Upload
omar-eduardo-betanzos
View
58
Download
0
Embed Size (px)
Citation preview
DATA MART Página 1
Pérez Martínez Abdías | “DATA MART”
DATA MART
Abdías Pérez Martínez,
Institución tecnológica superior de Coatzacoalcos
México, [email protected], santa Isabel 3
etapa número 12
RESUMEN: En este artículo se ofrece una
descripción
sobre la importancia del depósito y del
mercado de datos. Además, identifican
y formulan las principales definiciones,
esquemas y términos básicos relacionados
con el mercado de datos. Igualmente, se
DATA MART Página 2
establecen y desarrollan los modelos de
implementación y las metodologías para
el desarrollo de un mercado de datos.
Por último, se consideran las formas
tecnológicas de procesamiento analítico
en línea (OLAP) y su utilidad en el análisis
del mercado de datos.
Palabras Clave: DataMart, Bases de Datos, Regulación,
Simulación, Modelos, Análisis, Sistemas de Información.
ABSTRACT: In this article a description offers on the
importance of the data warehouse and the data mart.
There are identified and formulate the principal definitions,
schemes and basic terms related to the data mart.
There establish and develop the models of implementation
and the methodologies for the development of a data mart.
Finally, They are considered to be the technological Forms
of analytical processing in line (OLAP) and this usefulness
in the analysis of the data mart.The main difference is that
the creation of a data mart is specific to a need of selected
data, emphasizing the easy access to relevant
information.
DATA MART Página 3
A Data Mart is a special version of data warehouse (data
warehouse). As data warehouses, data marts contain a
vision of operational data to help you decide on business
strategies based on the analysis of trends and past
experiences. The main difference is that the creation of a
data mart is specific to a need of selected data,
emphasizing the easy access to relevant information.
A data mart is a departmental database, a specialist in the
storage of the data of a specific business area. It is
characterized by having the optimal structure of data to
analyze the information to the detail from all perspectives
that affect the processes of the department. A data mart
can be fed from the data in a data warehouse, or integrate
for itself a compendium of various sources of information.
KeyWords: DataMart, databases, regulation, Simulation, modeling, analysis, Information Systems, Database, datamart, datawharehouse, online analytical processing.
DATA MART Página 4
Indices 1. INTRODUCCIÓN…………………………………… 5 2. CONTENIDO…………………………………………5 ELEMENTOS GENERALES.................................... 6
Resumen…………………………………………..6
Palabras Claves ………………………………… 7
Abstract ………………………………………….. 7
Keyword ………………………………………… 8
Introducción…………………………………….. 9
Contenido……………………………………….. 12
Conclusión…………………………………….. 15
Agradecimientos……………………………… 16
Referencias…………………………………..
DATA MART Página 5
1. INTRODUCCIÓN
El mercado de datos constituye una tecnología de bases de datos que ha tomado gran auge debido al crecimiento y muchas veces subutilización de los grandes bancos de datos históricos almacenados en las organizaciones. Es por ello aquí que se presentan algunas precisiones sobre los conceptos y las metodologías utilizadas en el desarrollo del mercado de datos. En la primera parte, se establece la importancia del depósito y del mercado de datos. En este sentido, se deja claro que el mercado de datos (MD) es un elemento sustantivo dentro de la ultima generación de bases de datos, constituida por el repunte de los depósitos de datos (DD). Según Poe (1998),
Los almacenes de datos nacieron con el
propósito de proporcionar metodologías y
tecnologías para recopilar e integrar datos
de una organización con la finalidad de
analizar y obtener resúmenes complejos y
conocimiento.
Un almacén de datos es un conjunto o
repositorio de datos históricos y
descriptivos, orientados hacia un
determinado ámbito ya sea una empresa
una organización o cualquier otra con fines
particulares. Estos datos son recolectados
de fuentes internas y externas, y
organizados de manera que se puedan
aplicar herramientas para resumir, describir
y analizar los datos de manera eficiente,
con la finalidad de soportar o ayudar a la
toma de decisiones en cualquiera de las
entidades en que se utilice.
