Heinsohn Privacidad y Ciberseguridad para el sector educativo
Data Mart de una área de compras
1. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
UNIVERSIDAD NACIONAL DE
TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
ESCUELA PROFESIONAL DE INGENIERÍA INFORMÁTICA
PROYECTO BASE DE DATOS II
TITULO:
DATA MART
DEL ÁREA DE COMPRAS LIBRERÍA BOOK CENTER
AUTORES:
PAREDES PAREDES, José Alejandro
SIPRA MORGADO, Teddy Everson
VÁSQUEZ RAFAEL, Danny Jonatán
VEGA SANTOS, Roy Rogier
VELÁSQUEZ CASTRO, Hemerson Yorvin
DOCENTE:
Ing. DÍAZ PULIDO Arturo
TRUJILLO– PERU
2014
2. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
RESUMEN
En los últimos años el área de aplicaciones OLAP ha tenido un importante desarrollo. Este tipo
de aplicaciones utiliza estructuras multidimensionales para proporcionar un acceso rápido a los
datos con el fin de analizarlos. Los datos de origen de OLAP se almacenan habitualmente en
almacenes de datos en una base de datos relacional.
A pesar de su amplia difusión, estos productos no se basan en un modelo de datos bien definido
ampliamente aceptado, sino que existen un conjunto de funcionalidades que todos proveen, y
otras que marcan las diferencias entre los distintos productos.
La mencionada ausencia de un estándar es lo que dificulta el intercambio de información entre
distintos servidores OLAP.
Este proyecto pretende migrar la estructura multidimensional utilizada por Microsoft
OLAP Services hacia una representación de la misma expresada en XML. Esta representación
permitirá reconstruir un cubo en otro servidor OLAP.
Palabras Claves:
Sistema, aplicaciones, funcionamiento, modelo, interfaz, diseño, programación y
funcionalidad.
3. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
1. INTRODUCCIÓN
El presente trabajo analiza una metodología práctica para el desarrollo de un sistema de
información que comprende: el área de compras y la evaluación de los procesos críticos.
La finalidad de este proyecto es lograr una mejor automatización en el área de compras
hacia la empresa, para la mejor organización de los productos pertenecientes a los
distintos proveedores, para lo cual detallaremos los requerimientos al adquirir los
productos además de saber mantener actualizado el sistema y saber que no solo es
adquirir un producto sino tener en cuenta la logística de la empresa, la cual satisfaga las
necesidades de la empresa y poder controlar las compras hacia los proveedores.
Daremos a conocer paso a paso como vamos desarrollando nuestro proyecto dentro de
la empresa Book Center, de tal manera que nos centremos en el área de compras para
mejorar la administración de sus productos dentro de la empresa.
1.1. USOS DE UN SISTEMA OLAP O BI
El uso del Business Intelligence (BI) en las empresas se ha extendido debido a la
necesidad de información de calidad frente a la multitud y dispersión de datos.
Con estas herramientas se facilita la toma de decisiones y se genera un
conocimiento que de otra forma sería difícil, y sobre todo costoso de obtener.
Los sistemas OLAP, son utilizados por las empresas para conocer la historia del
negocio y poder realizar la toma de decisiones. Podemos enunciar entonces las
siguientes áreas en donde el uso de un sistema OLAP está difundido:
SISTEMAS DE INFORMACIÓN EJECUTIVOS
Los usuarios y los administradores generalmente de mandos altos y medios, reciben
la información sobre los indicadores de funcionamiento dominantes del negocio y
de las excepciones o las variaciones según sea de patrones y de estándares
preestablecidos. Los Sistemas de Información Ejecutivos (EIS) presentan
típicamente datos multidimensionales en formatos gráficos. OLAP en EIS:
* Alertas.
* Toma de decisiones.
