I.

INTRODUCCIÓN
1.1 Realidad Problemática

Las organizaciones se debaten en el dilema de conducir su gestión por caminos

que le aseguren un resultado positivo. En tal sentido el Cuadro de Mando
Integral, como sistema de gestión estratégica, brinda a la dirección una
alternativa de desempeño. Este trabajo desarrolla un modelo a partir del cuadro
de mando para diseñar un sistema de gestión estratégica en las organizaciones
y presenta el ejemplo de su aplicación en una universidad cubana.

Las Universidades juegan un importante papel en los sistemas nacionales de

innovación y actualmente están inmersas en diversos procesos de
transformación que tratan de crear organizaciones más competitivas, dinámicas
y transparentes. Dadas las nuevas presiones del entorno, las universidades
europeas se ven obligadas a adaptar sus estructuras organizativas, así como a
incorporar nuevos sistemas de gestión estratégica que permitan un gobierno
más eficiente de las mismas.

En Europa el sistema universitario inicia sus reformas a partir de los 90, se hizo
común escuchar a lingüistas, abogados, docentes, ingenieros hablar con
naturalidad sobre auditorías, evaluaciones, acreditaciones, autoevaluación,
clima organizacional, indicadores, estándares, etc. El enriquecimiento léxico es
un claro indicador de cambios.

El desafío de la globalización y la necesidad de dar respuesta a las demandas

de la sociedad en un momento de dificultades económicas están impulsando a
las universidades europeas a redefinir sus estrategias institucionales. La
creación conjunta de estrategias de educación, investigación e innovación en las
universidades públicas en el marco del triángulo del conocimiento está sometida
a limitaciones derivadas de la fragmentación de su gobierno interno y a una
excesiva homogeneización de sus objetivos, instrumentos y procedimientos de
evaluación y priorización. Este contexto es deseable para que las universidades

1
puedan definir una estrategia integrada en el marco de un proceso de
modernización.

En el caso de América Latina y el particular en el Perú, la gestión estratégica

entre las universidades estudiadas es una práctica recurrente. Sin embargo, el
nivel de complejidad y operatividad de la gestión estratégica disminuye a medida
que se pasa de la planificación a la implantación de la estrategia, y del
seguimiento a la estrategia a la retroalimentación sobre su implantación.

Con respecto a la planificación podemos decir que es una práctica de gestión

recurrente entre la mayoría de universidades; sin embargo, el nivel de
sofisticación del proceso de formulación de la estrategia no es muy alto. Mientras
que la mayoría logra explicitar y desarrollar la estrategia periódicamente, pocas
universidades consideran en la formulación de la estrategia: los recursos, el
entorno, los competidores y los resultados previos de planificación. Existen
también universidades que no los considera o lo hace sólo parcialmente.

En el uso de las metodologías de planificación está generalizado el empleo de

las metodologías más conocidas: el análisis FODA y los planes de acción; y
algunas universidades emplea metodologías más elaboradas como: análisis de
mercado, mapas estratégicos y escenarios.

En comparación con la planificación, el despliegue y alineación de la estrategia

en las universidades ha alcanzado un menor nivel de profundidad. Si bien la
estrategia suele estar alineada al presupuesto anual, algunas universidades
logran alinear su estrategia a otros procesos o sistemas fundamentales como: la
gestión de la calidad a la estrategia y la política de personal, el seguimiento y los
sistemas de información, entre otros. Además, existen universidades que usan
la dirección por objetivos, pero pocas las universidades que emplean el cuadro
de mando.

La Universidad César Vallejo filial Tarapoto se encuentra en proceso de

expansión, como tal sus procesos de gestión estratégica, son aún incipientes;
sin embargo, su magnitud va creciendo de manera considerable cada año;

2
actualmente cuenta con nueve carreras como son: Administración en Turismo y
Hotelería, Arquitectura, Contabilidad, Derecho, Ingeniería Civil, Ingeniería de
Sistemas, Ingeniería Mecánica y Psicología. Existen 2,200 alumnos, 90
trabajadores, entre docentes y administrativos, a tiempo completo y 140
docentes a tiempo parcial.

Actualmente su organigrama es horizontal y cuenta con la dirección General,

Dirección Académica y Dirección de Asuntos Estudiantiles y brinda el servicio
educativo de formación de profesionales competentes.

Son diversos los requerimientos generados por la débil implementación de

procesos de gestión estratégica, entre los que se puede mencionar a la
necesidad de reportes de gestión académica oportunos para la toma de
decisiones, como niveles de deserción, niveles de morosidad en pagos de
pensiones, niveles de alumnos aprobados, por curso, carrera, etc. Igualmente se
requiere de informes de gestión de cuadros resumen con gráficos que permitan
el planteamiento de estrategias adecuadas a la Alta Dirección. Problemas
conexos lo constituye la lentitud en la búsqueda de información específica
requerida en la gestión estratégica y la desintegrada información de las escuelas
para poder tomar decisiones en tiempos oportunos.

Esta situación exige la búsqueda de alternativas para avanzar al ritmo que

avanza la ciencia y la tecnología, por lo que en la presente tesis se orienta a
proponer la aplicación de una metodología que conduzca a mejores resultados
en la gestión estratégica.

1.2 Trabajos previos

Para el presente trabajo se han tenido presente estudios a nivel internacional,

nacional y local; encontrando trabajos de investigación que se asemejan a
nuestra investigación, tales como:

“La inteligencia de negocios aplicada a las organizaciones en Latinoamérica” de

Ortiz Ortiz María, en Colombia el año 2007, llega a las siguientes conclusiones:

3
Dada la situación de la competencia actual, es necesario que las organizaciones
conduzcan sus esfuerzos a la obtención del conocimiento basado en el manejo
de la información.

Una función fundamental del manejo de la información es asegurar que se

satisfagan las necesidades de información de los miembros de la organización a
través de una dieta balanceada de productos y servicios de la información”.

La inteligencia de negocios esencialmente significa colocar información

relevante en las manos de las personas que toman decisiones en todos los
niveles de la organización, existen tecnologías que pueden hacerlo realidad en
cualquier tipo de empresas, pequeñas o grandes.

Con las herramientas de inteligencia de negocios proporciona a los usuarios la

información que ellos necesitan para hacer su trabajo en forma más efectiva.

Para que las organizaciones lleguen a un nivel más competitivo, definitivamente

deben emprender el camino de hacer sus empresas inteligentes, haciendo un
mayor uso de su información.

Tesis de maestría en Ingeniería del Software “Sistema de Apoyo Gerencial

Universitario”, autor: Javier Nader, ITBA Argentina, arriba a conclusiones como:

El Datawarehouse y datamart del SAGU están diseñados de manera de facilitar

la ampliación y crecimiento del sistema. Teniendo en cuenta esta característica
se propone incorporar herramientas especializadas en resolución de requisitos
de Inteligencia de Negocios.

Con estas herramientas, se obtienen facilidades para la implementación de

diferentes características, entre otras podemos nombrar:

 Limpieza de Datos: para obtener más precisión y certeza en la información

se deben eliminar el mayor número posible de datos erróneos o

4
 inconsistentes. Para solucionar este problema se deberá realizar un
proceso de Data Quality & Clearing para asegurar que todos los valores en
un conjunto de datos sean consistentes y correctamente registrados. Las
herramientas de limpieza de datos ayudan y facilitan este proceso de
mantenimiento de la información.
 Reporting: construcción de consultas avanzadas, distribución y
visualización de información. Con estas herramientas de reportes
orientadas al usuario final se pretende mejorar la obtención de información
mejorando el área de sistemas al disminuir una capa intermedia entre
complejidad técnica y usuario final. Adicionalmente, estas herramientas
incorporan facilidades en la distribución de los reportes e información.
 Minería de Datos (Datamining): las herramientas de Data Mining, entre
otras funciones, pueden responder a preguntas que tradicionalmente llevan
demasiado tiempo para poder ser resueltas. Estas herramientas exploran
las bases de datos en busca de patrones ocultos, tendencias y
comportamientos encontrando información predecible que un experto no
puede llegar a encontrar fácilmente.
 Mantenimiento de Metadatos: estas herramientas ayudan a mantener la
información y documentación relativa a las estructuras de datos de los
sistemas transaccionales (como el sistema Académico), los procesos de
transformación (procesos ETL, extracción, transformación y carga) y las
estructuras de fuentes de datos finales (Datawarehouse y datamart) junto
a todas las transformaciones asociadas a estas bases de datos.
 Entre otras facilidades, proveen la detección de cambios en las bases
transaccionales y muestran el impacto en todos los componentes que
dependen o están asociados a la fuente de datos origen.
 Tableros de Control: estas Herramientas facilitan la construcción de las
funcionalidades. Con herramientas especializadas se facilita el trabajo de
la Dirección de Sistemas y del Usuario. Entre los beneficios podemos
nombrar que los usuarios obtienen más independencia para obtener la
información deseada, se permite la captura de datos desde el
Datawarehouse, se puede permitir a los usuarios analizar datos y obtener

5
 resultados inmediatos, se permite fácil acceso y navegación a través de
todo el modelo de datos del Datawarehouse, se permite a los usuarios
cambiar los requerimientos y definiciones en cualquier momento y
fundamentalmente de muy bajo costo de operación para la Dirección de
Sistemas. Todo esto garantizando que la información está más
consolidada, integrada y consistente ya que se pueden utilizar facilidades
de limpieza de datos para mejorar la calidad de los datos.

