PROYECTO DE INVESTIGACION

Propuesta de Herramientas económicas para BI y

reducir la perdida de ventajas competitivas en las
PYMES de Honduras

Asesor:
Darlin Madrid, Ph.D.

Previa Opción al Título en el grado de

Licenciatura en Informática Administrativa

Viernes 29 mayo de 2020, San Pero Sula, Cortes Carlos A Barahona

Elaborado por:
Contenido
Autoridades universitarias ............................................................................................................................ 4

Agradecimiento ............................................................................................................................................. 5

Dedicatoria .................................................................................................................................................... 5

Introducción .................................................................................................................................................. 6

1. Planteamiento del problema .................................................................................................................... 7

1.1 Objetivos ............................................................................................................................................. 7

1.1.1 Generales ..................................................................................................................................... 7
1.1.2 Específicos .................................................................................................................................... 7
1.2 Preguntas para la investigación .......................................................................................................... 7
1.3 Justificación ......................................................................................................................................... 8
1.4 Viabilidad ............................................................................................................................................ 8
2. Marco teórico............................................................................................................................................ 9

2.1 El origen de Inteligencia de Negocio................................................................................................... 9

2.1.1 ¿Qué es Business Intelligence? .................................................................................................... 9
2.1.2 Business Intelligence antes de la tecnología................................................................................ 9
2.1.3 Business Intelligence en la era de la tecnología ........................................................................ 10
2.1.4 Business Intelligence en la era de Big Data ................................................................................ 10
2.2 Inteligencia de negocio empresarial ................................................................................................. 11
2.2.1 Ejemplos de inteligencia de negocios: ....................................................................................... 12
2.2.2 Definición ................................................................................................................................... 13
2.2.3 Característica ............................................................................................................................. 14
2.3. Fuentes de datos .............................................................................................................................. 15
2.4. Herramientas de extracción (ETL) .................................................................................................... 15
2.4.1 Extraer ........................................................................................................................................ 16
2.4.2 Transformar ............................................................................................................................... 17
2.4.3 Carga .......................................................................................................................................... 18
2.4.4 Procesamiento ........................................................................................................................... 19
2.4.5 Fase de Extracción en los procesos ETL ..................................................................................... 20

P á g i n a 1 | 88
 2.4.6 Procesos ETL: fase de Transformación....................................................................................... 21
2.4.7 Proceso de Carga: la culminación de los procesos ETL .............................................................. 21
2.4.8 Aplicaciones de los procesos ETL ............................................................................................... 22
2.4.9 Otros usos de los procesos ETL .................................................................................................. 23
2.5 Data Wharehouse ............................................................................................................................. 24
2.5.1 Principales aportaciones de un Datawarehouse ....................................................................... 28
2.6 Big Data ............................................................................................................................................. 29
2.6.1 Definición ................................................................................................................................... 29
2.6.2 Las cinco “Vs” del Big Data ......................................................................................................... 29
2.6.3 Tipos de Big Data........................................................................................................................ 30
2.6.4 Para qué sirve el Big Data en las empresas................................................................................ 31
2.6.5 Los retos del Big Data................................................................................................................. 32
2.7 Data Smart ........................................................................................................................................ 33
2.7.1 definición ................................................................................................................................... 33
2.7.2 ¿Qué es el Smart Data? .............................................................................................................. 33
2.7.3 ¿Para qué se utiliza? .................................................................................................................. 33
2.7.4 A continuación, los principales beneficios de Smart Data: ........................................................ 34
2.8 Analíticas de Negocio ........................................................................................................................ 35
2.8.1 Perspectivas para el análisis de negocios .................................................................................. 35
2.8.2 ¿A qué apunta la Analítica de negocios? ................................................................................... 36
2.8.3 Instrumentos a emplear............................................................................................................. 36
2.9 Reportes ............................................................................................................................................ 36
2.9.1 ¿Qué es un reporte BI (Business Intelligence)? ......................................................................... 37
2.9.2 Diferentes tipos de reportes BI .................................................................................................. 37
2.10 OLAP ................................................................................................................................................ 38
2.10.1 Funciones ................................................................................................................................. 38
2.10.2 Tipos de sistemas OLAP ........................................................................................................... 38
2.10.4 Comparación ............................................................................................................................ 39
2.11 Consultas OLAP ............................................................................................................................... 40
2.12 Cuadro de Mando Integral .............................................................................................................. 41
2.12.1 Diferencia con otras herramientas de Business Intelligence ................................................... 41
2.12.2 Tipos de Cuadros de Mando .................................................................................................... 42
2.13 Sistemas de Soporte a la Decisión (DSS) ......................................................................................... 44

P á g i n a 2 | 88
 2.13.1 Diferencia con otras herramientas de Business Intelligence ................................................... 45
2.13.2 Tipos de Sistemas de Soporte a Decisiones ............................................................................. 46
2.14 Sistemas de Información Ejecutiva (EIS) ......................................................................................... 47
2.15 Los efectos negativos de no contar con business intelligence ....................................................... 48
2.15.1 ejemplos de los efectos a no usar una solución BI .................................................................. 48
2.16 Business Intelligence en las PyMEs ................................................................................................. 50
2.17 Software de explotación de información........................................................................................ 51
3 Marco Metodológico ............................................................................................................................... 52

3.1 Alcance .............................................................................................................................................. 52

3.2 Diseño de Investigación .................................................................................................................... 53
3.3 Hipótesis del proyecto de Investigación ........................................................................................... 53
3.3.1 Hipótesis General ....................................................................................................................... 53
3.4 Selección de la muestra. ................................................................................................................... 55
3.5 Operacionalización de la Variable ..................................................................................................... 56
3.6 Instrumento de recolección de datos ............................................................................................... 63
3.7 Análisis de Fiabilidad ......................................................................................................................... 65
4. Análisis de los datos ................................................................................................................................ 66

4.1 Análisis de los datos .......................................................................................................................... 66

4.1.1 Módulo 2 Conocimiento. ........................................................................................................... 66
4.1.2 Modulo 2 Utilidad ...................................................................................................................... 70
4.1.3 Modulo 3 Interés........................................................................................................................ 77
4.2 Prueba de hipótesis........................................................................................................................... 84
4.3 Conclusiones ............................................................................................................................... 85
4.4 Anexos ............................................................................................................................................... 86
Referencias.................................................................................................................................................. 87

P á g i n a 3 | 88
 Autoridades universitarias

Rector

Dr. Francisco Jose Herrera Alvarado

Director UNAH-VS

Ph. D. Jacobo Paredes Heller

Facultad

Ciencias Económica – Administrativas

Carrera

Licenciatura en Informática Administrativa

Jefe de departamento de Informática Administrativa

Ing. Julio Cesar Hernandez Santiago

Coordinador Académico Informática Administrativa

Lic. Rene Isaías Casulá Rodriguez

P á g i n a 4 | 88
Agradecimiento
Primeramente, agradecer a Dios por haberme acompañado y guiado a lo largo de mi preparación
profesional, brindándome paciencia y sabiduría para culminar con éxito mis metas propuestas.

Agradecer a mi familia por el apoyo y la comprensión para que este objetivo que es uno de los pilares para
alcanzar las metas se realizara después de tantos sacrificios a lo largo de este recorrido.

También agradecer a todos mis compañeros que compartimos y luchamos juntos en cada una de las
materias para poder seguir adelante esforzándonos periodo a periodo para poder llegar a donde estos
ahora.

Agradecer a cada uno de los catedráticos de la UNAH-VS que día a día dedicaron su tiempo y el apoyo
para compartir sus conocimientos en cada una de las materias, en especial al Ing Nazarena Idiaquez, Ing
Julio Cesar Hernandez, Ing Melvin Ramirez, Ing Norman Cubilla.

Por último, al Mae. Darlin Noe Madrid por todo el apoyo y conocimientos que me proporciono para poder
tener la oportunidad de desarrollar esta tesis de investigación con cada uno de sus conocimiento y
experiencia profesional que lo caracteriza y así lograr el éxito de este proyecto.

Dedicatoria
El presente trabajo investigativo lo dedico principalmente a Dios, por ser el inspirador y darme la fuerza
para continuar en este proceso de obtener uno de los anhelos más deseados.

También dedicado a mi familia por haber sido mi apoyo a lo largo de toda mi carrera universitaria, mis
hijos Martha Rashell, Jeancarlos Ariel, Ashlye Kasandra, Kalel Emanuel, mi esposa Sandra Yamileth y mi
Madre Maria Rosario Giron, que son mi fuerza motora para seguir adelante.

P á g i n a 5 | 88
Introducción
Los rápidos cambios que han surgido a partir de la década de los 90s en materia de tecnología y acceso a
la información a través de la internet, en cualquier momento y desde cualquier lugar del mundo, ha hecho
que las organizaciones deban enfrentar desafíos más grandes que en la década pasadas, frente a las
exigencias de sus clientes y al potencial de sus competidores.

Es así que los sistemas de información que ayuden a satisfacer las necesidades de información y apoyen
la toma de decisiones de los administradores y ejecutivos de negocio, se convierte en un activo estratégico
de la organización.

La inteligencia de negocio es una solución que permite organizar y convertir una gran cantidad de datos
de una empresa en información útil, a través de la generación de reportes, pronósticos y escenarios que
ayudan al análisis del negocio y apoyen el proceso de toma de decisión.

Con el crecimiento acelerado del internet, intranets y extranet; el acceso a la información para la toma
de decisión de una empresa ya no se ve limitada solo a los empleados o ejecutivos de una organización,
sino que también es compartida con otras partes comerciales de interés, tales como clientes, proveedores
y socios comerciales.

La inteligencia de negocio se utiliza en diversas áreas de una empresa, tales como: ventas, marketing,
finanzas, Logistica, recursos humanos, etc. La alta gerencia y los tomadores de decisiones se benefician
de su uso y la facilidad con la que pueden realizar muchas de las tareas encomendadas con mayor
facilidad.

Por último, es importante recalcar la inteligencia de negocio aplica para grandes, medianas y pequeña
empresa que cuente con un sistema de información y por lo cual utilizar la inteligencia de negoción como
una herramienta más para que todas las Pymes puede crecer de la misma forma como lo hacen las grandes
corporaciones, con recursos y alternativas opcionales que le permita poder contar con estas ventajas de
análisis para su negocio.

P á g i n a 6 | 88
1. Planteamiento del problema
1.1 Objetivos

1.1.1 Generales
Conocer como la inteligencia de negocios (business intelligence) ayuda al análisis de datos a alcanzar sus
objetivos comerciales en las empresas PYMES

1.1.2 Específicos
Conocer si las Pymes tiene el conocimiento de lo que es BI y si usan esta solución.

Comparar el uso de BI que hace a una empresa sea exitosa y ver si esta solución es necesario para las
empresas en crecimiento como las Pymes.

Determinar los factores a implementar una solución de BI con herramienta de Excel para obtener mejores
resultados en las PYMES.

1.2 Preguntas para la investigación

¿Cuáles es el nivel de conocimiento de BI en las empresas como las PYMES?

¿Cuál es el interés en las Pymes con respecto a BI actualmente?

¿cómo el uso de BI hace que una empresa sea exitosa y ver si esta solución es necesario para las empresas
en crecimiento como las Pymes?

¿Qué factores se consideran, al implementar una solución de BI con herramienta de Excel para obtener
mejores resultados en las PYMES?

P á g i n a 7 | 88
1.3 Justificación
El uso de Herramientas para Inteligencia de negoción tiene una relación directa con la reducción de las
ventajas competitivas y a su vez para mejorar la toma de decisiones en las PYMES de Honduras.

Mostrar la importancia del uso de herramientas de Excel y la combinación de BI para la toma de decisiones
y que no solo está al alcance de grandes corporaciones, sino que de la pequeña y mediana empresa
(PYMES), con alternativas más económicas que presentara el mismo resultado o análisis de las grandes
empresas exitosas.

Permitiendo ser competitivo en este mercado cambiantes, además poder consolidar los datos, centralizar
reportes y tableros de control, conocer el comportamiento de los clientes, potenciar las estrategias de
marketing entre otros.

Por otra parte, estudios muestran como una empresa utilizando soluciones de BI tiene un crecimiento
exponencial ya que de esta forma puede tener el panorama de todas las operaciones que se realizan.

1.4 Viabilidad
Para que este proyecto se viable se realizara con estudiantes de la UNAH-VS de las diversas carreras con
las que cuenta y sectores externos del campus, utilizando una solución para la recolección de la muestra
de datos llamada KOBO, también se cuenta con el conocimiento de implementación de soluciones BI con
herramientas de explotación tales como Power BI, Lumira y Excel, esto ayudara la aceleración del proyecto
y el análisis de los resultados obtenidos.

Nos apoyaremos con información publicada en la web tales como libros digitales, videos tutoriales para
la diversas formas de implementación editoriales publicado para la obtención de información relatada
con la experiencia de empresas que ya cuentan con este tipo de servicio, esta recolección de la
información deberá de tomar las próximas 12 semana la cual será para la validación y corrección de la
información recolectada, contare con el apoyo de colegas que han trabajado o investigado con este tipo
de proyectos.

Por último, la recolección de los datos se tratará de la mayor manera de obtener información de zonas
fueras de la cuidad o áreas rurales, ya que la solución no requiere de internet para realizar el
levantamiento de la información, solo se requiere internet para enviar los datos recolectados.

P á g i n a 8 | 88
2. Marco teórico
2.1 El origen de Inteligencia de Negocio
Business Intelligence a veces es presentada como la más nueva innovación en el mundo de la tecnología
de negocios. Mientras que es cierto que su amplia accesibilidad y aplicación por todo tipo de empresas es
un fenómeno reciente, en realidad la inteligencia de negocios tiene una amplia historia.

2.1.1 ¿Qué es Business Intelligence?

