Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNR – Facultad de Ciencias Económicas y Estadísticas de Rosario Business Intelligence (Inteligencia de Negocio) Datawarehouse – Data Mining – Herramientas BI – Big Data Prof. Cynthia Aryauan 2019 Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 1 | 20 Contenido Introducción .............................................................................................................................. 2 Datawarehouse.......................................................................................................................... 3 Principales aportes de un datawarehouse ............................................................................ 6 Data Mining (Minería de Datos) ................................................................................................ 6 Business Intelligence y Big Data ................................................................................................. 9 ¿Qué es Small Data? ............................................................................................................. 9 Un poco de historia del origen de Big Data y Small Data ...................................................... 9 Small data como precursor del Big data .................................................................................. 10 Small data y Big data: ¿Cuál es la diferencia? .......................................................................... 10 Small data y Big data: integrando ambas tecnologías .............................................................. 11 ¿Qué problemas se plantea a la hora de trabajar con herramientas de BI? ............................ 12 Anexo I – Ventaja Competitiva ................................................................................................ 13 Anexo II – Cuadro de Mando Integral ...................................................................................... 14 Anexo III – Sistemas de Soporte a las Decisiones (DSS) ........................................................... 17 Anexo IV – Sistemas de Información Ejecutiva (EIS) ................................................................ 20 Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 2 | 20 Introducción Existe gran cantidad de bibliografía, artículos de interés, Blogs y publicidades que tratan el tema de Business Intelligence (BI) poniendo el énfasis en diferentes focos, de acuerdo al objetivo que se persigue. A fin de dar un alcance unificado al tema, se decide generar este material que recopila información de diferentes fuentes con el fin de ofrecer una síntesis que incluya aquellos aspectos que mínimamente son necesarios reconoer a la hora de tener que decidir sobre la implementación de herramientas BI en las organizaciones. Mayormente el material utilizado proviene de una recopilación extraída de: https://www.sinnexus.com/business_intelligence/, no obstante en cada texto se hace referencia a la fuente de información tomada a fin de que el lector pueda consultar y ampliar los conceptos tratados. Según Gartner1, “La Inteligencia de Negocio (BI) es un término genérico que incluye las aplicaciones, la infraestructura y las herramientas, y las mejores prácticas que permiten el acceso y el análisis de la información para mejorar y optimizar las decisiones y rendimiento.” Business Intelligence es la habilidad para transformar los datos en información, y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones en los negocios. Ilustración 1 - https://www.sinnexus.com/business_intelligence/piramide_negocio.aspx La inteligencia de negocio actúa como un factor estratégico para una empresa u organización, generando una potencial ventaja competitiva (ver Anexo I), que no es otra que proporcionar información privilegiada para responder a los problemas de negocio: entrada a nuevos mercados, promociones u ofertas de productos, eliminación de islas de información, control financiero, optimización de costos, planificación de la producción, análisis de perfiles de clientes, rentabilidad de un producto concreto, entre otros. Desde un punto de vista más pragmático, y asociándolo directamente con las tecnologías de la información, se puede definir Business Intelligence como el conjunto de metodologías, aplicaciones y tecnologías que permiten reunir, depurar y transformar datos de los sistemas transaccionales e información desestructurada (interna y externa a la compañía) en información estructurada, para su 1 Fuente de consulta BI (http://www.gartner.com/it-glossary/business-intelligence-bi) Gps Económicas UNR - Conducción del CECEyE https://www.sinnexus.com/business_intelligence/ http://www.gartner.com/it-glossary/business-intelligence-bi Business Intelligence P á g i n a 3 | 20 explotación directa (reporting, análisis OLTP2 / OLAP3, alertas...) o para su análisis y conversión en conocimiento, dando así soporte a la toma de decisiones sobre el negocio. Los principales productos de Business Intelligence que existen hoy en día son: Cuadro de Mando Integrales (CMI) (ver Anexo II) Sistemas de Soporte a la Decisión (DSS) (ver Anexo III) Sistemas de Información Ejecutiva (EIS) (ver Anexo IV) Por otro lado, los principales componentes de orígenes de datos en el Business Intelligence que existen en la actualidad son: Datamart Datawarehouse Redes sociales e información externa Los sistemas y componentes del BI se diferencian de los sistemas operacionales en que están optimizados para preguntar y divulgar sobre datos. Esto significa típicamente que, en un datawarehouse, los datos están desnormalizados para