Si bien la incorporación de estas herramientas otorga los beneficios nombrados

anteriormente, primeramente, se debe realizar un análisis exhaustivo de los
productos disponibles en el mercado que se adapten a las necesidades y costos
de la universidad.

La Tesis “Construcción y pruebas de una herramienta de desarrollo de

soluciones para inteligencia de negocios: módulo de extracción” realizada por
Dall'Orto Gonzáles del Valle, Luis Fernando, de la Escuela Académica de
Ingeniería Informática de la Pontificia Universidad Católica del Perú, en el año
2006. El resumen del estudio sintetiza:

La tesis busca implementar el módulo de extracción de una herramienta básica

para Soluciones de Inteligencia de Negocios que cubra todos los procesos del
ciclo de trabajo. La arquitectura permitirá que una organización provea el servicio
de Inteligencia de Negocios a múltiples organizaciones. Además, se toma en
cuenta la escalabilidad del producto para soportar mayor número de fuentes de
datos en futuras versiones.

A nivel local no se encontró ninguna investigación que determine la semejanza

del proyecto de investigación, actualmente en la Facultad de Ingeniería de la
Universidad César Vallejo de la Filial Tarapoto no existen antecedentes
bibliográficos sobre la Metodología Business Intelligence que se basa en la
aplicación de la Inteligencia de Negocios que facilite la toma de decisiones.
Actualmente la toma de decisiones realiza en función de la información de
algunos sistemas transaccionales implementados, y en los reportes se realizan
en forma manual.

6
1.3 Teorías relacionadas al tema
1.3.1 Inteligencia de Negocios

Según (Dimensions of information systems success. Communcation of the AIS,

1999), laa Inteligencia de Negocios es una alternativa tecnológica y de
administración de negocios, que cubre los aspectos del manejo de información
para la toma de decisiones, desde su extracción en los sistemas, depuración,
transformación, el diseño de estructuras de datos o modelos especiales para el
almacenamiento de datos hasta la explotación de la información mediante
herramientas comerciales de fácil uso para los usuarios. Este concepto es
llamado también Datawarehouse.

Se denominan Sistemas de Inteligencia de Negocios a aquellos sistemas

orientados al soporte de las funciones analíticas de la gestión empresarial para
la planificación estratégica y táctica y el apoyo a la toma de decisiones.

Para construir sistemas de este tipo, es necesario utilizar técnicas de Data

Warehousing que permiten preparar y almacenar los datos de una forma que
permita su análisis eficientemente y tecnologías analíticas especializadas.

1.3.2 Datawarehouse

De acuerdo con (Latan South, 2005), el término Datawarehouse fue acuñado por
Bill Inmon a principios de la década de los ´90 y lo definió de la siguiente manera
(dada la popularidad e importancia de esta definición preferimos no traducirla
completamente): “Un Datawarehouse es una colección de datos subject-
oriented, integrated, time-variant y non-volatile para ayudar al proceso de toma
de decisiones gerenciales”.

(Kimball, y otros, 2008) define Datawarehouse de una forma más sencilla y

práctica, pero igual de importante, un Datawarehouse es “una copia de los datos
transaccionales específicamente estructurados para consultas y análisis”.

7
Por nuestro lado, podemos decir que un Datawarehouse es una base de datos
orientada al análisis de la información histórica contenida en ella. Dependiendo
las necesidades de análisis de la organización puede almacenarse desde unos
meses hasta varios años de información. El modelo que soporta la información
que contiene se encuentra diseñado, estructurado e implementado con la
finalidad y propósito del análisis y navegación de los datos. Se entiende por
navegación o drilling de los datos, la posibilidad de ver información
correspondiente a diferentes contextos o entornos, por ejemplo, analizar las
ventas anuales y poder “abrirlas” por sucursal, después analizar en más en
detalle una sucursal para ver cómo se discriminan las ventas por cada producto,
etc. (Latan South, 2005).

Para (Soto, 2010), un Datawarehouse es un repositorio central que contiene la

información más valiosa de la empresa. Los datos que aquí se almacenan han
pasado por un proceso de calidad que asegura su consistencia. Además, el
repositorio está construido de tal manera que el acceso sea lo más rápido
posible.

¿Por qué es necesario tener un Datawarehouse?

Los sistemas de ingreso de transacciones se ven afectados por las consultas a

sus bases de datos. Generalmente poseen informes predefinidos, y cualquier
modificación a los mismos debe ser solicitado al departamento de sistemas, que
será en definitiva quien evaluará si tiene los recursos humanos disponibles como
para realizarlos. El Datawarehouse está separado de los sistemas
transaccionales, por lo tanto, las consultas no afectan la velocidad de registro de
las operaciones. Se actualiza periódicamente, capturando datos de los distintos
sistemas transaccionales. Una vez implementado, es importante elegir las
herramientas de consulta al Datawarehouse, que permitan un alto grado de
autonomía a los usuarios (Dimensions of information systems success.
Communcation of the AIS, 1999).

8
El Datawarehouse se construye pensado en que tenga una gran capacidad para
obtener reportes que involucren el procesamiento de enormes cantidades de
información y en el menor tiempo posible.

1.3.3 Características de un Datawarehouse

Entre las principales se tiene:

 Orientado al tema:

Según afirma (Latan South, 2005), una primera característica del

Datawarehouse es que la información se clasifica en base a los aspectos
que son de interés para la empresa. Siendo así, los datos tomados están en
contraste con los clásicos procesos orientados a las aplicaciones. Se
muestra el contraste entre los dos tipos de orientaciones.

El ambiente operacional se diseña alrededor de las aplicaciones y funciones

tales como préstamos, ahorros, tarjeta bancaria y depósitos para una
institución financiera. Por ejemplo, una aplicación de ingreso de órdenes
puede accesar a los datos sobre clientes, productos y cuentas. La base de
datos combina estos elementos en una estructura que acomoda las
necesidades de la aplicación (Latan South, 2005).

En el ambiente data warehousing se organiza alrededor de sujetos tales

como cliente, vendedor, producto y actividad. Por ejemplo, para un
fabricante, éstos pueden ser clientes, productos, proveedores y vendedores.
Para una universidad pueden ser estudiantes, clases y profesores. Para un
hospital pueden ser pacientes, personal médico, medicamentos, etc.

La alineación alrededor de las áreas de los temas afecta el diseño y la

implementación de los datos encontrados en el Datawarehouse. Las
principales áreas de los temas influyen en la parte más importante de la
estructura clave.

9
 Las aplicaciones están relacionadas con el diseño de la base de datos y del
proceso. En data warehousing se enfoca el modelamiento de datos y el
diseño de la base de datos. El diseño del proceso (en su forma clásica) no
es separado de este ambiente.

Las diferencias entre la orientación de procesos y funciones de las

aplicaciones y la orientación a temas, radican en el contenido de la data a
nivel detallado. En el Datawarehouse se excluye la información que no será
usada por el proceso de sistemas de soporte de decisiones, mientras que la
información de las orientadas a las aplicaciones, contiene datos para
satisfacer de inmediato los requerimientos funcionales y de proceso, que
pueden ser usados o no por el analista de soporte de decisiones.

 Integrado

El aspecto más importante del ambiente data warehousing es que la

información encontrada al interior está siempre integrada.

La integración de datos se muestra de muchas maneras: en convenciones

de nombres consistentes, en la medida uniforme de variables, en la
codificación de estructuras consistentes, en atributos físicos de los datos
consistentes, fuentes múltiples y otros.

El contraste de la integración encontrada en el Datawarehouse con la

carencia de integración del ambiente de aplicaciones, con diferencias bien
marcadas.

A través de los años, los diseñadores de las diferentes aplicaciones han

tomado sus propias decisiones sobre cómo se debería construir una
aplicación. Los estilos y diseños personalizados se muestran de muchas
maneras.