2. CONTENIDO
Un Data Mart es una version especial
almacén de datos (data warehouse). Como
los almacenes de datos, los data
marts contienen una visión de datos
operacionales que ayudan a decidir sobre
estrategias de negocio basadas en el
análisis de tendencias y experiencias
pasadas. La diferencia principal es que la
creación de un data mart es específica
para una necesidad de datos
seleccionados, enfatizando el fácil acceso
a una información relevante.
Por lo tanto para crear el datamart de un
área funcional de la empresa es preciso
encontrar la estructura óptima para el
análisis de su información.
Estos datos son recolectados de fuentes
internas y externas, y organizados de
manera que se puedan aplicar
herramientas para resumir, describir y
analizar los datos de manera eficiente, con
la finalidad de soportar o ayudar a la toma
de decisiones en cualquiera de las
entidades en que se utilice.
Dicho de una manera más sencilla un
almacén de datos, es un expediente
detallado y completo de una organización,
almacenado en una base de datos
diseñada para favorecer el análisis y la
divulgación de los datos y con esto ayudar
a la toma de decisiones.
DATA MART Página 6
2.1 ELEMENTOS GENERALES
RESUMEN
Inteligencia de negocio, es el proceso de
obtener información sobre la organización
a partir de los datos existentes. En la Era
de la Información, las organizaciones
tienen a su disposición vastas cantidades
de datos, recolectadas en sistemas
transaccionales. Dichos sistemas, son
esenciales para la operación del negocio.
Disponer de datos no es lo mismo que
disponer de información. Los datos se
convierten en información cuando se
pueden utilizar para responder a
cuestiones del negocio, de tal manera que
se pueda comprender mejor el
funcionamiento del mismo. La Inteligencia
de Negocio permite responder a tales
cuestiones, por lo que los tomadores de
decisiones de todos los niveles puedan
responder rápidamente ante los cambios
en el entorno en el que compiten.
Para responder a las preguntas del
negocio por medio de la Inteligencia de
Negocio, se requiere de datos históricos o
de datos provenientes de distintas fuentes.
Dichos datos se consolidan en lo que se
denomina un Data Warehouse, que no es
más que una base de datos diseñada para
consultas y análisis. El data warehouse
integra datos históricos derivados de los
sistemas transaccionales, con información
de otras fuentes que pueden ser internas o
externas a la organización.
El objetivo central de este trabajo, es dar
una solución al problema de las
necesidades de información para la toma
de decisiones de las autoridades y
docentes, de la Escuela de Ciencias y
Sistemas de la Facultad de Ingeniería de la
XII
Universidad de San Carlos de Guatemala,
en lo que respecta a información
académica, construyendo un data mart de
información académica que solvente
dichas necesidades y permita a los
tomadores de decisiones construir sus
propios escenarios de análisis.
DATA MART Página 7
Palabras Claves OBJETIVOS GENERALES
1. Desarrollar una solución de inteligencia de negocios, que dé respuesta a las necesidades de información académica de la Escuela de Ciencias y Sistemas de la Facultad de Ingeniería, de la Universidad de San Carlos de Guatemala.
2. Mostrar los beneficios de utilizar herramientas de inteligencia de negocio para el análisis de información y el desarrollo de reportes, por parte de los tomadores de decisiones en cualquier organización. ESPECÍFICOS 1. Determinar los requerimientos y necesidades de información de la Escuela de Sistemas, los cuales deberán verse solventados en la solución final.
2. Diseñar, desarrollar, instalar y
configurar la solución de inteligencia de negocio que satisfaga los requerimientos de información recabados.
3. Capacitar al personal técnico de la Escuela de Sistemas en el uso de la solución implementada.
Abstract GENERAL OBJECTIVES
1. Develop a solution for business intelligence, to answer the needs of academic information of the School of AMPAS) and systems of the Faculty of Engineering, the University of San Carlos of Guatemala.