APLICACIONES FINANCIERAS
Para diversos usos de tipo financiero se utilizan las bases de datos de OLAP como
ser para comunicar, planear, y analizar. Los ejemplos de usos financieros incluyen
la comunicación, análisis del mes-cierre, análisis de lo beneficioso del producto, los
presupuestos y pronóstico. Los analistas financieros utilizan OLAP extensivamente
para el análisis de datos financieros y operacionales para contestar las preguntas de
la gerencia mayor. OLAP en la Actividad Financiera:
* Reportes analíticos.
* Planeamiento.
* Análisis.
VENTAS Y APLICACIONES DE MARKETING
4. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Existen diferentes formas de llegar a los clientes para alcanzar los objetivos de
venta y de comercialización propuestos. Por esto, la utilización de sistemas OLAP,
donde es importante contar con información organizada de manera rápida, es
aconsejable. Los ejemplos incluyen análisis de la facturación, análisis de producto,
análisis del cliente, y análisis de ventas regional. OLAP en el Marketing:
* Análisis de productos.
* Análisis de Clientes.
* Análisis de Facturación.
OTROS USOS
Las bases de datos de OLAP se adaptan a una amplia gama de análisis, incluyendo
rendimiento de procesamiento y eficacia de la fabricación, eficacia del servicio de
cliente, y análisis de coste del producto. En definitiva, un sistema OLAP es útil para
todo proceso en el que sea necesario tomar decisiones. OLAP en Otros Usos:
* Análisis de la Producción.
* Análisis de Servicios al cliente.
* Evolución del Costo del producto.
1.2. ARQUITECTURA Y FUNCIONAMIENTO DE UN CUBO O BI
El objeto OLAP básico es el cubo, que consiste en una representación
multidimensional de datos de detalle y resumen. Un cubo consta de un origen de
datos, dimensiones, medidas y particiones. Los cubos se diseñan a partir de los
requisitos de análisis de los usuarios. Un almacén de datos puede contener muchos
cubos distintos, por ejemplo, el cubo Ventas, el cubo Inventario, etc.:
o El origen de datos del cubo identifica y se conecta con la base de datos donde se
encuentra el almacén de datos, que es el origen de los datos del cubo.
o Una dimensión virtual es un tipo especial de dimensión que asigna las
propiedades de los miembros de otra dimensión a una dimensión que, a partir de
ese momento, se puede utilizar en cubos. Por ejemplo, una dimensión virtual de
la propiedad tamaño de un producto permite que un cubo resuma datos como,
por ejemplo, la cantidad de ventas por producto y por tamaño.
o Las medidas identifican los valores numéricos extraídos de la tabla de hechos
que están resumidas para realizar el análisis.
o Las particiones son los contenedores multidimensionales de almacenamiento
que guardan los datos del cubo. Cada cubo contiene, al menos, una partición y
los datos de un cubo se pueden combinar a partir de varias particiones.
El funcionamiento de un cubo se realizará en migraciones de estos cubos en dos
etapas: primero el cubo es llevado a un formato intermedio (cubo exportado), y
luego se lleva de ese estado intermedio al servidor destino, reconstruyendo el cubo
al formato utilizado por OLAP Services.
1.2.1. Modelo del Negocio Dimensional
5. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Hay un amplio acuerdo entre los usuarios y el modelamiento dimensional es la
mejor forma de presentar la información porque es la mejor manera de reunir las
principales metas de diseño:
Presentar la información a los usuarios en la forma más simple posible.
Retornar los resultados a los usuarios lo más rápido posible.
Proveer información relevante que guarde pistas de los procesos subyacentes.
Un modelo dimensional tiene mucho menos tablas y la información es agrupada en
categorías de negocio coherentes que tienen sentido para los usuarios. Estas
categorías ayudan a los usuarios a navegar por el modelo ya que categorías enteras
pueden ser pasadas por alto si no son útiles para un determinado análisis.
