5.3.- Modelos
5.4.- Herramientas.
Un Data Warehouse) es una colección de datos orientada a un determinado ámbito (empresa, organización, etc.), integrado, no volátil y variable en el tiempo, que ayuda a la toma de decisiones en la entidad en la que se utiliza. Se trata, sobre todo, de un expediente completo de una organización, más allá de la información transaccional y operacional, almacenado en una base de datos diseñada para favorecer el análisis y la divulgación eficiente de datos (especialmente OLAP, procesamiento analítico en línea). El almacenamiento de los datos no debe usarse con datos de uso actual. Los almacenes de datos contienen a menudo grandes cantidades de información que se subdividen a veces en unidades lógicas más pequeñas dependiendo del subsistema de la entidad del que procedan o para el que sea necesario.
Función de un almacén de datos
En un almacén de datos lo que se quiere es contener datos que son necesarios o útiles para una organización, es decir, que se utiliza como un repositorio de datos para posteriormente transformarlos en información útil para el usuario. Un almacén de datos debe entregar la información correcta a la gente indicada en el momento óptimo y en el formato adecuado. El almacén de datos da respuesta a las necesidades de usuarios expertos, utilizando Sistemas de Soporte a Decisiones (DSS), Sistemas de información ejecutiva (EIS) o herramientas para hacer consultas o informes. Los usuarios finales pueden hacer fácilmente consultas sobre sus almacenes de datos sin tocar o afectar la operación del sistema. En el funcionamiento de un almacén de los datos son muy importantes las siguientes ideas:
**Integración de los datos provenientes de bases de datos distribuidas por las diferentes unidades de la organización y que con frecuencia tendrán diferentes estructuras (fuentes heterogéneas). Se debe facilitar una descripción global y un análisis comprensivo de toda la organización en el almacén de datos.
**Separación de los datos usados en operaciones diarias de los datos usados en el almacén de datos para los propósitos de divulgación, de ayuda en la toma de decisiones, para el análisis y para operaciones de control. Ambos tipos de datos no deben coincidir en la misma base de datos, ya que obedecen a objetivos muy distintos y podrían entorpecerse entre sí.
Periódicamente, se importan datos al almacén de datos de los distintos sistemas de planeamiento de recursos de la entidad (ERP) y de otros sistemas de software relacionados con el negocio para la transformación posterior. Es práctica común normalizar los datos antes de combinarlos en el almacén de datos mediante herramientas de extracción, transformación y carga (ETL). Estas herramientas leen los datos primarios (a menudo bases de datos OLTP de un negocio), realizan el proceso de transformación al almacén de datos (filtración, adaptación, cambios de formato, ...) y escriben en el almacén.
Los Data marts son subconjuntos de datos de un data warehouse para áreas especificas.
Entre las características de un data mart destacan:
1.- Usuarios limitados.
2.- Area específica.
3.- Tiene un propósito específico.
4.- Tiene una función de apoyo.
Cubos de información o cubos OLAP: funcionan como los cubos de rompecabezas en los juegos, en el juego se trata de armar los colores y en el data warehouse se trata de organizar los datos por tablas o relaciones; los primeros (el juego) tienen 3 dimensiones, los cubos OLAP tienen un número indefinido de dimensiones, razón por la cual también reciben el nombre de hipercubos. Un cubo OLAP contendrá datos de una determinada variable que se desea analizar, proporcionando una vista lógica de los datos provistos por el sistema de información hacia el data warehouse, esta vista estará dispuesta según unas dimensiones y podrá contener información calculada. El análisis de los datos está basado en las dimensiones del hipercubo, por lo tanto, se trata de un análisis multidimensional.
Dimensiones
Las dimensiones de un cubo son atributos relativos a las variables, son las perspectivas de análisis de las variables (forman parte de la tabla de dimensiones). Son catálogos de información complementaria necesaria para la presentación de los datos a los usuarios, como por ejemplo: descripciones, nombres, zonas, rangos de tiempo, etc. Es decir, la información general complementaria a cada uno de los registros de la tabla de hechos.
Elementos que integran un almacén de datos
1.- Metadatos: Uno de los componentes más importantes de la arquitectura de un almacén de datos son los metadatos. Se define comúnmente como "datos acerca de los datos", en el sentido de que se trata de datos que describen cuál es la estructura de los datos que se van a almacenar y cómo se relacionan.
