• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Consideraciones sobre BI
 

Consideraciones sobre BI

on

  • 2,652 views

BI permite a una organización convertir sus datos en información para poder analizarla y transformarla en conocimiento, que logrará hacer un seguimiento y control de la consecución de los ...

BI permite a una organización convertir sus datos en información para poder analizarla y transformarla en conocimiento, que logrará hacer un seguimiento y control de la consecución de los objetivos empresariales, y en definitiva tomar mejores decisiones. Presentamos aquí los componentes principales de una solución BI, junto con algunas consideraciones e información para tener en cuenta.

Statistics

Views

Total Views
2,652
Views on SlideShare
2,602
Embed Views
50

Actions

Likes
3
Downloads
0
Comments
1

2 Embeds 50

http://pmqlinkedin.wordpress.com 49
http://www.linkedin.com 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel

11 of 1 previous next

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
  • Excelente presentación
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Consideraciones sobre BI Consideraciones sobre BI Presentation Transcript

    • BI permite a una organización convertir sus datos en información para poder analizarla y transformarla en conocimiento, que logrará hacer un seguimiento y control de la consecución de los objetivos empresariales, y en definitiva tomar mejores decisiones. Presentamos aquí los componentes principales de una solución BI, junto con algunas consideraciones e información para tener en cuenta.
    • Uno de los más importantes requerimientos para una buena implementación del BI es contar con un patrocinio ejecutivo fuerte que fomente la creatividad. Además del compromiso del top management se debe asegurar que el negocio participe activamente en su implementación. Un proyecto de BI necesita sponsor de visión ejecutiva y liderazgo de las líneas de negocio involucradas, para soportar las iniciativas a ejecutarse. El departamento de IT será el responsable de administrar y dar soporte, pero son las áreas de negocio quienes definen las iniciativas más importantes que deben ser implementadas.
      El proceso de Business Discovery permite establecer la necesidad de negocio y justificación del BI y por otro lado permite desarrollar un inventario de oportunidades (“business drivers”) que los usuarios pueden articular a través del mismo, y validar sus requerimientos y expectativas.
    • Partir sin un objetivo definido condiciona notablemente el fracaso de un proyecto de BI. Un proyecto de BI debe comenzar mediante la identificación de una o dos iniciativas claras de negocios que brinden valor, información oportuna y entregada en el contexto adecuado. Por ejemplo acelerar un proceso, reducir costos o mejorar la productividad en un área en particular. No iniciar el proyecto para propósitos generales. Los objetivos deben ser específicos y alineados con los objetivos corporativos, pero no necesitan ser grandes. Con una economía tan volátil , las organizaciones se centran en proyectos más tácticos, con menor gasto por adelantado y entregas más rápidas para ver los beneficios empresariales que aseguren la aceptación de todos los interesados ​​en una etapa temprana. Las Métricas deben estar alineadas con la estrategia de la empresa. Atrás han quedado los días en que sólo se miden los indicadores financieros: las nuevas tecnologías de BI permiten aplicar los mismos niveles de análisis a través de una serie de áreas para una visión verdaderamente integral del negocio.
      .
    • Es muy importante incluir a los usuarios de negocios involucrados en la iniciativa BI a desarrollarse en el comité de selección para asegurarse de implementar una solución que sea aceptada por todos los usuarios. Para la mayoría de los casos, esto significa simplemente una prueba fácil utilizando las aplicaciones de BI, que no requiere mucho de su tiempo. Tampoco hay que descuidar las preferencias de los usuarios técnicos. Es importante evaluar el número de analistas con conocimientos técnicos que realmente cuenta la organización, determinar las necesidades de capacitación para incluírlas en el proyecto y asegurarse que la evaluación pueda compartirse fácilmente con usuarios menos técnicos para que todos puedan beneficiarse.
    • Datos de alta calidad deben ser integrados y accesibles a través de toda la organización para una solución de BI. Estandarizar, validar y asegurar la calidad de los datos es un factor clave para que se obtenga información valiosa. Otro factor importante es el diseño de un modelo que contenga dichos datos estructurado de una manera flexible para permitir a los analistas descubrir nuevos conocimientos e información. Los sistemas de BI suelen organizar los datos de manera muy diferente a un sistema transaccional. En los últimos tiempos se pasó de analizar los datos operativos y transaccionales (OLTP) a datos semi-estructurados o no estructurados tales como documentos xml, web logs, wikis, e-mails, multimedia, rssfeeds, ontología, taxonomía, etc.
