Utilizacion de business intelligence en la toma de decisiones de organizaciones agroindustriales

Vista previa del material en texto

TESIS DE GRADO EN INGENIERÍA DE SISTEMAS 
 
 
UTILIZACIÓN DE BUSINESS INTELLIGENCE EN LA TOMA DE DECISIONES 
DE ORGANIZACIONES AGROINDUSTRIALES 
 
 
por 
 
 
Larrea, Delfina Inés 
Ibarrola, Santiago Nicolás 
 
 
 
Director: Dottori, Javier 
Co-Directora: Marcos, Claudia A. 
 
 
 
 
 
 
 
FACULTAD DE CIENCIAS EXACTAS 
UNIVERSIDAD NACIONAL DEL CENTRO DE LA PROVINCIA DE BUENOS 
AIRES 
 
 
Tandil, Argentina 
2022 
 
 
 
2 
Índice 
Capítulo 1: Introducción 6 
1.1 Dificultades que presenta la toma de decisiones en las organizaciones 6 
1.2 Solución POTDE - Proceso de Optimización para la toma de Decisiones Estratégicas
 8 
Capítulo 2: Motivación 10 
2.1 Componentes Business Intelligence 11 
2.2 Proceso ETL 11 
2.3 Evolución de las herramientas ETL 12 
2.4 Contextualización 13 
2.4.1 Pymes en Argentina 13 
2.4.2 Pymes Agroindustriales en Argentina 14 
2.4.3 Las PYMES y su proceso de toma de decisiones 15 
2.4.4 Acerca de la Empresa 15 
Capítulo 3: Trabajos Relacionados 18 
3.1 Herramientas disponibles en el mercado 18 
3.1.2 Pentaho 18 
3.1.3 Tableau 20 
3.1.4 Qlik 20 
3.1.5 Microstrategy 22 
3.1.6 Microsoft Power BI 22 
3.2 Comparativa de herramientas 23 
3.3 Análisis de implementación 24 
Capítulo 4: Toma de decisiones estratégicas en organizaciones 26 
4.1 Proceso de Optimización para la Toma de Decisiones Estratégicas 27 
4.1.1 Etapa de relevamiento 28 
4.1.2 Etapa de Diseño 29 
4.1.3 Etapa de Construcción 29 
4.1.4 Etapa de Validación 29 
4.2 Introducción al dominio y la problemática 30 
4.2.1 Introducción a la problemática actual 30 
4.3 Instanciación POTDE 31 
4.3.1 Etapa de relevamiento 33 
4.3.2 Etapa de Diseño 38 
4.3.3 Etapa de Construcción 39 
4.3.4 Etapa de Validación 46 
Capítulo 5: Resultados Experimentales 48 
3 
5.1 Encuesta de Satisfacción 48 
5.1.4 Interpretación de los Resultados 51 
Resultados Cualitativos 51 
Resultados Cuantitativos 52 
5.2 Caso de estudio Histórico 54 
5.2.1 Ejemplo: Ejercicio 2014/2015 55 
5.2.6 Ejemplo: Ejercicio 2019/2020 57 
5.3 Caso de estudio Actual del Tablero Evolución presupuestaria Agronómica 59 
5.4 Métricas - Resultados cuantitativos 61 
5.4.1 Indicador: Tiempo promedio de generación de reportes 62 
5.4.2 Indicador: Nivel de Confiabilidad del dashboard 62 
5.4.3 Indicador: Nivel de satisfacción gerencial por dashboard 63 
Capítulo 6: Conclusiones 65 
6.1 Contribuciones 65 
6.2 Ventajas y Desventajas 66 
6.2.1 Ventajas 66 
6.2.2 Desventajas 66 
6.3 Trabajos Futuros 66 
Bibliografía 68 
Anexos 71 
Anexo 1 - Esquema de entrevista 71 
Anexo 2 - Ejemplo de instanciación de entrevista 73 
Anexo 3 - Aval 77 
 
 
 
4 
Índice de figuras 
Figura 1.1.2 - Flujo de trabajo analítico en el modelo moderno de la inteligencia de negocios ... 7 
Figura 1.2.1 - Definición de flujo de actividades POTDE ............................................................ 8 
Figura 2.4.1.1 - Clasificación de PYMES según límite de ventas .............................................. 13 
Figura 2.4.1.2 - Clasificación de PYMES según cantidad de empleados ................................... 14 
Figura 2.4.1.3 - Clasificación de PYMES según límite de activos ............................................. 14 
Figura 2.4.4.1 - Ranking Agroexportadores Argentinos ............................................................. 17 
Figura 3.1.1 - ETL Process .......................................................................................................... 18 
Figura 3.1.2.1 - Matriz FODA de la herramienta Pentaho Suite ................................................. 19 
Figura 3.1.4.1 - Matriz FODA de la herramienta QlikView ....................................................... 21 
Figura 3.1.6.1 - Clasificación Herramientas BI según Gartner ................................................... 23 
Tabla 3.2.1 - Tabla comparativa de herramientas ....................................................................... 24 
Figura 4.1.1 - Esquema general POTDE ..................................................................................... 27 
Figura 4.3.2 - Vista de datos tabla ESPECIEVENTA ................................................................ 32 
Figura 4.3.4 - Pantalla asignación de especie al artículo del módulo de ventas. ........................ 33 
Figura 4.3.2.1 - Modelo Entidad Relación BI ............................................................................. 39 
Figura 4.3.3.1 - Tabla CABPIE en el esquema PRODUCCIÓN ................................................ 40 
Figura 4.3.3.2 - Tabla CUERPO en el esquema PRODUCCIÓN ............................................... 40 
Figura 4.3.3.3- Tabla en MCUENTA en esquema PRODUCCIÓN ........................................... 41 
Figura 4.3.3.4 - Tabla PRESUPUESTOAGRONOMIA en el esquema PRODUCCIÓN .......... 41 
Figura 4.3.3.6 - Modelo Entidad Relación del esquema PRODUCCIÓN .................................. 42 
Figura 4.3.3.7 - Medidas Dashboard BI ...................................................................................... 44 
Figura 4.3.3.8 - Dashboard Evolución Presupuestaria Agronomía ............................................. 45 
Figura 4.3.4.1- Primer entrega del dashboard ............................................................................. 46 
Figura 4.3.4.2 - Segunda entrega del dashboard ......................................................................... 47 
Figura 4.3.4.3 - Tercer entrega del dashboard ............................................................................. 47 
Figura 5.1.1 - Captura encabezado de la encuesta de satisfacción .............................................. 48 
Figura 5.1.2 - Captura preguntas de encuesta de satisfacción ..................................................... 49 
Figura 5.1.3 - Captura preguntas de encuesta de satisfacción ..................................................... 50 
Figura 5.1.4.1 - Resultado de la encuensta, pregunta 1 ............................................................... 51 
Figura 5.1.4.2 - Resultado de la encuensta, pregunta 2 ............................................................... 52 
Figura 5.1.4.3 - Resultado de la encuensta, pregunta 6 ............................................................... 52 
Tabla 5.1.4.4 Frecuencia de Análisis .......................................................................................... 53 
Tabla 5.1.4.5 Horas promedio para consolidar información. Pre POTDE .................................. 54 
Figura 5.2.2 - Tabla dinamica en excel -control de remitido ...................................................... 55 
Figura 5.2.4 - Tabla Dinámica Girasol Ms Excel........................................................................ 56 
5 
Figura 5.2.5 - Dashboard Evolución Presupuestaria Agronómica Ejercicio 2015 ...................... 56 
Figura 5.2.7 - Tabla dinámica MS Excel Ejercicio 2019/2020 ................................................... 57 
Figura 5.2.8 - Datos de los remitos realizados desde el 01/09/2019 al 31/08/2020 .................... 57 
Figura 5.2.9 - Clasificación manual de especies ......................................................................... 58 
Figura 5.2.10 -Análisis de Coadyuvante en el dashboard Evolución Presupuestaria Agronómica
 ..................................................................................................................................................... 58 
Figura 5.3.1 - Total acumulado remitido de Glifosato en la sucursal Belgrano.......................... 59 
Figura 5.3.2 -Evolución mensual de unidades remitidas de Glifosato ........................................ 59 
Figura 5.3.3 - Análisis de socio en Dashboard Evolución Presupuestaria Agronómica ............. 60 
Figura 5.3.4 - Detalle de unidades remitidas en Dashboard Evolución Presupuestaria Agronómica
 .....................................................................................................................................................60 
Figura 5.3.5 - Detalle de producto y unidades remitidas en Dashboard Evolución Presupuestaria 
Agronómica ................................................................................................................................. 61 
Figura 5.3.6 - Modelo de Indicadores cuantitativos .................................................................... 61 
Tabla 5.3.7 - Resultados indicador TPGR ................................................................................... 62 
Tabla 5.3.9 - Resultados NSD ..................................................................................................... 64 
 
 
6 
Capítulo 1: Introducción 
 
El proceso de toma de decisiones en las organizaciones se caracteriza por contar con información 
incompleta y basada en el conocimiento previo e intuición de los equipos gerenciales. Sin 
embargo, la incorporación de datos de calidad podría mejorar significativamente sus niveles de 
innovación y competitividad. 
 
