Tesis Final de Power Bi

UNIVERSIDAD PRIVADA TELESUP FACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA DE SISTEMAS Implementación de Power BI como solución de inteligencia de negocios para el proceso de toma de decisiones de la Demanda y Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú

TESIS PARA OBTENER EL TÍTULO DE: INGENIERO DE SISTEMAS AUTOR: Medrano Huayanay, Crisóstomo Ciriaco

ASESOR ING. OSCAR SALAS

LIMA – PERÚ JUNIO – DICIEMBRE DE 2017

1

DEDICATORIA A Dios por las bendiciones derramadas en mi vida. A mi esposa e hijos, mis padres, hermanos por su apoyo constante y su gran amor.

2

AGRADECIMIENTOS En primer lugar, a Dios por darme la fuerza y voluntad todos los días de la vida. A mi familia por brindarme el apoyo incondicional. A mi asesor Ing. Oscar Salas por su apoyo y sus sabias enseñanzas académicas.

3

RESUMEN La presente investigación busca explicar en forma muy sencilla que es: “Business Intelligence” o “Inteligencia de Negocio”, tulizando el Power BI Desktop. Este Proyecto está orientado a la implementación de BI en el laboratorio central de la FAP. Ya que en el laboratorio central de la FAP no existe una aplicación gerencial que permita tomar decisiones mediante la visualización de información resumida y concreta. Este permitirá tener información a tiempo para ello se realizará un proyecto de inteligencia de Negocios. Hoy en día uno de los principales activos de las organizaciones es la información con la que se cuenta y el conocimiento de la misma. Esta se consolida a partir de datos de los pacientes, exámenes, servicios, analizadores, procesamiento de las muestras, etc. Pero ya no se trata solo de datos, las empresas normalmente tienen toda esta información en diferentes fuentes, por lo cual se requiere herramientas y estrategias que permitan extraerla y analizarla para obtener este importante activo para las empresas y luego obtenerlas el conocimiento. Al contar con la información exacta, en tiempo real, es posible tomar las decisiones y correcciones necesarias antes de que se conviertan en problemas. Las empresas implementan la inteligencia de negocios para comprender y analizar los patrones de comportamiento de la Demanda y Productividad, Seguimiento de todo el flujo de trabajo del laboratorio, con el fin de identificar las oportunidades de crecimiento. Por lo tanto, cuanto más relevante y útil sea la inteligencia de negocios para el laboratorio central de la FAP, mejores serán las decisiones que se puedan tomar y mayor será su ventaja competitiva. La construcción de diferentes Dashboard con los indicadores de las que se definió para este proyecto darán fruto de manera extraordinaria para la toma de decisiones que actualmente no se contaba con la movilización de los datos, que los análisis de la información no permitían llegar a nivel de detalle para la toma de decisiones.

4

El objetivo central de este trabajo, es dar una solución al problema de las necesidades de información para la toma de decisiones de la Secretaria, Jefatura del Laboratorio, Unidades o áreas de producción del laboratorio central de la FAP, que consiste realizar la implantación de Inteligencia de Negocios usando la plataforma BI “Power BI” que es una colección de servicios de software, aplicaciones y conectores que funcionan conjuntamente para convertir orígenes de datos sin relación entre sí en información coherente, interactiva y atractiva visualmente. Para el desarrollo de este proyecto se aplicó la técnica de investigación mixta, porque ésta consiste en la recopilación y tratamiento de datos. Cuyo objetivo general de esta investigación es para contestar la siguiente pregunta ¿De qué manera la Implementación de Power BI como solución de inteligencia de negocios Influye en el proceso de toma de decisiones de la Demanda y Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú?.