    • El modelo y mapeo de los datos es otro aspecto importante a tener en cuenta. Para el data modeling se necesitaría saber de antemano, hasta cierto punto, las preguntas de negocio que se quieren responder y cómo será la arquitectura. Se puede diseñar en tercera forma normal o de-normalizado (starschema, snowflake). El tipo de modelo dependerá del repositorio de datos (DW, Data Marts), proveedor y solución. Las soluciones de BI trabajan por lo general sobre modelos de-normalizados y optimizados para brindar respuestas más rápidas a las consultas o reportes y mediante modelos multidimensionales para los cubos OLAP. Otra forma de modelos especiales se requiere para los análisis de minería de datos. El mapeo correcto de los datos es otro punto clave, sobre todo hacia otras estructuras que puedan requerir construirse especialmente optimizadas para consultas complejas.
    • Data Consolidation: la tecnología utilizada son las típicas herramientas de ETL (Extract, Transform and Load) que capturan los datos de mútliples sistemas fuentes y los integran en un repositorio central o departamental. El tiempo de latencia por lo general es relativamente alto y se realiza a través de ventanas batch nocturnas.
      Data Federation: la tecnología utilizada se denomina EII (enterpiseinformationintegration) y provee una vista virtual de una o más fuentes de datos hacia las aplicaciones de BI. No requiere la necesidad de consolidar la información en un repositorio separado, no es recomendado para largos volúmenes de datos o seguridad.
      Data Propagation: esta tecnología se utiliza para copiar datos de un sistema a otro. Se utiliza para propagar actualizaciones o eventos de un sistema fuente en forma asincrónica o sincrónica al sistema target, de manera “near-real-time”. EAI (enterpriseapplicationintegration) y EDR (enterprise data replication) son las herramientas utilizadas.
    • Un aspecto central para la mayoría de las soluciones BI es la utilización de Data Marts y/o un Data Warehouse. Básicamente son bases de datos especiales diseñadas para procesos analíticos que contienen la información de diversas y múltiples fuentes de producción. La diferencia está en el alcance: el Data Martsolo contiene la información específica para una porción de la compañía (uno o más departamentos). El Data Warehousepor lo general integra toda la información de la compañía (EDW). El diseño puede ser “topdown” (Bill Inmon) apunta a construír primero el Data Warehouse considerando las necesidades y datos de toda la empresa . Con el EDW implementado se pueden generar Data Marts para departamentos específicos, o acceder directamente al mismo. El proceso opuesto es “bottomup” (Ralph Kimball) , primero se construyen Data Marts para soluciones puntuales y departamentales, y luego se pueden combinar para formar un Data Warehouse. Esto si bien es más sencillo y rápido, provoca duplicaciones, silos y no se cumpliría con el postulado de “única visión de la verdad”.
    • El Data Warehouse es un repositorio de datoshistóricosconsolidados, y sibien no es business intelligence estámuyintimamenterelacionado. Técnicamentehablando, podríamostener un buen data warehouse sin un buensistema de BI. Los sistemas de BIutilizan los datosalmacenados en el DW quien los obtiene de los datos de lasaplicacionescorporativas (ERM,CRM,etc) y en unaprimerainstancia los deposita en un area de “staging”, donde se formatean los datos. El pasosiguiente de estaarquitectura son las bases dimensionalesdiseñadasparalasconsultas. Las herramientas BI puedentrabajardirectamentesobreestas bases en el DW o por lo común se trasladan a cubos OLAP multidimensionalespara un mejoranálisis. Otraestructuradentro de la arquitectura de datos son los modelosespecialesparaminería de datosdonde se aplicanalgoritmosmatemáticos y estadísticosparaidentificarpatrones y predicciones de información.
    • El debate entre una aproximación de tipo topdown y bottomup sigue siendo polémico y depende fuertemente del proveedor de la solución BI. Desde el punto de vista filosófico y práctico la mejor propuesta es “pensar en grande y arrancar pequeño”. Se debe siempre pensar en una solución para toda la compañía, pero es cierto que implementar todo un Enterprise Data Warehouse es una solución mucho más compleja que comenzar con Data Marts departamentales. Complejidad = Tiempo = Costo.  
      Las soluciones que responden al postulado enunciado, serían la implementación de aplicaciones BI pre-construídas que resuelvan lo más pronto posible el problema de negocio departamental de una organización, o, preparar un Data Warehouse corporativo, pero solo modelar y poblar los datos con la información necesaria para la solución de negocio pre-seleccionada que utilizará el sistema BI.
