hojas de excel. transformación y carga de datos (ETL) a los Almacenes de Datos.

Arquitectura Tecnológica para BI 1 2 3 .

Arquitectura Tecnológica para BI 3 4 5 .

Inteligencia de Negocios CASOS DE ÉXITO .

para ayudar a las organizaciones de salud a ofrecer atención a menor costo. sobre la información clínica y registros médicos. Fuente: Business Intelligence .  La plataforma desarrollada por la empresa.Nro 1: Salud a la mano  Compañía de Consultoría en el Cuidado de la salud. captura signos vitales y almacena registros de electrocardiogramas. Theon. es utilizada para analizar los datos y realizar análisis de riesgo. para evitar la readmisión o las visitas a emergencia. SAS.  La solución permite monitorear a los pacientes dados de alta más rigurosamente.  La herramienta de BI.  Deseaba mejorar la toma de decisiones.

Fuente: Portal Business Inteligence .  Los clientes pueden evaluar millones de registros de embarque en cuestión de minutos. gastan entre $ 5 millones a más de $ 1 mil millones en “inteligencia”. sin ningún tipo de soporte de TI y sin entrenamiento.  Mantiene los datos de millones de transacciones. referentes a 25 millones de dólares en costos de transporte.  Ellos pueden determinar rápidamente la evolución de las estrategias de negocios con sus socios.  Los clientes de servicios de transporte.  La empresa utiliza la herramienta de BI Tableau para proveer autoservicio en la toma de decisiones.Nro 2: Análisis en cadena  Consultora de cadena de suministro.

Fuente: Business Intelligence .  Reportaba pérdidas de $100 millones anuales debido al robo de energía eléctrica.  Meta de 85% de reducción de robo de energía.  Para disminuirlo se empleaban investigadores en campo.Nro 3: Un Caso Electrizante  Empresa Canadiense de Energía Electrica.  1.  Usa SAS para el análisis predictivo y calcular métricas para toda la red eléctrica y hacer “Drill Down” por regiones y distritos.9 millones de medidores inteligentes instalados en hogares y establecimientos.

Fuente: SAP Insider .Nro 4: La receta de Kraft  A mediados del 2010. las distintas unidades querrían conocer el Retorno de Inversión (ROI).  Apalancados en las soluciones: SAP NetWeaver Business Warehouse y SAP BusinessObjects.  El equipo determinó que la mejor manera de mostrar dichos beneficios. Kraft Foods se encontraba en medio de una implementación de SAP. la empresa desarrolló un plan de cuatro puntos que ha servido como su receta para el éxito en la inteligencia de negocios. era desplegando los reportes de BI que permitan tomar decisiones de negocios.  Luego de migrar a SAP.

Plan de 4 Puntos de Kraft: para acelerar la implementación de BI  Obtener el apoyo total del área de TI de la organización antes de avanzar.  Para mostrar el producto comercializado a las unidades de negocio.  Incluyendo el apoyo económico.  Formar un equipo dedicado y centralizado que implemente las soluciones de BI y las lleve a producción. para simplificar la implementación. Fuente: SAP Insider .  Acelerar la innovación para impulsar nuevas capacidades en BI:  En anticipación a las necesidades y demandas de la organización.  Que atienda a las distintas áreas de negocios  Mantener una estrecha colaboración con el proveedor.

 Oportunidad de habilitar soluciones móviles.Resultados Obtenidos  La implementación de SAP BusinessObjects Explorer. de Inteligencia de Negocios. Fuente: SAP Insider . como sistema de inteligencia de negocios de la organización. a fin de identificar tendencias de negocios. sobre conjuntos de datos enormes.  Empoderadamiento de los usuarios en la creación de sus propios reportes.  Los usuarios pueden hacer ”drill down” más rápida y eficientemente.

¿Qué podemos aprender de Kraft Foods?  Previo a la implementación de un Sistema de Información Empresarial.  Una vez en producción.  Un equipo técnico de BI. se debe evaluar si éste es capaz de integrarse con:  otros sistemas del mismo proveedor  herramientas de inteligencia de negocios presentes en el mercado. la dificultad radica en la adopción. puede realizar demostraciones de la solución a los los clientes del negocio  La idea es impulsar la adopc ión y garantizar el éxito durante la consultoría  No se debe posponer el análisis de Retorno de Inversión (ROI) .

INTELIGENCIA DE NEGOCIOS: ESTADO DEL ARTE.redalyc.google. “An Overview of Business Intelligence Technology”.net/2013/03/22/an-overview-of-business- intelligence-technology/  Google Books Ngram Viewer (2015).wispubs. y Laudon. 321-326. Decimosegunda edición. “Kraft Foods' Recipe for Successful Business Intelligence”. Sistemas de información gerencial. Disponible en: http://www.oa?id=84917316060  Laudon.com/bi-insights/4-data-analytics-success-stories/  SAP Insider (2012).Referencias  Bautista B.com/Assets/Case-Studies/2012/April/Kraft-Foods- Recipe-For-Successful-Business-Intelligence . et al. México.com/ngrams/graph?content=business+intelligence%2Conline+analyt ical+processing%2Cdata+mining%2Csearch+engine&case_insensitive=on&year_start=1 990&year_end=2008&corpus=15&smoothing=3  Business Intelligence (2015). Abril-Sin mes.semanticlab. PEARSON EDUCACIÓN. “4 Data Analytics Success Stories”. J. et al. (2013). (2010). K. Disponible en: https://books. 2012  Chaudhuri S. (2012). Disponible en: https://blog. Disponible en: http://sapinider. Scientia Et Technica. Disponible en: http://businessintelligence.org/articulo.