El metadato documenta, entre otras cosas, qué tablas existen en una base de datos, qué columnas posee cada una de las tablas y qué tipo de datos se pueden almacenar. Los datos son de interés para el usuario final, el metadato es de interés para los programas que tienen que manejar estos datos. Sin embargo, el rol que cumple el metadato en un entorno de almacén de datos es muy diferente al rol que cumple en los ambientes operacionales. En el ámbito de los data warehouse el metadato juega un papel fundamental, su función consiste en recoger todas las definiciones de la organización y el concepto de los datos en el almacén de datos, debe contener toda la información concerniente a:
**Tablas
**Columnas de tablas
**Relaciones entre tablas
**Jerarquías y Dimensiones de datos
**Entidades y Relaciones
2.- Funciones ETL (extracción, transformación y carga): Los procesos de extracción, transformación y carga (ETL) son importantes ya que son la forma en que los datos se guardan en un data warehouse (o en cualquier base de datos). Implican las siguientes operaciones:
**Transformación.- Cualquier operación realizada sobre los datos para que puedan ser cargados en el data warehouse o se puedan migrar de éste a otra base de datos.
**Carga.- Consiste en almacenar los datos en la base de datos final, por ejemplo el data warehouse objetivo.
3.- Middleware: es un término genérico que se utiliza para referirse a todo tipo de software de conectividad que ofrece servicios u operaciones que hacen posible el funcionamiento de aplicaciones distribuidas sobre plataformas heterogéneas. Estos servicios funcionan como una capa de abstracción de software distribuida, que se sitúa entre las capas de aplicaciones y las capas inferiores (sistema operativo y red). El middleware puede verse como una capa API, que sirve como base a los programadores para que puedan desarrollar aplicaciones que trabajen en diferentes entornos sin preocuparse de los protocolos de red y comunicaciones en que se ejecutarán. De esta manera se ofrece una mejor relación costo/rendimiento que pasa por el desarrollo de aplicaciones más complejas, en menos tiempo.
La función del middleware en el contexto de los data warehouse es la de asegurar la conectividad entre todos los componentes de la arquitectura de un almacén de datos.
Ventajas: Hay muchas ventajas por las que es recomendable usar un almacén de datos. Algunas de ellas son:
a.- Los almacenes de datos hacen más fácil el acceso a una gran variedad de datos a los usuarios finales.
b.- Facilitan el funcionamiento de las aplicaciones de los sistemas de apoyo a la decisión tales como informes de tendencia', por ejemplo: obtener los ítems con la mayoría de las ventas en un área en particular dentro de los últimos dos años; informes de excepción, informes que muestran los resultados reales frente a los objetivos planteados a priori.
c.- Los almacenes de datos pueden trabajar en conjunto y, por lo tanto, aumentar el valor operacional de las aplicaciones empresariales, en especial la gestión de relaciones con clientes.
Inconvenientes: Utilizar almacenes de datos también plantea algunos inconvenientes, algunos de ellos son:
a.- A lo largo de su vida los almacenes de datos pueden suponer altos costos. El almacén de datos no suele ser estático. Los costos de mantenimiento son elevados.
b.- Los almacenes de datos se pueden quedar obsoletos relativamente pronto.
c.- A veces, ante una petición de información estos devuelven una información subóptima, que también supone una perdida para la organización.
d.- A menudo existe una delgada línea entre los almacenes de datos y sistemas operativos. Hay que determinar qué funcionalidades de estos se pueden aprovechar y cuáles se deben implementar en el data warehouse, resultaría costoso implementar operaciones no necesarias o dejar de implementar alguna que sí vaya a necesitarse.
5.2.- DEFINICION DE BUSINESS INTELIGENCE (Inteligencia empresarial)
El término inteligencia empresarial se refiere al uso de los datos de una empresa para facilitar la toma de decisiones a las personas que deciden, es decir, la comprensión del funcionamiento actual y la anticipación de acciones para dar una dirección bien informada a la empresa.
Las herramientas de inteligencia se basan en la utilización de un sistema de información de inteligencia que se forma con distintos datos extraídos de los datos de producción, con información relacionada con la empresa o sus ámbitos y con datos económicos.
