ÍNDICE INTRODUCCIÓN 5 1. PLANTEAMIENTO DEL …docshare01.docshare.tips/files/24082/240828688.pdf · Cuadro Nº 14 Tipos de Datos FACT_GESTION_VENTAS ..... 65 . IMPLEMENTACIÓN DE

IMPLEMENTACIÓN DE UN DATAMART PARA EL ÁREA DE OPERACIONES - VENTAS EN LA EMPRESA SCCP

1

ÍNDICE

INTRODUCCIÓN ........................................................................................ 5

1. PLANTEAMIENTO DEL PROBLEMA ..................................................... 6

1.1 DESCRIPCIÓN DE LA REALIDAD PROBLEMÁTICA ......................... 6

1.2 JUSTIFICACIÓN DEL PROBLEMA ...................................................... 7

1.3 DELIMITACIÓN DE LA INVESTIGACIÓN ............................................ 8

1.3.1 ESPACIAL ...................................................................................... 8

1.3.2 TEMPORAL .................................................................................... 8

1.3.3 SOCIAL ........................................................................................... 9

1.4 FORMULACIÓN DEL PROBLEMA ....................................................... 9

1.5 OBJETIVO ............................................................................................. 9

2. MARCO TEÓRICO .................................................................................. 10

2.1 ANTECEDENTES .............................................................................. 10

2.2 BASES TEÓRICAS ............................................................................ 12

2.3 MARCO CONCEPTUAL .................................................................... 24

3. DISEÑO E MPLEMENTACIÓN ............................................................... 51

3.1 ANÁLISIS DEL MODELO ................................................................. 51

3.2 DISEÑO, CONSTRUCCIÓN E IMPLEMENTACIÓN ......................... 59

3.3 REVISIÓN Y CONSOLIDACIÓN DE RESULTADOS ........................ 75

CONCLUSIONES .................................................................................... 78

RECOMENDACIONES ............................................................................ 79

BIBLIOGRAFÍA ....................................................................................... 80


2

ÍNDICE DE FIGURAS

Figura N° 1 Arquitectura Sistema de Inteligencia de Negocios ............................................ 13

Figura N° 2 Proceso de Inteligencia de Negocios ................................................................ 14

Figura N°3 Arquitectura BI .................................................................................................... 18

Figura N°4 Tipos de Tecnología OLAP ................................................................................. 21

Figura N° 5 Esquema Estrella ............................................................................................... 23

Figura N° 6 Esquema Copo de Nieve ................................................................................... 23

Figura N° 7 Clasificación de Sistemas a Nivel Organizacional ............................................. 26

Figura N° 8 Diseño de Call Center ........................................................................................ 29

Figura N° 9 Estructura de un Centro de Llamadas ............................................................... 32

Figura N° 10 Tareas de la Metodología de Kimball .............................................................. 33

Figura N° 11 Arquitectura back room .................................................................................... 37

Figura N° 12 Arquitectura front room .................................................................................... 38

Figura N° 13 Herramientas de integración de datos (ETL) ................................................... 45

Figura N° 14 Herramientas de OLAP .................................................................................... 45

Figura N° 15 Suites de Inteligencia de Negocios .................................................................. 46

Figura Nº 16 Cronograma del Proyecto ................................................................................ 56

Figura N° 17 Proceso de Negocio del Área de Operaciones – Gestión de Ventas ............. 58

Figura N° 18 Diseño de la Arquitectura................................................................................. 59

Figura N° 19 SQL Server 2008 R2........................................................................................ 60

Figura N° 20 SQL Server Conexión ...................................................................................... 60

Figura N° 21 SQL Server ...................................................................................................... 61

Figura N° 22 Visual Studio 2008 ........................................................................................... 61

Figura N° 23 Modelo Transaccional de la Base de Datos de Ventas TC ............................. 62

Figura N° 24 Modelo Estrella de la Base de Datos de Ventas TC ....................................... 63

Figura N° 25 Población de Dimensiones y Fact ................................................................... 66

Figura Nº 26 Datos Dimensión Agente ................................................................................. 67

Figura Nº 27 Datos Dimensión Calling_List .......................................................................... 67

Figura Nº 28 Datos Dimensión Cliente ................................................................................. 68

Figura Nº 29 Datos Dimensión Tarjeta TC ............................................................................ 68

Figura Nº 30 Datos Dimensión Tarjeta ................................................................................. 69

Figura Nº 31 Datos Dimensión Tiempo ................................................................................. 69

Figura Nº 32 Datos Dimensión Ubigeo ................................................................................. 70

Figura Nº 33 Datos Fact Gestión Ventaa .............................................................................. 70

Figura N° 34 Fact_Gestion_Ventas ...................................................................................... 71

Figura Nº 35 Cubo 1 Tiempo, Tarjeta, Ubigeo ...................................................................... 72


3

Figura N° 36 Resultado Cubo – Ventas por Tipo de Tarjeta ................................................ 72

Figura Nº 37 Cubo 2 Tiempo, Tarjeta, Ubigeo ...................................................................... 73

Figura N° 38 Resultado Cubo – Ventas x Distrito según Tarjeta TC .................................... 73

Figura Nº 39 Cubo 3 Tiempo, Calling_List, Ubigeo .............................................................. 74

Figura N° 40 Resultado Cubo – Ingresos Vs Costo según Tarjeta TC ................................. 74

Figura N° 41 Cantidad de Tarjetas según tipo de Tarjeta..................................................... 75

Figura N° 42 Ventas x Distrito según Tarjeta TC .................................................................. 76

Figura N° 43 Ingresos Vs Costo según Tarjeta TC ............................................................... 77


4

ÍNDICE DE CUADROS

Cuadro N° 1 Descripción de los Stakeholders ...................................................................... 53

Cuadro N° 2 Requisitos del Proyecto Humanos – Gestión .................................................. 53

Cuadro N° 3 Requisitos del Proyecto Humanos – TI ............................................................ 54

Cuadro N° 4 Requisitos del Proyecto Equipamiento – Hardware ......................................... 54

Cuadro N° 5 Requisitos del Proyecto Equipamiento – software ........................................... 55

Cuadro N° 6 Procesos de Negocio Vs Dimensiones ............................................................ 57

Cuadro Nº 7 Tipos de Datos DIM_AGENTE ......................................................................... 63

Cuadro Nº 8 Tipos de Datos DIM_CALLING_LIST .............................................................. 64

Cuadro Nº 9 Tipos de Datos DIM_CLIENTE ........................................................................ 64

Cuadro Nº 10 Tipos de Datos DIM_ESTADO_TC ................................................................ 64

Cuadro Nº 11 Tipos de Datos DIM_TARJETA...................................................................... 64

Cuadro Nº 12 Tipos de Datos DIM_TIEMPO ........................................................................ 65

Cuadro Nº 13 Tipos de Datos DIM_UBIGEO ........................................................................ 65

Cuadro Nº 14 Tipos de Datos FACT_GESTION_VENTAS ................................................. 65


5

INTRODUCCIÓN

Actualmente nos encontramos en un mundo muy competitivo con una economía

globalizada y ampliamente interconectada, los flujos de información se han

potenciado tremendamente dentro de la empresa y de fuentes externas. Los

Sistemas de Información (IS) juegan un rol muy relevante en la economía

moderna, permitiendo que las organizaciones y empresas realicen miles de

funciones simples y complicadas a altas velocidades, almacenen mucha

información, permiten tener una comunicación a todo nivel, convierten la data e

información en conocimiento, automatizan rutinas, y permite interpretar data y

situaciones estratégicas muy sofisticadas, entre otras.

La Inteligencia de Negocios (BI) y la Data Warehouse (DW), como componentes

de alto nivel de los Sistemas de Información, tienen una serie de ventajas y

beneficios para toda organización, entre los más saltantes manejar vastas

cantidades de información y sacar conocimiento de ellas permitiendo un mejor

desempeño de la empresa. Con esa información más precisa y conocimiento que

se logra, se puede mejorar el manejo operativo de la empresa, se pueden tomar

decisiones estratégicas, y se mejora el desempeño de muchas de sus funciones:

marketing y ventas, precios, pronósticos, finanzas, cadena de abastecimientos, y

atención al cliente. La Inteligencia de Negocios la podemos definir como la

obtención, administración y reporte de la data orientada a la toma de decisiones, y

las técnicas analíticas y procesos computarizados que se usan para el análisis de

la misma


6

CAPITULO I

1. PLANTEAMIENTO DEL PROBLEMA

1.1. DESCRIPCIÓN DE LA REALIDAD PROBLEMÁTICA

La empresa Servicios Call Center del Perú (SCCP), es una empresa

recientemente fundada, con poca trayectoria en el mercado, el cual tiene la

misión de satisfacer las necesidades de comunicación de las empresas,

para establecer vínculos eficientes y eficaces entre sus Clientes y los

usuarios finales.

La empresa gestiona diversos servicios en dos segmentos distintos

(Inbound y Outbound), donde cada servicio cuenta con un Cliente

(empresa). El cual el Gerente de Operaciones requiere que la gestión

década servicio sea de manera personalizada, teniendo la información

organizada y procesada, para poder realizar un mejor análisis de la

información en cuanto a las Gestiones de los servicios y tomar

eficientemente las decisiones para obtener una mejor rentabilidad y calidad

en el servicio, ya que toda la información con que cuenta la empresa, se

encuentran almacenados en bases de datos operacionales, cuyas tablas no

se encuentran normalizadas, existiendo excesiva información y redundancia

de datos.


7

La empresa para un mayor apoyo en cuanto a la organización de la

información, realiza reportes vía web, el cual es realizado de forma manual,

mediante consultas y ejecutando procedimientos almacenados, donde

requiere demasiado tiempo para ejecutarse y procesar los datos,

congestionando la base de datos y aumentando el tiempo de espera para

cada consulta que se realiza, originando un desfase de casi 2 horas para

poder visualizar los reportes vía web, donde en muchas ocasiones se

genera incomodidades y malestar por parte del Gerente Operaciones y los

Jefes de Plataforma que constantemente se reúnen para ver la Gestión de

los servicios y al no tener la información adecuada y oportuna, no se puede

tomar decisiones de inmediato, llegando a perder tiempo y en algunos

casos originando el retiro de los Clientes, prescindiendo de los servicios del

Call.

Debido a este uso de la información de manera conglomerada no se tiene

una adecuada utilización de la información de forma específica para los

distintos servicios. De tal manera que no se cuenta con una herramienta

necesaria para poder analizar la información y tomar las decisiones

correctas sin tener un soporte en la toma de decisiones.

1.2. JUSTIFICACIÓN DEL PROBLEMA

Ante la falta de una herramienta para el análisis de la información y el

apoyo en la toma de decisiones, se pretende desarrollar este proyecto para

brindar el soporte a la toma de decisiones para la Gerencia de operaciones.

La solución que se plantea está basada en la utilización de la herramienta

Tecnológica de Business Intelligence, el cual se pretende realizar el diseño

de un DataMart para el área de operaciones, donde se busca extraer e

integrar los datos del negocio para obtener información relevante y

específica sobre las Ventas que se realizan a diario, el cual nos permitirá

depurar los datos redundantes, y obtener información estructurada y


8

procesada para un mejor análisis para entregar un mejor servicio al cliente y

tomar mejores decisiones, en base al manejo de información con valor.

