Upload
vanphuc
View
217
Download
0
Embed Size (px)
Citation preview
0
FACULTAD DE INGENIERÍA
CARRERA PROFESIONAL INGENIERIA DE SISTEMAS E
INFORMÁTICA
TITULO
IMPLANTACION DE BUSINESS INTELLIGENCE COMO MEJORA EN LA
GESTION ACADEMICA DEL AREA DE COORDINACION ACADEMICA DE
LA UPIG, SURCO 2015.
TESIS
Para optar el título profesional de Ingeniero de Sistemas e Informática
AUTORES Gutiérrez Rojas, Jesús
ASESOR MBA ING Zorrilla Vargas, Carlos
Lima-Perú
2014
1
DEDICATORIA
Dedico este trabajo a mi Dios por
darme la fuerza y perseverancia
para vencer los obstáculos.
A mis querida familia y mi novia
que siempre está a mi lado por
su paciencia, apoyo
incondicional y a nuestros
profesores, quienes nos
enseñan cada vez a ser mejores
profesionales.
2
AGRADECIMIENTO
Nuestros sinceros agradecimientos para todas y cada una de las personas que
nos dieron la mano en el largo transcurso de nuestra carrera universitaria, que
han sido un pilar fundamental para la culminación de este logro. A Dios, que es
quién da las fuerzas para seguir adelante.
A nuestros queridos familiares, por su apoyo emocional, a lo largo de nuestra
vida estudiantil y nos han impulsado a seguir adelante a pesar de las
dificultades.
A la nuestra universidad por acogernos estos años de pre grado a los buenos
docentes que también nos indujeron para concluir esta meta final que es el
término de la tesis, por la paciencia, colaboración y la confianza que tuvieron
en nosotros desde el principio del desarrollo de esta tesis, por sabernos guiar
con sus conocimientos, aportando nuevas ideas que han sido clave para
mejorar esta tesis.
A los Autoridades de la universidad UPIG, por darnos la oportunidad y darnos
la confianza de usar la institución como el centro de investigación para el
desarrollo de esta tesis.
3
RESUMEN
La presente investigación busca explicar en forma muy sencilla que es:
“Business Intelligence” o “Inteligencia de Negocio”, su estructura y
aplicaciones en la empresa.
Este Proyecto está orientado a universidad UPIG específicamente en
parte académica el cual tendrá como herramienta para el desarrollo a
SQL SERVER 2008R2.
Ya que en la institución en estudio no existe una aplicación gerencial
que permita tomar decisiones mediante la visualización de información
resumida y concreta. Este permitirá tener información a tiempo para ello
se realizara un proyecto de inteligencia de Negocios.
La inteligencia de Negocios es el análisis de los datos de la empresa,
mediante la cual se transforman en información estratégica para el
apoyo de la toma de decisiones gerenciales, para ello brinda una serie
de herramientas tecnológicas, de consultoría y estrategia.
Al contar con la información exacta, en tiempo real, es posible tomar las
decisiones y correcciones necesarias antes de que se conviertan en
problemas. Las empresas implementan la inteligencia de negocios para
comprender y analizar los patrones de comportamiento ingresos,
Seguimiento Académicos de estudiantes y docentes, con el fin de
identificar las oportunidades de crecimiento.
Por lo tanto, cuanto más relevante y útil sea la inteligencia de negocios
para la empresa, mejores serán las decisiones que se puedan tomar y
mayor será su ventaja competitiva.
La orientación de las empresas va hacia sistemas que permitan unificar
y administrar su información de manera inteligente.
La construcción de una aplicación de soporte a la toma de decisiones
este implica la implantación de un Datamart que abarca un área
específicamente como es la parte académica del estudiante de la
4
universidad. Por lo tanto, la implementación de Datamart hacia la
inteligencia de negocios se realizara en la plataforma SQL SERVER
2008R2 con Analysis Services.
El objetivo central de este trabajo, es dar una solución al problema de las
necesidades de información para la toma de decisiones de las
autoridades y Coordinadores de la UPIG que consiste realizar la
implantación de Inteligencia de Negocios usando la plataforma SQL
SERVER 2008R2.
Para el desarrollo de este proyecto se aplicó la técnica de investigación
mixta, porque ésta consiste en la recopilación y tratamiento de datos.
Los métodos de investigación que se utilizaron son de investigación
analítico-sintéticos e inductivo-deductivos.
Las principales conclusiones arrojadas establecen que, Business
Intelligence es la habilidad para transformar los datos en información, y
la información en conocimiento, de forma que se pueda optimizar el
proceso de toma de decisiones.
5
ABSTRACT
This research seeks to explain in very simple way that is "Business Intelligence"
or "Business Intelligence", its structure and applications in the enterprise.
This project is aimed at university Upig specifically academics who will have as
a tool for developing SQL SERVER 2008R2.
Since the institution under study there is a management application that can
make decisions by viewing summary and specific information.This allow you to
have this information in time for a project Business intelligence was made.
Business intelligence is the analysis of the data of the company, by which
become strategic information to support management decision making, for it
provides a range of technological tools, consulting and strategy.
By having accurate information in real time, you can make decisions and
necessary corrections before they become problems. Companies implement
business intelligence to understand and analyze the behavior patterns income
Academic Tracking of students and teachers, in order to identify opportunities
for growth.
Therefore, the more relevant and useful business intelligence is to the
company, the better the decisions that can be taken and greater competitive
advantage.
The orientation of firms going into systems to unify and manage their
information intelligently.
Building a support application to decision making that involves implantation of a
Datamart covering an area specifically as academic and History of Payments
college student. Therefore, the implementation of Datamart to business
intelligence platform will be held in SQL SERVER 2008R2 with Analysis
Services.
The main objective of this paper is to provide a solution to the problem of
information needs for decision making authorities and Coordinators UPIG
6
consisting make the implementation of Business Intelligence platform using
SQL SERVER 2008R2.
For the development of this project mixed technique applied research because
it involves the collection and processing of data. The research methods that
were used are of analytical-synthetic and inductive-deductive research.
The main conclusions drawn state that Business Intelligence is the ability to
transform data into information and information into knowledge, so as to
optimize the process of decision making.
7
INDICE
CAPITULO I: EL PROBLEMA DE INVESTIGACIÓN
1.1 Planteamiento del problema ................................................................... 14
1.2 Formulación del problema ....................................................................... 15
1.3 Objetivos de la investigación ................................................................... 15
1.3.1 Objetivos generales .......................................................................... 15
1.3.2 Objetivos específicos ........................................................................ 15
1.4 Justificación del estudio .......................................................................... 15
1.5 Limitaciones de la investigación .............................................................. 16
CAPITULO II: MARCO TEÓRICO
2.1.-Antecedentes del estudio ....................................................................... 20
2.2.-Bases teóricas ....................................................................................... 23
2.3.-Definición de términos ........................................................................... 37
2.4.-Hipótesis ................................................................................................ 40
2.4.1.-Hipótesis general ............................................................................. 40
2.4.2.-Hipótesis específica ......................................................................... 40
2.5.-Variables ................................................................................................ 41
2.5.1.-Definición conceptual de la variable ................................................ 41
2.5.2.-Definición operacional de la variable ............................................... 41
2.5.3.-Operacionalización de la variable .................................................... 41
CAPITULO III: METODOLOGÍA
3.1 Tipo y nivel de investigación ................................................................... 43
3.2 Descripción del ámbito de la investigación ............................................. 43
3.3 Población y muestra ................................................................................ 43
3.4 Técnicas e instrumentos para la recolección de datos ............................ 44
3.5 Validez y confiabilidad del instrumento ................................................... 47
3.6 Plan de recolección y procesamiento de datos ....................................... 59
CAPITULO IV: RESULTADOS
4.1 Diagrama del AS-IS Y TO-BE de Gestión Académica ............................ 51
4.2 Modelo del Solución Inteligencia de Negocio .......................................... 55
4.3 Diagrama de Contexto ............................................................................ 57
8
4.4 Diagrama de caso de Uso Negocio ......................................................... 58
4.5 Diagrama de Actividad de Negocio ......................................................... 64
4.6 Diagrama del Sistema ............................................................................. 67
4.7 Diagrama de Secuencia .......................................................................... 68
4.8 Diagrama de Colaboración ..................................................................... 70
4.9 Diagrama de Clase ................................................................................. 71
4.10 Diagrama de componentes ................................................................... 72
4.11 Diagrama de Despliegue ....................................................................... 73
4.12 Modelo multidimensional ....................................................................... 73
4.13 Modelo de Físico de Data Mart ............................................................. 78
4.14 Prototipos .............................................................................................. 86
CAPITULO V: CONTRASTACION DE LA HITOTESIS
5.1 Contrastación de la Hipótesis ................................................................. 90
CONCLUSIONES ............................................................................................ 96
RECOMENDACIONES .................................................................................... 97
REFERENCIAS BIBLIOGRÁFICAS ................................................................ 98
ANEXOS .......................................................................................................... 99
9
ÍNDICE DE TABLAS Y GRÁFICOS
GRÁFICOS
Grafico N° 1: Las 4 Fases del Desarrollo del Conocimiento ......................... 24
Grafico N° 2: Modelo Estrella ........................................................................ 29
Grafico N° 3: Modelo Estrella ejemplo .......................................................... 30
Grafico N° 4: Esquema copo de Nieve.......................................................... 31
Grafico N° 5: Ejemplo Esquema copo de Nieve ........................................... 32
Grafico N° 6: Ejemplos de Dimensión Tiempo .............................................. 34
Gráfico N° 7: Tareas de la metodología de Kimball ...................................... 37
Grafico N° 8: Actividad antes de sistema de Gestión académica ................. 51
Grafico N° 9: Actividad con tecnología de Gestión académica ..................... 52
Grafico N° 10: Actividad sin tecnología de Gestión Pagos de Pensiones del
Estudiante ..................................................................................................... 53
Grafico N° 11: Actividad con tecnología de Gestión Pagos de Pensiones del
Estudiante ..................................................................................................... 54
Grafico N° 12: Modelo de Solución BI ........................................................... 55
Grafico N° 13: Modelo de Arquitectura de la plataforma SQL Server ........... 56
Gráfico N° 14: Diagrama de Contexto ........................................................... 57
Gráfico N° 15: Diagrama de Caso de Uso de Negocio de Gestión Académica
...................................................................................................................... 58
Gráfico N° 16: Diagrama de Caso de Uso de Negocio de Gestión Pagos .... 59
Gráfico N° 17: Diagrama de Procesos involucrados ..................................... 60
Gráfico N° 18: Diagrama de Actividad Gestión Académica Alumno ............. 64
Gráfico N° 19: Diagrama de Actividad de Gestión Académica Docente ....... 65
Gráfico N° 20: Diagrama actividad de Gestión Pagos de Pensiones
Estudiantes ................................................................................................... 66
Gráfico N° 21: Diagrama de caso de Uso del Sistema ................................. 67
Grafico N° 22: Controles de Sistemas........................................................... 68
Gráfico N° 23: Diagrama de Secuencia del Estudiante ................................. 68
Gráfico N° 24: Diagrama de Secuencia del Docente .................................... 69
Gráfico N° 25: Diagrama de Secuencia del Pagos Estudiantes .................... 69
Gráfico N° 26: Diagrama de Colaboración del Estudiante ............................ 70
Gráfico N° 27: Diagrama de Colaboración del Docente ................................ 70
Gráfico N° 28: Diagrama de Colaboración del Pagos Estudiantes ............... 71
10
Gráfico N° 29: Diagrama de Clases .............................................................. 71
Gráfico N° 30: Diagrama de Componente ..................................................... 72
Gráfico N° 31: Diagrama de Despliegue ....................................................... 73
Gráfico N° 32: Dimensión tiempo .................................................................. 74
Gráfico N° 33: Dimensión Periodo Lectivo .................................................... 74
Gráfico N° 34: Dimensión categoría Docente ............................................... 75
Gráfico N° 35: Dimensión dedicación Docente ............................................. 75
Gráfico N° 36: Dimensión Asignatura............................................................ 76
Gráfico N° 37: Dimensión Estudiante ............................................................ 76
Gráfico N° 38: Dimensión Especialidad ........................................................ 78
Gráfico N° 39: Dimensión Docente ............................................................... 78
Gráfico N° 40: Modelo Multidimensional en base a tablas relacionales para el
cubo de ESTUDIANTE .................................................................................. 79
Gráfico N° 41: Modelo Multidimensional en base a tablas relacionales para el
cubo de DOCENTES .................................................................................... 80
Gráfico N° 42: Modelo Multidimensional en base a tablas relacionales para el
cubo de HISTORIAL_ESTUDIANTE ............................................................. 81
Gráfico N° 43: Modelo Multidimensional en base a tablas relacionales para el
cubo de los PAGOS ..................................................................................... 82
Gráfico N° 44. Modelo Multidimensional en base a tablas relacionales para el
cubo de la DESERCION ............................................................................... 83
Gráfico N° 45. Modelo Multidimensional en base a tablas relacionales para el
cubo de SEGUIMIENTOS DE NOTAS .......................................................... 84
Gráfico N° 46. Modelo Multidimensional en base a tablas relacionales para el
cubo de OFERTA DEMANDA DE CARRERAS ............. 8¡Error! Marcador no
definido.