Particularmente en Argentina, las Pequeñas y Medianas Empresas (PyMEs) representan un 96% 
de las empresas del país y generan el 60% del empleo creado por el sector privado. A pesar de 
estos indicadores, han experimentado pérdida de productividad ante la gran empresa durante los 
años 2004 y 2014, la que podría mejorarse con innovación y tecnología. Desde hace décadas han 
existido en el mercado herramientas de Business Intelligence (BI), las cuales resultan de especial 
interés, pues facilitan la recopilación y el análisis de los datos, presentándolos de forma tal que 
agregan valor al proceso de toma de decisiones. [Toval C., 2017] 
Para optimizar y facilitar la toma de decisiones se desarrolló un proceso que en conjunto con las 
herramientas de inteligencia de negocios permiten disponer de la información estratégica para la 
organización. 
1.1 Dificultades que presenta la toma de decisiones en las 
organizaciones 
 
En las últimas décadas, la necesidad de tratamiento de la información por parte de las empresas 
ha crecido considerablemente a causa de la mayor complejidad de sus actividades y de las 
decisiones que deben tomar. 
La evolución de las tecnologías de la información ha permitido atender estas necesidades, 
mediante una sucesión de aplicaciones y herramientas que han poblado de siglas y acrónimos 
tanto la literatura como la práctica de los sistemas de información. La acumulación de estos 
sistemas ha provocado sobreabundancia de datos y carencia de información, y sobre todo 
conocimiento, necesarios para una toma de decisiones eficaz. 
El acceso rápido, fácil y eficiente a una información correcta y precisa permite adoptar una 
posición adecuada al momento de tomar una decisión para corregir un problema al menor costo 
y sabiendo que el empleo estratégico de la información, garantizan el éxito de los procesos de 
planificación y desarrollo de empresas y negocios. [Vega, C., Grajales, H., & Montoya, L., 2017] 
Para dar respuesta a los retos informativos de las organizaciones ha surgido un concepto 
integrador, Business Intelligence (BI, Inteligencia de Negocios), que no solo implica un marco 
conceptual en el que se insertan los diferentes sistemas que se han desarrollado sino también un 
ámbito o contexto para lograr que los datos se conviertan en información y que esta gran cantidad 
de información genere el conocimiento para decidir adecuadamente acerca de la estrategia y 
operaciones de las compañías [Salgueiro, Carrión y González ,2012], Business Intelligence es un 
término que “incluye las aplicaciones, la infraestructura y las herramientas, así como las prácticas 
recomendadas que permiten el acceso y el análisis de la información” [Gartner, 2020]. Además, 
se definen los procesos y métodos de recopilación, almacenamiento y análisis de datos de 
operaciones o actividades comerciales para optimizar el rendimiento. Estos conceptos se unen 
7 
para crear una visión integral de un negocio con la finalidad de ayudar a las personas a tomar 
mejores y más viables decisiones. [Tableau, 2020] 
Durante años, los directivos han considerado la toma de decisiones como un arte, un talento 
adquirido a través de la experiencia y el método prueba y error. Sin embargo, el contexto en el 
que se mueve la administración de las organizaciones está cambiando rápidamente, sus entornos 
son más complejos e inciertos de lo que han sido nunca. Como resultado, la toma de decisiones 
en la actualidad es más compleja que en el pasado [Huber, 1984]. 
Teniendo en cuenta esta evolución y su impacto en el proceso de toma de decisiones resulta difícil 
tanto basarse en un proceso de prueba y error, como continuar apoyándose en fuentes de 
información tradicionales en el ámbito de la gestión. En este sentido, el empleo de sistemas de 
Business Intelligence puede resultar extremadamente positivo para una eficaz toma de decisiones 
[Pourshahid, Richards y Amyot, 2011]. 
Hoy en día, cada vez más organizaciones se están moviendo hacia un modelo moderno de 
inteligencia de negocios, caracterizado por un enfoque de autoservicio a los datos. El equipo de 
Tecnología de la Información administra los datos (seguridad, precisión y acceso), lo que permite 
a los usuarios interactuar con sus datos directamente a través de plataformas de inteligencia de 
negocios. Las plataformas de análisis modernas ayudan a las organizaciones a abordar cada paso 
del ciclo del análisis (Figura 1.1.2): preparación de datos, análisis y descubrimiento, gobierno y 
uso de los datos. [Tableau, 2020] 
 
Figura 1.1.2 - Flujo de trabajo analítico en el modelo moderno de la inteligencia de negocios. 
 
De manera frecuente, los mandos medios y altos de las organizaciones diagnostican la necesidad 
de mejorar ciertos aspectos en el ámbito de la gestión, para lo cual establecen hipótesis que se 
deben poder validar en pos de ejecutar las estrategias adecuadas. 
Se establecen indicadores y objetivos que deben poder ser medibles y que permiten establecer 
una medida de logro de la mejora esperada, los resultados obtenidos a través de la medición 
permiten en tiempo real tomar decisiones estratégicas definiendo el curso de la planificación de 
la organización. 
Dada la complejidad que tienen los procesos de integración de las distintas fuentes de datos, surge 
la necesidad de aplicar una estrategia de inteligencia de negocios que permita implementar una 
secuencia ordenada de actividades sobre estos procesos. 
8 
En este contexto, se analiza la toma de decisiones en una empresa Argentina radicada en la ciudad 
de Tandil, provincia de Buenos Aires. La Cooperativa Agropecuaria de Tandil LTDA, es una 
empresa agroindustrial, que se dedica principalmente al acopio y acondicionamiento de granos y 
oleaginosas. Sus procesos productivos se registran en un sistema de tipo transaccional, llamado 
ADMIS. En el cual, se asientan todas las operaciones relacionadas con el negocio. Además, para 
llevar adelante la gestión, diferentes sectores de la Cooperativa, deben mantener actualizados 
repositorios de datos paralelos. El sistema principal, no provee la totalidad de la funcionalidad 
que necesita la organización para cubrir toda su operatoria. 
La gerencia carece de reportes ágiles que sean sencillos, de fácil acceso y que puedan generarse 
de forma automática con la información disponible. Los reportes actuales conllevan un 
tratamiento manual para la obtención de la información definitiva. Los mandos medios utilizan 
parte de su tiempo productivo en consolidar la información necesaria para actualizar la reportería 
actual. A su vez, el tiempo de demora en el armado de dichos reportes tiene como consecuencia 
la imposibilidad de realizar una toma de decisiones certera y a tiempo. 
1.2 Solución POTDE - proceso de optimización para la toma 
de decisiones estratégicas 
 
En este trabajo se aplicó un proceso, denominado Proceso de Optimización para la toma de 
Decisiones Estratégicas (POTDE),que tiene como objetivo final dar soporte en la toma de 
decisiones al equipo gerencial de la Cooperativa Agropecuaria de Tandil LTDA (CAT LTDA). 
Dicho proceso está constituido por un conjunto de actividades, que se pueden observar en la 
Figura 1.2.1, cuyo resultado final es disponibilizar los datos necesarios para proveer la 
información que asistirá a una mejor toma de decisiones. Dicho de otra forma, partiendo de la 
información disponible en la CAT LTDA, sin importar el formato ni el origen en el que se 
encuentre la misma, se obtuvo un conjunto de datos unificado y ordenado sobre el cual se 
definieron distintas métricas clave del negocio. 
 
Figura 1.2.1 - Definición de flujo de actividades POTDE 
9 
Dichas métricas, responden a los principales indicadores claves (KPI) de la Cooperativa. Como 
última etapa del proceso, se construyó en la herramienta de inteligencia de negocios, Microsoft 
Power BI (MS PBI), un conjunto de tableros o dashboards que materializan los indicadores 
anteriormente mencionados. 
Para concluir, los resultados de la aplicación de POTDE en la CAT LTDA, se pueden agrupar 
principalmente en dos grupos. En primer lugar, el tiempo para disponibilizar la información se 
redujo considerablemente, pasando de 40 horas para el armado y publicación de los reportes de 
gestión, a 120 segundos. En segundo lugar, se obtuvo un mejor aprovechamiento de los recursos. 
Principalmente, los recursos humanos, que dejaron de realizar tareas rutinarias y sin valor 
agregado, para utilizarlo en realizar un mejor análisis de situación gracias a los dashboards 
entregados. En el caso de los mandos medios y equipo gerencial, la herramienta permitió bajar 
la frecuencia de mensual a diaria en la toma de decisiones, que permite cumplir con los objetivos 
de cada sector. 
1.3 Esquema general 
El esquema general de la tesis está organizado de la siguiente manera. 
En el capítulo 2 se presentan los conceptos de Business Intelligence y la evolución de los 
procesos ETL. Además, este capítulo contextualiza la organización y el ambiente donde se 
implementa la solución Business Intelligence. 
En el capítulo 3 se describen varios enfoques y herramientas que están relacionados con 
soluciones Business Intelligence. Todos estos enfoques son reportados y comparados. 
En el capítulo 4 se presenta el enfoque POTDE. Primero se desarrolla cada una de las actividades 
del proceso y luego se describe detalladamente cada una. Luego se especifican los detalles de 
implementación de la herramienta y su diseño en un caso real. 
En el capítulo 5 se presentan los resultados y el análisis de un caso de estudio. Se presenta la 
operatoria que se utilizó para el caso de estudio y luego se desarrollan las conclusiones de los 
resultados. 
Finalmente, el capítulo 6 resume las conclusiones, contribuciones principales, limitaciones y 
propuestas para trabajos futuros. El apéndice incluye todos los datos que fueron obtenidos durante 
el desarrollo de la implementación del proceso. 
 
