gonzalez martinez - Repositorio Institucional de la Universidad

UNIVERSIDAD VERACRUZANA
Facultad de Contaduría y Administración
El Data mart en las pequeñas y
medianas empresas como auxiliar en el
proceso de toma de decisiones
MONOGRAFÍA
para obtener el título de:
Licenciado en Sistemas
Computacionales Administrativos
Presenta:
Marco Antonio González Martínez
Asesor:
M.C.C. Erasto Alfonso Marín Lozano
Xalapa-Enríquez, Veracruz
Agosto 2008
INDICE
Resumen………………………………………………………………………….… 1
Introducción……………………………………………………………………….. 2
Capítulo I Marco Teórico
1.1.
Empresa…………………………………………………………………. 8
1.1.1. Definición de Empresa, según diversos autores……………..8
1.1.2. Análisis estructural de la definición de Empresa……………..9
1.2.
Las PyMEs y la toma de decisiones…………..……………………... 10
1.2.1. Motivación de las PyMEs para adoptar tecnología…………..13
1.3.
Datawarehouse…………………………………………………………. 14
1.3.1. Introducción al Concepto de Data warehouse………………..14
1.3.2. Arquitectura del Data warehouse………………………………15
1.3.3. OLTP (On-Line Transaction Processing)…………………….. 16
1.3.4. Consolidación…………………………………………………….16
1.3.5. Middleware………………………………………………………. 17
1.3.6. OLAP (On-Line Analytical Process)…………………………... 18
1.3.7. Aplicaciones……………………………………………………... 19
1.3.8. Impactos de implementación del Data warehouse…………. 19
1.3.9. Impacto en la gente…………………………………………….. 19
1.3.10. Impactos en los procesos empresariales y de
toma de decisiones……………………………………………... 20
Capítulo II
2.
Data Mart………………………………………………………………… 23
2.1. Concepto de Data Mart………………………………………… 24
2.2. Importancia del data warehouse y el Data Mart………..........25
2.3. Generalidades de los Data Marts……………………………... 26
2.4. Desarrollo de los Data Marts vs Data Warehouse…………...28
2.5. Razones para crear un Data Mart…………………………….. 29
2.6. Componentes del Data Mart……………………………………30
I
2.6.1. Escenario y método…………………………………….. 30
2.6.2. Fuentes de Datos……………………………………….. 32
2.6.2.1. Datos…………………………………………...32
2.6.2.2. Concepto de datos multidimensionales…….34
2.6.2.3. OLAP y OLTP………………………………… 35
- Data Mart OLAP
- Data Mart OLTP
- Diferencias entre OLAP y OLTP
2.7. Diseño de los Data Marts……………………………………….40
2.7.1. Modelos Generales de Desarrollo…………………….. 40
-
Modelo Top Down.
-
Modelo Bottom up.
-
Modelo Paralelo.
2.7.2. Modelos de Desarrollo con Retroalimentación……… 45
-
Modelo Top Down con Retroalimentación.
-
Modelo Bottom up con Retroalimentación.
-
Modelo Paralelo con Retroalimentación.
2.8. Extracción y transformación de datos………………………… 48
2.9. Herramientas de acceso……………………………………….. 50
-
Acceso predefinido.
-
Acceso Ad hoc.
-
Queries básica y reporting.
-
Queries y reporting avanzado.
-
Data Mining.
2.10. Repositorio / Metadata…………………………………………. 54
2.11. Beneficios del Data Mart……………………………………….. 59
Capítulo III
3.
El Data Mart en las medianas y pequeñas empresas como
auxiliar en el proceso de tomas de decisiones………………………. 62
3.1. Beneficios para las organizaciones……………………………...65
II
3.2. Estrategia de Reporting…………………………………………...66
3.3. Tipología de informes…………………………………………….. 66
3.4. Alternativas Tecnológicas………………………………………... 67
3.5. Alternativas de Diseño…………………………………………….69
3.6. Opción aconsejada……………………………………………….. 74
Capítulo IV
Ejemplo del Sistema de Información para la Toma de Decisiones (DATA
MART) en la Consejería de Economía y Hacienda de Andalucía,
comunidad autónoma española………………………………………………. 77
Conclusiones……………………………………………………………………….92
Glosario…………………………………………………………………………...…96
Fuentes de información bibliográficas…….…………………………………..98
Fuentes de información electrónicas…………………………………………..99
Indice de Figuras………………………………………..…………………….…..101
Indice de Tablas………………………………………………………………......103
III
RESUMEN
La adecuada toma de decisiones en cualquier empresa resulta imprescindible para
no permitir pasar una oportunidad de negocio. En un país donde la mayoría de sus
empresas están registradas dentro del régimen de medianas y pequeñas
empresas, la tarea de la toma de decisiones resulta vital para su existencia. Su
condición de medianas y pequeñas, limita el querer invertir en tecnología, y más
cuando no cuentan con una guía que los oriente acerca de los beneficios que esto
traería. El Data Mart implantado en cada área funcional de la empresa permite la
extracción de información exacta y oportuna para una adecuada toma de
decisiones, consultas que se realizan a través del uso de las herramientas OLAP.
1
INTRODUCCION
Las organizaciones dependen de la comunicación para coordinar las actividades
de sus miembros, sobre todo cuando el entorno cambia imprevisiblemente. La
trascendencia de la comunicación se hace más patente en la medida en que se
asciende por la pirámide empresarial. La transmisión de información relevante y
oportuna entre departamentos y niveles jerárquicos resulta vital para lograr el
desarrollo óptimo de cualquier organización. Sin embargo, no siempre se cuenta
con la información cuando se necesita, pues sólo existe almacenada gran cantidad
de ésta.
Es necesario considerar que un error en la toma de decisiones es la confusión que
existe entre necesidad y deseo, dos elementos con los que los analistas se
enfrentan diariamente y deben aprender a distinguir.
Un Data Warehouse es una solución que permite centralizar en un solo punto toda
la información definida por la compañía como relevante para la gestión de su
negocio y la toma de decisiones. La distribución de la información se realiza a
través de herramientas que permiten a los usuarios finales construir sus propios
informes de forma autónoma.
A pesar de las grandes ventajas del Data Warehouse, parecen existir unas
importantes barreras para su utilización en empresas de tamaño mediano. Los
productos Data Warehouse han nacido para resolver problemas de análisis de
grandes masas de información, en empresas donde una pequeña diferencia en el
valor de una variable, puede afectar la cuenta de resultado con unas diferencias
de millones de dólares.
3
Los productos y proyectos Data Warehouse están dimensionados para este tipo
de empresas, contando con hardware muy potente (muchas veces especializado)
y la masiva intervención de consultores externos, expertos en la realización de la
puesta en marcha. Un proyecto de este tipo resulta en todos los aspectos excesivo
para un departamento de ventas que necesita analizar la información de 500.000 3.000.000 de líneas de pedidos, o una cantidad equivalente de información
financiera, que es lo normal para una empresa mediana.
Para resolver este tipo de necesidades han surgido los Data Mart, productos que
utilizan la tecnología Data Warehouse adaptada a las necesidades de las
empresas medias. Data Mart se destaca por una definición de requerimientos más
fácil y rápida. También se simplifica el desarrollo de todo el mecanismo de su base
de datos y con ello baja substancialmente todo el coste del proyecto, así como su
duración. Normalmente, Data Mart resuelve aplicaciones a nivel departamental,
aunque en ocasiones se desarrolla una aplicación que integre todas ellas y
proporciona las funciones de un Sistema de Información para Ejecutivos (EIS).
Los esfuerzos de los desarrolladores de productos Data Mart, junto con los
mejoras del índice precio/rendimiento del hardware, suben constantemente el
límite de penetración de Data Mart, permitiendo asumir proyectos más y más
importantes. La simplicidad de los proyectos de Data Mart y el menor costo en
comparación con Data Warehouse, significan una ventaja competitiva muy grande
a favor de Data Mart, donde el mercado de los dos tipos de productos se solapa.
Un Data Mart es una solución que, compartiendo tecnología con el Data
Warehouse (pero con contenidos específicos, volumen de datos más limitado y un
alcance histórico menor), permite dar soporte a una empresa pequeña, o un
departamento o área de negocio de una empresa grande.
4
El Data Mart cubre las necesidades de informes porque no es conveniente
efectuar consultas sobre el sistema transaccional, y permite integrar datos de
varios sistemas transaccionales.
Se documentará al Data Mart como repositorio recopilador de información
relevante para la organización en cada uno de sus departamentos generando una
adecuada comunicación entre sus áreas permitiendo a cada nivel empresarial una
adecuada toma de decisiones.
Como principio, el Primer Capítulo encuadrará la definición de empresa dada por
varios autores, su análisis estructural para determinar los elementos que la
componen; la situación actual de las Pequeñas y Medianas Empresas en nuestro
país y la manera en que la información afecta la toma de decisiones en un
momento determinado, y las principales razones que deben llevar a una PyMe a la
adopción de tecnología.
De la misma forma, se documenta el Data Warehouse, pues es fundamental
entenderlo, conocer su estructura y el impacto que tiene en las grandes empresas
para poder hacer una comparación con el empleo de un Data Mart en las
medianas y pequeñas empresas.
El Segundo Capítulo está destinado al Data Mart. Los aspectos que se abordan
son: conceptualización, generalidades, las razones que llevan a su creación, los
elementos que lo componen, el origen de sus datos, el diseño y modelos de
desarrollo que existen, la transformación de los datos, herramientas de acceso y
los beneficios que éste almacén brinda. Se omite el factor de creación, pues esta
monografía pretende ser una guía informativa acerca de los beneficios y
características principales que ofrece el Data Mart. Como más adelante se
menciona, la decisión a cerca de usar Data Marts o Data warehouse como
herramienta estructural para el análisis de los requerimientos en la empresa, no
5
depende de una guía específica, sino más bien de las necesidades y
características particulares de cada empresa.
Dentro del Tercer Capítulo se abarcará el tema de la Monografía “El Data Mart en
las medianas y pequeñas empresas como auxiliar en el proceso de tomas de
decisiones”. Aquí se mencionan los aspectos principales que llevan a considerar el
Data Mart como un auxiliar para aquellas empresas principalmente medianas y
pequeñas que buscan el crecimiento de su negocio a través de acertadas tomas
de decisiones resultando primordialmente en una mejor atención al cliente.
Para tal fin se presenta la estrategia de reporting, la cual muestra diferentes
escenarios de creación de Data Marts y data warehouse para resolver las
necesidades de información en las empresas y determinar cuál, en determinada
situación, le conviene elegir al empresario para tomar una adecuada decisión.
Y para finalizar, en el Cuarto Capítulo, se ilustrará un ejemplo del Sistema de
Información para la Toma de Decisiones (DATA MART) en la Consejería de
Economía y Hacienda de Andalucía, comunidad autónoma española.
6
CAPITULO I. MARCO TEORICO
1.1 Empresa
En un sentido general, la empresa es la más común y constante actividad
organizada por el ser humano, la cual, involucra un conjunto de trabajo diario,
labor común, esfuerzo personal o colectivo e inversiones para lograr un fin
determinado. Por ello, resulta muy importante que se conozca cuál es la definición
de empresa para que tenga una idea clara acerca de cuáles son sus
características básicas, funciones, objetivos y elementos que la componen.
1.1.1.Definición de Empresa, según diversos autores
Ricardo Romero, autor del libro "Marketing", define la empresa como "el
organismo formado por personas, bienes materiales, aspiraciones y realizaciones
comunes para dar satisfacciones a su clientela".
Julio García y Cristobal Casanueva, autores del libro "Prácticas de la Gestión
Empresarial", definen la empresa como una "entidad que mediante la organización
de elementos humanos, materiales, técnicos y financieros proporciona bienes o
servicios a cambio de un precio que le permite la reposición de los recursos
empleados y la consecución de unos objetivos determinados".
Para Simón Andrade, autor del libro "Diccionario de Economía", la empresa es
"aquella entidad formada con un capital social, y que aparte del propio trabajo de
su promotor puede contratar a un cierto número de trabajadores. Su propósito
lucrativo se traduce en actividades industriales y mercantiles, o la prestación de
servicios".
8
El Diccionario de la Real Academia Española, en una de sus definiciones
menciona que la empresa es una "unidad de organización dedicada a actividades
industriales, mercantiles o de prestación de servicios con fines lucrativos".
1.1.2. Análisis estructural de la definición de Empresa
Tomando en cuenta las anteriores definiciones, se puede apreciar que la definición
de empresa revela los siguientes elementos que componen la estructura básica de
lo que es una empresa:
Entidad: Es decir, que una empresa es una colectividad considerada como unidad
(por ejemplo, una corporación, compañía, institución, etc., tomada como persona
jurídica) o un ente individual conformado por una sola persona (por lo general, el
propietario).
Elementos humanos: Se refiere a que toda empresa está conformada por
personas que trabajan y/o realizan inversiones para su desarrollo.
Aspiraciones: Son las pretensiones o deseos por lograr algo que tienen las
personas que conforman la empresa.
Realizaciones: Se entiende como las satisfacciones que sienten los miembros de
la empresa cuando logran cumplir aquello que aspiraban.
Bienes materiales: Son todas las cosas materiales que posee la empresa, como;
instalaciones, oficinas, mobiliario, etc.
Capacidad técnica: Es el conjunto de conocimientos y habilidades que poseen los
miembros de la empresa para realizar o ejecutar algo.
9
Capacidad financiera: Se refiere a las posibilidades que tiene la empresa para
realizar pagos e inversiones a corto, mediano y largo plazo para su desarrollo y
crecimiento, además de tener liquidez y margen de utilidad de operaciones (por
citar algunas).
Producción, transformación y/o prestación de servicios: Se refiere a que la
empresa puede realizar una o más de las siguientes actividades: 1) Fabricar,
elaborar o crear cosas o servicios con valor económico, 2) transformar o cambiar,
por ejemplo, una materia prima en un producto terminado y 3) prestar servicios.
Satisfacción de necesidades y deseos: La necesidad humana es el estado en el
que se siente la privación de algunos factores básicos (alimento, vestido, abrigo,
seguridad, sentido de pertenencia, estimación). En cambio, los deseos consisten
en anhelar los satisfactores específicos para éstas necesidades profundas (por
ejemplo, una hamburguesa Mc Donalds para satisfacer la necesidad de alimento)
La definición de empresa permite "visualizar" a toda empresa como una entidad
conformada por elementos tangibles (elementos humanos, bienes materiales,
capacidad financiera y de producción, transformación y/o prestación de servicios)
e intangibles (aspiraciones, realizaciones y capacidad técnica); cuya finalidad es la
satisfacción de las necesidades y deseos de su mercado meta para la obtención
de una utilidad o beneficio.
1.2
LAS PYMES Y LA TOMA DE DECISIONES
Las Pequeñas y Medianas Empresas (PyMEs), son organizaciones que se
caracterizan por tener un número reducido de empleados y una facturación media
o baja. En el censo económico del INEGI (Instituto Nacional de Estadística
Geografía e Informática) del 2004, se establece que existen en México alrededor
10
de 2,726,568 PyMEs, las cuales representan aproximadamente el 94% del total
de las empresas mexicanas (2004). Diario Oficial de la Federación.
La Secretaría de Comercio y Fomento Industrial ha clasificado a las PyMEs por
sector: manufactura, comercio y servicio, y a su vez por el número de empleados
con los que cuentan, como se muestra en la tabla 1.1.
Tamaño
Clasificación de sectores por número de empleados
Industria
Comercio
Servicio
Pequeña empresa
31-100
6-20
21-50
Mediana empresa
101-500
21-100
5-100
Tabla 1.1 Estratificación de PyMEs
Fuente: Diario Oficial de la Federación, 2004.
El número de empresas que conforman el sector manufacturero es de 344,118 el
sector comercial cuenta con 1,443,878 y el sector servicio cuenta con 938,572
empresas. Como se puede observar, el sector comercial es el que abarca el
mayor número de organizaciones, 52% del total de las PyME, y sigue en aumento
(2004). Diario Oficial de la Federación.
Con estos resultados, se puede determinar que las PyME comercializadoras, son
las que conforman una parte importante de las empresas productivas de México.
Definidos el concepto de PyME y su clasificación en México, en seguida
conoceremos el panorama general de la situación empresarial y la importancia de
la toma de decisiones de manera oportuna.
“El crecimiento de las PyMEs ocurre actualmente entre una fuerte competencia,
contracción económica, clientela más inteligente, reducción de márgenes de
utilidad y constantes innovaciones tecnológicas.” (González, M., 2006). De ahí la
11
importancia de que las PyMEs tomen decisiones acertadas en el momento que se
requieran y antes que su competencia lo haga.
La información es un factor crítico en los negocios. Por esto, las empresas
requieren de sistemas y soluciones que permitan la exploración de la información,
donde sus propios datos sean procesados para apoyar la toma de decisiones
estratégicas, justificadas con información esencial para ellas.
Los Indicadores Clave de Rendimiento (ICRs), propuestos por Ronald Daniel y
Jack F. Rockart, también conocidos como indicadores clave de resultados o de
desempeño, son un conjunto de medidas cuantificables utilizadas por las
empresas para evaluar su desempeño en términos del conocimiento de sus
estrategias y metas operacionales (Baker, R., 2006). El monitoreo y predicción de
estos indicadores permite a las organizaciones tomar decisiones con base en
información consultada en tiempo real.
El mantenerse al tanto de la situación de la empresa, les permite establecer o
mejorar estrategias que generen ventajas ante su competencia, con mayor
seguridad.
Hoy en día las técnicas de inteligencia empresarial no se aplican comúnmente a
las PyMEs, porque se piensa que es un proceso muy costoso, no solo para su
creación, sino también para su mantenimiento y que se necesita de personal
experto y capacitado para poder lograr buenos resultados (Mallach, E., 2000).
Así mismo, las PyMEs por considerarse a ellas mismas pequeñas compañías, no
creen que tengan la posibilidad y necesidad de beneficiarse de estas técnicas que
les pueden ayudar a tomar decisiones para mejorar sus procesos de negocio.
Los vendedores de software de inteligencia empresarial, mencionan que la
tecnología que ellos tienen puede proveer la mejora de procesos que buscan las
12
organizaciones. Sin embargo, estas herramientas son muy costosas y complejas
porque tratan de satisfacer las necesidades de las grandes empresas.
Generalmente se venden como módulos separados, lo que complica de manera
significativa su uso y compresión, y eleva los costos.
1.2.1.Motivación de las PyMEs para adoptar tecnología
Las PyMEs tienen las mismas necesidades de análisis de información que las
empresas de gran tamaño, sin embargo tienen muchas más desventajas y
limitaciones que estas últimas.
Las limitaciones económicas son el principal factor, por el que las pequeñas y
medianas empresas no adquieren la tecnología que requieren. Además, los
sistemas existentes en el mercado, no ofrecen los resultados que prometen, se
concentran más en la venta de los mismos que en resolver los problemas de los
usuarios.
Otro motivo son los numerosos beneficios que las PyMEs pueden obtener, de los
avances de la tecnología que ahora permiten procesar datos a la velocidad del
pensamiento (González, M. 2006), por ejemplo:

Liberar a ciertos empleados de tiempo operativo para dedicarlo a realizar
análisis estratégicos.

Tener información suficiente que justifique la toma de decisiones
estratégicas en un momento determinado.

Aprovechar mejor de sus fuentes de información.

Fortalecer de las capacidades analíticas y de planificación.

Mejorar el entendimiento de las necesidades de los clientes
13
El conocimiento acerca de un Data Mart que permita obtener información
accesible para la PyME contribuirá a que tengan un crecimiento más rápido y
estén mejor preparadas para el ambiente competitivo en el que se desempeñan.
1.3 DATA WAREHOUSE
1.3.1.Introducción al concepto de Data warehouse
El Data Warehouse es una tecnología para el manejo de la información construido
sobre la base de optimizar el uso y análisis de la misma utilizado por las
organizaciones para adaptarse a los vertiginosos cambios en los mercados. Su
función esencial es ser la base de un sistema de información gerencial, es decir,
debe cumplir el rol de integrador de información proveniente de fuentes
funcionalmente
distintas (Bases Corporativas, Bases propias, de
Sistemas
Externos, etc.) y brindar una visión integrada de dicha información, especialmente
enfocada hacia la toma de decisiones por parte del personal jerárquico de la
organización (Méndez, A., Mártire, A., Britos, P. Y Garcia-Martínez, R., 2007).
Es un sitio donde se almacena de manera integrada toda la información resultante
de la operatoria diaria de la organización. Además, se almacenan datos
estratégicos y tácticos con el objetivo de obtener información estratégica y táctica
que pueden ser de gran ayuda para aplicar sobre las mismas técnicas de análisis
de datos encaminadas a obtener información oculta -Data Mining-.
Esta información incluye movimientos que modifican el estado del negocio,
cualquier interacción que se tenga con los clientes y proveedores, y cualquier dato
adicional que ayude a comprender la evolución del negocio.
14
Esta tecnología ayuda a la organización a responder preguntas esenciales para la
toma de decisiones que le permitan obtener ventajas competitivas y mejorar su
posición en el mercado en el que operan. Algunas de las preguntas podrían ser:
-
¿Cuál es el perfil de mis clientes?
-
¿Cómo es su comportamiento?
-
¿Cuál es la rentabilidad que me deja?
-
¿Cuál es el riesgo que corro con él?
-
¿Qué servicios y productos utiliza y cómo
-
¿Puedo incrementarlos?
-
Etc.
1.3.2.Arquitectura del Data Warehouse
La arquitectura de esta tecnología está integrada por los siguientes componentes,
y se esquematiza en la siguiente figura:
Figura 1.1. Arquitectura del Data Warehouse
Fuente: Méndez, A., Mártire, A., Britos, P. y Garcia-Martínez, R., 2007.
15
1.3.3.OLTP (On-Line Transaction Processing)
Son aplicaciones que definen el comportamiento habitual de un entorno
operacional de gestión y ejecutan las operaciones del día a día. Algunas de las
características más comunes de este tipo de transacciones podrían ser (Trujillo
Mondéjar, J., 2006):
-
Altas/Bajas/Modificaciones
-
Consultas rápidas, escuetas y predecibles
-
Poco volumen de información e información disgregada
-
Transacciones rápidas
-
Gran nivel de concurrencia
-
Modo de actualización on-line
-
Baja redundancia de datos
Algunos ejemplos de este tipo de aplicaciones son:
-
Compras
-
Ventas
-
Inventario
-
Sueldos
1.3.4.Consolidación
Es la parte del proceso de Data Warehouse que se encarga de producir el cambio
de los sistemas OLTP a las Bases de Datos OLAP. Consolidan datos de
aplicaciones no integradas, sumarizan datos disgregados y los transforman. Este
proceso está compuesto por tres pasos (Méndez, A. et al., 2007).:
16
Validación de Consistencia de los datos
-
Comprueba la validez de los datos en el entorno operacional
-
Inconsistencia entre distintas aplicaciones dentro del sistema
Mecanismos de Consolidación
-
Refresco de datos: Volcado completo de los datos procedentes del sistema
operacional
-
Actualización de datos: Volcado incremental tomando como criterio la fecha
de operación
-
Propagación de datos
Factores técnicos
-
Mecanismo de transporte
-
Tiempos de carga
-
Reformateo de datos
1.3.5.Middleware
Es un software que reside físicamente en un Cliente y en un Servidor de
Comunicaciones, localizado entre el Cliente y el Servidor. Actúa como traductor
entre distintas tecnologías. Permite que dos o más sistemas trabajen juntos
aunque no estén preparados para ello.
Algunas de sus características más relevantes son (Méndez, A. et al. 2007):
-
Un mismo middleware puede poseer más de una máquina virtual para
soportar diferentes entornos de desarrollo.
-
Gestiona las comunicaciones con el Data Warehouse.
-
Controla la concurrencia y controla los procesos Batch
-
Posee diversos controladores de Bases de Datos para acceder a las
distintas fuentes, por ejemplo, Oracle, Sybase, AS400, etc.
17
Ejemplos:
-
Monitores de procesamiento de transacciones
-
Convertidores de datos
-
Replicación de datos
-
Controladores de comunicación
1.3.6.OLAP (On-Line Analytical Process)
Son aplicaciones que se encargan de analizar datos del negocio para generar
información táctica y estratégica que sirve de soporte para la toma de decisiones.
Mientras que las transacciones OLTP utilizan Bases de Datos Relacionales u otro
tipo de archivos, OLAP logra su máxima eficiencia y flexibilidad operando sobre
Bases de datos Multidimensionales.
Podemos nombrar las siguientes características como las más sobresalientes de
estas aplicaciones (Méndez, A. et al.,2007):
-
Estructura de datos transparente al usuario
-
Solo Consulta, trabajan sobre la información operacional generada por los
sistemas OLTP
-
Consultas sobre grandes volúmenes de datos no predecibles
-
Información histórica
-
Modo de actualización Batch
-
Alta redundancia de datos para facilitar la generación de consultas y
obtener buenos tiempos de respuesta
-
Trabaja con resúmenes de miles de registros condensados en una sola
respuesta
18
1.3.7.Aplicaciones
EIS (Executive Information System)
Son
herramientaspara proveer
información
estratégica
a
los
ejecutivos
mediante informes, comparaciones y cuadros de mando multidimensionales.
DSS (Decission Support System)
Herramienta de soporte para la toma de decisiones. Incorpora reglas de decisión y
análisis de datos no predefinidos en las posibilidades de un EIS.
-
Sistemas de presentación
-
Sistemas Interrogativos
-
Sistemas de Simulación
-
Sistemas funcionales
-
Sistemas Expertos
1.3.8.Impactos de implementación del Data Warehouse
El éxito del Data Warehouse no está en la construcción sino en utilizarlo para
mejorar los procesos empresariales, operacionales y de toma de decisiones, para
que esto suceda se deben tener en cuenta los impactos producidos en los
siguientes ámbitos:
1.3.9.Impacto en la gente
La construcción requiere de la participación activa de quienes utilizarán el Data
Warehouse, depende tanto de la realidad de la empresa como de las condiciones
que existan en ese momento, las cuales determinarán cual será su contenido.
19
El Data Warehouse provee los datos que posibilitará a los usuarios a acceder a su
propia información en el momento que la necesitan. Esta posibilidad para entregar
información presenta varias implicaciones:

Los usuarios deberán adquirir nuevas destrezas.

Se eliminará los largos tiempos de análisis y programación para obtener
información. Como la información estará lista para
probablemente, aumenten
las expectativas.
ser
Pueden
utilizada,
existir
nuevas
oportunidades en la comunidad empresarial para los especialistas de
información.

Se reducirá hasta casi eliminarse la gran cantidad de reportes en papel.
La madurez del Data Warehouse dependerá del uso activo y retroalimentación de
sus usuarios.
1.3.10.Impactos en los procesos empresariales y de toma de decisiones
Mejora del proceso de toma de decisiones por medio de la disponibilidad de la
información. Las decisiones se toman más rápidamente por gente más informada.
Los procesos empresariales pueden ser optimizados, se elimina el tiempo de
espera de información que, generalmente, es incorrecta o no se encuentra.
Se reducen los costos de los procesos y muchas veces se aclaran sus conexiones
y dependencias, aumentando así la eficiencia en dichos procesos.
El Data Warehouse permite que los datos de los sistemas operaciones sean
utilizados y examinados, cuando estos datos se organizan para tener significado
para la empresa la gente comienza a aprender de los sistemas y pueden quedar
expuestos posibles defectos de las aplicaciones actuales.
20
Aumenta la confianza de las decisiones tomadas en base a la información del
Data Warehouse, debido a que tanto los responsables de la toma de decisiones
como los afectados conocen que están basadas en información de buena calidad.
La información compartida conduce a un lenguaje común, conocimiento común y
mejora de la comunicación en la empresa.
Teniendo en cuenta las etapas de construcción, soporte del Data Warehouse y
soporte de los sistemas operacionales, algunos de los impactos técnicos son los
siguientes:
En el momento de construcción de un Data Warehouse el impacto más grande
sobre la gente técnica está dado por la curva de aprendizaje, algunas de las
nuevas destrezas a adquirir son:
-
Conceptos y estructura del Data Warehouse
-
Nuevas de demandas de soporte técnico debido a la utilización de nuevas
tecnologías, nuevas demandas de recursos.
-
Es necesario adquirir destrezas de desarrollo incremental evolutivo.
-
Trabajo en equipo con gente del área de negocios como participantes
activos del desarrollo del proyecto.
Por último, se puede decir que un Proyecto de Data Warehouse se considera
exitoso cuando la gente de la empresa lo utiliza para satisfacer sus necesidades
operacionales y de negocio.
21
CAPITULO II. DATA MART
1.DATA MART
Para la comprensión del Data Mart es necesario contar con una base teórica en lo
referente a que es la inteligencia de negocios y para que se usa un Data Mart.
La Inteligencia de Negocios es el conjunto de estrategias y herramientas
enfocadas a la administración y creación de conocimiento mediante el análisis de
datos existentes en una organización o empresa.
Este conjunto de herramientas y metodologías tienen en común las siguientes
características:

Accesibilidad a la información: Los datos son la fuente principal de este
concepto.
Lo primero que debe garantizar este tipo de herramientas y técnicas será el
acceso de los usuarios a los datos con independencia de la procedencia de
estos.

Apoyo en la toma de decisiones: Se busca ir más allá en la presentación de
la información, de manera que los usuarios tengan acceso a herramientas
de análisis que les permitan seleccionar y manipular sólo aquellos datos
que les interesen.