Aplicando este sistema de Business Intelligence, se minimiza el tiempo de

carga de los datos, debido a que todos se encuentran en un mismo

repositorio, optimizando tiempos y costos para el procesamiento de los

datos y la entrega de información de manera rápida y oportuna, el cual

permitirá al Gerente de Operaciones realizar análisis de manera más ágil y

comprensible, estableciendo comparaciones para el apoyo en la toma de

decisiones.

También permitirá que los usuarios no dependan de reportes

programados, ya que los que se generan se realizan de forma dinámica,

donde el usuario puede personalizarlo y adaptarlo a su necesidad,

accediendo y analizando directamente los indicadores que se generan

para evaluar la efectividad de los diferentes servicios que se gestionan.

1.3. DELIMITACIÓN DE LA INVESTIGACIÓN

A. Delimitación Espacial

El presente Proyecto se desarrollará en la empresa Servicios Call Center

del Perú – SCCP, en el área de Operaciones – Ventas, donde se realiza

toda la Gestión de Ventas por llamadas telefónicas por parte de los

agentes.

B. Delimitación Temporal

El Proyecto se pretende desarrollar en 3 meses, ya que es el tiempo

asignado para la implementación del Data Mart, para la recolección de la

información, diseño y aplicación del Data Mart para el área de Operaciones

– Ventas de la Empresa SCCP


9

C. Delimitación Social

La investigación involucra2 niveles jerárquicos de la empresa.

Nivel táctico: Gerente de Operaciones

Nivel operativo: Jefes de Plataforma

1.4. FORMULACIÓN DEL PROBLEMA

1.4.1. Problema principal

¿De qué manera la implementación de un Data Mart permitirá analizar la

información para el soporte a la toma de decisiones aplicado al área de

Operaciones – Ventas en la empresa Servicios Call Center del Perú?

1.5. OBJETIVO DE LA INVESTIGACIÓN

1.5.1. Objetivos General

Implementar un Data Mart que permita analizar la información para el

soporte a la toma de decisiones aplicado al área de Operaciones – Ventas

en la empresa Servicios Call Center del Perú.

1.5.2. Objetivos Específicos

Desarrollar el Data Mart para tomar mejores decisiones en cuanto a

la Gestión de Ventas de Tarjetas de Crédito según el sector, los

registros consumidos y la temporada de ventas que tienen mayores

ingresos.

Diseñar la Base de Datos Dimensional.

Minimizar el tiempo de carga optimizando tiempos para el

procesamiento de los datos y la entrega de información de manera

rápida y oportuna.

Generar reportes de forma dinámica, donde el usuario puede

personalizarlo y adaptarlo a su necesidad.


10

CAPITULO II

2. MARCO TEÓRICO

2.1. ANTECEDENTES

A fin de verificar la autenticidad y originalidad de la presente investigación

se revisaron diversas fuentes bibliográficas encontrando las siguientes

investigaciones relacionadas al tema propuesto:

El Ingeniero Rolando A. Gonzales López, de la Universidad ESAN, realizó

una investigación con la finalidad de estimar el impacto que tienen el Data

Warehouse (DW) y la Inteligencia de Negocios (BI) en el desempeño de las

empresas en un país en vías de desarrollo, la que en comparación con la

investigación propuesta, también se requiere estimar el impacto de la

aplicación de Inteligencia de Negocios para la toma de decisiones en la

empresa SCCP, con el fin de obtener información relevante y oportuna.

En este trabajo se establece las preguntas de investigación y se utilizaron

dos modelos para resolver las mismas. El primero un modelo Cualitativo

Exploratorio, mediante entrevistas semi estructuradas, y el segundo un

modelo Cuantitativo, mediante cuestionarios.

El modelo Cualitativo Exploratorio utilizó 23 entrevistas en 16 empresas de

diversos segmentos de negocios, que utilizan la DW y BI. Se entrevistaron a

Gerentes de Inteligencia de Negocios de empresas que desarrollan el


11

sistema de DW y BI, luego a Gerentes de DW y BI de empresas que utilizan

el sistema y a usuarios directos del sistema de DW y BI.

El modelo Cuantitativo utilizó 110 cuestionarios de 13 empresas de diversos

segmentos de negocios que utilizan la DW y BI. Se utilizó el modelo del

éxito de IS de De Lone y McLean de 2003, con las variables verificadas en

el estudio cualitativo. Éste tiene los constructos independientes, Calidad de

la Información, Calidad del Sistema y Calidad del Servicio. Luego los

constructos mediadores, Uso del Sistema y Satisfacción del Usuario, y

finalmente el constructo dependiente, el Impacto Individual. Como se indica

el constructo dependiente, la unidad de análisis fue el usuario individual,

dado el número limitado de empresas que usan el sistema de DW y BI, lo

cual no permitía trabajar con las empresas como unidad de análisis. Para la

resolución del modelo se utilizaron las Ecuaciones Estructurales, las cuales

son una herramienta de análisis multivariable de última generación que

permite trabajar con varios ítems para cada constructo y solucionar el

modelo con todos los constructos a la vez. De esta manera se establecieron

las variables o constructos más relevantes, por grado de importancia, y sus

componentes, y luego se determinó la significancia de cada uno de ellos,

respondiéndose de esta manera las preguntas de investigación y

confirmándose las hipótesis más relevantes del estudio cuantitativo. Se

determinó adicionalmente aspectos como el uso que le dan las empresas a

la Inteligencia de Negocios.

De otro lado, se encontró la investigación desarrollada por el Sr. Boada

Byron y el Sr. Tituaña Alvaro, donde desarrollaron una aplicación de

Business Intelligence para la empresa Empaqplast, con la finalidad de dar

soporte en la toma de decisiones para las gerencias de las áreas de

negocio de compras, ventas e inventarios.

Para el desarrollo del proyecto se utilizó la metodología de Ralph Kimball,

ya que es una de las más usadas, seguras y probadas al momento de


12

implementar un proyecto de Business Intellgence, cubriendo todas las fases

de ciclo de vida de un proyecto de BI. Todas las etapas del proyecto se

realizaron con las herramientas de la suite Pentaho. El datawarehouse está

almacenado en una base de datos Oracle 10g perteneciente a la empresa.

Actualmente la empresa hace uso de la aplicación para generar reportes de

las áreas de negocio involucradas, vista de análisis y monitoreo del negocio

mediante los tableros de control, logrando así un acceso a la información

organizada, depurada en tiempo real para la toma de decisiones acertadas.

2.2. BASES TEÓRICAS

En este capítulo se presenta un resumen de la teoría referente a

Inteligencia de Negocios, Data Warehouse y Data Mart. El propósito del

capítulo es proveer los conocimientos teóricos necesarios y técnicas

utilizadas a lo largo de la realización de este proyecto.

2.2.1 INTELIGENCIA DE NEGOCIOS

Son herramientas de soporte de decisiones que permiten en tiempo

real, acceso interactivo, análisis y manipulación de información crítica

para la empresa. Estas aplicaciones proporcionan a los usuarios un

mayor entendimiento que les permite identificar las oportunidades y

los problemas de los negocios.

Los sistemas de soporte de decisiones constituyen una tendencia creciente

en empresas medianas y grandes que desean una gerencia eficiente.

Mejorar la tarea de toma de decisiones y planeamiento estratégico,

transformando miles de datos en conocimiento útil, es la razón por la que la

inteligencia de negocios es manejada como: la solución de sistemas para

integración de información y de tecnología inteligente para el soporte a la

toma de decisiones gerenciales.


13

Figura N° 1 Arquitectura Sistema de Inteligencia de Negocios.

Fuente: Obtenido del Proyecto de Aplicación de BI. Universidad Rey Juan Carlos, España, 2010.

Business Intelligence es la habilidad de consolidar información y analizarla

con la suficiente velocidad y precisión para descubrir ventajas y tomar

mejores decisiones de negocios1.

La tecnología que apoya a Inteligencia de Negocios, se basa en los

siguientes conceptos:

Procesos Analíticos en Línea (Online Analytic Processing,

OLAP).

Almacenes de Datos (DataWarehouse).

Minería de Datos.

Inteligencia de Negocios se compone de todas las actividades relacionadas

a la organización y entrega de información así como el análisis del negocio.

Esto incluye Minería de Datos, Administración del Conocimiento,

Aplicaciones Analíticas, Sistemas de Reportes y principalmente

DataWarehouse.

1 Flores Esquivel. Bussines Intelligence - El soporte de decisiones en la empresa Casa Marzam [Tesis], 2009.


14

Inteligencia de Negocios (Business Intelligence) es la habilidad de

consolidar información y analizarla con la suficiente velocidad y precisión

para descubrir ventajas y tomar mejores decisiones de negocios.

La Inteligencia de Negocios se puede definir como el proceso de analizar

los bienes o datos acumulados en la empresa y extraer una cierta

inteligencia o conocimiento de ellos. Dentro de la categoría de bienes se

incluyen las bases de datos de clientes, información de la cadena de

suministro, ventas personales y cualquier actividad de marketing o fuente

de información relevante para la empresa.

BI 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.

Figura N° 2 Proceso de Inteligencia de Negocios.

Fuente: Obtenido del Proyecto de Implementación de un sistema de Inteligencia de Negocios,

basado en minería de datos para las Pymes. Universidad de los Andes. Mérida, 2006.

La información es el activo más importante en los negocios actuales. Esto

debido a que el éxito de un negocio depende de que tan bien conozca a sus

clientes, que tan bien entienda sus procesos internos y que tan efectivo sea

para realizar todas sus operaciones.


15

Todas las soluciones de BI tienen funciones parecidas, pero deben reunir al

menos los siguientes componentes:

Multidimensionalidad: La información multidimensional se puede

encontrar en hojas de cálculo, bases de datos, entre otros. Una herramienta

de BI debe 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

información2.

Minería de Datos: 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 nuevas tendencias o cambios en las tendencias

actuales. Las aplicaciones o técnicas de Minería de Datos, pueden

identificar tendencias y comportamientos, no sólo para extraer información,

sino también, para descubrir las relaciones que contienen bases de datos,

permitiendo obtener y reconocer, comportamientos no muy evidentes.

Agentes: Los agentes son programas que "piensan". Ellos pueden realizar

tareas a un nivel muy básico, sin necesidad de intervención humana.

DataWarehouse: Es la respuesta de la tecnología de información a la

descentralización en la toma de decisiones, destinando información de

todas las áreas funcionales de la organización, en manos de quienes toman

las decisiones. También proporciona herramientas para búsqueda y

análisis.

Características

Para que una herramienta software sea considerada de inteligencia de

2 Ian Trujillo, Modelo Multidimensional, 2005.


16

negocio, debe garantizar las siguientes características:

Accesibilidad: debe garantizar el acceso de los usuarios a los datos,

siendo independiente la procedencia de los mismos.

Orientada al usuario: buscar la independencia entre los conocimientos

técnicos que puedan poseer los distintos usuarios.

Apoyo a la toma de decisiones: debe distinguirse de una simple

presentación de la información, debe poseer herramientas de análisis que

permita seleccionar y manipular solamente aquellos datos que sean

interesantes para el usuario.

2.2.1.1 Importancia de BI

Generalmente, en las organizaciones se genera una gran cantidad

de datos e información que en muchos de los casos el análisis de

la misma se convierte en un verdadero problema para los directivos.