Lo primero que puedo decir es que tenemos que identificar cuáles son las necesidades y el tipo de herramienta que se busca: análisis, reporting, base de datos, OLAP, etc...De momento, los voy a dejar con unas pinceladas, según mi criterio, de los principales factores (sin orden de importancia) a tener en cuenta cuando elegimos una herramienta Business Intelligence:
1. La Plataforma: No es lo mismo estar atados a Microsoft, o poder trabajar en Unix, o tener una estrategia Open Source Linux. Lo mismo aplica al hardware. Algunos fabricantes son restrictivos.
2. El Curriculum del vendedor: Es muy útil conocer el tipo de implementaciones que se han hecho, si se han realizado en tiempo, si se utilizan, la satisfacción de usuarios, etc...
3. El tamaño del cubo: Es imprescindible hacer un análisis previo de la amplitud de la información a almacenar. Algunas aplicaciones pueden 'explotar' llegado cierto nivel.
4. La velocidad de consulta: Los usuarios siempre quieren velocidad en sus consultas. Y si 20 segundos de espera es mucho, quizás haya que buscar otra herramienta.
5. Servicios de soporte y ayuda a nivel mundial: Tenemos que tener la seguridad de que si algo falla en la aplicación ( y fallará, esto es seguro) podamos resolverla en el menor tiempo posible.
6. Evaluaciones de analistas: Gartner, IDC saben de que hablan... y suelen ser objetivos. No está de más fijarse en sus 'cuadrantes'.
7. El ecosistema del vendedor (consultores, partners, acuerdos, comunidad de desarrolladores…).
8. Base instalada de usuarios. Si hay de mi sector mucho mejor. Si puedo hablar con ellos y ver la herramienta en vivo, todavía mejor.
9. Graphical User Interface (GUI). Hay que recordar que hablamos de una herramienta para usuarios finales y si a éstos no les gusta, no la utilizarán y será dinero tirado.
10. El precio: No tiene por qué ser lo más importante..... pero... es importante!!!
11. Integración con otras herramientas: Ninguna herramienta funciona como una isla aislada del resto. Lo mismo que una empresa, si creas islas, crearás incomunicación.
¿Por qué fallan muchos proyectos Business Intelligence?
A veces nos sorprende que con el desarrollo al que han llegado muchas herramientas, el uso de metodologías contrastadas y el mayor nivel de conocimiento de técnicos y usuarios, se produzcan tantos desastres en la implementación de soluciones Business Intelligence, en términos de exceso de coste sobre el previsto, no utilización por parte de los usuarios, no cumplir con las expectativas, información errónea, etc...En base a mi experiencia os voy a comentar cuales son algunos de los principales fallos:
1) Muchos Data Warehouses crecen en tamaño de forma desproporcionada porque los técnicos no consiguen decir 'no' a las 'excesivas' demandas de los usuarios.
2) Se prefiere realizar el proyecto con gente de la propia empresa, cuando éstos no tienen ni tiempo, ni conocimientos para poder abarcarlo.
3) Se fijan unas fechas de entrada en producción del sistema poco realistas, que provoca nuevas fechas y más retrasos.
4) El presupuesto destinado para el proyecto es escaso en comparación con el grado de complejidad que se quiere desarrollar.
5) La selección del software y hardware a veces se realiza siguiendo criterios de acuerdos generales o compromisos, antes que puramente técnicos.
6) Antes del proyecto, no se realizan benchmarks o 'pruebas de concepto' para determinar la viabilidad.
7) Los datos de origen no están limpios. Duplicidades, errores, carácteres erróneos.. implican un proceso ETL más costoso, mayor tamáño de la Base de datos y peor rendimiento.
8) El sponsor del proyecto no ejerce como tal durante el mismo. No 'baja a la tierra'.
9) Mala elección de los consultores y excesiva rotación entre ellos.
10) Escasa involucración de los usuarios finales que les lleva a sentir cierta frustracción con los resultados obtenidos.
11) Caer en el error de 'en informática todo se puede hacer' y empezar con customizaciones, escribir código fuera de las funcionalidades standard.
12) No alinear el proyecto dentro de una estrategia de negocio.
Existen muchos más factores que pueden hacer fallar un proyecto Business Intelligence, pero éstos pueden hacer literalmente 'tumbarlo', no conseguir más proyectos para los consultores, mala imagen del producto y riesgos internos para el director de informática y otros sponsors.