Una sola definición abarca sus múltiples aplicaciones a lo largo de los últimos dos siglos: es el empleo de
estrategias de análisis de datos operativos de negocios. (simetrical, 2018)

Ciertamente, la vasta disponibilidad que ha adquirido en años recientes ha disparado el uso de BI. La
tecnología no solo refina y acelera su efectividad, también la hace accesible a todo tipo de negocios.

2.1.2 Business Intelligence antes de la tecnología

La primera vez que se usó el término "inteligencia de negocios" fue en 1865, en un libro de (Devens, 1865).
El autor narraba una anécdota en la que un banquero, Sir Henry Furnese, lucraba al adquirir y utilizar
información sobre su entorno.

Henry construyó una red de información a lo largo de toda Europa. Con ella, podía adelantarse a su
competencia en la adquisición de noticias sobre batallas y acontecimientos importantes. Posteriormente,
usaba este conocimiento para guiar sus prácticas de negocios.

Ahí, con las estrategias de Sir Henry como las describe Millar, nació la inteligencia de negocios
como existe hoy en día. El principio sigue siendo el mismo: ser el primero en obtener información,
el primero en transformarla en conocimiento y el primero en utilizar ese conocimiento para guiar
actividades empresariales.

Luego, muchos años después, llegaron las computadoras. Con ellas, la recolección y
procesamiento de datos se intensificó exponencialmente y la inteligencia de negocios encontró
y recibió un empujón monumental.

P á g i n a 9 | 88
2.1.3 Business Intelligence en la era de la tecnología

En 1958, Hans Peter Luhn reinterpretó Business Intelligence en el contexto de la tecnología. Luhn
la definió como "la habilidad para aprehender la interrelación de hechos presentados de tal
manera que guían acción hacia un objetivo deseado".

La definición de Luhn no difiere mucho de lo que hacía Sir Henry, pero trajo consigo un factor
clave a la ecuación: propuso el uso de sistemas computacionales para interpretar los hechos. Con
Luhn, la inteligencia de negocios encontró lugar en las tecnologías emergentes de mitad de
siglo.

Cuatro años después, en 1962, el canadiense Kenneth Iverson hace un importante avance para
el futuro del BI. Inventa el primer lenguaje de programación multidimensional, que será la base
para el procesamiento analítico en línea, conocido como OLAP.. Por eso, se le suele llamar el
padre de la inteligencia de negocios.

En la siguiente década, durante los ochenta, hay un avance gracias al reporting y la creación del
concepto de Datawarehouse. Aunque existían potentes sistemas de bases de datos, no había
aplicaciones que lograran realmente facilitar la explotación de la información. Luego, en
septiembre de 1985, Microsoft lanza al mercado Excel 1.0, herramienta que se convierte en la
más popular y ampliamente utilizada. (timemanagerweb, 2017)

Más tarde, hacia finales de la década de los ochentas, Howard Dresner popularizó el término
Business Intelligence. Dresner trabajaba para Gartner, una firma de investigación líder en
tecnología. En su implementación de la inteligencia de negocios, el analista incorporó el uso de
metodologías particulares, así como las necesidades de sistemas de soporte.

2.1.4 Business Intelligence en la era de Big Data

Hacia principios del milenio, la inteligencia de negocios por fin se encontró en manos del
empresario común. Gracias a avances en tecnología, los instrumentos más refinados se han
vuelto herramientas de todos los días para una multitud de negocios.
P á g i n a 10 | 88
Hace siglos, solo alguien tan conectado y adinerado como Sir Henry Furnese podía darse el lujo
de construir una red de información tan nutrida como la suya. Un pequeño emprendedor
simplemente no podía informarse tan pronto o tan eficazmente como él, y por ende nunca le iba
a llegar a los talones.

Hace décadas, solo los investigadores mejor posicionados tenían acceso a las computadoras y
sistemas informáticos para adquirir y procesar información. Si llegaba a manos de empresarios,
era porque ya estaban más que establecidos y porque tenían el capital para invertir en
innovación.

Cuando Hans Peter Luhn propuso la definición moderna de BI, los computadores eran monstruos
gargantones exclusivos a centros de investigación. Cuando Dresner logró penetrar el término en
el mundo de los negocios, sólo las más grandes empresas podían comprar los sistemas, y solo los
más aptos analistas podían interpretar y actuar con la información que encontraban.

La era del Big Data es una revolución para el pequeño y mediano negocio. Ahora, las herramientas
de inteligencia empresarial son accesibles a un capital de inversión modesto, y el retorno de
inversión es evidente de inmediato. Ahora, la interpretación de datos y generación de
conocimiento no requiere un título posdoctoral en informática.

Este es el mejor momento para el emprendedor común. Tiene a su alcance los instrumentos que
antes eran exclusivos a la elite. Tiene en sus manos la capacidad de nivelar el campo y actuar
usando la información al mismo tiempo.

2.2 Inteligencia de negocio empresarial

Según (wikipedia, 2020) Se denomina inteligencia empresarial, inteligencia de negocios,

inteligencia comercial o BI (del inglés business intelligence), al conjunto de estrategias,
aplicaciones, datos, productos, tecnologías y arquitectura técnicas, los cuales están enfocados a
la administración y creación de conocimiento sobre el medio, a través del análisis de los datos
existentes en una organización o empresa.

P á g i n a 11 | 88
También (tableau, 2019) menciona que Inteligencia de negocios es un término que “incluye las
aplicaciones, la infraestructura y las herramientas, así como las prácticas recomendadas que
permiten el acceso y el análisis de la información” (Gartner). Nació a partir de los sistemas de
apoyo a las decisiones de los años sesenta y luego se amplió y desarrolló en los años ochenta. La
inteligencia de negocios surgió junto con los modelos informáticos para la toma de decisiones y
la planificación como una forma de convertir los datos en conclusiones. Aunque la inteligencia
de negocios se ha ido desarrollado con el tiempo, sigue siendo tan importante como siempre.

2.2.1 Ejemplos de inteligencia de negocios:

o Minería de datos
o Generación de informes
o Métricas y valores de referencia de rendimiento
o Análisis descriptivo
o Generación de consultas
o Análisis estadístico
o Visualización de datos
o Preparación de datos

Una interesante definición para inteligencia de negocios o BI, por sus siglas en inglés, según el
Data Warehouse Institute, lo define como la combinación de tecnología, herramientas y procesos
que me permiten transformar mis datos almacenados en información, esta información en
conocimiento y este conocimiento dirigido a un plan o una estrategia comercial. La inteligencia
de negocios debe ser parte de la estrategia empresarial, esta le permite optimizar la utilización
de recursos, monitorear el cumplimiento de los objetivos de la empresa y la capacidad de tomar
buenas decisiones para así obtener mejores resultados.

P á g i n a 12 | 88
En esta otra publicación de (Rouse, 2018) La inteligencia de negocios o inteligencia empresarial
(Business Intelligence, BI) es un proceso impulsado por la tecnología para analizar datos y
presentar información procesable para ayudar a los ejecutivos, gerentes y otros usuarios finales
corporativos a tomar decisiones comerciales informadas.

BI abarca una amplia variedad de herramientas, aplicaciones y metodologías que permiten a las
organizaciones recopilar datos de sistemas internos y fuentes externas; prepararlos para el
análisis; desarrollar y ejecutar consultas contra esos datos; y crear informes, cuadros de mando
(dashboards) y visualizaciones de datos para que los resultados analíticos estén disponibles para
los responsables de la toma de decisiones corporativas, así como para los operarios.

2.2.2 Definición

El término inteligencia empresarial se refiere al uso de datos en una empresa para facilitar la
toma de decisiones. Abarca la comprensión del funcionamiento actual de la empresa, bien como
la anticipación de acontecimientos futuros, con el objetivo de ofrecer conocimientos para
respaldar las decisiones empresariales.

Las herramientas de inteligencia se basan en la utilización de un sistema de información de

inteligencia que se forma con distintos datos extraídos de la producción, con información
relacionada con la empresa o sus ámbitos, y con datos económicos.

Mediante las herramientas y técnicas ETL (del inglés "Extract, transform & Load"), o ETC
(equivalente en Castellano: "extracción, transformación y carga"), se extraen los datos de
distintas fuentes, se depuran y preparan (homogeneización de los datos), para luego cargarlos
en un almacén de datos.

La vida o el periodo de éxito de un software de inteligencia de negocios dependerá únicamente

del éxito de su uso en beneficio de la empresa; si esta empresa es capaz de incrementar su nivel
financiero-administrativo y sus decisiones mejoran la actuación de la empresa, el software de

P á g i n a 13 | 88
inteligencia de negocios seguirá presente mucho tiempo, en caso contrario será sustituido por
otro que aporte mejores y más precisos resultados.

Finalmente, las herramientas de inteligencia analítica posibilitan el modelado de las

representaciones basadas en consultas para crear un cuadro de mando integral que sirve de base
para la presentación de informes.

2.2.3 Característica

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 deben 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.

Estrecha relación con Big Data3. La inteligencia de negocios se relaciona con las ingentes
cantidades de datos con las que nos encontramos en la actualidad.

P á g i n a 14 | 88
2.3. Fuentes de datos

Las fuentes de datos, son las fuentes internas o externas que contienen los datos del negocio y
son el componente principal y del cual se alimenta un sistema de Inteligencia de Negocios. Como
ejemplos de fuentes de datos, se pueden citar: sistemas ERP5, sistemas de Contabilidad, hojas
de cálculo, archivos de texto, datos de páginas web, datos de redes sociales, etc.

2.4. Herramientas de extracción (ETL)

(Espinosa, 2009) ETL son las siglas en inglés de

Extraer, Transformar y Cargar (Extract,
Transform and Load). Es el proceso que permite
a las organizaciones mover datos desde múltiples
fuentes, reformatearlos y limpiarlos, y cargarlos
en otra base de datos, data mart, o data
Warehouse para analizar, o en otro sistema
operacional para apoyar un proceso de negocio.

Los procesos ETL también se pueden utilizar para

la integración con sistemas heredados
(aplicaciones antiguas existentes en las organizaciones que se han de integrar con los nuevos
aplicativos, por ejemplo, ERPs. La tecnología utilizada en dichas aplicaciones puede hacer difícil
la integración con los nuevos programas).

P á g i n a 15 | 88
2.4.1 Extraer

La primera parte del proceso ETL

consiste en extraer los datos desde los
sistemas de origen. La mayoría de los
proyectos de almacenamiento de datos
fusionan datos provenientes de
diferentes sistemas de origen. Cada
sistema separado puede usar una
organización diferente de los datos o
formatos distintos. Los formatos de las
fuentes normalmente se encuentran en bases de datos relacionales o ficheros planos, pero
pueden incluir bases de datos no relacionales u otras estructuras diferentes. La extracción
convierte los datos a un formato preparado para iniciar el proceso de transformación.

Una parte intrínseca del proceso de extracción es la de analizar los datos extraídos, de lo que
resulta un chequeo que verifica si los datos cumplen la pauta o estructura que se esperaba. De
no ser así los datos son rechazados.

Un requerimiento importante que se debe exigir a la tarea de extracción es que ésta cause un
impacto mínimo en el sistema origen. Si los datos a extraer son muchos, el sistema de origen se
podría ralentizar e incluso colapsar, provocando que éste no pueda utilizarse con normalidad
para su uso cotidiano. Por esta razón, en sistemas grandes las operaciones de extracción suelen
programarse en horarios o días donde este impacto sea nulo o mínimo.

P á g i n a 16 | 88
2.4.2 Transformar

La fase de transformación aplica una serie de reglas de

negocio o funciones sobre los datos extraídos para
convertirlos en datos que serán cargados. Algunas
fuentes de datos requerirán alguna pequeña
manipulación de los datos. No obstante, en otros casos
pueden ser necesarias aplicar algunas de las siguientes
transformaciones:

 Seleccionar sólo ciertas columnas para su carga (por ejemplo, que las columnas con valores nulos
no se carguen).
 Traducir códigos (por ejemplo, si la fuente almacena una “H” para Hombre y “M” para Mujer, pero
el destino tiene que guardar “1” para Hombre y “2” para Mujer).
 Codificar valores libres (por ejemplo, convertir “Hombre” en “H” o “Sr” en “1”).
 Obtener nuevos valores calculados (por ejemplo, total venta = cantidad * precio).
 Unir datos de múltiples fuentes (por ejemplo, búsquedas, combinaciones, etc.).
 Calcular totales de múltiples filas de datos (por ejemplo, ventas totales de cada región).
 Generación de campos clave en el destino.
 Transponer o pivotar (girando múltiples columnas en filas o viceversa).
 Dividir una columna en varias (por ejemplo, columna “Nombre: García, Miguel”; pasar a dos
columnas “Nombre: Miguel” y “Apellido: García”).
 La aplicación de cualquier forma, simple o compleja, de validación de datos, y la consiguiente
aplicación de la acción que en cada caso se requiera:
 Datos OK: Entregar datos a la siguiente etapa (Carga).
 Datos erróneos: Ejecutar políticas de tratamiento de excepciones (por ejemplo, rechazar el
registro completo, dar al campo erróneo un valor nulo o un valor centinela).

P á g i n a 17 | 88
2.4.3 Carga

La fase de carga es el momento en el cual los datos de la fase anterior (transformación) son
cargados en el sistema de destino. Dependiendo de los requerimientos de la organización, este
proceso puede abarcar una amplia variedad de acciones diferentes. En algunas bases de datos se
sobrescribe la información antigua con nuevos datos. Los data warehouse mantienen un historial
de los registros de manera que se pueda hacer una auditoría de los mismos y disponer de un
rastro de toda la historia de un valor a lo largo del tiempo.