Las tecnologías y los sistemas de BI permiten realizar un análisis

mucho más ágil y compresible para la toma de decisiones

empresariales, las aplicaciones BI buscan incrementar la eficiencia en

la organización. Podemos decir que la información, correctamente

analizada e interpretada, es la mayor fuente de poder de las empresas,

ya que da pistas muy claras acerca del camino a seguir en futuras acciones.

2.2.1.2 Beneficios de BI

Entre los beneficios más importantes que brinda una aplicación BI a las

organizaciones, se puede mencionar los siguientes:

Minimiza el tiempo de carga de datos, debido a que todos los datos

se encuentran en un mismo repositorio o fuente de información.

Los procesos de extracción y carga de la información son automáticos


17

debido al uso de procesos definidos y metodologías.

Las herramientas BI permiten realizar análisis, y establecer

comparaciones para la toma de decisiones.

Permite a los usuarios no depender de reportes o informes

programados, porque los mismos serán generados de manera dinámica.

Posibilita la formulación preguntas y respuestas que son claves para

el desempeño de la organización.

Permite acceder y analizar directamente los indicadores de éxito.

Permite consultar y analizar los datos de manera sencilla e intuitiva.

Elimina los gastos innecesarios en la organización.

Mejora el conocimiento de la empresa sobre clientes, empleados, costos

etc. Lo que facilita la gestión de los directivos.

2.2.1.3 Arquitectura

Una solución BI empieza, desde los sistemas de origen o los sistemas

operacionales de la organización es decir las bases de datos, archivos

planos, hojas de cálculo, sistemas ERP que son los que generan datos

de la organización. Sobre los datos obtenidos se realiza un proceso

de extracción de los datos de sus diferentes fuentes, transformación

que consiste en una estandarización de los datos y carga de los

datos en un nuevo repositorio como un Data Warehouse o en varios

Data Marts para de esta manera ser estructurados y presentados a

los usuarios finales en forma de Reportes, Tableros de mando, etc.


18

Figura N°3 Arquitectura BI.

Fuente: Obtenido de la Tesis Desarrollo de una Aplicación de Business Intelligence para la empresa

Empaqplast. Escuela Politécnica del Ejército. Ecuador, 2012.

2.2.2 DataWarehouse

Es un almacén o repositorio de datos que integra información de diferentes

fuentes de datos (base de datos, archivos de texto, hojas de cálculo) y permite

un análisis para la toma de decisiones. Muchos expertos definen el

DataWarehouse como un almacén de datos centralizados que introduce datos de

un almacén de datos específico llamado DataMart.

Es integrado, no volátil y variable en el tiempo, el contribuye al soporte de

la toma de decisiones en la entidad en la que se utiliza. Es un expediente

completo de una organización, más allá de la información transaccional y

operacional, almacenado en una base de datos diseñada para favorecer el

análisis y la divulgación eficiente de datos3.

3 Jiménez Agosta, A Time of Growth for Data Warehousing, 2004.


19

2.2.2.1 Características de un DataWarehouse:

Orientado a un tema: Los datos en la base de datos están organizados de

manera que todos los elementos de datos relativos al mismo evento u objeto

del mundo real queden unidos entre sí.

Variante en el tiempo: Registra los cambios que se producen a lo largo

del tiempo, reflejando los datos originales en el informe final.

No volátil: esta es información solo de lectura, no se puede eliminar ni

modificar una vez almacenada.

Integrado: La base de datos contiene los datos de los sistemas operacionales

que existen en la organización, estos datos deben ser consistentes.

2.2.2.2 Función de un Data Warehouse

En la creación de un Data Warehouse lo que se busca es almacenar los

datos que son necesarios o útiles para la organización. De esta

manera se trata de crear un repositorio de datos estructurados y

depurados y convertir estos datos en información útil para el usuario final. El

usuario puede realizar consultas e informes de manera óptima y segura.

2.2.3 Data Mart

Es un conjunto de datos que son estructurados de una forma que facilite su

posterior análisis. Los Data Marts contienen la información referente a un área

específica de la organización, se caracteriza por tener una estructura óptima de

los datos que pueden ser alimentados desde una base de datos transaccional y

son los que formarán parte de un Data Warehouse.

2.2.3.1 Características de un Data Mart

Mayor rapidez de consulta.

Área específica.

Tiene un propósito específico.


20

Consultas SQL sencillas.

Permite llevar un historial de la información.

2.2.4 Cubos OLAP

Los cubos OLAP (On Line Analytical Processing) se crean en función a

bases de datos multidimensionales, que permiten procesar grandes

volúmenes de información, en campos bien definidos, dando un acceso

inmediato a los datos para su consulta y posterior análisis.

Esta estructura multidimensional de los cubos OLAP es gracias a que son

formados por vectores.

2.2.4.1 OLAP: Procesamiento Analítico en Línea

El procesamiento analítico en línea (OLAP, del inglés On Line Analitycal

Processing) es una solución utilizada en el campo de la inteligencia de negocio.

Básicamente consiste en la realización de consultas a estructuras

multidimensionales, también conocidas como cubos OLAP que contienen datos

resumidos de grandes bases de datos o sistemas transaccionales en línea

conocidos como OLTP.

El procesamiento analítico en línea (OLAP), nace como contraposición al

procesamiento transaccional en línea (OLTP, del inglés On Line Transacctional

Processing). La principal razón de usar OLAP es la velocidad de respuestas en

las consultas. Una base de datos relacional almacena las entidades en tablas

que han sido normalizadas. Esta estructura es buena en un sistema OLTP, pero

para consultas más complejas, es relativamente lenta. Un mejor modelo para las

búsquedas, aunque peor desde el punto de vista operativo, es una base de datos

multidimensional.

El acceso y las consultas a estas bases de datos, también conocido como

análisis del hiper cubo, organiza la información según los parámetros que se

consulten, de tal manera que a partir de estructuras multidimensionales que


21

contienen los datos resumidos de Sistemas Transaccionales, OLTP o de grandes

bases, se obtendrá la información requerida.

Figura N°4 Tipos de Tecnología OLAP.

Fuente: Obtenido del Proyecto de Aplicación de Business Intelligence para la toma de

decisiones con QlikView. Universidad Rey Juan Carlos, 2010.

2.2.4.2 MOLAP: Procesamiento Analítico Multidimensional en Línea

La diferencia más significativa que presenta un sistema MOLAP (del inglés,

Multidimensional On Line Analitycal Processing) es que requiere un pre-

procesamiento y almacenamiento de la información contenida en el cubo OLAP.

MOLAP almacena los datos en una matriz de almacenamiento multidimensional

optimizada, en lugar de utilizar una base de datos relacional.

2.2.4.3 ROLAP: Procesamiento Analítico en Línea Relacional

ROLAP (del inglés, Relational On Line Analytical Processing) es una alternativa a

la tecnología MOLAP. Mientras las herramientas de análisis MOLAP están

diseñadas para permitir análisis de datos a través del uso de modelos de datos

multidimensionales, ROLAP difiere significativamente en que no requiere la

computación previa ni el almacenamiento de la información. En lugar de eso, las

herramientas ROLAP acceden a los datos de una base de datos relacional y

generan consultas SQL para calcular la información al nivel apropiado, cuando un


22

usuario final lo requiere. Con ROLAP, es posible crear tablas de base de datos

adicionales (tablas resumen o agregaciones) las cuales resumen los datos en

cualquier combinación deseada de dimensiones.

2.2.4.4 HOLAP: Procesamiento Analítico en Línea Híbrido

En este tipo de implementación, se utiliza un almacenamiento mixto: los datos

agregados y pre calculados se almacenan en estructuras multidimensionales,

mientras que los datos de menor nivel de detalle se almacenan en estructuras

relacionales. La principal dificultad que presenta, reside en identificar cada tipo de

dato.

Estos sistemas resuelven el problema de almacenamiento de los datos de mayor

granularidad en bases de datos relacionales, y almacenan las agregaciones en

formato multidimensional.

Los cubos almacenados como HOLAP, son más pequeños que los MOLAP

y responden más rápidos que los ROLAP. HOLAP es generalmente usado

para cubos que requieren rápida respuesta, para sumarizaciones basadas en

una gran cantidad de datos.

2.2.5 MODELO MULTIDIMENSIONAL

Tablas de hechos Contiene todas las claves primarias de cada una de las

dimensiones y las medidas que nos ayudarán en el análisis de los cubos.

2.2.5.1 Tablas de dimensiones

En estas tablas encontraremos todos los valores que se utilizarán en la

tabla de hechos.

2.2.5.2 Tablas de hechos

Las tablas de hechos del almacén de datos se relacionan entre sí a

través de las dimensiones que comparten.

2.2.5.3 Esquema en estrella

Este esquema se caracteriza por tener una tabla de hechos en el

centro de su estructura, a la cual llegan las tablas de dimensiones

mediante las claves primarias simples de cada dimensión. Concentrando


23

de esta manera la información en una tabla denominada tabla de

hechos.

Figura N° 5 Esquema Estrella

Fuente: Extraído de página de internet. http://www.dataprix.com/data-warehousing-y-metodologia-

hefesto/arquitectura-del-data-warehouse/34-datawarehouse-manager. Lima, 2014.

2.2.5.4 Esquema en copo de nieve

En este esquema encontramos la particularidad que una tabla de

dimensiones puede estar formada por más de una tabla de datos lo que

le hace diferente a el esquema de estrella permitiéndonos tener varios

caminos para llegar a los datos influyendo directamente sobre el

rendimiento de las consultas.

Figura N° 6 Esquema Copo de Nieve

Fuente: Obtenido del Proyecto de Aplicación de Business Intelligence para la toma de

decisiones con QlikView. Universidad Rey Juan Carlos, 2010.

http://www.dataprix.com/data-warehousing-y-metodologia-hefesto/arquitectura-del-data-warehouse/34-datawarehouse-manager

http://www.dataprix.com/data-warehousing-y-metodologia-hefesto/arquitectura-del-data-warehouse/34-datawarehouse-manager


24

2.3 MARCO CONCEPTUAL

2.3.1 SISTEMAS DE INFORMACIÓN

Conjunto de componentes interrelacionados que capturan, almacenan, procesan y

suministran información, para que ésta sea utilizada eficientemente y de esta

forma soporte la toma de decisiones, el control, análisis y visión integral en una

institución.

2.3.1.1 Sistemas de Nivel Estratégico

A nivel estratégico de la compañía los ejecutivos de alta gerencia pueden

analizar y evaluar tendencias, patrones y relaciones del negocio, anticipar

problemas potenciales y hacer los correctivos necesarios, convirtiendo las

decisiones inteligentes en una ventaja competitiva.

En el nivel estratégico estas herramientas comprenden métricas,

indicadores de desempeño y tableros de control, entre otros, que ayudan al

mejoramiento del desempeño de la empresa a través de la alineación de la

planeación estratégica de la empresa con la actividad real del negocio, la

visualización y el rastreo del cumplimiento de indicadores, la asignación de

metas a usuarios y la comunicación de resultados a lo largo de las áreas

funcionales de la empresa.

2.3.1.2 Sistemas de nivel Táctico

Las soluciones de Inteligencia de Negocios útiles a nivel táctico de la

compañía son básicamente herramientas de consulta y análisis, que

permiten a los analistas y cargos medios interactuar con información y

responder preguntas de negocio por si mismos, sin intervención del

departamento de Sistemas, con un mínimo conocimiento de las fuentes y

estructura de datos empresariales. Un gran segmento de usuarios

empresariales, desde analistas experimentados hasta usuarios de negocio,

pueden fácilmente crear consultas y desarrollar cálculos sin tener que

entender los complejos lenguajes de desarrollo de informes y sus

estructuras; y luego pueden compartir esta información con otros a lo largo


25

de la organización y más allá de ésta.

