Inteligencia de negocios (Business Intelligence)
El término Inteligencia de negocios es la traducción de Business Intelligence (BI). “BI es un proceso centrado en el usuario quepermite explorar datos, relaciones entre datos y tendencias, permitiendomejorar la toma de decisiones. Esto incluye un procesointeractivo de acceso a los datos y el análisis de los mismos para
obtener conclusiones”
Muchos de los conceptos utilizados en BI no son nuevos, pero han evolucionado y han sido refinados en base a las experiencias a lo largo del tiempo. Hoy en día, es vital que las empresas provean un acceso rápido y efectivo a la información de negocios a muchos usuarios para sobrevivir. Para ello, la solución es un sistema BI, que ofrece un conjunto de tecnologías y productos para hacer llegar a los usuarios la información que necesitan para tomar decisiones de negocios, tácticas y estratégicas.
SISTEMAS DE INFORMACIÓN EN LA ERA DIGITAL
Qué es un Data Warehouse?
Un data warehouse es un repositorio de información extraída
de otros sistemas de la compañía (ya sean los sistemas
transaccionales, las bases de datos departamentales, la Intranet,
o bases de datos externas, tales como datos macroeconómicos,
indicadores del mercado, etc.) y que es accesible a los usuarios de
negocios.
Antes de cargarse en el data warehouse, los datos deben
extraerse, depurarse y prepararse.
El objetivo de un data warehouse es lograr recomponer los
datos disponibles para obtener una visión integrada del negocio
El data warehouse es por lo general, pero no necesariamente,
una plataforma separada de las demás computadoras.
realizadas por los usuarios.
Objetivos y características de un data warehouse
• Proveer una única visión de los clientes a través de toda
la compañía.
• Proveer la mayor cantidad de información a la mayor
cantidad de personas dentro de la organización.
• Mejorar el tiempo de emisión de algunos informes.
• Monitorear el comportamiento de los clientes.
• Mejorar la capacidad de respuesta a las cuestiones del
negocio.
• Mejorar la productividad.
El data warehouse se organiza alrededor de los temas principales
de la empresa.
Datos integrados
los datos deben estar integrados. La consolidación de todas las
informaciones respecto de un cliente dado es necesaria para dar
una visión homogénea de dicho cliente. Antes de estar integrados
en el data warehouse, los datos deben formatearse y unificarse
para llegar a un estado coherente. Un dato debe tener una descripción
y una codificación únicas.
Datos historiados
Los sistemas transaccionales raramente conservan el historial
de los valores de los datos. El data warehouse almacena el
historial, es decir, el conjunto de valores que los datos habrán
tenido en su historia.
Datos no volátiles
La no volatilidad es en cierto modo una consecuencia de la
historialización.
Estructura de un data warehouse
Un data warehouse se estructura en cuatro clases de datos,
organizadas según un eje histórico y un eje sintético.
Datos comprimidos
Los datos comprimidos (se ha explicado previamente el concepto
de dato comprimido) se utilizan a menudo, dado que corresponden
a elementos de análisis representativos de las necesidades
de los usuarios. Constituyen un resultado de análisis y una síntesis
de la información contenida en el sistema de decisión. Por
eso deben ser fácilmente accesibles y comprensibles. La facilidad
de acceso viene dada por estructuras multidimensionales que
permiten a los usuarios navegar por los datos según la lógica más
intuitiva. El rendimiento vinculado al acceso de estos niveles debe
ser también óptimo.
Datos históricos
Uno de los objetivos del data warehouse es conservar en línea
los datos históricos. El soporte de almacenamiento de los datos
historiados depende del volumen de éstos, de la frecuencia de
acceso, del tipo de acceso y del costo de los soportes.
Metadatos
Los metadatos proveen definiciones acerca de los datos almacenados
en un data warehouse como, por ejemplo, la fuente de los
datos, la forma en que éstos han sido transformados desde los
sistemas de origen,
Existen diferentes tipos de metadatos:
• Metadatos del negocio: conocidos como metadatos para el
usuario final. Describen datos específicos del negocio y
pueden también incluir sinónimos, restricciones de acceso
a datos, reglas de negocios, etc.
• Metadatos de la base de datos: definen los términos utilizados
en la base de datos, en particular los nombre de
los objetos (bases de datos, tablas, columnas, etc.).
• Metadatos de aplicaciones: explican términos y funciones
en una aplicación, por ejemplo, nombres de informes.
Métodos de análisis para la toma de decisiones
Como mencionamos anteriormente, el objetivo principal de
un data warehouse es proveer información para la toma de decisiones.
Existen varias categorías de análisis de soporte a la decisión.