Gráfico N° 47: Cuadro cursos por Notas ....................................................... 86
Gráfico N° 48: Cuadro de ingresantes vs vacantes por carrera .................... 86
Gráfico N° 49: Cuadro de ingresantes vs vacantes de Otros Semestre ....... 87
Gráfico N° 50: Egresados por año ................................................................ 87
Gráfico N° 51: Asignatura vs Docentes ......................................................... 88
Gráfico N° 52: Modelo del Proceso en estudio ............................................. 90
Gráfico N° 53: Comparación de resultados de la Pre – test y Post – test ..... 92
Gráfico N° 54: Resultado de la prueba nro. Reportes por mes ..................... 93
Gráfico N° 55: Resultado de la prueba nro. de toma de decisiones por mes 94
11
12
TABLAS
Tabla N° 1: Cuadro de representación de la Muestra ............................... 45
Tabla N° 2: Cuadro de Actividad, técnica e Instrumento ........................... 47
Tabla N° 3: Cuadro de Alpha de Combrach para Confiabilidad del
Instrumento ................................................................................................ 49
Tabla N° 4: Cuadro Especificaciones de Actores del Negocio................... 62
Tabla N° 5: O1 ........................................................................................... 92
Tabla N° 6: O2 ........................................................................................... 93
Tabla N° 7: Comparación de resultados entre el sistema actual y el
Datamart(BI) .............................................................................................. 93
Tabla N° 8: Nro. De reportes por mes ....................................................... 94
Tabla N° 9: Nro. de toma de decisiones por mes ...................................... 95
13
INTRODUCCIÓN
Actualmente el entorno organizaciones está sometido a un estado de cambio
permanente, acelerado e interdependiente, para enfrentarlo las organizaciones
deben ser ágiles, capaces de enfrentar el ambiente competitivo y hacer las
cosas de forma diferenciada, para ello el conocimiento es la clave para
mantener la actitud abierta hacia el cambio y la mejora constante.
Inteligencia de negocio, es el proceso de obtener información sobre la
organización a partir de los datos existentes. En la Era de la Información, las
organizaciones tienen a su disposición vastas cantidades de datos,
recolectadas en sistemas transaccionales. Dichos sistemas, son esenciales
para la operación del negocio.
El valor fundamental de una organización reside en su capacidad para superar
a sus competidores en términos de costos y calidad de los productos y
servicios que ofrece; es decir, de su competitividad.
Esta última, a su vez, depende considerablemente de la habilidad de la
organización para adaptarse a las exigencias de su mercado y de su entorno.
Una variable que considera cualquier organización exitosa hoy en día es la
innovación y la gestión de su conocimiento solo así se garantiza su presencia
en el mercado.
Así mantiene el estado de alerta frente a las fuerzas que afectan el negocio le
permiten procesar y transferir información, aplicar conocimientos y, con ello,
innovar su oferta de servicios. Competitividad e innovación son nociones
estrechamente ligadas a la Inteligencia de Negocios y, en este sentido, la
empresa moderna debe estar consciente de la necesidad de crear un ambiente
propicio para lograr que la efectiva transferencia de la información y que la
aplicación del conocimiento obtenido se efectúe de una forma transparente en
todas las actividades de sus trabajadores y, en todas las instancias de la
estructura organizacional.
14
Como se obtiene, manipula y usa la información junto a la capacidad de
generar conocimiento será el factor que determine si la empresa gana o pierde
además ver el estado en la que se encuentra según el rubro en el que se
desenvuelva.
El presente trabajo describe la implementación de una Solución de Inteligencia
de Negocios, como apoyo a la generación de conocimiento y apoyo gerencial
razón a la información de la organización, orientándose a la Universidad UPIG
desarrollando un Datamart.
En los primeros capítulos se alcanzó las pautas generales de la investigación:
planteamiento del problema, Formulación del Problema, los objetivos que se
alcanzó con la investigación, el marco teórico, donde se aclaró algunos
conceptos e ideas y la metodología de la investigación, donde también se
definió el universo y muestra para el estudio.
En el capítulo IV se analizó los resultados obtenidos después de implementado
la solución, finalmente las conclusiones, recomendaciones y referencias
bibliográficas.
15
CAPITULO I:
EL PROBLEMA DE INVESTIGACIÓN
16
1.1 Planteamiento del problema
La universidad peruana de integración global (UPIG) trabaja con
sistema transaccionales el brinda información el cual se almacena en
contenedores de información llamada Base Datos. Pero estos sistemas
solos realizan procesos de forma transaccional para el nivel operativo y
muestra información solo para el que labora en cada área.
Con los sistemas tradicionales se preparan reportes ad-hoc para
encontrar las respuestas a algunas las preguntas, pero se necesita
dedicar aproximadamente un 60 % del tiempo asignado al análisis de
localización y presentación de los datos, como también asignación de
recursos humanos y de procesamiento del departamento de sistemas
para poder responderlas, sin tener en cuenta la degradación de los
sistemas transaccionales. Esta problemática se debe a que dichos
sistemas transaccionales no fueron construidos con el fin de brindar
síntesis, análisis, consolidación, búsquedas y proyecciones.
Además trabaja con libros de Excel en algunas áreas el cual tienes otro
tipo de información y sirven para tomar una decisión.
Sabiendo la necesidad que no tienes sistema para la toma de
decisiones que ayude al análisis y además ver información resumida y
concreta tomar una decisión.
Por ello se encontrado algunas falencias:
a) No hay control de alumnos que desertaron en periodo anterior.
b) No existe índice de Aprobados y Desaprobados con criterios de
filtro.
c) Control de Alumnos por Edades, sexo y secciones por aulas.
d) No hay cuadro de Docentes con grados y especialidad.
e) Falta cuadros de Matriculados Vs Ingresantes.
f) Concurrencia de estudiantes durante los semestres, entre otros.
La propuesta para la necesidad es analizar e implementar inteligencia
de negocios basados en Datamart y soportado con SQL server
2008R2 y sus herramientas el cual permitirá ver la información de
manera inmediata.
17
1.2 Formulación del problema
¿En qué medida la Implantación del Business Intelligence mejora la
Gestión Académica del área de coordinación de la UPIG, Surco 2015?
1.3 Objetivos de la investigación
1.3.1 Objetivos generales
Determinar como la implantación del Business Intelligence mejora la
Gestión Académica del área de coordinación de la UPIG, Surco 2015.
1.3.2 Objetivos específicos
a. Determinar como la implantación del Business Intelligence mejora la
Eficiencia en la Gestión Académica del área de coordinación académica
de la UPIG, Surco 2015.
b. Determinar como la implantación del Business Intelligence mejora la
toma de decisiones en la Gestión Académica del área de coordinación
académica de la UPIG, Surco 2015.
1.4 Justificación del estudio
Las organizaciones son clasificadas y evaluadas no únicamente por la
calidad de sus productos o servicios, sino también por el grado en el que
manejan, procesan y comparten la información con sus clientes o
estudiantes, empleados.
La Universidad UPIG no dispone de una herramienta que facilite la
toma de decisiones ni el acceso a reportes de forma inmediata, dando
lugar a que se arriesguen y en ocasiones se equivoquen en información,
no tanto por las cualidades o deficiencias administrativas, sino por la
falta de informes oportunos al momento que urgen de la información les
ayude en este proceso.
18
Es por ello que la metodología de Business Intelligence, permitirá
unificar todos los sistemas de la Institución para obtener no solo la
información, sino también el desarrollo de una infalible inteligencia de
negocio, siendo esta una ventaja significativa sobre los principales
competidores. Esta metodología tiene como principal meta ayudar área
académico y gerencias para poder tener resultados y beneficiosos
como:
Cantidad de deserción estudiantil.
Cantidad Aprobado y desaprobados
Crear Escenarios y mejorar la Estructura de Toma de decisiones.
Compartir Información resumida e inmediata.
La Investigación realizada contó con la colaboración e interés del
personal de diversas áreas académicas involucradas en el desarrollo de
esta aplicación. La importancia para la institución de haber obtenido el
apoyo de las autoridades de la UPIG brindar el acceso a la información
de las áreas involucrados y sus proceso.
1.5 Limitaciones de la investigación
- Limitaciones.
El poco interés de la organización para aplicar esta tecnología, puesto
que no es muy conocida en el ámbito.
El tiempo estimado de realización para este proyecto es
aproximadamente 3 meses, tiempo que se empleara entre la aplicación
y documentación del proyecto.
La realización de este proyecto requiero tanto software y Hardware
necesario para el diseño e implementación DataMart como herramientas
de almacenamiento de información.
19
- Alcance
El proyecto contempla el implantar inteligencia de negocios en la UPIG,
a través de una síntesis de información existente sobre los sistemas
transaccionales y otras fuentes de datos, este tendrá como objetivo
atacar solo el área académica del estudiante.
Se realizará una definición, una presentación de sus componentes, la
descripción de algunas herramientas y cuáles son los beneficios que
puede aportar la implantación de BI a una organización en esta ocasión
se realizar con SQL Server 2008 R2.
Los alcances del proyecto están acotados por los objetivos del mismo:
1. Evaluación de los Sistemas existentes de la organización.
2. Evaluación departamentos de la organización.
3. Determinación del enfoque de la estructura de base de datos
(DataMart).
4. Diseño de una solución de BI adecuada según necesidades
académicas del estudiantes.
5. Generar un visor para mostrar los resultados del proyecto BI.
20
CAPITULO II
MARCO TEÓRICO
21
Necesidad de Información y Conocimiento en la Organización
Las empresas actualmente caracterizan a la información como uno de los
activos de la organización, es así, que se comienza a tratarla, especialmente
aquella relacionada con datos para tomar decisiones, de una manera más
metodológica. A continuación se exponen brevemente algunos conceptos
relacionados con la información y su importancia estratégica para la toma de
decisiones en las empresas.
Información Estratégica
Está orientada principalmente a soportar la Toma de Decisiones de las áreas
directivas para alcanzar la misión empresarial. Se caracteriza porque son
sistemas sin carga periódica de trabajo y sin gran cantidad de datos, sin
embargo, la información que almacenan está relacionada a un aspecto cualitativo
más que cuantitativo, que puede indicar como operará la empresa ahora y en el
futuro, el enfoque es distinto, pero sobre todo es distinto su alcance. Se asocia
este tipo de información a los ejecutivos de primer nivel de las empresas.
Un punto importante es que la información estratégica toma grandes
cantidades de datos de áreas relacionadas y no se enfoca específicamente
hacia una sola, de ahí que las decisiones que puedan ser tomadas impactan
directamente sobre toda la organización.
Información Táctica
Información que soporta la coordinación de actividades y el plano operativo de
la estrategia, es decir, se plantean opciones y caminos posibles para alcanzar la
estrategia indicada por la dirección de la empresa. Se facilita la gestión
independiente de la información por parte de los niveles intermedios de la
organización. Este tipo de información es extraída específicamente de una área o
departamento de la organización, por lo que su alcance es local y se asocia
a gerencias o subdirecciones.
22
Introducción a Datamarts
El acceso a los datos de toda la empresa a veces no es conveniente (o
necesario) para determinados usuarios que solo necesitan un subconjunto de
estos datos, en estos casos se utilizan los Datamarts. El concepto
Datamart es una especialización del datawarehouse, y está enfocado a un
departamento o área específica, como por ejemplo los departamentos de
Finanzas o Marketing. Permitiendo así un mejor control de la información.
Los principales beneficios de utilizar Datamarts son:
Acelerar las consultas reduciendo el volumen de datos a recorrer
Estructurar los datos para su adecuado acceso por una herramienta
Dividir los datos para imponer estrategias de control de acceso.
Segmentar los datos en diferentes plataformas hardware.
Permite el acceso a los datos por medio de un gran
número de herramientas del mercado, logrando independencia de
estas.
2.1.-Antecedentes del estudio
2.1.1 Nacionales
a) Titulo de la Tesis: Desarrollo de un Datamart en el área de
administración y finanzas de la municipalidad distrital de los baños
del inca.
b) Autores: Melsi Ocas Terrones
c) Año de Publicación: Cajamarca Perú, 2012
d) Resumen:
El presente trabajo de tesis desarrolla un Data Mart para el apoyo
al proceso de toma de decisiones del área de área administración
y finanzas de la Municipalidad Distrital de los Baños del Inca.