2. Show the benefits of using business intelligence tools for the analysis of information and the development of reports, on the part of the decision-makers in any organization.
Specific
1. Determine the requirements and information needs of the School of systems, which must be solved in the final solution.
2. Design, develop, install and configure the solution of business intelligence that satisfies the requirements of information collected.
3. To train technical staff of the School of systems in the use of the implemented solution.
DATA MART Página 8
Keyword
1. Determine the requirements and information needs of the School of systems, which must be solved in the final solution.
2. Design, develop, install and configure the solution of business intelligence that satisfies the requirements of information collected.
3. To train technical staff of the School of systems in the use of the implemented solution.
4. Develop a solution for business intelligence, to answer the needs of academic information of the School of AMPAS) and systems of the Faculty of Engineering, the University of San Carlos of Guatemala.
5. Show the benefits of using business intelligence tools for the analysis of information and the development of reports, on the part of the decision-makers in any organization.
DataMart, Bases de Datos, Regulación,
Simulación, Modelos, Análisis,
Sistemas de Información.
DataMart, databases, regulation,
Simulation, modeling, analysis, Information
Systems.
DATA MART Página 9
Introduction
Actualmente la mayor parte de las
empresas cuenta con sistemas de
información atomizados respondiendo
cada cual a un uso diferente. En el
momento de la toma de decisiones, las
áreas de estadística y economía destinan
gran parte de su tiempo a la recolección y
homogeneización de los datos y
normalmente estos son utilizados solo una
vez y con un fin específico. Como
consecuencia, si en un futuro se necesita
ver la información obtenida con datos
actualizados, hay que repetir el proceso de
obtención y proceso de datos.
En este trabajo expondré las ventajas de
un sistema de información particularmente
diseñado para las empresas de servicios
públicos, y especialmente las de energía
eléctrica. El mismo incorpora distintos
aspectos del negocio en una única
herramienta que permita el acceso
inmediato a los datos disponibles y a su
utilización para fines diversos.
La columna vertebral de este sistema de
información es un DataMart. Esta
herramienta se estructura sobre una base
de datos multidimensional. Siendo su
principal ventaja una velocidad
marcadamente superior, para responder
consultas, que las bases de datos
relacionales.
La presentación se estructurará de la
siguiente manera: a continuación expondré
brevemente, qué respuestas se pueden
obtener de un DataMart. Continuaré con la
exposición de las diferencias entre un
sistema de bases relacionales y
multidimensionales.
Luego mostraré a fondo el uso de una
base de datos multidimensional en una
empresa de energía eléctrica y el trabajo
será concluido con un sencillo ejemplo
desarrollado en el anexo.
Un sistema de DataMart en una empresa
de distribución eléctrica sirve para
responder interrogantes tales como:
DATA MART Página 10
Datos con los que cuentan las empresas
Las empresas de energía eléctrica
cuentan con diversos sistemas de
información.
El más importante de estos sistemas es el
de facturación. Existen también aquellos
que toman en cuenta la calidad del
servicio, los que recaban información de
los usuarios –
Distrito, localidad, usuarios por conexión,
nivel socio-económico del hogar, etc.-, los
que cuentan con datos de los
proveedores, etc.
Comúnmente estos sistemas se
encuentran en distintos soportes y son
incompatibles entre si, en consecuencia,
su uso combinado para lograr una
determinada consulta es un proceso largo
y tortuoso. Aún dentro de los mismos
sistemas no es fácil encontrar lo que uno
busca. Por ejemplo, si en una empresa
con un millón de clientes, se quiere saber
cuál es la facturación total de todos
aquellos usuarios de determinados
distritos cuyo consumo fue mayor a X Kwh
en periodos invernales de los últimos 3
años, es probable que esa consulta
demore al menos tres o cuatro horas.