Existen dos formas básicas de desarrollar el proceso de carga:

 Acumulación simple: La acumulación simple es la más sencilla y común, y consiste en realizar un

resumen de todas las transacciones comprendidas en el período de tiempo seleccionado y
transportar el resultado como una única transacción hacia el data warehouse, almacenando un
valor calculado que consistirá típicamente en un sumatorio o un promedio de la magnitud
considerada.
 Rolling: El proceso de Rolling por su parte, se aplica en los casos en que se opta por mantener
varios niveles de granularidad. Para ello se almacena información resumida a distintos niveles,
correspondientes a distintas agrupaciones de la unidad de tiempo o diferentes niveles jerárquicos
en alguna o varias de las dimensiones de la magnitud almacenada (por ejemplo, totales diarios,
totales semanales, totales mensuales, etc.).

P á g i n a 18 | 88
La fase de carga interactúa directamente con la base de datos de destino. Al realizar esta
operación se aplicarán todas las restricciones y triggers (disparadores) que se hayan definido en
ésta (por ejemplo, valores únicos, integridad referencial, campos obligatorios, rangos de valores).
Estas restricciones y triggers (si están bien definidos) contribuyen a que se garantice la calidad de
los datos en el proceso ETL, y deben ser tenidos en cuenta.

2.4.4 Procesamiento

Un desarrollo reciente en el software ETL es la aplicación de procesamiento paralelo. Esto ha

permitido desarrollar una serie de métodos para mejorar el rendimiento general de los procesos
ETL cuando se trata de grandes volúmenes de datos. Hay 3 tipos principales de paralelismos que
se pueden implementar en las aplicaciones ETL:

 De datos: Consiste en dividir un único archivo secuencial en pequeños archivos de datos para
proporcionar acceso paralelo.

 De segmentación (pipeline): Permitir el funcionamiento simultáneo de varios componentes en el

mismo flujo de datos. Un ejemplo de ello sería buscar un valor en el registro número 1 a la vez
que se suman dos campos en el registro número 2.

 De componente: Consiste en el funcionamiento simultáneo de múltiples procesos en diferentes

flujos de datos en el mismo puesto de trabajo.

Estos tres tipos de paralelismo no son excluyentes, sino que pueden ser combinados para realizar
una misma operación ETL.

Una dificultad adicional es asegurar que los datos que se cargan sean relativamente consistentes.
Las múltiples bases de datos de origen tienen diferentes ciclos de actualización (algunas pueden
ser actualizadas cada poco minuto, mientras que otras pueden tardar días o semanas). En un
sistema de ETL será necesario que se puedan detener ciertos datos hasta que todas las fuentes
estén sincronizadas. Del mismo modo, cuando un almacén de datos tiene que ser actualizado con

P á g i n a 19 | 88
los contenidos en un sistema de origen, es necesario establecer puntos de sincronización y de
actualización.

Otra publicación (powerdata, 2017) define Los procesos ETL son una parte de la integración de
datos, pero es un elemento importante cuya función completa el resultado de todo el desarrollo
de la cohesión de aplicaciones y sistemas.

La palabra ETL corresponde a las siglas en inglés de:

• Extraer: Extract.
• Transformar: transform.
• Y Cargar: load.

Con ello, queremos decir que todo proceso ETL consta precisamente de estas tres fases:
extracción, transformación y carga. Vamos a definir en qué consisten cada una de estas fases.

2.4.5 Fase de Extracción en los procesos ETL

Para llevar a cabo de manera correcta el proceso de extracción, primera fase de los procesos ETL, hay
que seguir los siguientes pasos:

● Extraer los datos desde los sistemas de origen.

● Analizar los datos extraídos obteniendo un chequeo.
● Interpretar este chequeo para verificar que los datos extraídos cumplen la pauta o
estructura que se esperaba. Si no fuese así, los datos deberían ser rechazados.
● Conver r los datos a un formato preparado para iniciar el proceso de transformación

Además, uno de las prevenciones más importantes que se deben tener en cuenta durante el proceso de
extracción sería el exigir siempre que esta tarea cause un impacto mínimo en el sistema de origen.
Este requisito se basa en la práctica ya que, si los datos a extraer son muchos, el sistema de origen se
podría ralentizar e incluso colapsar, provocando que no pudiera volver a ser utilizado con normalidad
para su uso cotidiano.

P á g i n a 20 | 88
2.4.6 Procesos ETL: fase de Transformación

La fase de transformación de los procesos de ETL aplica una serie de reglas de negocio o
funciones sobre los datos extraídos para convertirlos en datos que serán cargados. Estas
directrices pueden ser declarativas, pueden basarse en excepciones o restricciones, pero, para
potenciar su pragmatismo y eficacia, hay que asegurarse de que sean:

● Declara vas.
● Independientes.
● Claras.
● Inteligibles.
● Con una finalidad ú l para el negocio.

2.4.7 Proceso de Carga: la culminación de los procesos ETL

En esta fase, los datos procedentes de la fase anterior (fase de transformación) son cargados en el sistema
de destino. Dependiendo de los requerimientos de la organización, este proceso puede abarcar una
amplia variedad de acciones diferentes.

P á g i n a 21 | 88
Existen dos formas básicas de desarrollar el proceso de carga:

● Acumulación simple: esta manera de cargar los datos consiste en realizar un resumen de todas
las transacciones comprendidas en el período de tiempo seleccionado y transportar el resultado
como una única transacción hacia el data warehouse, almacenando un valor calculado que
consistirá típicamente en un sumatorio o un promedio de la magnitud considerada. Es la forma
más sencilla y común de llevar a cabo el proceso de carga.

● Rolling: este proceso sería el más recomendable en los casos en que se busque mantener varios
niveles de granularidad. Para ello se almacena información resumida a distintos niveles,
correspondientes a distintas agrupaciones de la unidad de tiempo o diferentes niveles
jerárquicos en alguna o varias de las dimensiones de la magnitud almacenada (por ejemplo,
totales diarios, totales semanales, totales mensuales, etc.).

Sea cual sea la manera elegida de desarrollar este proceso, hay que tener en cuenta que esta fase
interactúa directamente con la base de datos de destino y, por eso, al realizar esta operación se
aplicarán todas las restricciones que se hayan definido en ésta. Si están bien definidas, la calidad
de los datos en el proceso ETL estará garantizada.

2.4.8 Aplicaciones de los procesos ETL

Gracias a los procesos ETL es posible que cualquier organización:

 Mueva datos desde una o múltiples fuentes.

 Reformatee esos datos y los limpie, cuando sea necesario.
 Los cargue en otro lugar como una base de datos, un data mart o un data warehouse.
 Una vez alojados en destino, esos datos se analicen.
 O, cuando ya están cargados en su ubicación definitiva, se empleen en otro sistema
operacional, para apoyar un proceso de negocio.

P á g i n a 22 | 88
No obstante, las herramientas ETL no tienen por qué utilizarse sólo en entornos de Data
Warehousing o construcción de un Data Warehouse, sino que pueden ser útiles para multitud de
propósitos, como, por ejemplo:

 Tareas de Bases de datos: que también se utilizan para consolidar, migrar y sincronizar
bases de datos operativas.
 Migración de datos entre diferentes aplicaciones por cambios de versión o cambio de
aplicativos.
 Sincronización entre diferentes sistemas operacionales (por ejemplo, entre nuestro
entorno ERP y la web de ventas).
 Consolidación de datos: sistemas con grandes volúmenes de datos que son consolidados
en sistemas paralelos, ya sea para mantener históricos o para llevar a cabo procesos de
borrado en los sistemas originales.
 Interfases de datos con sistemas externos: como el envío de información a clientes o
proveedores. También servirían para la recepción, proceso e integración de la
información recibida.
 Interfases con sistemas Frontoffice: serían interfases de subida/bajada con sistemas de
venta.
 Otros cometidos: como la actualización de usuarios a sistemas paralelos o la preparación
de procesos masivos (tipo mailings o newsletter).

2.4.9 Otros usos de los procesos ETL

Los procesos ETL no sólo se utilizan cuando sobreviene la aparición de nuevas aplicaciones que
se han de incorporar a las rutinas de la organización, sino que también es frecuente emplearlos
para la integración con sistemas heredados.

Cuando se habla de sistemas heredados se está haciendo referencia a las aplicaciones antiguas
que existen en el entorno de la empresa. Muchas veces, estos sistemas se deben integrar con
nuevos aplicativos, por ejemplo, con ERPs.

P á g i n a 23 | 88
La principal dificultad que puede presentarse en este tipo de situaciones es que la tecnología
utilizada en estas aplicaciones antiguas complica la integración con los nuevos programas y, por
eso, conviene contar con el poyo experto de un buen aliado tecnológico.

2.5 Data Wharehouse

(sinnexus, 2007) Un Datawarehouse es una base de datos corporativa que se caracteriza por
integrar y depurar información de una o más fuentes distintas, para luego procesarla permitiendo
su análisis desde infinidad de perspectivas y con grandes velocidades de respuesta. La creación
de un Datawarehouse representa en la mayoría de las ocasiones el primer paso, desde el punto
de vista técnico, para implantar una solución completa y fiable de Business Intelligence.

Otra definición por parte de (Suárez Rey & Gómez Vieites, 2007) Un Datawarehouse es un gran
repositorio físico de datos estandarizados, que almacena la información histórica de una empresa
y cuyo objetivo principal es apoyar el proceso de toma de decisiones. Las principales
características de un Datawarehouse son:

a) Los datos están orientados a entidades, por ejemplo: productos, clientes, proveedores,
en lugar de estar orientados al proceso.
b) Una vez que los datos son almacenados, éstos no cambian
c) Sus operaciones se reducen únicamente a la captura de datos y consulta de los mismos
d) Presenta información resumida y detallada
e) Las consultas pueden ser de información actual y/o histórica

La ventaja principal de este tipo de bases de datos radica en las estructuras en las que se
almacena la información (modelos de tablas en estrella, en copo de nieve, cubos relacionales...
etc.). Este tipo de persistencia de la información es homogénea y fiable, y permite la consulta y
el tratamiento jerarquizado de la misma (siempre en un entorno diferente a los sistemas
operacionales).

P á g i n a 24 | 88
El término Datawarehouse fue acuñado por primera vez por Bill Inmon, y se traduce literalmente
como almacén de datos. No obstante, y como cabe suponer, es mucho más que eso. Según
definió el propio Bill Inmon, un Datawarehouse se caracteriza por ser:

 Integrado: los datos almacenados en el Datawarehouse deben integrarse en una estructura

consistente, por lo que las inconsistencias existentes entre los diversos sistemas operacionales
deben ser eliminadas. La información suele estructurarse también en distintos niveles de detalle
para adecuarse a las distintas necesidades de los usuarios.
 Temático: sólo los datos necesarios para el proceso de generación del conocimiento del negocio
se integran desde el entorno operacional. Los datos se organizan por temas para facilitar su acceso
y entendimiento por parte de los usuarios finales. Por ejemplo, todos los datos sobre clientes
pueden ser consolidados en una única tabla del Datawarehouse. De esta forma, las peticiones de
información sobre clientes serán más fáciles de responder dado que toda la información reside
en el mismo lugar.
 Histórico: el tiempo es parte implícita de la información contenida en un Datawarehouse. En los
sistemas operacionales, los datos siempre reflejan el estado de la actividad del negocio en el
momento presente. Por el contrario, la información almacenada en el Datawarehouse sirve, entre

P á g i n a 25 | 88
 otras cosas, para realizar análisis de tendencias. Por lo tanto, el Datawarehouse se carga con los
distintos valores que toma una variable en el tiempo para permitir comparaciones.
 No volátil: el almacén de información de un Datawarehouse existe para ser leído, pero no
modificado. La información es por tanto permanente, significando la actualización del
Datawarehouse la incorporación de los últimos valores que tomaron las distintas variables
contenidas en él sin ningún tipo de acción sobre lo que ya existía.

Otra característica del Datawarehouse es que contiene metadatos, es decir, datos sobre los
datos. Los metadatos permiten saber la procedencia de la información, su periodicidad de
refresco, su fiabilidad, forma de cálculo... etc.

Los metadatos serán los que permiten simplificar y automatizar la obtención de la información
desde los sistemas operacionales a los sistemas informacionales.

Los objetivos que deben cumplir los metadatos, según el colectivo al que va dirigido, son:

 Dar soporte al usuario final, ayudándole a acceder al Datawarehouse con su propio

lenguaje de negocio, indicando qué información hay y qué significado tiene. Ayudar a
construir consultas, informes y análisis, mediante herramientas de Business Intelligence
como DSS, EIS o CMI.
 Dar soporte a los responsables técnicos del Datawarehouse en aspectos de auditoría,
gestión de la información histórica, administración del Datawarehouse, elaboración de
programas de extracción de la información, especificación de las interfaces para la
realimentación a los sistemas operacionales de los resultados obtenidos... etc.

Por último, destacar que para comprender íntegramente el concepto de Datawarehouse, es

importante entender cuál es el proceso de construcción del mismo, denominado ETL (Extracción,
Transformación y Carga), a partir de los sistemas operaciones de una compañía:

 Extracción: obtención de información de las distintas fuentes tanto internas como externas.
 Transformación: filtrado, limpieza, depuración, homogeneización y agrupación de la información.
 Carga: organización y actualización de los datos y los metadatos en la base de datos.

P á g i n a 26 | 88
Una de las claves del éxito en la construcción de un Datawarehouse es el desarrollo de forma gradual,
seleccionando a un departamento usuario como piloto y expandiendo progresivamente el almacén de
datos a los demás usuarios. Por ello es importante elegir este usuario inicial o piloto, siendo importante
que sea un departamento con pocos usuarios, en el que la necesidad de este tipo de sistemas es muy alta
y se puedan obtener y medir resultados a corto plazo.

Otro punto de vista de la definición del Datawarehouse es de (Bembibre, 2009) donde dice: El concepto
informático de 'Datawarehouse' hace alusión al proceso mediante el cual una organización o empresa
particular almacena todos aquellos datos e información necesarios para el propio desempeño de la
misma. Se presupone que este tipo de material se organiza de manera tal de facilitar el análisis y la
realización de reportes en las situaciones en que sea necesario hacerlo. Contar con un fácil acceso a los
datos de importancia tendrá directa relación con la efectividad de las diversas tareas de la empresa.