23
Debido a que sus sistemas actuales no soportan el manejo
adecuado de grandes volúmenes de información, tienen el
problema de utilizar su información para emplearla en la toma de
decisiones de la institución.
Para llevar adelante el desarrollo del Data Mart se utilizó la
metodología de Kimball, conformada por las siguientes etapas:
Planificación: En este proceso se determina el propósito
del proyecto de DW/BI, sus objetivos específicos y el
alcance del mismo, los principales riesgos y una
aproximación inicial a las necesidades de información.
Análisis de requerimientos: Se debe aprender tanto
como se pueda sobre el negocio, los competidores, la
industria y los clientes del mismo.
Modelado Dimensional: El proceso de diseño comienza
con un modelo dimensional de alto nivel obtenido a partir
de los procesos priorizados.
Diseño del sistema de Extracción, Transformación y
Carga (ETL): El sistema de Extracción, Transformación y
Carga (ETL) es la base sobre la cual se alimenta el
Datawarehouse. Si el sistema ETL se diseña
adecuadamente, puede extraer los datos de los sistemas
de origen de datos, aplicar diferentes reglas para aumentar
la calidad y consistencia de los mismos Especificación y
desarrollo de aplicaciones de BI: Las aplicaciones de BI
son la cara visible de la inteligencia de negocios: los
informes y aplicaciones de análisis proporcionan
información útil a los usuarios.
Para concluir con el proyecto, se realizó la contrastación de
la hipótesis, las conclusiones y finalizando con las
recomendaciones.
24
2.1.2 Internacionales
a) Titulo de la Tesis: Implementación De Un Sistema De
Inteligencia De Negocios, Basado En Minería De Datos, Para La
Gerencia De Una Pyme.
b) Autores: Br. Ivany Arellán Lozano
c) Año de Publicación: Venezuela, Octubre del 2006
d) Resumen:
En este proyecto se presenta el desarrollo e implementación de
un Sistema de Inteligencia de Negocios basado en Minería de
Datos para la gerencia de una PyME del Área de la Construcción.
Utilizando técnicas de Minería de Datos en un DataWarehouse
(bodega de datos con hechos históricos y transacciones
rudimentarias de la PyME, Caso de Estudio) se obtuvieron
modelos descriptivos para la representación de la situación actual
de la empresa y modelos predictivos para la clasificación de
clientes, productos y vendedores de la empresa. Se utilizaron
técnicas de Análisis Multivariante (cluster Análisis) y Máquina de
Vector Soporte aportadas por la herramienta Weka 3.4 y Redes
Neuronales entrenadas con Algoritmos Genéticos utilizando el
software NeuroSolutions 5.0.
El Sistema de Inteligencia de Negocios desarrollado utilizando el
software Infomaker 8.0, facilita a usuarios de los Niveles
Gerenciales Operativo, Táctico y Estratégico, la consulta a través
de formularios, gráficos, reportes de resultados de la aplicación de
Minería de datos para dar soporte a la toma de decisiones en la
aprobación de créditos de sus clientes, rotación del inventario de
sus productos y calificación del desempeño de sus vendedores.
25
2.2.-Bases teóricas
Gestión del Conocimiento
Los datos constituyen símbolos no estructurados y discretos que deben ser
asimilados e interpretados. La información es un medio para la comunicación
explícita. En cambio el conocimiento es más complejo, se caracteriza por ser
dinámico, personal y principalmente porqué está interpretado y asumido en
cierta acción, esta es la principal diferencia con respecto a los datos y de la
información. El conocimiento puede ser tácito o puede hacerse en parte
explícito. La información, de este modo, sería conocimiento hecho explícito. Lo
cual no quiere decir que quien recibe la información reciba el mismo
conocimiento original, primero porque la mayor parte se pierde, y segundo
porqué lo que llega mediante la información se reinterpreta según el receptor y
sus percepciones y experiencias personales. Se produce por tanto un
conocimiento personal que compartiéndolo puede llegar a tener un marco y
elementos comunes. Hablaríamos así de conocimiento compartido o
conocimiento de una organización. En la creación del conocimiento
organizacional se establece a través de un diálogo continuo entre el
denominado conocimiento tácito y el explícito.
En todo conocimiento podemos distinguir cuatro elementos:
- El sujeto que conoce.
- El objeto conocido.
- La operación misma de conocer.
- El resultado obtenido que es la información recabada acerca del objeto.
Dicho de otra manera: el sujeto se pone en contacto con el objeto y obtiene una
información acerca del mismo. Cuando existe congruencia o adecuación entre
el objeto y la representación interna correspondiente, decimos que estamos en
posesión de una verdad.
26
El saber tácito, es decir el conocimiento adquirido a través de la experiencia y
que es difícil de verbalizar, es considerado en opinión de los expertos la fuente
fundamental de innovación.
a. El proceso de creación del conocimiento para Nonaka y Takeuchi. El
proceso de creación del conocimiento para Nonaka y Takeuchi (1995) es a
través de un modelo de generación de conocimiento mediante dos espirales de
contenido epistemológico y ontológico.
Es un proceso de interacción entre conocimiento tácito y explícito que tiene
naturaleza dinámica y continua. Se constituye en una espiral permanente de
transformación ontológica interna de conocimiento, desarrollada siguiendo 4
fases.
Grafico N° 1: Las 4 Fases del Desarrollo del Conocimiento
Fuente1:
b. Sociedad del Conocimiento
Las sociedades contemporáneas se enfrentan al reto de proyectarse y
adaptarse a un proceso de cambio que viene avanzando muy rápidamente
hacia la construcción de Sociedades del Conocimiento.
Este proceso es dinamizado esencialmente por el desarrollo de nuevas
tendencias en la generación difusión y utilización del conocimiento, y está
demandando la revisión y adecuación de muchas de las empresas y
organizaciones sociales y la creación de otras nuevas con capacidad para
asumir y orientar el cambio. Una
1 http://manuelgross.bligoo.com/content/view/726294/Nonaka-y-Takeuchi-5-condiciones-para-
generar-conocimiento-tacito-y-explicito.html
27
Sociedad del Conocimiento es una sociedad con capacidad para generar,
apropiar, y utilizar el conocimiento para atender las necesidades de su
desarrollo y así construir su propio futuro, convirtiendo la creación y
transferencia del conocimiento en herramienta de la sociedad para su propio
beneficio.
En la sociedad del conocimiento y del aprendizaje, las comunidades, empresas
y organizaciones avanzan gracias a la difusión, asimilación, aplicación y
sistematización de conocimientos creados u obtenidos localmente, o acceder
del exterior. El proceso de aprendizaje se potencia en común, a través de
redes, empresas, gremios, comunicación inter e intrainstitucional, entre
comunidades y países. Una sociedad de aprendizaje significa una nación y
unos agentes económicos más competitivos e innovadores; también eleva la
calidad de vida a todo nivel.2
c. Gestión del Conocimiento
La Gestión del Conocimiento nos hace diferentes, contribuye a que seamos
una organización líder e innovadora y nos permite proveer de soluciones de
negocio de alto valor a nuestros clientes.
La Gestión del Conocimiento conlleva necesariamente un cambio de cultura,
tanto en el propio seno de las organizaciones y de las personas, como de las
propias estructuras del sistema económico y de mercado. Afrontar este cambio
adecuadamente exige innovación, aprendizaje y adaptación a nuevos
mercados.
Consolidar a la empresa en un proceso de innovación constante en su
estructura organizativa, funcional y de procesos supone dotar a la empresa del
elemento fundamental para consolidar la cultura del cambio.
d. Tecnologías de información para la gestión del conocimiento
En la actualidad, entender cuál es el rol de las tecnologías de información
entorno a la gestión del conocimiento es la pieza clave para no cometer un
error de concepto. Este error radica en concebir la implantación de la gestión
del conocimiento como una tarea de las tecnologías de información. Es
2 http://sociedaddelconocimiento.blogspot.com/2009/09/las-sociedades-contemporaneas-se.html
28
importante comprender que las tecnologías de información proveen el marco,
pero no el contenido.
El individuo es el “creador” de conocimiento y la compañía es “amplificador” de
conocimiento. El contenido es una cuestión exclusiva de los individuos. La
tecnologías de información facilitarán el proceso, pero por si misma es incapaz
de extraer algo de la cabeza de una persona. En este sentido uno de los
últimos desafíos de la gestión del conocimiento es el de aumentar las
oportunidades de innovación y esto se logrará cuando las tecnologías de
información y la creatividad humana se junten.
e. Inteligencia de negocios.
Conocida también como Business Intelligence (BI), se refiere a la recolección
de información generada por los procesos de negocio. Esto incluye la
tecnología usada en estos procesos y la información obtenida de los mismos.
Las empresas normalmente recopilan información con el fin de determinar el
entorno del negocio, y recopilan información de los estudios de mercado, las
ventas, la industria y los competidores. Las organizaciones competitivas
acumulan información con el fin de obtener gran ventaja competitiva y
preservan esa información como capacidad de competitividad para algunas
instancias.
La información que se recopila para la Inteligencia de Negocios es
principalmente proveniente de fuentes internas, como son los trabajadores que
intervienen en las ventas. La segunda fuente proviene de los clientes, los
proveedores, la competencia y en general de las tendencias de la tecnología, la
economía y la cultura.
La tecnología de Inteligencia de Negocios es el proceso que convierte los datos
en información y luego en conocimiento. Las personas que participan de los
procesos de negocio deben utilizar software y otras tecnologías que les
permitan obtener, almacenar, analizar y permitir acceso a data, presentarla de
manera simple y de manera manejable.
Las Inteligencias de Negocios normalmente usan indicadores claves de
performance (KPI), que son métricas financieras y no financieras que permiten
medir los objetivos e indicadores dependiendo del giro de la compañía.
Dentro de Inteligencia de Negocios los principales son los siguientes:
- Balanced Scorecard
29
- Customer Relationship Management (CRM)
- Business Process Re-engineering
- Datamining and Datawarehouses.
- OLAP
- AQL - Associative Query Logic.
f. SQLServer 2008
SQL Server 2008 permite a los clientes crear aplicaciones críticas y soluciones
Big Data mediante tecnología en memoria y de alto rendimiento a través de
OLTP, almacenamiento de datos, Business Intelligence y cargas de trabajo
analíticas sin tener que comprar costosos complementos ni aplicaciones de alta
gama. SQL Server 2008utiliza un conjunto de herramientas comunes para
implementar y administrar bases de datos tanto en la nube como en el entorno
local, lo que facilita que los clientes puedan aprovechar la nube con los
conocimientos existentes.
g. ¿Qué es inteligencia de negocios?
La inteligencia de negocios es el conjunto de estrategias y herramientas
enfocadas a la administración y creación de conocimiento mediante el análisis
de datos existentes en una organización o empresa que apoya a los tomadores
de decisiones con la información correcta, en el momento y lugar correcto, lo
que les permite tomar mejores decisiones de negocios. La información
adecuada en el lugar y momento adecuado incrementa efectividad de cualquier
empresa. Este conjunto de herramientas, tienen en común las siguientes
características:
• Accesibilidad a la información. Los datos son la fuente principal de este
concepto. Lo primero que debe garantizar este tipo de herramientas y técnicas
será el acceso de los usuarios a los datos con independencia de la procedencia
de estos.
• Apoyo en la toma de decisiones. Se busca ir más allá en la presentación de la
información, de manera que los usuarios tengan acceso a herramientas de
análisis que les permitan seleccionar y manipular sólo aquellos datos que les
interesen.
30
g.1 Componentes de una solución de inteligencia de negocios
Todas las soluciones de BI tienen funciones parecidas, pero deben de
reunir al menos los siguientes componentes:
Multidimensionalidad: La información multidimensional se puede
encontrar en hojas de cálculo, bases de datos, etc. Una herramienta de
BI debe de ser capaz de reunir información dispersa en toda la empresa
e incluso en diferentes fuentes para así proporcionar a los
departamentos la accesibilidad, poder y flexibilidad que necesitan para
analizar la información. Por ejemplo, un pronóstico de ventas de un
nuevo producto en varias regiones no está completo si no se toma en
cuenta también el comportamiento histórico de las ventas de cada región
y la forma en que la introducción de nuevos productos se ha
desarrollado en cada región en cuestión.
Data Mining: Las empresas suelen generar grandes cantidades de
información sobre sus procesos productivos, desempeño operacional,
mercados y clientes.
Pero el éxito de los negocios depende por lo general de la habilidad para
ver
Orientación al usuario final. Se busca independencia entre los
conocimientos técnicos de los usuarios y su capacidad para utilizar estas
herramientas nuevas tendencias o cambios en las tendencias. Las
aplicaciones de data mining pueden identificar tendencias y
comportamientos, no sólo para extraer información, sino también para
descubrir las relaciones en bases de datos que pueden identificar
comportamientos que no muy evidentes.