Con las herramientas de Consulta y Análisis los directivos en cargos medios

de la organización, pueden acceder a un análisis más detallado e interactivo

de las actividades del negocio que combinan múltiples variables de acuerdo

a los objetivos del área funcional de la empresa y le ayudan a optimizar sus

procesos de negocio.

2.3.1.3 Sistemas de nivel operativo

Registran y procesan las operaciones básicas y de rutina necesarias para el

funcionamiento de la empresa como contabilidad, inventarios, etc. Las

razones del procesamiento son: registro, orden, cálculo, síntesis,

almacenamiento y visualización de los resultados.

El nivel operativo de la organización es responsable de acceder a

información crítica del negocio y tenerla capacidad de distribuir dicha

información a los diferentes niveles de la organización y usuarios, para

asegurar la toma de decisiones basada en información exacta, confiable y

oportuna que puede impactar el desarrollo y el éxito del negocio.

Los requerimientos de información en este nivel de la organización, en las

diferentes áreas funcionales, están basados en reportes operativos que

respondan básicamente preguntas predefinidas de la actividad del negocio

en un periodo determinado de tiempo.


26

Figura N° 7 Clasificación de Sistemas a Nivel Organizacional.

Fuente: Obtenido del Proyecto de Implementación de un sistema de Inteligencia de Negocios, basado en

minería de datos para las Pymes. Universidad de los Andes. Mérida, 2006.

2.3.2 TOMA DE DECISIONES

2.3.2.1 Administración de Datos

La disminución del tiempo transcurrido entre la obtención de datos y la toma

de decisiones, supone una ventaja empresarial. Cuanta más información se

disponga sobre los clientes y socios, mejores servicios y más

personalizados, podrá ofrecer la organización, además de establecer unas

relaciones mejores y más productivas. Sólo si se posee un adecuado acceso

a la información de la organización, se podrá conseguir que un negocio sea

más eficaz y detectar los problemas antes de que estén fuera de control.

2.3.2.2 Administración del Conocimiento

El conocimiento es una mezcla fluida de experiencia estructurada, valores,

información contextual e internalización experta que proporciona un marco

para la evaluación e incorporación de nuevas experiencias e información. A

nivel organización queda registrado el conocimiento no solo en documentos

sino también en procedimientos, rutinas y normas institucionales.


27

2.3.2.3 Apoyo a los Sistemas de Toma de Decisiones

Hoy en día, las organizaciones están buscando mejorar sus sistemas de

toma de decisiones, ya que pueden ser desbordados por el volumen y la

complejidad de los datos disponibles, provenientes de sus sistemas de

producción y transaccionales.

A lo largo del tiempo, en el desarrollo de sistemas, se ha tratado de dar

solución a esa necesidad intrínseca de los altos mandos gerenciales, acerca

de poseer la información de manera resumida, que permita de un modo corto

y rápido, darse cuenta de todo lo que pasa en los sistemas transaccionales

de los niveles bajos de la empresa. Sin embargo, esto ya no es suficiente ya

que actualmente se requiere conocer lo que sucede en todos y cada uno de

los procesos, tanto críticos como triviales, que se originan en una empresa o

negocio, ya que es el conocimiento de éstos lo que da una visión clara de lo

que ocurre en ella.

Los requerimientos de información no son difíciles de resolver, dado que ésta

se encuentra, efectivamente, en los sistemas operacionales; pero, la

complicación surge debido a que difícilmente ella está disponible en el

tiempo y estructura correcta. Dado el caso y, buscando la administración de

ese conocimiento tan importante en nuestros días, surge una de las opciones

que se han implementado para cubrir esta necesidad de las empresas, los

denominados DataWarehouse o Sistemas de Información Integrados, es

decir sistemas que, con el objetivo de facilitar la integración de los datos

organizativos, extraen datos de diferentes sistemas o bases de datos,

funciones y lugares de la empresa, según se van generando, los almacenan

conforme a un lenguaje común y los hacen ampliamente disponibles. El

DataWarehouse se explicará en mayor detalle en la sección posterior

correspondiente a Minería de Datos.

Para obtener la información, es importante determinar cuál va acorde con la

necesidad de la empresa, y extraerla de las fuentes disponibles para


28

acumularla en un repositorio central (DataWarehouse). De esta manera se

obtiene una sola versión de la verdad, y los datos son transformados en

información limpia siguiendo unas reglas de negocio que dicte la

organización. (Rivera F. Luis. 2004).

Las herramientas para acceder a la información pueden ser generadores de

reportes, o de minería de datos, haciéndose pertinente el concepto de

Inteligencia de Negocios.

2.3.3 CALL CENTER

2.3.3.1 Definición

Es un área donde agentes, asesores, supervisores o ejecutivos,

especialmente entrenados, realizan llamadas (Outbound) y/o reciben

llamadas (Inbound) desde o hacia: clientes (externos o internos), socios

comerciales, compañías asociadas u otros.

Es una herramienta de comunicación y relación con los Clientes que utiliza

el teléfono como medio de comunicación básico gestionado por personas

humanas en conjunto a los recursos humanos, físicos y tecnológicos

necesarios y disponibles, basados en metodologías de trabajo y procesos

determinados y adecuados, para atender las necesidades y dar servicio a

cada cliente único con el objeto de atraerlo y fidelizarlo con la organización

y permitir su viabilidad.


29

Figura N° 8 Diseño de Call Center.

Fuente: Obtenido de Bassher CRM Call Center. Delegación Benito Juárez. México D.F.

2.3.3.2 Tecnologías utilizadas

Las tecnologías tradicionales que se ocupan en los Centros de Llamadas

son las siguientes:

Infraestructura telefónica (conmutador, teléfonos, Voz sobre IP, diademas

o cintillos).

Infraestructura de datos (computadoras, bases de datos, CRM).

Distribuidor automático de llamadas entrantes (ACD).

Sistema de Respuesta Interactiva de Voz (IVR).

Grabador de llamadas (que muchas veces también graba las pantallas de

los agentes).


30

Marcador asistido, progresivo o automático y predictivo.

2.3.3.3 Llamadas Entrantes (INBOUND)

Los objetivos de un centro especializado en las llamadas entrantes pueden

ser múltiples:

Número verde de información establecido tras un acontecimiento cualquiera

(catástrofe aérea, por ejemplo): que permite difundir la información poco a

poco y tranquilizar, dando una imagen positiva de la situación (una ayuda

existe). Se habla así no solamente de centro de llamada, sino también de

"centro de contacto".

Servicio postventa: las hot line, muy a menudo para administrar los

problemas encontrados por los clientes de FAI, funcionan gracias a centros

de llamadas.

Toma de citas (por ejemplo, para gabinetes médicos) o pedidos, en particular,

para la venta por correspondencia.

Servicio al Cliente: resolución de consultas, entrega de información, atención

de requerimientos.

Mesa de Ayuda (HelpDesk): Servicio que permite entregar un apoyo

especializado por teléfono a través de un ejecutivo de call center

especializado con conocimientos técnicos sobre una materia específica.

2.3.3.4 Llamadas Salientes (OUTBOUND)

Los Centros especializados en las llamadas salientes pueden:

Efectuar sondeos: la recolección de la información es fácil, efectuándose

inmediatamente su distribución y tratamiento.


31

Superficie de la publicidad para una marca, o incluso de la prospección o

la venta a distancia: es allí la sustitución de los buhoneros y de la venta

al detalle (de puerta en puerta).

Tele-ventas: Actividad de venta a través de un ejecutivo de venta

especializado y con competencias para vender de forma remota.

Tele-encuestas: Actividad de encuesta telefónica a través de un ejecutivo

de tele-encuesta capaz de brindar un rápido relevamiento de información

de parte de un cliente.

Programación de reuniones: Actividad que permite programar reuniones

o citas con clientes para ofrecer un producto o servicio que por su

complejidad no se puede vender por teléfono y requiere entrevista

personal.

Tele-cobranzas: Actividad que permite cobrar en sus diversas etapas,

mora temprana, mora tardía o mora pre-judicial, proporcionando las

alertas necesarias al cliente y ayudándolo en el proceso de regularizar

sus pagos para que pueda seguir utilizando el servicio.

2.3.3.5 Estructura de un centro de llamadas

Usualmente un centro de llamadas está formado por gerentes de

operaciones y analistas, grupos de capacitación, agentes de calidad, soporte

de operaciones, soporte tecnológico, supervisores, team leaders y agentes

telefónicos. Generalmente, un supervisor tiene a cargo un grupo de agentes

telefónicos. Igualmente existen los especialistas en datos o de suministro de

información estadística (data marshall).


32

Figura N° 9 Estructura de un Centro de Llamadas.

Fuente: Obtenido de Bassher CRM Call Center. Delegación Benito Juárez. México D.F.

2.3.4 METODOLOGÍAS DE DESARROLLO DE UN PROYECTO BI

Elección de La Metodología para el Desarrollo del Proyecto

Tomando en cuenta que la metodología de Ralph Kimball conduce a

una solución completa de BI en un corto periodo de tiempo, acceso

a documentación que se puede encontrar y a los numerosos ejemplos

aportados en diferentes entornos de negocio, esta metodología permite

encontrar una respuesta a casi todas las preguntas que puedan

surgir, sobre todo cuando no se dispone de la experiencia previa

necesaria.

Por otro lado, este tipo de metodología bottom-up permite que, partiendo

de cero, se pueda empezar a obtener información útil en cuestión de

días y después de los prototipos iníciales, comenzar el ciclo de vida

normal que nos ofrezca una solución completa de BI.

Los Data Marts resultantes son fácilmente consultables tanto para

los desarrolladores como para los usuarios finales. La relación directa


33

entre los hechos y dimensiones conceden a cualquier usuario la

posibilidad de construir consultas sencillas.

Metodología de Ralph Kimball

Ralph Kimball es considerado uno de los representantes más

importantes del Data Warehouse y Business Intelligence. Su

metodología ha sido probada en muchos escenarios de negocio y se

podría decir que se ha llegado a convertir en un estándar de proyectos

BI. En el año 1998 se publica la primera edición del libro “The Data

Ware house Lifecycle Tool kit” donde se expone dicha metodología4.

En la siguiente figura se muestra el ciclo de vida propuesta por

Ralph Kimball y sus fases.

Figura N° 10 Tareas de la Metodología de Kimball.

Fuente: obtenido de La Metodología de Kimball. Business Dimensional Lifecycle.

Cuadernos de la Facultad UCASAL, 2010.

4 Gustavo R. Rivadera. La Metodología de Kimball para el diseño de almacenes de datos. Cuadernos de

Facultad n. 5: 2010.


34

2.3.4.1 Planificación y Administración del Proyecto

La planificación busca identificar la definición y el alcance del

proyecto, incluyendo las justificaciones del negocio y las evaluaciones de

factibilidad. La metodología en esta etapa propone identificar el

alcance basado en requerimientos de negocios y no en fechas

establecidas. Así el cumplimiento del proyecto ser á directamente

relacionado con el negocio de la empresa.

2.3.4.2 Definición del proyecto

Como paso inicial para el desarrollo de un proyecto de BI se debe

identificar de donde proviene la necesidad de información la cual

puede darse de un sector específico como los directivos o gerentes

de la organización o a su vez puede provenir de varios sectores de la

empresa.