Un modelo dimensional consta de una (o varias) tablas de hechos central y sus
dimensiones asociadas. El modelo dimensional es también llamado modelo en
estrella porque es similar a una estrella, con la tabla de hechos en el medio y las
dimensiones formando las puntas de la estrella.
Desde la perspectiva de un modelo de datos relacional, el modelo dimensional
consiste en una tabla de hechos normalizada, con tablas dimensionales des
normalizadas.
1.2.2. Base de Datos
Las estructuras básicas de las bases de datos OLAP son dimensiones, medidas,
jerarquías, niveles, cubos y celdas. Por otro lado, las implementaciones de estas
bases de datos son más escalables y son frecuentemente atractivas a los clientes
debido a que aprovechan las inversiones en tecnologías de bases de datos
relacionales preexistentes.
Sistemas ROLAP:
La arquitectura ROLAP, accede a los datos almacenados en un datawarehouse para
proporcionar los análisis OLAP. La premisa de los sistemas ROLAP es que las
capacidades OLAP se soportan mejor contra las bases de datos relacionales.
Sistemas MOLAP:
La arquitectura MOLAP usa unas bases de datos multidimensionales para
proporcionar el análisis, su principal premisa es que el OLAP está mejor implantado
almacenando los datos multidimensionalmente. Por el contrario, la arquitectura
ROLAP cree que las capacidades OLAP están perfectamente implantadas sobre
bases de datos relacionales Un sistema MOLAP usa una base de datos propietaria
multidimensional, en la que la información se almacena multidimensionalmente,
para ser visualizada en varias dimensiones de análisis.
Sistemas HOLAP:
Un desarrollo un poco más reciente ha sido la solución OLAP híbrida (HOLAP), la
cual combina las arquitecturas ROLAP y MOLAP para brindar una solución con las
mejores características de ambas: desempeño superior y gran escalabilidad. Un tipo
de HOLAP mantiene los registros de detalle (los volúmenes más grandes) en la base
de datos relacional, mientras que mantiene las agregaciones en un almacén MOLAP
separado.
1.2.3. Modelo Relacional
6. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
NIVEL CONCEPTUAL: DIAGRAMA ENTIDAD RELACIÓN
7. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
NIVEL INTERNO: DIAGRAMA RELACIONAL
8. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
1.2.4. Interfaz con el Usuario
Ventana Principal:
Agregamos Productos:
Órdenes de Compra:
Visualizar Productos:
9. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Proveedores:
Guía de Remisión:
Búsqueda de órdenes de Compra:
10. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
1.2.5. Módulo de Explicación
Para diseñar un cubo OLAP es necesario tener un origen de datos, la fuente de datos
con la que se trabajó fue una base de datos relacional creada previamente,
administrada en SQL Server.
CONEXIÓN A ORIGEN DE DATOS
Para realizar la conexión de origen de datos se utilizará el Asistente para
Orígenes de Datos. Crear una nueva conexión:
Figura 1 Asistente para orígenes de datos.
Configurar la conexión indicado el nombre del servidor y el de la base de datos con
la que se trabajará. Comprobar conexión:
11. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Figura 2 Configuración de conexión.
Para finalizar la conexión es necesario proporcionar un nombre al origen de datos.
Figura 3 Finalización del asistente de origen de datos.
12. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Luego seleccionar los objetos de a base de datos relacional que van a incluirse en la
vista del origen de datos, esto con el Asistente para vistas del origen de datos. Se
puede observar la vista previa de las tablas que aparecerán en la vista.
Figura 4 Asistente para vistas de origen de datos.
Finalmente, se creará el siguiente diagrama.
Figura 5 Diseño de vista de origen de datos
13. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
1.2.6. Módulo de Adquisición
CONSTRUCCIÓN DEL CUBO OLAP
Para construir un nuevo cubo se necesita seleccionar la vista del origen de datos y
las tablas del cubo, para establecer sus propiedades.
NOTA También se puede crear un cubo vacío (sin origen de datos) o generando
tablas en el origen de datos.