5.3.- MODELOS
Ø Modelo Hecho-Dimensional (Golfarelli)[4].
Ø Modelo Multidimensional/ER (Sapia)[5].
Ø Modelo Estrella/ER (Tryfona) [6].
Ø Modelo GOLD (Trujillo)[7].
Ø Modelo Husemann [8].
Ø Modelo YAM2[9].
5.4.- HERRAMIENTAS.
Que Software comercial existe disponible? .- Las mas reconocidas son:
Paquetes Open Source
2. Freereporting.com: Free Web-based BI software application by LogiXML
3. JasperSoft: Standalone and Operational BI for reporting, analysis and ETL (the latter based on Talend Open Studio)
4. OpenI: simple web application that does OLAP reporting
5. Palo (OLAP database): Memory-based OLAP Server (MOLAP refers to Multidimensional OLAP, not Memory-based OLAP) with interface to Microsoft Excel, .NET, PHP, Java and C++
6. Pentaho: Enterprise-class reporting, analysis, dashboard, data mining and workflow capabilities
7. RapidMiner (formerly YALE): open-source software for intelligent data analysis, knowledge discovery, data mining, predictive analytics, and machine learning useful for business intelligence applications.
8. SpagoBI: a Business Intelligence Free Platform which uses many FOSS tools as analytical engines, integrating them in an infrastructure which offers a cross-operativeness and a
Paquetes No Open Source
SAGENT SOLUTION PLATTFORM:
Es un sistema integrado que extrae, transforma, mueve, distribuye y presenta la información clave para la toma de decisiones en la empresa en un entorno homogéneo.
MICROSTRATEGY:
Provee soluciones a clientes de cualquier industria y/o área funcional con el fin de ayudarlos en la obtención de un mayor conocimiento sobre la información manejada en su empresa.
BUSINESS OBJECTS:
Suministra a los usuarios el poder acceder de forma sencilla a los datos, analizar la información almacenada y creación de informes.
COGNOS:
Es un software que ofrece la funcionalidad de análisis y toma de decisiones. Cuenta con una herramienta especial para modelación, pronóstico – forecasting -, y simulación - what-if - del negocio.
BITAM/ARTUS BUSINESS INTELLIGENCE SUITE:
Herramienta capaz de agrupar la información y utilizarla como un activo que ayudará a la empresa a identificar las oportunidades de negocio, optimizar las áreas de de finanzas, clientes, procesos internos, aprendizaje e innovación.
ORACLE9I APPLICATION SERVER:
Permite acceder, analizar y compartir la información y tomar decisiones precisas, basadas en datos en forma rápida.
Componentes de BI .- Se considera que las soluciones de BI deben de reunir al menos los siguientes componentes:
1. Multidimensionalidad: Una herramienta de BI debe de ser capaz de reunir información dispersa en toda la organización e incluso en diferentes fuentes (hojas de cálculo, bases de datos, etc. ) y ofrecer el acceso y la flexibilidad que se precisa para analizar la información.
2. Data Mining: Las organizaciones pueden generar grandes cantidades de información referida a sus procesos, mercados, usuarios, etc. Pero el éxito de los negocios depende por lo general de la habilidad para ver nuevas tendencias o cambios en las tendencias. Las aplicaciones de data mining pueden identificar tendencias y comportamientos, no sólo para extraer información, sino también para descubrir las relaciones en bases de datos que pueden identificar comportamientos que no muy evidentes.
3. Agentes: Los agentes son programas que “piensan”. Ellos pueden realizar tareas a un nivel muy básico sin necesidad de intervención humana. Por ejemplo, un agente pueden realizar tares un poco complejas, como elaborar documentos, establecer diagramas de flujo, etc.
4. Data Warehouse: Es la respuesta de la tecnología de información a la descentralización en la toma de decisiones. Coloca información de todas las áreas funcionales de la organización en manos de quien toma las decisiones. También proporciona herramientas para búsqueda y análisis.
Visión Prospectiva para el BI
Vale la pena revisar lo que destacados referentes opinan sobre el futuro del BI:
En aproximadamente cinco años, veremos un incremento dramático del 40% en el número de usuarios finales que utilicen herramientas de BI… Frank Gelbart, CEO, Appfluent Technology Inc., Arlington, Va.