 
 
 
 
 
10 
Capítulo 2: Motivación 
 
El uso de ordenadores por parte de las organizaciones comienza en la década de los sesenta, 
siendo inicialmente utilizados como soporte para el procesamiento de transacciones (transaction 
processing systems, TPS), los mismos se encuadran dentro de la categoría de sistemas de 
información denominada aplicaciones de negocio o sistema de soporte a las actividades 
organizativas, cuya finalidad es procesar las transacciones básicas del negocio. Hoy en día, los 
sistemas TPS han evolucionado hacia lo que las empresas denominan software de gestión 
empresarial [Gómez y Suárez, 2009], ámbito en el que se incluyen los sistemas para la gestión 
integrada de los recursos de la empresa (enterprise resource planning, ERP), los sistemas de 
gestión de la cadena de suministros (supply chain management, SCM) y los sistemas de gestión 
de las relaciones con los clientes (customer relationship management, CRM). 
La información es el principal activo en las organizaciones, gestionarla de manera correcta 
determina el éxito o fracaso de las mismas. Para ello, se hacen necesarias soluciones que provean 
un mejor acceso y análisis de la información estratégica. 
En 1989, Howard Dresner, un investigador de Gartner Group, popularizó el acrónimo de “BI” 
(“Business Intelligence” o Inteligencia de Negocios), para indicar el conjunto de conceptos y 
métodos para mejorar la toma de decisiones en los negocios, utilizando sistemas de apoyo 
basados en hechos. 
BI tiene el objetivo de apoyar en forma sostenible a las organizaciones facilitando la información 
necesaria para apoyar sus decisiones y que de esta manera puedan ser más competitivas. 
Business Intelligence refiere a un conjunto de herramientas de soporte de decisiones que permiten 
en tiempo real, el acceso interactivo, análisis y manipulación de información crítica para la 
empresa. Estas aplicaciones proporcionan a los usuarios un mayor entendimiento que les permite 
identificar las oportunidades y los problemas de los negocios. Los usuarios son capaces de 
acceder y manipular una vasta cantidad de información. Al mismo tiempo, permite analizar sus 
relaciones y entender las tendencias que últimamente están apoyando las decisiones de los 
negocios. Estas herramientas previenen una potencial pérdida de conocimiento dentro de la 
empresa que resulta de una acumulación masiva de información que no es fácil de leer o de usar 
[CherryTree & Co., 2000]. 
En consecuencia, BI comprende una gran variedad de herramientas analíticas pensadas para 
asistir en la toma de decisiones a través de la búsqueda de conocimiento en la información de la 
propia organización. 
El proceso de extracción, transformación y carga – ETL (Extraction, Transformation and Load) 
es una de las actividades técnicas más críticas en el desarrollo de soluciones de inteligencia de 
negocios. La integración de datos de distintas fuentes y la implementación adecuada depende de 
la integridad, uniformidad, consistencia y disponibilidad de los datos utilizados en el componente 
de análisis de una solución de BI. El objetivo de este proceso es extraer, limpiar, transformar, 
resumir, y formatear los datos que se almacenarán en el datawarehouse de la solución de BI. 
En la actualidad existen diferentes empresas que llevan adelante su gestión basándose 
en sistemas adquiridos o adoptados varios años atrás, sistemas de tipo enlatados que resolvían 
los requerimientos del momento o para el cual fueron adquiridos. Estos sistemas suelen ser de 
tipo transaccional y permiten la carga y consulta de datos en una estructura definida. La 
funcionalidad definida, en general, se centra en la gestión de operaciones. Por esto, la información 
disponible en estas consultas resulta insuficiente y carecen de procesamiento para responder 
11 
nuevos requerimientos de niveles gerenciales, como por ejemplo, la confección de tableros de 
gestión (Dashboards) para la toma de decisiones. 
Estos sistemas transaccionales no se adaptan a los nuevos requerimientos, ya sea por una 
imposibilidad en la arquitectura del propio sistema, o bien, por los altos costos que demandaría 
implementarlos. Dichos TPS, al ser adquiridos como productos cerrados, requieren del desarrollo 
por parte del propietario para realizar las modificaciones mencionadas, siendo muchas veces 
costoso o directamente imposible de realizar. Adicionalmente, frente a esta imposibilidad, la 
forma que han encontrado los equipos de IT para dar respuesta a esta demanda fue la creación de 
repositorios de datos. Los repositorios se crean a través de herramientas auxiliares para luego 
hacer un ensamble de esta información con los repositorios originales. A partir de allí, se pueden 
crear diferentes reportes y dashboards. 
2.1 Componentes business intelligence 
 
Los componentes que conforman una solución Business Intelligence, son los siguientes:➢ Fuentes de información, de las cuales se obtienen datos para alimentar el Data 
Warehouse. 
➢ Proceso ETL, extracción, transformación y carga de los datos en el Data Warehouse. 
Antes de almacenar los datos en un Data Warehouse, éstos deben ser transformados, 
filtrados y redefinidos. Normalmente, la información de los sistemas transaccionales no 
está lista para la toma de decisiones. 
➢ Data Warehouse o almacén de datos, con el Meta data o Diccionario de datos. Se busca 
almacenar los datos de una forma que se maximice su flexibilidad, facilidad de acceso y 
administración. 
➢ El motor OLAP, que nos debe proveer capacidad de cálculo, consultas, funciones de 
planeamiento, pronóstico y análisis de escenarios en grandes volúmenes de datos. 
➢ Las herramientas de visualización, que nos permitirán el análisis y la navegación a 
través de los mismos. 
 
2.2 Proceso ETL 
 
Los procesos de extracción, transformación y carga de datos, mejor conocidos como ETL por sus 
siglas en inglés (Extract, Transform, Load), se enmarcan dentro de las actividades clave en el 
contexto de las bases de datos, ya que por medio de su combinación permiten hacer el traslado 
de datos de una fuente a otra. Principalmente este término se ha asociado a procesos propios de 
la construcción de bodegas de datos, o datawarehouse [Kimball, Ross, Thornthwaite, Mundy y 
Becker, 2008]. 
Las bodegas de datos son repositorios de información recolectada de múltiples fuentes, unificada 
bajo un esquema y que usualmente se encuentran en un mismo lugar [Calabria,2011]. Dentro de 
las fases de la construcción de un datawarehouse, el ETL es una de las tareas con mayor costo, 
tanto por tiempo como por recursos, estando esta labor asociada a la unificación de datos 
provenientes de diferentes fuentes, con estructuras y formatos variantes. A pesar de que existen 
diversas herramientas, tanto libres como pagas, para el modelado y ejecución de estos procesos, 
12 
no siempre es posible alcanzar el nivel de personalización que requieren algunos problemas 
complejos, donde la variedad de fuentes y esquemas de datos dificultan la labor. 
 
2.3 Evolución de las herramientas ETL 
 
Las consultas analíticas tienden a construirse de forma iterativa y a ejecutarse en múltiples tablas 
de una base de datos transaccional. Estas diferencias entre Sistemas Transaccionales y los análisis 
iterativos plantearon un desafío y llevaron a la necesidad de que los datos sean procesados o 
consultados fuera de los sistemas transaccionales. En consecuencia, nació una nueva categoría 
de software, denominadas herramientas ETL. Estas herramientas extraen los datos de las bases 
de datos transaccionales a otro servidor, donde los datos en destino podrían ser "Transformados" 
en conjuntos de datos de informes. Luego, se combinan y procesan diferentes conjuntos de datos 
en un servidor dedicado, y el conjunto de datos final se carga en una base de datos de destino. El 
software ETL se ejecuta en una infraestructura de hardware dedicada, que generalmente consta 
de varios servidores, para proporcionar escalabilidad. 
Los usuarios beneficiados por este tipo de herramientas pueden interactuar y consultar los datos 
sin perturbar las operaciones comerciales. Más importante aún, la mayoría de las herramientas 
ETL eliminaron la necesidad de codificar, proporcionando una interfaz sencilla que permite 
configurar y dividir los pasos de transformación en distintas "etapas". Los especialistas en ETL 
podrían crear rutinas escalonadas que fueran fáciles de rastrear y depurar sin la necesidad de 
comprender el código escrito por los ingenieros. Esta fue de hecho la propuesta de valor central: 
no era necesario ser ingeniero o desarrollador para construir algo de gran valor para la 
organización. 
Un impacto a largo plazo con la mayor sofisticación del software ETL fue que comenzó a surgir 
una clase de profesionales que se convirtieron en "Desarrolladores Certificados" en una 
herramienta ETL. Por lo tanto, contratar o capacitar a talentos que podrían trabajar con software 
que se estaba volviendo cada vez más complejo erosiona el valor original de no requerir 
ingenieros: el enfoque simplemente cambió a otra clase de especialistas. Esto provocó cambios 
claves en el paradigma dónde los sistemas operativos de alta disponibilidad comenzaron a 
funcionar con la tecnología RDBMS (Relational Database Management System); Surgieron 
bases de datos de código abierto, como PostgreSQL, teniendo un rendimiento similar a productos 
RDBMS patentados, como Oracle o Sybase. Además, el lenguaje SQL proliferó como una 
habilidad más comúnmente disponible en comparación con la codificación tradicional, y ahora 
es parte de programas de capacitación para ingenieros, analistas e incluso usuarios comerciales 
en algunos contextos. Incluso, el costo de propiedad de una infraestructura operativa o de 
almacenamiento de datos se redujo ampliamente y la simplicidad del lenguaje SQL redujo el 
valor del software, ya que eliminó la necesidad de codificar. Por lo tanto, en lugar de tener un 
clúster de Servidor ETL dedicado, las compañías ahora pueden usar una infraestructura de base 
de datos tanto para el procesamiento como para las consultas. 
Además, se puede utilizar scripts SQL junto con software de automatización para la preparación 
de datos. Si bien las herramientas ETL tradicionales pueden ser extremadamente poderosas; En 
una configuración ELT, usar SQL ofrece beneficios. 
La carga más baja en un sistema operativo de alta disponibilidad es leer datos o la función 
"Extraer". En lugar de crear un archivo plano intermedio como lo hacen las herramientas ETL 
más antiguas, los conectores modernos copian datos de una plataforma de base de datos a otra 
con una carga de trabajo similar en el lado OLTP estable. Por lo tanto, los archivos planos han 
13 
sido reemplazados por tablas en el esquema del almacén de datos, cargando datos sin procesar 
primero. Ahora, tenemos una copia de los datos operativos requeridos que se pueden transformar. 
La mayoría de los pasos, si no todos, se pueden realizar mediante consultas SQL dentro del 
entorno del almacén de datos. 
La infraestructura ETL dedicada ofrece ahorros en el costo total de propiedad y gastos reducidos 
en software ELT, ya que las implementaciones de SQL toman mucho menos tiempo que el código 
tradicional. Los analistas expertos en SQL pueden crear, mantener, documentar y solucionar 
problemas de aplicaciones de manera fácil y más integral. La evolución tecnológica en los últimos 
años ha desafiado las nociones tradicionales, no solo en Business Intelligence sino también en 
otros dominios. Pasar a un paradigma E-L-T tiene ventajas de costos que se pueden medir 
directamente. 
 