El concepto de Datawarehouse nace en la década de los 80 en la empresa IBM. Los investigadores que la
desarrollaron buscaban establecer un sistema que permitiera un manejo fluido y permanente de datos
que fuera al mismo tiempo organizado de acuerdo a necesidades específicas. Estos datos podían ser de
muy variado tipo y abarcar diferentes áreas de la empresa. De este modo, no sólo se ahorraría tiempo y
energía sino también los altos costos monetarios de los sistemas previamente utilizados.

El sistema Datawarehouse o de almacén de datos se maneja a través de dos conceptos centrales: el de

integración y combinación de diferentes tipos de datos que son utilizados en diferentes áreas y espacios
de la organización, por un lado, y el de separación y selección de esa misma información de acuerdo a las
necesidades específicas de cada usuario o sección de la empresa.

P á g i n a 27 | 88
Normalmente, cuando se habla de Datawarehouse se hace referencia a un sistema que está organizado
en base a temas o asignaturas especiales, que permite entonces que los datos y la información de mismo
tipo quede siempre conectada. Del mismo modo, es un sistema que puede evolucionar con el tiempo y
asimilar los cambios en la información de manera tal que cada nuevo acceso refleje las diferencias
necesarias. También se define como un sistema de tipo volátil porque no se pierde nunca ningún tipo de
información, lo cual hace más fácil recurrir a datos antiguos o que no estaban en uso. Finalmente, se dice
que el Datawarehouse es un sistema integrado ya que está diseñado para funcionar y ser útil a todas las
áreas de la organización. Esto es así ya que muchas veces la información de una sección en particular
puede ser necesaria para otras áreas de la empresa.

2.5.1 Principales aportaciones de un Datawarehouse

 Proporciona una herramienta para la toma de decisiones en cualquier área funcional, basándose
en información integrada y global del negocio.
 Facilita la aplicación de técnicas estadísticas de análisis y modelización para encontrar relaciones
ocultas entre los datos del almacén; obteniendo un valor añadido para el negocio de dicha
información.
 Proporciona la capacidad de aprender de los datos del pasado y de predecir situaciones futuras
en diversos escenarios.
 Simplifica dentro de la empresa la implantación de sistemas de gestión integral de la relación con
el cliente.
 Supone una optimización tecnológica y económica en entornos de Centro de Información,
estadística o de generación de informes con retornos de la inversión espectaculares.

P á g i n a 28 | 88
2.6 Big Data
2.6.1 Definición

En definitiva, cuando hablamos de Big Data no nos referimos únicamente a los datos, sino sobre todo a la
capacidad de poderlos explotar para extraer información y conocimiento de valor para nuestro negocio.
Según (Carisio, 2018) La finalidad del Big Data es poder diseñar nuevos productos y servicios basándose
en los nuevos insights que adquirimos sobre nuestros clientes, sobre nuestra competencia o el mercado
en general.

Una vez recogida y almacenada la información, se deben extraer indicadores que puedan ser útiles para
tomar decisiones, incluso en tiempo real. Por lo tanto, la verdad sobre qué es Big Data y para qué sirve
va mucho más allá de solo pensar en datos masivos.

2.6.2 Las cinco “Vs” del Big Data

La primera pregunta que nos viene a la mente al considerar qué es Big Data y para qué sirve, está
relacionada con cuánto de “grande” tienen que ser los datos para ser considerados “Big”. Finalmente, el
enfoque correcto está en no establecer un tamaño en absoluto, sino relativo. Lo que ahora puede
parecernos un gran tamaño de datos, en dos o tres años puede ser normal o hasta irrelevante. La mayoría
de expertos definen el Big Data en términos de las cinco “Vs”:

 Volumen: como hemos visto, la cantidad de datos se define “Big” no cuando supera un tamaño
definido, sino cuando su almacenamiento, procesamiento y explotación empieza a ser un reto
para una organización.
 Velocidad: la segunda característica del Big Data está relacionada con el ritmo a los cuales los
datos se están generando, que suele aumentar constantemente y que necesita una respuesta en
tiempo real por parte de las empresas.
 Variedad: sin embargo, el reto principal del Big Data reside en la gran diferencia de formatos
distintos en los cuales encontramos los datos y que pueden ir desde texto sencillo, a imágenes,
videos, hojas de cálculos y enteras bases de datos.
 Veracidad: además, los datos tienen que ser confiables y han que ser mantenidos limpios. Una
gran cantidad de datos no tiene valor si son incorrectos y puede ser altamente perjudicial, sobre
todo en la toma de decisión automatizada.

P á g i n a 29 | 88
  Valor: finalmente, los datos y su análisis tienen que generar un beneficio para las empresas.

2.6.3 Tipos de Big Data

Para profundizar en qué es Big Data y para qué sirve, es necesario saber también que existen distintos
tipos de datos asociados a esta técnica.

A la hora de clasificar los “grandes datos” podemos hacerlo según dos criterios: procedencia y estructura.
Así, según su procedencia, los datos pueden llegar desde distintas fuentes, entre otras:

 Web y Redes Sociales: información disponible en Internet como contenido Web, generada por
los usuarios en su actividad en las redes sociales o información de búsquedas en buscadores.
 Machine-to-Machine (M2M): datos generados a partir de la comunicación entre sensores
inteligentes integrados en objetos de uso cotidiano.
 Transacciones: incluye registros de facturación, llamadas o transacciones entre cuentas.
 Biométricos: datos generados por tecnología de identificación de personas mediante
reconocimiento facial, de huellas dactilares o mediante información genética.
 Generados por personas: a través de correos electrónicos, servicios de mensajería o grabaciones
de llamadas.
 Generados por organizaciones tanto públicas como privadas: datos relacionados con el
medioambiente, estadísticas gubernamentales sobre población y economía, historiales clínicos
electrónicos, etc.

Por otro lado, según su estructura, los datos pueden ser:

 Estructurados: datos que tienen definidos su formato, tamaño y longitud, como las bases de datos
relacionales o Data Warehouse.
 Semiestructurados: datos almacenados según una cierta estructura flexible y con metadatos
definidos, como XML y HTML, JSON, y las hojas de cálculo (CSV, Excel).
 No estructurados: datos sin formato específico, como ficheros de texto (Word, PDF, correos
electrónicos) o contenido multimedia (audio, vídeo, o imágenes).

P á g i n a 30 | 88
2.6.4 Para qué sirve el Big Data en las empresas

Una vez hayamos aceptado que los datos han venido para quedarse, la siguiente pregunta es sobre las
ventajas que pueden representar para nuestra organización. En este sentido, un estudio llevado a cabo
por Bain & Company demuestra de forma clara las ventajas competitivas que pueden obtener las
empresas early adopter del Big Data. Estas empresas que han entendido qué es Big Data y para qué sirve
tienen:

 Dos veces más probabilidades de obtener un rendimiento financiero superior que la media de
sus industrias.
 Cinco veces más probabilidades de tomar decisiones mucho más rápido que sus competidores.
 Tres veces más probabilidades de ejecutar las decisiones según lo previsto.
 El doble de probabilidades de tomar decisiones basadas en datos.

Para entender de modo práctico qué es Big Data y para qué sirve, veamos algunos ejemplos reales de su
uso:

1. Marketing: segmentación de clientes. Muchas empresas usan datos masivos para adaptar sus
productos y servicios a las necesidades de sus clientes, optimizar operaciones e infraestructuras,
y encontrar nuevos campos de negocio.
2. Deportes: optimización del rendimiento. Dispositivos como los Smart watches registran
automáticamente datos como el consumo de calorías o los niveles de acondicionamiento físico.
3. Salud pública: codificación de material genético. Por ejemplo, existen plataformas de análisis del
Big Data que se dedican a descodificar cadenas de ADN para comprender mejor las enfermedades
y encontrar nuevos tratamientos.
4. Nuevas tecnologías: desarrollo de dispositivos autónomos. El análisis de datos masivos puede
contribuir a mejorar máquinas y dispositivos, y hacerlos más autónomos. Un ejemplo son los
coches inteligentes.
5. Seguridad: detección y prevención de crímenes. Los cuerpos de seguridad usan el Big Data para
localizar a criminales o prevenir actividades delictivas como los ataques cibernéticos.

P á g i n a 31 | 88
2.6.5 Los retos del Big Data

Hoy en día, ninguna empresa puede ignorar el tema de qué es Big Data y para qué sirve, pues las
implicaciones que esta tecnología puede tener sobre los negocios son muchas. Sin embargo, se trata de
un concepto relativamente nuevo y en continua evolución, y no son pocos los retos a los cuales se
enfrentan las organizaciones a la hora de relacionarse con los grandes datos. Entre ellos:

 La tecnología: las herramientas Big Data cono Hadoop no son tan fáciles de administrar y
requieren profesionales de datos especializados además de importantes recursos para el
mantenimiento.
 La escalabilidad: un proyecto de Big Data puede crecer con grande velocidad, por lo cual una
empresa tiene que tenerlo en cuenta a la hora de asignar los recursos para que el proyecto no
sufra interrupciones y el análisis sea continuo.
 El talento: los perfiles necesarios para el Big Data escasean y las empresas se encuentran frente
al reto de encontrar a los profesionales adecuados y, al mismo tiempo, de formar a sus empleados
sobre este nuevo paradigma.
 Los actionable insights: frente a la cantidad de datos, el reto para una empresa es identificar
objetivos de negocio claros y analizar los datos apropiados para alcanzarlos.
 La calidad de datos: como hemos visto anteriormente es necesario mantener a los datos limpios
para que la toma de decisión se base en datos de calidad.
 Los costes: los datos seguirán creciendo, por lo cual es importante dimensionar correctamente
los costes de un proyecto de Big Data, teniendo en cuenta tanto las instalaciones y personal propio
como la contratación de proveedores.
 La seguridad: finalmente, es necesario mantener seguro el acceso a los datos, lo que se consigue
con autenticación de usuarios, restricciones de acceso, cifrado de datos en tránsito o
almacenados y cumpliendo las principales normativas de protección de datos.

Hemos visto los grandes beneficios del Big Data para las empresas, así como los principales retos de su
implementación. Ahora, ya sabes qué es Big Data y para qué sirve. Aquellas organizaciones que sepan
tener en cuenta de estos factores podrán poner en marcha proyectos de Big Data exitosos y obtendrán
una ventaja competitiva significativa a la hora de crear nuevos productos y servicios.

P á g i n a 32 | 88
2.7 Data Smart
2.7.1 definición
El Smart data nace como necesidad de transformar las grandes cantidades de datos en una información
verdaderamente útil para la posterior toma de decisiones. Podríamos decir básicamente que es aportar
un valor o conocimiento a los datos para que guíen a la empresa en la posterior realización de sus
estrategias de negocio. Aporta inteligencia a la información del big data.

2.7.2 ¿Qué es el Smart Data?

Big Data se transforma en Smart Data cuando se recopila y optimiza, respondiendo a necesidades
específicas de la industria y a la organización individual.

Entonces, Smart Data es el modo eficiente de recopilar y procesar datos para transformarlos
en información de valor.

2.7.3 ¿Para qué se utiliza?

Por lo tanto, si el Big Data tiene que ver con el volumen, la velocidad y la variedad, estos
datos inteligentes se centran en la creación de valor, significado y precisión
(veracidad) para algún tipo de propósito o resultado.

A fin de cuentas, es la forma de obtener esa información crítica que ayude a tomar
decisiones importantes.

P á g i n a 33 | 88
2.7.4 A continuación, los principales beneficios de Smart Data:

1. La transparencia ayuda a una comprensión holística del cliente

Es crucial entender todos los procesos de manera integral. La optimización

de secciones individuales sin tener en cuenta la imagen completa
probablemente sería contraproducente.

2. El control de marketing "más cercano y a tiempo real" aumenta la

eficiencia

La transparencia puede ayudar a las empresas a aumentar continuamente su eficiencia. Idealmente, esto
sucede a través de un proceso de aprendizaje iterativo.

El objetivo no es aumentar de inmediato el ROI, sino mejorar gradualmente y obtener una mejor
comprensión del cliente. Esto conducirá a una mejor gestión de la marca y, por ende, a una mejor
experiencia de marca para los clientes.

3. La planificación de mercadotecnia basada en datos abre el camino

A través del aprendizaje y las eficiencias creadas, se puede ahorrar dinero, que a su vez se puede usar
para crear contenido original e interesante e implementar innovaciones que mejoren la experiencia del
cliente.

Tanto el mejor contenido como las innovaciones específicas, fundamentadas en decisiones

de marketing basadas en datos, allanan el camino desde el tráfico de medios pagados al tráfico de medios
propios. Además, tanto en línea como sin conexión. (Egido, 2019)

P á g i n a 34 | 88
2.8 Analíticas de Negocio
Es una práctica orientada a la búsqueda continua y sistemática de los datos relativos a una empresa a
partir de procedimientos estadísticos. La información se utiliza para la toma de decisiones y optimizar los
procesos de la empresa.

A diferencia de la Inteligencia de negocios (BI), la Analítica de negocios (BA, Business Analytics) pone su
atención sólo en el desarrollo de los modelos de análisis descriptivos.

Ello convierte a la Analítica de negocios en un área más técnica y menos estratégica, valiéndose de la
simulación de situaciones con las cuales realizar predicciones.

También se diferencia de la Ciencia de datos, haciendo preguntas más específicas y cerradas que no
implican métodos estadísticos avanzados. Aunque puede requerir, en ocasiones de la Ciencia de datos.

La Analítica de negocios forma parte de la Inteligencia de negocios, y no al revés.

Desde una perspectiva técnica, la Analítica de negocios tiene un comportamiento similar a las estrategias
de mantenimiento, buscando anticiparse a situaciones futuras para valerse de ellas o evitarlas.