Se diferencian en la codificación, en las estructuras claves, en sus

características físicas, en las convenciones de nombramiento y otros. La
capacidad colectiva de muchos de los diseñadores de aplicaciones, para

10
 crear aplicaciones inconsistentes. Se muestra algunas de las diferencias
más importantes en las formas en que se diseñan las aplicaciones.

 Codificación. Los diseñadores de aplicaciones codifican el campo

GENERO en varias formas. Un diseñador representa GENERO como una
"M" y una "F", otros como un "1" y un "0", otros como una "X" y una "Y" e
inclusive, como "masculino" y "femenino".

No importa mucho cómo el GENERO llega al Datawarehouse.

Probablemente "M" y "F" sean tan buenas como cualquier otra
representación. Lo importante es que sea de cualquier fuente de donde
venga, el GENERO debe llegar al Datawarehouse en un estado integrado
uniforme.

Por lo tanto, cuando el GENERO se carga en el Datawarehouse desde

una aplicación, donde ha sido representado en formato "M" y "F", los datos
deben convertirse al formato del Datawarehouse.

 Medida de atributos. Los diseñadores de aplicaciones miden las unidades

de medida de las tuberías en una variedad de formas. Un diseñador
almacena los datos de tuberías en centímetros, otros en pulgadas, otros
en millones de pies cúbicos por segundo y otros en yardas.
 Convenciones de Nombramiento.- El mismo elemento es frecuentemente
referido por nombres diferentes en las diversas aplicaciones. El proceso
de transformación asegura que se use preferentemente el nombre de
usuario.
 Fuentes Múltiples.- El mismo elemento puede derivarse desde fuentes
múltiples. En este caso, el proceso de transformación debe asegurar que
la fuente apropiada sea usada, documentada y movida al depósito.
 De tiempo variante:

Según (Latan South, 2005), toda la información del Datawarehouse es

requerida en algún momento. Esta característica básica de los datos en un
depósito, es muy diferente de la información encontrada en el ambiente

11
 operacional. En éstos, la información se requiere al momento de accesar. En
otras palabras, en el ambiente operacional, cuando usted accesa a una
unidad de información, usted espera que los valores requeridos se obtengan
a partir del momento de acceso.

Como la información en el Datawarehouse es solicitada en cualquier

momento (es decir, no "ahora mismo"), los datos encontrados en el depósito
se llaman de "tiempo variante".

Los datos históricos son de poco uso en el procesamiento operacional. La

información del depósito por el contraste, debe incluir los datos históricos
para usarse en la identificación y evaluación de tendencias.

 No volátil:

La información es útil sólo cuando es estable. Los datos operacionales

cambian sobre una base momento a momento. La perspectiva más grande,
esencial para el análisis y la toma de decisiones, requiere una base de datos
estable.

En la actualización (insertar, borrar y modificar), se hace regularmente en el

ambiente operacional sobre una base de registro por registro. Pero la
manipulación básica de los datos que ocurre en el Datawarehouse es mucho
más simple. Hay dos únicos tipos de operaciones: la carga inicial de datos y
el acceso a los mismos. No hay actualización de datos (en el sentido general
de actualización) en el depósito, como una parte normal de procesamiento
(Latan South, 2005).

Hay algunas consecuencias muy importantes de esta diferencia básica,

entre el procesamiento operacional y del Datawarehouse. En el nivel de
diseño, la necesidad de ser precavido para actualizar las anomalías no es
un factor en el Datawarehouse, ya que no se hace la actualización de datos.
Esto significa que en el nivel físico de diseño, se pueden tomar libertades
para optimizar el acceso a los datos, particularmente al usar la normalización
y denormalización física.

12
 De acuerdo con (Latan South, 2005), otra consecuencia de la simplicidad de
la operación del Datawarehouse está en la tecnología subyacente, utilizada
para correr los datos en el depósito. Teniendo que soportar la actualización
de registro por registro en modo on-line (como es frecuente en el caso del
procesamiento operacional) requiere que la tecnología tenga un fundamento
muy complejo debajo de una fachada de simplicidad.

1.3.4 Estructura del Datawarehouse

Los Datawarehouses tienen una estructura distinta. Hay niveles diferentes de

esquematización y detalle que delimitan el Datawarehouse.

Se muestran los diferentes componentes del Datawarehouse y son:

 Detalle de datos actuales

 Detalle de datos antiguos
 Datos ligeramente resumidos
 Datos completamente resumidos
 Meta data
 Detalle de datos actuales.- En gran parte, el interés más importante radica
en el detalle de los datos actuales, debido a que:
 Refleja las ocurrencias más recientes, las cuales son de gran interés
 Es voluminoso, ya que se almacena al más bajo nivel de granularidad.
 Casi siempre se almacena en disco, el cual es de fácil acceso, aunque su
administración sea costosa y compleja.
 Detalle de datos antiguos.- La data antigua es aquella que se almacena
sobre alguna forma de almacenamiento masivo. No es frecuentemente
accesada y se almacena a un nivel de detalle, consistente con los datos
detallados actuales. Mientras no sea prioritario el almacenamiento en un
medio de almacenaje alterno, a causa del gran volumen de datos unido al
acceso no frecuente de los mismos, es poco usual utilizar el disco como
medio de almacenamiento.

13
  Datos ligeramente resumidos.- La data ligeramente resumida es aquella que
proviene desde un bajo nivel de detalle encontrado al nivel de detalle actual.
Este nivel del datawarehouse casi siempre se almacena en disco. Los puntos
en los que se basa el diseñador para construirlo son:
 Que la unidad de tiempo se encuentre sobre la esquematización hecha.
 Qué contenidos (atributos) tendrá la data ligeramente resumida.
 Datos completamente resumidos.- El siguiente nivel de datos encontrado en
el data warehouse es el de los datos completamente resumidos. Estos datos
son compactos y fácilmente accesibles (Barreto Stein, 2006).

1.3.5 Elementos de un Datawarehouse

A continuación, se detalla cada uno de los elementos de los elementos del

Datawarehouse:

Extracción: Procesos automatizados cuyo objetivo es el de obtener los datos

necesarios para la toma de decisiones de la fuente oficial dentro de la
organización, sistema transaccional, Microsoft Excel, etc.

Depuración: Detección y arreglo mediante reglas de negocio, las

inconsistencias de información extraída.

Transformación: Aplicación de reglas para transformar los datos almacenados

en las fuentes oficiales en información para toma de decisiones, aplicación de
cálculos y fórmulas para indicadores.

Diseño de estructuras: Diseño y creación de bases de datos especiales para

el almacenamiento de la información de toma de decisiones.

Herramientas de Explotación: Estas son sistemas que ayudan al usuario a la

exploración de los datos y generación de vistas de información. Se dividen en
Reportadores, Sistemas de Análisis Multidimensional, Sistemas de Apoyo a la
Toma de decisiones y Sistemas de información ejecutiva.

1.3.6 Datawarehouse en Inteligencia de Negocios

14
Como define (Rojas Figueroa, 2010), el Datawarehouse forma parte de una
solución de inteligencia de negocios, pero constituye además su abanderado
principal cuando se implementa con los cubos OLAP.

Tipos de Sistemas de Información en la Empresa.

 Los Sistemas de Información para la Gestión (SIG), o Management

Information Systems ( MIS ).
 Sistemas Soporte a la Decisión (SSD), o Decision Support Systems (DSS).
 Sistemas de Información para Ejecutivos (SIE), o Executive Information
Systems ( EIS ).

Veamos en el Anexo la Figura 51. Tipos de Sistemas de Información.

Como se puede apreciar un Datawarehouse corresponde a la categoría de los

sistemas de Soporte de Decisiones propiamente dichos (Rojas Figueroa, 2010).

Es cuando, por ejemplo, un ejecutivo, mediante un Sistema de Información para

Ejecutivos, al analiza un Indicador de Gestión representado por el KPI de
Recaudación y visualiza un 70% en rojo!. Sistema de Información para
Ejecutivos.

Y tenemos la necesidad de preguntarnos, ¿Dónde estamos fallando?

y surgen los: ¿Qué?, ¿Cómo?, ¿Cuándo?, ¿de Qué Forma?, ¿Quiénes?

 En los clientes (Quiénes)- tal vez los de tipo de están adquiriendo los montos
pensados.
 En los productos (¿Qué?)- hay muchos reclamos por algunos de ellos.
 Los canales de distribución (¿Cómo?)- la competencia deja el producto en la
puerta de la casa del cliente.
 Tiempo (¿Cuándo?)- no estamos comercializando algunos productos que
tradicionalmente se venden en ciertas épocas del año.

15
Cuando respondemos a estas preguntas nos remitimos a los Sistemas de
Soporte de Decisiones, donde el Datawarehouse sobre OLAP cubre todas estas
respuestas (Barreto Stein, 2006).