Orientación
al
usuario
final.
Se
busca
independencia
entre
los
conocimientos técnicos de los usuarios y su capacidad para utilizar estas
herramientas (Rayner, H., 2007).
23
La Inteligencia de negocios, también llamado Business Intelligence (BI), entonces
permite la mejor toma de decisiones con base a información histórica previamente
analizada.
”Con la ausencia de BI, existe de hecho un hueco: cuando los usuarios toman
decisiones y analizan riesgos y oportunidades basados en información anecdótica,
incompleta o desactualizada, lo cual no es mejor que adivinar.
La BI correcta no solamente advierte a una empresa de los problemas que surgen,
sino también destaca las oportunidades y ahorro en costos, por lo que en muchas
empresas se utiliza el concepto de centro de competencia para la inteligencia de
negocios (Intelligence & Business Solutions (2007).”
La manera de desarrollar e implementar Data Marts (bodegas de datos a nivel
departamental) en una empresa, está relacionada con los requerimientos
específicos de los distintos análisis que se quiere realizar en cada departamento,
así como la estructura general que ésta posea.
2.1. Concepto de Data Mart
Aunque para algunos se trata casi de un sinónimo de Data Warehouse, un Data
Mart o cubo de datos puede entenderse como un subconjunto del repositorio de
datos, que se orienta a un área específica del negocio, como recursos humanos,
ventas o marketing, por ejemplo. En otras palabras, un Data Mart es un sistema
orientado a la consulta, corresponde a un almacén de datos más restringido que
un DW en cuanto al volumen de datos que contiene y al alcance dentro de la
organización. Los datos existentes en este contexto pueden ser agrupados,
explorados y propagados de múltiples formas para que diversos grupos de
usuarios realicen la explotación de los mismos de la forma más conveniente según
sus necesidades.
24
Desde ese punto de vista, se trata de un repositorio que requiere menores costos
y tiempo para construirse respecto de un DW, teniendo en común el que ambos
permiten la realización de consultas, a través del uso de las herramientas OLAP.
2.2. Importancia del data warehouse y el Data Mart
El diseño de las bases de datos transaccionales sobre las que corren los
aplicativos no está orientado a la extracción de la información. Fernández, M.
(2002).
Sería posible trabajar con la base de datos transaccional, aunque nada
recomendable, el tiempo de respuesta incidiría sobre el rendimiento del sistema
puesto que estas bases de datos han sido diseñadas para una escritura y
modificación intensiva, no para su lectura.
Así el diseño de las bases de datos transaccionales y las desarrolladas para
abordar proyectos de Business Intelligence (BI) son totalmente distintos.
Las bases de datos de BI (datawarehouses ó Data Marts) están específicamente
diseñadas para abordar consultas, por lo que son capaces de recoger datos de
diferentes aplicativos y homologarlos en un repositorio central, todo ello con la
ayuda de las herramientas de Extracción, Transformación y Carga (ETL).
Tomar los datos desde varias bases de datos operacionales y transformarlos en
datos requeridos para el depósito, se refiere a la transformación o a la integración
de datos.
Las bases de datos operacionales, diseñadas para el soporte de varias
aplicaciones de producción, frecuentemente difieren en el formato. Los mismos
elementos de datos, si son usados por aplicaciones diferentes o administrados por
25
diferentes software DBMS, pueden definirse al usar nombres de elementos
inconsistentes y/o ser codificados de manera diferente.
Todas estas inconsistencias deben resolverse antes que los elementos de datos
sean almacenados en el Data Mart.
Muchos almacenes de datos comienzan siendo Data Marts (para minimizar
riesgos) y se va ampliando su ámbito ya que estos están centrados en un tema
concreto y están diseñados para una unidad de negocio específica. La
implementación incremental reduce riesgos y asegura que el tamaño del proyecto
permanezca manejable en cada fase (Lombart, O., 2007).
2.3. Generalidades de los Data Marts
Para poder acercarse al tema, se necesita establecer claramente los objetivos y
fines que se persiguen con la construcción y la puesta en marcha, no solo de los
Data Marts sino de la Data warehouse, de la cual es necesario mencionar que no
es un producto construido con estándares que se puede aplicar indistintamente del
tipo de empresa que desea adquirirlo a través de una suma de dinero, sino más
bien consiste en un proceso que debe ser obligatoriamente construido, evolutivo y
duradero en el tiempo para que la empresa pueda obtener los resultados o metas
que se propuso con su implementación.
Unido al trabajo que se pretende alcanzar con la Data warehouse, debe
mencionarse que los Data marst son bodegas de datos con información de interés
particular para un determinado sector de la empresa y aunque su enfoque sea
para una sola perspectiva departamental, esto no lo exime de tener que seguir los
lineamientos generales de implementación que posee la Data warehouse; éstos
son: (Kimball R., 1996).
26

Recolección y análisis de requerimientos.

Creación del modelo de datos y su diseño físico.

Definición de los orígenes de los datos.

Selección de la tecnología de base de datos y hardware a utilizar.

Extracción de los datos desde sistemas operacionales, su limpieza,
transformación y carga a la Data warehouse, en este caso específico al
Data Mart.

Selección de las formas de acceso, herramientas de análisis, reporte y
presentación.

Desarrollo de los reportes y aplicaciones necesarias.

Actualización del Data Mart.
Todos estos lineamientos se derivan de la implementación de las Data warehouse
pero debido a la relación estructural que existe con el diseño de los Data Marts,
permite que se empleen en ellos también.
Pese a esta relación, los Data Mart no se pueden considerar como una Data
warehouse en escala inferior, ya que ellos están diseñados para satisfacer las
necesidades específicas de los departamentos o divisiones en las empresas esto
permite asegurar que sin lugar a duda los Data Marts utilizan un planteamiento de
“divide y vencerás”, que a menudo es la solución, cuando la Data warehouse
crece desmedidamente, a tal punto que se hace incontrolable su operación
(Gartner S., 1998).
Ante esta característica los Data Marts tienen ventaja en comparación con las
Data warehouse, en puntos como el campo de acción, la perspectiva de los datos,
fuentes de los datos, tiempo de implantación, espacio de almacenamiento,
cantidad de datos, tiempo de consultas, esto tomándolo desde una perspectiva
global. En términos específicos, se puede mencionar entre otras, que los Data
Marts requieren de una aplicación específica al estar enfocados a una sola área
de la empresa, esto permite que la estructura de su información esté altamente
27
detallada, las consultas se realizan en forma rápida, su proceso al estar orientado
a una sola área puede usarse con medidas específicas de la empresa como
mercadeo de un producto específico, proyección de ventas o promociones, y por
último su tiempo de implantación requiere entre 4 y 12 meses (Gartner S.). Estas
ventajas permiten que el trabajo con los Data Marts desde un punto de vista
general sea muy provechoso, pero ante este panorama se debe conocer que para
disfrutar de estas ventajas el Data Mart por sí solo no se constituyó en la empresa,
sino que debió pasar por un proceso de diseño e implementación, en el cual no se
puede dejar por fuera como punto de referencia la Data warehouse.
Los Data Marts por las consideraciones mencionadas, vienen a ser una excelente
herramienta de análisis de datos y soporte para la toma de decisiones para las
pequeñas y medianas empresas, por su versatibilidad, corto tiempo de desarrollo y
bajo costo económico, así como la obtención de los resultados esperados a un
corto plazo.
2.4. Desarrollo de Data Marts vs Data Warehouse
Las razones para desarrollar en una empresa Data warehouse antes de Data Mart
o viceversa, dependen de factores tales como la naturaleza de la organización,
tamaño, requerimientos, estructuración y distribución geográfica de la misma. Por
este motivo no existe un planteamiento estandarizado, que permita aplicarlo,
indistintamente del tipo de empresa que lo requiera (Inmon, B., 1998).
El diseñador de los Data Marts o Data warehouse debe tener presente algunos
aspectos que hacen la diferencia entre estos dos planteamientos:

Los Data Marts son creados para satisfacer las necesidades específicas de
un departamento de acuerdo a los objetivos de los mismos. La Data
warehouse se crean para satisfacer las necesidades globales de una
corporación, pero no se puede satisfacer las necesidades de ambos.
28

La granularidad entre un planteamiento y otro es muy diferente; los Data
Marts están constituidos por datos resumidos o agregados, por otro lado los
datos en la Data warehouse mantienen más detalle sobre los datos de la
empresa, por esto resulta muy complejo pasar datos de los Data Marts
hacia la Data warehouse.

Los datos contenidos en los Data Marts son más recientes históricamente
que los contenidos en la Data warehouse.

Las relaciones en cuanto a temas en los Data Marts no son las mismas que
las que se pueden encontrar en la Data warehouse.

Los tipos de consultas realizadas en los Data Marts son muy diferentes a
las realizadas en la Data warehouse.

En los Data Marts los usuarios son recolectores de información, mientras
que en la Data warehouse los usuarios son exploradores de información.
Dado lo expuesto anteriormente, el tomar una decisión sobre cual planteamiento
seleccionar, es necesario evaluar detenidamente las características presentes en
la empresa, relacionarlas con las propiedades de cada estructura y a partir de esta
relación decidir cual de ellas utilizar. (Consulting Data Team, 1999).
2.5. Razones para crear un Data Mart

Fácil acceso a los datos que se necesitan frecuentemente. Pequeños
conjuntos de datos y, en consecuencia, menor necesidad de recursos.

Crea vista colectiva para grupo de usuarios.

Mejora el tiempo de respuesta del usuario final.

Facilidad de creación. Son más simples de implementar que un Data
Warehouse.

Costo inferior al de la aplicación de un completo almacén de datos.

Los usuarios potenciales son más claramente identificables que en un
almacén de datos completo.
29

Se encuentran más rápidamente las necesidades de las Unidades de
Negocio.
2.6. Componentes del Data Mart
2.6.1. Escenario y Método.
Para implantar con éxito un Data Mart, se precisa el uso de un escenario
contrastado (un anteproyecto). Nadie construiría un edificio sin el correspondiente
anteproyecto; el mismo principio se aplica al Data Mart. Se necesita un escenario
cuidadosamente seleccionado que incluya tres etapas básicas que se describen a
continuación:

Planificación: Los servicios de rastreo de la información identifican los
problemas de la organización que han de resolverse y facilitan así un
proceso estructurado, que es la primera etapa crítica del proyecto. Nótese
que
se
trata
de
servicios
organizados
por
áreas
normalmente
independientes y que pueden actuar de forma secuencial o concurrente.

Diseño e implantación: La idoneidad de una solución Data Mart representa
un punto de entrada y debe asegurarse para cuando los desarrolladores del
DM están preparados para realizar el primer proyecto y siempre que se
inicien
proyectos
adicionales
como
consecuencia
del
crecimiento.
Proporciona un análisis comprensivo del entorno actual de la empresa.
Se trata de evaluar la efectividad de la solución en este entorno: investiga
los elementos precisos para soportar la implantación con inclusión de la
idoneidad de los datos, la idoneidad de la tecnología, la idoneidad funcional,
la idoneidad del soporte de las infraestructuras.
30
Esta etapa pretende proteger a la empresa contra el intento de implantar
soluciones para las cuales no está preparada o que puedan influir en otras
áreas funcionales no incluidas en el plan. Las evaluaciones citadas
deberían ser la base de ajustes en los planes de implantación.