Agentes: Los agentes son programas que “piensan”. Ellos pueden
realizar tareas a un nivel muy básico sin necesidad de intervención
humana. Por ejemplo, un agente puede realizar tareas un poco
complejas, como elaborar documentos, establecer diagramas de flujo,
etc.
DataMarts: Son almacenes de datos especializados, diseñados para
soportar necesidades de análisis específicas para un único
31
departamento o área funcional de la empresa, por ejemplo marketing,
finanzas, producción, etc. Estos almacenes soportan menos usuarios y
menos cantidades de datos que un DW centralizado, y por lo tanto
pueden ser optimizados para cargar y recuperar la información de forma
más rápida y eficaz que un DW.
h. Modelo de Datamart
h.1. Esquema Estrella
Para facilitar el análisis, el datamart organiza los datos en una estructura
llamada esquema de estrella.
Esta estructura está compuesta por una tabla central - tabla de hechos
- y un conjunto de tablas organizadas alrededor de ésta - tablas de
dimensiones.
En las puntas de la estrella se encuentran las tablas de dimensión que
contienen los atributos de las aperturas que interesan al negocio que se
pueden utilizar como criterios de filtro y son relativamente pequeñas.
Cada tabla de dimensión se vincula con la tabla de hechos por un
identificador.
Grafico N° 2: Modelo Estrella
Fuente3:
3 http://es.slideshare.net/dvelasquezt/academia-latinoamericana-de-business-intelligence-albi
32
Las características de un esquema de estrella son:
El centro de la estrella es la tabla de hecho.
Los puntos de la estrella son las tablas de dimensiones.
Cada esquema está compuesto por una sola tabla de hechos
Generalmente es un esquema totalmente desnormalizado, pudiendo
estar parcialmente normalizado en las tablas de dimensiones.
Grafico N° 3: Modelo Estrella ejemplo
Fuente4:
h.2 Esquema Copo de Nieve
Es una variación del esquema estrella donde alguna punta de la estrella
se explota en más tablas.
El nombre del esquema se debe a que el diagrama se asemeja a un
copo de nieve.
4 http://es.slideshare.net/dvelasquezt/academia-latinoamericana-de-business-intelligence-albi
Dimensión
Servicio
Dimensión
Paciente
Dimensión
Tiempo
Tabla de Hechos
Admisión Pacientes
Dimensión
Zona
Geográfica
33
En este esquema, las tablas de dimensión copo de nieve se encuentran
normalizadas para eliminar redundancia de datos.
A diferencia del esquema estrella, los datos de las dimensiones se
reparten en múltiples tablas.
Como ventaja del esquema destacamos el ahorro de espacio de
almacenamiento en disco, pero en perjuicio de un aumento en la
cantidad de tablas.
Los siguientes son las características de un copo de nieve:
La dimensión está normalizada
Los distintos niveles se encuentran almacenados en tablas
separadas
Se argumenta ahorro de espacio
Grafico N° 4: Esquema copo de Nieve.
Se muestra un esquema donde la dimensión zona geográfica
presenta un esquema copo de nieve.
Ejemplo de Tabla Normalizada y Tabla Desnormalizada
En la imagen vemos en la tabla normalizada los datos nombre
de país y nombre de provincia aparecerán una sola vez en las
tablas País y Provincia respectivamente.
Si en cambio, la tabla esta desnormalizada tendremos
redundancia de datos, ya que se repetirán los datos del País y
de la Provincia por cada Ciudad.
Ciudad
Paciente
Provincia
País Copo de nieve
Servicio
Tiempo
Admisión
Paciente
34
Fuente5:
Grafico N° 5: Ejemplo Esquema copo de Nieve.
Fuente:
5 http://es.slideshare.net/dvelasquezt/academia-latinoamericana-de-business-intelligence-albi
Normalizada
Zona Geográfica
Id _ País
País
ID_Provincia
Provincia
ID_Ciudad
Provincia
ID_ Provincia
Provincia
Desnormalizada
País
ID_País
País
Ciudad
ID_ Ciudad
Ciudad
35
h.3. Padre - Hijo (Parent – Child)
Una dimensión padre-hijo es una dimensión donde el dato del
Padre se relaciona con el Hijo y ambos se encuentran en la
misma tabla de dimensión, es decir, la dimensión se relacionan
consigo misma.
Ejemplos de Dimensión Padre - Hijo
La dimensión Cuenta Contable donde una cuenta imputable forma
parte de un Sub Rubro y el Sub Rubro a su vez forma parte de un
Rubro. Estos datos se encuentran en un solo Plan de Cuentas.
La cuenta Activo, contiene los rubros Inversiones, Créditos y Caja, y
el rubro Caja a su vez contiene Caja y Fondo Fijo.
Dimensiones Virtuales
Las dimensiones virtuales, no requieren un almacenamiento físico
en el cubo, se evalúan en el momento de la consulta.
Funcionan de manera similar a las dimensiones reales y son
transparentes para el usuario
La dimensión Tiempo
Mencionaremos esta dimensión ya que ocupa un lugar especial
en cada datamart. Recordemos que el tiempo es parte implícita
de la información que contiene el datamart.
Esta dimensión la podemos definir separándola en distintas
jerarquías de tiempo:
Año
Semestre
Mes
36
Grafico N° 6: Ejemplos de Dimensión Tiempo
Fuente6:
i. Business Intelligence con SQL Server 2008 R2
Business Intelligence es un conjunto de conceptos, métodos, y
tecnologías diseñadas para convertir los datos de una
organización en información útil y, eventualmente, conocimiento.
Con esta tecnología, cada miembro de la organización puede, en
tiempo real, realizar análisis que se ajusten a sus necesidades
para decidir líneas de actuación en función de los datos
anteriores, o pronosticar de forma precisa resultados futuros.
Microsoft SQL Server incorpora un módulo dedicado a Business
Intelligence basado en tecnologías de almacenes de datos (Data
Warehouse), cubos e informes.
El curso de Business Intelligence (BI) con Microsoft SQL Server
2008 R2 tiene como objetivo adquirir los conocimientos
necesarios para poder desarrollar cualquier solución Business
6 http://es.slideshare.net/dvelasquezt/academia-latinoamericana-de-business-intelligence-albi
Ejemplos de Dimensión Tiempo
37
Intelligence utilizando como herramienta Microsoft SQL Server
2008 R27.
j. Servicios SQL Server BI
SQL Server Integration Services (SSIS)-ETL
Microsoft Integration Services es una plataforma para la creación de
soluciones empresariales de transformaciones de datos e integración
de datos. Integration Services sirve para resolver complejos
problemas empresariales mediante la copia o descarga de archivos,
el envío de mensajes de correo electrónico como respuesta a
eventos, la actualización de almacenamientos de datos, la limpieza y
minería de datos, y la administración de objetos y datos de SQL
Server
SQL Server Análisis Services (SSAS)-CUBO de Datos
Ofrece funciones de procesamiento analítico en línea (OLAP) y
minería de datos para aplicaciones de Business Intelligence. Analysis
Services admite OLAP y permite diseñar, crear y administrar
estructuras multidimensionales que contienen datos agregados
desde otros orígenes de datos, como bases de datos relacionales. En
el caso de las aplicaciones de minería de datos, Analysis Services
permite diseñar, crear y visualizar modelos de minería de datos que
se construyen a partir de otros orígenes de datos mediante el uso de
una gran variedad de algoritmos de minería de datos estándar del
sector.
SQL Server Reporting Services (SSRS) - Reporteador
SQL Server Reporting Services dispone de una gama completa de
herramientas y servicios listos para usar que le ayudarán a crear,
implementar y administrar informes para la organización, así como de
características de programación que le permitirán extender y
personalizar la funcionalidad de los informes.
Reporting Services es una plataforma de informes basada en
servidor que proporciona la funcionalidad completa de generación de
7 http://msdn.microsoft.com/es-pe/library/ms143731.aspx
38
informes para una gran variedad de orígenes de datos. Reporting
Services incluye un conjunto completo de herramientas para que
cree, administre y entregue informes, y las API que permiten a los
desarrolladores integrar o ampliar el procesamiento de datos e
informes en aplicaciones personalizadas. Las herramientas de
Reporting Services funcionan en el entorno de Microsoft Visual
Studio y están totalmente integradas con las herramientas y
componentes de SQL Server8.
k. Metodología de Kimball:
La presente muestra el ciclo de vida del proyecto de un data Datamart, la
cual lo que Kimball denomina Ciclo de Vida Dimensional del Negocio
(Business Dimensional Lifecycle) (Kimball et al 98, 08, Mundy &
Thornthwaite 06). Este ciclo de vida del proyecto de DW, está basado en
cuatro principios básicos:
Centrarse en el negocio: Hay que concentrarse en la identificación
de los requerimientos del negocio y su valor asociado, y usar estos
esfuerzos para desarrollar relaciones sólidas con el negocio,
agudizando el análisis del mismo y la competencia consultiva de los
implementadores.
Construir una infraestructura de información adecuada: Diseñar
una base de información única, integrada, fácil de usar, de alto
rendimiento donde se reflejará la amplia gama de requerimientos de
negocio identificados en la empresa.
Realizar entregas en incrementos significativos: crear el almacén
de datos (DW) en incrementos entregables en plazos de 6 a 12
meses. Hay que usa el valor de negocio de cada elemento
identificado para determinar el orden de aplicación de los
incrementos. En esto la metodología se parece a las metodologías
ágiles deconstrucción de software.
Ofrecer la solución completa: proporcionar todos los elementos
necesarios para entregar valor a los usuarios de negocios. Para
comenzar, esto significa tener un almacén de datos sólido, bien
8 http://msdn.microsoft.com/es-pe/library/ms143731.aspx
39
diseñado, con calidad probada, y accesible. También se deberá
entregar herramientas de consulta ad hoc, aplicaciones para informes
y análisis avanzado, capacitación, soporte, sitio web y
documentación.9
Gráfico N° 7: Tareas de la metodología de Kimball
2.3.-Definición de términos
a) Lenguaje Unificado de Modelado (UML)
UML es ante todo un lenguaje. Un lenguaje proporciona un
vocabulario y unas reglas para permitir una comunicación. En este
caso, este lenguaje se centra en la representación gráfica de un
sistema.
Este lenguaje nos indica cómo crear y leer los modelos, pero no
dice cómo crearlos. Esto último es el objetivo de las metodologías
de desarrollo.
Los objetivos de UML son muchos, pero se pueden sintetizar sus
funciones:
9 http://inteligenciadenegociosval.blogspot.com/2014/01/metodologia-de-kimball.html
40
Visualizar: UML permite expresar de una forma gráfica un
sistema de forma que otro lo puede entender.
Especificar: UML permite especificar cuáles son las
características de un sistema antes de su construcción.
Construir: A partir de los modelos especifica-dos se pueden
construir los sistemas diseñados.
Documentar: Los propios elementos gráficos sirven como
documentación del sistema des-arrollado que pueden servir
para su futura re-visión.
b) Inteligencia de Negocios
La Inteligencia de Negocios es el conjunto de productos y
servicios que permiten a los usuarios finales acceder y analizar
de manera rápida y sencilla, la información para la toma de
decisiones de negocio a nivel operativo, táctico y estratégico.
c) Ámbito Contorno de un espacio. Espacio entre límites. En
programación, alcance que tenga la definición de una variable.
d) Cache En términos de la ciencia de la computación, cache se
refiere al proceso de duplicar los datos originales que se
encuentran en una ubicación difícil de acceder -usualmente en
términos de tiempo- de manera que puedan ser accedidos de
una forma más rápida.
e) Commit En términos de la ciencia de la computación y manejo
de almacenamiento de datos, se refiere a la idea de hacer
permanentes un conjunto de cambios alternativos, tal es el
caso del fin de una transacción. Ejecutar un commit es hacer
los cambios temporales permanentes. Commit es un acto de
compromiso.
f) Data Warehouse Sistema de información centralizado que
contiene toda la información relevante para una organización,
y que permite de una forma ágil y flexible la consulta de
información. Está orientado a convertirse en la única fuente de
41
información para todas las áreas del negocio y ser la fuente
prioritaria para todas las herramientas de inteligencia de
negocio que se desee utilizar en una organización.
g) DataMart Subconjunto del Data Warehouse que está
orientado a un área específica del negocio.