Seleccionar la tabla o las tablas que se utilizarán para el grupo de medidas, luego en
la siguiente ventana seleccionar las medidas que se desean considerar en el cubo.
Figura 6 Asistente para cubos. Selección de tabla de medidas
14. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Figura 7 Asistente para cubos. Selección de medidas.
Al inicio no existen dimensiones, pero el asistente para la creación de cubos sugiere
la creación de dimensiones simples.
Figura 10 Asistente para cubos. Selección de dimensiones.
15. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Finalmente, asignar un nombre al cubo. Se puede observar la vista previa de los
grupos de medida y las dimensiones como se observa en la siguiente figura.
Figura 11 Finalización del asistente para cubos.
A continuación mostrará el diseño del cubo.
Figura 12 Estructura del cubo. Hechos y dimensiones.
16. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
En la pestaña Examinador, se puede modelar el cubo según las dimensiones que se
tengan.
Figura 13 Examinador de datos.
1.3. VENTAJAS E INCONVENIENTES DE UN CUBO U OTRO MODELO
DE BI
Ventajas:
o Permite disponer de una herramienta de información sobre la gestión del
negocio.
o Facilita información que permite priorizar actividades basadas en la necesidad
de cumplimiento de objetivos de corto, mediano y largo plazo.
o Proporciona una única versión de la realidad del negocio.
o Reduce la incertidumbre y la subjetividad en el proceso de toma de decisiones
o El usuario es capaz de construir sus propios reportes e índices de desempeño.
o Permite crear escenarios con respecto a una decisión y hacer pronósticos de
ventas y devoluciones.
o Disminuye el tiempo de recolección de la información por lo que aumenta el
tiempo disponible para el análisis.
o Requiere poca capacitación para utilizar todas las bondades de la herramienta.
17. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Inconvenientes:
El cubo es estructura adicional de datos que mantener y actualizar, eso supone
un gasto extra de recursos (servidores, discos, procesos de carga…).
El modelo de negocio no siempre se adapta bien en un modelo jerárquico. Por
poner algunos ejemplos típicos: Una semana no pertenece a un único mes, o las
zonas de venta corporativas no tienen por qué coincidir con la estructura
provincial de cada país, o varios responsables pueden encargarse de una misma
tienda, o distintos departamentos de la compañía pueden utilizar distintas
agrupaciones de los productos... Estas casuísticas, que pueden parecer triviales,
son habituales en cualquier compañía, y dificultan enormemente la construcción
y uso de los cubos OLAP.
1.4. LENGUAJE DE PROGRAMACIÓN USADO
MICROSOFT SQL SERVER
Microsoft SQL Server es un sistema para la gestión de bases de datos producido por
Microsoft basado en el modelo relacional.
CARACTERÍSTICAS DE MICROSOFT SQL SERVER
Soporte de transacciones.
Soporta procedimientos almacenados.
Incluye también un entorno gráfico de administración, que permite el uso de
comandos DDL y DML gráficamente.
Permite trabajar en modo cliente-servidor, donde la información y datos se
alojan en el servidor y los terminales o clientes de la red sólo acceden a la
información.
Además permite administrar información de otros servidores de datos.
Este sistema incluye una versión reducida, llamada MSDE con el mismo motor de
base de datos pero orientado a proyectos más pequeños, que en sus versiones 2005 y
2008 pasa a ser el SQL Express Edition, que se distribuye en forma gratuita.
Es común desarrollar completos proyectos complementando Microsoft SQL Server
y Microsoft Access a través de los llamados ADP (Access Data Project). De esta
forma se completa la base de datos (Microsoft SQL Server), con el entorno de
desarrollo (VBA Access), a través de la implementación de aplicaciones de dos
capas mediante el uso de formularios Windows.
Para el desarrollo de aplicaciones más complejas (tres o más capas), Microsoft SQL
Server incluye interfaces de acceso para varias plataformas de desarrollo, entre ellas
.NET, pero el servidor sólo está disponible para Sistemas Operativos.