Soporte y mejora: bajo este epígrafe se incluyen los procesos
complementarios, operativos y de valor añadido que soportan el servicio y
el mantenimiento del Data Mart. Sirven para varios objetivos:
-
Soporte del funcionamiento diario del Data Mart, con aseguramiento de
la disponibilidad y del servicio continuo.
-
Asistencia en la difusión del uso de la solución DM.
-
Expansión del sistema: con nuevas aplicaciones, con nuevos usuarios o
con nuevos datos; mediante incrementos en el uso del Data Mart a
consecuencia del aprendizaje de los usuarios.
-
Relanzamiento del proyecto a niveles ejecutivos de la empresa, al
resguardo de la aceptación del Data Mart o por efecto de la contratación
de necesidades (o de aplicaciones) adicionales.
-
Ayuda a mantener el sistema al día con soporte mejor a las decisiones
de la empresa, todo ello en un entorno planificado y controlado para
producir valor añadido.
Un método Data Mart debe cubrir las tres etapas mencionadas. La creación de
un Data Mart es interactiva, por lo que la multiplicidad de los puntos de entrada
soportados por el método resulta crítica. El uso de un método contrastado,
junto a la colaboración entre profesionales informáticos y usuarios finales,
mejora las perspectivas de construir con éxito el sistema.
31
2.6.2. Fuentes de datos
Este componente es el que normalmente se encuentra presente en las
organizaciones y desde el que se realiza la captura de datos que se contemplara
en el DM. Normalmente las fuentes de datos son las siguientes:
2.6.2.1. Datos
Las empresas, actualmente, están inundadas de datos pero tienen poca
información. Muchos sistemas almacenan una gran cantidad de datos operativos.
Para convertirlos en información de valor, deben disponerse de forma que sean
accesibles al mayor nivel de detalle que haya. Sin embargo, las empresas
descartan con frecuencia el acceso a los detalles, a causa del volumen de datos
que ello implicaría.
Un DM, por facilitar esta accesibilidad atómica, permite la respuesta a los
problemas reales de la empresa y, asimismo permite encontrar los motivos de
tendencias y de correlaciones.
El proceso selecciona, valida, combina, reorganiza y manipula los datos atómicos
para producir totales y comparaciones con categorías predefinidas. Es un modelo
fijo basado en la visión particular que un usuario tiene para una situación concreta,
en un momento dado. Se trata de procesos que, al proliferar, incrementan
rápidamente los presupuestos de hardware, de software y de personal técnico. Por
supuesto, la sumarización con creación de una tabla de sumarizados que incluya
las claves de categoría y los valores sumatorios puede mejorar significativamente
los tiempos de respuesta cuando se trata de consultas estándar y repetitivas.
Sin embargo, y pese a sus ventajas, la sumarización debe aplicarse con mucha
cautela ya que, aunque ilustra ciertas condiciones, oculta otras. La sumarización
32
funciona mientras solamente se dé una situación en la que las necesidades del
negocio resulten predecibles y constantes para aquella condición. Si hay cambios,
no se podrán satisfacer los nuevos requerimientos a menos que se disponga de la
información atómica.
2.6.2.2. Concepto de datos multidimensionales
En el análisis multidimensional, los datos se representan mediante dimensiones
como producto, territorio y cliente (Figura 2.1.). En general, las dimensiones se
relacionan en jerarquías, por ejemplo, ciudad, estado, región, país y continente. El
tiempo es también una dimensión estándar con sus propias jerarquías tales como:
día, semana, mes, trimestre y año (Méndez, A. et al., 2007).
No es común que, por ejemplo, alguien dentro de la organización se pregunte:
“¿cuánto vendí?”.
Figura 2.1. Estructura multidimensional de los datos.
Fuente: Méndez, A. et al., 2007.
33
En general, un Gerente de Ventas podría preguntarse: ¿Cuánto vendí del producto
“A” en el períodos “X” en la región “Y”? (Figura 2.2.).
Figura 2.2. Análisis de los datos desde el punto de viste del gerente de producto
Fuente: Méndez, A. et al.
En cambio, para un gerente de Finanzas la necesidad es diferente y su pregunta
sería: ¿A cuánto ascendieron las ventas de todos los productos en todas las
regiones al cierre del mes “M”? y para el caso de un gerente regional: ¿Cuánto
fueron las ventas de todos los productos en el período J ó K en mi región?
Observe la figura 2.3. (Méndez, A. et al.).
Figura 2.3. Visión de los gerentes financiero y regional.
Fuente: Méndez, A. et al.
34
2.6.2.3. OLAP y OLTP
Un Data Mart es una base de datos departamental, especializada en el
almacenamiento de los datos de un área de negocio específica. Se caracteriza por
disponer la estructura óptima de datos para analizar la información al detalle
desde todas las perspectivas que afecten a los procesos de dicho departamento.
Un Data Mart puede ser alimentado desde los datos de un datawarehouse, o
integrar por si mismo un compendio de distintas fuentes de información.
Por tanto, para crear el Data Mart de un área funcional de la empresa es preciso
encontrar la estructura óptima para el análisis de su información, estructura que
puede estar montada sobre una base de datos OLTP, como el propio
datawarehouse, o sobre una base de datos OLAP. La designación de una u otra
dependerá de los datos, los requisitos y las características específicas de cada
departamento. De esta forma se pueden plantear dos tipos de Data Marts.
Data Mart OLAP (On Line Analytical Processing)
OLAP o Proceso analítico en línea es el nombre formal para el análisis de cubos
multidimensionales - una forma más intuitiva de ver la información empresarial.
Se basan en estructuras multidimensionales (cubos OLAP), que se construyen
agregando, según los requisitos de cada área o departamento, las dimensiones y
los indicadores necesarios de cada cubo relacional. El modo de creación,
explotación y mantenimiento de los cubos OLAP es muy heterogéneo, en función
de la herramienta final que se utilice.
El uso de dimensiones es una forma de mostrar y almacenar datos, las
dimensiones son ejes de análisis o criterios de clasificación de la información que
ofrecen un índice a los datos mediante una lista de valores (tiempo, producto,
artículos).
35
OLAP permite ver un conjunto de datos de la empresa de muchas y diversas
formas sin mucho esfuerzo.
Los archivos OLAP o cubos modelan los datos en dimensiones. Una dimensión es
una clasificación de alguna actividad en una organización por la cual se puede
medir su éxito. Por ejemplo, puede monitorear las ventas contra los productos o
clientes en un periodo de tiempo.
Hay dos clases de dimensiones que se pueden utilizar, dimensiones regulares y
dimensión de medida.
Dimensiones regulares son aquellos datos que se quieren medir, por ejemplo, si
se desea seguir el control de sus ventas, se puede utilizar:
Clientes: Quiénes son los mejores, dónde se encuentran, qué es lo que compran?
Productos: Con respecto a los clientes, quién los compra? Qué productos se están
vendiendo?
Tiempo: Cómo voy ahora con respecto al ultimo año o último mes?
En otro tipo de aplicaciones, por ejemplo cuentas por cobrar, se pueden utilizar
dimensiones como el Tiempo para llevar control del vencimiento de sus
documentos. En contabilidad, una dimensión podría ser su catálogo de cuentas,
etc.
Estas dimensiones se conforman de elementos que están dispuestos en niveles
jerárquicos o simplemente niveles. Los niveles pueden ser por ejemplo, país,
estado, ciudad. Se puede navegar a través de esta jerarquía a través de los
niveles o a través de sus elementos.
36
Dimensión de medida son los números que aparecen en el análisis dependiendo
de los elementos seleccionados en las dimensiones regulares. Por ejemplo, en un
cubo de ventas, podríamos escoger ver las ventas, el número de artículos
vendidos, ganancia, costo, etc.
Una vez que se tienen estos datos, se pueden poner en una estructura de datos
altamente sofisticada que se llama cubo multidimensional. Este cubo permitirá
analizar la información de la manera que desee. Se podrá cruzar todas las
dimensiones para obtener nueva información que responderá a las preguntas que
hace y le permitirá tomar mejores decisiones.
Hay dos operaciones básicas que se pueden realizar en un cubo OLAP:
Rotar y Rebanar: Se pueden cambiar las dimensiones del cubo que esta viendo y
obtener una nueva vista de información. Por ejemplo, 'Ventas por producto' puede
cambiarse fácilmente a 'Ventas por vendedor'. Rebanar es cambiar el valor de una
dimensión por otro valor, por ejemplo, de las ventas de Enero a las ventas de
Febrero. Rotar es aventar el cubo como si fuera un dado para obtener una nueva
cara del cubo.
Taladrar o Drilling: Los datos de las dimensiones se pueden abrir para obtener
más detalle. Una especie de taladro que se hunde más en la información. Si ve
información geográfica, puede pasar de un continente a un país y luego a una
ciudad en particular. La figura 2.4 esquematiza la técnica Drilling.
37
Drill down:
Producto
profundizar una
dimensión
P1
Tiempo
U1
Ubicación
Figura 2.4. Técnica Drilling en datos multidimensionales.
Fuente: Méndez, A. et al.
Con esta simple combinación de cosas, se puede abrir la información generada
por un negocio o información corporativa para todo el personal tomador de
decisiones en formas que antes no era posible realizarlo.
Data Mart OLTP (On-Line Transaction Processing)
Pueden basarse en un simple extracto del datawarehouse, no obstante, lo común
es introducir mejoras en su rendimiento (las agregaciones y los filtrados suelen ser
las operaciones más usuales) aprovechando las características particulares de
cada área de la empresa. Las estructuras más comunes en este sentido son las
tablas report, que vienen a ser fact-tables reducidas (que agregan las dimensiones
oportunas), y las vistas materializadas, que se construyen con la misma estructura
que las anteriores, pero con el objetivo de explotar la reescritura de queries
(aunque sólo es posible en algunos SGBD avanzados, como Oracle).
Los Data Marts que están dotados con estas estructuras óptimas de análisis
presentan las siguientes ventajas:
-
Poco volumen de datos
38
-
Mayor rapidez de consulta
-
Consultas SQL y/o MDX sencillas
-
Validación directa de la información
-
Facilidad para la historización de los datos
Diferencias entre OLTP y OLAP
Mientras que las aplicaciones OLTP se caracterizan por estar actualizadas
constantemente por varios usuarios a través de transacciones operacionales sobre
datos individuales, las aplicaciones OLAP son utilizadas por personal de niveles
ejecutivos que requieren datos con alto grado de agregación y desde distintas
perspectivas (dimensiones), como ser: totales de venta por región, por producto,
por período de tiempo, entre otras.
OLTP
OLAP
Automatizado
Sumarizado
Datos históricos
Datos actuales
Un registro a la vez
Muchos registros a la vez
Orientado a la información
operativa
Orientado a la información
estratégica
Datos relacionales
Datos multidimencionales
Consultas simples
predefinidas
Consultas ad-hoc
Volumen de datos acotados
Grandes volúmenes de datos
Tabla 2.1. Diferencias entre OLTP y OLAP.
Fuente: Méndez, A. et al., 2007.
39
2.7. Diseño de los Data Marts
En este proceso de diseño y construcción de los Data Marts, existen diversos
patrones de desarrollo, entre los cuales podemos mencionar tres: el primero
conocido como Top Down el cual tiene como base un sistema de Data warehouse
para toda la empresa y a partir de este se desarrollan los Data Marts para las
divisiones o departamentos. Un segundo patrón denominado Bottom - up, el cual
se fundamenta en la construcción de los Data Marts de cada departamento o
división de la empresa, a partir de los cuales se construye la Data warehouse; y un
tercer modelo, el cual consiste en llevar una construcción paralela entre ambas
estructuras, sin definir como padre la Data warehouse sobre el Data Mart, ni
viceversa.
Dentro de esta categorización de los modelos, existen tres variaciones, una para
cada uno de ellos, dicha variación consiste en incluir en cada patrón de desarrollo
el uso de retroalimentación de datos.
Para tener un panorama general sobre los Data marst, se especifica de forma
clara y detallada cada uno de los tres modelos de patrones de desarrollo así como
sus variaciones.
2.7.1. Modelos Generales de Desarrollo
En esta categoría de modelos no es tomada en consideración la retroalimentación,
la cual permite agregar datos que no estén presentes en la Data warehouse.
Los tipos de modelos son los siguientes: el modelo Top Down, el Botton Up y el
Paralelo.
40
Modelo Top Down
El modelo Top Down está basado en la estructura de la Data warehouse, la cual
se construye a partir de los datos que se puedan obtener de los diferentes
sistemas operacionales o externos (datos aislados) a través de un proceso de
extracción, transformación y transportación (ETT) (Firestone J., 1997).
Todos los datos necesarios para el apoyo a la toma de decisiones se encuentran
en la Data warehouse después de que la Data warehouse está implementada con
la información procesada, solamente es necesario distribuir los datos según las
necesidades de información por departamento, generando los Data Marts como
subgrupos de datos específicos para los requerimientos particulares de cada
departamento. La representación gráfica se muestra en la figura 2.5.
Figura 2.5. Modelo de creación de Top Down.
Fuente: M. Firestone, 1997.
Es importante hacer notar que los Data Marts en este modelo son derivados de la
Data warehouse y debido a esta estrecha relación se da una inconsistencia al
querer definir una nueva necesidad de información para un departamento, ya que
41
en este caso es necesario modificar primero la Data warehouse para que ocurra el
respectivo cambio en el Data Mart.
En contraparte al proceso de construcción de este modelo se presenta el modelo
de desarrollo Botton Up.
Modelo Bottom up
En este modelo los Data Marts se construyen a partir de los datos dispersos y la
Data warehouse se construye a partir de los Data Marts existentes, esta
construcción se realiza a través de dos procesos diferentes de extracción,
transformación y transportación.
En el primer proceso cada Data Mart se construye con los datos aislados que son
necesarios para satisfacer las funciones del departamento por medio de los
procesos de extracción, transformación y transportación. Es necesario enfatizar
que por la naturaleza de su diseño no existe ninguna relación entre un Data Mart y
cualquier otro.
Un segundo proceso de tratamiento de datos (ETT) ocurre en el sentido de los
Data Marts hacia la Data warehouse, característica representada en la Figura 2.6.
Esta Data warehouse que ha sido construida a través de los diversos Data Marts,
contendrá toda la información que la empresa requiera de acuerdo a la necesidad
o análisis que quiera realizar (Gartner).
42
Figura 2.6. Modelo de creación de Bottom up.
Fuente: Joseph M. Firestone.
A parte de este modelo existe el modelo Paralelo, cuyo diseño está enfocado en la
construcción de los Data Marts y la Data warehouse de forma simultanea.
Modelo Paralelo
El diseño del modelo paralelo se basa en dos alternativas, en la primera se tratan
los Data Marts con entidades independientes de los Data warehouse y en la
segunda, esta independencia se trata de forma temporal.
En el primer caso se enfoca la construcción de los Data Marts como entidades
independientes de la Data warehouse, utilizando el modelo de construcción de
esta. Esto consiste en utilizar el mismo modelo de datos que se emplea en la
construcción de la Data warehouse propuesto por la empresa. La ventaja de que
este modelo funcione de esta forma es que permite detectar y controlar
problemas, como la falta y la redundancia de información presentes en el modelo
43
de la Data warehouse. Esto permite el mejoramiento del modelo de construcción
en los futuros Data Marts y en la misma Data Warehouse.
Por otra parte este modelo puede verse desde otro punto de vista donde los Data
Marts se construyen con una independencia temporal de la Data warehouse, lo
que indica que una vez que están implementados pasan a ser parte de ella, como
un subconjunto de datos que conforma la Data warehouse que existe en la
empresa (Firestone, J.). El diseño de este modelo está representado en la figura
2.7.
Figura 2.7. Modelo Paralelo.
Fuente: Joseph M. Firestone.
Es preciso recordar que dentro de la clasificación de los modelos ya descritos,
existen tres modelos alternativos, que incluyen la retroalimentación de datos.
44
2.7.2. Modelos de Desarrollo con Retroalimentación.
Estos modelos de desarrollo son los mismos expuestos con anterioridad, su
diferencia radica en la incorporación de la retroalimentación de datos en cada uno
de ellos, a continuación se describe en detalle cada uno de estos modelos: Modelo
Top down con Retroalimentación, Modelo Botton up con Retroalimentación y el
Modelo Paralelo con Retroalimentación.
Modelo Top down con Retroalimentación.
Este modelo incluye la posibilidad de agregar datos que no estén presentes en la
Data warehouse y que se requieran para cumplir con los requerimientos de un
análisis específico. El uso de la retroalimentación consiste en incluir nuevos datos
a los Data Marts de la empresa, como una primera fase y consecuentemente
estos cambios ocurridos en el Data Mart sean integrados a la Data warehouse
como la segunda fase. La figura 2.8 representa el esquema del modelo Top down
con retroalimentación del usuario
Figura 2.8. Modelo Top down con retroalimentación del usuario.
Fuente: Firestone, J.
45
El segundo modelo cuyo rol es diferente se presenta en el modelo Bottom up con
retroalimentación.
Modelo Bottom up con Retroalimentación
El flujo de retroalimentación de datos en el modelo Bottom up, afecta inicialmente
a la Data warehouse, ya que la retroalimentación se da en los Data Marts,
presentándose el problema entre los requerimientos que tengan los Data Marts y
lo que en realidad contiene la Data warehouse. Aunque esta situación puede abrir
una puerta para que se lleve a cabo un trabajo parecido al que se realiza en el
modelo Top down, no significa que éste deba de emplearse, sino más bien el
modelo Bottom up con retroalimentación puede obviar esta característica y permitir
que la integración de los datos e información dada en los Data Marts se pueda
implementar durante la construcción de la Data warehouse. A continuación la
figura 2.9 que detalla el modelo Bottom up con retroalimentación.
Figura 2.9. Modelo Bottom up con retroalimentación.
Fuente: Firestone, J.
46
Es necesario notar que aunque estos modelos alternativos con retroalimentación
presentan un trabajo similar dado a sus características, existe el tercer modelo
alternativo paralelo con retroalimentación.
Modelo Paralelo con Retroalimentación
En este modelo el proceso de implementación es un poco más complicado, debido
a las relaciones directas y paralelas que existen entre los Data Marts, la Data
warehouse y el modelo de datos de la Data warehouse, ya que este patrón de
desarrollo asume que el modelo de datos de la Data warehouse está construido
antes de que un Data Mart inicie su implementación.
El desarrollo principalmente trabaja con la retroalimentación que tenga el Data
Mart, ya que su inicio depende de un período de ajuste entre éste y el modelo de
datos de la Data warehouse. Mientras las entradas y salidas se estén dando en los
Data Marts, en la Data warehouse estos mismos se están realizando, dado a las
características de paralelismo que existe entre ellos. Es importante denotar, que el
modelo de datos de la Data warehouse evidentemente se actualiza de los Data
Marts, puesto que este modelo de datos es el que contiene todas las perspectivas
y funciones que se pretendan realizar con este patrón.
La figura número 2.10 ejemplifica el modelo Paralelo con retroalimentación.
47
Figura 2.10. Modelo Paralelo con retroalimentación.
Fuente: Firestone, J.
Con los distintos patrones de desarrollo expuestos hasta aquí, se debe notar la
relación tan estrecha que existe, en cuanto a diseño se refiere, entre la Data
Warehouse y los Data Marts, aunque exista esta relación, la decisión de
desarrollar una antes que la otra está ligada a diversos factores dependientes de
la empresa en donde se quieran implementar (Firestone).
2.8. Extracción y transformación de datos
Este componente permitirá que la información pueda transformarse y moverse
desde el sistema operacional, u otros sistemas, al datawarehouse. Es importante
destacar que la estructura de los datos de gestión no es la misma que la de los
sistemas operacionales, por o que este punto puede ser muy complejo y costoso.
La herramienta menos sofisticada, para cubrir esta funcionalidad, es la
programación pura. El problema de utilizar la programación para la extracción
reside en el alto esfuerzo de creación y mantenimiento que exige un Data Mart
48
medianamente significativo, que puede llegar a paralizar, en no muchos meses, el
crecimiento del Data Mart.
Por ello, la tendencia es la de utilizar herramientas específicas que automaticen,
en mayor medida, dichos procesos de extracción, provocando un aumento en la
productividad de creación del Data Mart, del orden de tres o cuatro veces superior,
y reducir el esfuerzo de mantenimiento en un 80%. La funcionalidad que deben
cubrir las herramientas de extracción es la siguiente:
Capturar información de datos externos:
Esta operación se realiza para refrescar la información del Data Mart, así como
permitir la conexión a las estructuras de datos de dichas fuentes, para mayor
facilidad. La herramienta debe permitir acceder sin problemas a distintas fuentes
de datos con formatos diferentes sin necesidad de utilizar conversores de formatos
intermedios.
Limpiar y completar los datos capturados:
Su misión es reestructurar campos, quitar ciertos datos no significativos, añadir y
traducir campos (fundamentalmente de fecha y codificación), comprobar
consistencia e integridad de contenidos y detectar errores, calcular campos
derivados y resúmenes, mezclar y operar sobre datos de distintas fuentes
(ficheros, tablas, bases de datos, etc..).
Transporte de los datos:
Se trata de transportar los datos desde los sistemas de origen al Data Mart y
utilizar las unidades de carga para añadir los datos a la base de datos del Data
Mart.
49
2.9. Herramientas de acceso
Independientemente de la arquitectura empleada para almacenar los datos, las
herramientas de acceso a los datos (también conocidas como herramientas de
presentación o herramientas front-end) son esenciales para acceder y analizar los
datos en el Data Mart.
El valor de un Data Mart es difícil de determinar por la habilidad del usuario para
extraer la información más significativa sobre la cual se toman las decisiones del
negocio.
Un interfaz de usuario efectivo minimiza el número de acciones de usuario
requeridas para obtener el resultado deseado por lo que deberá estar navegando
intuitivamente a no ser que el usuario memorice los comandos. Las herramientas
de acceso a la información pueden soportar acceso, análisis, visualización y data
mining de los datos tanto de una forma predefinida como ad hoc.
Acceso predefinido
La mayoría de los accesos predefinidos son realizados a través de aplicaciones
que han sido específicamente escritas para presentar vistas de los datos
almacenados en el Data Mart.
Los lenguajes de 4ª generación (4GL) se pueden utilizar para desarrollar
aplicaciones que realicen análisis complejos de los datos, presenten los resultados
para el análisis y conocimiento de los trabajadores, y encuentren las necesidades
de los informes operacionales.
Estas aplicaciones generalmente están destinadas a necesidades específicas de
trabajadores individuales o grupos de trabajo.
50
Normalmente las consultas complejas son desarrolladas por profesionales de IT y
son establecidas como rutinas predefinidas que pueden ser ejecutadas bajo de
demanda por usuarios del negocio o automáticamente en intervalos programados.
Cada vez más, las consultas e informes predefinidos están siendo publicados en
la Intranet de la compañía para que los usuarios puedan ejecutarlos más
fácilmente.
Acceso Ad Hoc
Las aplicaciones de acceso Ad hoc permiten a los usuarios el recoger o ver datos
de una forma no predeterminada. Hay disponibles varias categorías de
herramientas de acceso ad hoc; cada una de ellas se adapta a un tipo distinto de
usuario final.
Queries básicas y reporting
En este tipo de herramientas el usuario accede directamente a la estructura de las
bases de datos relacionales para construir consultas e informes, vía SQL
(estándar para el acceso a las bases de datos relacionales).
El SQL es un lenguaje muy extendido entre los programadores, pero no tanto
entre los usuarios finales. Aunque estas herramientas escondan en cierta forma
los comandos del SQL, sigue siendo necesario tener claro el modelo relacional en
cuanto se quiere hacer algún informe complejo, por lo que su utilización directa no
esta recomendada a usuarios finales.
Queries y reporting avanzado
Estas herramientas aportan una visión temática de las bases de datos relacionales
(visión de negocio), mediante la cual el usuario final tiene una visión menos
“técnica” del Data Mart.
51
Este tipo de herramientas pone una capa de términos que le son más familiares a
los usuarios finales y establece, a priori, las interrelaciones de las tablas del Data
Mart, de forma que sea más sencillo. Aún así, sigue siendo la estructura relacional
básica la que subyace en estas herramientas.
Data Mining
Data Mining es el proceso consistente en el descubrimiento previo de la
información desconocida de los datos residente en el Data Mart.
Descubriendo nuevas correlaciones, patrones y tendencias se pueden acoplar
mediante la aplicación de técnicas sacadas de la investigación en inteligencia
artificial, estadística y matemáticas, y técnicas de modelado para analizar grandes
cantidades de datos almacenados en el Data Mart.
Al contrario que las herramientas de acceso ad hoc y predefinidas que realizan un
análisis de los datos top-down, el data mining realiza un análisis bottom-up.
Las herramientas de acceso ad hoc y predefinidas permiten a los usuarios probar
sus teorías o hipótesis explorando los datos y permiten recoger rutinas de datos
operacionales del Data Mart. El data mining, sin embargo, identifica nuevos
hechos o conclusiones basadas en la criba de los datos para descubrir patrones o
anomalías.
Las herramientas de data mining requieren más datos granulares que otras
herramientas de acceso a la información. Un hardware potente (en particular
servidores de multiproceso simétrico (SMP) y procesadores paralelos (MPP)) junto
con los avances en inteligencia artificial y la tecnología en redes neuronales hace
del data mining una extensión válida para muchas iniciativas del Data Mart.
Muchos de los productos software de inteligencia artificial se venden como
herramientas de data mining. El aprendizaje de la máquina - esto es, el aprender
52
desde la experimentación y la realización de datos basados en la generalización es en lo que se centra el data mining.
Con el término inteligencia artificial nos referimos a la habilidad de un programa
para reconocer patrones, tomar decisiones basadas en datos incompletos y
modificar esas decisiones según se adquieren nuevos datos.
Las herramientas de acceso genéricas suelen adaptarse bien a las redes locales
más comunes, fundamentalmente aquellas basadas en el estándar TCP/IP. Estas
funcionan en la mayoría de los casos en el PC del usuario final (en entornos
Windows, fundamentalmente), en lo que es la presentación de los datos, aunque
normalmente los cálculos masivos contra los datos se realizan en el servidor del
Data Mart, de forma transparente para los usuarios finales.
Este es el esquema más sencillo de utilización que se denomina arquitectura de 2
niveles (2-tiers): presentación en Pc y motor de datos en el servidor Data Mart.
El problema que presentan las herramientas de 2 niveles es que cada vez que se
realiza un petición al Data Mart, el Pc se queda en espera y sin poder ser utilizado
por el usuario mientras se resuelve la pregunta o consulta en el servidor.
Además, este tipo de arquitectura dificulta la compartición de análisis entre
distintos usuarios y no permite, generalmente, planificar análisis periódicos sin
necesidad de lanzarlos cada vez que se necesitan. Para resolver estos problemas,
y otros de otra índole, existen herramientas que funcionan bajo una arquitectura
de 3 niveles (3-tiers), la cual incorpora un elemento intermedio: un servidor central
o departamental.
Mediante este servidor intermedio, se cubren las carencias anteriores, permitiendo
a los usuarios optimizar la utilización de su estación de trabajo y, por tanto, la
“imagen” del funcionamiento del Data Mart.
53
Sin embargo, el data mining todavía no es muy utilizado debido a la especial
naturaleza de las herramientas y el grado de sofisticación y conocimientos
requeridos por el usuario del data mining.
Las herramientas de data mining usan algoritmos automatizados y sofisticados.
Algunas herramientas ofrecen uno o dos algoritmos mientras que otras ofrecen
una amplia gama de capacidades de data mining.
Los algoritmos de data mining ofrecen un mecanismo para estudiar las relaciones
entre los conjuntos de datos. Los métodos asociativos intentan formar reglas que
describen resultados basados en los datos de entrada. Los métodos de estadística
clásicos, como los modelos de regresión, son los más utilizados.
2.10. Repositorio/Metadata
Metadatos son datos acerca de los datos. Es el punto central de referencia para el
diseño, construcción, recolección y control de los datos del almacén. Definen el
contenido del Data Mart y proveen ambas vistas del negocio (para el uso de
herramientas de acceso de datos) y las vistas técnicas de los datos (para el uso
de las herramientas de generación del almacén).
Los metadatos describen como está organizado el almacén - que datos están
disponibles, cuál es su fuente, cada cuanto se actualiza, donde está situado y
como se accede. Para identificar que es lo que se quiere del Data Mart, los
usuarios deben buscar a través de un catálogo de datos del mismo modo que los
clientes buscan en un catálogo de un almacén.
El Metadata es como el "mapa de carreteras" de los datos del DM. De la misma
manera que en una biblioteca se utiliza el catálogo para la localización de loa
títulos, el Metadata establece la ubicación y el significado de los diferentes objetos
54
informativos del DM. Pero el ejemplo va más lejos: El DM debe mantener un
catálogo de los objetos que contiene. Los usuarios finales asumen el rol de
clientes de esta biblioteca y solicitan información basada en consultas al Metadata.
Estas consultas se refieren especialmente a la ubicación de los datos en el DM.
Uno de los problemas con el que se encuentran los distintos usuarios de un Data
Mart es saber qué es lo que hay en él y como acceder a lo que quieren.
El clásico ejemplo de la biblioteca es muy claro: cuando voy a buscar un libro o
una serie de libros sobre un tema en concreto no recorro sistemáticamente toda la
biblioteca hasta que lo encuentro, sino que uso el catálogo, mediante el cual
puedo localizar, por distintos criterios, el lugar donde se encuentra lo que busco.
Esta necesidad es común con el Data Mart, ya que el usuario final que accede
abiertamente al Data Mart puede tener serios problemas a la hora de encontrar lo
que quiere, por ejemplo las tablas relacionadas con la información de clientes, o
gráficos que reflejen la evolución de una determinada variable.
Para eso existen los llamados, metadatos, repositorios o catálogos, que contienen
la información sobre los datos contenidos en el Data Mart y ayudan a encontrar lo
que se quiere.
Un repositorio debería aportar la siguiente funcionalidad: Catalogar y describir la
información disponible, especificar el propósito de la información, establecer quién
es el propietario de la información, relacionar las estructuras técnicas de datos con
la información de negocio, establecer relación con los datos operacionales así
como las reglas de transformación, limitar la validez de la información.
Todos estos aspectos deberán residir típicamente en una serie de tablas
(normalmente relacionales) que, mediante un programa de acceso a las mismas,
55
permitan buscar bajo distintos criterios lo que se desee. Los objetivos que deben
cubrir los metadatos, según el colectivo al que va dirigido, serían:
a) Soportar al usuario final, ayudándole a acceder al Data Mart con su propio
lenguaje de negocio, indicando que información hay y que significado tiene.
Ayudar a construir consultas, informes y análisis, mediante herramientas de
navegación.
b) Soportar a los responsables técnicos del Data Mart en aspectos de
auditoría, gestión de la información histórica, administración del Data Mart,
elaboración de los programas de extracción, especificación de la entrega de
información a otros entornos.
Los metadatos técnicos son utilizados por los administradores, desarrolladores y
herramientas software, las cuales ofrecen una descripción técnica de los datos y
operaciones.
Además incluyen lo siguiente:

De dónde vienen los datos: Fuentes de datos internas y externas, sistemas
de registros.

Cómo se han preparado los datos: Mapeo de los datos, procedimientos de
consolidación, reglas de transformación, métodos y reglas de agregación.

Cómo están organizados los datos: Estructura lógica y contenido del Data
Mart, incluyendo los metamodelos.

Cómo están almacenados los datos: Estructura física y contenido del Data
Mart.
56

Cómo están mapeados los datos: Transformar a un formato de base de
datos multidimensional desde un formato de base de datos relacional.

Prioridad/Administración de los datos: A quién pertenecen los datos, quién
es el responsable de los datos.

Seguridad: Quién puede acceder a los datos y cómo se pueden utilizar
(solo agregación, a nivel de detalle, etc...).

Información del sistema: Fecha de la última actualización, extracción de
históricos, criterios de almacenamiento (incluyendo periodos de depuración
y conservación) y estadísticas de uso de los datos.

Información de organización: Horarios de envío, horarios detallados de la
extracción, transformación y carga de los datos.

Información de distribución: Reglas de replicación y distribución.
A diferencia de los metadatos, los metadatos de negocio proveen descripción del
negocio, de lo que contiene el almacén y como son utilizados por los analistas del
negocio y usuarios finales. Describen lo siguiente:

Que datos están disponibles.

Dónde están los datos: Localización y instrucciones de acceso.

Qué significan los datos: Descripción del contenido de los datos, cómo
interpretar esos valores, definiciones y descripciones para los datos,
detalles de cómo se deben derivar o calcular los datos.

Cómo acceder a los datos: Modelo de negocio de los datos, índices, claves.
57

Informes y consultas predefinidas.

Cómo están actualmente los datos: Cuándo fueron actualizados los datos
por última vez y tiempo de validez.
Las herramientas de administración de los metadatos asisten en sincronización
automática a los metadatos utilizados por varios componentes del Data Mart
(generación del almacén, mantenimiento de los datos, y herramientas de acceso a
los datos).
Desafortunadamente, la administración de los metadatos no está ampliamente
apoyada por las herramientas disponibles en el mercado, y el sincronizar los
metadatos normalmente se restringe a importar y exportar metadatos (requiere
una sincronización manual) entre los componentes.
Además de la sincronización del metadato, las herramientas de administración de
metadatos apoyan las versiones, el cual es importante para el acceso a los datos
históricos que deben diferir en formato de los datos actuales. Los metadatos
almacenan los formatos de los datos al mismo tiempo que archivan los datos.
Actualmente, los repositorios o metadatos del Data Mart están en plena explosión,
si bien es cierto que se ha generado bastante confusión al respecto, debido a que
los fabricantes de herramientas de acceso, bases de datos y extracción han
utilizado su propio repositorio con funcionalidad parcial.
Recientemente, se han creado distintos grupos entre los distintos proveedores
para definir los estándares que deben soportar los repositorios y una serie de
especificaciones para que se puedan integrar los de las distintas herramientas, de
forma que se pueda ir llegando a un catalogo realmente operativo y que cubra las
expectativas, puesto que llegará a ser una de las piezas clave del Data Mart.
58
Esta nueva unidad debe permitir que el área de sistemas de respuesta a las
necesidades de información de gestión de la empresa, reduciendo los costes y
esfuerzos en todas las aplicaciones de apoyo a la toma de decisiones. Esto
requiere conseguir que esta información de gestión sea:
a) Accesible: Hay que conseguir que la información pueda estar disponible por
los usuarios desde sus propios puestos de manera sencilla.
b) Correcta: Sistemas ha de asegurarse de que los datos que va a utilizar en
el Data Mart sean correctos, o, al menos, quede establecido explícitamente
el grado de incorrección que se pueden encontrar los usuarios, ya que
muchas veces se va a saber que algunos datos tienen ciertos problemas, lo
que supondrá incorporar ciertos procedimientos de calidad.
c) Uniforme: La información ha de aparecer uniformemente a los usuarios
para evitar equivocaciones o interpretaciones distintas.
d) Actualizada: La nueva unidad ha de preocuparse de que, además, la
información esté lo más actualizada posible e indicar, cuando sea
necesario, el nivel de actualización de los datos que se pueden acceder en
cada momento.
2.11. Beneficios del Data Mart
A continuación se enlistan algunos beneficios que brinda la creación de Data
Marts, y en seguida, se numeran de manera general en beneficios tangibles e
intangibles:

Convertir los datos operacionales en información relacionada y estructurada
llegando a generar el “conocimiento” necesario para la toma de decisiones.
59

Centralizar y homogeneizar la información de gestión, evitando respuestas
distintas a la misma pregunta.

Permitir la visión global de la información en base a los conceptos de
negocio que tratan los usuarios.

Reducir costes evitando costosas extracciones manuales, así como
múltiples “islas de información”, permitiendo dedicar recursos a otras
tareas.