Adicionalmente hay que tener en cuenta
que la facturación de las empresas de
energía eléctrica se encuentra divida en
subsistemas que muchas veces tampoco
son compatibles entre si – ej. Usuarios de
bajas demandas, usuarios de medianas
demandas y usuarios de altas demandas.
Las Bases de Datos relacionales y
Bases de datos Multidimensionales
Relacionales
Las bases de datos que normalmente se
conocen son las bases relacionales. Estas
se caracterizan por ser depositarios de
información que está relacionada entre si
en una misma línea. Si tomamos como
ejemplo una base de facturación, la base
relacional contendría una factura por línea
y en cada columna sus distintos
elementos. Por lo tanto estas bases son
eficientes para la búsqueda de elementos
específicos, por ejemplo, si se quisieran
conocer todos los campos de la factura
número 1.234.567. Sin embargo, si lo que
se desea buscar es el total de la
facturación o lo que pagó por un
determinado concepto (impuestos, cargo
fijo, cargo variable) un grupo específico de
usuarios relacionados por una
determinada variable – geográfica, de
consumo -, estas bases son altamente
ineficientes. En definitiva las bases de
datos relacionales pueden ser pensadas
como tablas que no contienen ningún tipo
de agregación. La suma de una
determinada columna se ejecuta cada vez
que así se requiera, lo que consume
tiempo y recursos del sistema.
DATA MART Página 11
Multidimensionales
Las bases de datos multidimensionales
tienen soporte en las bases de datos
relacionales. Procesan los datos de estas
con el fin de establecer a priori
agregaciones de variables y sumas de
medidas para lograr una mayor eficiencia
a la hora de hacer las consultas. Así como
concebimos a las bases relacionales
como largas tablas cuyas columnas hay
que sumar cada vez que se quiere hacer
una consulta, podemos imaginar a las
bases multidimensionales como matrices.
Esto nos da la posibilidad de elegir qué
elementos deseamos ver en las columnas
y en las filas con la ventaja de que en el
área de datos los elementos ya se nos
proporcionan sumados.
De esta manera, por ejemplo, ante la consulta: ¿Cuál es el total de lo que pagó por impuestos el grupo de usuarios residenciales del distrito ABC? Solo habría que elegir la variable de “Tipo de Usuarios” y situarla en la cabecera de las columnas, la variable “Distrito” en las líneas y al dato impuesto en el área de datos.
Por lo tanto, es evidente la eficiencia de las bases multidimensionales sobre las relacionales.
¿Cómo se hace una base de datos
multidimensional?
Como ya he comentado anteriormente las
bases multidimensionales tienen soporte
en las bases relacionales. El proceso es
básicamente el siguiente. Se debe diseñar
una base relacional que cumpla una
determinada estructura, y se debe
especificar qué columnas de esa base
relacional serán dimensiones (variables
que se pueden utilizar para agrupar datos)
y cuáles serán medidas (variables que se
suman para responder a una pregunta
específica). Una vez definido esto, se
puede crear la base multidimensional con
algún software específicamente diseñado.
Al finalizar el proceso, la base multidimensional residirá en un servidor dedicado que podrá ser consultado por las personas a las que se les quiera dar acceso. Ellas podrán navegar la base con herramientas simples, comprensibles para el usuario medio, que serán comentadas más adelante.
DATA MART Página 12
Contenido El uso de las bases multidimensionales en la empresa. La ventaja principal de contar con una base de datos multidimensional en una empresa es que el usuario medio, sin conocimientos avanzados en informática, cuenta con información muy importante para la toma de decisiones al instante en que se la requiere. Además, al momento del diseño del DataMart, se pueden compatibilizar los distintos sistemas de información de la empresa. ¿Data Mart o Data Warehouse Corporativo? ¿Cómo definir la arquitectura informacional de una empresa?