Estas categorías sugieren un enfoque evolutivo para construir
y utilizar un data warehouse6 :
• Consultas estándar
• Análisis multidimensional
• Modelización y segmentación
• Descubrimiento del conocimiento
La siguiente pirámide representa una evolución hacia el
análisis para la toma de decisiones. A medida que los métodos de
análisis crecen y evolucionan, también lo hacen el hardware, software
y datos del data warehouse. Una compañía adquiere más
valor del data warehouse a medida que evoluciona en tecnología
y en la capacidad de sus usuarios a lo largo del tiempo.
Consultas estándar
Estas consultas son más utilizadas que los otros tres métodos
de análisis por las personas de negocios. Las consultas, en general,
están predefinidas: mientras que los datos pueden ir variando día
a día, las consultas estándar no pueden ser redefinidas cada vez
que se utilizan.
Análisis multidimensional
El análisis multidimensional provee diferentes perspectivas
de los datos a través de las diferentes dimensiones. Ejemplos de
dimensiones pueden ser: tiempo, ubicación, producto.
En general, los usuarios observan la información por alguna
de las dimensiones, por ejemplo “ver todos los clientes nuevos por
región”. Esta dimensión es geográfica, y el usuario puede solicitar
detalles adicionales una vez realizada la consulta. Por ejemplo,
“ver todos los clientes nuevos por distrito”.
Las herramientas utilizadas para el análisis multidimensional
son muchas veces las mismas que se utilizan para las
consultas estándar.
Modelización y segmentación
Utilizando datos existentes en el data warehouse, en especial
los datos históricos, se pueden realizar diferentes análisis para
predecir eventos futuros.
Descubrimiento del conocimiento
El descubrimiento del conocimiento está representado por un
número de algoritmos que buscan patrones en una base de datos.
Estos patrones, a diferencia de la modelización, no son especificados
de antemano, y reflejan el comportamiento de clientes, ventas
de productos, cancelaciones, compras futuras, y otros eventos. Estos
patrones son muy específicos y arbitrarios para ser definidos por
el analista. Las herramientas de software encuentran los patrones
e informan a los analistas cuáles son esos patrones y dónde están.
Uno de los métodos de descubrimiento del conocimiento es el
análisis de afinidad, que busca en el data warehouse afinidad
entre diferentes comportamientos.
Data mining (minería de datos)
Data mining no es un tipo de análisis, sino una variedad de
tipos de análisis, y abarca los tipos de modelización/segmentación
y descubrimiento del conocimiento, mencionados anteriormente.
El objetivo del data mining es descubrir relaciones entre los
datos que no hubieran sido hallados sin la aplicación de procedimientos
especializados.
El data mining integra las herramientas de visualización de
datos, y las correspondientes a estadísticas y clasificación. Es un
conjunto de tecnologías avanzadas, susceptibles de analizar la
información de un data warehouse para obtener tendencias, para
segmentar la información o para encontrar correlaciones en los
datos.
Herramientas de visualización
Los data warehouses proveen herramientas para la visualización
y presentación de los datos, basadas en una interfaz gráfica y
con posibilidad de construir informes ajustados a las necesidades
del nivel superior.
Herramientas de extracción y carga de datos
La extracción y carga de datos en el data warehouse es una
tarea muy complicada. Pero en realidad, el trabajo más complejo
es el que debe realizarse para transformar los datos en información
que pueda ser consultada por los usuarios de negocios. Las
herramientas ETL (Extraction, Transformation, Loading), que significa
extracción, transformación y carga, permiten recolectar datos
de un lugar y colocarlos en otro.
Extracción
Se extraen los datos de su fuente original para determinar
los temas (conceptos lógicos) que se deben crear y cargar en el
data warehouse.
Transformación
En el proceso de transformación se convierten los datos de las
transacciones en un formato consistente y orientado a los negocios.
La transformación incluye tareas de sumarización, agregación,
ordenamiento y agrupamiento de los datos por dimensiones
y palabras clave.
Carga
La carga consiste en integrar las herramientas necesarias
para cargar la información en el data warehouse.
Motivaciones y beneficios de los data warehouses
Los data warehouses proveen una serie de beneficios a las
empresas. Algunos de ellos son:
• Los datos de toda la compañía no solo son difíciles de
encontrar en algunos casos, sino también imposibles de
entender, y en muchos otros son erróneos. El data
warehouse provee una única plataforma para cargar estos
datos heterogéneos. Además proporciona un pretexto para
la limpieza de esos datos, es decir, para chequear la calidad
y la precisión de los mismos, antes de ser cargados en
el data warehouse.
• Para proteger los sistemas operacionales críticos, la mayoría
de las compañías limitan el acceso a los datos solo
a los expertos. Cuando se solicita información de estos
sistemas, los expertos brindan la información a quienes la
solicitan en lugar de a toda la compañía. Los data
warehouses ofrecen un entorno más accesible para aquellos
que requieren de información frecuentemente.