5

ABSTRACT

This research seeks to explain in a very simple way that it is: "Business Intelligence" or "Business Intelligence", bypassing the Power BI Desktop. This Project is oriented to the implementation of BI in the central laboratory of the FAP. As there is no managerial application in the central laboratory of the FAP that allows decisions to be made through the visualization of summary and concrete information. This will allow you to have information in time for it will be a business intelligence project. Nowadays one of the main assets of the organizations is the information with which it is counted and the knowledge of it. This is consolidated from patient data, examinations, services, analyzers, sample processing, etc. But it is no longer just data, companies usually have all this information in different sources, which is why tools and strategies are required to extract it and analyze it to obtain this important asset for the companies and then obtain the knowledge. By having accurate information, in real time, it is possible to make the necessary decisions and corrections before they become problems. Companies implement business intelligence to understand and analyze behavior patterns of demand and productivity, tracking the entire workflow of the laboratory, in order to identify opportunities for growth. Therefore, the more relevant and useful the business intelligence for the central laboratory of the FAP, the better the decisions that can be taken and the greater its competitive advantage. The construction of different Dashboard with the indicators that were defined for this project will yield extraordinary results for the decision making process that was not currently supported by the data mobilization, which the analysis of the information did not allow to reach the level of Detail for decision making. The central objective of this work is to provide a solution to the problem of the information needs for the decision making of the Secretariat, Laboratory Headquarters, Units or production areas of the central laboratory of the FAP, which consists of implementing the Intelligence Using the BI platform "Power BI" which is a collection of software services, applications and connectors that work

6

together to convert unrelated data sources into coherent, interactive and visually appealing information. For the development of this project the mixed research technique was applied, because this involves the collection and processing of data. Whose general objective of this research is to answer the following question: How does the implementation of Power BI as a business intelligence solution Influence the decision-making process of the Demand and Productivity in the central laboratory of the Peruvian Area Force (FAP) of Lima-Peru?

7

INDICE INGENIERO DE SISTEMAS ............................................................................................ 1 ASESOR ............................................................................................................................... 1 LIMA – PERÚ ..................................................................................................................... 1 1

FORMULACION DEL PROBLEMA ................................................................................ 1 1.1

Planteamiento del problema.................................................................................. 1

1.2

Elaboración de preguntas de la investigación ................................................. 2

1.3

Justificación del estudio ........................................................................................ 2

1.4

Objetivos de la investigación ................................................................................ 5

1.4.1

Objetivo General. .............................................................................................. 5

1.4.2

Objetivos Específicos. .................................................................................... 5

1.5 2

MARCO TEÓRICO ............................................................................................................ 5 2.1

Antecedentes de la investigación ........................................................................ 5

2.1.1

Antecedentes Nacionales .............................................................................. 5

2.1.2

Antecedentes Internaciones........................................................................ 14

2.2

Bases teóricas de las variables .......................................................................... 24

2.2.1

Power BI ............................................................................................................ 24

2.2.2

Business Intelliguence.................................................................................. 26

2.3

3

Aportes ........................................................................................................................ 5

Definición de términos básicos .......................................................................... 30

2.3.1

Sistemas transaccionales OLTP ................................................................ 30

2.3.2

Online Analytical Prcessing ........................................................................ 31

2.3.3

Data Warehouse.............................................................................................. 32

2.3.4

Data Mart........................................................................................................... 33

2.3.5

Dimensiones .................................................................................................... 34

2.3.6

Métricas............................................................................................................. 35

2.3.7

Indicadores ...................................................................................................... 36

METODOS Y MATERIALES .......................................................................................... 36 3.1

Hipótesis de la investigación .............................................................................. 36

3.1.1

Hipótesis General ........................................................................................... 36

3.1.2

Hipótesis Específicas .................................................................................... 36

3.2

Variables de estudio. ............................................................................................. 37

3.2.1

Definición conceptual ................................................................................... 37

3.2.2

Definición operacional .................................................................................. 39

3.3

Diseño de la investigación ................................................................................... 40

3.4

Población y muestra de estudio ......................................................................... 41 8

3.4.1

Población .......................................................................................................... 41

3.4.2

Muestra ............................................................................................................. 41

3.5

3.5.1

Técnicas ............................................................................................................ 41

3.5.2

Instrumentos.................................................................................................... 42

3.6 4

7

Presupuesto............................................................................................................. 43

V. REFERENCIAS .......................................................................................................... 45 5.1

6

Métodos de análisis de datos ............................................................................. 43

IV. ASPECTOS ADMINISTRATIVOS ........................................................................... 43 4.1

5

Técnicas e instrumentos de recolección de datos........................................ 41