- Repaso de conceptos básicos: Data Warehouse, Data
Mart
- Topologías posibles en un almacén de datos
- Estrategias tecnológicas para establecer la arquitectura
- Tipos de Data Marts
- Nuevos elementos en la arquitectura del almacén Cómo construir y gestionar un Data Mart para dar respuesta a las necesidades de los distintos departamentos de la compañía
- Cómo extraer la información que debe contener el Data
Mart
- Cómo elaborar el cuestionario para saber qué
información necesita en el Data Mart el área usuaria
- Cómo clasificar esa información según la prioridad del
usuario
- Qué pedir el usuario del Data Mart para construir una
correcta arquitectura de trabajo
- Ejemplos de procesos de construcción
Ejercicios Prácticos Cómo diseñarlos Data Marts para convertir los datos en información útil para las distintas áreas de una empresa
- En qué áreas funcionales de la empresa se puede
aplicar y con qué fines
- Cuáles son los pasos a seguir en la implantación del
Data Mart, metodología
- Identificación del objetivo
- Evaluación de los orígenes de información
- Preparación de los datos
- Análisis del proceso del Data Mart
- Implantación y seguimiento
- Actualizaciones y rectificaciones
Ejercicios prácticos de aplicación en los distintos
departamentos
Caso Práctico Cómo adaptar el Data Mart a las necesidades del usuario final (necesidades del área usuaria)
- Cómo asegurar una buena calidadde la información que
apoye a la toma de decisión de los directivos
- Cómo conseguir que el usuario final comprenda la
utilización de la técnica para asegurar un correcto uso
- Qué grado de responsabilidad sobre el Data Mart
corresponde a cada uno de los departamentos implicados
- Quién asegura la calidad, el mantenimiento y la
actualización de los datos Cuáles son las herramientas necesarias para construir un Data Mart
- Herramientas de extracción y tratamiento de datos
- Bases de Datos, aceleradores
- Herramientas de Reporting
- Herramientas de OLAP
- Herramientas de Data Mining
- Herramientas de acceso desde internet
- Cómo integrar todas esas herramientas Cómo implantar el Data Mart desde el punto de vista organizativo
- Impacto de la implantación de un Data Mart
- Organización necesaria para la gestión del Data Mart:
perfiles necesarios
- Formación necesaria Cómo gestionar los metadatos del Data Mart
- Metadatos técnicos, necesarios para la gestión del Data
Mart
- Metadatos de negocio para divulgar la información por
la empresa
- Cómo implementar un sistema de metadatos Cuáles son los errores más comunes en el desarrollo de un Data Mart y cómo correguirlos
- Lecciones aprendidas - principales errores en el
mercado
- Factores que pueden determinar el éxito o el fracaso
Ejercicio Práctico de desarrollo y explotación de un Data
Mart para una empresa
DATA MART Página 13
Las bases multidimensionales y las empresas de energía eléctrica
Las bases multidimensionales permiten a
las empresas de energía eléctrica, contar
con una herramienta sólida, rápida y
confiable tanto para el proceso regulatorio
permanente como para el proceso de
renegociaciones de contratos y de
revisiones tarifarias. Además facilitan la
implementación de modelos económicos
financieros basados en distintos
escenarios intra-empresa o interempresa.
Asimismo dan un esquema unificado de
análisis y comparación con una precisión
irrebatible, para su presentación ante otras
empresas, accionistas o en audiencias
públicas.
Uso para análisis
La primera utilidad que se le encuentra a
un sistema de base multidimensional es la
posibilidad de efectuar un análisis de los
diferentes aspectos de la empresa. A
continuación desarrollo algunos ejemplos
topos de estudios que se pueden llevar a
cabo.
Análisis de consumo
Estas bases permiten efectuar análisis de
consumo por región, tarifa, tipo de
consumidor, etc. Además se pueden
estudiar los consumos totales o medios y
las variaciones con respecto a variables
tales como, igual periodo anterior o periodo
anterior –semana, mes, trimestre, año- o
índices de crecimiento. También se
pueden establecer perfiles de consumo
que tengan como parámetros a las horas
del día, los días en la semana, el mes o los
meses en el año.