El tipo NUMERIC fue mejorado para ser usado como identificador de columna a
partir de la versión 2008 R2.
18. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
MICROSOFT VISUAL STUDIO
Microsoft Visual Studio es un entorno de desarrollo integrado (IDE, por sus siglas
en inglés) para sistemas operativos Windows. Soporta múltiples lenguajes de
programación tales como C++, C#, Visual Basic .NET, F#, Java, Python, Ruby,
PHP.
Visual Studio permite a los desarrolladores crear aplicaciones, sitios y aplicaciones
web, así como servicios web en cualquier entorno que soporte la plataforma .NET
(a partir de la versión .NET 2002). Así se pueden crear aplicaciones que se
comuniquen entre estaciones de trabajo, páginas web, dispositivos móviles,
dispositivos embebidos, consolas, etc.
2. NOMBRE DEL CUBO U OTRO MODELO DE NEGOCIO
INTELIGENTE
DATA WAREHOUSE
Un Data Warehouse (DW) o almacén de datos es una colección de datos que es extraída
desde diferentes fuentes de información a lo largo de la empresa (bases de datos
departamentales, intranet, sistemas transaccionales, etc.) con la finalidad de permitir la
realización de consultas y análisis, fundamentalmente, para ayudar a la toma de
decisiones.
DATA MART
Aunque para algunos se trata casi de un sinónimo de Data Warehouse, un Data Mart o
cubo de datos puede entenderse como un subconjunto del repositorio de datos, que se
orienta a un área específica del negocio, como recursos humanos, ventas o marketing,
por ejemplo. En otras palabras, un Data Mart corresponde a un almacén de datos más
restringido que un DW en cuanto al volumen de datos que contiene y al alcance dentro
de la organización.
Desde ese punto de vista, se trata de un repositorio que requiere menores costos y
tiempo para construirse respecto de un DW, teniendo en común el que ambos permiten
la realización de consultas, a través del uso de las herramientas OLAP.
HERRAMIENTAS OLAP
OLAP (Online Analytical Processing) son un conjunto de herramientas capaces de
responder rápida y ágilmente a las solicitudes de información de los usuarios y que
deben reflejar cualquier lógica de negocio por las que se consulte.
Este proceso analítico en línea es el nombre formal para el análisis de cubos
multidimensionales - una forma más intuitiva de ver la información empresarial.
Con OLAP se puede ver un conjunto de datos de su negocio de muchas y diversas
formas sin mucho esfuerzo. Los archivos OLAP o cubos modelan los datos en
dimensiones. Una dimensión es una clasificación de alguna actividad en una
organización por la cual se puede medir su éxito. Por ejemplo, puede monitorear sus
ventas contra los productos o clientes en un periodo de tiempo.
19. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
MICROSOFT ANALYSIS SERVICES
Microsoft SQL Server Analysis Services es parte de Microsoft SQL Server, un sistema
de gestión de bases de datos. Microsoft ha incluido una serie de servicios de SQL Server
relacionados con la inteligencia empresarial y almacenamiento de datos. Estos servicios
incluyen servicios de integración y servicios de análisis. El servicio de análisis incluye
un conjunto de capacidades OLAP y de minería de datos.
DATA MINING
El Data Mining (DM) o minería de datos es una técnica orientada a extraer información
desde grandes volúmenes de datos y corresponde a una de las claves de la inteligencia
de negocios. El DM es un proceso conocido como KDD (Knowledge Discovery in
Databases) que consta de tres fases: preparación de los datos, extracción de información
e interpretación de los resultados.
REDES NEURONALES
Son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en
que funciona el sistema nervioso de los animales. Se trata de un sistema de
interconexión de neuronas en una red que colabora para producir un estímulo de salida.
Algunos ejemplos de red neuronal son:
El Perceptrón.