Todas sus métricas y dimensiones están relacionadas con un
área de negocio en particular.
h) Dimensión Se refiere a la entidad que se encarga de agrupar,
calificar o catalogar cada uno de los hechos contenidos dentro
de un Datamart.
i) ETL Proceso de extracción, transformación y carga de datos
desde una fuente determinada hacia un Datamart o el
Datawarehouse corporativo.
j) Herencia Forma de obtener o extender la funcionalidad de una
clase existente en una nueva clase.
k) Host Ordenador/computadora conectado(a) a la Internet.
l) OLTP Sistemas de procesamiento de transacciones en línea,
o sistemas transaccionales, en los cuales residen las
operaciones del día a día de cada negocio y que son la fuente
prioritaria de datos para cada Datamart o el data warehouse
corporativo.
m) OLAP Sistemas de procesamiento analítico en línea, es decir,
sistemas orientados al análisis de información, basado en un
DataMart o data warehouse.
n) SQL Lenguaje de computación utilizado para crear, modificar y
recuperar datos de un sistema de base de datos relacional.
o) Tabla de Hechos Tabla de datos central que contiene cada
una de las métricas que se desea medir dentro de un área
específica del negocio.
p) Transacción En el manejo de almacenamiento de datos, una
transacción se refiere a una unidad e trabajo que debe ser
realizada de forma atómica, consistente, aislada y durable.
q) Cubo Una de las formas más populares de analizar la
información es mediante el uso de cubos OLAP (o bases de
42
datos multidimensionales). Básicamente, un cubo es una
estructura de datos organizada mediante jerarquías. Cada
indicador se puede evaluar en cualquiera de los niveles de las
jerarquías.10
2.4.-Hipótesis
2.4.1.-Hipótesis general
H=La Implantación de Business Intelligence mejora favorablemente en la
Gestión Académica del área de coordinación de la UPIG, Surco 2015.
Hipótesis general Negativa
H0= La Implantación de Business Intelligence NO mejora
favorablemente en la Gestión Académica del área de coordinación de la
UPIG, Surco 2015.
2.4.2.-Hipótesis específicas
La implantación del Business Intelligence mejorara la Eficiencia en La
Gestión Académica del área de coordinación académica de la UPIG,
Surco 2015.
La implantación del Business Intelligence mejorara la toma de
decisiones en La Gestión Académica del área de coordinación
académica de la UPIG, Surco 2015.
Hipótesis específicas Negativas
La implantación del Business Intelligence NO mejorara la Eficiencia en
La Gestión Académica del área de coordinación académica de la UPIG,
Surco 2015.
La implantación del Business Intelligence NO mejorara la toma de
decisiones en La Gestión Académica del área de coordinación
académica de la UPIG, Surco 2015.
2.5.-Variables
10
http://www.businessintelligence.info/definiciones/cubos-olap.html
43
2.5.1.-Definición conceptual de la variable
Business Intelligence (BI) (X).- Describe la tecnología que va
implementara que servirá como herramienta a la universidad UPIG,
Para poder tener una información más inmediata esta tecnología ayuda
a tener información más rápida, precisa y resumida.
Gestión Académica (Y).- En esta variable tendremos precisar si la
tecnología va ayudar mejor el resumen con la información académica y
de pagos de Estudiantes.
2.5.2.-Definición operacional de la variable
Business Intelligence (BI) (X).
Utilidad.- Este indicador permitirá realizar si la gerencia aceptar la
tecnología además si es útil o no.
Calidad.- Permite a los gerentes si los datos son de calidad y
confiable.
Gestión Académica (Y).
Eficiencia.- Este indicador permite tomar una decisión con
rapidez.
Toma de Decisiones.- Esta indicador permite tomar una decisión
con buena información.
2.5.3.-Operacionalización de la variable
Variable Independiente
X= Business Intelligence (BI)
Variable Dependiente
Y= Gestión Académica
Ver Anexo: Operacionalización de la variable
44
CAPITULO III
METODOLOGÍA
45
3.1 Tipo y nivel de investigación
Tipo de Investigación
La presente investigación es aplicada, a fin de aplicarlas en el Proceso
de la Gestión de evaluación de desempeño de una empresa competitiva
Nivel de Investigación
De acuerdo a la naturaleza del estudio de la investigación descriptivo,
explicativo y correlacionado.
3.2 Descripción del ámbito de la investigación
Esta investigación tiene como puntos clave realizar una herramienta
basada en inteligencia de negocios para apoyo gerencial, el lugar de
estudio será en la UNIVERSIDAD PERUANA DE INTEGRACION
GLOBAL que cuenta con 5 carreras profesionales.
Basándose en sus sistemas transaccionales mostrara información
gerencial basado en las áreas Académica y Económica (Pasiones y
derivados)
3.3 Población y muestra
Levin y Rubin (1996), definen una población como “un conjunto de todos
los elementos que estamos estudiando, acerca de los cuales intentamos sacar
conclusiones”, y una muestra, como “una colección de algunos de los
elementos de la población, pero no de todos” Tomando en consideración los
conceptos anteriores, la población objeto de estudio en la investigación estará
representada por el grupo de personas que intervienen en el proceso de
planificación de los recursos a ser utilizados, constituido por el
Coordinadores, Decanos y al Gerente de la Institución para un total de
(13) personas y otras personas que van utilizar la tecnología.
La población es considerada una población finita, razón por la cual la muestra
será considerada como la misma población, generando como consecuencia,
una muestra de carácter censal, la cual se entiende como una población cuya
finalidad es la obtención de la información necesaria de todas y cada una de
las unidades que la conforman.
Para determinar la muestra se utilizó la siguiente formula.
46
Tabla N° 1: Cuadro de representación de la Muestra
Población
N = Total de la población N 13
Zα= 1.96 al cuadrado (si la seguridad es del
95%) Zα 1.96
p = proporción esperada (en este caso 5% = 0.5) p 0.5
q = 1 – p (en este caso 1-0.05 = 0.95) q 1
d = precisión (en su investigación use un 5%). d 0.5
Tamaño de Muestral n 4.92
Fuente: Elaboración Propia
Debido que solo se cuenta con 13 personas que representa la población, y la
muestra es muy pequeña. Por tanto utiliza como la población como muestra.
En conclusión el nuevo Tamaño de Muestra=13
3.4 Técnicas e instrumentos para la recolección de datos
Según la investigación se mmenciona que “las técnicas de recolección de
datos son las distintas formas de obtener información” y a su vez, que los
instrumentos “son los medios materiales que se emplean para recoger y
almacenar la información”.
Los conceptos y técnicas de recolección de datos en la investigación se
definen la observación como “una técnica de recolección de datos que
permite acumular y sistematizar información sobre un hecho o fenómeno
social que tiene relación con el problema que motiva la investigación”, y la
entrevista como:
Un método de investigación social que sigue los mismos pasos de la
investigación científica; sólo que en su fase de recolección de datos, éstos
se obtienen mediante un conjunto de preguntas, orales o escritos, que se
les hace a las personas involucradas en el problema motivo de estudio.
47
La observación directa, el medio material para la recolección y
almacenamiento de la información estuvo constituido por el block de notas.
Explica que la ficha resumen tiene “los datos que permitirán identificar el
documento consultado, pero en lugar de la cita textual se transcribe el
resumen del pasaje o segmento, evitando -en lo posible- la interpretación.”.
La guía de entrevista, siendo el último de los instrumentos utilizados en la
investigación para la recolección de información.
Tabla N° 2: Actividad, técnica e Instrumento
48
Actividades a Realizar Técnica Instrumento de recolección de
datos
Definir los lineamientos para el
levantamiento de información con las áreas
académicas y económicas. Estas reuniones
establecerán en cada iteración las reglas del
negocio, establecer y reestructurar
prioridades e indicadores claves que se
fundamentarán en los reportes a elaborarse
dentro de la solución.
Entrevista y encuestas
Guía de Entrevista
Modelo de Encuesta
Analizar y desarrollar los requerimientos
funcionales y no funcionales planteados en
el levantamiento de información para el
sistema.
Entrevista y Observación
Caso de Uso
Block de Notas
Definir una arquitectura para el proceso ETL
para la correcta obtención de los datos, a fin
de que se conviertan en información útil para
la toma de decisiones.
Documental
SQL Server 2008
Reporting Services
Ficha Resumen
49
Fuente: Elaboración Propia
3.5 Validez y confiabilidad del instrumento
Los aspectos a considerar en estos instrumentos han sido validados por expertos en la materia, lo que ha permitido
formar la base para que, mediante éstos, se pueda analizar, establecer, descartar, ratificar y clasificar criterios que
permitan conocer y/o caracterizar la conformación normativa y las funciones de la organización de estudio.
La valoración se ha hecho mediante una investigación analítica a datos de textos relacionados con el tema en estudio, así
como de la normativa legal referida a ambas instituciones, orientada hacia el contenido cualitativo de los conceptos,
opiniones y afirmaciones obtenidas.
Para demostrar la validez se utilizado el Alpha de Combrach
Administrar y ejecutar los componentes que
capturan los datos desde su origen hasta
llevarlos hasta el repositorio del datamart.
Documental
SQL Server 2008
Ficha Resumen
50
Tabla N° 3: Cuadro de Alpha de Combrach para Confiabilidad del Instrumento
ITEMS
1 2 3 4 TOTALES
USU
AR
IOS
1 3 2 3 3 11
2 2 3 2 2 9
3 1 1 1 1 4
4 1 4 2 1 8
5 2 3 3 3 11
6 3 2 3 3 11
7 1 2 1 1 5
8 2 4 1 2 9
9 3 4 2 3 12
10 3 3 1 3 10
11 3 3 3 3 12
12 3 4 4 3 14
13 3 4 4 3 14
3.1 0.69 0.96 0.69 0.76 8.4615385
α 0.8448
K NUMERO DE ITEM
S VARIANZAS
51
Si^2
SUMATORIA DE LAS
VARIANZAS
ST^2 VARIANZA DE LOS TOTALES
α ALPHA DE COMBRACH
Fuente: Elaboración Propia
Si α tiende a 1 significa que el instrumento es confiable.
3.6 Plan de recolección y procesamiento de datos
Plan de Recolección
Para el plan de realizo las siguientes herramientas:
a) Mediciones directas.- Saber cuáles son la necesidades en base
cantidades de información.
b) Observación activa y pasiva.- Se refiere al análisis que se realiza
el negocio.
c) Entrevistas.- Es las referencia con los usuarios responsables de
del campo de la investigación.
d) Encuestas.- Saber la opinión de los usuarios.
Este estudio sirvió para tener una mejor y conocimiento del negocio
además realizar un análisis para determinar la solución.
Procesamiento de Datos
Se procede centralizar la información para hacer la tabulación, el
análisis e interpretación de resultados, incluyendo los estadísticos que
va a necesitar para comprobar su hipótesis.
Una vez recolectada toda la información el investigador debe analizar la
información recolectada para determina la metodología y tecnología
para la solución, además se detalla la información válida y no válida
para proceder con el análisis, además desarrollar en modelos que van
ayudar realizar la implementación de la solución.
52
CAPITULO IV
RESULTADOS
53
4.1 Diagrama del AS-IS y TO-BE de Gestión Académica
Grafico N° 8: Actividad sin tecnología de Gestión académica
Fuente: Elaboración Propia
54
Grafico N° 9: Actividad con tecnología de Gestión académica
Fuente: Elaboración Propia
55
Grafico N° 10: Actividad sin tecnología de Gestión Pagos de Pensiones del Estudiante
Fuente: Elaboración Propia
56
Grafico N° 11: Actividad con tecnología de Gestión Pagos de Pensiones del Estudiante
Fuente: Elaboración Propia
57
4.2 Modelo de la Solución Inteligencia de Negocio
Este modelo representa la estructura de solución que faces que
tendrá que seguir hasta llegar al Sistema de business intelligence.
Grafico N° 12: Modelo de Solución BI
Fuente: Elaboración Propia
58
4.2.1 Descripción de la Arquitectura
Para tener una visión general del sistema y tomando en
cuenta la plataforma elegida para la implementación de la
solución BI SQL SERVER, a continuación se explica la
arquitectura común utilizada en los sistemas de Data Mart,
detallando cada uno de los procesos o sub-sistemas que
conforman el proyecto de tesis.
Se tiene seis procesos o sub-sistemas en los cuales se
encuentra estructurado el proyecto de tesis:
Fuente de datos
Extracción, transformación y carga
Cubos de Información
Presentación (Reportes e Indicadores)
Seguridad
Administración
Grafico N° 13: Modelo de Arquitectura de la plataforma SQL Server
4.2.2 A
n
á
l
i
s
i
s
59
4.3 Diagrama de Contexto
Este Diagrama muestra la interacción de las áreas frente a solución de
la tecnología.
Gráfico N° 14: Diagrama de Contexto
Fuente: Elaboración Propia
60
4.4 Diagrama de caso de Uso Negocio
El diagrama de Caso de uso del Negocio muestra el negocio y los
procesos que se va coger como objeto de estudio.