Análisis de facturación
Otra de las funcionalidades, dentro del campo de análisis de los datos de la empresa, de este tipo de bases, es el estudio de la facturación de acuerdo a aspectos geográficos, de tipo de cliente o por rango de facturación, anexando estos a análisis en torno a los cargos fijos o variables o a las variaciones en la facturación. Por otro lado se puede investigar la morosidad de los clientes y encontrar grupos específicos de morosos para llegar a algún tipo de acuerdo con el regulador sobre el tratamiento que se le debe dar a estos grupos. Análisis de negocios no regulados Se pueden hacer también estudios sobre la venta de productos relacionados, venta de servicios, análisis de marketing o de campañas de disminución de la morosidad. Uso para modelización La segunda utilidad que se le puede dar a estos sistemas de información, es la creación de diversos tipos de modelos que facilitan el trabajo a la hora de enfrentarse a un proceso de reestructuración o de cambios regulatorios. Estos modelos utilizan los datos de la base como input de información histórica y parámetros definidos dentro del modelo como variables modificables por el usuario. La siguiente lista enumera algunas de las variables que pueden ser modificadas en los modelos de simulación:
Modificaciones en el costo fijo, variable o facturación mínima.
Proyección de cantidad de usuarios por tasa de crecimiento anual o alguna otra metodología.
Cambios en la estructura tarifaria en cuanto a la participación de
DATA MART Página 14
distribución, transmisión y generación de energía.
Traspaso de clientes de una modalidad a otra.
Modificaciones en la tasa de crecimiento del país, que traiga aparejada un aumento en la demanda de energía.
Aumentos de demanda de energía
exógenos a las variables
macroeconómicas del país
• Variaciones en los costos trasladables al
usuario.
• Modificaciones en los costos de los
insumos y de operación.
• Cambios en la cantidad de escalones
dentro de una categoría.
• Cambios en parámetros técnicos que
intervienen en el cálculo tarifario.
Modelo de simulación tarifaria
tarifaria requiere, como primera medida,
emular la facturación de la empresa
teniendo en cuenta solo los inputs no
monetarios que componen la factura – tipo
de usuario, rango de consumo, ubicación
geográfica, consumo de energía, etc.
Gracias a la posibilidad de agregación que otorgan las bases multidimensionales, es posible generar este tipo de modelos en una planilla de Excel. El potencial de esta herramienta permite precisamente que los datos provenientes de la base se encuentren agrupados, y en vez de trabajar con, por ejemplo, 36.000.000 de registros, se trabaja solo con 3.000 sin pérdida de detalles ni precisión Una vez
emulada la facturación de la empresa, se desarrolla un modelo en el que se le permite al usuario hacer estimaciones de ingresos futuros a partir de la posibilidad de modificar diversos tipos de parámetros ya enumerados. Finalmente la salida del modelo de simulación tarifaria, vuelve a ser procesada para generar una nueva base de datos multidimensional. Esta, contiene datos sobre estimaciones de ingresos futuros de la empresa con un error inferior al 1 por 10.000. Modelos de calidad de servicio y estimación de multas En aquellas empresas eléctricas que lleven registros de calidad de servicio, se puede anexar estos datos a la base de facturación y relacionándolos podremos obtener una estimación de las multas a pagar por las fallas en la calidad del servicio. Además de conocer en detalle cuáles son las zonas más afectadas por cortes de energía o entregas no óptimas, la utilidad de estos modelos es acercarse a la predicción certera de las ganancias futuras de la empresa.
Modelos de simulación de demanda
Contando con una cantidad significativa de datos históricos de facturación, se pueden crear modelos de simulación de demanda, que representen acertadamente, los posibles escenarios futuros de consumo energético. Para lograr la funcionalidad de estos modelos es necesario contar con un marco de consistencia macroeconómica que se anexa a la base y que puede ser modificado en el tiempo por el usuario.