2.3.4.3 Preparación para un proyecto de Data Warehouse

Ralph Kimball indica que se deben tomar en cuenta factores como el

apoyo y patrocinio de la gerencia, interés de la empresa en un

proyecto de BI, apoyo del departamento de sistemas y tecnología de la

empresa, la empresa debe presentar un entorno factible para la realización

del proyecto.

2.3.4.4 Alcance

Se debe definir los límites del proyecto para poder desarrollarlo

satisfactoriamente en base a los requerimientos del negocio.

2.3.4.5 Justificación

Se debe tomar en cuenta cual será la inversión para el proyecto y

cuál será el beneficio para la empresa.

En esta fase de debe definir justificaciones en términos de negocio que

sustentan el proyecto y hacer las respectivas evaluaciones de factibilidad.


35

2.3.4.6 Planificación del proyecto

A nivel de planificación del proyecto se establece la identidad del mismo es

decir se lo maneja con un nombre, el personal (los usuarios, gerentes

del proyecto, equipo del proyecto, desarrolladores), desarrollo del plan

del proyecto, el seguimiento y la monitorización.

2.3.4.7 Administración del proyecto

En esta etapa se verifica mediante reuniones con los involucrados en el

proyecto el avance del mismo y el cumplimiento de los requerimientos.

2.3.4.8 Definición de los Requerimientos del Negocio

El punto clave para el proceso de desarrollo un Data Warehouse es la

manera como se interpretan y se analizan los requerimientos la

interpretación correcta de los diferentes niveles de requerimientos

proporcionara la visión de cómo se realizara el diseño del Data

Warehouse.

Para iniciar con el proceso de obtención de requerimientos se debe

hablar con los principales encargados del negocio, se debe enfocar

el proceso de toma de requerimientos en cosas como: en base a

qué información se toman decisiones, en qué consisten sus trabajos,

que información es la que se maneja con más frecuencia, en que

actividades invierte más tiempo.

Los diseñadores del Data Warehouse deben comprender cuales son

los factores y las reglas que dirigen el negocio, cual es el

funcionamiento y los procesos que se llevan a cabo para la actividad de

negocio, determinar y analizar los requerimientos para traducirlos en

consideraciones de diseño apropiadas.


36

2.3.4.9 Entrevistas

Para iniciar el proceso de entrevistas se debe formar un equipo

entrevistador, el cual este conformado del entrevistador y una persona

que tome nota, es importante iniciar el levantamiento de

requerimientos observando los reportes que ya se maneja en la

empresa, cuales son las fuentes de datos y conocer las maneras como

se lleva a cabo el análisis la información dentro de la empresa, saber en

base a que parámetros se toman las decisiones del negocio esto

contribuye al análisis de requerimientos. Esto proporciona una guía

para la elaboración del modelo dimensional de datos se puede tener

una visión general de las dimensiones que se necesitarán para el

diseño del Data Warehouse.

Es de vital importancia dirigir las entrevistas a los directivos debido a

que son los que tienen un mejor conocimiento de las reglas de

negocio, las entrevistas también deben ser realizadas al departamento

de tecnología para conocer con que recursos se cuenta para el

desarrollo del proyecto.

2.3.4.10 Diseño Técnico de la arquitectura

El diseño de un Data Warehouse requiere la integración de varias

tecnologías por lo que se debe tener en cuenta elementos como:

requerimientos del negocio, el entorno técnico y las estrategias de

diseño.

Entorno Back Room:

Es el sitio donde toman lugar los procesos de Data Staging

(Adquisición de los datos) consiste en el proceso de Extracción,

Transformación y carga (ETL) de los datos desde las fuentes de origen

y la carga de los mismo en el Data Warehouse.


37

Figura N° 11 Arquitectura back room.

Fuente: Obtenido de Tesis Doctoral. Impacto de la Data Warehouse e Inteligencia de Negocios

en el desempeño de las empresas. Universidad Esan 2013.

Entorno Front Room

Es la carta de presentación de todo Data Warehouse por

tanto debe ser capaz de explotar al máximo todas las

funcionalidades y características que puede ofrecer el sistema en

general. Entre los servicios del Front Room se encuentra

navegación, seguridad, monitoreo, generación de reportes y por

supuesto manejo de consultas y otros servicios de escritorio. El

Front Room corresponde a la capa que representa los datos al

usuario, escondiendo toda la complejidad y el origen de los datos.


38

Figura N° 12 Arquitectura front room.

Fuente: Obtenido de Tesis Doctoral. Impacto de la Data Warehouse e Inteligencia de Negocios en el

desempeño de las empresas. Universidad Esan 2013.

2.3.4.11 Selección de Productos e Instalación

Utilizando el diseño de arquitectura técnica como marco es necesario

evaluar en base a costos y factores de desempeño los componentes

específicos de la arquitectura, como la plataforma de hardware, el

motor de base de datos, la herramienta de ETL, las herramientas de

acceso. Una vez evaluados y seleccionados los componentes se procede

con la instalación y prueba de los mismos en un ambiente integrado de

Data Warehouse.

2.3.4.12 Modelado Dimensional

Ralph Kimball menciona que el modelado dimensional proporciona

varias ventajas en el desempeño del sistema BI en cuanto a las consultas.

El Modelado Dimensional, según su creador Ralph Kimball, “es el

diseño físico y lógico que transformará las antiguas fuentes de datos

en las estructuras finales del Data Warehouse, a través de una

técnica que busca la presentación de los datos en un marco de


39

trabajo estándar que es intuitivo y permite un acceso de alto

desempeño. Cada modelo dimensional está compuesto de una tabla

que tiene una llave compuesta llamada tabla de hechos y un

conjunto de tablas más pequeñas llamadas dimensiones. Cada tabla

dimensión tiene una llave primaria simple, que corresponde

exactamente a una de las partes de la llave compuesta en la tabla

de hechos. Esta estructura característica es usualmente llamada esquema

estrella” Los pasos necesarios para convertir un Diagrama Entidad-

Relación (ERD) a un conjunto de diagramas de modelado dimensional

son:

Separar el ERD de la organización: Se debe separar los procesos

de negocios y modelar cada uno separadamente.

Seleccionar las relaciones: Las relaciones de varios a varios en el

modelo entidad - relación que contengan cantidades numéricas y

aditivas se las designa a las tablas de hechos.

Des normalizar tablas: las tablas restantes con llaves simples que

conectan directamente a las tablas de hechos son las tablas se

convierten en las dimensiones.

En los casos que una tabla dimensión se conecte a más de una tabla

de hechos, se representa esta misma tabla dimensión en ambos

esquemas estas tablas adquieren el nombre de dimensiones

conformadas.


40

2.3.4.13 La Arquitectura del Data Warehouse

Un Data Warehouse está hecho de las unión de muchos de sus Data

Marts. Cada DataMart debe ser representado por un modelo

dimensional y dentro de un único Data Warehouse, todos estos

Data Marts deben ser construidos a partir de dimensiones

conformadas y hechos. Esta es la base de la arquitectura de bus

del Data Warehouse.

La planeación del Data Warehouse debe iniciarse con un fase

pequeña de arquitectura de datos que cubra todo y que a la vez

tenga metas mu y finitas y específicas, luego se debe seguir esta

arquitectura con una implementación paso a paso de Data Marts

separados, donde cada implementación se adhiere a la

arquitectura predefinida”

El autor Ralph Kimball sugiere las siguientes recomendaciones para la

construcción de un Data Warehouse. Crear una arquitectura que defina

el alcance e implementación del Data Warehouse completo.

Supervisar la construcción de cada pieza del Data Warehouse. Una

tabla dimensión puede ser usada contra múltiples tablas de hechos en

el mismo espacio de base de datos.

2.3.4.14 Técnicas de Modelado Dimensional

La idea fundamental del modelado dimensional es que casi cada

tipo de datos de negocio puede ser representado como un tipo de

cubo de datos, donde cada celda del cubo contiene un valor

medido y las aristas del cubo definen las dimensiones naturales de

los datos


41

2.3.4.15 Seleccionar el proceso de Negocio

En base a los requerimientos que ya se han tomado se debe

determinar cuál es el proceso de negocio que se va a modelar el

cual puede tener una o más tablas de hechos.

2.3.4.16 Declaración de la granularidad

El nivel de granularidad se refiere a la presentación de las

medidas en la tabla de hechos e es decir una granularidad fina o

menor presenta mayor detalle de los datos y una granularidad gruesa o

mayor presenta menor detalle en los datos.

2.3.4.17 Identificación de las dimensiones

Cuando se agregan las diferentes dimensiones estás deben ser de

un objeto del negocio por ejemplo un cliente, producto etc. y deben

cumplir con la granularidad establecida previamente.

2.3.4.18 Identificación de los hechos

Los hechos vienen a ser las medidas, son generalmente cantidades

y están orientados a los procesos del negocio. Ejemplos de

medidas son totales, precios, cantidades etc.

2.3.4.19 Diseño Físico

En lo que se refiere a la estructura física la etapa incluye tareas

como la configuración de la base de datos debe incluir los nombres de

columna físicos, los tipos de datos y constraints.

La creación de tablas para datos y metadatos, donde se alojarán

dimensiones y tablas de hechos. Creación de secuencias para los

procesos ETL. Creación de tablas temporales, tablas históricas, tablas

para errores. Generación de Scripts y diagramas físicos de base de

datos.


42

2.3.4.20 Diseño y Desarrollo de la Presentación de Datos

Esta etapa está conformada primeramente por las actividades de

extracción, transformación y carga de datos (ETL). Se realiza un

análisis de los datos como se van a integrar y como se pueden

resolver problemas de inconsistencias.

Se definen como proceso de extracción obtención de los datos de

diferentes fuentes que permitirán efectuar la carga del Modelo Físico

diseñado.

El proceso de transformación consiste en estandarizar y

estructurar los datos extraídos de las diferentes fuentes para

convertir los datos y finalmente cargarlos en el Data Warehouse.

Actividades para el proceso ETL

Realizar un plan cada proceso de ETL.

Seleccionar una herramienta ETL.

Estrategias para proceso de carga.

Carga inicial de Datos(Dimensiones y Hechos)

Carga incremental de Datos(Dimensiones y Hechos)

Automatización del proceso ETL

Las tareas de ETL son altamente críticas pues tienen que ver con

parte medular del negocio ya que manejan directamente los datos.

La calidad de los datos en un Data Warehouse es un factor

determinante en el éxito de un proyecto de BI. En la etapa de ETL

se debe resolver todos los inconvenientes relacionados con la

calidad de los datos fuente. Para que los datos del Data

Warehouse sean confiables.


43

2.3.4.21 Especificación de Aplicaciones para Usuarios Finales

Cada usuario del Sistema de Bussiness Intelligence necesita un role

o perfile de usuario para los diferentes tipos de aplicaciones, acceso

a carpetas, acceso a cierto tipo de reportes, entre otras por lo que en

esta etapa se definen los diferentes tipos de permisos para los

usuarios.

2.3.4.22 Desarrollo de Aplicaciones para Usuarios Finales

Los usuarios acceden al Data Warehouse por medio del BI Server

herramienta gráfica, que contiene la información de cada área de

negocio, se pueden desplegar reportes, vistas de análisis, tableros

de control. Los cubos, reportes y tableros de control son

implementados conforme a los requerimientos.