    • Un fenómeno relativamente nuevo en el campo de BI es el análisis “In memory”. En vez de copiar todos los datos a un Warehouse o Data Marts (que en realidad son otro tipo de bases de datos que almacena los datos en disco) y realizar el análisis allí, los datos se leen en la memoria de un servidor y se analizan en ese mismo momento. En realidad, la idea de análisis en memoria no es nuevo, pero sólo recientemente, con la disponibilidad de más recursos de computación de gran alcance a precios más bajos, pudo convertirse en práctica. El análisis en memoria puede ayudar a reducir o eliminar la necesidad de transformar y cargar datos a un almacén, algo que consume mucho tiempo. Las consultas toman los datos de la fuente, los transforman en memoria y analizan directamente. Es especialmente útil para obtener información al momento.
      .
    • La inversión en HW conforme a la solución BI es otro punto a considerar. Debería estar alineada con la estrategia de TI de la empresa. A menudo se puede lograr el aprovechamiento de la infraestructura actual para proporcionar el almacén de datos, y el uso de soluciones BI para proporcionar la interfaz al usuario. La infraestructura incluye servidores, redes, software y desktop para los usuarios, además del HW de soporte (herramientas de backup/recovery, performance monitor, SAN, etc.). El Data Warehouse puede tener dos tipos de arquitectura: 1)Hub‐and‐Spokecrear un almacenamiento central (hub) comofuenteprimariaparaalimentar los data marts (spoke) - 2)Enterprise DW corporativomantenerlasestructuras de datoscentralizadaspara los procesosanalíticos.
    • Los especialistasseñalancincopuntosimportantespara la obtención de un exitososistema de BI queofrezcarápidamente valor:
      Focalizarseprimero en lasoportunidades o problemasqueotorguen un mayor valor de negocio
      Comenzar con el objetivo y no con los datos. Entender el problema a atacar antes de trabajarsobre los datosquenecesitamos.
      Revisarlasestrategias con frecuencia, mejora continua y benchmark con la competencia
      Implementación modular y flexible a los cambiosque no provoquendisrupciones.
      Asegurar un camino de crecimiento, permitiendoampliasposibilidades de expansión en la medidaque se agregueniniciativas de negocionuevas
    • Un sistema de BI está compuesto por un conjunto de herramientas orientadas a la creación de conocimiento a partir del análisis de datos de los sistemas de información de una compañía. El conjunto de herramientas que componen un sistema de BI lo pueden constituir:
      • Sistemas de Consultas y Reportes,
      • Análisis OLAP,
      • Dashboards y Cuadros de mando,
      • Minería de datos o Datamining.
    • Las consultas “ad-hoc” o programadasjueganambas un rolimportanteen el mundo del DW y BI porquerepresentan el vínculo entre un usuario de negocios y la informacióncontenida en la base de datos. Hoy en díayaescomún el concepto de “self service” entre los usuarios finales, paraqueellosmismos se construyanlasconsultas y reportesquenecesiten no solo con SQL sinoahora con el auxilio de lasherramientas de BI desdesusplataformas desktop o web server. Los reportes son productosobvios de salida del data warehouse y puedenpresentarse en un ampliorangodesdesumarios de alto detallehasta los extremadamentedetalladosanálisis de datos.
    • El proceso analítico en línea (OLAP) es una forma más sofisticada para el análisis de información a través de cubos multidimensionales. Con OLAP se puede ver un conjunto de datos del negocio de muchas y diversas formas sin mucho esfuerzo. Los cubos OLAP modelan los datos en dimensiones, lo que permite actividades de tipo “slice and dice” (cambiar las dimensiones del cubo y obtener una nueva vista de información. Por ejemplo, 'Ventas por producto' puede cambiarse fácilmente a 'Ventas por vendedor'. O cambiar el valor de una dimensión por otro valor, por ejemplo, de las ventas de Enero a las ventas de Febrero o rotar el cubo como si fuera un dado para obtener una nueva cara . Con “drill-down” los datos de las dimensiones se pueden abrir para obtener mas detalle. Una especie de profundizar el análisis de la información. Si se ve información geográfica, puede pasar de un continente a un país y luego a una ciudad en particular. Aunque hoy la tecnología le permite hacer drill down hasta 16 niveles o slice y dice en 100 diferentesformas, trate de ser selectivo, no se confunda e incluyapocasmétricasqueseanlasmásimportantes y profundize no más de 3 o 4 niveles.
    • Otra herramienta muy utilizada por BI son los dashboard y scorecards. Los paneles de control y cuadros de mando, permiten hacer el seguimiento de la actividad empresarial en relación con los objetivos de forma sintética y gráfica pudiendo profundizar en el detalle de la información, ofrecer un resumen de métricas comunes, y habitualmente contienen comparaciones entre la planificación y el estado actual. Los dashboard y scorecards tienen propósitos similares, y algunas soluciones de BI los presentan de tal manera que no hay diferencia práctica. La distinción entre ellos, es que un dashboard (panel de control) por lo general sólo muestra dónde se encuentra la organización en términos absolutos, un scorecard (cuadro de mando integral) muestra dónde se está en relación con los objetivos o KPI.