De esa forma, se emplean herramientas de análisis y se toman en cuenta tendencias para aprovechar
oportunidades en el mercado.

2.8.1 Perspectivas para el análisis de negocios

Existen varios tipos de análisis de negocios, entre los que se encuentran:

 El descriptivo: Busca determinar el estado actual de la empresa en base a los indicadores clave
de rendimiento.
 El prescriptivo: Se basa en el rendimiento de la empresa para recomendar acciones que den
solución a situaciones iguales en el futuro.
 El predictivo: Emplea tendencias estadísticas para determinar la probabilidad de eventos futuros.

P á g i n a 35 | 88
2.8.2 ¿A qué apunta la Analítica de negocios?

Dentro de la empresa, la Analítica de negocios atenderá a cada una de las áreas involucradas en la
actividad productiva, registrando y analizando los datos de manera focalizada.

Visto así, su acción está orientada hacia lo interno de la organización, mientras que la Inteligencia de
negocios utiliza todo esto para plantearse las estrategias hacia lo externo, hacia el mercado.

La operativa de la Analítica de negocios se puede esquematizar de la siguiente manera:

 Se fijan los objetivos de las acciones a realizar.

 Se recolectan datos predefinidos y de calidad para la toma de decisiones. Esto se hace con criterio
de frecuencia, es decir, cada cuánto tiempo se deben registrar y levantar.
 Luego se procesa la información digital, se analiza, interpreta y se realizan simulaciones.
 Presentación y comunicación de los hallazgos y resultados para la toma de decisiones.

2.8.3 Instrumentos a emplear

El instrumental que se puede emplear, o el conjunto de aplicaciones y herramientas, conjuga software

para la visualización de los datos y creación de informes, herramientas de análisis estadístico, minería de
datos, Big data y modelos de análisis predictivo.

La Analítica de negocios es entonces, una disciplina funcional que toda empresa debe considerar y
manejar para el desarrollo de proyectos y planes comerciales que apunten al mejoramiento y crecimiento
de las organizaciones. (Egafutura, 2019)

2.9 Reportes
Un informe devuelve un conjunto de registros que cumple determinados criterios y lo muestra en filas y
columnas organizadas. Los datos de los informes se pueden filtrar, agrupar y mostrar como un gráfico. Los
informes se guardan en carpetas, que controlan el acceso de los usuarios. Consulte Informe tabular,
Informe de resumen e Informe matricial.
(Egafutura, 2019).

P á g i n a 36 | 88
2.9.1 ¿Qué es un reporte BI (Business Intelligence)?
A diferencia del reporte integrado al sistema, el reporte BI (Business Intelligence) es un tipo de reporte
que se muestra en una aplicación WEB dentro del explorador de Internet. Un ejemplo de esto es la
interface de Microsoft SQL Server Reporting Services. Para ver este tipo de reportes, no es necesario
correr el sistema. En cambio, para ver este tipo de reportes, el usuario deberá de entrar al explorador de
Internet (por ejemplo, Microsoft Internet Explorer) y deberá de tener previamente configurados los
permisos para usarlos. Dentro de estos tipos de reportes, el usuario podrá aplicar filtros antes de procesar
el reporte y una vez obtenidos los datos deseados, el usuario podrá exportarlos a diferentes tipos de
archivos (como CSV, XLS, DOC, etc.) o bien imprimirlos. Dentro de estos reportes hay mayor diversidad de
interfaces, por ejemplo: reportes agrupados, gráficas de diversos tipos, listas cuadriculadas, medidores,
tableros indicadores etc. Normalmente este tipo de reportes son usados por los gerentes de los negocios
para obtener indicadores específicos que les ayudarán a tomar decisiones. Para contar con este tipo de
reportes es indispensable contratar el servicio de bases de datos SQL Server en la nube.

(C.V., Hardware Software e Inteligencia S.A. de C.V., 2017)

2.9.2 Diferentes tipos de reportes BI

No existe un solo tipo de reporte BI, por eso, una plataforma de reportes efectiva consiste en varios tipos
de aplicaciones de reportes BI como los siguientes:

 Gestión de desempeño empresarial

 Herramientas de Procesamiento Analítico en Línea
 Herramientas de reportes
 Consolidación y Planificación
 Análisis Predictivo
 Descubrimiento Empresarial
 Análisis de Información
 Extracción de Datos

P á g i n a 37 | 88
2.10 OLAP

Según la Wikipedia (wikipedia, 2020), OLAP es:

OLAP es el acrónimo en inglés de procesamiento analítico en

línea (On-Line Analytical Processing). Es una solución utilizada en el
campo de la llamada inteligencia empresarial (o Business Intelligence)
cuyo objetivo es agilizar la consulta de grandes cantidades de datos.
Para ello utiliza estructuras multidimensionales (o cubos OLAP) que
contienen datos resumidos de grandes bases de datos o Sistemas
Transaccionales (OLTP). Se usa en informes de negocios de ventas,
marketing, informes de dirección, minería de datos y áreas similares.

La razón de usar OLAP para las consultas es la rapidez de respuesta. Una base de datos relacional
almacena entidades en tablas discretas si han sido normalizadas. Esta estructura es buena en un sistema
OLTP pero para las complejas consultas multitabla es relativamente lenta. Un modelo mejor para
búsquedas (aunque peor desde el punto de vista operativo) es una base de datos multidimensional.

La principal característica que potencia a OLAP, es que es lo más rápido a la hora de ejecutar sentencias
SQL de tipo SELECT, en contraposición con OLTP que es la mejor opción para operaciones de tipo INSERT,
UPDATE Y DELETE

2.10.1 Funciones

En la base de cualquier sistema OLAP se encuentra el concepto de cubo OLAP (también llamado cubo
multidimensional o hipercubo). Se compone de hechos numéricos o medidas, que se clasifican por
dimensiones. El cubo de metadatos es típicamente creado a partir de un esquema en estrella o copo de
nieve, esquema de las tablas en una base de datos relacional. Las medidas se obtienen de los registros de
una tabla de hechos y las dimensiones se derivan de la dimensión de los cuadros.

2.10.2 Tipos de sistemas OLAP

Tradicionalmente, los sistemas OLAP se clasifican según las siguientes categorías:

P á g i n a 38 | 88
2.10.2.1 ROLAP
Implementación OLAP que almacena los datos en un motor relacional. Típicamente, los datos son
detallados, evitando las agregaciones y las tablas se encuentran desnormalizadas. Los esquemas más
comunes sobre los que se trabaja son estrella o copo de nieve, aunque es posible trabajar sobre cualquier
base de datos relacional. La arquitectura está compuesta por un servidor de banco de datos relacional y
el motor OLAP se encuentra en un servidor dedicado. La principal ventaja de esta arquitectura es que
permite el análisis de una enorme cantidad de datos.

2.10.2.2 MOLAP
Esta implementación OLAP almacena los datos en una base de datos multidimensional. Para optimizar los
tiempos de respuesta, el resumen de la información es usualmente calculado por adelantado. Estos
valores precalculados o agregaciones son la base de las ganancias de desempeño de este sistema. Algunos
sistemas utilizan técnicas de compresión de datos para disminuir el espacio de almacenamiento en disco
debido a los valores precalculados.

2.10.2.3 HOLAP (Hybrid OLAP)

Almacena algunos datos en un motor relacional y otros en una base de datos multidimensional.

2.10.4 Comparación

Cada sistema OLAP tiene ciertos beneficios (aunque existe desacuerdo acerca de las características
específicas de los beneficios entre los proveedores).

Algunas implementaciones MOLAP son propensas a la "explosión" de la base de datos; este fenómeno
provoca la necesidad de grandes cantidades de espacio de almacenamiento para el uso de una base de
datos MOLAP cuando se dan ciertas condiciones: elevado número de dimensiones, resultados
precalculados y escasos datos multidimensionales. Las técnicas habituales de atenuación de la explosión
de la base de datos no son todo lo eficientes que sería deseable.

Por lo general MOLAP ofrece mejor rendimiento debido a la especializada indexación y a las
optimizaciones de almacenamiento. MOLAP también necesita menos espacio de almacenamiento en
comparación con los especializados ROLAP porque su almacenamiento especializado normalmente
incluye técnicas de compresión.

P á g i n a 39 | 88
ROLAP es generalmente más escalable. Sin embargo, el gran volumen de preprocesamiento es difícil de
implementar eficientemente por lo que con frecuencia se omite; por tanto, el rendimiento de una
consulta ROLAP puede verse afectado.

Desde la aparición de ROLAP van apareciendo nuevas versiones de bases de datos preparadas para
realizar cálculos, las funciones especializadas que se pueden utilizar tienen más limitaciones.

HOLAP (OLAP Híbrido) engloba un conjunto de técnicas que tratan de combinar MOLAP y ROLAP de la
mejor forma posible. Generalmente puede pre-procesar rápidamente, escala bien, y proporciona una
buena función de apoyo.

2.11 Consultas OLAP

Una vez que se tiene armado el cubo, los usuarios pueden realizar diferentes operaciones para poder
visualizar y analizar sus datos. Las operaciones que se pueden realizar son:

Roll Down -Drill Down: Ir desde un nivel alto de resumen hasta un bajo nivel de resumen o datos
detallados. Por ejemplo, Para una categoría de producto particular, encontrar el detalle de ventas para
cada vendedor por fecha.

Roll up (Consolidación): Resume datos dentro de una jerarquía de dimensión. Por ejemplo, si se sabe el
volumen total de ventas por ciudad, es posible agregar sobre la ubicación para obtener las ventas por
provincia.

Expand: Expandir un determinado nivel de información.

Collapse: Anular la expansión de un nivel de informaciónRotación: Selecciona el orden de visualización

de las dimensiones, rota o gira el cubo según sus dimensiones.

P á g i n a 40 | 88
2.12 Cuadro de Mando Integral

El Cuadro de Mando Integral (CMI), también conocido como Balanced Scorecard (BSC) o dashboard, es
una herramienta de control empresarial que permite establecer y monitorizar los objetivos de una
empresa y de sus diferentes áreas o unidades.

También se puede considerar como una aplicación que ayuda a una compañía a expresar los objetivos e
iniciativas necesarias para cumplir con su estrategia, mostrando de forma continuada cuándo la empresa
y los empleados alcanzan los resultados definidos en su plan estratégico.

2.12.1 Diferencia con otras herramientas de Business Intelligence

El Cuadro de Mando Integral se diferencia de
otras herramientas de Business Intelligence,
como los Sistemas de Soporte a la Decisión
(DSS) o los Sistemas de Información Ejecutiva
(EIS), en que está más orientados al
seguimiento de indicadores que al análisis
minucioso de información. Por otro lado, es
muy común que un CMI sea controlado por la dirección general de una compañía, frente a otras
herramientas de Business Intelligence más enfocadas a la dirección departamental. El CMI requiere, por
tanto, que los directivos analicen el mercado y la estrategia para construir un modelo de negocio que
refleje las interrelaciones entre los diferentes componentes de la empresa (plan estratégico). Una vez que
lo han construido, los responsables de la organización utilizan este modelo como mapa para seleccionar
los indicadores del CMI.

P á g i n a 41 | 88
2.12.2 Tipos de Cuadros de Mando

2.12.2.1 El Cuadro de Mando Operativo (CMO)

es una herramienta de control enfocada al seguimiento de variables operativas, es decir, variables

pertenecientes a áreas o departamentos específicos de la empresa. La periodicidad de los CMO puede ser
diaria, semanal o mensual, y está centrada en indicadores que generalmente representan procesos, por
lo que su implantación y puesta en marcha es más sencilla y rápida. Un CMO debería estar siempre ligado
a un DSS (Sistema de Soporte a Decisiones) para indagar en profundidad sobre los datos.

2.12.2.2 El Cuadro de Mando Integral (CMI)

por el contrario, representa la ejecución de la estrategia de una compañía desde el punto de vista de la
Dirección General (lo que hace que ésta deba estar plenamente involucrada en todas sus fases, desde la
definición a la implantación). Existen diferentes tipos de cuadros de mando integral, si bien los más
utilizados son los que se basan en la metodología de Kaplan & Norton. Las principales características de
esta metodología son que utilizan tanto indicadores financieros como no financieros, y que los objetivos
estratégicos se organizan en cuatro áreas o perspectivas: financiera, cliente, interna y
aprendizaje/crecimiento.

2.12.2.3 La perspectiva financiera

incorpora la visión de los accionistas y mide la creación de valor de la empresa. Responde a la pregunta:
¿Qué indicadores tienen que ir bien para que los esfuerzos de la empresa realmente se transformen en
valor? Esta perspectiva valora uno de los objetivos más relevantes de organizaciones con ánimo de lucro,
que es, precisamente, crear valor para la sociedad.

2.12.2.4 La perspectiva del cliente

refleja el posicionamiento de la empresa en el mercado o, más concretamente, en los segmentos de

mercado donde quiere competir. Por ejemplo, si una empresa sigue una estrategia de costes es muy
posible que la clave de su éxito dependa de una cuota de mercado alta y unos precios más bajos que la
competencia. Dos indicadores que reflejan este posicionamiento son la cuota de mercado y un índice que
compare los precios de la empresa con los de la competencia.
P á g i n a 42 | 88
2.12.2.5 La perspectiva interna

recoge indicadores de procesos internos que son críticos para el posicionamiento en el mercado y para
llevar la estrategia a buen puerto. En el caso de la empresa que compite en coste, posiblemente los
indicadores de productividad, calidad e innovación de procesos sean importantes. El éxito en estas
dimensiones no sólo afecta a la perspectiva interna, sino también a la financiera, por el impacto que tienen
sobre las rúbricas de gasto.

2.12.2.6 La perspectiva de aprendizaje y crecimiento

es la última que se plantea en este modelo de CMI. Para cualquier estrategia, los recursos materiales y las
personas son la clave del éxito. Pero sin un modelo de negocio apropiado, muchas veces es difícil apreciar
la importancia de invertir, y en
épocas de crisis lo primero que se
recorta es precisamente la fuente
primaria de creación de valor: se
recortan inversiones en la mejora y
el desarrollo de los recursos.