2.4 Contextualización 
 
A continuación, se explica qué es una pequeña y mediana empresa (PYME) en la Argentina y 
sus clasificaciones. Posteriormente, según esta clasificación, se encuadra dentro estas 
definiciones la Cooperativa Agropecuaria de Tandil LTDA, junto a una descripción de la misma. 
2.4.1 Pymes en Argentina 
Según la RAE, PYME es el acrónimo de pequeña y mediana empresa y está definido como 
empresa mercantil, industrial, agropecuaria, etc., compuesta por un número reducido de 
trabajadores con un moderado volumen de facturación. En la Argentina, se ha utilizado el término 
PYME para definir a las micro, pequeñas y medianas empresa, así en la ley 24467 sancionada el 
15 de marzo de 1995, en el segundo párrafo del artículo 2 menciona: “…cuando en esta ley se 
hace mención a las siglas “PYME”, están referidas a la micro, pequeña y mediana empresa, las 
cuales tienen igual tratamiento en la presente ley”; de ahí que hasta el día de hoy se sigue usando 
dicho término. 
A continuación, se presentan los criterios de clasificación para las PYMES en Argentina 
A. Límite de ventas anuales expresada en pesos ($) 
 
Figura 2.4.1.1 - Clasificación de PYMES segúnlímite de ventas. 
(https://pymes.afip.gob.ar/) 
https://pymes.afip.gob.ar/
14 
B. Límite de personal ocupado 
 
Figura 2.4.1.2 - Clasificación de PYMES según cantidad de empleados. 
(https://pymes.afip.gob.ar/) 
 
C. Límite de Activos expresados en pesos 
 
Total de Activos en Pesos Argentinos 
193.000 $ 
 
Figura 2.4.1.3 - Clasificación de PYMES según límite de activos. 
(https://pymes.afip.gob.ar/) 
 
2.4.2 Pymes agroindustriales en Argentina 
 
El sector agropecuario, agroalimentario y agroindustrial argentino (SAAA) tiene relevancia 
estratégica para el país. Durante la campaña 2018/19 el sector agropecuario superó ampliamente 
140 millones de toneladas de grano (correspondiendo el 53 % a oleaginosas, el resto a cereales y 
otros granos). Además, produjo 2,6 millones de toneladas de cítricos, 13,4 millones de hectolitros 
de vino, cerca de 3 millones de toneladas de carne vacuna, 2 millones de toneladas de carne aviar, 
441 mil toneladas de carne porcina y 11 mil millones de litros de leche bovina, entre muchos 
otros rubros (Datos del Ministerio de Agricultura, Ganadería y Pesca, 
http://monitorsiogranos.magyp.gob.ar/monitorsiogranos.html). 
Por sus favorables condiciones naturales, su historia en la producción agropecuaria y su capital 
humano en el sector agropecuario y agroindustrial, la Argentina está posicionada como uno de 
los líderes en los mercados internacionales de productos agro - alimenticios. La importancia 
estratégica de la agricultura en la economía argentina se pone de manifiesto considerando que el 
sector aporta más del 50 % del valor total de las exportaciones y tiene una participación 
aproximada del 7 % sobre el Producto Interno Bruto (PIB) total, que llegaría a 18-22 % si se 
agrega la contribución neta indirecta sumando la cadena de agro procesamiento. Al mismo 
https://pymes.afip.gob.ar/
https://pymes.afip.gob.ar/
15 
tiempo, emplea de manera directa aproximadamente al 7 % de la fuerza laboral registrada, a lo 
que habría que agregar el empleo asociado con actividades agroindustriales, lo que elevaría este 
porcentaje al 17 % [Nogués, 2015]. 
El aumento de la productividad y el cambio tecnológico han jugado un rol muy importante en el 
crecimiento de la agricultura argentina. El aumento en la producción agrícola ha sido sostenido 
y promedió una tasa de crecimiento anual acumulativo del 3 % entre 1962 y 2013. Este 
crecimiento de largo plazo de la producción está explicado, por un lado, por incrementos en el 
uso de factores e insumos (tierra, trabajo, capital, fertilizantes, etc.), cuya tasa de crecimiento ha 
sido del 0,62 % anual y por otro, mucho más importante, por el aumento de la Productividad o 
Productividad Total de Factores (PTF) que creció al 2,45 % anual. Es decir, una buena parte del 
incremento de la producción agrícola puede explicarse por mejoras de productividad, lo que 
implica una mayor capacidad de producción del conjunto de recursos disponibles [Lema, 2015]. 
Las políticas nacionales de impuestos a la exportación, regulaciones y restricciones cuantitativas 
a la exportación de productos agropecuarios han generado distorsiones de precios relativos que 
impactaron sobre las tasas de crecimiento sectorial con distinta intensidad. 
En cuanto a la relación del agro argentino con el mundo, la historia reciente muestra las claras 
ventajas comparativas en la producción agropecuaria y de alimentos de nuestro país. Mientras 
que la participación argentina en el Producto Bruto Mundial es menor al 1 %, las exportaciones 
agropecuarias argentinas alcanzan aproximadamente el 2,5 % del total de las exportaciones 
mundiales [FAO, 2016]. Las exportaciones alimentarias presentan una participación similar. Es 
decir, la participación relativa en el comercio mundial agrícola y de alimentos más que duplica 
la importancia relativa en el producto bruto mundial, revelando una importante ventaja 
comparativa que debería ser potenciada. 
2.4.3 Las PYMES y su proceso de toma de decisiones 
 
A nivel mundial no existe un consenso de la clasificación de las PYMES, sin embargo, en 
Argentina se clasifican por tramos de acuerdo con las ventas anuales registradas. Las mismas se 
caracterizan por ser empresas familiares, poseer mayor adaptabilidad tecnológica y bajos costos 
de infraestructura. Las mismas representan un sector fundamental de la economía del país, pues 
constituyen un 96% del total de empresas y generan un 60% del empleo creado por el sector 
privado [Tovar C., 2017]. 
En cuanto a la gestión de las PyMEs, Valda [Valda J., 2010] afirma que los empresarios que las 
lideran son rígidos, autocráticos e incuestionables en el poder, a la vez que sobrevaloran la 
experiencia, repitiendo modelos exitosos previos sin dar relevancia a los cambios de contexto 
que ocurren en las empresas. 
Así mismo, su conocimiento y comprensión del entorno constituye un recurso clave para 
mantener la ventaja competitiva, por lo que experimentan procesos de toma de decisiones 
incrementales, iterativos y no lineales, basados en información incompleta y guiados por 
corazonadas. 
De esta manera, la PyME se enfrenta a tomar decisiones tanto operativas como estratégicas con 
información escasa e incompleta, dando mayor relevancia a experiencias previas de sus líderes, 
en un entorno tan cambiante como el de Argentina. 
2.4.4 Acerca de la empresa 
 
La Cooperativa Agropecuaria de Tandil Ltda. es una PYME agroindustrial Argentina, la misma 
se encuentra radicada en la ciudad de Tandil, Provincia de Buenos Aires. A una distancia de 390 
km de la ciudad capital de la República Argentina. 
16 
Es una empresa fundada en 1942. Dedicada desde sus inicios a la comercialización, acopio, 
acondicionamiento de granos y oleaginosas, y posteriormente a la fabricación y venta de 
productos derivados. Cuenta con una fuerte presencia en la región, conformada por una casa 
central y doce sucursales. 
Las unidades de negocios que conforman la organización son las siguientes: Cereales, 
Agronomía, Balanceados, Negocios Especiales (Lechería y Miel), Administración y Finanzas. 
La Cooperativa Agropecuaria es una empresa cuyo crecimiento económico es constante y 
sostenido en las últimas décadas. Así lo demuestra el resultado del balance del año 2020, cerrado 
al 31 de agosto de 2020, superando los 480.000.000 millones de pesos argentinos. 
Al cierre del ejercicio, se contabilizaron 432.000 toneladas de cereal acopiado. Los cereales que 
predominan son: trigo, soja, cebada, maíz, girasol, alpiste y avena. Gran parte se destina a 
negocios de exportación y el resto a consumo interno. 
En el último balance cerrado el 31 de agosto de 2021, el resultado fue de 656.228.270 millones 
de pesos argentinos, y se contabilizaron 450.334 toneladas de cereal acopiado. Lo que demuestra 
una evolución económica ascendente en los últimos ejercicios. 
En noviembre del 2018, se asoció a productores lácteos de la zona con el objetivo de obtener un 
mejor precio de la materia prima. Mejorando los canales de comunicación y la capacidad de 
negociación con las usinas lácteas. En consecuencia, se obtuvo una mejora en el precio del 
alimento balanceado. 
En el 2019, se renovaron las instalaciones de la fábrica de alimentos balanceados de su Casa 
Central (Tandil) para optimizar el uso de energía eléctrica y aumentar el rendimiento productivo. 
Actualmente se están realizando las gestiones para la construcción e instalación de una nueva 
fábrica de queso mozzarella en el parque industrial de Tandil, dándole valor agregado a la materia 
prima que producen los socios y creando nuevas fuentes de trabajo genuinas en la ciudad de 
Tandil. 
La responsabilidad social es uno de los principales valores de la organización, fomentando el 
desarrollo académico, económico y profesional de socios y empleados. Impulsando negocios en 
conjunto con socios y empresas de la región de influencia. Adicionalmente, coopera en formaconstante con las instituciones zonales. 
Se trata de una empresa de “puertas abiertas” haciendo alusión a la disponibilidad para la atención 
y solución de problemas a sus socios. 
 