      Los cuadros de mando se llaman estratégicos cuando la actividad que monitorizan está relacionada con la estrategia global de la compañía, y operativos cuando visualizan procesos o actividades departamentales.
    • El data mining (minería de datos), es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, de manera automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto. Ayudar a comprender el contenido de un repositorio de datos, por medio de prácticas estadísticas y algoritmos matemáticos. De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye algún significado especial pasan a convertirse en información. Cuando los especialistas elaboran o encuentran un modelo, haciendo que la interpretación que surge entre la información y ese modelo represente un valor agregado, entonces pasamos al conocimiento
      Alguna de las extensiones del data mining consiste en aplicar sus técnicas a documentos (textmining) y servicios del Web (web mining).
    • El proceso analítico de exploración y análisis, permite navegar los datos históricos de arriba hacia abajo, de manera deductiva. El analista tiene que tener una idea de lo que está causando una tendencia o alerta, y comenzar con una hipótesis y deducir la causa mediante la exploración de los datos con herramientas de Consulta ad hoc, herramientas OLAP, o SQL. En este caso, la responsabilidad recae sobre el analista de negocios para encontrar la aguja en el pajar. Otro tipo de análisis es la predicción y optimización. Los usuarios de negocio modelan los datos históricos de abajo hacia arriba, de manera inductiva Se aplican las herramientas de minería de datos para crear modelos estadísticos e identificar patrones y tendencias en los datos, para predecir el futuro y optimizar los procesos empresariales. Aquí, el proceso es inductivo, en lugar de empezar con una hipótesis, las herramientas se encargan de descubrir tendencias, patrones y valores atípicos. Se necesita de algún conocimiento de los procesos de negocio y los datos para aplicar estas herramientas con una precisión confiable.
    • Una aplicación de inteligencia de negocios puede tocar todas las áreas de una empresa. Requiere la cooperación y responsabilidad compartida del negocio y de TI, la utilización de nuevos protocolos de gestión de datos, una gestión de proyectos sólida y un análisis continuo de los indicadores. Para el máximo éxito, se debe crear una estructura de gobierno de datos liderado por la empresa y con el apoyo de TI. Uno de los aspectos más desafiantes en la creación de una solución de BI es obtener un acuerdo sobre definiciones comunes del negocio. storequiere de un aspecto tanto político como de aplicación de estándares organizacionales. La estandarización de los datos puede obtenerse a través de procesos especiales de Master Data Management o simplemente Metadata. Algunas de las ideas más importantes de un sistema de BI puede venir de descubrir cómo los resultados de las interdependencias e integración y análisis de los datos impactan en toda la organización
    • Las herramientas de BI proporcionan un servicio valioso y desempeñan un papel fundamental en la estrategia global de la empresa. Es importante cómo y de que forma se desplegarán los resultados a través de la organización, para asegurar que los tomadores de decisiones tengan la información que necesitan cuando lo necesitan y en la manera en que mejor se puede consumir. Al igual que cualquier solución nueva, BI sólo es efectivo si la gente lo usa. Para que sea completamente aprobado, debe ser utilizado no sólo por los gerentes de línea, sino también por los ejecutivos. Se deberá también en desarrollar o reclutar a pensadores analíticos que busquen y exploren los datos correctos para hacer descubrimientos y el trabajo de análisis. Los analistas también deben ser capaces de comunicarse efectivamente con los líderes y gerentes como enlace para la toma de decisiones clave.
    • El obstáculo más grande no son los datos. A pesar del enorme desafío que sienten las organizaciones para conseguir los datos correctos, no es ésta la principal barrera para la implementación de BI. Los obstáculos más importantes son “no entender como utilizar las herramientas analíticas para mejorar el negocio” y “falta de conocimiento de las herramientas y empuje organizacional por otras prioridades.”
    • Este cuadro presenta la opinión de Gartner y su visión global sobre los principales proveedores de software que debería considerar cualquier empresa que se esté planteando la adquisición de una plataforma de businessintelligence (BI) . Con los movimientos empresariales el mercado ha cambiado de manos, antes eran los fabricantes puros de BI los que dominaban el mercado, y ahora son los clásicos megaproveedoresde software. Ignorando esto, las diferencias son mínimas y la innovación escasa. Los usuarios buscan, necesitan y valoran la facilidad de uso por encima de cualquier otra consideración.