2.3.4.23 Implementación

La implementación representa la unión de la herramienta de BI,

los datos y las aplicaciones de usuarios finales. Existen factores

extras que aseguran el correcto funcionamiento de todos los

elementos, entre ellos se encuentran la capacitación, el soporte técnico

y la comunicación. Todas estas tareas deben tenerse en cuenta

antes de que cualquier usuario pueda tener acceso al sistema de BI.

2.3.4.24 Mantenimiento y crecimiento

Como en todo proyecto se necesita tener actualizaciones de forma

constante para poder dar un ciclo de vida adecuado al producto.

Es importante establecer las prioridades para poder manejar los

nuevos requerimientos de los usuarios y de esa forma poder

evolucionar y crecer.


44

2.3.4.25 Gestión del proyecto

La gestión del proyecto asegura que las actividades del ciclo de

vida se lleven a cabo de manera sincronizada. La gestión del

proyecto acompaña todo el ciclo de vida. Entre sus actividades

principales se encuentra la monitorización del estado del proyecto y el

acoplamiento entre los requerimientos del negocio y las restricciones

de los sistemas de información para poder manejar correctamente

las expectativas en ambos sentidos.

2.3.5 HERRAMIENTAS

2.3.5.1 HERRAMIENTAS Y SUITES DE INTELIGENCIA DE NEGOCIOS

En la actualidad se han desarrollado diversas herramientas que ofrecen

soluciones a los problemas de Inteligencia de Negocios y que

implementan todas o alguna de sus tecnologías. Para poder entender

mejor el conjunto de herramientas para Inteligencia de Negocios , en

esta tesis se ha realizado una clasificación de dichas herramientas, las

cuales se muestran en la tabla 5 en donde los sistemas se dividen en 2

clases:

A continuación veremos las herramientas simples y las suites más

populares que existen en el mercado para cada una de las

clasificaciones propuestas, junto con sus características principales.

2.3.5.2 HERRAMIENTAS

Las herramientas simples son aquellas que dan soporte a las tecnologías

de la inteligencia empresarial individualmente. Estas herramientas han

sido clasificadas a su vez de acuerdo a la tecnología de inteligencia

empresarial a la que dan soporte, en seguida mencionaremos las más

importantes y populares para cada una.


45

Herramientas de integración de datos

En la figura 14 vemos algunas de las herramientas más populares que apoyan

la integración de datos, las cuales se describirán con más detalle en seguida.

Figura N° 13 Herramientas de integración de datos (ETL).

Fuente: obtenido de la Tesis Desarrollo de una Aplicación de Business Intelligence para la empresa


2.3.5.3 Herramientas para OLAP

En la figura 15 se muestran algunos de los proveedores de OLAP más

populares que se describen más detalladamente a continuación.

Figura N° 14 Herramientas de OLAP.

Fuente: obtenido de la Tesis Desarrollo de una Aplicación de Business Intelligence para la empresa



46

Mondrian

Es un motor de ROLAP desarrollado en Java, que permite analizar

grandes conjuntos de datos que se encuentran almacenados en el

datawarehouse. Mondrian se considera un motor, porque se encarga de

recibir consultas dimensionales en lenguaje MDX y devolver los datos del

cubo que correspondan a la consulta. El cubo se representa como un

conjunto de metadatos que definen cómo se han de mapear estas

consultas dimensionales a sentencias SQL para obtener de la base de

datos la información necesaria para satisfacer la consulta dimensional.

Utiliza una memoria caché para almacenar los resultados de las

consultas que se acceden múltiples veces.

2.3.5.3 SUITES

Las suites, son sistemas que ofrecen la implementación de todas las

tecnologías de Inteligencia de Negocios. En la figura 17 podemos ver

algunas de las más populares que se describen a continuación.

Figura N° 15 Suites de Inteligencia de Negocios.

Fuente: Obtenido de la Tesis Desarrollo de una Aplicación de Business Intelligence para la empresa



47

Pentaho BI

Pentaho BI es la única suite que existe de código abierto, ya que ha

adoptado las herramientas de Kettle, Mondrian y WEKA para conformar una

sola plataforma de Inteligencia de Negocios. Tiene las funcionalidades de

reportes, análisis, data mining e integración de datos (Pentaho, 2011).

Permite a los desarrolladores de Java diseñar componentes que pueden ser

rápidamente ensamblados en soluciones de inteligencia empresarial y a los

usuarios finales desplegar rápidamente las soluciones existentes de

Inteligencia de Negocios.

A pesar de que Pentaho BI se conforma ya como una suite que satisface las

necesidades de inteligencia empresarial, sus componentes no se integran

perfectamente ya que surgieron de manera individual. Sin embargo la

compañía Pentaho ofrece soporte comercial para todas ellas como conjunto,

por eso se considera una suite.

Oracle

Oracle BI es la plataforma más completa para Inteligencia de Negocios ,

cubre un amplio rango de necesidades, incluidos los tableros interactivos, el

análisis ad-hoc, alertas e inteligencia proactivas, publicación e informes

avanzados, análisis predictivo en tiempo real, y análisis de tecnología móvil

(Oracle, 2012).

Existen varias versiones de las plataformas:

Oracle BI Suite Enterprise Edition (EE): es una plataforma completa e

innovadora que ofrece bases para crear soluciones empresariales desde

fuentes de datos heterogéneas para la distribución de datos, con sistemas

Oracle y que no son de Oracle.

Oracle BI Standard Edition (SE): incluye Oracle Discoverer, está optimizado

para trabajar con los datos y las aplicaciones Oracle, y ofrecer análisis e


48

inteligencia avanzados al menor costo.

Oracle BI Publisher: también denominado Oracle XML Publisher, ofrece la

solución más eficiente y escalable para informes y publicaciones, disponible

para entornos complejos y distribuidos.

Disponible con Oracle BI Suite EE o como solución independiente. Oracle

Real-Time Decisión: combina los requerimientos comerciales y de

información del cliente para hacer la mejor recomendación en cada

interacción con el cliente y en cada decisión operacional al adaptarse de

manera inteligente, la información en constante cambio.

SQL Server 2012

Constituye la alternativa de Microsoft a otros potentes gestores de bases de

datos como son Oracle o MySQL. Generalmente no se lo asocia como una

suite de BI, sin embargo, posee potentes herramientas de productos

integrados que ofrecen cobertura en la toma de decisiones. Estos productos

son: Integration Services, Analysis Services y Reporting Services, que junto

al alcance de SQL Server se convierten en el motor de potentes aplicaciones

de inteligencia de negocios para empresas, manteniendo los costos bajo

control.

Entre sus principales características tenemos:

Integra bases de datos en almacenes de datos (datawarehouses) y aumenta

la capacidad de gestión de grandes tablas.

Permite la construcción de soluciones Inteligencia de Negocios robustas y

de alto rendimiento para el análisis de datos.

Posee el módulo SQL Server Inteligencia de Negocios Development Studio

para desarrollar, probar, implementar y mantener segura, escalable la

integración de datos. Además de generar reportes y análisis optimizado de

soluciones.

SQL Server Analysis Services permite el diseño de cubos de datos y facilita


49

el diseño de dimensiones.

SQL Server Integration Services proporciona las características y el

rendimiento necesario para construir aplicaciones de clase empresarial de

integración de datos desde diversas fuentes de datos.

SQL Server Reporting Services extiende la plataforma de almacenes de

datos para llevar la información que el trabajador necesita y tener acceso a

los datos del negocio.

Genera directamente reportes a herramientas familiares como Microsoft

Excel y Microsoft Word.

Soporta código en transact-sql y ansi-sql.

2.3.5.4 Herramientas de Business Inteligence

Oracle BI Enterprise Edition Plus

Oracle BI Enterprise Edition Plus es una suite integrada de productos de

business inteligence que aporta al negocio funcionalidades tales como

tableros de control interactivos (Dashboard), consultas puntuales (Answers),

alertas e inteligencia proactiva (Delivers), reportes operacionales y

financieros, inteligencia tiempo real, análisis offline, plugin de Microsoft Office

y un poderoso motor business inteligence altamente escalable con grandes

capacidades de integración de múltiples fuentes de datos, fuentes no

estructuradas, tales como hojas de Excel, OLAP y aplicaciones Oracle y no

Oracle. Las principales ventajas de esta herramienta son:

Velocidad: Gran Velocidad de acceso a la información.

Seguridad: integra módulos de seguridad de acceso a la información,

adaptables a cada perfil de usuario e incluso a cada usuario mismo, con una

interfaz muy intuitiva para su mantenimiento.

Robustez: Las aplicaciones desarrolladas son muy estables, incluso cuando

los orígenes de datos tienen problemas de actualización de la información o

han sido reestructurados.


50

MicroStrategy

MicroStrategy es un proveedor de software OLAP, de inteligencia de

negocio y de informes de empresa. El software de MicroStrategy permite

crear informes y análisis de los datos almacenados en una Base de datos

relacional y de otras fuentes. MicroStrategy describe su software de

informes núcleo como ROLAP para remarcar el uso de la tecnología de

base de datos relacional y distinguirlo del OLAP tradicional, aunque también

soporta tecnología MOLAP desde la versión 7i.

Las principales ventajas que presenta son:

- El desarrollo de aplicaciones Business Intelligence con

MicroStrategy es relativamente sencillo, con una interfaz fácil de

manejar.

- Permite a los usuarios diseñar nuevos informes, mediante una

interfaz una serie de herramientas muy intuitivas.

- Asimismo, presenta algunos inconvenientes, tales como:

- La implantación de la herramienta es costosa, tanto

económicamente como en tiempo, lo cual se complementa de

alguna manera con la facilidad para el desarrollo.

- Precio moderado para la gran empresa, pero sigue siendo muy

elevado para la mediana empresa.

- En el aspecto técnico la facilidad de implementación a veces

limita las posibilidades que este tipo de herramientas debe

ofrecer.


51

CAPITULO III

3. DISEÑO E IMPLEMENTACIÓN

3.1 ANÁLISIS DEL MODELO

3.1.1 Planificación del proyecto

Misión: Brindar una solución rápida y precisa a nuestros usuarios finales,

logrando un alto nivel de satisfacción de nuestros clientes.

Visión: Ser el mejor Call Center en innovación, productividad y calidad de

servicio para nuestros clientes y usuarios finales.

3.1.2 Descripción del Requerimiento:

La empresa Servicios Call Center del Perú (SCCP), es la empresa donde se

desarrollará la presente solución, el cual tiene la misión de satisfacer las

necesidades de comunicación de las empresas que las contratan con los

usuarios finales, realizando Ventas y coordinaciones. En este proyecto se

pretende desarrollar un DataMart que permitirá explotar toda la información

existente para mejorar la toma de decisiones en el área de Ventas.

La solución propuesta servirá de respaldo para obtener la información

organizada y procesada y tomar eficientemente las decisiones de las

gestiones de los servicios para obtener una mejor rentabilidad y calidad en el

servicio.