Misión 
Contribuir a que nuestros socios sean exitosos como productores agropecuarios, comprando sus 
insumos y comercializando su producción a través de la Cooperativa, la que debe desempeñarse 
como una empresa competitiva. 
Visión 
Ser un referente cooperativo en el sudeste de la provincia de Buenos Aires, creciendo de 
manera sustentable junto a los socios en un mercado cada vez más competitivo, profesional y 
17 
concentrado, promoviendo el desarrollo agroindustrial que agregue valor a la producción 
primaria de los asociados. 
Espíritu de la Organización 
Transformar a la Cooperativa en el ámbito natural 
donde el socio concurra en busca de soluciones. A 
veces le daremos una respuesta satisfactoria, otras 
no, pero el socio siempre va encontrar en nuestra 
organización la predisposición a solucionar. 
Se encuentra dentro de las primeras posiciones 
dentro del ranking de rentabilidad realizado por la 
Cámara Empresaria de la Ciudad de Tandil. A su 
vez, pertenece al grupo ACA (Asociación de 
Cooperativas Argentinas), uno de los principales 
agroexportadores del país, como se puede observar 
en la Ilustración 2.3.4.1. 
Durante el ejercicio 2019/2020 se posicionó en el primer lugar en distribución de insumos y 
proveedora de Miel en el grupo ACA. 
 
Figura 2.4.4.1 - Ranking Agroexportadores Argentinos 
 
El mercado del que es parte la Cooperativa es muy dinámico, las decisiones que se toman están 
sujetas a factores externos que cambian constantemente. Por ese motivo, la toma de decisiones 
debe ser acertada y oportuna para obtener mejores resultados. La información debe ser una aliada 
estratégica que permita tener una mejor visión del rumbo de la organización y que además pueda 
ser capaz de generar una ventaja competitiva. 
18 
Capítulo 3: Trabajos relacionados 
 
En el presente capítulo se presenta la información recabada durante la investigación previa a 
implementar la solución propuesta. La investigación consistió en buscar herramientas de software 
que permitan extraer información desde diferentes fuentes u orígenes de datos y normalizarlos. 
El capítulo se encuentra organizado de la siguiente manera. En la sección 3.1, se presentan 
algunas de las herramientas Business Intelligence disponibles en el mercado actualmente En la 
sección 3.2, se realiza un cuadro comparativo de las herramientas mencionadas en la sección 
anterior. Por último, en la sección 3.3, se presentan los motivos por los cuales se optó por una 
herramienta en particular para implementar el presente trabajo final. 
 
3.1 Herramientas disponibles en el mercado 
 
Como explica en su Tesis de Grado, [I.Figini, 2018] "Integrador de fuentes de datos para la 
gestión por indicadores¨, existen en el mercado diversas herramientas destinadas a satisfacer el 
proceso de Extracción (E), Transformación (T) y Carga (L, de Load en Inglés) -ETL- de datos 
desde múltiples fuentes, reformatearlos, limpiarlos, y cargarlos en otra base de datos, data mart, 
o data warehouse para analizar y apoyar un proceso de toma de decisiones [ETL, 2015]. 
La idea es que una aplicación ETL lea los datos primarios de distintas bases de datos de sistemas 
principales, realice transformación, validación, filtrado y por último escriba los datos en otro 
almacenamiento para que en este momento estén disponibles para ser analizados por los usuarios 
(Figura 3.1.1). 
 
Figura 3.1.1 - ETL Process 
 
A continuación, se describen algunas de las herramientas ETL disponibles en el mercado. 
3.1.2 Pentaho 
 
 
 
 
 
19 
Pentaho Data Integration (Kettle ETL) Kettle es una herramienta de la suite de pentaho, también 
conocida como PDI o Pentaho’s Data Integration [Pentaho]. Es una herramienta ETL (Extract – 
Transform – Load), es decir, de Extracción de datos de una fuente, Transformación de esos datos, 
y Carga de esos datos en otro sitio. Estas tareas son típicas en procesos de migración, integración 
con terceros, explotación de Big Data. Kettle es un intérprete de procedimientos escritos en 
formato XML. Proporciona un motor de JavaScript (así como uno de Java) para refinar el proceso 
de manipulación de datos. Es una buena herramienta, con todo lo necesario para crear incluso 
procedimientos complejos de ETL. 
Kettle es un intérprete de los procedimientos de ETL escritos en formato XML, proporciona un 
motor Java o JavaScript para tomar el control del procesamiento de datos. Además, es la 
herramienta predeterminada en Pentaho Business Intelligence Suite. Los procedimientos también 
se pueden ejecutar fuera de la plataforma Pentaho, siempre que estén instaladas todas las 
bibliotecas de Kettle y el intérprete de Java. [Pentaho, 2019] 
Presenta las siguientes características: 
• No es necesario tener licencia para usarlo 
• Multiplataforma 
• Cuenta con un poderoso motor de Data mining y servidor OLAP 
Una desventaja de la herramienta es que, si bien existen múltiples foros de información, no se 
dispone de documentación fiable, solo existe el manual de usuario básico en el que no se explican 
todas las funciones que se pueden llegar a realizar. 
En la Figura 3.1.2.1 se especifica el análisis FODA (Fortalezas, Oportunidades, Debilidades y 
Amenazas) de la herramienta Pentaho Suite. 
 
Figura 3.1.2.1 - Matriz FODA de la herramienta Pentaho Suite 
20 
3.1.3 Tableau 
 
La herramienta Tableau, del francés mesa, es un programa desarrollado por la empresa 
estadounidense Tableau Software, la cual desarrolla distintas aplicaciones para la visualización 
interactiva de datos basados en el análisis y la inteligencia del negocio [Tableau, 2019]. Tableau 
Software, no solo desarrolla una aplicación escritorio para el análisis y visualización de datos 
(Tableau Desktop), sino que también desarrolla varios softwares que permiten la visualización 
de datos en móviles, tablets y páginas web. Estos softwares son conocidos como Tableau Móvil 
y Tableau Online. Además de los softwares mencionados anteriormente, provee un software 
llamado Tableau Server, el cual es un servicio adicional para las distintas herramientas. Su 
funcionalidad básica es brindarles a los clientes de las herramientas Tableau, la posibilidad de 
crear una base de datos propia y ser almacenada en la nube. Esto logra una disponibilidad y 
extensibilidad notable del producto, ya que la base de datos puede ser accedida sin importar el 
lugar físico donde se encuentre la persona que lo vaya a utilizar, ni la cantidad de personas que 
quieran acceder 
En Tableau Desktop, es muy fácil poder conectarse a diferentes bases de datos propias. Además, 
provee una conectividad con los servidores más utilizados para alojar las bases de datos, como 
son Oracle, Sql Server, MySql, Google Cloud Sql, PostgreSQL, entre otras. Por otra parte, 
permite extraer datos desde Microsoft Excel, Microsoft Access y de distintos archivos 
estadísticos que un usuario pudiese tener. 
Cuenta con la tecnología “Drag and Drop”, lo que permite realizar gráficos con los datos, hoy en 
día, muy demandados por el uso de teléfonos celulares y tablets. 
La versión gratuita para Tableau Desktop tiene un período de catorce días para utilizarla sin 
restricción. Pasado ese tiempo se tiene que comprar, de lo contrario no se podrá utilizar. A la hora 
de la documentación, en su sitio oficial, se puede acceder a tutoriales y entrenamientos y ejemplos 
concretos de cómo utilizar la aplicación. También cuenta con un servicio de soporte para todos 
aquellos que hayan comprado el software, logrando así solucionar cualquier tipo de error que 
pudieran surgirles a sus clientes. Una desventaja de Tableau, es que al estar concentrada en el 
análisis y visualización de los datos, no se pueden realizar métodos matemáticos como en los 
softwaresdescritos anteriormente a lo largo de este capítulo, sino que están embebidos, por ende, 
no se sabe que métodos utiliza para realizar su análisis, haciendo que los resultados no sean del 
todo confiables. Si se pretende utilizar un método matemático propio, se debe utilizar otra 
herramienta para programar las funciones matemáticas y dejar la parte gráfica a Tableau, con lo 
que hace más tedioso el trabajo del analista porque debe ir cambiando de herramienta a 
herramienta. 
3.1.4 Qlik 
 
Qlik (anteriormente conocido como Qliktech ) proporciona una plataforma de end to end que 
incluye integración de datos, inteligencia empresarial impulsada por el usuario y análisis de 
21 
conversación. Los principales productos de la compañía son QlikView y Qlik Sense, ambos 
software para inteligencia empresarial y visualización de datos. 
El motor asociativo de Qlik permite a los usuarios realizar análisis de big data, combinando varias 
fuentes de datos para que se puedan formar asociaciones y conexiones a través de los datos. Los 
dos productos principales QlikView y Qlik Sense tienen diferentes propósitos que se ejecutan en 
el mismo motor. En QlikView, el usuario realiza sus tareas diarias, analizando los datos con un 
tablero de mandos ligeramente configurable, la mayoría de los datos son estáticos. Qlik Sense 
permite la concatenación de diferentes fuentes de datos y la configuración completa de las 
visualizaciones, lo que permite profundizar en un registro de datos individual. 
Qlik Analytics Platform ofrece acceso directo al motor de datos asociativos de Qlik a través de 
API abiertas y estándar. Qlik Data Catalysis es un producto de gestión de datos empresariales y 
Qlik Core es una plataforma de desarrollo de análisis construida alrededor del motor asociativo 
de Qlik y las bibliotecas de código abierto creadas por la compañía. 
QlikTech se fundó en el año 1993. Fue ubicada en Lund (Suecia), y es el desarrollador de la 
tecnología AQL (Associative Query Logic), un método que permite cargar y combinar datos 
desde diferentes bases de datos. La tecnología AQL fue patentada por la empresa en el año 1994 
y es pionera en el uso de Business Intelligence directamente en memoria. Mediante esta 
tecnología, su exclusivo motor de ETL y el uso de todos sus procesos logran un producto que 
permite manejar grandes volúmenes heterogéneos de datos en forma rápida y eficiente [Qlink, 
2019]. 
En la Figura 3.1.4.1 se especifica el análisis FODA (Fortalezas, Oportunidades, Debilidades y 
Amenazas) de la herramienta QlikView. 
 