Gráfico N° 15: Diagrama de Caso de Uso de Negocio de Gestión Académica
Fuente: Elaboración Propia
Coordinadores
(f rom ACTORES DEL NEGOCIOS)
Decanos
(f rom ACTORES DEL NEGOCIOS)
Gestionar Data Academica Docentes
(from USE CASE DEL NEGOCIO)
Gestionar Data Academica Alumno Como Base
verificacion de OAA
(from USE CASE DEL NEGOCIO)
Gestion Calidad Academica
(from USE CASE DEL NEGOCIO)
Gestion Cuadros Auevaluacion
(from USE CASE DEL NEGOCIO)
EnteExterno
(f rom ACTORES DEL NEGOCIOS)
61
Gráfico N° 16: Diagrama de Caso de Uso de Negocio de Gestión Pagos
Fuente: Elaboración Propia
Tesoreria
(f rom ACTORES DEL NEGOCIOS)
Gestionar Data Pagos Elumnos
(from USE CASE DEL NEGOCIO)
Estudiantes
(f rom ACTORES DEL NEGOCIOS)
Contabilidad
(f rom ACTORES DEL NEGOCIOS)
Proveedores
(f rom ACTORES DEL NEGOCIOS)
Gestion Pagos Proveedores
(from USE CASE DEL NEGOCIO)
Planillas
(f rom ACTORES DEL NEGOCIOS)
Gestion pagos Docentes
(from USE CASE DEL NEGOCIO)
Personal
(f rom ACTORES DEL NEGOCIOS)
Gestion Pagos Administrativos
(from USE CASE DEL NEGOCIO)
62
Gráfico N° 17: Diagrama de Procesos involucrados
Fuente: Elaboración Propia
a) Especificaciones de Actores del Negocio
En los cuadro se realizara la descripción de los actores y trabajadores del negocio, especificando su funcionalidad con las actividades relacionadas.
Gestionar Data Academica Alumno Como Base
verificacion de OAA
(from USE CASE DEL NEGOCIO)
Gestionar Data Academica Docentes
(from USE CASE DEL NEGOCIO)
Areas Objetivas de Estudio
Gestionar Data Pagos Elumnos
(from USE CASE DEL NEGOCIO)
63
a) Coordinador
Tabla N° 4: Cuadro de Especificación de Actores de Negocio
Actor Coordinador
Descripción: Encargado de realizar el
seguimiento de Académico de
cada Carrera
Persona encargada de realizar la
atención de los docentes y
estudiantes.
b) Decanos
Actor Decano
Descripción: Persona que tiene como función
supervisar los actos académicos.
c) Gerente Administrativo
Actor Gerente
Descripción: Encargado de personal y realizar
los pagos de los estudiantes.
Además toma decisiones en
parte académico y Pagos.
64
b) Especificaciones de Caso Uso del Negocio
En los cuadro se realizara la descripción de los casos de uso del negocio, especificando el proceso a realizar.
b.1) Gestión Académica Alumnos
Caso Uso Gestión Académica Alumnos
Descripción: En este proceso se realizara
todas las actividades relacionado
con los estudiantes como puede
ser: Notas, Asignaturas,
Deserción, Aprobado y
desaprobados.
Tendrá como eje principal del
proceso al estudiante.
b.2) Gestión Académica Docente
Caso Uso Gestión Académica Docente
Descripción: En este proceso se realizara
todas las actividades relacionado
con los Docentes como puede
ser: Notas, Asignaturas,
dedicación, Categoría.
Tendrá como eje principal del
proceso al Docente.
65
b.3) Gestión de Pagos Alumnos
Caso de Uso Gestión de Pagos Alumnos
Descripción: En este proceso se realizara
todas las actividades relacionado
con el estudiante y pagos como
puede ser: Pensiones,
matriculas, moras, Categoría.
Tendrá como eje principal del
proceso al Estudiante y sus
pagos.
66
4.5 Diagrama de Actividad de Negocio
Gráfico N° 18: Diagrama de Actividad Gestión Académica Alumno
Fuente: Elaboración Propia
Recibir Informacion de Asuntos Academicos
do/ Recepcion Confirmacion Envia Oficio a Coordinacion
do/ Lectura de Archivo en relacion al Docentes
Ingresa Area de Asuntos Academicos el Pedido
de informacion tanto Interno como externo
do/ Verifica y Analiza el pedido
do/ Deriva la infomacion al Area correspondiente
Recibe Reporte
Listo
Revisar Infomacion y
enviar para su Elaboracion
Recepcion y
Valida
Revisar la Informacion Formato Exel o en
SIgu
do/ Inicio Sesion en Sigu
do/ Revisar el Menu academico
do/ Selecciona la opcion Correspondiente
do/ Selecciona Opcion Reportes
do/ Visualiza la si Existe la infomacion Pedida
Selecciona el Reporte Correcto
do/ Secciona los criterios pedidos
do/ Ejecutar el reporte
do/ Exporta o Imprime el Reporte Pedido
Si existe
Envia para la Elaboracion
de Reporte
No existe
Envia Informacion
con un cargo
Elaboracion del Formato segun
Modelo
do/ Ingresar a la Base de Datos
do/ Realizar Consulta segun formato
do/ Genera el Reporte
do/ Subir al sistema Dicho Reporte
Envia Informacion
con un cargo
SistemasCoordinacion AcademicaAsuntos Academicos
67
Gráfico N° 19: Diagrama de Actividad de Gestión Académica Docente
Fuente: Elaboración Propia
Recibir Informacion de Asuntos Academicos
do/ Recepcion Confirmacion Envia Oficio a Coordinacion
do/ Lectura de Archivo en relacion al Docentes
(from State/Activity Model)
Ingresa Area de Asuntos Academicos el Pedido
de informacion tanto Interno como externo
do/ Verifica y Analiza el pedido
do/ Deriva la infomacion al Area correspondiente
(from State/Activity Model)
Recibe Reporte Listo
(from State/Activ...
Revisar Infomacion y enviar
para su Elaboracion
(from State/Activity Model)
Recepcion y Valida
(from State/Activ...
Revisar la Informacion Formato Exel o en SIgu
do/ Inicio Sesion en Sigu
do/ Revisar el Menu academico
do/ Selecciona la opcion Correspondiente
do/ Selecciona Opcion Reportes
do/ Visualiza la si Existe la infomacion Pedida
(from State/Activity Model)
Selecciona el Reporte Correcto
do/ Secciona los criterios pedidos
do/ Ejecutar el reporte
do/ Exporta o Imprime el Reporte Pedido
(from State/Activity Model)
Envia Informacion
con un cargo
Envia Informacion
para elaboracion
Elaboracion del Formato segun Modelo
do/ Ingresar a la Base de Datos
do/ Realizar Consulta segun formato
do/ Genera el Reporte
do/ Subir al sistema Dicho Reporte
(from State/Activity Model)
Envia Informacion con
un cargo
(from State/Activ...
Si existe No existe
SistemasCoordinacion AcademicaRector
68
Gráfico N° 20: Diagrama actividad de Gestión Pagos de Pensiones Estudiantes
Fuente: Elaboración Propia
Realiza el pedido a contabilidad con
relacion a pagos de Estudiantes
do/ Realiza el pedido de Informacion
do/ Envia formato
Recibe infomacion para
toma de decisiones
Envia a tesoria para su elaboracion
Recibe reporte
Correcto
Recepciona la el documento para
la elaboracion del cuadro
Recepciona para su elaboracion
do/ Incia en Sistema Sigu
do/ Buscar reporte en sistema Sigu
Saca Reportes y
envia al area pedidaEviar al area de Sistema
para su elaboracion
Recepciona y
Valida
Elaboracion del Formato
segun Modelo
do/ Ingresar al Base Datos
do/ Elaboracion de la consulta
do/ Elaborar el Cuadro
Envia la infomacion al
Area de pedida
Si Existe No existe
SistemasTesoreriaContabilidadGerencia
69
4.6 Diagrama del Sistema
Diagrama de Caso de Uso del Sistema
Nos permite mostrar los diagramas de casos de uso de los sistemas, estos diagramas permiten observar la iteración, la comunicación y el comportamiento del sistema mediante su relación con los usuarios.
Gráfico N° 21: Diagrama de caso de Uso del Sistema
Fuente: Elaboración Propia
Elaborar Datamart Estudiantes
Elaborar Datamart Docentes
Elaborar DataMart de Pagos de
Estudiantes
Analista
(f rom Actores del Sistema)...)
Coordinador de
Carrera(f rom Actores del Sistema)...)
Gerentes
(f rom Actores del Sistema)...)
Decanos
(f rom Actores del Sistema)...)
Gestionar la visualizacion del
datamart
Sistema Sigu
(f rom Actores del Sistema)...)
XLS
ContratoDocente(f rom Actores del Sistema)
Carga de datamart
<<include>>
<<include>><<include>>
70
Grafico N° 22: Controles de Sistemas
Fuente: Elaboración Propia
4.7 Diagrama de Secuencia
Gráfico N° 23: Diagrama de Secuencia del Estudiante
Fuente: Elaboración Propia
: Usuario
Academico
: Usuario
Academico : Rpt_Vista_Estudiantes : Rpt_Vista_Estudiantes : Validar Importar
Estudiante
: Validar Importar
Estudiante
: Cubo Estudiante : Cubo Estudiante
Selecciona Criterios de Busqueda
Valida Parametros de Busqueda
Solicita la Datos de Estudiante
Devuelve datos Solicitados
Regresa datos segun parametros datos
Muestra la informacion en reporte
Validaciones Entidades
Interfaces_Graficas
Rpt_Vista_Estudiantes Rpt_Vista_Docentes Rpt_Vista_Pagos_Estudiante
Validar Importar
Estudiante
Validar Importar Pagos
Estudiante Validar Importar Docente Cubo Estudiante Cubo DocenteCubo Pagos Estudiante
71
Gráfico N° 24: Diagrama de Secuencia del Docente
Fuente: Elaboración Propia
Gráfico N° 25: Diagrama de Secuencia del Pagos Estudiantes
Fuente: Elaboración Propia
: Coordinador de
Carrera
: Coordinador de
Carrera
: Rpt_Vista_Docentes : Rpt_Vista_Docentes : Validar Importar
Docente
: Validar Importar
Docente
: Cubo Docente : Cubo Docente
Realiza busqueda de Criterio
Valida el Envio de parametros
Solicita Datos del Docente
Devuelve Datos Solicitados
Devuelve los consulta segun Parametros
Muestra datos del Reporte
: Gerentes : Gerentes : Rpt_Vista_Pagos_Estudiante : Rpt_Vista_Pagos_Estudiante : Validar Importar
Estudiante
: Validar Importar
Estudiante
: Cubo Pagos Estudiante : Cubo Pagos Estudiante
Selecciona la interfaz de Pagos
DX de LLaves de Parametros
Solicitar Data de Pagos
Devuelve la Data de Pagos
Encuentra la los Parametros
Muestra el reporte de Pagos
72
4.8 Diagrama de Colaboración
Gráfico N° 26: Diagrama de Colaboración del Estudiante
Fuente: Elaboración Propia
Gráfico N° 27: Diagrama de Colaboración del Docente
Fuente: Elaboración Propia
: Usuario
Academico
: Cubo Estudiante
: Validar Importar
Estudiante
: Rpt_Vista_Estudiantes
1: Selecciona Criterios de Busqueda
6: Muestra la informacion en reporte
3: Solicita la Datos de Estudiante
4: Devuelve datos Solicitados
2: Valida Parametros de Busqueda
5: Regresa datos segun parametros datos
: Cubo Docente
: Rpt_Vista_Docentes
: Validar Importar Docente
: Coordinador de
Carrera
2: Valida el Envio de parametros
5: Devuelve los consulta segun Parametros
3: Solicita Datos del Docente
4: Devuelve Datos Solicitados
1: Realiza busqueda de Criterio
6: Muestra datos del Reporte
73
Gráfico N° 28: Diagrama de Colaboración del Pagos Estudiantes
Fuente: Elaboración Propia
4.9 Diagrama de Clases
Gráfico N° 29: Diagrama de Clases
Fuente: Elaboración Propia
: Gerentes
: Validar Importar
Estudiante
: Cubo Pagos Estudiante
: Rpt_Vista_Pagos_Estudiante
1: Selecciona la interfaz de Pagos
6: Muestra el reporte de Pagos
3: Solicitar Data de Pagos
4: Devuelve la Data de Pagos
2: DX de LLaves de Parametros5: Encuentra la los Parametros
74
4.10 Diagrama de Componentes
Gráfico N° 30: Diagrama de Componentes
Fuente: Elaboración Propia
Visor_Cubos_UPIG.XLS
CUBO_GESTION
_ESTUDIANTE
CUBO_GESTIO
N_DOCENTES
CUBO_GESTI
ON_PAGOS
DM_UPIG
75
4.11 Diagrama de Despliegue
Gráfico N° 31: Diagrama de Despliegue
Fuente: Elaboración Propia
4.12 Modelo Multidimensional
Aquí se denotan cada uno de los elementos multidimensionales que forman parte de la solución. Para el modelado de la solución se tomó como base la lista de indicadores proporcionado por los directores de las distintas carreras de la facultad, los cuales hicieron un análisis previo para la creación de estos requerimientos, el cual es la base de los requerimientos usados para la construcción y modelamiento del proyecto. Dimensión Tiempo
Tiempo es la dimensión que determina a que mes, semestre, año, etc. Pertenecen los datos cargados dentro del Data Mart y sobre los cuales se realiza las consultas en función del tiempo.