Hay una serie de metodólogos que ayudan a la construcción de un

Datawarehouse entre ellos podemos mencionar a:

 Bill Inmon.
 Ralph Kimball.

De acuerdo con (Kimball, y otros, 2008), podemos resaltar la propuesta de

Kimball con su Modelamiento Dimensional como una gran fortaleza y de gran
ayuda en la construcción de Datawarehouse.

En los temas siguientes veremos la construcción de un Datawarehouse

utilizando la metodología de Kimball, combinando la propuesta del Pensamiento
Multidimensional de COGNOS mas nuestro aporte personal, implementándolo
con MS SQL Server. Así mismo iremos mencionando los casos de éxito donde
se han aplicado este tipo de soluciones (Kimball, y otros, 2008).

En la Figura 54. Ciclo de vida que propone Kimball en su libro The Data
Warehouse LifeCycle Toolkit de 1998 (Anexo1).

A continuación, se presenta una metodología para desarrollar una solución de

Inteligencia de Negocios y Datawarehouse, el cual como comentábamos en
artículos anteriores sintetiza el estudio del Experto en Construcción de Data
WareHouse: Ralph Kimball, la propuesta de COGNOS uno de los líderes de
soluciones en Inteligencia de Negocios y nuestra propia experiencia (Kimball, y
otros, 2008).

Esta metodología la resumimos en el siguiente ROAD MAP BI/DW: Figura 55.

ROAD MAP. Construcción de Solución BI/DW (Anexo2)

Como se puede apreciar, se proponen 5 fases:

16
a. Planeamiento.

b. Requerimientos y Análisis del Negocio

c. Diseño

d. Construcción

e. Despliegue

A continuación, tenemos los puntos que desarrollaremos por cada fase: Figura
55. ROAD MAP. Fases. (Anexo3)

Data Mining. Minería de Datos

En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat,
sobre la posibilidad de la creación de nuevo conocimiento, se ha creído
conveniente introducir el tema Data Mining (DM) como una posibilidad de
creación de conocimiento en las organizaciones. Luego de esto entraremos de
lleno al desarrollo metodológico de nuestra solución de inteligencia de negocios
(Goicochea, 2010).

Programa Actual:

Segmentamos a nuestros clientes usando Data Mining, "Data Mining incrementa

la satisfacción de nuestros clientes", "Nuestros competidores están usando DM
para incrementar su cuota de mercado, necesitamos levantarnos! ..". Son
algunos de los comentarios en las organizaciones que se pueden percibir.

Pero ¿Qué es el Data Mining?. ¿Cómo esta tecnología puede resolver los
problemas diarios de las organizaciones? ¿Cuál es el ciclo de vida de un DM?

¿Qué es Data Mining?

Como afirma (Toma de Decisiones, 2001), Data Mining constituye un miembro

clave del Business Intelligence (BI) y permite analizar datos, hallando patrones
escondidos, de manera automática o semiautomática. En lo que va del tiempo
muchas empresas han acumulado una gran cantidad de datos en sus bases de

17
datos, el resultado de esta colección de datos es que las organizaciones tienen
“datos ricos” pero “pobre conocimiento”.

El propósito principal del DM es extraer de los datos patrones, incrementar su

valor intrínseco y transformar la data en conocimiento.

Imagine los datos de una tabla relacional, como se muestran en la Figura 57.
Tabla de Clientes, conteniendo información de clientes. (Anexo3)

Una de las metas a encontrar podría ser: ¿A qué cliente o grupo de clientes le
puedo dar un préstamo con un nivel de riesgo Bueno?

Podríamos escribir una consulta para buscar cuantos con tipo de Empleo
dependiente hay y cuantos no. El impacto de la edad seria otra variable a tener
en cuenta o tal vez en función a su nivel de ingresos o deuda que tenía y
seguramente tendríamos que escribir miles de consultas cuando queramos
combinarlas algunas o todas a la vez, imagine si existiera más columnas a usar
y algunas columnas sean valores numéricos como los ingresos mensuales.

En contraste el DM hace un acercamiento más simple a esta pregunta. Todo lo

que tiene que hacer es seleccionar el Algoritmo correcto de DM y especificar el
uso las columnas a usar, el significado de las columnas de entrada y las
columnas predictivas. En el caso anterior las columnas: edad, ingresos, tipo de
empleo, nivel de deuda serían las de entrada. La columna Riesgo Crédito seria
la columna predictiva.

Un modelo de decisión de árbol podría ayudarnos a responder esa pregunta.

El algoritmo revisa la data y analiza el impacto de cada atributo ingresado. Figura

58. Modelo de Decisión de Árbol (Anexo 4)

Volvamos a la pregunta original ¿A qué cliente o grupo de clientes le puedo dar

un préstamo con un nivel de riesgo Bueno?

18
Se imagina llegar a la respuesta de: los clientes con tipo de empleado
Dependiente que tengan un nivel de deuda bajo y que tengan más de 40 años
son los que representan menos riesgo de deuda.

El DM proporciona un enorme valor a las organizaciones. En estos tiempos el

DM puede implementarse con más transparencia:

 Gran cantidad de data disponible: las organizaciones llegaron a implementar

sistemas transaccionales (ventas, almacenes, producción, personal,
contabilidad, etc) y estos en el tiempo han ido almacenando información
aunado a la baja de los costos de almacenamiento han acumulado grandes
volúmenes de datos.
 Alto nivel de competencia: la competencia actualmente es alta como
resultado de marketing moderno y canales de distribución como internet y
comunicaciones, así como la participación de corporaciones nacionales y
extranjeras en el mercado. En este 2008 en nuestra ciudad Trujillo estamos
siendo testigos de la aparición de 2 malls con una infraestructura bastante
atractiva para los clientes, por mencionar un ejemplo de competencia.
 Tecnología Lista: el DM anteriormente era mayormente una solución de
laboratorio, ahora ya es una tecnología madura y está lista para ser aplicada
en las organizaciones. Los algoritmos y el equipamiento existente son más
eficientes para trabajar con data complicada si fuera el caso. Las API del DM
están estandarizándose cada vez más amplitud y esto permite a los
desarrolladores construir aplicaciones.

¿Qué datos usa Data Mining?

Si su organización cuenta con un Data WareHouse o Data Mart, que es donde

mayormente se aplica DM, donde la data ya se encuentra “limpia”. En pequeñas
organizaciones es posible que no exista un Data Warehouse por lo que se podría
“minar” directamente en las tablas transaccionales. En este sentido se
recomienda tener una BD aparte, con los datos necesarios y validados. (García-
Martínez07)

19
En general el DM busca descubrir y evaluar patrones y tendencias con miras a
presentar un nuevo conocimiento de la organización. Figura 59. Datos que usa
Data Mining (Anexo 4).

Ciclo de un Proyecto en DM

Seguramente se estarán preguntando cuales son los pasos para construir un

proyecto de DM.

Paso 1: Colección de Datos.

Los datos del negocio podrían estar en muchos sistemas. Para tener una idea,
en Microsoft, existen cientos de Base de Datos y algo de 70 Data WareHouse.

Paso 2: Limpieza de Datos y Transformación.

La data limpia y transformada es el insumo vital para el DM, por lo que solo
considerar la data relevante.

Paso 3: Construir un Modelo.

Una vez que la data está limpia y las variables a usar transformadas, podemos
empezar a construir modelos comprendiendo la meta que percibe el proyecto de
Data Mining para luego ejecutar el tipo de tarea de DM. La idea es entender a
los analistas del negocio que conocimiento intentan descubrir. En el caso de
postulantes a la universidad, por ejemplo: quienes serán los que tendrán más
éxito en su vida universitaria.

Esta etapa es clave, conociendo el tipo de análisis a realizar es relativamente

sencillo elegir el algoritmo a aplicar. Seguramente serán varios escenarios a
desarrollar.

Paso 4: Modelo Preparado.

20
Aplicados los algoritmos necesarios con sus respectivos parámetros. La idea es
evaluar e identificar el significado de los patrones encontradas y elegir el modelo
a seguir.

Paso 5: Reportear.

Entregar reportes de lo encontrado a los usuarios finales para su conformidad

respectiva.

Paso 6: Predicción.

En algunos proyectos el entregar los patrones descubiertos es una media mitad

del trabajo, la otra corresponde a crear modelos predictivos incorporando nuevos
escenarios.

Paso 7: Integración de Aplicación.

Es necesario crear una aplicación para integrarla al negocio. Por ejemplo, en el

caso del CRM la segmentación de mercado es un tema muy aplicable con DM o
en el caso de un ERP o Sistemas Desarrollados, el tema de los presupuestos
cobran más exactitud al aplicarse DM.

Paso 8: Administración del Modelo.