Figura 3.1.4.1 - Matriz FODA de la herramienta QlikView 
https://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=search&pto=aue&rurl=translate.google.com&sl=en&sp=nmt4&u=https://en.m.wikipedia.org/wiki/Business_intelligence&usg=ALkJrhh1gekI7UjWwWTJGY-BfByIFNMfdA
https://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=search&pto=aue&rurl=translate.google.com&sl=en&sp=nmt4&u=https://en.m.wikipedia.org/wiki/Data_visualization&usg=ALkJrhhMM4lJBNma62OBxxZem1ZovxrwLQ
https://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=search&pto=aue&rurl=translate.google.com&sl=en&sp=nmt4&u=https://en.m.wikipedia.org/wiki/Big_data&usg=ALkJrhgBCcLYNDm3FtH61tX2MOA_s1vB6g
https://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=search&pto=aue&rurl=translate.google.com&sl=en&sp=nmt4&u=https://en.m.wikipedia.org/wiki/Concatenation&usg=ALkJrhg5hi8-4S5VJiqL3ELM7YViU_elKA
22 
3.1.5 Microstrategy 
 
La empresa Microstrategy, fundada en 1989 por Michael J. Saylor, ofrece un producto EBIS 
(Enterprise Business Intelligence Suites) denominado Microstrategy Business Intelligence. Es 
una herramienta que transforma grandes volúmenes de datos en paneles e informes intuitivos a 
sectores empresariales. Entre las principales ventajas de este programa se encuentran las 
siguientes: 
● Instalación y configuración sencilla de la plataforma. 
● Acceso Web para el diseño y ejecución de informes/documentos con funcionalidades 
completas. 
● Manejan cubos virtuales que se conectan directamente a la base de datos 
Por otro lado, encontramos los siguientes inconvenientes: 
● Los informes son muy generales, es decir, no se pueden personalizar. 
● Tiene elementos de una complejidad bastante alta, es decir, habrá funciones que no se 
realizarán en algunos entornos de la empresa. 
● La licencia del producto tiene costos elevados. 
3.1.6 Microsoft Power BI 
 
Power BI es el nombre colectivo para una variedad de aplicaciones y servicios basados en la nube 
que ayudan a las organizaciones a recopilar, administrar y analizar datos de una variedad de 
fuentes, a través de una interfaz fácil de usar. Reúne los datos y los procesa, convirtiéndolos en 
información inteligible, a menudo utilizando gráficos y tablas visualmente convincentes y fáciles 
de procesar. Esto permite a los usuarios generar y compartir información útil de lo que está 
sucediendo en su negocio. [POWER BI, 2019] 
Se conecta a una variedad de fuentes de datos, desde hojas de cálculo básicas de Excel hasta bases 
de datos, y aplicaciones tanto en la nube como en los servidores de nuestra empresa. 
Power BI es una herramienta de Microsoft, y como tal, la curva de aprendizaje de Power BI no 
es tan pronunciada; cualquiera que pueda usar Excel puede usar Power BI, pero este último es 
mucho más poderoso que la hoja de cálculo. 
Se puede descomponer en las áreas funcionales estándar de Business Intelligence, tiene: 
● Una herramienta ETL (Extraer, Transformar, Cargar) en la sección Consulta de datos 
externos, 
● Modelado en el área de Relaciones, lenguaje de acceso a datos con DAX y su creación de 
medidas 
● Visualizaciones 
Actualmente cuenta con más de 5 millones de usuarios y es utilizado por más de 200.000 
empresas. Es ampliamente utilizado en agencias de Analítica Web y empresas especializadas en 
Business Intelligence. [Power BI, 2020] 
23 
Por otro lado, durante más de 12 años consecutivos Gartner ha reconocido a Microsoft como líder 
en análisis e inteligencia empresarial como podemos observar en la Figura 3.1.6.1. 
 
Figura 3.1.6.1 - Clasificación Herramientas BI según Gartner. 
3.2 Comparativa de herramientas 
 
La siguiente tabla, (Tabla 3.2.1), muestra la comparación entre todas las herramientas 
mencionadas en las secciones anteriores. En dicha tabla, puede observarse las similitudes y 
diferencias de cada una de las herramientas BI mencionadas anteriormente, comparando aspectos 
como: tipo de licencia, plataformas compatibles, características de los servicios ofrecidos, 
usabilidad, integración y tipo de herramienta. 
 
24 
 
Tabla 3.2.1 - Tabla comparativa de herramientas. 
3.3 Análisis de implementación 
 
Las herramientas descriptas anteriormente son muy interesantes tanto para la extracción, 
transformación y carga de datos, como para el armado de distintos tableros de control a través de 
una gran variedad de elementos visuales. Sin embargo, para los requerimientos de la Cooperativa 
Agropecuaria Tandil LTDA, no es suficiente sólo contar con cualquiera de las soluciones 
mencionadas. Como se fue desarrollando a lo largo de este capítulo, todas las herramientas de 
tipo ETL tienen la posibilidad de conectarse a varios orígenes de datos, si los mismos son de mala 
calidad, la implementación de dichas herramientas no alcanzarán los resultados esperados. De 
igual forma, es necesario poder realizar la configuración de cualquiera de las herramientas 
mencionadas, definiendo en los modelos, indicadores clave (KPI), reglas de negocio, métricas y 
objetivos de la organización entre otros. Al igual que en la observación anterior, cuanto más 
precisas sean estas definiciones mejor resultado o desempeño tendrá la implementación de una 
herramienta de este tipo. 
 
Por este motivo, se hace necesario configurar e implementar una herramienta que dé respuesta a 
los requerimientos de la CooperativaAgropecuaria Tandil LTDA. Resulta interesante aplicar la 
herramienta Microsoft Power BI (MS PBI) para dar solución a la problemática teniendo en cuenta 
los siguientes aspectos: 
 
● Bajo Costo: Al disponer de una versión gratuita se puede hacer una implementación 
inicial para conocer y evaluar el producto. 
 
● Bajo Riesgo: Al no estar sujeto a costos elevados costos de licencias y soporte. El 
departamento de IT puede implementar este tipo de soluciones, si fuese necesario, con 
soporte de algún consultor. Sin comprometer la operación ni los presupuestos. 
25 
● Facilidad de uso: MS PBI dispone de una interfaz amigable, similar a las herramientas 
que dispone el resto de la suite de office. Dicha suite se utiliza como herramienta en la 
Cooperativa, lo cual ayuda a reducir los tiempos de aprendizaje. 
 
● Soporte: se dispone de mucha documentación oficial, foros y tutoriales de buena calidad 
 
● Requerimientos de despliegue: compatibles con las distintas plataformas y sistemas 
operativos en la Cooperativa, así como también los requisitos en cuanto a hardware. 
 
● Integración: MS PBI permite la conectividad con todo tipo de sistema, lo que permite 
extraer datos de todo tipo de aplicaciones heredadas, sean base de datos en excel, 
mainframes, archivos planos, XML, etc. 
 