Mejorar la calidad de la gestión a partir de información relevante y con un
significado homogéneo.

Establecer una base única del modelo de información de las empresas y
organizaciones.
1. Beneficios tangibles: los que pueden calcularse a partir de las mejoras en
el proceso de información y reducción en los procesos de reporting. Es
importante analizar los costes que suponen las situaciones basadas en
informáticas federadas: desde los costes informáticos (por mala utilización
de las redes distribuidas y por el proceso de interfases) hasta el coste que
representa a las redes usuarias el esfuerzo de un tratamiento informático
por personal propio.
2. Beneficios intangibles: se debe insistir en demostrar los relacionados con
la mejora del servicio a los usuarios, que redundará en una mejora en la
toma de decisiones, proporcionándoles mejor información más fácilmente
accesible, actualizada, correcta, entre otros.
60
CAPITULO III. EL DATA MART COMO AUXILIAR EN
EL PROCESO DE TOMAS DE DECISIONES
2.El Data Mart como auxiliar en el proceso de tomas de
decisiones
Desde que se inició la era de la computadora, las organizaciones han usado los
datos desde sus sistemas operacionales para atender sus necesidades de
información. Algunas proporcionan acceso directo a la información contenida
dentro de las aplicaciones operacionales. Otras, han extraído los datos desde sus
bases de datos operacionales para combinarlos de varias formas no
estructuradas, en su intento por atender a los usuarios en sus necesidades de
información.
Ambos métodos han evolucionado a través del tiempo y ahora las organizaciones
manejan una data no limpia e inconsistente, sobre las cuales, en la mayoría de las
veces, se toman decisiones importantes.
La gestión administrativa reconoce que una manera de elevar su eficiencia está en
hacer el mejor uso de los recursos de información que ya existen dentro de la
organización. Sin embargo, a pesar de que esto se viene intentando desde hace
muchos años, no se tiene todavía un uso efectivo de los mismos .La razón
principal es la manera en que han evolucionado las computadoras, basadas en las
tecnologías de información y sistemas. La mayoría de las organizaciones hacen lo
posible por conseguir buena información, pero el logro de ese objetivo depende
fundamentalmente de su arquitectura actual, tanto de hardware como de software.
Reunir los elementos de datos apropiados desde diversas fuentes de aplicación en
un ambiente integral centralizado, simplifica el problema de acceso a la
62
información y en consecuencia, acelera el proceso de análisis, consultas y el
menor tiempo de uso de la información.
Las aplicaciones para soporte de decisiones basadas en un Data Mart, pueden
hacer más práctica y fácil la explotación de datos para una mayor eficacia del
negocio, que no se logra cuando se usan sólo los datos que provienen de las
aplicaciones operacionales (que ayudan en la operación de la empresa en sus
operaciones cotidianas), en los que la información se obtiene realizando procesos
independientes y muchas veces complejos.
El Data Mart viene a ser una alternativa de tecnología, que permite manejar la
información para la toma de decisiones acertadas en todos los niveles y áreas de
la organización, desde la extracción, depuración y transformación de datos, hasta
la explotación y distribución de la información mediante herramientas de fácil uso
para los usuarios.
En el ámbito empresarial, las decisiones se toman en alguno de los tres niveles
organizacionales: estratégico, táctico u operativo (Figura 3.1.). Las decisiones
estratégicas se centran en la dirección del negocio a largo plazo siendo labor de
los ejecutivos de alta gerencia. Las decisiones tácticas corresponden a los
gerentes de nivel medio y se enfocan en la planeación, análisis y producción de
proyectos; a nivel operativo los empleados toman decisiones cotidianas que se
requieren para convertir los planes en acción, (Intelligence & Business Solutions,
2007).
63
Figura 3.1. Niveles organizacionales y su respectiva toman decisiones.
Fuente: Intelligence & Business Solutions, 2007.
Según los requerimientos de información y su funcionalidad, las herramientas de
Inteligencia de Negocios, aplican en cada uno de los niveles de la organización.
Las soluciones de Inteligencia de Negocios, en este caso el Data Mart,
proporcionan un fácil acceso a los datos críticos dentro de la empresa necesarios
para el análisis, así como un medio para integrar los datos corporativos con los
procesos de toma de decisión a nivel estratégico y táctico; también permite a la
empresa afinar la toma de decisiones cotidiana, asegurando que cada grupo
operativo tenga acceso a la información necesaria para contestar preguntas
específicas y distribuir dicha información a todos los niveles de la organización.
Generalmente, dos ideas básicas dirigen la creación de un almacén de los datos:

Integración de los datos de bases de datos distribuidas y diferentemente
estructuradas, que facilita una descripción global y un análisis comprensivo
en el almacén de los datos.
64

Separación de los datos usados en operaciones diarias de los datos usados
en el almacén de los datos para los propósitos de la divulgación, de la
ayuda en la toma de decisiones, para el análisis y para controlar.
3.1. Beneficios para las organizaciones

Información centralizada. BI extrae información de distintas fuentes de
datos operacionales, la transforma y consolidad de acuerdo a las
necesidades de los usuarios y los depositan en el Data Mart o Data
Warehouse.

Visión 360º del negocio. Con eficientes reportes y análisis de información,
los usuarios pueden ver resultados a través de las diferentes variables del
negocio y visualizar oportuna y consistentemente todos los aspectos
relevantes de la organización.

Un sólo juego de datos. Con definiciones comunes de datos los usuarios
gastarán menos tiempo discutiendo sobre los datos, utilizándolo en
analizarlos y decidiendo que acciones tomar.

Disminución del tiempo para la toma de decisiones. Con soluciones de BI,
los usuarios generarán su propia información en menor tiempo con
autonomía de accesos a la información.

Mejorar la cadena de valor. Transformando los datos en información y
compartiéndola con todos los componentes en la cadena de valor,
tomadores de decisiones, empleados, clientes, proveedores y asociados
tendrán la información que necesitan para trabajar más efectivamente.
65
3.2. Estrategia de Reporting
Las necesidades de información empresarial están en constante crecimiento
debido a una serie de motivos:

Rápida evolución del mercado.

Fuerte competencia en todos los sectores.

Toma de decisiones tácticas y estratégicas basadas en información
corporativa fiable y coherente.

Control riguroso de los parámetros de gestión de la empresa con objeto de
minimizar costes y maximizar beneficios sin perder la competitividad.

Implantación de soluciones integradas (ERP,s, CRM,s, etc.) que establecen
un alto grado relacional entre los datos permitiendo la obtención de
informes de un alto valor añadido. Ibarzabal, J., 2006.
El conocimiento actual de los usuarios, junto con la utilización de las herramientas
adecuadas,
permiten
aprovechar
convenientemente
el
alto
volumen
de
información disponible en las Bases de Datos.
3.3. Tipología de informes
Los
informes
que
se
necesitan
en
el
mundo
empresarial
responden,
fundamentalmente, a dos tipologías:

Informes de gestión, cuya información es necesaria para el día a día.
Dependiendo de su periodicidad de uso y utilidad, pueden necesitar el
acceso a datos “vivos” registrados en las Bases de Datos de Gestión para
conocer el estado actual de la información, o bien acceder a los valores que
presentaban los datos congelados a fin de semana, mes, etc.
66

Informes y consultas para la toma de decisiones. Utilizan datos agregados
que son analizados conjuntamente con datos históricos y necesitan conocer
el estado de los datos de gestión en un momento determinado en el tiempo,
lo que supone sacar una “foto” de los mismos transfiriéndolos a otra Base
de Datos -Data Warehouse o Data Mart- (Barzabal, J.)
De lo anteriormente enunciado se deduce que la mayor parte de los Informes de
Gestión requeridos para el correcto funcionamiento de la Empresa serán
obtenidos directamente a partir de las Bases de Datos de Gestión, mientras que el
resto de Informes de Gestión que pudieran necesitarse, así como los precisados
para los Análisis de Información de tipo decisional, serán elaborados a partir de
una Base de Datos externa (Data Warehouse/Data Mart) que será alimentada
mediante la carga y transformación de los datos extraídos, con la periodicidad que
se determine, desde las Bases de Datos de Gestión.
3.4. Alternativas Tecnológicas
En referencia a las opciones de diseño existentes para la Base de Datos externa a
las de gestión, hay una primera elección en función de la tecnología a utilizar:

Tecnología MOLAP (Multidimensional On Line Analytical Processing). Se
apoya en MDDBMS,s (Bases de Datos Multidimensionales) que tienen
como característica principal que los datos son cargados en cubos
conteniendo celdas precalculadas que facilitan la rapidez en la extracción
de dichos datos, aunque dificultan la escalabilidad y disminuyen la
flexibilidad. La figura 3.2 muestra el proceso de esta tecnología.
67
Figura 3.2. Tecnología MOLAP.
Fuente: Ibarzabal, J., 2007.

Tecnología ROLAP (Relational On Line Analytical Processing). Se apoya en
RDBMS,s (Bases de Datos Relacionales) que almacenan los datos en
tablas relacionales indexadas, mejorando la escalabilidad y flexibilidad de la
solución en perjuicio de la velocidad de acceso para grandes volúmenes de
información. En la figura 3.3, el esquema de la tecnología ROLAP.
Figura 3.3. Tecnología ROLAP.
Fuente: Ibarzabal, J.
68

Tecnología HOLAP (Hybrid On Line Analytical Processing) que accede a
ambos tipos de Bases de Datos. Para acceder a los datos a nivel detalle
utiliza las RDB.s y para acceder a datos agregados a las MDDB,s. Hoy en
día dicha tecnología consiste en el uso selectivo de Vistas Materializadas
que son tablas relacionales precreadas con datos agregados que se utilizan
en caso de consultas sobre dichos agregados, lo que mejora la rapidez de
la obtención de la información requerida.
3.5. Alternativas de Diseño
Una vez elegida la tecnología hay que seleccionar la alternativa de diseño a
utilizar en relación con las posibilidades existentes a la hora de agrupar los datos
para obtener un buen rendimiento de acceso.
Existen une serie de posibles alternativas de diseño:
1. Creación de varios Data Marts independientes, uno por cada dominio o
fuente de información, y definición de una Capa Usuario1 por cada uno de
estos Data Marts.
2. Creación de un único Datawarehouse que englobe todos los datos, del que
se extraigan diferentes Data Marts, uno por cada dominio o fuente de
información y definición de una Capa Usuario por cada Data Mart.
3. Creación de un único Datawarehouse con definición de una única Capa
Usuario.
4. Creación de un único Datawarehouse con definición de varias Capas
Usuario.
1
Capa Usuario. Es una vista usuario de la base de datos que permite su aislamiento respecto de
la complejidad física de la misma. No incluye ningún dato físico. Es una agrupación lógica de los
datos adaptada a los conocimientos y filosofía del Usuario.
69
A continuación se exponen las ventajas e inconvenientes de las opciones
anteriormente expuestas:
Data Marts independientes (Figura 3.4.)
Figura 3.4. Esquema consistente en el uso de Data Marts independientes.
Fuente: Ibarzabal, J.
Ventajas:

Rapidez del retorno de la inversión realizada. Desarrollo más rápido debido
a que se afronta un conjunto de datos de menor entidad y complejidad.

Rapidez de acceso a la información soportada. Ventaja que adquiere
importancia a partir de volúmenes de datos notables.
Inconvenientes:

Redundancias indeseadas de datos. Cada Data Mart ha de ser totalmente
independiente por lo que habrá tablas y/o datos que deberán estar
70
repetidos, lo que conlleva un incremento de espacio ocupado y graves
problemas de coherencia.

Lo anteriormente expuesto provoca la existencia de procesos de extracción,
manipulación y carga redundantes con el incremento de recursos y
complejidad que conlleva.

Imposibilidad de asegurar la consistencia de los datos almacenados.

Dificultad para la realización de consultas que relacionen datos situados en
diferentes Data Marts. Depende de las herramientas de Reporting/Análisis
de Información utilizadas ya que algunas permiten la realización de
informes
multiconsulta
accediendo
a
diferentes
bases
de
datos
relacionadas entre sí.
Data Warehouse único con varios Data Marts
Opción también denominada Data Marts dependientes (Figura 3.5).
Figura 3.5. Esquema consistente en la creación de un Data warehouse y a partir de éste se
extraigan datamatrs. Fuente: Ibarzabal, J.
71
Ventajas:

Se asegura la coherencia y consistencia de la información registrada así
como la inexistencia de redundancias indeseadas.

Permite un desarrollo en etapas, una vez haber realizado el diseño global
del DW, o Modelo Empresarial, abordando la construcción de los Data
Mart,s secuencialmente

La gestión de los Data Marts es más cómoda ya que las reglas que rigen la
extracción, carga y transformación de los datos son comunes.
Inconvenientes:

Diseño más complejo debido al enfoque global inicial que se aplica.

Puede ser difícil resolver los problemas de prioridades que surjan entre las
diferentes unidades de negocio involucradas.
Datawarehouse único con una Capa Usuario
Dicha Capa Usuario englobaría todos los datos considerados (Figura 3.6).
Figura 3.6. Esquema consistente en la creación de un Data warehouse con una única capa
Usuario. Fuente: Ibarzabal, J.
72
Ventajas:

Simplicidad de diseño.
Inconvenientes:

Esquema relativamente complejo, que supondría un inconveniente a la hora
de seleccionar los datos que se deseen visualizar en una consulta
determinada, ya que la Capa Usuario contendría un gran número de datos
que no estarían involucrados en la búsqueda y/o estudio deseado.

Su grado de complejidad puede llevar a la paralización de su desarrollo
debido al excesivo volumen de información a considerar.

Administración más compleja.

Problemas de actualización de los datos al provenir de fuentes diversas
cuyas cronologías de actualización no tienen por qué ser coincidentes.
Datawarehouse único con varias Capas Usuario
Figura 3.7. Esquema consistente en la creación de un Data warehouse con varias capas
Usuario. Fuente: Ibarzabal, J.
73
Ventajas:

Existencia de capas usuario conteniendo, exclusivamente, los datos y
objetos que el usuario desee, lo que conlleva una mayor facilidad de
utilización del Sistema por parte de los usuarios finales.

Mayor facilidad de administración de las Capas Usuario ya que el número
de tablas involucradas es menor.

Más simplicidad en la definición de perfiles de usuario para la protección de
la confidencialidad de la información
Inconvenientes:

Complejidad de diseño.

Su grado de complejidad puede llevar a la paralización de su desarrollo
debido al excesivo volumen de información a considerar.
3.6. Opción aconsejada
La Estrategia de Reporting/Análisis de Información debería basarse en los
siguientes principios:

Utilización de una herramienta de análisis de información y generación de
informes de uso sencillo que permita que los usuarios no informáticos sean
capaces de elaborar informes de un cierto grado de complejidad, así como
visualizar los ya predefinidos.

Contemplar dos niveles de utilización de dicha herramienta en función de la
tipología de los informes a producir:
1. Accediendo directamente a las Bases de Datos de Gestión.
2. Accediendo a un DW/DM.

Como tecnología a utilizar en el DW/DM usar ROLAP/HOLAP que
proporciona una mayor flexibilidad a la hora de incorporar datos
74
posteriormente a su primer diseño y que presenta la posibilidad de utilizar
vistas materializadas con objeto de mejorar los tiempos de acceso.