En el caso de que exista variación con los modelos diseñados es necesario

mantenerse vigilante, lo cual obligaría a crear nuevas versiones del DM.

1.3.7 Metodología para implementar Business Intelligence

Business Intelligence

Business Intelligence puede definirse como el conjunto de habilidades,

tecnologías, aplicaciones o prácticas que se emplean para obtener un mejor
entendimiento de los negocios. Este mecanismo hace evidente lo que de otra

21
manera no lo sería. De ahí la importancia en el soporte a la toma de decisiones,
y no solo a nivel estratégico, sino a nivel táctico como operacional (Latan South,
2005).

Más importante que la tecnología, el verdadero alcance de BI lo define la cultura.

Si no existe cultura de análisis en los usuarios finales, se pueden gastar millones
de dólares en consultoría, licencias e infraestructura, mas no se logrará obtener
el ROI esperado. Al usuario debe inculcársele la necesidad de información y
capacitarlos de forma tal que explote aquellos recursos que se le pongan a su
disposición.

Según (Kimball, y otros, 2008), una de las metodologías para aplicar en la

construcción de un Datawarehouse es el Business Dimensional Lifecycle o BDL
(ciclo de vida dimensional del negocio).

Tomaremos como base el ciclo de vida de los Data Warehouses definido por
Ralph Kimball. El marco presentado por Ralph Kimball con el nombre de
Business Dimensional Lifecycle (Kimball, y otros, 2008).

Como afirma (Kimball, y otros, 2008), (BDL) ilustra las diferentes etapas por las
que debe pasar todo proceso de Data Warehousing. Este enfoque de
implementación de Datawarehouses. El diagrama ilustra la secuencialidad de
tareas de alto nivel requeridas para el efectivo diseño, desarrollo e
implementación de Datawarehouses. El diagrama muestra una vista general del
mapa de ruta de un proyecto en el cual cada rectángulo es un mojón que nos
indica dónde estamos parados, por dónde pasamos y hacia dónde debemos
dirigirnos.

Es importante aclarar, como lo hacen los autores, que el BDL no intenta reflejar
un proyecto en término de tiempos y plazos. Como se puede notar cada
rectángulo del diagrama tiene el mismo ancho, con la excepción del
gerenciamiento del proyecto. Cualquiera que haya pasado por algún proyecto de
Data Warehousing sabe que la magnitud de recursos y tiempo requerido para

22
cada rectángulo del ciclo de vida no es igual. El BDL se focaliza en
secuencialidad y concurrencia no en tiempos y plazos.

A continuación, pasaremos de describir cada una de las etapas del BDL (Ciclo
de vida dimensional del negocio) (Kimball, y otros, 2008).

El Modelo Dimensional usa la misma técnica de representación que el Modelo

Entidad Relación original de Peter Chen, es decir, entidades, relaciones y
atributos, lo normal, vaya. Lo que cambia radicalmente es la forma de entender
los datos que deben ser modelados, la forma de organizarlos en tablas
relacionales para construir un Datawarehouse efectivo.

Para (Navarro, 2010), el BDL no intenta reflejar un proyecto en término de

tiempos y plazos. La magnitud de recursos y tiempos requeridos para cada una
de las actividades para el ciclo de vida no es igual. Es decir, se focaliza en
secuencialidad y concurrencia no en tiempos y plazos.

Esta metodología consiste en las siguientes etapas:

1. Planificación del proyecto: busca identificar la definición y el alcance del

proyecto de Datawarehouse. Se concentra sobre la definición del proyecto
(identificación del escenario del proyecto para saber de dónde surge la
necesidad del Datawarehouse) (Kimball, y otros, 2008).

2. Definición de los requerimientos del negocio: Un factor determinante en el

éxito de un proceso de Data Warehousing es la interpretación correcta de
los diferentes niveles de requerimientos expresados por los diferentes
niveles de usuarios. Permite entender los factores claves que guían al
negocio para determinar efectivamente los requerimientos y traducirlos en
un diseño apropiado. Los requerimientos del negocio deben determinar el
alcance del Datawarehouse (qué datos debe contener, cómo debe estar
organizado, cada cuánto debe actualizarse, quiénes y desde dónde
accederán, etc)., como afirma (Kimball, y otros, 2008).

23
3. Modelado Dimensional: La definición de los requerimientos del negocio
determina los datos necesarios para cumplir los requerimientos analíticos de
los usuarios. Se comienza con una matriz donde se determina la
dimensionalidad de cada indicador y luego se especifican los diferentes
grados de detalle (atributos) dentro de cada concepto del negocio
(dimensión), como así también la granularidad de cada indicador (variable o
métrica) y las diferentes jerarquías que dan forma al modelo dimensional del
negocio (BDM) o mapa dimensional.

4. Diseño físico: se focaliza sobre la selección de las estructuras necesarias

para soportar el diseño lógico. La indexación y las estrategias de
particionamiento son también determinadas en esta etapa.

5. Diseño y Desarrollo de Presentación de Datos: en esta etapa se realizan la

extracción, la transformación y la carga (proceso ETL). Se definen como
procesos de extracción a aquellos requeridos para obtener los datos que
permitirán efectuar la carga del Modelo Físico acordado. Así mismo, se
definen como procesos de transformación los procesos para convertir o
recodificar los datos fuente a fin poder efectuar la carga efectiva del Modelo
Físico. Por otra parte, los procesos de carga de datos son los procesos
requeridos para poblar el Datawarehouse.

6. Diseño de la Arquitectura Técnica: se realiza la integración de numerosas

tecnologías. Tiene en cuenta tres factores: los requerimientos del negocio,
los actuales ambientes técnicos y las directrices técnicas estratégicas futuras
planificadas para de esta forma poder establecer el diseño de la arquitectura
técnica del ambiente de data warehousing.

7. Selección de Productos e Instalación: utilizando el diseño de arquitectura

técnica como marco, evalúa y selecciona componentes específicos de la
arquitectura como ser la plataforma de hardware, el motor de base de datos,
la herramienta de ETL o el desarrollo pertinente, herramientas de acceso,
etc. Una vez evaluados y seleccionados los componentes determinados se

24
 procede con la instalación y prueba de los mismos en un ambiente integrado
de data warehousing.

8. Especificación de Aplicaciones para Usuarios Finales: en esta etapa se

identifican los diferentes roles o perfiles de usuarios para determinar los
diferentes tipos de aplicaciones necesarias en base al alcance de los
diferentes perfiles (gerencial, analista del negocio, vendedor, entre otros).

9. Desarrollo de Aplicaciones para Usuarios Finales: siguiendo a la

especificación de las aplicaciones para usuarios finales, el desarrollo de las
aplicaciones de los usuarios finales involucra configuraciones del metadata
y construcción de reportes específicos.

10. Implementación: representa la convergencia de la tecnología, los datos y las

aplicaciones de usuarios finales accesible desde el escritorio del usuario del
negocio. Hay varios factores extras que aseguran el correcto funcionamiento
de todas estas piezas, entre ellos se encuentran la capacitación, el soporte
técnico, la comunicación, las estrategias de feedback. Todas estas tareas
deben ser tenidas en cuenta antes de que cualquier usuario pueda tener
acceso al Datawarehouse.

11. Mantenimiento y crecimiento: continúa con los relevamientos de forma

constante para poder seguir la evolución de las metas por conseguir. Los
cambios en el desarrollo se ven como signos de éxito y no de falla. Se
establecen las prioridades para poder manejar los nuevos requerimientos de
los usuarios y de esa forma, evolucionar y crecer (Kimball, y otros, 2008).

12. Gerenciamiento del Proyecto.

El gerenciamiento del proyecto se lleva de forma segura y sincronizas en las

actividades del BDL (Business Dimensional Lifecycle) en esta etapa
acompaña todo el ciclo de vida. Se monitorea el estado del proyecto y la
comunicación entre los requerimientos del negocio y las restricciones de
información y así manejarlas correctamente (Kimball, y otros, 2008).

25
1.3.8 El Proceso de Toma de Decisiones

Según (Toma de Decisiones, 2001), en líneas generales, tomar una decisión

implica.

1. Definir el propósito: qué es exactamente lo que se debe decidir.

2. Listar las opciones disponibles: cuales son las posibles alternativas.

3. Evaluar las opciones: cuales son los pro y contras de cada una.

4. Escoger entre las opciones disponibles: cuál de las opciones es la mejor.

5. Convertir la opción seleccionada en acción.

Tipos de decisiones en Gerencia.