 
26 
Capítulo 4: Toma de decisiones estratégicas en 
organizaciones 
 
La sociedad que adviene se denomina “sociedad del conocimiento” y se caracteriza porque tanto 
el cambio en el entorno, como la generación de nuevos conocimientos constituyen un proceso 
permanente y sistemático. La ventaja competitiva en la sociedad actual está en el conocimiento. 
Por esta razón, las naciones, las organizaciones y las personas pueden lograr ventajas 
competitivas sustentables a través del conocimiento. 
El origen de la ventaja competitiva en la sociedad del conocimiento está en el acto de crear y 
compartir conocimiento, y esto se logra mediante la toma de decisiones estratégicas [Kim & 
Maugborne, 1998; Cool, 1998]. La toma de decisiones estratégicas es fundamental en cualquier 
actividad humana. En este sentido, todos somos tomadores de decisiones. Sin embargo, tomar 
una decisión acertada empieza con un proceso de razonamiento constante y focalizado, que puede 
incluir varias disciplinas como la filosofía del conocimiento, la ciencia y la lógica, y por sobre 
todo, la creatividad. Un gerente debe tomar muchas decisiones todos los días, algunas de ellas 
son decisiones de rutina mientras que otras tienen una repercusión importante en las operaciones 
de la organización donde trabaja. 
Las organizaciones producen grandes cantidades de datos que provienen de diversas aplicaciones, 
sistemas transaccionales, archivos tipo planilla de cálculo, entre otros orígenes de información. 
La mayor dificultad que enfrentan los equipos gerenciales es que todo ese volumen de 
información no logra ser explotado, de forma rápida y oportuna, al momento de tomar decisiones. 
Al encontrarse la información distribuida en diferentes orígenes de datos, las personas clave para 
la organización pasan la mayor parte de su tiempo elaborando reportes manuales. En 
consecuencia, los principales indicadores del negocio como la posición de cereales e insumos y 
la evolución presupuestaria de las secciones quedan postergados. Adicionalmente, por falta de 
informes de calidad, las decisiones son tomadas en base a experiencias previas e intuición, sin 
tener en cuenta datos correctos y estadísticas reales. 
Una de las actividades de la dirección estratégica es la toma de decisiones, allí está el origen de 
la ventaja competitiva. Las decisiones estratégicas son elecciones importantes, no rutinarias, que 
consumen una cantidad significativa de recursos y cuyos efectos son de largo alcance. 
La Cooperativa Agropecuaria de Tandil Ltda. es una empresa con intenciones de tecnificar sus 
procesos, con el objetivo de tomar decisiones basadas en información certera y a tiempo. 
Actualmente, la Gerencia de la empresa utiliza para la toma de decisiones, diversos reportes. Los 
cuales deben someterse a un extenso proceso de consolidación de los datos para su confección. 
Por consiguiente, se consume demasiado tiempo y recursos, afectando negativamente en los 
costos. 
Para dar respuesta a esta problemática, se propone un Proceso de Optimización de Toma de 
Decisiones Estratégicas (POTDE). Para empezar, reúne la información de los diversos orígenes 
27 
de datos. Con los datos obtenidos, se procede a su estandarización para el posterior 
procesamiento. Por último, se obtiene información estratégica que colabora con la toma de 
decisiones de la organización. De esta manera, se garantiza la reducción de tiempo en la obtención 
de la información y la confiabilidad en los datos resultantes. 
4.1 Proceso de optimización para la toma de decisiones 
estratégicas 
En este trabajo se propone un proceso, denominado POTDE, que tiene como objetivo dar soporte 
a los equipos gerenciales en la toma de decisiones de una organización. Dicho proceso está 
constituido por un conjunto de actividades cuyo resultado final es disponibilizar los datos 
necesarios para proveer la información que asistirá a una mejor toma de decisiones. En otras 
palabras, partiendo de la información disponible en una empresa, sin importar el formato ni el 
origen en el que se encuentre la misma, se obtiene un conjunto de datos unificado y ordenado 
sobre el cual se van a definir las métricas a analizar. Dichas métricas, darán respuesta a los 
principales indicadores clave (KPI) de la organización y del negocio. 
Para concluir, los resultados obtenidos después de aplicar POTDE, se pueden clasificar en dos 
grupos. En primer lugar, los resultados cualitativos y, en segundo lugar, los resultados 
cuantitativos. Los resultados cualitativos hacen referencia a la satisfacción general o experiencia 
del usuario, dicha experiencia del usuario se medirá a través de una encuesta de calidad. Por otra 
parte, los resultados cuantitativos hacen referencia al resultado del proceso que muestra el grado 
de cumplimiento de objetivos concretos y medibles. El grado de cumplimiento, se define a través 
de métricas que demuestran este resultado. Es importante aclarar que para realizar dichas métricas 
es necesario tener un muestreo significativo. 
 
Figura 4.1.1 - Esquema general POTDE 
28 
Es necesario aclarar que POTDE es un proceso secuencial, el mismo está constituido por cuatro 
etapas: Relevamiento, Diseño, Construcción, Validación y Encuesta de satisfacción, utilizando 
una metodología con ciclo de vida completo donde cada una de estas etapas tiene propósito y 
entregas específicas. En la Figura 4.1.1, se puede observar las etapas del esquema POTDE y los 
actores que intervienen en ellas. 
Es requisito obligatorio, antes de comenzar el proceso, que la información disponible en los 
orígenes de datos sea consistente, no existan datos duplicados ni erróneos. Las organizaciones 
deben organizar sus datos de manera que no existan inconsistencias entre ellos o su 
almacenamiento. El éxito o fracaso del proceso depende de contar con datos de buena calidad. 
Por consiguiente, puede surgir la necesidad de adicionar un paso previo que consiste en filtrar, 
completar y/o formatear datos en los orígenes de los mismos. Llamaremos a esta etapa adicional, 
etapa de Normalización. Cabe destacar que disponer de información de mala calidad es un 
problema de la organización y no del proceso que se propone en este trabajo. 
4.1.1 Etapa de relevamiento 
Esta etapa tiene como objetivo recabar, comprender y documentar los requerimientos que 
posteriormente serán implementados. Adicionalmente, en esta etapa se deben identificar las 
fuentes de información sobre el sistema y ayudar a los stakeholders a descubrir los requisitos a 
partir de ellas. Es importante mencionar, cuál es el resultado de cada actividad de esta etapa, las 
actividadesen esta etapa son: 
A. Relevar necesidades, a través de los miembros de la gerencia, con el objetivo de 
conocer en detalle la problemática actual, los factores que no permiten una mejor 
toma de decisiones y los indicadores clave de rendimiento (KPI) para la gestión. 
B. Relevar procesos y reglas de negocio, por medio de entrevistas personales, 
encuestas o reuniones de trabajo con los referentes de cada Unidad de Negocios 
(UdeN). El objetivo de esta actividad es identificar los procesos comerciales clave 
dentro del sector. Así mismo, conocer las reglas del negocio. 
C. Analizar la infraestructura técnica y los sistemas disponibles, incluyendo a las 
personas involucradas del área técnica de la organización. Debido a que pueden 
brindar información de los sistemas informáticos que se utilizan y la 
infraestructura técnica disponible. El objetivo de esta actividad es la búsqueda de 
posibles aspectos a optimizar en la gestión de los datos por parte de cada UdeN. 
D. Identificar y analizar los orígenes de datos, donde podría residir la información 
requerida. Dichos orígenes pueden ser tanto internos como externos. 
Frecuentemente, los conocimientos empresariales se encuentran en las relaciones 
entre los múltiples orígenes de datos. Se pueden clasificar en operaciones, internas 
y externas. Los orígenes de datos operacionales se pueden corresponder con bases 
de datos transaccionales (SGDBR), Sistemas de Procesamiento de Transacciones 
En Línea (OLTP) o sistemas Batch. Los orígenes de datos externos se 
corresponden a conexiones a datos por medio de API’s. Asimismo, los orígenes 
29 
de datos privados son todos los archivos locales de la organización, en sus 
diferentes formatos. 
Identificar dónde se encuentran los datos para satisfacer un requerimiento es un 
trabajo colaborativo. Por un lado, los usuarios finales que están familiarizados con 
la semántica de los datos. Y por otro, el departamento IT que conoce los orígenes 
de datos y sus relaciones. Se recomienda analizar la calidad del contenido de los 
datos para evitar extraer datos sucios. 
4.1.2 Etapa de Diseño 
En esta etapa se define un modelo de datos, el mismo debe contener la información que dé 
respuesta a los requerimientos relevados en la etapa anterior. Las actividades de esta etapa son: 
A. Definir el esquema de modelado dimensional, que tenga la estructura adecuada 
para resolver las consultas relevadas. El mismo, se genera a partir de los datos 
existentes tanto en bases de datos relacionales, como en bases de datos 
multidimensional. Para el primer caso, sobre una base de datos relacional, se 
construirá el modelo dimensional utilizando una estructura en estrella, copo de 
nieve o constelación. Para el segundo caso, sobre una base de datos 
multidimensional, se construirán cubos debiendo utilizar tecnología específica. 
B. Validar el modelo. El resultado final de esta etapa tiene como objetivo verificar 
que el modelo diseñado en la actividad anterior responde a todos los 
requerimientos obtenidos en la etapa de relevamiento. 
4.1.3 Etapa de Construcción 
Dado el modelo de datos definido anteriormente, el objetivo de esta etapa es confeccionar la 
documentación con el detalle necesario para que este modelo pueda implementarse. Es deseable 
utilizar una herramienta que facilite el acceso a los datos y pueda utilizarlos para la definición de 
nuevas métricas, generación de informes o dashboards. 
4.1.4 Etapa de Validación 
En esta etapa, se busca determinar el nivel de éxito de POTDE, en base a la opinión de los 
expertos en el dominio. Se expone a los expertos en el dominio los resultados obtenidos mediante 
informes de análisis, tableros de resultados o dashboards. 
Adicionalmente, mediante una encuesta de satisfacción a los usuarios finales, se evalúan los 
siguientes atributos de calidad: Performance, disponibilidad, confiabilidad, amigabilidad, 
intuitividad. Analizando los resultados de la encuesta, se puede medir la satisfacción del uso de 
POTDE. En el caso de la utilización de una herramienta de inteligencia de negocios, su 
intuitividad o amigabilidad. Respecto a los datos resultantes, su disponibilidad, y si son los 
esperados por la gerencia. 
30 
4.2 Introducción al dominio y la problemática 
POTDE se aplicó en una PYME agroindustrial Argentina. La Cooperativa Agropecuaria de 
Tandil Ltda. fue fundada en 1942. Dedicada desde sus inicios a la comercialización, acopio, 
acondicionamiento de granos y oleaginosas, y posteriormente a la fabricación y venta de 
productos derivados. Cuenta con una fuerte presencia en la región pampeana, conformada por 
una casa central y doce sucursales. La Cooperativa Agropecuaria es una empresa cuyo 
crecimiento económico es constante y sostenido, El último balance, supera los 480.000.000 
millones de pesos argentinos. 
En esta sección se detalla la problemática y el dominio donde se aplicó el proceso POTDE. En 
primer lugar, se describe la problemática actual de la organización. Y para finalizar, se realiza 
una instanciación de POTDE aplicado en un ejemplo real de la Cooperativa Agropecuaria de 
Tandil Ltda. 
4.2.1 Introducción a la problemática actual 
Partiendo de las definiciones de Hellriegel, Slocum (2004) y Stoner, (2003), la toma de decisiones 
es una parte importante de la labor del gerente en una organización. En la actualidad, el proceso 
de toma de decisiones en la Cooperativa Agropecuaria de Tandil Ltda se basa en informes de 
gestión, mayormente confeccionados de forma manual. A partir de los mismos, y en base a la 
experiencia previa e intuición del gerente o equipo gerencial, se lleva adelante el proceso de toma 
de decisiones. 
La Cooperativa cuenta con un sistema de base de datos (SGBD) de tipo transaccional que 
almacena, entre otros, los datos de sus socios, sucursales, depósitos, granos, insumos, stock y las 
transacciones de los movimientos logísticos. El armado de los reportes solicitados por la gerencia 
requiere poder consolidar datos. Los mismos, se encuentran almacenados en primer lugar, en el 
SGBD. En segundo lugar, en diferentes formatos distribuidos en cada UdeN. En consecuencia, 
la tarea de consolidar toda la información para el armado de los informes, se torna una tarea 
repetitiva que se ejecuta de forma manual. Por otra parte, el tiempo para disponibilizar un 
informe, puede variar y tomar días, semanas, o incluso meses. Los informes que requieren mayor 
esfuerzo para su confección se realizan una o dos veces al año. 
Asimismo, parte de la información disponible presenta inconsistencias o es de mala calidad. En 
otras palabras, producto de errores tanto en los datos externos, como de carga del sistema 
transaccional, provocan datos de baja o insuficiente calidad. Por lo tanto, limpiar y normalizar la 
información de los diferentes orígenes de datos, es una tarea que se suma al inicio de este proceso. 
Por consiguiente, el tiempo necesario para entregar los reportes de gestión aumenta, y por lo 
mencionado anteriormente, el resultado de estos puede no ser el esperado en el marco de la toma 
de decisiones estratégicas. Así, por ejemplo, es el caso de los reportes se realizan una vez por 
año, analizando los resultados del ejercicio que finalizó, para tomar las decisiones necesarias e 
implementarlas en el ejercicio siguiente. 
31 
4.3 Instanciación POTDE 
En esta sección se detallan cada una de las etapas de POTDE mencionadas anteriormente, 
instanciadas en el caso de uso Evolución Presupuestaria agronómica, correspondiente a la 
UdeN Agronomía, de la Cooperativa Agropecuaria de Tandil Ltda. 
Mediante reuniones presenciales con los responsables de la UdeN, se definió la necesidad en 
concreto de poder contar con un dashboard de control presupuestario que permita analizar y 
visualizar las ventas de los productos del sector. Dicho tablero de control deberá presentar la 
información de los siguientes KPI’s: 
● Evolución de las ventas segúnlo presupuestado 
● Ventas por ejercicio, mensuales y diarias 
● Total acumulado de ventas mensual por ejercicio 
● Detalle de productos por grupo de familia 
En concreto, la UdeN Agronomía, necesita disponibilizar toda la información necesaria para 
poder armar un dashboard que permita realizar el control de ventas diario, de todos los artículos 
existentes por ejercicio y, además, que dicho en informe se observe el contraste de las ventas vs. 
el presupuesto estimado para el mismo ejercicio. Al mismo tiempo, se debe presentar la 
información con una apertura por depósito y especie. Una especie se denomina a un subconjunto 
de artículos de iguales características. 
Previo a la aplicación de POTDE, para este caso de uso, no existía ningún informe que pueda dar 
respuesta a la totalidad del requerimiento solicitado, de manera que, solo se contaba con un 
informe que permitía ver un resumen ejecutivo por centro de costo, y solo se controlaba las 
especies más importantes, en cuanto a volumen y costo, como por ejemplo Glifosato. 
Para comenzar el proceso, se desarrolló una actividad adicional con el objetivo de normalizar los 
datos. Como se ha dicho en la sección 4.1, es requisito obligatorio, antes de comenzar el proceso, 
que la información disponible en los orígenes de datos sea consistente. En consecuencia, el 
departamento de IT realizó tres acciones concretas para garantizar dicha consistencia. En primer 
lugar, se normaliza la Base de Datos, eliminando y/o editando registros inconsistentes y 
agregando registros faltantes. En segundo lugar, se realizaron modificaciones en tablas existentes 
para poder agregar los atributos que permite agrupar los artículos por especie. Es importante 
mencionar en este punto, que los cambios fueron realizados por el departamento IT de manera 
provisoria para poder dar respuesta a los requerimientos de POTDE. Por último, el departamento 
de IT gestionó con el proveedor propietario del sistema de gestión, los cambios necesarios para 
dar solución definitiva a los cambios mencionados en el punto anterior. 
En otras palabras, previo a la implementación de POTDE, no era posible clasificar los productos 
según su especie, es decir, no era posible armar un informe de seguimiento como el solicitado. 
Dicha clasificación de artículos no se encontraba plasmada en la base de datos, por lo que se 
generó una nueva entidad en el sistema de gestión para disponer de esta formación. Luego, se 
generó un listado de especies, y se clasificaron los productos que se encontraban ya cargados en 
la Base de Datos del esquema PRODUCCION, según el grupo al que pertenecen. 
32 
En un principio, no se contaba con la posibilidad de clasificar dentro del sistema de gestión por 
familia de productos, por lo que se diseñó una solución creando una tabla ESPECIEVENTA 
dentro de la Base de Datos donde se cargó la relación entre la familia de productos y el producto. 
Dicha tabla contaba con dos campos, ARTICULO Y ESPECIE, como se puede observar en la 
Figura 4.3.1. Logrando como resultado Figura 4.3.2. 
Figura 4.3.1 - Vista de diseño tabla ESPECIEVENTA 
 