Pese a que estas cuatro son las

perspectivas más genéricas, no son
"obligatorias". Por ejemplo, una
empresa de fabricación de ropa deportiva tiene, además de la perspectiva de clientes, una perspectiva de
consumidores. Para esta empresa son tan importantes sus distribuidores como sus clientes finales.

Una vez que se tienen claros los objetivos de cada perspectiva, es necesario definir los indicadores que se
utilizan para realizar su seguimiento. Para ello, debemos tener en cuenta varios criterios: el primero es
que el número de indicadores no supere los siete por perspectiva, y si son menos, mejor. La razón es que
demasiados indicadores difuminan el mensaje que comunica el CMI y, como resultado, los esfuerzos se
dispersan intentando perseguir demasiados objetivos al mismo tiempo. Puede ser recomendable durante
el diseño empezar con una lista más extensa de indicadores. Pero es necesario un proceso de síntesis para
disponer de toda la fuerza de esta herramienta.

P á g i n a 43 | 88
No obstante, la aportación que ha convertido al CMI en una de las herramientas más significativas de los
últimos años es que se cimenta en un modelo de negocio. El éxito de su implantación radica en que el
equipo de dirección se involucre y dedique tiempo al desarrollo de su propio modelo de negocio.

2.12.2.7 Beneficios de la implantación de un Cuadro de Mando Integral

 La fuerza de explicitar un modelo de negocio y traducirlo en indicadores facilita el consenso en

toda la empresa, no sólo de la dirección, sino también de cómo alcanzarlo.
 Clarifica cómo las acciones del día a día afectan no sólo al corto plazo, sino también al largo plazo.
 Una vez el CMI está en marcha, se puede utilizar para comunicar los planes de la empresa, aunar
los esfuerzos en una sola dirección y evitar la dispersión. En este caso, el CMI actúa como un
sistema de control por excepción.
 Permita detectar de forma automática desviaciones en el plan estratégico u operativo, e incluso
indagar en los datos operativos de la compañía hasta descubrir la causa original que dio lugar a
esas desviaciones.

2.13 Sistemas de Soporte a la Decisión (DSS)

Un es una herramienta de Business

Intelligence enfocada al análisis de los datos
de una organización.

En principio, puede parecer que el análisis de

datos es un proceso sencillo, y fácil de
conseguir mediante una aplicación hecha a
medida o un ERP sofisticado. Sin embargo, no
es así: estas aplicaciones suelen disponer de
una serie de informes predefinidos en los que
presentan la información de manera estática, pero no permiten profundizar en los datos, navegar entre
ellos, manejarlos desde distintas perspectivas... etc.

El DSS es una de las herramientas más emblemáticas del Business Intelligence ya que, entre otras
propiedades, permiten resolver gran parte de las limitaciones de los programas de gestión. Estas son
algunas de sus características principales:
P á g i n a 44 | 88
Informes dinámicos, flexibles e interactivos, de manera que el usuario no tenga que ceñirse a los listados
predefinidos que se configuraron en el momento de la implantación, y que no siempre responden a sus
dudas reales.

No requiere conocimientos técnicos. Un usuario no técnico puede crear nuevos gráficos e informes y
navegar entre ellos, haciendo drag&drop o drill through. Por tanto, para examinar la información
disponible o crear nuevas métricas no es imprescindible buscar auxilio en el departamento de informática.

Rapidez en el tiempo de respuesta, ya que la base de datos subyacente suele ser un Datawarehouse
corporativo o un datamart, con modelos de datos en estrella o copo de nieve. Este tipo de bases de datos
están optimizadas para el análisis de grandes volúmenes de información (véase análisis OLTP-OLAP).

Integración entre todos los sistemas/departamentos de la compañía. El proceso de ETL previo a la

implantación de un Sistema de Soporte a la Decisión garantiza la calidad y la integración de los datos entre
las diferentes unidades de la empresa. Existe lo que se llama: integridad referencial absoluta.

Cada usuario dispone de información adecuada a su perfil. No se trata de que todo el mundo tenga
acceso a toda la información, sino de que tenga acceso a la información que necesita para que su trabajo
sea lo más eficiente posible (sinnexus, 2007).

Disponibilidad de información histórica. En estos sistemas está a la orden del día comparar los datos
actuales con información de otros períodos históricos de la compañía, con el fin de analizar tendencias,
fijar la evolución de parámetros de negocio... etc.

2.13.1 Diferencia con otras herramientas de Business Intelligence

El principal objetivo de los Sistemas de Soporte a Decisiones es, a diferencia de otras herramientas como
los Cuadros de Mando (CMI) o los Sistemas de Información Ejecutiva (EIS), explotar al máximo la
información residente en una base de datos corporativa (Datawarehouse o datamart), mostrando
informes muy dinámicos y con gran potencial de navegación, pero
siempre con una interfaz gráfica amigable, vistosa y sencilla.

Otra diferencia fundamental radica en los usuarios a los que están

destinadas las plataformas DSS: cualquier nivel gerencial dentro de
P á g i n a 45 | 88
una organización, tanto para situaciones estructuradas como no estructuradas. (En este sentido, por
ejemplo, los CMI están más orientados a la alta dirección).

Por último, destacar que los DSS suelen requerir (aunque no es imprescindible) un motor OLAP
subyacente, que facilite el análisis casi ilimitado de los datos para hallar las causas raíces de los
problemas/pormenores de la compañía.

2.13.2 Tipos de Sistemas de Soporte a Decisiones

2.13.2.1 Sistemas de información gerencial (MIS)
Los sistemas de información gerencial (MIS, Management Information Systems), también llamados
Sistemas de Información Administrativa (AIS) dan soporte a un espectro más amplio de tareas
organizacionales, encontrándose a medio camino entre un DSS tradicional y una aplicación CRM/ERP
implantada en la misma compañía.

2.13.2.2 Sistemas de información ejecutiva (EIS)

Los sistemas de información ejecutiva (EIS, Executive Information System) son el tipo de DSS que más se
suele emplear en Business Intelligence, ya que proveen a los gerentes de un acceso sencillo a información
interna y externa de su compañía, y que es relevante para sus factores clave de éxito.

2.13.2.3 Sistemas expertos basados en inteligencia artificial (SSEE)

Los sistemas expertos, también llamados sistemas basados en conocimiento, utilizan redes neuronales
para simular el conocimiento de un experto y utilizarlo de forma efectiva para resolver un problema
concreto. Este concepto está muy relacionado con el datamining.

2.13.2.4 Sistemas de apoyo a decisiones de grupo (GDSS)

Un sistema de apoyo a decisiones en grupos (GDSS, Group Decision Support Systems) es "un sistema
basado en computadoras que apoya a grupos de personas que tienen una tarea (u objetivo) común, y que
sirve como interfaz con un entorno compartido". El supuesto en que se basa el GDSS es que si se mejoran
las comunicaciones se pueden mejorar las decisiones.

P á g i n a 46 | 88
2.14 Sistemas de Información Ejecutiva (EIS)

Un Sistema de Información para Ejecutivos o Sistema de Información Ejecutiva (sinnexus, 2007) es una
herramienta software, basada en un DSS, que provee a los gerentes de un acceso sencillo a información
interna y externa de su compañía, y que es relevante para sus factores clave de éxito.

La finalidad principal es que el ejecutivo tenga a su disposición un panorama completo del estado de los
indicadores de negocio que le afectan al instante, manteniendo también la posibilidad de analizar con
detalle aquellos que no estén cumpliendo con las expectativas establecidas, para determinar el plan de
acción más adecuado.

De forma más pragmática, se puede definir un EIS como una aplicación informática que muestra informes
y listados (query & reporting) de las diferentes áreas de negocio, de forma consolidada, para facilitar la
monitorización de la empresa o de una unidad de la misma.

El EIS se caracteriza por ofrecer al ejecutivo un acceso rápido y efectivo a la información compartida,
utilizando interfaces gráficas visuales e intuitivas. Suele incluir alertas e informes basados en excepción,
así como históricos y análisis de tendencias. También es frecuente que permita la domiciliación por correo
de los informes más relevantes.

A través de esta solución se puede contar con un resumen del comportamiento de una organización o
área específica, y poder compararla a través del tiempo. Es posible, además, ajustar la visión de la
información a la teoría de Balanced Scorecard o Cuadro de Mando Integral impulsada por Norton y
Kaplan, o bien a cualquier modelo estratégico de indicadores que maneje la compañía.

P á g i n a 47 | 88
2.15 Los efectos negativos de no contar con business intelligence

En el pasado, las empresas necesitadas de un análisis puntual de su negocio y operaciones tenían que
optar por sólo alguno de los tipos de análisis o reportes existentes y emergentes de manera aislada;
actualmente es posible contar con herramientas que brinden todas las dimensiones posibles para lograr
análisis desde diferentes perspectivas y por lo tanto, resultados más profundos y detallados de manera
integral.

Los reportes obtenidos mediante Business Intelligence nos otorgan respuestas confiables, gráficas
inmediatas para la toma de decisiones en el día a día; ahorra mucho tiempo y permite hacer ajustes sobre
el vuelo para evitar pérdidas y no sólo eso, sino que al ser reportes dinámicos permiten mostrar varios
escenarios en segundos y de esa manera, incrementar la rentabilidad.

2.15.1 ejemplos de los efectos a no usar una solución BI

2.15.1.1 Pérdida de la ventaja competitiva

Uno de los escenarios más comunes en el que la eficiencia puede ser incrementada de manera notable
mediante el análisis y la corrección inmediata es el área de producción. No contar con el correcto
diagnóstico e interpretación de información es un diferencial negativo frente a la competencia se podría
estar perdiendo la oportunidad de realizar mejoras continuas en las estrategias de producción para
conseguir ventajas competitivas o, sin saberlo, estar cediendo dichas ventajas.

2.15.1.2 Pérdida de dinero

Hoy en día, es un plus para muchas empresas contar con desarrollos y herramientas adecuados y
destinados a tal propósito que faciliten y mejoren su operación, pero en el futuro próximo el no contar
con la adecuada Business Intelligence, llevará a las corporaciones a trabajar con carencia de certeza
poniendo en riesgo el futuro de las operaciones y, por lo tanto, de la compañía por la "simple" falta de
control del proceso derivada de la mala o la falta de interpretación de la información.

P á g i n a 48 | 88
2.15.1.3 Desconocimiento de los costos de producción

La falta de capacidad de interpretación de la información tiene como consecuencia, entre otras, el

desconocimiento del detalle fino de los costos de producción, así como la capacidad de hacer las
modificaciones pertinentes en el proceso para sacar el mayor provecho del personal, de los insumos y de
la línea de producción ¿Cuál es el personal óptimo? ¿Cuánto tiempo es el correcto? ¿Cómo incremento la
eficiencia? O hasta poder realizar configuraciones específicas en la línea por objetivos establecidos.

2.15.1.4 Mala planeación de inventarios

La mala planeación de los inventarios puede generar costos muy altos, la mala administración de los
mismos, como afectar negativamente en diferentes partes del proceso. No es conveniente para ninguna
empresa no aprovechar al máximo su línea de producción por no haber tomado las decisiones correctas
en la planeación y durante la operación de los niveles de insumos requeridos, debido a que no se cuenta
con una herramienta que pueda cruzar los datos rápidamente y que permita realizar correcciones
inmediatas.

Una de las mayores ventajas de la Business Intelligence es que la información es presentada de tal
manera que, aun cuando el personal a cargo cuente con muy baja o nula capacidad de interpretación
estadística, tendrá la capacidad de realizar las correcciones y ajustes necesarios para tener una operación
óptima de manera oportuna.

2.15.1.5 Pérdida de dinero

El tiempo invertido en el análisis de información y generación de reportes constantes sin una herramienta
que lo facilite, se traduce en pérdida de dinero, así como incremento en el margen de error, el mal uso de
la información o su bajo aprovechamiento y finalmente el desconocimiento del cliente y, por consiguiente,
hasta su pérdida. Cruzar los datos precisos de manera correcta nos brinda información, la información nos
permite medir y por lo tanto controlar las variables para finalmente establecer mejoras.

Contar con un software de Business Intelligence, no sólo te garantiza los reportes correctos y las
decisiones rápidas, también te ayuda a la optimización de procesos y a evitar la fuga de dinero.

P á g i n a 49 | 88
2.16 Business Intelligence en las PyMEs

Rojo (s.f.) afirma que conducir exitosamente una PyME no es una tarea fácil. Además de la maximización
de los ingresos y la eficiencia operativa, las PyMEs se enfrentan a una fuerte competencia en la que la
sobrevivencia depende en gran medida de las decisiones tomadas. Por otra parte, ElegantJ BI (2009)
expone que, independientemente del tamaño de las empresas, el contar con información crítica del
negocio y con reportes integrados es indispensable para el éxito en el mercado.

BI no solamente ofrece beneficios a las grandes empresas. Por el contrario, las PyMEs representan el
sector que puede apreciar de forma más tangible los beneficios que BI puede brindarle (Lantares
Solutions). Entonces nos preguntamos, ¿por qué las PyMEs no aprovechan los beneficios de BI? Tal como
plantea (Suleymanov ) (Tovar, 2017), BI no era accesible para las PyMEs por las siguientes razones:

 Los costos de implementación de BI eran muy altos; tanto que las PyMEs no representaban un
target para los proveedores de este tipo de software.
 Los productos instalados resultaban poco flexibles, aun cuando era conocido que las necesidades
de negocio cambian constantemente.
 Los requerimientos de infraestructura eran demasiado altos, por lo que la empresa debía contar
con un alto presupuesto para invertir en IT.
 El tiempo de implementación era muy alto, generalmente superior a los 6 meses.
 Existían muy pocas soluciones disponibles para las PyMEs.