 De rutina: las mismas circunstancias recurrentes llevan a seleccionar un

curso de acción ya conocido
 De emergencia: ante situaciones sin precedentes, se toman decisiones en el
momento, a medida que transcurren los eventos. Pueden tomar la mayor
parte del tiempo de un gerente.
 Estratégicas: decidir sobre metas y objetivos, y convertirlos en planes
específicos. Es el tipo de decisión más exigente, y son las tareas más
importantes de un gerente.
 Operativas: son necesarias para la operación de la organización, e incluye
resolver situaciones de “gente” (como contratar y despedir), por lo que
requiere de un manejo muy sensible (Von der Becke, 2001).

Toma de Decisiones:

La toma de decisiones se define como la selección de un curso de acciones entre

alternativas, es decir que existe un plan un compromiso de recursos de dirección
o reputación.

De acuerdo con (Koontz, 1999), en ocasiones los ingenieros consideran la toma

de decisiones como su trabajo principal ya que tienen que seleccionar

26
constantemente qué se hace, quien lo hace y cuándo, dónde e incluso como se
hará. Sin embargo, la toma de decisiones es sólo un paso de la planeación ya
que forma la parte esencial de los procesos que se siguen para elaboración de
los objetivos o metas trazadas a seguir. Rara vez se puede juzgar sólo un curso
de acción, porque prácticamente cada decisión tiene que estar engranada con
otros planes.

El proceso que conduce a la toma de decisión

1. Elaboración de premisas

2. Identificación de alternativas

3. Evaluación de las alternativas, en términos de metas que se desea alcanzar.

4. Selección de una alternativa, es decir tomar una decisión.

Racionalidad en la Toma de Decisiones

Las personas que actúan o deciden racionalmente están intentando alcanzar

alguna meta que no se puede lograr sin acción. Necesitan comprender en forma
clara los cursos alternativos mediante los cuales se puede alcanzar una meta de
acuerdo a las circunstancias y limitaciones existentes. Se necesita también la
información y la capacidad para analizar y evaluar las alternativas de acuerdo
con la meta deseada. Por último, necesitan tener el deseo de llegar a la mejor
solución mediante la selección de la alternativa que satisfaga de un modo más
efectivo el logro de la meta (Koontz, y otros, 1999).

Es raro que las personas logren una racionalidad completa, en particular en la

administración como en la ingeniería.

1. En primer lugar, como nadie puede tomar decisiones que afecten el pasado,
las decisiones tienen que operar para el futuro.

27
2. Es difícil reconocer todas las alternativas que se pudieran seguir para
alcanzar una meta; esto es cierto cuando en especial la toma de decisiones
incluye oportunidades de hacer algo que no se ha hecho antes. Es más, en
la mayor parte de los casos no se pueden analizar todas las alternativas e
incluso con las técnicas analíticas y las computadoras masa modernas
disponibles.

Evaluación de Alternativas

Una vez encontrada la alternativa a apropiada, el siguiente paso es evaluar y

seleccionar aquellas que contribuirán mejor al logro de la meta (Koontz, y otros,
1999).

1. Factores Cuantitativos.

Son factores que se pueden medir en términos numéricos, como es el

tiempo, o los diversos costos fijos o de operación.

2. Factores Cualitativos.

Son difíciles de medir numéricamente. Como la calidad de las relaciones de

trabajo, el riesgo del cambio tecnológico o el clima político internacional.

Para evaluar y comparar los factores se debe reconocer el problema y luego

analizar que factor se le aplica ya se cuantitativo o cualitativo o ambos,
clasificar los términos de importancia, comparar su probable influencia sobre
el resultado y tomar una decisión.

Decisiones Programadas y no Programadas

Para (Toma de Decisiones, 2001), una decisión programada se aplica a

problemas estructurados o de rutina. Los operadores de tomos tienen
especificaciones y reglas que les señalan si la pieza que han hecho es aceptable,
si tiene que desecharse o si se tiene que procesar de nuevo.

28
Las decisiones no programadas se usan para situaciones no programadas,
nuevas y mal definidas, de naturaleza no repetitivas. Ej.: el lanzamiento de la
computadora Macintosh por Apple Computer.

En realidad, las decisiones estratégicas son, en general, decisiones no

programadas, puesto que requieren juicios subjetivos.

La mayoría de las decisiones no son ni completamente programadas ni

completamente no programadas; son una combinación de ambas. La mayor
parte de las decisiones no programadas las toman los gerentes del nivel más
alto, esto es porque los gerentes de ese nivel tienen que hacer frente a los
problemas no estructurados (Koontz, 1999).

Enfoques Modernos en la Toma de Decisiones bajo Condiciones de

Incertidumbre.

1. Análisis De Riesgo prácticamente cada decisión se basa en la interacción de

variables importantes, muchas de las cuales tienen un elemento de
incertidumbre, pero quizás un grado bastante alto de probabilidad. por lo
tanto, la sensatez de lanzar un nuevo producto podría desprender de varias
variables críticas: el costo de producto, la inversión del capital, el precio que
se puede fijar, el tamaño del mercado potencial y la participación del
mercado total.

2. Árboles de Decisión presentan los puntos de decisión, los acontecimientos

fortuitos y las probabilidades existentes en los diversos cursos que se
podrían seguir.

El enfoque del árbol de decisión hace posible observar, al menos las

principales alternativas y el hecho de que las decisiones posteriormente
dependan de acontecimientos en el futuro.

Ej.: los gerentes también pueden comprender la verdadera probabilidad de

una decisión que conduzca a los resultados deseados.

29
 Una cosa es cierta los árboles de decisión y técnicas similares de decisión
reubican criterios amplios con un centro de atención sobre los elementos
importantes de una decisión, hacen resaltar premisas que con frecuencia
están escondidas y muestran el proceso de razonamiento mediante el cual
se toman las decisiones bajo incertidumbre.

1º. Teorías De La Referencia se basa en las ideas de que las actitudes de

las personas hacia el riesgo variaran.

2º. La probabilidad puramente estadística, como se aplican a la toma de

decisiones, descansan sobre la suposición de que los encargados de
tomar las decisiones las seguirán. Podría parecer razonable que si
existiera una posibilidad del 60% de que la decisión sea cierta, una
persona la tomaría. Sin embargo, esto no es necesariamente cierto,
pues el riesgo de estar equivocados es del 40%, quizás la persona no
desee correr este riesgo.

Creatividad e Innovación

La creatividad suele entenderse la capacidad de desarrollar nuevas ideas. Por el

contrario, innovación es el uso de esas ideas. Por supuesto que las
organizaciones no solo generan nuevas ideas, sino que además las convierte en
aplicaciones prácticas.

Proceso Creativo

Está compuesta por cuatro fases interactuantes entre sí:

Exploración inconsciente, intuición, el discernimiento, la formulación o

verificación lógica.

Sistemas de Apoyo a las Decisiones

30
Los sistemas de apoyo a las decisiones (SAD) usan computadoras para el
facilitar el proceso de toma de decisiones de tareas semiestructuradas.

Estos sistemas están diseñados no para reemplazar el criterio administrativo,

sino para apoyarlo y hacer más efectivo el proceso de toma de decisiones. Los
sistemas de respaldo a las decisiones ayudan también a los gerentes a
reaccionar rápidamente a los cambios de necesidades. Por lo tanto, queda claro
que el diseño de un sistema efectivo requiere de un conocimiento profundo de
cómo los gerentes toman las decisiones.

Enfoque de Sistemas a la Toma de Decisiones

Por lo general no se puede tomar decisi8ones en un ambiente de sistema

cerrado. Además, cada departamento o sección de una empresa; los gerentes
de estas unidades organizacionales tienen que ser sensibles a las políticas y
programas de otras unidades organizacionales y de toda la empresa. Más aún,
las personas dentro de la empresa son parte del sistema social y sus
pensamientos y actitudes se tienen que tomar en cuenta cada vez que un
gerente toma una decisión.

Los gerentes para solucionar sus problemas toman en cuenta los diversos
elementos del ambiente del sistema no significan que renuncien a su papel como
tomadores de decisiones. Alguien tiene que seleccionar un curso de acción entre
diversas alternativas, tomando en cuenta los acontecimientos y fuerzas en el
ambiente de una decisión.

1.3.9 Sistema de Apoyo a la Toma de Decisiones

Como define (Soto, 2010), en un sentido amplio, se define a los sistemas de

apoyo a las Decisiones como un conjunto de programas y herramientas que
permiten obtener oportunamente la información requerida durante el proceso de
la toma de decisiones, en un ambiente de incertidumbre.

A lo anterior se agrega que, en la mayoría de los casos, lo que constituye el

detonante de una decisión es el tiempo límite o máximo en el que se debe tomar.

31
Así, en cada decisión que se toma, siempre se podrá pensar en que no se tiene
toda la información requerida; sin embargo, al llegar al límite de tiempo, se
deberá llegar a una decisión. Esto implica necesariamente que al verdadero
objetivo de un sistema de apoyo a las decisiones sea proporcionar la mayor
cantidad de información relevante en el menor tiempo posible, con el fin de
decidir lo más adecuado.