Contemplar varias etapas hasta alcanzar el total desarrollo de la estrategia
de reporting:
1. Elegir un conjunto homogéneo de datos pertenecientes al área
empresarial que se considere como prioritaria, diseñando una Capa
Usuario que permita el acceso directo a las Bases de Datos de Gestión
y otra Capa Usuario que habilite el acceso al Data Mart.
2. Una vez haberse familiarizado los usuarios con el primer Data Mart y
haber podido extraer conclusiones a partir de su utilización, realizar, de
manera iterativa, las tareas anteriores para los diferentes conjuntos
homogéneos de datos contemplados.
3. Plantearse la necesidad de otro tipo de datos (históricos, globalizados,
etc.) imprescindibles para ayudar a la toma de decisiones estratégicas.

Como alternativa de diseño usar una variante de la alternativa de Data
Warehouse único con varios Data Marts, que supone el diseño, a nivel
global, no tanto del DW Corporativo como del Modelo de Empresa que
contenga todos los datos que vayan a precisarse (a nivel detalle) y que
establezca las reglas y estrategias comunes a todos los Data Marts que se
creen posteriormente.
La variante de la alternativa Data Warehouse único con varios Data Marts, elegida
como idónea, nos asegura la consistencia y no redundancia de los datos
almacenados resolviendo la elección de las fuentes a utilizar para la extracción de
los datos y estableciendo pautas y políticas unificadas de refresco, versiones,
granularidad, definición de llaves, etc.
75
En caso de que la aproximación elegida sea desechada por el mayor esfuerzo que
conlleva y los mayores plazos de ejecución que comporta, se podría abordar la
Estrategia de Reporting mediante la alternativa de creación de Data Marts
independientes, aunque siempre teniendo en cuenta que esa aproximación no
garantiza la inexistencia de redundancias indeseadas, y por tanto, la coherencia e
integridad de los datos almacenados en los diferentes Data Marts, debido a la falta
de visión global que conlleva el análisis y construcción de los Data Marts de
manera independiente.
76
CAPÍTULO IV. EJEMPLO DEL DATA MART UTILIZADO
COMO PLATAFORMA EN EL SISTEMA DE INFORMACIÓN
PARA LA TOMA DE DECISIONES DE LA CONSEJERÍA
DE ECONOMÍA Y HACIENDA DE ANDALUCÍA,
COMUNIDAD AUTÓNOMA ESPAÑOLA.
77
3.Sistema de Información para la Toma de Decisiones
teniendo como plataforma un DATA MART
Descripción
El Data Mart de la CEH está enfocado para la explotación de datos del sistema
Júpiter2, en concreto, de los datos de Elaboración de los Presupuestos de la Junta
de Andalucía y de la Ejecución de dichos presupuestos. No obstante, está prevista
o en desarrollo, su expansión a la explotación de datos de SUR y de otros
Subsistemas de Júpiter.
La explotación se realiza extrayendo los datos del sistema transaccional y
almacenándolos en el Data Mart de forma que puedan ser consultados para
responder a las cuestiones planteadas.
Durante dichas consultas, el Data Mart permite organizar o agrupar la información
de diferentes formas. Por ejemplo, el Data Mart contiene datos pertenecientes a
diferentes períodos de tiempo, lo cual permite comparar información relativa a dos
momentos concretos.
Discoverer User
La herramienta de explotación de datos Discoverer User:
2
JÚPITER es el Sistema Integrado de Gestión Presupuestaria, Contable y de Tesorería
de la Junta de Andalucía. Su utilización como herramienta de gestión, no sólo por
todas las unidades orgánicas de la Consejería de Economía y Hacienda, sino también
por todos los órganos de gestión económica del resto de Consejerías y Organismos
Autónomos de la Junta de Andalucía, ha posibilitado el buen desarrollo de la actividad
económico-financiera de la Junta de Andalucía desde su implantación en 1993,
modernizando e incrementado los niveles de control de dicha actividad de forma
notable.
78

Hace posible que el usuario final cree sus propios informes y lleve a cabo
análisis
multidimensionales
sin
necesidad
de
comprender
SQL
o
estructuras de bases de datos.

Permite buscar la información sin escribir consultas, mediante el uso de
técnicas de análisis multidimensional.

Permite manipular los resultados de diferentes maneras, brindando un
cuadro completo y preciso de los negocios.

Permite, a través de Discoverer Viewer o Plus, acceder y/o generar nuevos
informes desde estaciones de trabajo remotas, dando la posibilidad de
explotar el Data Mart a distancia, siendo necesarios para ello únicamente
una conexión a Internet y los permisos necesarios.

Brinda un entorno seguro de trabajo, permitiendo discriminar la información
a la que cada perfil de usuario puede acceder.
Objetivos
El objetivo principal del Data Mart es facilitar la explotación de datos del sistema
JÚPITER de forma que estos puedan asistir al usuario en el seguimiento de la
Elaboración del Presupuesto, a nivel de aplicaciones presupuestarias y de
proyectos de inversión, y de la Ejecución del Presupuesto, a nivel de aplicaciones
presupuestarias, proyectos de inversión, pagos, fondos europeos y programación
y certificación de fondos europeos.
Ámbito
El Data Mart de la Consejería de Economía y Hacienda puede ser explotado por
todo el conjunto de Órganos y Unidades Administrativas de la Junta de Andalucía
con competencias en materia de gestión económica.
Las Unidades directamente afectadas en la Consejería de Economía y Hacienda
son:

Intervención General

Dirección General de Planificación
79

Dirección General de Tesorería y Política Financiera

Dirección General de Presupuestos

Dirección General de Patrimonio

Dirección General de Fondos Europeos.
El resto de las Consejerías y Organismos Autónomos puede hacer uso de los
datos almacenados correspondientes a su ámbito.
Subsistemas

Elaboración del Presupuesto

Ejecución del Presupuesto

Fondos Europeos
Equipo de trabajo

Formado por:

1 Jefe de Proyecto

1 Analista

Analistas-Programadores

1 Programador
Hardware
Arquitectura Cliente/Servidor Equipo Mainframe Sun 5500
Tamaño y uso
Este proyecto está en explotación y en nuevos desarrollos actualmente con lo que
el tamaño y uso es algo que cambia constantemente. Actualmente hay 20
usuarios; no tiene sentido hablar de informes porque con la excepción de 20
predefinidos, el resto es definido por el usuario a su gusto.
80
Figura 4.1.Procesos y Actores del Data Mart.
Fuente: Junta de Andalucía
Elaboración del Presupuesto
Responsable funcional
Dirección General de Presupuestos
Usuarios
Órganos Gestores de Consejerías y Organismos Autónomos, Dirección General
de Presupuestos
Descripción
Este Data Mart tiene como objetivo ser un Sistema de Soporte a la decisión de los
Datos para la Elaboración del Presupuesto de la Junta de Andalucía. Por tanto,
permite realizar un seguimiento sobre la elaboración del presupuesto a nivel de
aplicaciones presupuestarias y proyectos de inversión.
En principio, dicho seguimiento se realizará mediante una serie de informes
predefinidos que explotan la información recogida en el Data Mart. Ello no impide
que dicha información pueda ser explotada de otras formas indicadas por el
81
usuario del Data Mart.
Los informes predefinidos son:

Liquidación del Presupuesto de Gastos por Programa para cada una de las
Políticas de Gastos por ejercicio.

Liquidación del Presupuesto de Gastos por Secciones - Organismos
Autónomos y por Capítulos.

Presupuesto de Gastos por Secciones consolidadas. Muestra la desviación
absoluta y relativa entre el Crédito Inicial y el Presupuesto de cada una de
las Consejerías en un período determinado.

Presupuesto de Gastos por Secciones Presupuestarias. Muestra la
desviación absoluta y relativa entre el Crédito Inicial y el Presupuesto de
cada una de las Secciones, Organismos Autónomos y Centros en un
período determinado.

Proyectos de Inversión por Programas y Provincias ejecutoras.

Variación del Presupuesto de Gastos por Capítulos.

Variación del Presupuesto de la política de Gastos por Capítulos con su
agrupación en Subgrupos y grupos de Capítulos.

Variación del Presupuesto de Gastos por Programa de la Política de
Gastos.

Variación del Presupuesto de Gastos por Secciones - Organismos
Autónomos y por Capítulos.

Variación del Presupuesto de Ingresos por Secciones - Organismos
Autónomos y Fuente de Financiación.
Ejecución del Presupuesto
Responsable funcional
Dirección General de Presupuestos
82
Usuarios
Órganos Gestores de Consejerías y Organismos Autónomos, Dirección General
de Presupuestos, Intervención General, Dirección General de Planificación
Descripción
Este Data Mart permite realizar, una vez cargado en la Contabilidad el
presupuesto elaborado para el ejercicio, un análisis sobre la ejecución de éste a
partir de las diferentes fases contables de ingresos y gastos.
El análisis se efectúa en base a las dimensiones, que posibilitan el desglose de la
información de acuerdo con los criterios que se determinen, y de los datos
(variables) objeto del análisis.
Dicho análisis se realizará a nivel de aplicaciones presupuestarias, proyectos de
inversión, pagos, fondos europeos y programación y certificación de fondos
europeos.
Las dimensiones utilizadas a nivel de Aplicaciones Presupuestarias son la
temporal, Secciones y Organismos Autónomos, Servicios, Provincias, Clasificación
Funcional, Clasificación Económica, Medidas, Agrupación Presupuestaria, Unidad
Administrativa, Gestor Pagador, Aplicación Vinculante, Aplicación Vinculante v2 y
Financiación afectada.
Entre las variables que se desean analizar se encuentran el Crédito Inicial Oficial,
Incorporaciones de Remanentes, Aumentos o Disminuciones por Transferencias o
por Redistribuciones, Créditos Extraordinarios, Ampliaciones o Generaciones de
Crédito Retenciones de Crédito, Autorizaciones con Crédito, Disposición de Gasto,
Obligaciones Reconocidas, Pago Ordenado o Materializado, Obligaciones o
Libramiento Pendientes de Pago a 1 de Enero, Importe a Justificar, Importe
Justificado, Crédito Disponible o Definitivo, entre otros.
83
Por tanto, a este nivel se puede hacer seguimiento de:

Cuenta de gastos públicos por aplicación: por mes, acumuladas,
acumuladas con cambio de unidad, consolidada con cambio de unidad
(figura 4.2).

Cuenta de gastos públicos por vinculante: acumuladas, acumuladas con
cambio de unidad, consolidado con cambio de unidad, por aplicación
consolidada con cambio de unidad.

Liquidación del presupuesto de gastos vinculante: por programas, por
programas acumulado, por programas consolidado acumulado.

Resumen de la ejecución de gastos por: sección, servicios, programas,
capítulo ya sea sin acumular, acumulado o acumulado con cambio de
unidad (Figura 4.3).
Figura 4.2. Cuenta de gastos públicos por aplicación
Fuente: Junta de Andalucía
84
Figura 4.3. Resumen de la ejecución de gastos
Fuente: Junta de Andalucía
Fondos Europeos
Responsable funcional
Dirección General de Fondos Europeos
Usuarios
Órganos Gestores de Consejerías y Organismos Autónomos, Dirección General
de Presupuestos, Intervención General, Dirección General de Fondos Europeos,
Dirección General de Planificación.
85
Descripción
Este Data Mart permite realizar, una vez cargado en la Contabilidad el
presupuesto elaborado para el ejercicio, un análisis sobre la ejecución de éste a
partir de las diferentes fases contables de ingresos y gastos.
El análisis se efectúa en base a las dimensiones, que posibilitan el desglose de la
información de acuerdo con los criterios que se determinen, y de los datos
(variables) objeto del análisis.
Dicho análisis se realizará a nivel de aplicaciones presupuestarias, proyectos de
inversión, pagos, fondos europeos y programación y certificación de fondos
europeos.
A nivel de fondos europeos, mediante las relaciones existentes entre las medidas
(operaciones) y los proyectos de inversión y las aplicaciones, se puede obtener
información referente a la ejecución de las actuaciones financiadas con fondos
europeos como agregación de la contabilidad existente en el Júpiter a diferentes
niveles en las fases de previsión, ejecución y certificación.
Las dimensiones utilizadas a este nivel son la temporal, Secciones y Organismos
Autónomos, Operaciones, Marco, Unidad Administrativa, Tipo de Presupuesto,
Agrupación Presupuestaria y Provincias Ejecutoras.
Entre las variables que se desean analizar se encuentran los acumulados de
Crédito Inicial Oficial (I0), Autorizaciones con Crédito (A), Disposición de Gasto
(D), Obligaciones Reconocidas (O), Propuesta de Pago (P), Pago Materializado,
Total Modificaciones de Gastos, Retenciones de Crédito (RC) e Importe Pendiente
Justificar, Crédito Definitivo, Previsiones Definitivas, Derechos Reconocidos (R,
RI), Derechos Pendientes de Cobro a 1 de Enero, etc.
Entre otros, se puede hacer el seguimiento de:
86

Cuenta de gastos por programa operativo, unidad administrativa o sección unidad administrativa (Figura 4.4).

Estado de liquidación de ingresos por sección y operación o por sección y
aplicación (Figura 4.5).
Figura 4.4. Cuenta de gastos por programa operativo.
Fuente: Junta de Andalucía
Figura 4.5. Estado de liquidación de ingresos.
Fuente: Junta de Andalucía
87
Ejecución del Seguimiento de Proyectos de Inversión
Responsable funcional
Dirección General de Planificación
Usuarios
Órganos Gestores de Consejerías y Organismos Autónomos, Dirección General
de Planificación, Intervención General.
Descripción
Este subsistema realiza el control y seguimiento de la ejecución del Anexo de
Inversiones del Presupuesto de la Comunidad Autónoma de Andalucía de cada
ejercicio.
El seguimiento presupuestario del Anexo de Inversiones se realiza en base al
concepto de Proyecto de Inversión, que constituye la unidad mínima de
información.
Todo Proyecto de Inversión viene determinado por su clasificación orgánica,
funcional y económica a nivel de artículo. Un proyecto puede tener una o más
fuentes de financiación, controlándose sus créditos de forma diferenciada. Las
fases contables de los Proyectos de Inversión serán idénticas a las del
seguimiento del Presupuesto de Gastos.
Mediante este Data Mart se pretende realizar un análisis y seguimiento sobre
dicha ejecución del Anexo de Inversiones del Presupuesto.
El análisis se efectúa en base a las dimensiones, que posibilitan el desglose de la
información de acuerdo con los criterios que se determinen, y de los datos
(variables) objeto del análisis.
88
Las dimensiones utilizadas a este nivel son las siguientes: Temporal, Secciones y
Organismos Autónomos, Servicio, Provincias, Clasificaciones Económicas y
Funcionales, Medias, Agrupaciones Presupuestarias, Unidades Administrativas,
Fuentes de Financiación, Vinculantes de Proyectos de Inversión y Políticas.
Entre las variables que se desean analizar se encuentran los acumulados de
Crédito Inicial, Incorporaciones de Remanentes, Aumentos y Disminuciones por
Transferencias, Aumentos y Disminuciones por Redistribuciones, Créditos
Extraordinarios, Ampliaciones de Crédito, Generaciones de Crédito, Otras
Generaciones de Crédito por Ingresos, Aumento Aplicaciones Plurianuales,
Retenciones de Crédito, Autorizaciones con Crédito, Disposición de Gasto,
Obligaciones
Reconocidas,
Propuesta
de
Pago,
Pago
Ordenado,
Pago
Materializado, Obligaciones Pendientes de Pago a 1 de Enero, Libramientos
Pendientes de Pago a 1 de Enero, Crédito Disponible, Crédito Definitivo; para
todas las variables anteriores se tendrá los valores en Oficial y en Previa, y como
última variable se tendrá el Importe FCI correspondiente.
Entre otros se puede consultar el seguimiento de:

Cuenta de Gastos Públicos a Nivel de Seguimientos de Proyectos de
Inversión (Figura 4.6).