Adicionalmente, muchos managers en las PyMEs aún piensan que cuentan con toda la información que
requieren para las tomas de decisiones tanto operativas como estratégicas, tal como plantea ElegantJ BI
(2009).
Cayón (2015) afirma que los avances en Cloud Computing durante los últimos años están acelerando la
adopción de IT en las PyMEs, incluyendo la apertura de la posibilidad de implementar BI.

Si bien los beneficios que brinda BI a las PyMEs son amplios, es necesario que cada una evalúe si realmente
lo necesita y si el retorno de la inversión es atractivo. Para ello, Cruz (2014) propone cuatro preguntas
sencillas que todo empresario PyME debe responderse antes de iniciar un proceso de implementación:
P á g i n a 50 | 88
 1. ¿En base a qué, se toman las decisiones en la empresa?: Hoy en día son muchas las PyMEs que
utilizan Microsoft Excel como herramienta para almacenar datos y generar reportes; es decir, que
los gerentes ya se encuentran utilizando datos para tomar decisiones.

2. ¿Con qué intensidad utilizan las redes sociales?: Con la masificación de las redes sociales, son
muchas las PyMEs que utilizan alguna de ellas, -especialmente Facebook-, para darse a conocer y
atraer nuevos clientes. Los datos que se generan en las redes suelen tener gran potencial y ser
muy valiosos para tomar decisiones de marketing, por lo cual vale la pena analizarlos mediante
herramientas de BI.

3. ¿Cuáles son los sistemas con los que cuenta la PyME para registrar las operaciones?: Cualquiera
que sea el sistema, siempre que exista, se cuenta con datos para ser explotados y analizados al
máximo. Si la PyME cuenta con dichos datos, puede pensar en utilizar BI para transformarlos y
relacionarlos para tomar mejores decisiones que las que tomaría con la simple intuición.

4. ¿Cuánto costaría implementar BI?: La respuesta a esta pregunta es bastante complicada. El

ejecutivo PyME podría comenzar a plantearse algunas cuestiones como prioridades, tecnología
requerida, costo de desarrollo, área de negocio con mayor necesidad, coordinador, entre otros.

2.17 Software de explotación de información

El software de inteligencia de negocio son aplicaciones diseñadas para colaborar con la implementación
de una plataforma de BI, para el proceso de análisis y visualización de la información.

El cuadro de Gartner, muestra un informe de las herramientas líderes en el mercado que básicamente
tiene una potente capacidad de visualización, fáciles de usar proporciona auto servicios a los usuarios.

P á g i n a 51 | 88
3 Marco Metodológico
3.1 Alcance

El estudio se enfoca a las empresas PyMEs, especialmente en las ventajas que puede tener con una
solución de BI utilizando herramientas que esté al alcance tanto de tiempo y presupuesto.

Estas herramientas son de uso cotidiano y muy conocidas por la mayoría de los usuarios que cuentan con
un computado, estamos hablando de Microsoft Excel la cual demostraremos como se puede hacer una
implementación de Bi utilizando una computadora como servidor software gratuito como Microsoft SQL
Express, herramientas de data tools para SQL la cual utilizaremos como medio de transformación de datos
para obtener los principales indicadores y dimensiones que deben contar para la generación de
conocimiento, realizar una publicación en Microsoft Excel para mostrar los modelos de datos que servirán
para la creación de informes dinámicos y grafica para toma de decisiones.

También abordaremos un comparativo de empresas que utilizan esta solución y las que no lo utilizan para
hacer un análisis de los beneficios obtenidos con la solución.
P á g i n a 52 | 88
  Para este alcance utilizaremos el Estudio Correlacional realizando un comparativo del porque una
empresa es exitosa utilizando Bi con la que no utiliza este tipo de solución.

 También utilizaremos el Estudio Explicativo para abordar los procesos de implantación de una
solución BI para una empresa PyMEs.

 Por último, realizaremos un Estudio Explicativo en caso que se requiera detalla las características
de un proceso que permita el mejor entendimiento del proceso a ejecutarse para que pueda ser
usado como prototipo de iniciación de estudio en las clases de Teorías de Sistemas, Análisis y
Diseño de Sistema, Programación e Implementación de Sistemas y Evaluación de Sistema para la
comunidad estudiantil de la Universidad Nacional Autónoma de Honduras en el Valle de sula.

3.2 Diseño de Investigación

El tipo de investigación que realizaremos es básico ya que será descriptivo y correlacional.

En cuanto al Diseño se presentará como no experimental puesto que lo que tratamos de mostrar es una
solución que ya existe y tratamos de evidenciar las ventajas que tiene al utilizar esta alternativa de
crecimiento y como poder implementarla.

También será trasversal porque estará en un tiempo corto determinado.

3.3 Hipótesis del proyecto de Investigación

3.3.1 Hipótesis General

La integración de una herramienta de inteligencia de negocio optimiza el proceso de análisis, monitoreo

y toma de decisiones para fortalecer la comercialización de la empresa.

Es por eso que utilizaremos la hipótesis descriptiva para intentar predecir un dato o valor en una o más
variable que se van a medir u observar.

P á g i n a 53 | 88
Las hipótesis que se van a evaluar serán las siguientes:

H1. “Se estima que el 50% de las Pymes ha escuchado sobre el termino de BI (Inteligencia de negocios)”.

H2. “Se estima que el 50% de las Pymes a utilizado estas soluciones de BI”.

H3. “Se estima que el 50% de las Pymes ha mejorado y ha tenido un mejor control operativo con esta
solución”.

H4. “Se estima que 25% de las Pymes no tienen interés en adquirir soluciones de BI”.

H5. “Se estima que el 25% de las Pymes no invierten tipo y recursos para una implementación de BI”.

P á g i n a 54 | 88
3.4 Selección de la muestra.

Una definición de Población y Muestra es la cantidad de personas que pertenecen a una organización en
estudio o al área en la que va a aplicar, y la Muestra es la cantidad a la que se le tomara los cuestionarios,
para ellos se realizara a través de la página web https://netquest.com

Para realizar la determinación de la muestra utilizaremos como datos poblacionales a 1745 estudiantes
de la UNAH-VS, que están matriculados en la carrera de informática administrativa del 1er periodo 2020
obteniendo los siguientes resultados:

Fuente de los resultados: https://www.netquest.com/es/gracias-calculadora-muestra

P á g i n a 55 | 88
3.5 Operacionalización de la Variable

Una definición de operacionalización de la variable según (Moreno, 2013) Es un proceso metodológico

que consiste en descomponer deductivamente las variables que componen el problema de investigación,
partiendo desde lo más general a lo más específico; es decir que estas variables se dividen (si son
complejas) en dimensiones, áreas, aspectos, indicadores, índices, subíndices, ítems; mientras si son
concretas solamente en indicadores, índices e ítems.

Ahora bien, una variable es operacionalizada con la finalidad de convertir un concepto abstracto en uno
empírico, susceptible de ser medido a través de la aplicación de un instrumento.

Propuesta de Herramientas económicas para BI y reducir la perdida de

ventajas competitivas en las PYMES de Honduras

Dimensión Indicadores Ítems

Conocimiento Contextualización 1. ¿Conoce el termino de Inteligencia de
Negocio?

5- Extremadamente Probable

4- Muy probable

3- Un Poco Probable

2- Ligeramente probable

1- Nada probable

2. ¿Sabe lo que es un DATA Warehouse?

5- Extremadamente Probable

4- Muy probable

P á g i n a 56 | 88
3- Un Poco Probable

2- Ligeramente probable

1-Nada probable

3. ¿Conoce lo que es una BIG Data?

5- Extremadamente Probable

4- Muy probable

3- Un Poco Probable

2- Ligeramente probable

1- Nada probable

4. ¿Conoce lo que es un ETL?

5- Extremadamente Probable

4- Muy probable

3- Un Poco Probable

2- Ligeramente probable

1- Nada probable

5. ¿cree que una solución BI es una

Herramienta para mejorar las tomas de
decisiones?

5- Extremadamente Probable

4- Muy probable

P á g i n a 57 | 88
 3- Algo Probable

2- no tan probable

1- Nada probable

Solución Funcionalidad 6. ¿Qué tan importante es la información

de su base de datos?

5- Extremadamente Importante

4- Muy Importante

3- Un Poco Importante

2- Ligeramente Importante

1- Nada Importante

7. ¿Pueden los sistemas de BI ayudarnos

competir con la competencia?

5- Extremadamente Probable

4- Muy probable

3- Algo Probable

2- no tan probable

1- Nada probable

8. ¿Cree que una solución de BI dará mejor

control en las operaciones de una
PYMES?

5- Extremadamente Probable

4- Muy probable

P á g i n a 58 | 88
 3- Algo Probable

2- no tan probable

1- Nada probable

9. ¿Como calificaría una solución de BI para

un Pymes?

5- Excelente

4- Muy Buena

3- Buena

2- Regular

1- Pobre

10. ¿Crees que una pyme pueda tener la

posibilidad de una solución BI?

5- Extremadamente Probable

4- Muy probable

3- Algo Probable

2- no tan probable

1- Nada probable

Interés de adquisición 11. ¿Estaría interesado en adquirir una

solución de BI?

5- Extremadamente Probable

P á g i n a 59 | 88
4- Muy probable

3- Algo Probable

2- no tan probable

1- Nada probable

12. ¿Conoce la aplicación de Microsoft

Excel?

5- Extremadamente Probable

4- Muy probable

3- Algo Probable

2- no tan probable

1- Nada probable

13. ¿Cuál es su nivel de conocimiento en MS

Excel?

5- Avanzado

4- Experto

3- Intermedio

2- Básico

1- Nulo

14. ¿Estaría dispuesto de implementar una

solución de BI con MS Excel?

5- Extremadamente Probable

4- Muy probable

P á g i n a 60 | 88
3- Algo Probable

2- no tan probable

1- Nada probable

15. ¿Cuándo Piensa en Inteligencia de

negocio, ¿Cree que es algo que usted
necesite o que no necesite?

5- Definitivamente lo necesito

4- Probablemente lo necesito

3- Me da lo mismo

2- Probablemente no lo necesito

1- Definitivamente no lo necesito

16. ¿Cuándo Piensa en Inteligencia de

negocio, ¿Cree que es algo que usted
necesite o que no necesite?

5- Definitivamente lo Necesito

4- Probablemente lo Necesito

3- Me da lo mismo

2- Probablemente no lo Necesito

1- Definitivamente no lo Necesito

17. ¿Estaría dispuesto de implementar una

mejor estructura red y equipo de
cómputo para uso de BI?

P á g i n a 61 | 88
5- Definitivamente Si

4- Probablemente Si

3- Indeciso

2- Probablemente No

1- Definitivamente No

18. ¿Estaría dispuesto de invertir tiempo y

recursos para esta Solución?

5- Definitivamente Si

4- Probablemente Si

3- Indeciso

2- Probablemente No

1- Definitivamente No

P á g i n a 62 | 88
3.6 Instrumento de recolección de datos

Un instrumento de recolección de datos es en principio cualquier recurso de que pueda valerse el

investigador para acercarse a los fenómenos y extraer de ellos información. De este modo el instrumento
sintetiza en si toda la labor previa de la investigación, resume los aportes del marco teórico al seleccionar
datos que corresponden a los indicadores y, por lo tanto, a las variables o conceptos utilizados. (Blogger,
2015)

P á g i n a 63 | 88
P á g i n a 64 | 88
3.7 Análisis de Fiabilidad

Para esta investigación se realizo una prueba piloto que consiste en realizar una encuesta a 31 personas
en ellas incluyendo a alumnos de la carrera de Licenciatura informática Administrativa en el campus de
la UNAH-VS del primer periodo académico del año 2020, para la comprobación de la fiabilidad de que se
obtuvieron en los resultados se muestra los siguientes datos:

Cada una de las preguntas que están comprendida por el instrumento de recolección de datos se mostrara
en la sección de análisis de los datos con su respectiva traba de frecuencia de datos, grafica circular con
sus porcentajes y un análisis de cada de los resultados obtenidos.

P á g i n a 65 | 88
4. Análisis de los datos
4.1 Análisis de los datos
4.1.1 Módulo 2 Conocimiento.

45.2%

Extremadamente probable
6.5% Muy Probable
0.0% Un Poco Probable
3.2%
Ligeramente Probable
Nada Probable

45.2%

Los resultados arrojados muestran que el 45% de los encuestado conocen el termino de
inteligencia de negocio también hay otros 45% que es muy probable que conozca ese término
lo cual representa un 90% de toda la encuesta dando como afirmativo la interrogante de este
término.

P á g i n a 66 | 88
 12.9%

6.5%

Extremadamente probable
29.0%
16.1% Muy Probable
Un Poco Probable
Ligeramente Probable
Nada Probable

35.5%

Los resultados reflejados muestran que el 35% de los encuestados tiene el conocimiento de lo que es
DATA Warehouse y un 29% sabe, pero no con mucha certeza esto representa un 65% el resto de los
encuetados que representan el 45% saben muy copo o nada sobre el tema.

P á g i n a 67 | 88
 38.7%

6.5% Extremadamente probable

0.0% Muy Probable
3.2%
Un Poco Probable
Ligeramente Probable
Nada Probable

51.6%

El resultado muestra que el 90% de los encuestados conocen o tiene la certeza de lo que es un BIG data,
esto representa un dato muy positivo que ayudara a el entendimiento de los relacionado con Inteligencia
de Negocio.

P á g i n a 68 | 88
 3.2%

19.4%
Extremadamente probable
45.2%
Muy Probable
Un Poco Probable
Ligeramente Probable

16.1% Nada Probable

16.1%

los resultados arrojan el mayor índice de porcentaje que es del 45% donde es un poco probable que
conozca lo que es el ETL y un 32% mencionan que si lo conoces o que es muy probable en cada opción
representan un 16% de los resultados, el resto no tiene el conocimiento de lo que es ETL.