Servidor BD
Servidor_Aplica
ciones
VISTA_DATA_MART Cliente_PC
Impresora
76
Gráfico N° 32: Dimensión tiempo
Fuente: Elaboración Propia
Dimensión Periodo Lectivo
La dimensión Periodo Lectivo se utiliza para el análisis de la
mayoría de los indicadores ya que en esta dimensión se cargan
los datos del código y periodo lectivo de todo el record académico
del estudiante.
Gráfico N° 33: Dimensión Periodo Lectivo
Fuente: Elaboración Propia
77
Dimensión Categoría Docente La dimensión Categoría Docente se utiliza para el análisis de los indicadores de docentes se carga con los datos del código y descripción de la categoría de los docentes.
Gráfico N° 34: Dimensión categoría Docente
Fuente: Elaboración Propia
Dimensión Dedicación Docente
La dimensión Dedicación Docente se utiliza para el análisis de los indicadores de docentes se carga con los datos del código y descripción de la dedicación de los docentes.
Gráfico N° 35: Dimensión dedicación Docente
Fuente: Elaboración Propia
78
Dimensión Asignatura La dimensión Asignatura se utiliza para el análisis de los indicadores de estudiantes y docentes se carga con los datos del código y descripción del curso en el que se encuentra el estudiante o curso donde da clases el docente.
Gráfico N° 36: Dimensión Asignatura
Fuente: Elaboración Propia
Dimensión Estudiante La dimensión Estudiante se utiliza para el análisis de los indicadores de estudiantes se carga con los datos del código y descripción de los datos básicos del estudiante, esta dimensión contiene datos del estudiante como nombres, apellido, sexo, país, de que colegio viene, etc.
Gráfico N° 37: Dimensión Estudiante
Fuente: Elaboración Propia
79
Dimensión Especialidad
Gráfico N° 38: Dimensión Especialidad
Fuente: Elaboración Propia
Dimensión Docente
Gráfico N° 39: Dimensión Docente
Fuente: Elaboración Propia
80
4.13 Modelo de Físico de DataMart
Diseño relacional de la base que soporta a los cubos
Las figuras a continuación representan los diagramas relacionales
de las estructuras relacionales usadas para la creación del
modelo multidimensional usado para el manejo de la construcción
de los cubos para los indicadores y reportes.
Éste se deriva de las dimensiones y del esquema
multidimensional. Se utilizó un esquema estrella para el diseño en
lugar de un esquema copo de nieve, ganando así simplicidad en
el diseño y velocidad de acceso para obtener tener las distintas
jerarquías.
81
Gráfico N° 40: Modelo Multidimensional en base a tablas relacionales para el
cubo de ESTUDIANTE
Fuente: Elaboración Propia
FAC_ESTUDIANTE *PediodoID
EspecilidadID
IDAsignatura
Alumno
EstadoAsignaturaID
CodAsignaturaMat
Contador
DNI
Edad
EstadoCivil
DesEstadoCivil
EstadoTrabajo
DesEstadoTrabajo
DIM_PERIODO *PeriodoID
Descripcion
FechaInicio
FechaFin
DIM_ESTUDIANTE *Alumno
Persona
Nombre
ApellidoPaterno
ApellidoMaterno
Sexo
Fecha_Nacimiento
Direccion
Distrito
Provincia
Departamento
Codigo_Postal
TelefonoFijo
TelefonoMovil
Pais_Procedencia
DesColegio
DIM_ESPECIALIDAD *EspecialidadID
CodFacultad
DesFacultad
CodEscuela
DesEscuela
CodCarrera
DesCarrera
DIM_ASIGNATURA *AsignaturaID
Nombre
Descripcion
Tipo
Creditos
Carrera
Horas_teoria
Horas_practica
Valor_teoria
Valor_Practica
Malla
82
Gráfico N° 41: Modelo Multidimensional en base a tablas relacionales
para el cubo de DOCENTES
Fuente: Elaboración Propia
FC_DOCENTE *PeriodoID
CategoriaID
Dedicacion
FacultadID
DocenteID
AsignaturaID
Fecha_inicio
Fecha_final
Hora_Clase
CodDia
Dia
Aula
Contador
Total
DIM_DEDICACION_DOCENTE *DedicacionDocID
CodCategoria
DesCategoria
DIM_CATEGORIA_DOCENTE *CategoriaDocID
CodDedicacion
DesDedicacion
CargaHoraria
DIM_ASIGNATURA *AsignaturaID
Nombre
Descripcion
Tipo
Creditos
Carrera
Horas_teoria
Horas_practica
Valor_teoria
Valor_Practica
Malla
DIM_PERIODO *PeriodoID
Descripcion
FechaInicio
FechaFin
DIM_FACULTAD *facultadID
Codfacultad
Desfacultads
CodEscuela
DesEscuela
CodCarrera
DesCarrera
CodAsignatura
DesAsignatura
83
Gráfico N° 42: Modelo Multidimensional en base a tablas relacionales para el cubo de HISTORIAL_ESTUDIANTE
Fuente: Elaboración Propia
84
Gráfico N° 43: Modelo Multidimensional en base a tablas relacionales para el
cubo de los PAGOS
Fuente: Elaboración Propia
FC_PAGOS_ESTUDIANTETiempoID
PediodoID
EspecilidadID
Alumno
Num_Cuota
Carrera
MontoBase
MontoParte
MontoTotal
Descuentos
Mora
NumComprobante
TipoComprante
EstadoPago
DIM_FECHATiempoID
fecha
Anyo
Mes
Dia_semana
Cuatrimestre
Descripcion_fecha
DIM_PERIODOPeriodoID
Descripcion
FechaInicio
FechaFin
DIM_ESPECIALIDADEspecialidadID
CodFacultad
DesFacultad
CodEscuela
DesEscuela
CodCarrera
DesCarrera
DIM_ESTUDIANTEAlumno
Persona
Nombre
ApellidoPaterno
ApellidoMaterno
Sexo
Fecha_Nacimiento
Direccion
Distrito
Provincia
Departamento
Codigo_Postal
TelefonoFijo
TelefonoMovil
Pais_Procedencia
DesColegio
DIM_TIPO_DOCUMENTO
TipoComprante
Descripcion
85
Gráfico N° 44. Modelo Multidimensional en base a tablas relacionales para el
cubo de la DESERCION
Fuente: Elaboración Propia
FAC_DESERCION *PediodoID
EspecilidadID
CodCarrera
Num_Estudiantes
De_Periodo_A
Cod_Periodo_A
Des_Periodo_A
Num_Estudiantes_A
De_Periodo_B
Cod_Periodo_B
Des_Periodo_B
Num_Estudiantes_B
De_Periodo_C
Cod_Periodo_C
Des_Periodo_C
Num_Estudiantes_C
DIM_PERIODO *PeriodoID
Descripcion
FechaInicio
FechaFin
DIM_ESPECIALIDAD *EspecialidadID
CodFacultad
DesFacultad
CodEscuela
DesEscuela
CodCarrera
DesCarrera
86
Gráfico N° 45. Modelo Multidimensional en base a tablas relacionales para el
cubo de SEGUIMIENTOS DE NOTAS
Fuente: Elaboración Propia
FC_SEGUIMIENTO_NOTAS *TiempoID
PediodoID
Malla
DocenteId
EspecialidadID
AsignaturaID
NotaPromedio
NotasDet
CondicionNota
TipoNota
CantidadVecesRecursa
DIM_FECHA *TiempoID
fecha
Anyo
Mes
Dia_semana
Cuatrimestre
Descripcion_fecha
DIM_PERIODO *PeriodoID
Descripcion
FechaInicio
FechaFin
DIM_DOCENTE *DocenteID
CodDocente
Apellidos_Nombes
DIM_ESPECIALIDAD *EspecialidadID
CodFacultad
DesFacultad
CodEscuela
DesEscuela
CodCarrera
DesCarrera
DIM_ASIGNATURA *AsignaturaID
Nombre
Descripcion
Tipo
Creditos
Carrera
Horas_teoria
Horas_practica
Valor_teoria
Valor_Practica
Malla
87
Gráfico N° 46. Modelo Multidimensional en base a tablas relacionales para el
cubo de OFERTA DEMANDA DE CARRERAS
Fuente: Elaboración Propia
FC_OFERTA_DEMANDA_CARRERAS *TiempoId
PeriodoID
EspecialidadID
CodCarrera
CantidadVacantes
CantidadPostulantes
CantidadIngresantes
CantidadNoIngresantes
DIM_FECHA *TiempoID
fecha
Anyo
Mes
Dia_semana
Cuatrimestre
Descripcion_fecha
DIM_PERIODO *PeriodoID
Descripcion
FechaInicio
FechaFin
DIM_ESPECIALIDAD *EspecialidadID
CodFacultad
DesFacultad
CodEscuela
DesEscuela
CodCarrera
DesCarrera
88
4.14 Prototipos
Gráfico N° 47: Cuadro cursos por Notas
Fuente: Elaboración Propia
Gráfico N° 48: Cuadro de ingresantes vs vacantes por carrera
Fuente: Elaboración Propia
89
Gráfico N° 49: Cuadro de ingresantes vs vacantes de Otros Semestre
G
r
á
Fuente: Elaboración Propia
Gráfico N° 50: Egresados por año
Fuente: Elaboración Propia
Fuente: Elaboración Propia
90
Gráfico N° 51: Asignatura vs Docentes
Fuente: Elaboración Propia
91
CAPITULO V
CONTRASTACION DE
LA HITOTESIS
92
5.1 Contrastación de la Hipótesis
El objetivo de este capítulo es mostrar los resultados obtenidos con la
realización de la tesis, el estado actual del prototipo, su validación y las
mejoras que se pueden hacer al mismo, así como las conclusiones que
se obtuvieron de la aplicación a la institución.
Con esta tesis se comprueba la factibilidad de la aplicación en el
proceso, mediante la metodología propuesta de Ralph Kimball, en la
institución.
Dentro de las dificultades encontradas en el análisis del problema, se
logró identificar que las principales dificultades que el área académica
tenía para tomar decisiones eran:
Tiempos largos para contar con información procesada y
de calidad, por lo que tenían que hacer uso de más de un
reporte para poder tomar decisiones.
Dependencia del área de TI.
a. Proceso
A continuación se muestra el proceso administrativo en estudio.
Gráfico N° 52: Modelo del Proceso en estudio
Fuente: Elaboración Propia
93
b. Resultado
Luego de la implantación del BI se han realizado pruebas finales
basados en la información que se obtiene de dicha herramienta,
pasaremos a detallar los resultados obtenidos:
Dónde:
O1: Determinar como la implantación del Business Intelligence mejora la
Eficiencia en la Gestión Académica del área de coordinación académica
de la UPIG, Surco 2015 (variable dependiente).
X: La implantación de Business Intelligence (variable independiente).
O2: Determinar como la implantación del Business Intelligence mejora la
toma de decisiones en la Gestión Académica del área de coordinación
académica de la UPIG, Surco 2015 (variable dependiente)..
En el pre test y post test se utilizó la distribución triangular, la cual es una
herramienta que brinda mejores resultados para la interpretación:
Pre test:
Nro. De reportes por mes: T (59, 60,61) horas
Nro. De Toma de decisiones por mes: T (95, 96,97) horas
Post test:
Nro. De reportes por mes: T (23, 24,25) horas
Nro. De Toma de decisiones por mes: T (47, 48,49) horas
A continuación los resultados luego de la aplicación de distribución
triangular:
O1:
Tabla N° 5: O1
1ndicadores Unidad de Medida Valor
Nro. De reportes por
mes
Número de Reportes 5
Nro. De Toma de
decisiones por mes
Número de Decisiones 6
Fuente: Elaboración Propia
O1 O2X
94
O2:
Tabla N° 6: O2
1ndicadores Unidad de Medida Valor
Nro. De reportes por mes Número de Reportes 11
Nro. De Toma de Número de
Decisiones
11
decisiones por mes
Fuente: Elaboración Propia
Comparativo de resultados de la Pre- test y Post-test
Tabla N° 7: Comparación de resultados entre el sistema actual y el
Datamart(BI)
Indicadores O1(Pre - test) O2(Post - test)
Nro. De reportes por mes 5 11
Nro. De Toma de
decisiones por mes
6 11
Fuente: Elaboración Propia
Gráfico N° 53: Comparación de resultados de la Pre – test y Post - test
Fuente: Elaboración Propia
Nro. De reportes por mes
Nro. De Toma de decisiones por mes
0
2
4
6
8
10
12
O1(Pre - test)O2(Post - test)
Nro. De reportes por mes
Nro. De Toma dedecisiones por mes
95
c. Contrastación de la Hipótesis
Formulación De Las Hipótesis Nula Y Alterna
Hipótesis Nula (Ho)
H (0): La Implantación de Business Intelligence NO mejorara
favorablemente en la Gestión Académica del área de coordinación
de la UPIG, Surco 2015.