El Perceptrón multicapa.
Los Mapas Autoorganizados, también conocidos como redes de Kohonen.
QUERY & REPORT
Las herramientas de Query (consulta) y Report (reporte) son quizá las más conocidas en
este ámbito, ya que son fundamentales para el desarrollo y manejo de listados e
informes basados en la información presente en los almacenes de datos y Data Marts.
ALGORITMO ID3
El algoritmo ID3 es utilizado dentro del ámbito de la inteligencia artificial. Su uso se
engloba en la búsqueda de hipótesis o reglas en él, dado un conjunto de ejemplos.
El conjunto de ejemplos deberá estar conformado por una serie de tuplas de valores,
cada uno de ellos denominados atributos, en el que uno de ellos, (el atributo a clasificar)
es el objetivo, el cual es de tipo binario (positivo o negativo, sí o no, válido o inválido,
etc.).
De esta forma el algoritmo trata de obtener las hipótesis que clasifiquen ante nuevas
instancias, si dicho ejemplo va a ser positivo o negativo.
ID3 realiza esta labor mediante la construcción de un árbol de decisión.
3. EJECUCIÓN
Se han realizado pruebas con resultados satisfactorios en puntajes para de una manera u
otra encontrar promedios, ejemplo: el gasto total que efectúa por cada proveedor y
empleándolo para los cálculos anuales; para esto tenemos dos tipos, por producto y por
cantidad:
20. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II
Por producto: Se añade una tabla más para realizar el cubo, esta contendrá datos
específicos de acuerdo al producto más consumido, teniendo en cuanto la unidad de
medida en conjunto con los precios de costo y las fechas establecidas para la compra.
Esto deja de lado a aquellos productos que tal vez tengan un límite mínimo de consumo
pero posiblemente no sea por esta razón sino tal vez por su alto costo.
Por Cantidad: Inclinación hacia el total de elementos que el proveedor ha facilitado,
tomando en cuenta los de mayor y menor demanda, así mismo los precios costos tanto
como las fechas.
Esto puede ser especificado, arrastrando diversos atributos para determinar el tiempo
anual establecido en partes, como por ejemplo: específicamente de un determinado mes.
4. CONCLUSIONES
El Procesamiento Analítico en Línea es una buena alternativa de solución a los
problemas que se presentan en los niveles estratégicos de las empresas, ya que los
gerentes o analistas empresariales necesitan obtener respuestas rápidas a consultas
complejas en grandes cantidades de datos, más aún este tiempo de respuesta se puede
optimizar implementando los diferentes tipos de cubos OLAP que existe según las
necesidades del usuario.
El entorno Business Intelligence Development Studio de Microsoft Visual Studio
permite implementar soluciones OLAP de una forma sencilla y rápida, gracias a sus
diferentes tipos de asistentes que ofrece como Asistente para Administrar conexión de
Datos, Asistente para crear Vista de Origen de Datos, Asistente para Cubos, Asistente
para dimensiones, etc.
Aciertos en el diseño
Procuramos que el diseño fuera lo suficientemente flexible y simple, de manera de
facilitar el mantenimiento de la aplicación así como permitir la incorporación de nuevas
funcionalidades. En consecuencia se definió una arquitectura modular, intentando
agrupar en componentes independientes las rutinas de interacción con las distintas
tecnologías que fueron utilizadas.
5. REFERENCIAS BIBLIOGRÁFICAS
https://churriwifi.wordpress.com/2010/02/11/14-7-navegacion-dimensional-y-cubos-
olap-en-microstrategy-9/
http://www.informatica-hoy.com.ar/telefonos-celulares/Cubo-OLAP-una-base-de-datos-
multidimensional.php
http://es.slideshare.net/sebasrod/eiad
http://www.businessintelligence.info/definiciones/cubos-olap.html
http://www.danysoft.com/free/BIyDW.pdf
21. UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
PROYECTO BASE DE DATOS II