apoyar consultas de alto rendimiento, mientras que en los sistemas operacionales suelen encontrarse normalizados para apoyar operaciones continuas de inserción, modificación y borrado de datos. En este sentido, los procesos ETL (extracción, transformación y carga), que nutren los sistemas BI, tienen que traducir de uno o varios sistemas operacionales normalizados e independientes a un único sistema desnormalizado, cuyos datos estén completamente integrados. En definitiva, una solución BI completa permite: Observar ¿qué está ocurriendo? Comprender ¿por qué ocurre? Predecir ¿qué ocurriría? Colaborar ¿qué debería hacer el equipo? Decidir ¿qué camino se debe seguir? Datawarehouse Un Datawarehouse es una base de datos corporativa que se caracteriza por integrar y depurar información de una o más fuentes distintas, para luego procesarla permitiendo su análisis desde infinidad de perspectivas y con grandes velocidades de respuesta. La creación de un datawarehouse 2 OLTP es la sigla en inglés de Procesamiento de Transacciones En Línea (OnLine Transaction Processing). Es un tipo de procesamiento que facilita y administra aplicaciones transaccionales, usualmente para entrada de datos y recuperación y procesamiento de transacciones (gestor transaccional). Fuente: https://es.wikipedia.org/wiki/OLTP 3 OLAP: El término OLAP, que proviene de Online Analitical Processing (Procesamiento Analítico en Línea), define a una tecnología que se basa en el análisis multidimensional de los datos y que le permite al usuario tener una visión más rápida e interactiva de los mismos.. Fuente https://sistemas.com/olap-tecnologia-olap.php Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 4 | 20 representa en la mayoría de las ocasiones el primer paso, desde el punto de vista técnico, para implementar una solución completa y fiable de Business Intelligence. La ventaja principal de este tipo de bases de datos radica en las estructuras en las que se almacena la información (modelos de tablas en estrella, en copo de nieve, cubosrelacionales... etc). Este tipo de persistencia de la información es homogénea y fiable, y permite la consulta y el tratamiento jerarquizado de la misma (siempre en un entorno diferente a los sistemas operacionales). El término Datawarehouse fue acuñado por primera vez por Bill Inmon, y se traduce literalmente como almacén de datos. No obstante, y como cabe suponer, es mucho más que eso. Según definió el propio Bill Inmon, un datawarehouse se caracteriza por ser: Integrado: los datos almacenados en el datawarehouse deben integrarse en una estructura consistente, por lo que las inconsistencias existentes entre los diversos sistemas operacionales deben ser eliminadas. La información suele estructurarse también en distintos niveles de detalle para adecuarse a las distintas necesidades de los usuarios. Temático: sólo los datos necesarios para el proceso de generación del conocimiento del negocio se integran desde el entorno operacional. Los datos se organizan por temas para facilitar su acceso y entendimiento por parte de los usuarios finales. Por ejemplo, todos los datos sobre clientes pueden ser consolidados en una única tabla del datawarehouse. De esta forma, las peticiones de información sobre clientes serán más fáciles de responder dado que toda la información reside en el mismo lugar. Histórico: el tiempo es parte implícita de la información contenida en un datawarehouse. En los sistemas operacionales, los datos siempre reflejan el estado de la actividad del negocio en el momento presente. Por el contrario, la información almacenada en el datawarehouse sirve, entre otras cosas, para realizar análisis de tendencias. Por lo tanto, el datawarehouse se carga con los distintos valores que toma una variable en el tiempo para permitir comparaciones. No volátil: el almacén de información de un datawarehouse existe para ser leído, pero no modificado. La información es por tanto permanente, significando la actualización del datawarehouse la incorporación de los últimos valores que tomaron las distintas variables contenidas en él sin ningún tipo de acción sobre lo que ya existía. Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 5 | 20 Otra característica del datawarehouse es que contiene metadatos, es decir, datos sobre los datos. Los metadatos permiten saber la procedencia de la información, su periodicidad de refresco, su fiabilidad, forma de cálculo... etc. Los metadatos serán los que permiten simplificar y automatizar la obtención de la información desde los sistemas operacionales a los sistemas informacionales. Los objetivos que deben cumplir los metadatos, según el colectivo al que va dirigido, son: Dar soporte al usuario final, ayudándole a acceder al datawarehouse con su propio lenguaje de negocio, indicando qué información hay y qué significado tiene. Ayudar a construir consultas, informes y análisis, mediante herramientas de Business Intelligence como DSS, EIS, CMI. Dar soporte a los responsables técnicos del datawarehouse en aspectos de auditoría, gestión de la información histórica, administración del datawarehouse, elaboración de programas de extracción de la información, especificación de las interfaces para la realimentación a los sistemas operacionales de los resultados obtenidos... etc. Por último, destacar que para comprender íntegramente el concepto de datawarehouse, es importante entender cuál es el proceso de construcción del mismo, denominado ETL (Extracción, Transformación y Carga), a partir de los sistemas operaciones de una compañía: Extracción: obtención de información de las distintas fuentes tanto internas como externas. Transformación: filtrado, limpieza, depuración, homogeneización y agrupación de la información. Carga: organización y actualización de los datos y los metadatos en la base de datos. Una de las claves del éxito en la construcción de un datawarehouse es el desarrollo de forma gradual, seleccionando a un departamento usuario como piloto y expandiendo progresivamente el almacén de datos a los demás usuarios. Por ello es importante elegir este usuario inicial o piloto, siendo importante que sea un departamento con pocos usuarios, en el que la necesidad de este tipo de sistemas es muy alta y se puedan obtener y medir resultados a corto plazo. Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 6 | 20 Principales aportes de un datawarehouse Proporciona una herramienta para la toma de decisiones en cualquier área funcional, basándose en información integrada y global del negocio. Facilita la aplicación de técnicas estadísticas de análisis y modelización para encontrar relaciones ocultas entre los datos del almacén; obteniendo un valor añadido para el negocio de dicha información. Proporciona la capacidad de aprender de los datos del pasado y de predecir situaciones futuras en diversos escenarios. Simplifica dentro de la empresa la implantación de sistemas de gestión integral de la relación con el cliente. Supone una optimización tecnológica y económica en entornos de Centro de Información, estadística o de generación de informes con retornos de la inversión espectaculares. Data Mining (Minería de Datos) La revolución digital ha hecho posible que la información digitalizada sea fácil de capturar, procesar, almacenar, distribuir, y transmitir. Con el importante progreso en informática y en las tecnologías relacionadas y la expansión de su uso en diferentes aspectos de la vida, se continúa recogiendo y almacenando en bases de datos gran cantidad de información. Descubrir conocimiento de este enorme volumen de datos es un reto en sí mismo. El avance de la tecnología para la gestión de bases de datos hace posible integrar diferentes tipos de datos, tales como imagen, video, texto, y otros datos numéricos, en una base de datos sencilla, facilitando el procesamiento multimedia. La minería de datos nació con la idea de aprovechar dos cosas: la ingente cantidad de datos que se almacenaban en áreas como el comercio, la banca o la sanidad, y la potencia de los nuevos ordenadores para realizar operaciones de análisis sobre esos datos. El data mining permite encontrar información escondida en los datos que no siempre resulta aparente, ya que, dado el gigantesco volumen de datos existentes, gran parte de ese volumen nunca será analizado. La minería de datos es un proceso de identificación de información relevante extraída de grandes volúmenes de datos, con el objetivo de descubrir patrones y tendencias estructurando la información obtenida de un modo comprensible para su posterior utilización Fuente: https://www.icemd.com/digital-knowledge/articulos/mineria-datos-proceso-areas-se-puede-aplica/ Raúl Mata - Fundador y Presidente de egauss Business Hold y profesor de ICEMD 13/01/2017 Gps Económicas UNR - Conducción del CECEyE https://www.icemd.com/digital-knowledge/articulos/mineria-datos-proceso-areas-se-puede-aplica/ Business Intelligence P á g i n a 7 | 20 El datamining (minería de datos), es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, de manera automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto. Básicamente, el datamining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales. De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye algún significado especial pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación que surge entre la información y esemodelo represente un valor agregado, entonces se refiere al conocimiento. Aunque en datamining cada caso concreto puede ser radicalmente distinto al anterior, el proceso común a todos ellos se suele componer de cuatro etapas principales: Determinación de los objetivos. Trata de la delimitación de los objetivos que el cliente desea bajo la orientación del especialista en data mining. Preprocesamiento de los datos. Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa consume generalmente alrededor del setenta por ciento del tiempo total de un proyecto de data mining. Determinación del modelo. Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia Artificial. Análisis de los resultados. Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. El cliente determina si son novedosos y si le aportan un nuevo conocimiento que le permita considerar sus decisiones. Carga de trabajo en las fases de un proyecto de datamining Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 8 | 20 En resumen, el datamining se presenta como una tecnología emergente, con varias ventajas: por un lado, resulta un buen punto de encuentro entre los investigadores y las personas de negocios; por otro, ahorra grandes cantidades de dinero a una empresa y abre nuevas oportunidades de negocios. Además, no hay duda de que trabajar con esta tecnología implica cuidar un sinnúmero de detalles debido a que el producto final involucra "toma de decisiones". En el artículo Data Mining: Torturando a los datos hasta que confiesen, Luis Carlos Molina proporciona una visión muy clarificadora sobre la minería de datos, incluyendo interesantes ejemplos de aplicaciones de la misma. Recomendamos su lectura. Fuente: https://www.uoc.edu/web/esp/art/uoc/molina1102/molina1102.pdf Existen numerosas áreas donde la minería de datos se puede aplicar, prácticamente en todas las actividades