• Los ejecutivos necesitan cada vez más acceder a la información
sobre los negocios rápida y eficientemente.
Los data warehouses comenzaron como una solución a problemas
de tecnología. Luego se transformaron en una ventaja competitiva.
Para la gente de negocios, esto significa que tienen mucha
más información que antes en mucho menos tiempo.Los data
warehouses resultan útiles en el mejoramiento de los procesos,
aportando más rapidez en el mercado, más lealtad de los clientes,
e incluso la posibilidad de predecir tendencias futuras y patrones.
Estructura de un sistema BI
El siguiente gráfico ilustra los componentes de los sistemas
BI que han sido explicados en esta sección:
Los sistemas BI permiten tomar datos de los sistemas del nivel
operativo para construir un repositorio de datos denominado data
warehouse. Este repositorio puede estar compuesto por diferentes
data marts o almacenes de datos, para los distintos temas (por ejemplo,
marketing, finanzas, distribución, etc.). Los mecanismos de análisis
de los datos permiten brindar a los usuarios finales información
que utilizarán para la toma de decisiones no estructuradas.
Sistemas transaccionales (OLTP) vs. sistemas
analíticos (OLAP)
Los sistemas de información transaccionales (OLTP: On Line Transaction
Processing) realizan operaciones repetitivas y relativamente sencillas,
y contribuyen a automatizar las tareas más rutinarias y
tediosas. Estos sistemas acumulan gran cantidad de información, debido a que existen escasas posibilidades de realizar consultas (queries), y tienen una limitada
información histórica. La información proveniente de los sistemas
transaccionales debe ser procesada, y para ello se utilizan los
sistemas analíticos (OLAP: On Line Analytical Processing).
Las diferencias más importantes entre los sistemas OLTP y
OLAP son:
• A diferencia de los sistemas transaccionales (OLTP) que
están orientados a los procesos, los sistemas analíticos
(OLAP) están orientados al tema y tienen un alcance
corporativo.
• Los sistemas analíticos no solo trabajan con datos actuales,
sino también históricos.
• Los sistemas analíticos no se actualizan con cada transacción
en el nivel operativo, sino que lo hacen periódicamente,
y son utilizados por analistas y en el nivel
gerencial.
• Los sistemas transaccionales tienen una estructura
bidimensional, mientras que los analíticos tienen una
estructura multidimensional. Más adelante se explica con
más detalle el concepto de estructura multidimensional.
• El tiempo de respuesta en un sistema transaccional es
crítico, mientras que en un sistema analítico, cuya función
es la de proveer información para análisis, no lo es.
Existen dos tipos de sistemas OLAP, dependiendo del tipo de
estructura de datos utilizada: ROLAP y MOLAP.
Sistemas ROLAP y MOLAP
El procesamiento OLAP (On line Analytical Processing) designa
una cantidad de aplicaciones y tecnologías que permiten la
captura, almacenamiento, manipulación y reproducción de datos
multidimensionales, con el propósito de servir como base para el
análisis.
Los términos ROLAP y MOLAP corresponden a Relational
OLAP y Multidimentional OLAP respectivamente. ROLAP permite
realizar un análisis multidimensional con datos almacenados
en bases de datos relacionales. El procesamiento MOLAP, en el
cual las asociaciones entre tablas ya están definidas en el momento
de la consulta, contrasta con ROLAP, donde las asociaciones
entre las tablas se definen en el momento que se realiza la misma.
MOLAP utiliza tablas multidimensionales en forma de cubos,
mientras que ROLAP utiliza tablas bidimensionales, que forman
cubos temporales en respuesta a las consultas específicas.
Implementación de un sistema BI
Implementar un sistema BI no significa solamente comprar
un producto e instalarlo. Requiere que se lleve a cabo un proyecto
de desarrollo que involucre tareas de consultoría para establecer
los mecanismos de conversión de datos e implementación.
La instalación de un data warehouse no asegura que se proveerá
a los usuarios de las herramientas adecuadas y la información
que necesitan. Eso es solo el comienzo. A menos que la
información en el data warehouse sea cuidadosamente documentada
y fácil de acceder, la complejidad hará que solo las personas
capacitadas en sistemas puedan acceder a la misma. Los sistemas
BI deben proveer información tanto a las personas de sistemas
como a los usuarios de negocios
Critica:
Con el avance de la tecnología el Rol de los datawarehoses se ha convertido en un jugador importante para las organizaciones, es decir solo aquellas empresas que cuenten con estos profesionales podran obtener una ventaja competitiva y a su vez hacer sus sistemas mas eficientes.