Figura 4.3.2 - Vista de datos tabla ESPECIEVENTA 
 
Paralelamente, se solicitó a los proveedores del sistema esta modificación para que los usuarios 
finales tengan independencia al momento de clasificar los artículos, la cual fue realizada con 
éxito en un tiempo aproximado de 6 meses (Figura 4.3.3 y Figura 4.3.4). 
33 
Figura 4.3.3 - Vista de entidades SGBD 
 
Figura 4.3.4 - Pantalla asignación de especie al artículo del módulo de ventas. 
4.3.1 Etapa de relevamiento 
La captura de requerimientos en esta etapa fue mediante entrevistas presenciales. Las mismas, se 
dividieron en tres grupos y fueron realizadas en el orden que se mencionan: 
1. Junto al equipo directivo a cargo de la toma de decisiones estratégicas. 
34 
2. Junto a los administradores de negocio responsables de aplicar decisiones. 
3. Junto al personal que se entrevista por razones políticas. 
Durante la entrevista con el equipo directivo, se definieron los indicadores de gestión que se 
necesitan actualmente en la organización. El esquema de documentación de las entrevistas se 
detalla en el Anexo 1 y 2. Luego, se realizaron las entrevistas con los administradores de cada 
sector (UdeN), donde se relevó en detalle los procesos de cada área. 
A. Relevar necesidades, para esta actividad se realizó un cuestionario dependiendo 
del grupo a entrevistar. Para el caso del equipo directivo, se realizaron las 
siguientes preguntas: 
● ¿Qué indicador/es de gestión necesitan? 
● ¿Existe este indicador en los reportes de la organización? 
● ¿Existe un indicador similar o complementario? 
● En la actualidad. ¿Cómo se toman las decisiones que dependen de este 
indicador? 
● En la actualidad. ¿Qué sector/es interviene en la generación de este 
indicador? 
● En la actualidad. ¿Qué tiempo demora en generar este reporte? 
● En la actualidad, clasificando del 1 al 5. ¿Qué tanto sirven los reportes 
actuales para la toma de decisiones? Justificando su respuesta. 
Como resultado, Anexo 3, de estas entrevistas surge la necesidad de la 
organización de contar con dashboard globales por sección donde se contemplen 
los siguientes indicadores: posición financiera, potencialidad comercial, posición 
de cereales, posición de agronomía, evolución presupuestaria agronómica, unidad 
productiva agronomía/cereales y ranking de socios perdidos por sucursal. 
A su vez, cada gerente de unidad de negocios detalló las necesidades de su 
sección. Anexo 4. 
En general, para todos los indicadores mencionados, el tiempo de armado de los 
reportes es mayor a siete días hábiles y en muchos casos no llegan a obtener la 
información deseada. En función del resultado de estos, se toman las decisiones. 
El proceso de toma de decisiones mejoraría si se puede reducir el tiempo de 
confección y obtención de la información. Garantizando que la información 
obtenida es fiable. 
En particular, se utiliza a modo de ejemplo, el dashboard de evolución 
presupuestaria de la unidad de negocios de Agronomía para instanciar POTDE. 
Por cada uno de los requerimientos definidos en la etapa anterior, donde se 
relevaron las necesidades de cada sección, se define un nuevo listado de preguntas 
para los responsables de las unidades de negocio. El cuestionario se conforma de 
la siguiente manera: 
35 
● ¿El sector contribuye de alguna manera a la conformación del 
requerimiento mencionado? 
● ¿De qué manera? 
● ¿Depende de la información de otro/s sector/es? 
● ¿En qué sistema/s se encuentra la información necesaria para dar respuesta 
al requerimiento? 
● ¿Se requiere de datos externos a la organización para dar respuesta al 
requerimiento? 
● ¿Qué reportes existen actualmente en el sector que den respuesta al 
requerimiento? 
● En la actualidad. ¿Qué tiempo demora en generar este reporte? 
Cabe destacar que el cuestionario utilizado con el equipo gerencial, puede 
aplicarse en cada UdeN buscando identificar las necesidades de un sector en 
particular. 
Como resultado de las entrevistas a los mandos medios y operativos, se puede 
observar que de los requerimientos solicitados por la gerencia, existen reportes 
que se confeccionan con información de uno o más sectores. En general, además 
de utilizar la información de los sistemas transaccionales de la Cooperativa, 
utilizan herramientas adicionales como planillas de cálculo para almacenar y 
procesar datos. En la actualidad todos los informes se entregan en formato planilla 
de cálculo. 
En particular para el dashboard de Evolución Presupuestaria agronómica, las 
respuestas al cuestionario fueron las siguientes: 
● ¿El sector contribuye de alguna manera a la conformación del 
requerimiento mencionado? 
La Unidad de Negocios Agronomía es la única responsable en generar y 
conformar la información para la creación del dashboard Evolución 
Presupuestaria Agronómica.