Créditos Iniciales por Vinculantes de Proyectos de Inversión.

Ejecución de las Inversiones (Figura 4.7).

Informe por Políticas.
89
Figura 4.6. Cuenta de Gastos Públicos.
Fuente: Junta de Andalucía
Figura 4.7. Ejecución de las Inversiones.
Fuente: Junta de Andalucía
90
Visores Web
Descripción
Se implementó el acceso y explotación del los diferentes Data Marts en tres
capas. A través de Discoverer Viewer los usuarios pueden acceder a la
información desde su navegador a través de la red corporativa.
Esta herramienta permite que el resto de las consejerías puedan acceder a toda la
información disponible ejecutando los informes predefinidos de los distintos Data
Marts, evitando así la necesidad de descargar, transferir y procesar los datos
procedentes del Júpiter. Además de facilitar la información permite disponer de
ella en tiempos aceptables y sobre todo, al no tener que ser reprocesada por el
usuario, se está en condiciones de garantizar la fiabilidad de la misma.
Si bien esta herramienta no permite la elaboración de nuevos informes, sí permite
la readaptación de los mismos a través de cambios de ejes, recolocación de
variables y navegación por las jerarquías definidas en las dimensiones. Por lo
tanto es factible realizar un análisis de datos desde esta herramienta, aunque no
con la misma potencia que lo permite la versión para Windows (User Edition).
Discoverer Viewer presenta la información en formato html, por lo tanto se puede
ejecutar desde cualquier máquina que tenga conexión a la red corporativa y un
navegador instalado sin necesitar de ninguna otra cosa.
En breve se implementará Discoverer Plus, esta herramienta, también corre en
tres capas, presenta la misma funcionalidad que la versión para Windows (User
Edition), con lo cual cualquier usuario que se conecte a través de la Web podrá
crear, modificar y ejecutar informes, como también realizar análisis de datos
completos.
91
CONCLUSIONES
92
Hoy por hoy, las empresas que no se conocen a sí mismas, así como su entorno,
quedan rezagadas y posiblemente destinadas al fracaso empresarial. En este
punto la información proporcionada de manera oportuna y precisa se convierte en
la principal herramienta para evitar estas situaciones.
Actualmente, como se dio a conocer en este trabajo, la mayoría de empresas de
México son las que se encuentran situadas dentro del régimen de las Pequeñas y
Medianas Empresas (PyMEs). El hecho que las Grandes empresas sean una
minoría y sean acaparadoras del mercado, ocasionan que el empresario de las
PyMEs no confíe en el uso de tecnología para el mejor manejo de su empresa,
pues en ocasiones no cuentan con la adecuada información acerca de cómo esa
tecnología le traería a su empresa beneficios para lograr una mejor posición en el
mercado, asegurarle crecimiento y una mejor atención a sus clientes.
El empleo de tecnología y herramientas de extracción de información no es sólo
para las Grandes empresas. Sus grandes almacenes de datos (Data warehouses)
tuvieron que tener un inicio. En el caso de esta monografía se planteó la creación
de Data Marts para cada unidad departamental de la empresa como inicio de lo
que puede llegar a ser un data warehouse y como consecuencia el crecimiento de
la empresa.
El crecimiento de la empresa no depende especialmente del uso del Data Mart.
Sin embargo éste les brindará la información exacta y oportuna para el momento
de tomar una decisión y no perder una oportunidad de negocio.
El propósito de esta monografía es el de ser una guía que oriente al empresario de
las PyMEs acerca del uso y beneficios que le brindaría el empleo de un Data Mart
dentro de su organización para permitirle una adecuada toma de decisiones. Para
93
tal efecto se mencionaron las razones para crear un Data Mart, los componentes
que lo integran y las herramientas que le permitirán extraer la información en un
momento determinado.
Por comienzo se plantea que por las características del Data Mart, éste viene a
ser relativamente más económico que un data warehouse, así como el tiempo de
realización es más corto, pues la cantidad de información es limitada al área
operacional que abarca, condiciones que estimulan al empresario de las PyMEs
para adoptar el empleo del Data Mart.
Como se planteó desde el protocolo de investigación, en el archivo de tesis,
tesinas y monografías de la facultad de Contaduría y Administración no existe
alguna que abarque el tema de Data Mart; sólo una que se enfoca en el Data
warehouse, por tal razón esta monografía también dentro de sus propósitos
servirá como un apoyo para aquellos estudiantes que se interesen o necesiten
documentación acerca de lo que es un Data Mart y su constitución.
El empleo de un Data Mart sólo viene a ser una opción que le brinda a las PyMEs
y en general a todo tipo de empresa, la Business Intelligence la cual se refiere al
uso de tecnología, aplicaciones y prácticas para la colección, integración, análisis
y presentación de información de los negocios para una mejor toma de decisiones.
La principal forma en que los empresarios de las PyMEs se beneficiarán con el
empleo de un Data Mart, es a partir de los reportes que éste les arroje, por tal
razón se contempló la estrategia de Reporting, la cual muestra las posibilidades
existentes a la hora de agrupar los datos para obtener un buen rendimiento de
acceso a la información, y las posibilidades que se tienen entre crear Data Marts y
data warehouses.
El factor creación de Data Mart quedó excluido, pues desde un principio se
especificó que el objetivo de esta monografía sería una guía informativa sobre las
94
características y principales beneficios que ofrece el Data Mart al pequeño y
mediano empresario. El aspecto técnico quedaría en manos de especialistas que
se encargarían de la puesta en marcha del Data Mart. Al empresario poco le
interesa el cómo hacerlo, sino para que le serviría y en que se beneficiaría.
Se estudió el caso de aplicación de un Data Mart en la Consejería de Economía y
Hacienda de Andalucía, comunidad autónoma española. En este caso se observó
que la explotación se realiza extrayendo los datos del sistema transaccional y
almacenándolos en el Data Mart de forma que puedan ser consultados para
responder a las cuestiones planteadas.
El objetivo principal del Data Mart es facilitar la explotación de datos del sistema
JÚPITER de forma que estos puedan asistir al usuario en el seguimiento de la
Elaboración del Presupuesto, a nivel de aplicaciones presupuestarias y de
proyectos de inversión, y de la Ejecución del Presupuesto, a nivel de aplicaciones
presupuestarias, proyectos de inversión, pagos, fondos europeos y programación
y certificación de fondos europeos.
Para finalizar, se espera que la información hasta aquí planteada sea suficiente y
exacta y pueda servir de guía a estudiantes interesados en este tema, pero sobre
todo a los pequeños y medianos empresarios para que se convenzan de los
beneficios que puede obtener si invierte en tecnología y en el empleo de un Data
Mart que le permita una adecuada toma de decisiones.
95
GLOSARIO
Ad hoc: En sentido amplio puede traducirse como específico o específicamente.
CRM: Customer Relationship Management (Administración de la Relación con los
Clientes), es un modelo de gestión de toda la organización basada en la
orientación al cliente; es parte de una estrategia de negocio basada en el cliente.
ERP: Enterprise Resource Planing (Planificación de Recursos Empresariales), son
sistemas de información gerenciales que integran y manejan muchos de los
negocios asociados con las operaciones de producción y de los aspectos de
distribución de una compañía comprometida en la producción de bienes o
servicios.
ETL: Extract, Transform and Load (Extraer, Transformar y Cargar), es un proceso
que permite a las organizaciones mover datos desde múltiples fuentes,
reformatearlos y limpiarlos, y cargarlos en otra base de datos para analizar.
OLAP: On-Line Analytical Processing. Sistema que permite y facilita el análisis de
datos almacenados en una base de datos, ofrece a los usuarios la capacidad de
consultar y estudiar las diferentes dimensiones de un conjunto de datos
multidimensionales.
OLTP: On-Line Transaction Processing. Tipo de procesamiento de transacciones
en el que el sistema procesa las transacciones responde inmediatamente a cada
transacción o solicitud.
97
FUENTES DE INFORMACIÓN BIBLIOGRÁFICAS

Andrade, S. Diccionario de Economía, España: Andrade.

Baker, R.
(2006). Measure What Matters to Customers: Using Key
Predictive Indicators (KPIs). USA: John Wiley & Sons. Inc. .

Fernández, M. (2002). Inteligencia aplicada al negocio, Datamation. : .

García del Junco, J. y Casanueva Rocha. Prácticas de la Gestión
Empresarial. Mc Graw Hill.

González, M. (2006). Inteligencia de Negocios: Micro empresa Mexicana.
México: Mipyme. Editores S. de R.L.

Inmon, B. (1998). Data Marts "Data Warehouse" . : DM Review.

Kimball R. (1996). The Data Warehouse Toolkit. USA: John Wiley & Sons.

Mallach, E. (2000). Decision Support and Data Warehouse Systems. USA:
McGraw-Hill.

Romero, R. Marketing. Editora Palmir E.I.R.L., Pág. 9.
98
FUENTES DE INFORMACION ELECTRÓNICAS

Consulting
Data
Team
(1999).
Consultado
en
Junio,10,2008
en:
http://www.datateam.com.mx/datateam/soluciones/data_m/index.html

Diario Oficial de la Federación. SECRETARÍA DE COMERCIO Y
FOMENTO INDUSTRIAL Acuerdo de estratificación de empresas micro,
pequeñas y medianas. Marzo
30,
1999. Recuperado: Junio
29,2007.
Disponible en URL:
http://www.inegi.gob.mx/prod_serv/contenidos/espanol/bvinegi/productos/ce
nsos/eonomicos/1999/industrial/estratifica-.pdf

Diccionario de la Lengua Española, de la Real Academia Española, URL de
la Página Web = http://www.rae.es/

Firestone J.
(1997). Data Warehouses and Data Marts: A Dynamic.
Consultado en Junio,10,2008 en:
http://www.dkms.com/DWDDV.html. EEUU. Marzo, 1997

Gartner S. (1998). Data Warehouse Vr. Data Marts. Consultado en
Mayo,18,2008 en
http://www.gartner.com/webletter/ibmbusint/article4/article4.html.

Harjinder S. (1996). La integración de información para la mejor toma de
decisiones Data Warehousing. Prentice Hall, 1996.

Ibarzabal, J. (2006). Estrategia de Reporting. Consultado en Junio,25,2008
en:
http://www.cedyc.net/cedychtml/imagenes/EstrategiaReporting.pdf

Intelligence & Business Solutions (2007). Business Intelligence. Consultado
en Junio 20,2008 en: http://www.ibss.biz/BusinessIntelligence.htm

Junta de Andalucía.
www.juntadeandalucia.es/economiayhacienda/servicios/sistemas/Data
Mart/Data Mart_1.htm

Lombart, O. (2007). BI: Inteligencia aplicada al negocio.. Consultado en
Junio,18,2008 en:
99
http://www.eldiarioexterior.com/conocimiento/docs/BI_Inteligencia_aplicada
_al_negocio.pdf

Méndez, A., Mártire, A., Britos, P. Y Garcia-Martínez, R. (2007).
Fundamentos de Data Warehouse. Consultado en Mayo,20,2008 en
www.itba.edu.ar/capis/rtis/rtis-5-1/fundamentosdedatawarehouse.pdf

Rayner, Huamantumba. (2007). Creación de un Data Mart. Paso a Paso. .
Consultado en Mayo,15,2008 en http://www.ruedatecnologica.com/wpcontent/uploads/2007/08/rueda-tecnologica-Data Mart.pdf

Trujillo Mondéjar, J. (2006). Data Warehousing y Tecnología OLAP.
Consultado en 10, Mayo, 2008 en: http://gplsi.dlsi.ua.es/gplsi/areas.htm
100
INDICE DE FIGURAS

Figura 1.1. Arquitectura del Data Warehouse.
Fuente: Méndez, A., Mártire, A., Britos, P. Y Garcia-Martínez, R., 2007…….. 15
 Figura 2.1. Estructura multidimensional de los datos.
Fuente: Méndez, A., Mártire, A., et al…………………………………………….. 33
 Figura 2.2. Análisis de los datos desde el punto de vista
del gerente de producto. Fuente: Méndez, A., et al…………………………….. 34

Figura 2.3. Visión de los gerentes financiero y regional.
Fuente: Méndez, A., Mártire, A., et al…………………………………………….. 34

Figura 2.4. Técnica Drilling en datos multidimensionales.
Fuente: Méndez, A. et al…………………………………………………………… 38

Figura 2.5. Modelo de creación de Top Down. Fuente: Firestone, J., 1997…. 41

Figura 2.6. Modelo de creación de Bottom up. Fuente: Firestone, J…………..43

Figura 2.7. Modelo Paralelo. Fuente: Firestone, J……………………………….44

Figura 2.8. Modelo Top down con retroalimentación del usuario.
Fuente: Firestone, J………………………………………………………………… 45

Figura 2.9. Modelo Bottom up con retroalimentación. Fuente: Firestone, J…. 46

Figura 2.10. Modelo Paralelo con retroalimentación. Fuente: Firestone, J…...48

Figura 3.1. Niveles organizacionales y su respectiva toman decisiones.
Fuente: Intelligence & Business Solutions (2007)………………………………. 64

Figura 3.2. Tecnología MOLAP. Fuente: Ibarzabal, J., 2007………………….. 68

Figura 3.3. Tecnología ROLAP. Fuente: Ibarzabal, J…………………………... 68

Figura 3.4. Esquema consistente en el uso de Data Marts
independientes. Fuente: Ibarzabal, J……………………………………………...70

Figura 3.5. Esquema consistente en la creación de un Data warehouse
y a partir de éste se extraigan datamatrs. Fuente: Ibarzabal, J……………….. 71

Figura 3.6. Esquema consistente en la creación de un Data warehouse
con una única capa Usuario. Fuente: Ibarzabal, J……………………………... 72
101

Figura 3.7. Esquema consistente en la creación de un Data warehouse
con varias capas Usuario. Fuente: Ibarzabal, J…………………………………. 73

Figura 4.1.Procesos y Actores del Data Mart. Fuente: Junta de Andalucía….81

Figura 4.2. Cuenta de gastos públicos por aplicación
Fuente: Junta de Andalucía………………………………………………………. 84

Figura 4.3. Resumen de la ejecución de gastos
Fuente: Junta de Andalucía………………………………………………………. 85

Figura 4.4. Cuenta de gastos por programa operativo.
Fuente: Junta de Andalucía………………………………………………………. 87

Figura 4.5. Estado de liquidación de ingresos.
Fuente: Junta de Andalucía………………………………………………………. 87

Figura 4.6. Cuenta de Gastos Públicos.
Fuente: Junta de Andalucía………………………………………………………. 90

Figura 4.7. Ejecución de las Inversiones.
Fuente: Junta de Andalucía………………………………………………………. 90
102
INDICE DE TABLAS

Tabla 1.1 Estratificación de PyMEs.
Fuente: Diario Oficial de la Federación, 2004…………………………………… 11

Tabla 2.1. Diferencias entre OLTP y OLAP.
Fuente: Méndez, A., Mártire, A., Britos, P. Y Garcia-Martínez, R……………...39
103