Características Generales de los Sistemas de Apoyo a las Decisiones

 Suelen introducirse después de haber implantado los Sistemas

transaccionales más relevantes de la empresa, ya que estos últimos
constituyen su plataforma de información
 La información que generan sirve de apoyo a los mandos intermedios y la
alta administración en el proceso de toma de decisiones.
 Suelen ser intensivos en cálculos y escasos en entradas y salidas de
información.
 No suelen ahorrar mano de obra.
 Suelen ser Sistemas de Información interactivos y amigables, con altos
estándares de diseño gráfico y visual, ya que están dirigidos al usuario final.
 Apoyan la toma de decisiones que por naturaleza son repetitivas y de
decisiones no estructuradas que no suelen repetirse.
 Estos sistemas pueden ser desarrollados directamente por el usuario final
sin la participación operativa de los analistas y programadores del área de
informática.
 Este tipo de sistemas pueden incluir la programación de la producción,
compra de materiales, flujo de fondos, proyecciones financieras, modelos de
simulación de negocios, modelos de inventarios, etc.

Característica Especificas

Interactividad

Sistema computacional con la posibilidad de interactuar con el tomador de

decisiones en forma amigable y con respuesta a tiempo real.

32
Tipos de decisiones

Apoya el proceso de toma de decisiones estructuradas y no estructuradas.

Frecuencia de uso

Tiene la utilización frecuente por parte de la administración media y alta para el

desempeño de su función.

Variedad de usuarios

Puede ser utilizada por usuarios de diferentes áreas funcionales como ventas,
producción, administración, finanzas y recurso humanos.

Flexibilidad

Permite acoplarse a una variedad determinada de estilos administrativos.

Desarrollo

Permite el desarrollo de modelos de decisión directamente por el usuario

interesado, sin la participación operativa de profesionales en informática.

Interacción ambiental

Permite la posibilidad de interactuar con información externa en la definición de

los modelos de decisión.

Comunicación Interorganizacional

Facilita la comunicación de información relevante de los niveles altos a los

niveles operativos y viceversa, a través de gráficas.

Acceso a bases de datos

Tiene la capacidad de accesar información de las bases de datos corporativas

sin que las modifiquen.

33
Simplicidad

Simple y fácil de aprender y utilizar por el usuario final

Finalmente se quiere hacer notar que la implantación de un Sistema de Apoyo a

las Decisiones, pueden llevarse a cabo en microcomputadoras o mainframes,
dependiendo de la infraestructura disponible. Las ventajas que se obtienen al
hacerlo a través de microcomputadoras son las siguientes:

Menores costos

Disponibilidad de muchas herramientas en el mercado que operan en el

ambiente de microcomputadoras.

Muy baja dependencia de personas que se encuentran fuera del control del
tomador de decisiones.

Por otro lado, los inconvenientes de esta forma de implantar los Sistemas de
Apoyo a las Decisiones son:

Faltad e integridad y consolidación en la administración de la información.

Problemas de seguridad de la información

Pérdida del control administrativo por parte del área de Informática.

El proceso de toma de decisiones

El proceso de toma de decisiones es una de las actividades que se realizan con

mayor frecuencia en el mundo de los negocios. Se presenta en todos los niveles
de la organización: desde asistentes o auxiliares, hasta los directores generales
de las empresas. En todos los casos se tiene uno o varios objetivos que cumplir
considerando un conjunto de restricciones. En general, los Sistemas de Apoyo a
las Decisiones tienen como propósito fundamental apoyar y facilitar este
proceso, a través de la obtención oportuna y confiable de información relevante
(Soto, 2010).

34
El proceso de la toma de decisiones puede resumirse a través de diferentes
pasos o etapas, los cuales suelen presentarse en forma similar en la mayoría de
los casos; estos se mencionan de los casos; estos se mencionan a continuación:

Identificación de restricciones

Identificador de alternativas de solución

Obtención de la información relevante

Evaluación de alternativas

Selección de la mejor alternativa y toma de la decisión

Decisiones repetitivas

Como afirma (Soto, 2010), este tipo de decisiones se toma en niveles

intermedios dentro de la organización y se caracteriza por ser predecible en
cierta medida, de tal suerte, que se puede desarrollar de antemano algunos
modelos o programas con el fin de preparar el momento de toma de decisión.
Además, autores denominan este concepto como decisiones estructuradas o
parcialmente estructuradas. Otros los llaman decisiones programadas.

Algunos ejemplos de este tipo de decisión son:

Decidir el programa de producción del próximo bimestre.

Decidir los instrumentos de inversión más rentables en el corto plazo.

Decidir el nuevo límite de crédito de los principales clientes.

Decidir los pagos de los proveedores que serán propuestos debido a una baja
inesperada del flujo de efectivo.

Como puede observarse, en muchos de los casos existe la posibilidad de

predecir este tipo de eventos, ya que se pueden presentar con cierta regularidad,
quizá con algunos nuevos elementos, pero en general con variables similares o
equivalentes.

Decisiones no repetitivas

35
Esta categoría de decisiones se presenta en los niveles más altos de la
organización y se caracteriza por un considerable grado de incertidumbre.

Normalmente, son llamadas decisiones no estructuradas o no programadas,

siendo el elemento relevante la imposibilidad de predecir el tipo y escenario de
la decisión.

En este tipo de decisiones, el ejecutivo o el tomador de decisiones deben estar

con las herramientas necesarias para construir sus modelos en forma ágil, con
el fin de obtener la información necesaria, por lo que es muy frecuente la
utilización de microcomputadoras para el desarrollo de aplicaciones de usuario
final. Algunos ejemplos de este tipo de decisiones pueden ser:

Cambio de una materia prima de mayor costo, pero con mayor rendimiento.

Análisis de factibilidad para determinar la conveniencia de iniciar la producción y

venta de un producto nuevo a un cliente, incrementando los volúmenes de
producción, pero bajando sensiblemente de venta.

Determinar la conveniencia de efectuar alianzas estratégicas con algún

competidor foráneo para optimizar los procesos de producción y mercadeo.

Por otro lado, las decisiones repetitivas y no repetitivas pueden ser clasificadas
de acuerdo con el número de participantes durante el proceso:

Decisiones independientes

Tomadas de forma aislada por una persona, sin la participación ni intervención

de otras personas. En este caso, el tomador de decisiones posee la total
responsabilidad y autoridad para tomar la decisión.

Decisiones Secuenciales

Tomadas por un grupo de personas, el tomador de decisiones solamente

participa en una parte de la decisión, y el resto es transferido a otras áreas o
ejecutivos de la organización para completar el proceso.

36
Decisiones Simultáneas

Tomadas solamente en grupo, son el producto de la interacción y negociación

entre varias personas en forma simultánea.

Tipos de sistemas de apoyo a las decisiones

Módulos funcionales que integran un Sistema de Apoyo a las Decisiones

Según (Soto, 2010), una de las características que poseen los Sistemas de
Apoyo a las Decisiones es la facilidad de que un usuario, sin tener amplios
conocimientos de sistemas computacionales, pueda desarrollar sus propios
modelos de decisión.

Estos modelos son construidos con la ayuda de herramientas, que en términos

generales se clasifican en herramientas, de software. Las primeras están
constituidas por todos aquellos elementos del hardware, incluyendo
microcomputadoras, monitores de alta resolución, impresoras, etc.

Las herramientas de software son aquellas que permiten al usuario generar sus
propias aplicaciones, manipular su información particular y, en general,
interactuar con el Sistemas de Apoyo a las Decisiones. Estas herramientas o
módulos funcionales, serán comentados brevemente a continuación.

Manejo de modelos

Esta facilidad permite al usuario utilizar modelos matemáticos clásicos, que se

encuentran desarrollados y disponibles, formando la base de modelos. Estos
pueden incluir:

Inventarios, Control de proyectos, Programación lineal, Simulación, Análisis

estadísticos, Planeación financiera y generación de escenarios, Manejo y
administración de datos.

37
Otra de las facilidades de los Sistemas de Apoyo a las Decisiones permite a los
usuarios desarrollar sus propios modelos de decisión. Esto implica la posibilidad
de manejar entrada, procesamiento, almacenamiento y salida de información.

En este sentido, el usuario diseña sus propios formatos de entrada y salida, así
como la estructura del almacenamiento de información y las funciones del
procesamiento, de tal forma que el sistema se puede encontrar en una
permanente evolución, a través de los cambios que periódicamente se van
integrando a la aplicación. Esta forma de desarrollo, denominada prototipo, es
diferente al proceso tradicional del desarrollo de un típico sistema transaccional.
En este último, el usuario tiene que definir de antemano todos los requerimientos
de sus sistemas de aplicación durante la fase de análisis, antes de iniciar la fase
de diseño (Soto, 2010).