52

a) Introducción del Proyecto

La implementación del Datamart, tiene como sustento dar soporte al

área de Ventas de la Empresa SCCP, teniendo como principales

dificultades la toma de decisiones, ya que la información no se tiene en

el momento oportuno, por la demora de la reportería web que es

realizado mediante consultas, el cual requiere demasiado tiempo para

ejecutar y procesar los datos.

b) Objetivos del Proyecto

Determinar de qué manera la implementación de un Data Mart permitirá

analizar la información para el soporte a la toma de decisiones aplicado

al área de Operaciones – Ventas en la empresa Servicios Call Center

del Perú.

c) Alcance del Proyecto

Se desarrollará la implementación del Data Mart para brindar el soporte

a la toma de decisiones para el área de Operaciones de la Empresa

SCCP,

La solución que se plantea está basada en la utilización de una

herramienta Tecnológica de Business Intelligence (SQL Visual Estudio

2008), donde se realizará el diseño y desarrollo de un Data Mart para el

área de operaciones, donde se busca extraer e integrar los datos del

negocio para obtener información relevante y específica sobre el servicio

de Ventas, el cual nos permitirá la depuración de los datos redundantes,

y obtener información estructurada y procesada para un mejor análisis.


53

3.1.3 Descripción de los Stakeholders

Cuadro N° 1 Descripción de los Stakeholders

Fuente: Elaboración Propia.

3.1.4 Requisitos del Proyecto

3.1.4.1 Humanos

Gestión:

Cuadro N° 2 Requisitos del Proyecto Humanos – Gestión


Stakeholders Cargo Función que desempeña en el proyecto

Allan Torres Gerente de OperacionesBrinda la información necesaria sobre la gestión

operativa de los servicios.

Antonio EspinalCoordinador de Ventas

Tarjeta BCP

Brinda información sobre la gestión de Venta de las

Tarjetas.

AnalistaAnálisis de las Fuentes de Datos y requerimientos de

los usuarios.

DesarrolladorEjecución de la carga de Información de la fuente de la

BD del Data Mart.

Alex Cruz Jefe de TICoordina los servicios informáticos y tecnológicos para

el desarrollo del negocio.

Edwin EgusquizaAnalista Bussiness

Intelligence

Brinda información sobre los datos de gestión que

ayudan a la toma de decisiones en la empresa.

Carla Segovia

Stakeholders Cargo Función que desempeña en el proyecto

Allan Torres Gerente de OperacionesBrinda la información necesaria sobre la gestión

operativa de los servicios.

Antonio EspinalCoordinador de Ventas

Tarjeta BCP

Brinda información sobre la gestión de Venta de las

Tarjetas

Alex Cruz Jefe de TICoordina los servicios informáticos y tecnológicos para

el desarrollo del negocio.


Inteligence

Brinda información sobre los datos de gestión que

ayudan a la toma de decisiones en la empresa.


54

3.1.4.2 Tecnologías de la Información:

Cuadro N° 3 Requisitos del Proyecto Humanos – TI


3.1.4.3 Equipamiento

Hardware:

Cuadro N° 4 Requisitos del Proyecto Equipamiento – Hardware


Stakeholders Cargo Rol

Alex Cruz Jefe de TICoordina los servicios informáticos y tecnológicos para el

desarrollo del negocio.


Inteligence

Brinda información sobre los datos de gestión que ayudan

a la toma de decisiones en la empresa.

Equipo Características Adicionales Cantidad

Pc de escritorioUtilizada por el Analista BI para realizar el

mantenimiento y monitoreo del Sistema.1

Laptop Utilizada por el presentador de las tesis para la

implementación del Data Mart.1


55

Software:

Cuadro N° 5 Requisitos del Proyecto Equipamiento – software


3.1.5 Riesgo del Proyecto

El tiempo para el desarrollo del Proyecto.

Acceso a la Base de Datos de la Empresa SCCP

Uso Software Características Cantidad

Analisys Services Creación del Cubo

Integration services Para poblar la BD del Data Mart - ETL

Herramientas de

Desarrollo Operacional

Para diseñar el esquema de las tablas

necesarias de la BD Operacional.

Herramientas de

Desarrollo Dimensional

Diseño de la BD Dimensional y

Generación de Código.

Sql Visual Studio

2008

Sql Managment

Studio 2008

1

1


56

3.1.6 Cronograma del Proyecto

El proyecto duró 72 días para su implementación, con una fecha de inicio del

01/11/2013 hasta 10/02/2014.

Figura Nº 16 Cronograma del Proyecto


3.1.7 Definición de los Requerimientos del Negocio

Según la entrevista realizada al Gerente de Operaciones y al analista BI, que

son las personas claves en los Procesos de Negocio, ya que el Gerente es

quien toma las decisiones respecto a las Ventas y las proyecciones que se

da según los resultados que obtiene y por otro lado, el analista que es la

persona quien extrae, transforma y consolida los datos de la organización en

informes de gestión que ayuden a la toma de decisiones en la empresa,

realizando reportes y estadísticas personalizados para los servicios.


57

A partir de las entrevistas identificamos tres procesos de Negocio que existe

en la empresa SCCP, el cual construimos una matriz con cada Proceso de

Negocio y sus Dimensiones.

Cuadro N° 6 Procesos de Negocio Vs Dimensiones


Luego de ello se procedió a priorizar los requerimientos y el Proceso de

Negocio más Crítico y con mayor rentabilidad para la empresa.

Los requerimientos que se obtuvo en el área de Operaciones del Proceso de

Gestión de Ventas fueron:

Filtrar los datos según los lugares de Ventas realizadas, para la fijación del

mercado destino.

Obtener información concisa en cuanto a la Gestión de Ventas de Tarjetas de

Crédito según los registros cargados y consumidos de forma diaria.

Minimizar el tiempo de carga de datos optimizando tiempos para el

procesamiento de los datos y la entrega de información de manera rápida y

oportuna para su análisis.

Generar reportes de forma dinámica, donde el usuario puede personalizarlo y

adaptarlo a su necesidad.

PROCESO DE NEGOCIO Tiempo Producto TC Agente Cliente Calling List Ubigeo

Gestión de Ventas X X X X X X

Control de Llamadas X X X X

Gestión de Coordinaciones X X X X X X

DIMENSIONES


58

3.1.8 Proceso del Negocio

A continuación se muestra en la Figura Nº 16 el proceso de Negocio del Área

de Operaciones – Gestión de Ventas de la empresa SCCP.

Aquí vemos desde que la Base de Datos adquirida por SCCP o Proporcionada

por el Cliente (Empresa) es administrada y cargada al Sistema de Carga, para

luego ser almacenada en el Discador (OutboundContact Manager), y empiece

a discar de forma automática los número cargados en la Base de Datos, para

luego transferir la llamada a un agente y realice la venta al usuario final.

Figura N° 17 Proceso de Negocio del Área de Operaciones – Gestión de Ventas.

Fuente: Obtenido de Difusión de Procedimientos SGC. Área de Operaciones – SCCP. Lima, 2010.


59

3.2 DISEÑO Y CONSTRUCCIÓN

3.2.1 Diseño de la Arquitectura

El diseño de la arquitectura para el desarrollo del Proyecto se basa

inicialmente en la obtención de la Base de Datos Transaccional SQL el cual

es una base Histórica del Año 2012, luego de ello se procede a la creación

de los ETLs, para extraer los datos relevantes y los que serán analizados,

luego de ello se transformará la data según los tipos de datos y finalmente

se cargará los datos al repositorio del Data Mart, para luego ser analizados

mediante cubos y gráficos estadísticos.

Figura N° 18 Diseño de la Arquitectura.


3.2.2 INSTALACIÓN Y SELECCIÓN DEL PRODUCTO:

En esta etapa se instala y configura el Gestor de Base de Datos y la

Herramienta de Bussines Intelligence que se va a utilizar para la

implementación del Data Mart.


60

Figura N° 19 SQL Server 2008 R2

Fuente: Microsoft SQL Server 2008 R2 Management Studio.

Figura N° 20 SQL Server Conexión



61

Figura N° 21 SQL Server


Figura N° 22 Visual Studio 2008



62

3.2.3 FUENTE DE DATOS

La fuente de datos utilizada para el modelo del análisis multidimensional,

está basada en base de datos Histórico del Servicio Ventas de Tarjeta de

Crédito del BCP de la empresa SCCP, del año 2012, ya que solo se tuvo

acceso a dicha información. A continuación se muestra el Modelo

Transaccional de la Base de Datos de Ventas de TC.

Figura N° 23 Modelo Transaccional de la Base de Datos de Ventas TC.


3.2.4 MODELAMIENTO DIMENSIONAL

El modelo multidimensional utilizado para el Data Mart es un modelo

Estrella, aquí se organiza y presenta los datos definiéndolos en

dimensiones. De esta forma de permite analizar la información a distintos

niveles de agregación dentro de las diferentes dimensiones. Dentro de cada

dimensión se puede definir los niveles de agregación para cada análisis, a

estos niveles de granularidad se les conoce con el nombre de atributos.


63

Figura N° 24 Modelo Estrella de la Base de Datos de Ventas TC.


3.2.5 DISEÑO FISICO

En este punto nos concentramos en la arquitectura de Base de Datos, en la

selección de las estructuras de almacenamiento necesarias para soportar el

diseño lógico, así como los métodos que garanticen un acceso eficiente a

los Datos.

Cuadro Nº 7 Tipos de Datos DIM_AGENTE

Dimensión Tipos de Datos FactTable

DIM_AGENTE

AGENTE KEY (PK, int, not null) FACT

GESTIÓNVENTAS

(AGENTE KEY)

COD_AGENTE(varchar(20), null)

SERVICIO_AGENTE (varchar(50), null)

N_HORAS_LOGUEADAS(decimal(18,0),null)



64

Cuadro Nº 8 Tipos de Datos DIM_CALLING_LIST


DIM_CALLING_LIST

CALLING_LIST_KEY (PK, int, not null)

FACT

GESTIÓNVENTAS

(CALLING_LIST_KEY)

COD_CL (varchar(20), null)

NAME_LIST (varchar(50), null)

REG_CONSUMIDOS(int,null)

REG_CONTACT_VAL(int, null)


Cuadro Nº 9 Tipos de Datos DIM_CLIENTE


DIM_CLIENTE

CLIENTE_KEY (PK, int, not null) FACT

GESTIÓNVENTAS

(CLIENTE_KEY)

COD_CLIENTE (varchar(20), null)

NOM_CLIENTE (varchar(50), null)


Cuadro Nº 10 Tipos de Datos DIM_ESTADO_TC


DIM_ESTADO_TC

ESTADO_TC_KEY (PK, int, not null) FACT

GESTIÓN VENTAS

(ESTADO_TC_KEY)

COD_ESTADO (varchar(20), null)

ESTADO_TARJETA (varchar(50), null)


Cuadro Nº 11 Tipos de Datos DIM_TARJETA


DIM_TARJETA

TARJETA_KEY (PK, int, not null) FACT

GESTIÓN VENTAS

(TARJETA_KEY)

COD_TARJETA (varchar(20), null)

TIPO_TARJETA (varchar(20), null)



65

Cuadro Nº 12 Tipos de Datos DIM_TIEMPO


DIM_TIEMPO

TIEMPO_KEY(PK, int, not null)

FACT

GESTIÓN VENTAS

(TARJETA_KEY)

FECHA(datetime, not null)

NRO_DIA_SEMANA (int, not null)

NRO_DIA_MES(int, not null)

NRO_DIA_ANIO(int, not null)

NOMBRE_DIA_SEMANA (nvarchar(30), notnul

SEMESTRE_CALENDARIO (int, not null)


Cuadro Nº 13 Tipos de Datos DIM_UBIGEO


DIM_UBIGEO

UBIGEO_KEY (PK, int, not null) FACT

GESTIÓN VENTAS

(UBIGEO_KEY)

COD_UBIGEO(varchar(20), null)

NOM_DISTRITO (varchar(20), null)


Cuadro Nº 14 Tipos de Datos FACT_GESTION_VENTAS

FactTable Tipos de Datos FactTable

FACT_GESTION_VENTAS

AGENTE_KEY(FK, int, not null)

FACT

GESTIÓN VENTAS

CALLING_LIST_KEY(FK, int, not null)

CLIENTE_KEY (FK, int, not null)

ESTADO_TC_KEY (FK, int, not null)

TIEMPO_KEY (FK, int, not null)

UBIGEO_KEY (FK, int, not null)

TARJETA_KEY (FK, int, not null)

COD_VENTA(varchar(20), null)

N_HORAS_LOGUEADAS (decimal(18,0),null)

COSTO_CALL(decimal(18,0),null)

VARIABLE_PROMOCION(decimal(18,0),null)

HORA_POSICION (int, null)



66

3.2.5 POBLANDO LAS DIMENSIONES Y LA FACT TABLE

Creación de un Data FlowTask, para contener a todas las

dimensiones.