Hipótesis alterna
H (A): La Implantación de Business Intelligence mejora
favorablemente en la Gestión Académica del área de coordinación
de la UPIG, Surco 2015.
.
Nro. De reportes por mes
Tabla N° 8: Nro. De reportes por mes
Antes Después D
Usuario1 5 11 -6
Usuario2 5 11 -6
Total 10 22 -12
Fuente: Elaboración Propia
A. Información para la prueba:
Nivel de Significancia: 1 – α = 0.95
Grados de Libertad: N –1 = 2 –1 =1
Región de Aceptación: t= 6.314
B. Información para la prueba:
=-6
96
√∑( ( ))
Θd=6
C. Resultado de la Prueba
t=-1
Gráfico N° 54: Resultado de la prueba nro. Reportes por mes
Fuente=Elaboración Propia
Nro. De Toma de decisiones por mes
Tabla N° 9: Nro. de toma de decisiones por mes
Antes Después D
Usuario1 6 11 -5
Usuario2 6 11 -5
Total 12 22 -10
Fuente: Elaboración Propia
A. Información para la prueba:
Nivel de Significancia: 1 – α = 0.95
Grados de Libertad: N –1 = 2 –1 =1
97
Región de Aceptación: t= 6.314
B. Información para la prueba:
=-5
√∑( ( ))
Θd=5
C. Resultado de la Prueba
t=-1
Gráfico N° 55: Resultado de la prueba nro. De toma de decisiones
por mes
Fuente: Elaboración Propia
Aceptamos la hipótesis y concluyendo que el desarrollo de un DataMart
proporciona una mejora a la eficiencia en la gestión académica en la
UPIG que ahorra tiempo en la obtención de información requerida para
la toma de decisiones
98
CONCLUSIONES
1) Se demostró que con la ayuda de BI mejoro la creación de reportes.
2) Se demostró que la ayuda de BI incremento la cantidad de tomas de
decisiones en el mes.
3) En la UPIG se obtendrán grandes beneficios al utilizarse el DataMart
académico, puesto que se podrá analizar el comportamiento de los
estudiantes se podrá tomar mejores decisiones en cuanto al uso de los
recursos.
4) El desarrollo de los procesos de extracción, transformación y carga son
los apropiados según la información requerida por los directores de
carrera.
5) El uso de los indicadores Académicos permitirá realizar el proceso de
elaboración de las estrategias para mejorar las decisiones.
99
RECOMENDACIONES
1) El presente proyecto de tesis puede servir de base para la creación de
otros sistemas que utilicen la inteligencia de negocios.
2) Desarrollar la inteligencia de negocios en la UPIG les permitiría
descubrir información que no es evidente si se realiza de la manera
convencional (basado en experiencias y datos históricos).
3) Tener en cuenta la compatibilidad de la herramienta que se utilizará con
la base de datos para su explotación con equipos clientes.
100
REFERENCIAS BIBLIOGRÁFICAS
Libro:
Data Mining, Minería de Datos con SQL Server
Dr. Guillermo Gil
Tesis como referencias
Análisis, diseño e implementación de un data mart Académico usando tecnología de BI para la facultad de Ingeniería, ciencias físicas y matemática.- Quito – Ecuador Un Sistema de información ejecutivo basado en datamart para la prevención, análisis y supervisión de las operaciones de lavado de activos en la Empresa Concorde - Lima-Perú Construcción del modelo de ventas multidimensional Basado en la información histórica de la organización Harold dario jimenez Danne arley ramirez Jose eucario parra Universidad de san Especialización TDM transportes s.a.s. - MEDELLÍN Páginas Web
http://www.iti.es/training/annual-training-plan/training/resource/7296/index.html
http://msdn.microsoft.com/es-pe/library/ms141026.aspx
http://technet.microsoft.com/es-es/library/ms175609(v=sql.90).aspx
http://technet.microsoft.com/es-es/library/ms159106(v=sql.110).aspx
http://mundodb.es/diseno-data-warehouse-hechos-y-dimensiones-modelo-
estrella-vs-copo-de-nieve
http://inteligenciadenegociosval.blogspot.com/2014/01/metodologia-de-
kimball.html
101
ANEXOS
Matriz De Consistencia
TITULO: Implantación de Business Intelligence como mejora en la Gestión Académica del área de coordinación
académica de la UPIG, Surco 2015.
PROBLEMA OBJETIVO HIPOTESIS VARIABLE INDICADORES
GENERAL
¿En qué medida la
Implantación del
Business Intelligence
mejora la Gestión
Académica del área de
coordinación de la UPIG,
Surco 2015?
GENERAL
Determinar como la
implantación del
Business Intelligence
mejora la Gestión
Académica del área de
coordinación de la UPIG,
Surco 2015.
GENERAL
H=La Implantación de
Business Intelligence
mejorara favorablemente
en la Gestión Académica
del área de coordinación
de la UPIG, Surco 2015.
H0= La Implantación de
Business Intelligence NO
mejorara favorablemente
en la Gestión Académica
del área de coordinación
de la UPIG, Surco 2015.
INDEPENDIENTE
X= Business
Intelligence (BI)
DEPENDIENTE
Y= Gestión Académica
X1=Utilidad
X2=Calidad
Y1=Eficiencia
Y2= Toma de
Decisiones
ESPECIFÍCAS
a. ¿En qué medida la
ESPECIFÍCAS
a. Determinar como la
ESPECIFÍCAS
H1: La implantación del
102
implantación del
Business Intelligence
mejora la Eficiencia en
la Gestión Académica del
área de coordinación
académica de la UPIG,
Surco 2015?
b. ¿En qué medida la
implantación Business
Intelligence mejora la
toma de decisiones de
la Gestión Académica del
área de coordinación
académica de la UPIG,
Surco 2015?
implantación del
Business Intelligence
mejora la Eficiencia en
la Gestión Académica del
área de coordinación
académica de la UPIG,
Surco 2015.
b. Determinar como la
implantación del
Business Intelligence
mejora la toma de
decisiones en la
Gestión Académica del
área de coordinación
académica de la UPIG,
Surco 2015.
Business Intelligence
mejorara la Eficiencia en
La Gestión Académica del
área de coordinación
académica de la UPIG,
Surco 2015.
H2: La implantación del
Business Intelligence
mejorara la toma de
decisiones en La Gestión
Académica del área de
coordinación académica
de la UPIG, Surco 2015.
H01: La implantación del
Business Intelligence NO
mejorara la Eficiencia en
La Gestión Académica del
área de coordinación
103
académica de la UPIG,
Surco 2015.
H02: La implantación del
Business Intelligence NO
mejorara la toma de
decisiones en La Gestión
Académica del área de
coordinación académica
de la UPIG, Surco 2015.
VARIABLES INDICES INDICADORES
X= Independiente
Business
Intelligence (BI)
X1=Utilidad
X2=Calidad
X11=satisfacción del usuario en el uso del
BI.
a. Muy Satisfecho
b. Poco Satisfecho
c. Insatisfecho
e. Ninguno
X12= Información que muestra el BI son
104
100% de calidad.
a. Excelente
b. Buena
c. Regular
d. Malo
Y= Dependiente
Gestión
académica
Y1=Eficiencia
Y2=Toma de
Decisiones
Y11= Cantidad de generación de reportes
a mes.
a. 0 a 9
b. 10 a 19
c. 20 a más
Y11= Tiempo de respuesta para generar
un reporte.
a. Menos 10 segundos.
b. Entre 10 a 25 segundos
c. 30 segundos a más
Y12= Cantidad de toma de decisiones
acertadas al mes
a. 0 a 9
b. 10 a 19
c. 20 a más
105
Operacionalización de la variable
Hipótesis Definición
de la variable
Dimensión de la
variable
Indicador de la
variable Ítem de la variable
Imp
lan
tació
n d
e b
usin
ess in
telli
gen
ce
co
mo
me
jora
en la
ge
stió
n a
ca
dé
mic
a d
el á
rea
de
co
ord
ina
ció
n a
ca
dé
mic
a
de
la
UP
IG,
su
rco
20
15
.
Gestión
académica
del área de
coordinación
académica
de la UPIG.
Criterios de Gestión
Cantidad de Estudiantes
en desertados
¿Con la Gestión académica de estudiantes se
conocerán la cantidad de deserción de estudiantes
UPIG?
Cantidad de Docentes
por grado y dedicación
¿Con la Gestión académica de Docentes se sabe el
monto
Montos de ingresos y Deudas
detallados
¿Con la Gestión de pagos de estudiantes se sabrá cuanto ingreso y deudas
existen por mes o semestre?
Opciones de Solución
Numero de toma de
decisiones
¿Cuantas decisiones se ha tomado para la solución óptima en el área académica?
Evaluación de las Opciones
Eficacia
Eficiencia
¿La toma de decisiones tiene resultados en el
tiempo?
¿La toma de decisiones tiene resultados con menores recursos?
Cronograma de Actividades
106
107
CUESTIONARIO
PREGUNTAS
1. ¿Con qué frecuencia usa información histórica para la elaboración y
análisis de informes de Data académica y de Pagos?
a) Siempre
b) Casi siempre
c) A veces
d) Muy Pocas Veces
e) Nunca
2. Por lo general, cuanto tiempo, en DIAS, se invierte en la elaboración de
informes de algún tipo Académico o de Pagos (Circular)
1 2 3 4 5 6 7 8 9 1011 12 1314 1516 17 18 19 20 21y más días
3. La forma de elaborar la información, le permite actualmente, obtener
reportes históricos (anuales, semestrales, mensuales, etc)
a) No
b) Si y ayuda mucho
c) Si y algo ayuda
d) Si pero ayuda muy poco
e) Si pero no ayuda
4. ¿Cuál es el grado de satisfacción, en cuanto a la presentación de los
informes que genera su sistema información?
a) Totalmente satisfecho
b) Satisfecho
c) Poco satisfecho
d) Muy Poco satisfecho
e) Insatisfecho
5. ¿Con qué frecuencia se elaboran esta información para los
administradores u accionistas?
a) Semanal
b) Mensual
c) Bimestral
d) Trimestral
108
e) Semestral
f) Anual
6. ¿La empresa tiene indicadores de Gestión para la toma de decisiones?
a) NO
b) SI cual, recuerda el nombre, como se llama?
7. ¿De qué forma solicita la elaboración de informes en los sistemas
informáticos actuales?
a) Personal Oral
b) Personal Escrita
c) Por correo electrónico
d) Formato
e) No sabe
8. Los resultados que se obtienen de los sistemas actuales, en cuanto al
control Académico y de pagos, que tanto satisfacen sus expectativas,
operativas y administrativas?
a) Totalmente satisfecho
b) Satisfecho
c) Poco satisfecho
d) Muy Poco satisfecho
e) Insatisfecho
9. Conoce usted lo que es un Datamart (cubo de información)?
a) No
b) SI
10. ¿Cuánto interés tendría en utilizar un sistema informático que le permita
conocer al detalle la información matricula, pagos, docentes, sin interferir
con el sistema transaccional, en forma confiable y a tiempo, cada vez lo
necesite?
a) Totalmente interesado
b) Interesado
c) Poco interesado
d) Muy Poco
e) Ningún interés
109
11. ¿Qué tan importante es para usted, que este sistema informático le
permita elaborar informes numéricos y graficas con datos de su interés
sin tener que solicitarlos al profesional de informática?
a) Muy importante
b) Importante
c) Poco importante
d) Muy poco Importante
e) Nada Importante
Considera usted que su empresa se beneficiaría con el uso de estos sistemas
de información (Datamarts)
a) Mucho
b) Poco
c) Muy poco
d) Casi Nada
e) Nada
f) No sabe
12. Estaría dispuesto a colaborar en una posterior entrevista para instalar
un modelo de prueba para que su empresa tenga mejor control de la
información?
a) Totalmente interesado
b) Interesado
c) Poco interesado
d) Muy Poco
e) Ningún interés