1.4 Formulación del problema

Podemos resumir el problema de investigación del siguiente modo:

¿En qué medida la Implementación de un Datawarehouse con la Metodología

Business Intelligence facilita la Toma de Decisiones en la Facultad de Ingeniería
de la Universidad César Vallejo Tarapoto?

1.5 Justificación del estudio

1.5.1 Justificación teórica

El estudio de investigación buscó validar los fundamentos de la teoría de la

información, que sienta las bases de la comunicación y la codificación de la
información, analizando y desarrollando una metodología para usar la teoría de
la información para analizar datos generados por la institución.

38
Con este proceso se demostró que es posible medir la cantidad de información
disponible en los datos y qué porción de la misma podrá utilizarse para resolver
los problemas de la dependencia en estudio.

1.5.2 Justificación práctica

Los resultados que se obtuvieron de la investigación permitió a la Facultad de

Ingeniería acceder y analizar de manera rápida y sencilla, la información para la
toma de decisiones a nivel operativo, táctico y estratégico.

Además, la Facultad puede tomar decisiones correctas basadas en información

exacta y actualizada que le genere el sistema. Cuenta con herramientas de
reporte, consulta y análisis de datos que pueden servir para optimizar la gestión
estratégica en sus distintas etapas y procesos.

1.5.3 Justificación social

Los servicios que brinda la universidad ahora son más oportunos y eficientes, los
beneficiados no es solo la comunidad universitaria, sino el conjunto de la
sociedad donde oferta sus servicios. Desde esta lógica, los resultados óptimos
de la investigación generan cambios estratégicos que desarrolla una
organización más flexible y dinámica, con el apoyo de las tecnologías para la
toma de decisiones, redunda en los beneficiarios directos –estudiantes actuales-
y los beneficiarios potenciales constituidos por el total de la población
sanmartinense que tiene la posibilidad de acceder a los servicios educativos que
se ofertan.

1.5.4 Justificación metodológica

Con el desarrollo del estudio se demostró la aplicación de variables tecnológicas

en la solución a problemas vigentes, sugiere por tanto que se utilice los avances
de los sistemas de información y de las tecnologías de información para una
nueva manera de hacer las cosas, para mejorar los procesos con una mejor
información para el desarrollo de las instituciones.

39
1.6 Hipótesis

La Implementación de un Datawarehouse con la Metodología Business

Intelligence facilita significativamente la toma de decisiones en la Facultad de
Ingeniería de la Universidad César Vallejo Tarapoto.

1.7 Objetivos

1.7.1 Objetivo General:

Implementar un Datawarehouse con la metodología de Business Intelligence que

facilite la Toma de Decisiones en la Facultad de Ingeniería de la Universidad
César Vallejo Tarapoto.

1.7.2 Objetivos Específicos:

1. Reducir el tiempo en la toma de decisiones de la alta dirección de la escuela

de ingeniería de Sistemas e Ingeniería Civil.

2. Incrementar el nivel de satisfacción de los usuarios del sistema.

3. Reducir el tiempo empleado en la elaboración de reportes de gestión.

4. Reducir los costos operacionales en los reportes de gestión.

5. Determinar la confiabilidad de la información en los reportes de la gestión.

6. Establecer los fundamentos teóricos del sistema de inteligencia de negocios.

7. Conocer los requerimientos claves y características que posibiliten el

desarrollo del sistema de inteligencia de negocios.

8. Establecer las dimensiones de las funcionalidades del Datawarehouse.

40
II. MÉTODO

2.1 Diseño de investigación

Para el desarrollo de la investigación se aplicó un diseño de tipo pre experimental

de comparación con grupos estáticos, aplicado el esquema operacional el cual
se muestra en el siguiente esquema.

X O1
--------------------------------
O2

Donde:

X = Representa a la variable Inteligencia de Negocios

O1 = Representa a la toma de decisiones en la Escuela de Ingeniería

de Sistemas

O2 = Representa a la toma de decisiones en la escuela de Ingeniería

Civil

2.2 Variables, operacionalización

2.2.1 Variables

2.2.1.1 Definición conceptual

Hemos adecuado en el marco conceptual de la variable una definición, tal sentido

conceptuamos que:

a. Inteligencia de Negocios. Es una arquitectura y colección de herramientas

que buscan mejorar las organizaciones en los niveles estratégico, táctico y

41
 operacional para ayudar a tomar decisiones en un análisis de base de datos
con información confiable a las personas correctas en un tiempo oportuno.
b. Toma de Decisiones. Es la encargada de conducir a la empresa a un
futuro deseado, lo que implica que la misma debe influir directamente en el
cumplimiento de los objetivos establecidos, y esta dirección que tomará la
decisión debe contar con toda la información necesaria para que las
decisiones correspondientes puedan ser tomadas precisamente con
respecto a la actitud y postura que la que facilite la toma de decisiones
estratégica asumirá ante cualquier situación.

2.2.1.2 Definición Operacional

a. Inteligencia de Negocios. Se manifiesta en los datos generados para la

toma de decisiones, incluido el conjunto del software que aporta las
interfaces y funciones necesarias que apoyan dicho proceso.

Las dimensiones son:

 Proceso de Alumnos rendimiento y notas

 Proceso de matriculas
 Proceso de pagos
 Proceso de cuentas por pagar
 Proceso de Penalización en biblioteca
 Proceso de Carga lectiva de docentes
 Proceso de Planillas
 Proceso de Logística
 Proceso de Capacidad
 Proceso de catalogo
 Proceso de compras

42
b. Toma de Decisiones. Está delimitada por el tipo de acciones que
caracterizan la forma de hacer y de entender las organizaciones, teniendo
como eje permanente el cambio, encausados hacia los objetivos
estratégicos de la organización.

2.2.2 Indicadores

Los indicadores de las variables son seleccionados a través de la

operacionalización de variables que se detalla a continuación:

a. Indicadores de Inteligencia de Negocios

 Número de alumnos matriculados por un determinado tipo de matrícula
en un tiempo determinado, Monto pagado por Alumno clasificado por
Facultad en un determinado tiempo, Monto a pagar por penalización
clasificado por Escuela y alumno en un tiempo determinado, Número de
docentes que dictan cursos en una escuela en un tiempo determinado.
 Usando como instrumentos las fichas de observación para las variables
de inteligencia de negocios y toma de decisiones.

b. Indicadores de Toma de Decisiones

 Oportunidad de la información
 Veracidad de la información
 Tiempo en búsqueda de Información
 Confiabilidad de la información
 Costo operacional en emisión de reportes de gestión

2.3 Población y muestra

La población de estudio estuvo compuesta por todos los funcionarios y

administrativos de la Facultad de Ingeniería de la Universidad César Vallejo de
Tarapoto, que comprende a los trabajadores administrativos y autoridades de las
carreras profesionales de Ingeniería de Sistemas e Ingeniería Civil.

43
Para determinar la muestra de estudio se aplicó un muestro no probabilístico
basado en los criterios asumidos en la investigación según (Hernández, y otros,
2010), donde se requiere trabajar con un grupo sobre quien se aplicó la variable
para la toma de decisiones, quedando la muestra representada por un conjunto
de funcionarios y administrativos de la Facultad de Ingeniería que suman la
cantidad de 5 usuarios.

2.4 Técnicas e instrumentos de recolección de datos, validez y

confiabilidad

En la Tabla 1 se presenta las técnicas e instrumentos de recolección de datos

utilizados en la presente investigación (Bunge, 1997).

Tabla 1. Técnicas e instrumentos de recolección de datos

FUENTE/
TECNICAS INSTRUMENTOS
INFORMANTES

Observación Ficha de observación Reportes

Funcionarios,
Encuesta Cuestionario Docentes y
Administrativos
Funcionarios,
Entrevista Guía de entrevista Docentes y
Administrativos

Los instrumentos fueron validados por tres expertos para su confiabilidad en la

toma de datos.

2.5 Métodos de análisis de datos

Después de la recolección de datos, viene el procesamiento de los datos con la

ayuda de paquetes estadísticos SPSS, Excel.

Para el análisis de datos estadístico se utilizaron medidas estadísticas

descriptivas, porcentajes, proporciones, tasas, promedios, media aritmética, y
desviación estándar (Gonzalez Rio, 1997).

Además de pruebas estadísticas de cómo la t de Student y la prueba Z.

44
2.6 Aspectos éticos

La presente investigación se basa en los principios de la ética, pues los sujetos

de estudio fueron personas, y se tuvo en cuenta el consentimiento previo de los
mismos en su participación.

45