DATA MART Página 15
Conclusión
Subconjunto del Data Warehouse que está
Orientado a un área específica del
negocio.
Todas sus métricas y dimensiones están
Relacionadas con un área de negocio en
Particular.
Dimensión Se refiere a la entidad que se
encarga de
Agrupar, calificar o catalogar cada uno de
los hechos contenidos dentro de un data
mart.
ETL: Proceso de extracción,
transformación y carga de datos desde
una fuente determinada hacia un data
mart o el data warehouse corporativo.
Herencia Forma de obtener o extender la
funcionalidad de una clase existente en
una nueva clase.
Host Ordenador/computadora
conectado(a) a la Internet.
OLTP Sistemas de procesamiento de
transacciones
en línea, o sistemas transaccionales, en
los cuales residen las operaciones del día
a día de cada negocio y que son la fuente
prioritaria de datos para cada data mart o
el data warehouse corporativo.
OLAP Sistemas de procesamiento analítico
en línea, es decir, sistemas orientados al
análisis de información, basados en un
data mart o data warehouse.
SQL Lenguaje de computación utilizado
para crear, modificar y recuperar datos de
un sistema de base de datos relacional.
Tabla de Hechos Tabla de datos central
que contiene cada una de las métricas que
se desea medir dentro de un área
específica del negocio. Transacción En el
manejo de almacenamiento de datos, una
transacción se refiere a una unidad de
trabajo que debe ser realizada de forma
atómica, consistente, aislada y durable.
Un sistema de DataMart con soporte en una base de datos multidimensional es una herramienta indispensable de análisis y gestión para una empresa de energía eléctrica. La misma brinda a los usuarios la posibilidad de estudiar íntegramente el negocio sin depender de los tiempos y estructuras del área de sistemas. Además brinda la libertad suficiente para combinarla con herramientas de oficina – como el Excel – y de esta forma poder realizar modelos de predicción, que permitan lograr una revisión tarifaria o renegociación con datos certeros del negocio sin tener que realizar especulaciones espúreas.
DATA MART Página 16
Agradecimientos
Mi padre Por su incondicional apoyo y
estímulo, así como su valioso ejemplo, Por
su amor, dedicación, honradez,
responsabilidad, y ser siempre el buen
ejemplo que deseo seguir.
Mi familia Por su apoyo
LA UNIVERSIDAD
INSTITUTO TECNOLOGICO SUPERIO
Por su importante contribución en el
desarrollo de Coatzacoalcos, Veracruz.
EL CUERPO DOCENTE Por compartir su
conocimiento y experiencia.
LOS ASESORES ING. OMAR BENTAZO
LIC. RUBEN ANTONIO
LOS COMPAÑEROS
DE ESTUDIO Por su apoyo
DATUM Por apoyarme en el logro de este
objetivo
Referencias
El usuario es distinto incluso en la misma
pirámide organizacional.
Mientras los sistemas operativos tienen
interfaces muy especializadas para un
usuario que realiza una operación rutinaria,
los usuarios estratégicos realizan
consultas variadas y no previstas de la
información, por lo que los sistemas deben
ser sencillos y con toda la información
disponible que cubra cualquier consulta
requerida, de este caso el software final
debe ser orientado a un usuario en
particular y, por ende, deberá adecuarse al
conocimiento que tenga sobre el tema.
Las preguntas que responde un sistema
operacional son referentes a las
transacciones que se realizan diariamente
y a nivel registro o suma de registros de
un solo tipo. Un usuario operativo realiza
frecuentemente preguntas sobre registros
como pueden ser el estado actual de una
factura, movimientos de un cliente,
cantidad surtida por un proveedor, fecha
del último movimiento de un distribuidor,
etc. Las preguntas de un ejecutivo pueden
también ser específicas, pero se orientan
más a agrupamientos de datos como
pueden ser totales por zona, promedios de
clientes, tendencias de ventas e incluso
pronósticos.