humanas que generen datos: Comercio y banca: segmentación de clientes, previsión de ventas, análisis de riesgo. Medicina y Farmacia: diagnóstico de enfermedades y la efectividad de los tratamientos. Seguridad y detección de fraude: reconocimiento facial, identificaciones biométricas, accesos a redes no permitidos, etc. Recuperación de información no numérica: minería de texto, minería web, búsqueda e identificación de imagen, video, voz y texto de bases de datos multimedia. Astronomía: identificación de nuevas estrellas y galaxias. Geología, minería, agricultura y pesca: identificación de áreas de uso para distintos cultivos o de pesca o de explotación minera en bases de datos de imágenes de satélites. Ciencias Ambientales: identificación de modelos de funcionamiento de ecosistemas naturales y/o artificiales para mejorar su observación, gestión y/o control. Ciencias Sociales: Estudio de los flujos de la opinión pública. Planificación de ciudades: identificar barrios con conflicto en función de valores sociodemográficos, etc. Algunos ejemplos: La minería de datos es una disciplina que puede contribuir en la administración empresarial con respecto a la relación con el cliente permitiendo el contacto específico solamente con aquellos que presenten mayor probabilidad de responder positivamente a una determinada oferta o promoción. Hábitos de compra en los supermercados, por ejemplo, se relaciona con la detección de los hábitos de compra de los clientes en determinados días en donde se evaluará qué productos consumen para focalizar la venta en ese punto. La minería de datos también puede ser de utilidad para el proceso de gestión de personas, en donde se identificarán las características de los empleados que presentan mayor éxito en su gestión. Esta información puede ayudar a los planes de capacitación y de carrera de las personas que forman parte de las organizaciones. Gps Económicas UNR - Conducción del CECEyE https://www.uoc.edu/web/esp/art/uoc/molina1102/molina1102.pdf Business Intelligence P á g i n a 9 | 20 Business Intelligence y Big Data Si bien el objetivo de este material no es profundizar en Big Data y Small Data, se reconoce que son conceptos estrechamente relacionado con BI y por este motivo, necesarios mencionar a fin de completar la idea central de la importancia y componentes de Inteligencia de Negocios. ¿Qué es Big Data? “Conjunto de datos de gran volumen, alta velocidad y/o gran variedad de activos de información que exigen fórmulas innovadoras y rentables de procesamiento de la información y que permiten una visión mejorada, la toma de decisiones y la automatización de procesos.” En otras palabras, Big Data permite tratar un gran volumen de datos, tanto estructurados como desestructurados, y que se reciben a una velocidad muy alta. Con esta información, las herramientas de BI permiten realizar análisis predictivos y avanzados, que ayudan en la toma de decisiones estratégicas en función de una predicción de comportamiento basada en datos reales que logran reducir el umbral de error. Es decir, son términos complementarios. Big Data posibilita incorporar más fuentes de datos, de manera que además de las habituales fuentes internas, pueda incorporar información de máquinas, sensores, smartphones, texto no estructurado como Tweets, tendencias de mercado, redes sociales, etc. Da la posibilidad de incorporar más volumen datos, ya que la cantidad de información que puede producir cada una de las fuentes anteriormente citadas lleva a manejar Teras de información por segundo que se pueden gestionar en almacenamientos alojados en cloud a precios altamente competitivos. El BI, por su parte, aporta las herramientas para el análisis de los datos que conforman el Big Data. Estas herramientas de BI dan un valor añadido a la obtención de datos que acompaña en la estrategia del negocio. Fuente: http://www.gartner.com/it-glossary/big-data/ ¿Qué es Small Data? Small Data es un concepto que se puede definir como el proceso por el cual hacemos uso y análisis de datos de menor tamaño y simplicidad (a los de Big Data), que afectan a las particularidades de nuestro negocio, que forman parte de la rutina diaria y permiten conocer mejor lo que sucede en nuestro entorno, así como identificar oportunidades para la eficiencia de los procesos y la relación con los clientes. Fuente: https://www.ainia.es/insights/small-data-pequenas-pistas-que-aportan-mucho-valor-a-tu-negocio/ Un poco de historia del origen de Big Data y Small Data Aunque no se le conociese por ese nombre, el Small Data lleva tiempo entre nosotros. Durante los primeros años del siglo XXI, las empresas de sectores como Telecomunicaciones, Utilities, Seguros o Banca comenzaron a incorporar en sus procesos de negocio el uso de técnicas analíticas avanzadas de datos. Estos procedimientos tenían el objetivo de predecir cuál sería el comportamiento de sus clientes ante determinados estímulos y aprovechar ese conocimiento para mejorar el rendimiento de sus acciones comerciales. Gps Económicas UNR - Conducción del CECEyE http://www.gartner.com/it-glossary/big-data/ https://www.ainia.es/insights/small-data-pequenas-pistas-que-aportan-mucho-valor-a-tu-negocio/ Business Intelligence P á g i n a 10 | 20 Desarrollaron modelos de propensión al abandono, calcularon el valor potencial de los clientes en su ciclo de vida o la probabilidad que cada uno de ellos tenía de adquirir nuevos productos de la compañía, y para alimentar esos modelos utilizaron los datos que tenían disponibles sobre sucomportamiento histórico en ámbitos como: Los productos que habían contratado El