Los usuarios demandarán mayor integración entre los números y su interpretación. Así mismo, todas las aplicaciones de BI incluirán herramientas de administración de contenido o bien administración de conocimiento. --Brian Hartlen, Vice President, Comshare Inc.,Ann Arbor, Mich.
La información de BI permite a una organización crecer y explotar futuras oportunidades y al mismo tiempo, es el blanco para espionaje corporativo, crimen y terrorismo computacional… --Ryon Packer, Vice President, Intrusión, Inc., Richardson, Texas.
3 comentarios:
Componentes de una solución BI
Una solución integral BI se compone de los siguientes elementos:
• Diseño conceptual de los sistemas: Para resolver el diseño de un modelo BI, se deben contestar a tres preguntas básicas: cuál es la información requerida para gestionar y tomar decisiones; cuál debe ser el formato y composición de los datos a utilizar; y de dónde proceden esos datos y cuál es la disponibilidad y periodicidad requerida.
• Construcción y alimentación del datawarehouse y/o de los datamarts.
Herramientas de explotación de la información
- Query & reporting: herramientas para la elaboración de informes y listados, tanto en detalle como sobre información agregada, a partir de la información de los datawarehouses y datamarts.
- Cuadro de mando analítico (EIS tradicionales): elaboración, a partir de datamarts, de informes resumen e indicadores clave para la gestión (KPI), que permitan a los gestores de la empresa analizar los resultados de la misma de forma rápida y eficaz
- Cuadro de mando integral o estratégico(Balanced Scorecard): este modelo parte de que la estrategia de la empresa es el punto de referencia para todo proceso de gestión interno. Con él los diferentes niveles de dirección y gestión de la organización disponen de una visión de la estrategia de la empresa traducida en un conjunto de objetivos, iniciativas de actuación e indicadores de evolución.
- OLAP (on-line analytical processing): herramientas que manejan interrogaciones complejas de bases de datos relacionales, proporcionando un acceso multidimensional a los datos, capacidades intensivas de cálculo y técnicas de indexación especializadas. Permiten a los usuarios trocear sus datos planteando queries sobre diferentes atributos o ejes.
- Datamining (minería de datos): Son auténticas herramientas de extracción de conocimiento útil, a partir de la información contenida en las bases de datos de cualquier empresa. El objetivo que se persigue es descubrir patrones ocultos, tendencias y correlaciones, y presentar esta información de forma sencilla y accesible a los usuarios finales, para solucionar, prever y simular problemas del negocio.
La selección de una u otra herramienta estará en función de múltiples aspectos a considerar:
- Qué información se necesita. Es importante no complicarse, sobre todo al principio, con indicadores y modelos complejos: indicadores selectivos, sencillos, admitidos por todos los usuarios, etc. son una buena fórmula en las primeras etapas del BI.
- Para qué se quiere la información. Bajo el concepto general “soporte a la toma de decisiones” se esconden múltiples necesidades particulares: contrastar que todo va bien, analizar diferentes aspectos de la evolución de la empresa, presentar información de forma más intuitiva, comparar información en diferentes periodos de tiempo, comparar resultados con previsiones, identificar comportamientos y evoluciones excepcionales, confirmar o descubrir tendencias e interrelaciones, necesidad de realizar análisis predictivos... son todas ellas necesidades parciales dentro del concepto general.
- A quién va dirigida (organización en general, gestión, dirección, dirección estratégica...).
- Aspectos meramente técnicos (tiempos de respuesta, integración, seguridad...) y funcionales (navegación, entorno gráfico...).
hola a todos ke pues el tema de BI esta muy interesnate pero me gustaria mas que se porfavor resumieran mas los temas por ke si estan un poco extensos di no al pirateria
El almacén de datos funciona con datos que son utiles y necesarios para una organización. El almacen de datos debe dar la información en el momento indicado y a la persona indicada, utiliza sistemas de soporte a decisiones.En la actualidad Microsoft alaboro una herramienta llamada OFFICE PERFORMANCEPOINT SERVER, PARA LA GESTIÓN DEL RENDIMIENTO.
para el usuario final que forma parte de la nueva solución integrada de Business Intelligence de Microsoft
Publicar un comentario