P á g i n a 69 | 88
 29.0% 19.4%

Extremadamente probable
0.0% Muy Probable
6.5% Algo Probable
Ligeramente Probable
Nada Probable

45.2%

Los resultados reflejan que el 45% de los encuestados afirma que la Inteligencia de negocio mejora la
toma de decisiones y el 29% indican que es muy probable esto representa un 74% del total de los
resultados indicando que la diferencia que es de 26% asumen que no es la mejor forma.

4.1.2 Modulo 2 Utilidad

P á g i n a 70 | 88
 19.4%
12.9%

Definitivamente Si
9.7%
Probablemente Si
Indeciso
Probablemente No
Definitivamente No
35.5%
22.6%

Los datos demuestran que el 22% a utilizado soluciones de Inteligencia de negocio y 35% probablemente,
esto representa un 58% de los resultados donde el 13% no está seguros y el 29% no lo han utilizado

P á g i n a 71 | 88
 19.4%

Extremadamente Importante
0.0% Muy Importante
3.2%
0.0% Un Poco Importante
Ligeramente Importante
Nada Importante

77.4%

Los datos arrojados están demostrados que el 97% indica que la información de los datos es muy
importante distribuido a un 77.4% que es extremadamente importante y el 19.4% muy importante

P á g i n a 72 | 88
 32.3%

Extremadamente probable
6.5% Muy Probable
0.0% Un Poco Probable
Ligeramente Probable
Nada Probable

61.3%

Los datos nos demuestran que el 94% de los encuestados considera que un sistema de Inteligencia de
negocio permite que su empresa pueda ser competitiva ante la competencia, y de esta forma tener la
oportunidad de ser líderes en el mercado y un 6% no cree que esto sea de ayuda.

P á g i n a 73 | 88
 48.4%

Extremadamente probable
3.2%
Muy Probable
3.2%
0.0% Un Poco Probable
Ligeramente Probable
Nada Probable

45.2%

Los datos nos demuestran que el 94% de los encuestados considera que un sistema de Inteligencia de
negocio ofrecerá un mejor control en sus operaciones, de esta forma mantendrá sus recursos en un nivel
óptimo 6% considera que no tendrán mejores resultados operacionales.

P á g i n a 74 | 88
 25.8%

12.9%
Excelente
0.0% Muy Bueno
3.2%
Bueno
Regular
Malo

58.1%

Los resultados demuestran en un 58% que la solución de BI es Excelente, un 28.8% es Muy buena y un
13% lo califican como bueno, esto representa un 97% que representa una buena calificación para una
Solución BI en las Pymes.

P á g i n a 75 | 88
 3% 3%

10%

36% Extremadamente probable

Muy Probable
Un Poco Probable
Ligeramente Probable
Nada Probable

48%

Los datos arrojan que el 35.5% es de extremadamente probable que una Pymes pueda tener una solución
de BI y un 48.4% muy probable, esto indica que hay un 84% de que la solución BI esté al alcance de una
Pymes, y un 16% no considera que tenga esa posibilidad.

P á g i n a 76 | 88
4.1.3 Modulo 3 Interés

0.0%
3.2%
54.8%
Extremadamente probable
9.7%
Muy Probable
Un Poco Probable
Ligeramente Probable
Nada Probable

32.3%

Los resultados mostrados indica que 32.3% esta extremadamente Interesados en adquirir una solución
de BI y un 54.8% muy probable se interesen en la adquisición, esto representa un 87% de interés en
adquirir una solución de inteligencia de negocios, el otro 13% no está interesado o no cree que lo necesite.

P á g i n a 77 | 88
 Extremadamente probable
6.5% Muy Probable
0.0% Un Poco Probable
93.5% Ligeramente Probable
Nada Probable

Los resultados reflejan que el 93.5% conocen la aplicación de Microsoft Excel, este dato es el resultado
esperado puesto que es una de las herramientas de ofimática más utilizadas en la mayoría de los negocios

P á g i n a 78 | 88
 67.7% Avanzado
9.7%
Experto
0.0% Intermedio
6.5% Básico
Nulo

16.1%

El resultado muestra que 90% de los encuestados tiene experiencia Intermedio (67.7%), Experto (16.1%)
y Avanzado (6.5%) y el 10% tiene conocimiento básico de Microsoft Excel.

P á g i n a 79 | 88
 12.9%

48.4% Extremadamente probable

3.2%
Muy Probable
3.2%
Un Poco Probable
Ligeramente Probable
Nada Probable

32.3%

Los datos muestran que el 32.8% es extremadamente probable que implemente una solución con Excel,
un 48.4% es muy probable con la integración, totalizando un 81% de disponibilidad, y un 12.9% está
indeciso, para el resto que representa un 6.4% que no están dispuesto con la implementación.

P á g i n a 80 | 88
 48.4%

3.2%
Definitivamente lo Necesito
6.5% Probablemente lo Necesito
0.0% Me da lo mismo
Probablemente no lo Necesito
Definitivamente no lo Necesito

41.9%

Los datos visualizados muestran que el 90% de los encuestados definitivamente o probablemente
necesiten una solución de Inteligencia de negocio, el otro 10% probablemente no sea lo que requieren
para su negocio.

P á g i n a 81 | 88
 9.7%

54.8% Definitivamente Si
3.2%
Probablemente Si
3.2%
Indeciso
Probablemente No
Definitivamente No

29.0%

según los datos mostrados nos indica que el 84% probablemente estaría dispuesto a implementar una
mejor estructura tanto de red como equipo para la integración de una solución BI, el resto que es el 16%
estaría indeciso o no interesados.

P á g i n a 82 | 88
 54.8%
9.7%
Definitivamente Si
0.0% Probablemente Si
3.2%
Indeciso
Probablemente No
Definitivamente No

32.3%

Los resultados muestran que el 87% de los datos probamente o definitivamente estarían dispuesto a
invertir tiempo para la integración, mientras que el 17% estaría indecisa o no estaría dispuesto a invertir
tiempo y recursos para la solución de BI.

P á g i n a 83 | 88
4.2 Prueba de hipótesis
H1. Se estima que el 50% de muestra ha escuchado sobre el termino de BI (Inteligencia de negocios).

 Conforme a los resultados obtenidos se acepta la H1 debido a que el 90% de los encuestados
afirma que extremadamente probable y muy probable conocen o Allan escuchado el termino de
BI y únicamente el 10% de los encuestados que muy poco o nada probable allá escuchado este
término.

H2. Se estima que el 50% de la muestra a utilizado estas soluciones de BI.

 Conforme a los resultados obtenidos se acepta la H2 debido a que el 58% de los encuestados
afirman que definitivamente y probablemente si allá utilizado una solución de BI y que el 42% de
los encuestados están indecisos, probablemente o definitivamente no allá utilizado una solución
de BI.

H3. Se estima que el 50% de la muestra a mejorado y ha tenido un mejor control operativo con esta
solución.

 Conforme a los resultados se acepta la H3 debido a que el 94% de los encuestados afirma que
extremadamente probable y muy probable que mejoraron y han tenido un control operativo en
crecimiento gracias a una solución de BI, mientras que el 6% de los encuestados esta ligeramente
probable o nada probable que han mejorado sus operaciones con una solución de BI.

H4. Se estima que 25% de los encuestados no tienen interés en adquirir soluciones de BI.

 Conforme a los resultados obtenidos se rechaza la H4 debido que solo el 10% de los encuestados
no están interesados en adquirir una solución de B, mientras el 90% esta extremadamente
probable, muy probable o ligeramente probable que tengan interés en una solución de BI.

H5. Se estima que el 25% de los encuestados no invierten tipo y recursos para una implementación de
BI.

 Conforme a los resultados obtenidos se rechaza la H5 debido que solo el 3% de los encuestados no
invierte tiempo y recursos para una implementación de BI, Mientras que el 10% está indeciso y el
resto que representa un 87% de los encuestados invierte tiempo y recurso para una
implementación de soluciones BI

P á g i n a 84 | 88
4.3 Conclusiones

 Se identifica con lo que hemos visto con este estudio que un porcentaje significativo no ha
utilizado soluciones de inteligencia de negocio, ya sea por el desconocimiento o por el costo
de adquisición de una solución como tal, es importante recalcar que el 94% de los
encuestados utilizan BI como estrategia de negocio y sus resultados mejoraron, a
comparación de cuando no estaban utilizando BI o pymes que aún no lo utilizan.

 Se estimo un alto porcentaje que tiene el interés de adquirir soluciones de BI, para poder
aportar una ayuda a las Pymes se puede realizar implementaciones con software y hardware
que no presente un alto costo, como utilizar aplicaciones como Excel que es un software de
hojas electrónicas incluido en los paquetes de ofimática y que permite realizar conexiones a
diferente fuentes u orígenes de datos, y Power BI, es una solución de Microsoft diseñada para
crear tableros de mando que puede ser utilizado en la cadena de rango gerencia para tener
una mejor eficiencia en las tomas de decisión.

 Se determina que teniendo el conocimiento de lo que es Inteligencia de Negocio, las Pymes

que pueden tener estas necesidades, estarían dispuestos a invertir el tiempo necesario para
la implementación y capacitación la cual según el estudio representa el 87% de los resultados
que están en estos factores necesarios para que la implementación sea exitosa.

P á g i n a 85 | 88
4.4 Anexos

Captura de los Datos en el software IBM SPSS Statistic 25 para tabulación y análisis de los datos

Captura de las variables en el software IBM SPSS Statistic 25 para tabulación y análisis de los datos

P á g i n a 86 | 88
Referencias
Bembibre, V. (22 de Febrero de 2009). Definición de Datawarehouse. Obtenido de
https://www.definicionabc.com/tecnologia/datawarehouse.php

Blogger. (14 de Julio de 2015). Instrumentos de Recolección de Datos. Obtenido de

http://instrumentosderecolecciondedatosidm.blogspot.com/2015/07/definicion-de-
instrumento-de.html

C.V., Hardware Software e Inteligencia S.A. de C.V. (07 de Marzo de 2017). Reportes y BI (Business
Intelligence). Obtenido de http://www.hsi.com.mx/reportes-y-bi.html

Carisio, E. (01 de Agosto de 2018). ¿Qué es Big Data y para qué sirve? Ejemplos de uso. Obtenido de
https://blog.mdcloud.es/que-es-big-data-y-para-que-sirve/

Devens, R. M. (1865). Cyclopædia of commercial and business anecdotes. New York, Londres:
Wentworth Press.

Egafutura. (29 de Julio de 2019). ¿Qué es la Analítica de negocios? Obtenido de

https://www.egafutura.com/glosario/analitica-negocios#Glosario-Definicion-Extendida

Egido, E. (22 de Abril de 2019). ¿Qué es el Smart Data y para que sirve? Obtenido de
https://blog.seigoo.com/que-es-smart-data

Espinosa, R. (29 de Diciembre de 2009). Herramientas ETL. ¿Que son, para que valen?. Productos mas
conocidos. ETL´s Open Source. Obtenido de https://churriwifi.wordpress.com/2009/12/29/11-
herramientas-etl-%C2%BFque-son-para-que-valen-productos-mas-conocidos-etl%C2%B4s-open-
source/

Gestionpolis. (5 de Marzo de 2015). Inteligencia de negocios, una introducción. Obtenido de

https://www.gestiopolis.com/inteligencia-de-negocios-una-introduccion/

Moreno, E. (10 de Agosto de 2013). Metodología de investigación, pautas para hacer Tesis. Obtenido de
http://tesis-investigacion-cientifica.blogspot.com/2013/08/que-es-operacionalizacion-de-
variables.html

powerdata. (6 de Junio de 2017). ¿Qué son los procesos ETL? Obtenido de https://blog.powerdata.es/el-
valor-de-la-gestion-de-datos/qu-son-los-procesos-etl

Rouse, M. (01 de Diciembre de 2018). Que es Inteligencia de negocios (BI). Obtenido de

https://searchdatacenter.techtarget.com/es/definicion/Inteligencia-de-negocios-BI

simetrical. (8 de Febrero de 2018). Simetrical. Obtenido de http://info.simetrical.com/blog/el-origen-de-

business-intelligence

sinnexus. (7 de Dicimbre de 2007). Datawarehouse. Obtenido de

https://www.sinnexus.com/business_intelligence/datawarehouse.aspx

sinnexus. (7 de Diciembre de 2007). Sistemas de Información Ejecutiva (EIS). Obtenido de

https://www.sinnexus.com/business_intelligence/sistemas_informacion_ejecutiva.aspx

P á g i n a 87 | 88
Suárez Rey, C., & Gómez Vieites, A. (2007). Datawarehouse Introduccion. En S. d. empresaria, Sistemas
de Información: Herramientas prácticas para la gestión empresaria (pág. 22). Mexico:
Alfaomega.

tableau. (4 de Marzo de 2019). ¿Qué es la inteligencia de negocios y por qué es importante? Obtenido de
https://www.tableau.com/es-mx/learn/articles/business-intelligence

timemanagerweb. (31 de Enero de 2017). Breve historia del Business Intelligence: Origen y evolución.
Obtenido de https://www.timemanagerweb.com/breve-historia-del-business-intelligence/

Tovar, C. (17 de Julio de 2017). INVESTIGACIÓN SOBRE LA APLICACIÓN DE BUSINESS INTELLIGENCE EN LA

GESTIÓN DE LAS PYMES DE ARGENTINA. Obtenido de
https://www.palermo.edu/economicas/cbrs/pdf/pbr15/PBR_15_05_Tovar.pdf

wikipedia. (5 de Febrero de 2020). Inteligencia empresarial. Obtenido de

https://es.wikipedia.org/wiki/Inteligencia_empresarial

wikipedia. (17 de Mayo de 2020). OLAP. Obtenido de https://es.wikipedia.org/wiki/OLAP

P á g i n a 88 | 88