precio que pagaban por dichos productos Los problemas de impago que hubiesen tenido Las veces que se hubiesen quejado de incidencias en el servicio recibido Su perfil sociodemográfico Small data como precursor del Big data Generalmente dichas empresas tenían a lo sumo unos pocos millones de clientes y debido al número de interacciones que estos tenían con la compañía, era raro que tuviesen que trabajar con más de algunos cientos de millones de registros, así que esa información se almacenaba en bases de datos relacionales que tenían la potencia suficiente para procesar ese volumen de datos. Poco a poco esas técnicas fueron extendiéndose hacia otros sectores y hacia otros ámbitos de actuación de la empresa, hasta que, con el incremento de la actividad digital de la sociedad y el aumento del uso de sensores para medir la actividad de las máquinas, el volumen, la variedad y la complejidad de los datos con los que querían trabajar las empresas aumentó. Esto hizo que el tiempo de respuesta del software utilizado fuese demasiado largo y que se desarrollasen otro tipo de tecnologías capaces de procesar y analizar esa gran cantidad de información. Se acuñó el término Big Data para identificar esas nuevas fuentes de datos que las empresas tenían a su disposición para entender cómo se comportaba su entorno. Después, se empezó a utilizar el concepto de Small Data para referirse al resto de la información con la que las empresas venían trabajando desde hacía tiempo. Small data y Big data: ¿Cuál es la diferencia? Una de las diferencias fundamentales entre el Small Data y el Big Data, es que el uso del Small Data es más accesible para las organizaciones, ya que desde hace tiempo disponen de la tecnología apropiada para su aprovechamiento. Además, esta tecnología puede ser usada tanto por usuarios con grandes capacidades técnicas y analíticas como por usuarios de negocio (Pymes) que pueden trabajar con esos datos empleando hojas de cálculo o cuadros de mando. Pero las empresas que quieran ser competitivas tienen que aprovechar el conocimiento que proporciona la actividad de las personas en el mundo digital y la información que generan las máquinas durante el desempeño de sus tareas. Para que todos los empleados puedan aprovechar ese conocimiento, lo ideal es que ese Big Data se convierta en una nueva fuente de entrada para el Small Data con el que todos ellos están habituados y capacitados para interactuar. Para ello, las empresas pueden apostar por invertir en la adopción de esas tecnologías Big Data y por equipos de expertos que puedan explotarlas, tanto directamente con fines analíticos como agregando los datos hasta convertirlos en Small Data útil para toda la organización. Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 11 | 20 También pueden optar por delegar en terceros la síntesis de esas enormes cantidades de información para transformarlos en Small Data e incorporarlos a los sistemas que habitualmente utilice para almacenar y analizar datos. Si se elige la primera alternativa contarán con flexibilidad total a la hora de agregar los registros de la forma que resulte más provechosa para la empresa, mientras que con la segunda alternativa tendrán que conformarse con la funcionalidad que el tercero que se encargue de realizar la agrupación de los datos implemente. Small data y Big data: integrando ambas tecnologías Por ejemplo, si una empresa quiere aprovechar el rastro que dejan los usuarios cuando navegan por su página web, pueden acceder directamente a los logs de navegación usando técnicas de Big Data. El segundo paso sería transformarlos en Small Data, o pueden utilizar plataformas de terceros como Google Analytics o Adobe Omniture y generar con ellas dicho Small Data. Por ejemplo, en una página donde se exponen miles de millones de anuncios digitales, y utilizan la interacción de los lectores con esa publicidad tanto en modo Big Data para calcular la propensión que tienen los usuarios de hacer click, como para convertirla en Small Data, con el objetivo de que un equipo de estrategia publicitaria pueda entender cómo se está explotando el inventario publicitario en su conjunto. Fuente:https://www.icemd.com/digital-knowledge/articulos/small-data-que-es-y-cual-es-la-diferencia-con-el-big- data/ Gps Económicas UNR - Conducción del CECEyE https://www.icemd.com/digital-knowledge/articulos/small-data-que-es-y-cual-es-la-diferencia-con-el-big-data/ https://www.icemd.com/digital-knowledge/articulos/small-data-que-es-y-cual-es-la-diferencia-con-el-big-data/ Business Intelligence P á g i n a 12 | 20 ¿Qué problemas se plantea a la hora de trabajar con herramientas de BI? Uno muy importante es que los objetivos a conseguir con los indicadores que se obtienen ayudados por las herramientas de BI, son limitados por las propias herramientas. El requisito es que se deba utilizar tecnología que permita crear indicadores de los objetivos de negocio y valores de referencia, y probar si estos indicadores sirven para determinar si se han alcanzado esos objetivos y, además, poder mejorarlos y modificarlos ágilmente con métodos de BI rápidos para poder incluir nuevos requisitos. Habitualmente, se encuentra con que la tecnología seleccionada limita en la forma de avanzar con el análisis de datos debido a su manera de interactuar con el usuario final, a las limitaciones a la hora de interpretar la información, a la infraestructura necesaria para ser desplegadas, etc., pero se debe tener claro que esto es un error. El objetivo es que la estrategia de negocio dicte la estrategia de IT. Es decir, la decisión de la tecnología a utilizar, debe venir de la mano de los usuarios de negocio y los usuarios finales. Las soluciones de BI a utilizar deben ser intuitivas y fáciles de manejar para que el usuario final pueda darle el valor que busca sin dependencia del Área de IT. Que permitan interpretar los datos sin que se necesiten complejos analistas, y que aporten al usuario la seguridad de que los datos son coherentes y son los necesarios, eliminando datos nulos o irrelevantes. Cada uno en su rol verá la información identificada como importante para ese rol, de manera que puedan identificar las fortalezas y debilidades de su organización para alcanzar los objetivos definidos. Es importante recalcar en este punto que la formación de los usuarios en las herramientas y sus posibilidades es un factor clave para la consecución de los objetivos. Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 13 | 20 Anexo I – Ventaja Competitiva En marketing y dirección estratégica, la ventaja competitiva es una ventaja que una compañía tiene respecto a otras compañías competidoras. Según Michael Porter, puede considerarse que una empresa tiene ventajas competitivas si su rentabilidad está por encima de la rentabilidad media del sector industrial en el que se desempeña. Para ser realmente efectiva, una ventaja competitiva debe ser: Difícil de imitar Sostenible en el tiempo Netamente superior a la competencia Aplicable a situaciones variadas Íntimamente relacionada con el núcleo del negocio Ejemplos de características de una compañía que pueden constituir una ventaja competitiva: Cualidad superior del producto Posesión de patentes y copyrights Valor de marca acumulado y buena reputación de la compañía Contratos de distribución de largo período Gran gestión interna de los datos, la información y el conocimiento Técnicas de producción de bajo coste, liderazgo en costes Orientación al cliente, valor de la vida del cliente Monopolio protegido por el gobierno Equipo profesional altamente cualificado Poseer una ventaja competitiva no significa necesariamente ser siempre el mejor, sólo significa que debe existiralgo que los consumidores consciente o inconscientemente identifiquen como mejor, y que les motive a preferir tu producto, en vez que a los de su competencia. Ese «algo distinto» será el arma principal del producto contra la competencia. Y para desarrollarlo, puede ser necesaria una de las principales características de la empresa moderna: el Business Intelligence. Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 14 | 20 Anexo II – Cuadro de Mando Integral El Cuadro de Mando Integral (CMI), también conocido como Balanced Scorecard (BSC) o dashboard, es una herramienta de control empresarial que permite establecer y monitorizar los objetivos de una empresa y de sus diferentes áreas o unidades. También se puede considerar como una aplicación que ayuda a una compañía a expresar los objetivos e iniciativas necesarias para cumplir con su estrategia, mostrando de forma continuada cuándo la empresa y los empleados alcanzan los resultados definidos en su plan estratégico. Diferencia con otras herramientas de Business Intelligence El Cuadro de Mando Integral se diferencia de otras herramientas de Business Intelligence, como los Sistemas de Soporte a la Decisión (DSS) o los Sistemas de Información Ejecutiva (EIS), en que está más orientados al seguimiento de indicadores que al análisis minucioso de información. Por otro lado, es muy común que un CMI sea controlado por la dirección general de una compañía, frente a otras herramientas de Business Intelligence más enfocadas a la dirección departamental. El CMI requiere, por tanto, que los directivos analicen el mercado y la estrategia para construir un modelo de negocio que refleje las interrelaciones entre los diferentes componentes de la empresa (plan estratégico). Una vez que lo han construido, los responsables de la organización utilizan este modelo como mapa para seleccionar los indicadores del CMI. Tipos de Cuadros de Mando El Cuadro de Mando Operativo (CMO), es una herramienta de control enfocada al seguimiento de variables operativas, es decir, variables pertenecientes a áreas o departamentos específicos de la empresa. La periodicidad de los CMO puede ser diaria, semanal o mensual, y está centrada en indicadores que generalmente representan procesos, por lo que su implantación y puesta en marcha es más sencilla y rápida. Un CMO debería estar siempre ligado a un DSS (Sistema de Soporte a Decisiones) para indagar en profundidad sobre los datos. El Cuadro de Mando Integral (CMI), por el contrario, representa la ejecución de la estrategia de una compañía desde el punto de vista de la Dirección General (lo que hace que ésta deba estar plenamente involucrada en todas sus fases, desde la definición a la implantación). Existen diferentes tipos de cuadros de mando integral, si bien los más utilizados son los que se basan en la metodología de Kaplan & Norton. Las principales características de esta metodología son que utilizan tanto indicadores financieros como no financieros, y que los objetivos estratégicos se organizan en cuatro áreas o perspectivas: financiera, cliente, interna y aprendizaje/crecimiento. La perspectiva financiera incorpora la visión de los accionistas y mide la creación de valor de la empresa. Responde a la pregunta: ¿Qué indicadores tienen que ir bien para que los esfuerzos de Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 15 | 20 la empresa realmente se transformen en valor? Esta perspectiva valora uno de los objetivos más relevantes de organizaciones con ánimo de lucro, que es, precisamente, crear