Población Dim_Agente

Población Dim_CallingList

Población Dim_Cliente

Población Dim_Tarjeta TC

Población Dim_Tiempo

Población Dim_Ubigeo

Población Gestión Ventas

Para el llenado de las Dimensiones primero limpiamos las tablas para insertar los

datos de la Tabla Transacional a las Tabla Dimensión, una vez llenado todas las

dimensiones, pasamos al poblado de la Fact Table.

Figura N° 25 Población de Dimensiones y Fact.



67

3.2.6 Datos de la Base de Datos Dimensional

Dimensión Agente

Figura Nº 26 Datos Dimensión Agente.


Dimensión Calling_List

Figura Nº 27 Datos Dimensión Calling_List.



68

Dimensión Cliente

Figura Nº 28 Datos Dimensión Cliente.


Dimensión Tarjeta TC

Figura Nº 29 Datos Dimensión Tarjeta TC.



69

Dimensión Tarjeta

Figura Nº 30 Datos Dimensión Tarjeta.


Dimensión Tiempo

Figura Nº 31 Datos Dimensión Tiempo.



70

Dimensión Ubigeo

Figura Nº 32 Datos Dimensión Ubigeo.


Fact Gestión Ventas

Figura Nº 33 Datos Fact Gestión Ventas.



71

Después de haber terminado de poblar todas las tablas continuamos con la

realización del Cubo de la Fact_Gestion_Ventas, para ello primero nos

conectamos con nuestra base de Datos Dimensional.

Figura N° 34 Fact_Gestion_Ventas.


3.2.7 DESARROLLO DE CUBOS

3.2.7.1 CUBO Nº1

En el siguiente cubo queremos analizar la Cantidad de Tarjetas Vendidas

por cada tipo de Tarjeta durante todo el año 2012 y en todos los distritos

de Lima, para ello utilizamos las dimensiones DIM_TIEMPO,

DIM_TARJETA_TC y DIM_UBIGEO


72

Figura Nº 35 Cubo 1 Tiempo, Tarjeta, Ubigeo.


Resultado del Cubo

Figura N° 36 Resultado Cubo – Ventas por Tipo de Tarjeta.



73

3.2.7.2 CUBO Nº2

En el siguiente cubo queremos analizar la Cantidad de Tarjetas Vendidas

por cada Distrito de Lima según tipo de Tarjeta durante todo el año 2012,

para ello utilizamos las dimensiones DIM_TIEMPO, DIM_TARJETA_TC y

DIM_UBIGEO

Figura Nº 37 Cubo 2 Tiempo, Tarjeta, Ubigeo.


Resultado del Cubo

Figura N° 38 Resultado Cubo – Ventas x Distrito según Tarjeta TC.



74

3.2.7.3 CUBO Nº3

En el siguiente cubo queremos analizar los ingresos vs los costos de

todas las Tarjetas TC, en todos los distritos de Lima, según los tipos de

base enviados por los proveedores (Calling_List) durante la evolución

mensual del año 2012 para ello utilizamos las dimensiones

DIM_TIEMPO, DIM_CALLING_LIST y DIM_UBIGEO

Figura Nº 39 Cubo 3 Tiempo, Calling_List, Ubigeo.


Resultado del Cubo

Figura N° 40 Resultado Cubo – Ingresos Vs Costo según Tarjeta TC.



75

3.3 CONSOLIDACIÓN DE RESULTADOS

3.3.1 Resultado Nº 1

En el siguiente diagrama analizaremos la Cantidad de Tarjetas Vendidas por

cada tipo de Tarjeta durante todo el año 2012 y en todos los distritos de Lima

y observamos la que tuvo mayor demanda en el año 2012 fue la tarjeta TC

EMPRESARIAL, el cual este análisis servirá para que la empresa pueda

ofrecer más Tarjetas TC de estos tipos.

Tipos de Tarjeta:

1 -TC CLÁSICA

2- TC ORO

3- TC EMPRESARIAL

4- TC PLATINUM

5- TC CORPORATIVA

Figura N° 41 Cantidad de Tarjetas según tipo de Tarjeta.



76


En el siguiente diagrama analizaremos la Cantidad de Tarjetas Vendidas

por cada distrito de Lima, durante todo el año 2012 ya que la venta de

Tarjeta TC en la empresa Call Center por contrato sólo se da en los

Distritos de Lima. Observamos que los distritos donde tuvo mayor demanda

de Tarjetas TC es en Los Olivos, Pueblo Libre y La Molina.

Figura N° 42 Ventas x Distrito según Tarjeta TC.



77


En el siguiente diagrama analizaremos los Ingresos vs los Costos de todas

las Tarjetas TC, en todos los distritos de Lima, según los tipos de base

enviados por los proveedores (Calling_List) durante la evolución mensual del

año 2012. Observamos que el mayor ingreso fue en enero con un monto

mayor a s/.140,000.00 y tuvo una caída en el mes de abril con un monto de

casi s/.40,000.00, a un costo constante.

Figura N° 43 Ingresos Vs Costo según Tarjeta TC.



78

CONCLUSIONES

A través del presente proyecto, se llegó a cumplir el objetivo Principal el cual

era implementar un Data Mart que permita analizar la información para el

soporte a la toma de decisiones aplicado al área de Operaciones – Ventas en

la empresa Servicios Call Center del Perú,

Se diseñó la Base de Datos Dimensional, para el alojamiento del Data Mart, el

cual minimizó el tiempo de carga, ya que los datos cargados en el repositorio

del Data Mart son datos relevantes, el cual eran importantes para la empresa

analizarlos según sus requerimientos y la gestión de venta que se realiza día a

día, de esta forma se generó también reportes de forma dinámica y

personalizados y obteniendo los resultados en un menor tiempo.

La información analizada que se obtuvo y según requerimiento de la empresa

fue obtener la Cantidad de Tarjetas Vendidas por cada tipo de Tarjeta durante

todo el año 2012, de todos los distritos de Lima, para saber qué tipo de tarjeta

es la que tiene mayor demanda. y según eso ofrecer más de eso tipo de

tarjeta, ya que tiene mayor aceptación por parte de los clientes. la tarjeta con

mayor demanda fue TC EMPRESARIAL.

Otro resultado que se obtuvo fue obtener la Cantidad de Tarjetas Vendidas por

cada distrito de Lima, durante todo el año 2012 ya que la venta de Tarjeta TC

en la empresa Call Center por contrato sólo se da en los Distritos de Lima.

Según ello para adquirir más registros de llamadas de los proveedores y hacer

llamadas con mayor énfasis a aquellos lugares donde hay mayor demanda de

TC. Los distritos donde tuvo mayor demanda de Tarjetas TC es en Los Olivos,

Pueblo Libre y La Molina.


79

RECOMENDACIONES

Se podría utilizar este proyecto para los futuros trabajos de investigación, ya

que de todas las tesis revisadas e investigadas se observa que hasta el

momento no se ha realizado una implementación de un Data Mart en una

empresa Call Center (Centro de Llamadas), ya que el rubro de la empresa es

nueva y reciente en el mercado.

Se podría utilizar también métodos alternos, como el Estudio de Casos, el cual

permite trabajar con un número menor de informantes, y obtener detalles

particulares, y hechos más detallados.

Se podrían realizar estudios más específicos, como el de empresas que logran

beneficios sustanciales, que podrían simular, factores del éxito y los que

permiten una implementación satisfactoria del sistema y algunos estudios

específicos por el uso que se da al sistema de Data Warehouse e Inteligencia

de Negocios, como puede ser Marketing y Ventas; Créditos y Riesgos.

En el caso del Estudio Cuantitativo de Investigación, se podría trabajar con

una muestra mayor, para tener un análisis más detallado, en el cual se podría

considerar inclusive algunas variables, como podrían ser los años de

experiencia con el sistema de DW y BI, el tipo de negocios al que se dedica la

empresa, y la actividad específica del usuario del sistema.


80

BIBLIOGRAFÍA

Guillen Rodríguez. Desarrollo de un Data Mart para Mejorar la Toma de

Decisiones en el área de Tesorería de la Municipalidad Provincial de

Cajamarca. Universidad Privada del Norte: 2012.

Jiménez Agosta, L. A Time of Growth for Data Warehousing. DM Review:

1ra Edition 2004.

Paitán, S. M. Análisis, diseño e implementación de un sistema gerencial

basado en una suite integrada de Datamarts para las aéreas de finanzas,

contabilidad [Tesis Doctoral]. Lima: PUCP: 2011.

Sedano, C. P. Análisis, Diseño e implementación de un Datamart para el

soporte de toma de decisiones y evaluación de las estrategias sanitarias en

las direcciones de salud. [Tesis Doctoral] Lima. PUCP: 2009.

Ibermática. Bussines Intelligence. Monografía de Internet, octubre 2012.

Disponible en:

http://www.larioja.org/upload/documents/458269_gestion_proyectos.pdf

Trujillo, I. A. Modelo Multidimensional. La Habana, Cuba:2005

Kimball Group. Block. Página de Internet. Disponible en:

http://www.kimballgroup.com

Flores Esquivel. Bussines Intelligence, el soporte de decisiones en la

empresa Casa Marzam [Tesis] S.A de C.V. México: 2009

Quintana Lecaros. Business Intelligence en las empresas chilenas

[Seminario]. Santiago de Chile. Universidad de Chile: 2013.

http://www.kimballgroup.com/


81

Gonzales López. Impacto de la Data Warehouse e Inteligencia de Negocios

en el Desempeño de las Empresas: Investigación Empírico en Perú, como

país en Vías de Desarrollo. [Tesis Doctoral]. Univesrsitat Ramón Llull: 2010.

Gustavo R. Rivadera. La Metodología de Kimball para el diseño de

almacenes de datos. Cuadernos de Facultad n. 5: 2010.

Henry, Laura. Call Center Tercerizados: Los desafíos para la organización

de los trabajadores en una actividad económica emergente. [Tesis]. Buenos

Aires. Universidad Nacional de la Plata: 2011.

Documents

ÍNDICE INTRODUCCIÓN 5 1. PLANTEAMIENTO DEL …docshare01.docshare.tips/files/24082/240828688.pdf · Cuadro Nº 14 Tipos de Datos FACT_GESTION_VENTAS ..... 65 . IMPLEMENTACIÓN DE