valor para la sociedad. La perspectiva del cliente refleja el posicionamiento de la empresa en el mercado o, más concretamente, en los segmentos de mercado donde quiere competir. Por ejemplo, si una empresa sigue una estrategia de costes es muy posible que la clave de su éxito dependa de una cuota de mercado alta y unos precios más bajos que la competencia. Dos indicadores que reflejan este posicionamiento son la cuota de mercado y un índice que compare los precios de la empresa con los de la competencia. La perspectiva interna recoge indicadores de procesos internos que son críticos para el posicionamiento en el mercado y para llevar la estrategia a buen puerto. En el caso de la empresa que compite en coste, posiblemente los indicadores de productividad, calidad e innovación de procesos sean importantes. El éxito en estas dimensiones no sólo afecta a la perspectiva interna, sino también a la financiera, por el impacto que tienen sobre las rúbricas de gasto. La perspectiva de aprendizaje y crecimiento es la última que se plantea en este modelo de CMI. Para cualquier estrategia, los recursos materiales y las personas son la clave del éxito. Pero sin un modelo de negocio apropiado, muchas veces es difícil apreciar la importancia de invertir, y en épocas de crisis lo primero que se recorta es precisamente la fuente primaria de creación de valor: se recortan inversiones en la mejora y el desarrollo de los recursos. Pese a que estas cuatro son las perspectivas más genéricas, no son "obligatorias". Por ejemplo, una empresa de fabricación de ropa deportiva tiene, además de la perspectiva de clientes, una perspectiva de consumidores. Para esta empresa son tan importantes sus distribuidores como sus clientes finales. Una vez que se tienen claros los objetivos de cada perspectiva, es necesario definir los indicadores que se utilizan para realizar su seguimiento. Para ello, debemos tener en cuenta varios criterios: el primero es que el número de indicadores no supere los siete por perspectiva, y si son menos, mejor. La razón es que demasiados indicadores difuminan el mensaje que comunica el CMI y, como resultado, los esfuerzos se dispersan intentando perseguir demasiados objetivos al mismo tiempo. Puede ser recomendable durante el diseño empezar con una lista más extensa de indicadores. Pero es necesario un proceso de síntesis para disponer de toda la fuerza de esta herramienta. No obstante, la aportación que ha convertido al CMI en una de las herramientas más significativas de los últimos años es que se cimienta en un modelo de negocio. El éxito de su implantación radica en que el equipo de dirección se involucre y dedique tiempo al desarrollo de su propio modelo de negocio. Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 16 | 20 Beneficios de la implantación de un Cuadro de Mando Integral La fuerza de explicitar un modelo de negocio y traducirlo en indicadores facilita el consenso en toda la empresa, no sólo de la dirección, sino también de cómo alcanzarlo. Clarifica cómo las acciones del día a día afectan no sólo al corto plazo, sino también al largo plazo. Una vez el CMI está en marcha, se puede utilizar para comunicar los planes de la empresa, aunar los esfuerzos en una sola dirección y evitar la dispersión. En este caso, el CMI actúa como un sistema de control por excepción. Permita detectar de forma automática desviaciones en el plan estratégico u operativo, e incluso indagar en los datos operativos de la compañía hasta descubrir la causa original que dió lugar a esas desviaciones. Riesgos de la implantación de un Cuadro de Mando Integral Un modelo poco elaborado y sin la colaboración de la dirección es papel mojado, y el esfuerzo será en vano. Si los indicadores no se escogen con cuidado, el CMI pierde una buena parte de sus virtudes, porque no comunica el mensaje que se quiere transmitir. Cuando la estrategia de la empresa está todavía en evolución, es contraproducente que el CMI se utilice como un sistema de control clásico y por excepción, en lugar de usarlo como una herramienta de aprendizaje. Existe el riesgo de que lo mejor sea enemigo de lo bueno, de que el CMI sea perfecto, pero desfasado e inútil. Gps Económicas UNR - Conducción del CECEyE Business IntelligenceP á g i n a 17 | 20 Anexo III – Sistemas de Soporte a las Decisiones (DSS) Un Sistema de Soporte a la Decisión (DSS) es una herramienta de Business Intelligence enfocada al análisis de los datos de una organización. En principio, puede parecer que el análisis de datos es un proceso sencillo, y fácil de conseguir mediante una aplicación hecha a medida o un ERP sofisticado. Sin embargo, no es así: estas aplicaciones suelen disponer de una serie de informes predefinidos en los que presentan la información de manera estática, pero no permiten profundizar en los datos, navegar entre ellos, manejarlos desde distintas perspectivas... etc. El DSS es una de las herramientas más emblemáticas del Business Intelligence ya que, entre otras propiedades, permiten resolver gran parte de las limitaciones de los programas de gestión. Estas son algunas de sus características principales: Informes dinámicos, flexibles e interactivos, de manera que el usuario no tenga que ceñirse a los listados predefinidos que se configuraron en el momento de la implantación, y que no siempre responden a sus dudas reales. No requiere conocimientos técnicos. Un usuario no técnico puede crear nuevos gráficos e informes y navegar entre ellos, haciendo drag&drop o drill through. Por tanto, para examinar la información disponible o crear nuevas métricas no es imprescindible buscar auxilio en el departamento de informática. Rapidez en el tiempo de respuesta, ya que la base de datos subyacente suele ser un datawarehouse corporativo o un datamart, con modelos de datos en estrella o copo de nieve. Este tipo de bases de datos están optimizadas para el análisis de grandes volúmenes de información. Integración entre todos los sistemas/departamentos de la compañía. El proceso de ETL previo a la implantación de un Sistema de Soporte a la Decisión garantiza la calidad y la integración de los datos entre las diferentes unidades de la empresa. Existe lo que se llama: integridad referencial absoluta. Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 18 | 20 Cada usuario dispone de información adecuada a su perfil. No se trata de que todo el mundo tenga acceso a toda la información, sino de que tenga acceso a la información que necesita para que su trabajo sea lo más eficiente posible. Disponibilidad de información histórica. En estos sistemas está a la orden del día comparar los datos actuales con información de otros períodos históricos de la compañía, con el fin de analizar tendencias, fijar la evolución de parámetros de negocio... etc. Diferencia con otras herramientas de Business Intelligence El principal objetivo de los Sistemas de Soporte a Decisiones es, a diferencia de otras herramientas como los Cuadros de Mando (CMI) o los Sistemas de Información Ejecutiva (EIS), explotar al máximo la información residente en una base de datos corporativa (datawarehouse o datamart), mostrando informes muy dinámicos y con gran potencial de navegación, pero siempre con una interfaz gráfica amigable, vistosa y sencilla. Otra diferencia fundamental radica en los usuarios a los que están destinadas las plataformas DSS: cualquier nivel gerencial dentro de una organización, tanto para situaciones estructuradas como no estructuradas. (En este sentido, por ejemplo, los CMI están más orientados a la alta dirección). Por último, destacar que los DSS suelen requerir (aunque no es imprescindible) un motor OLAP subyacente, que facilite el análisis casi ilimitado de los datos para hallar las causas raices de los problemas/pormenores de la compañía. Tipos de Sistemas de Soporte a Decisiones Sistemas de información gerencial (MIS) Los sistemas de información gerencial (MIS, Management Information Systems), tambien llamados Sistemas de Información Administrativa (AIS) dan soporte a un espectro más amplio de tareas organizacionales, encontrándose a medio camino entre un DSS tradicional y una aplicación CRM/ERP implantada en la misma compañía. Sistemas de información ejecutiva (EIS) Los sistemas de información ejecutiva (EIS, Executive Information System) son el tipo de DSS que más se suele emplear en Business Intelligence, ya que proveen a los gerentes de un acceso sencillo Gps Económicas UNR - Conducción del CECEyE https://www.sinnexus.com/business_intelligence/sistemas_informacion_ejecutiva.aspx Business Intelligence P á g i n a 19 | 20 a información interna y externa de su compañía, y que es relevante para sus factores clave de éxito. Sistemas expertos basados en inteligencia artificial (SSEE) Los sistemas expertos, también llamados sistemas basados en conocimiento, utilizan redes neuronales para simular el conocimiento de un experto y utilizarlo de forma efectiva para resolver un problema concreto. Este concepto está muy relacionado con el datamining. Sistemas de apoyo a decisiones de grupo (GDSS) Un sistema de apoyo a decisiones en grupos (GDSS, Group Decision Support Systems) es "un sistema basado en computadoras que apoya a grupos de personas que tienen una tarea (u objetivo) común, y que sirve como interfaz con un entorno compartido". El supuesto en que se basa el GDSS es que si se mejoran las comunicaciones se pueden mejorar las decisiones. Gps Económicas UNR - Conducción del CECEyE Business Intelligence P á g i n a 20 | 20 Anexo IV – Sistemas de Información Ejecutiva (EIS) Un Sistema de Información para Ejecutivos o Sistema de Información Ejecutiva es una herramienta software, basada en un DSS, que provee a los gerentes de un acceso sencillo a información interna y externa de su compañía, y que es relevante para sus factores clave de éxito. La finalidad principal es que el ejecutivo tenga a su disposición un panorama completo del estado de los indicadores de negocio que le afectan al instante, manteniendo también la posibilidad de analizar con detalle aquellos que no estén cumpliendo con las expectativas establecidas, para determinar el plan de acción más adecuado. De forma más pragmática, se puede definir un EIS como una aplicación informática que muestra informes y listados (query & reporting) de las diferentes áreas de negocio, de forma consolidada, para facilitar la monitorización de la empresa o de una unidad de la misma. El EIS se caracteriza por ofrecer al ejecutivo un acceso rápido y efectivo a la información compartida, utilizando interfaces gráficas visuales e intutivas. Suele incluir alertas e informes basados en excepción, así como históricos y análisis de tendencias. También es frecuente que permita la domiciliación por correo de los informes más relevantes. A través de esta solución se puede contar con un resumen del comportamiento de una organización o área específica, y poder compararla a través del tiempo. Es posible, además, ajustar la visión de la información a la teoría de Balanced Scorecard o Cuadro de Mando Integral impulsada por Norton y Kaplan, o bien a cualquier modelo estratégico de indicadores que maneje la compañía. Gps Económicas UNR - Conducción del CECEyE
Compartir