BIBLIOGRAFICAS .................................................................................................. 45

ANEXOS:........................................................................................................................... 46 6.1

Organigrama ............................................................................................................ 46

6.2

Mapa de Ubicaciones ............................................................................................ 46

6.3

Proceso Actual ........................................................................................................ 47

6.4

Diagrama de Casos de Uso del Planteamiento de Problema ..................... 47

6.5

Proceso con la Solución ...................................................................................... 48

6.6

Diagrama de Casos de Uso para el Proceso Propuesto .............................. 48

6.7

Diagrama de Clase de Indicadores de Demanda y Productividad ............ 48

Anexo 1: Matriz de consistencia ............................................................................... 49 7.1

Porque Elegir Power BI ......................................................................................... 50

7.2

Cuadrante de Gartner ............................................................................................ 51

7.3

Comparación de Proveedores de BI ................................................................. 52

9

1

FORMULACION DEL PROBLEMA

1.1 Planteamiento del problema Actualmente el laboratorio central de la FAP, cuanta con un LIS implementado en todas las áreas(Inmunología, Hematología, Banco de Sangre, Bioquímica, Microbiología y Emergencia) el cual le permite contar con la información centralizada logrando automatizar todos los Analizadores evitando el error humano, donde todas las muestras son etiquetadas con códigos de barras para luego ser procesada en los equipos médicos en cada una de las áreas analíticas. Actualmente no se cuenta con movilización de datos a pesar que cuenta con algunos reportes generales que es obtenido por el LIS que se tiene conectado con el HIS o en todo caso designan un personal para hacerlo en un Excel para brindar la información. A pesar de contar con LIS de Laboratorio, la FAP no cuenta con una herramienta que le muestre la información con mayor detalle para lograr un mejor desempeño del Laboratorio logrando llegar al nivel de detalle para la toma de decisiones. La visualización de la información es limitada y no muy clara porque la toma de decisiones se hace en base al Excel manual o con base a la experiencia (historia) y suposiciones.

En la reuniones gerenciales o departamentales que se llevan a cabo, se requiere contar con información ágil, la cual sin contar con una herramienta de apoyo que brinda la información optimo podría llegar a demorarse incluso días o semanas debido al gran volumen de datos que se maneja. La toma de decisiones en el laboratorio central de FAP, se debería manejar de forma estratégica e inmediata, pero al realizarse estos procesos de manera manual, existe un retardo en tiempo de entrega de los resultados que repercute en demora en la toma de decisiones que ocasionan una pérdida competitiva. Mediante los indicadores presentados con la solución, permitirá la movilización de la información, es decir a partir de un hallazgo se logrará tener información con mayor detalle y mayor soporte para la toma de decisiones a nivel directivo. 1

Mediante la combinación de las métricas se puede mejorar el desempeño del laboratorio.

1.2 Elaboración de preguntas de la investigación 1.3 Justificación del estudio Hoy en día la información es uno de los activos potencialmente más valiosos en una institución. Por ende, llevar la información en conocimiento es indispensable para la toma de decisiones con oportunidad y eficacia. La ausencia de información y conocimiento hacen que las empresas tomen decisiones a través de la experiencia(historia) y suposiciones. Esto puede causar errores y costos en las decisiones que se tomen a cerca de los Analizadores, Productividad, Pacientes, Donantes, etc.

Una empresa que no invierte en tecnología y no haga análisis de la información que generan los diferentes sistemas entre los diferentes sistemas de información no tendría factible el darse cuenta de los mínimos detalles, aún más cuando se tienen miles de pacientes y procesos que afectan la toma de decisiones. Una de las variables que se requiere controlar es la Demanda donde es la carga

de trabajo del laboratorio y permite definir los costes e ingresos del mismo. El indicador de la Demanda se obtiene a partir del número de pacientes, muestras y análisis únicos solicitados y obtenidos en el periodo de tiempo seleccionado. El seguimiento de la Demanda a lo largo del tiempo ayuda a al Laboratorio a identificar cambios en:

-

el número total de muestras

-

la solicitud de patrones por muestra

-

el grupo de análisis o muestras de un tipo específico

-

el número de muestras recibidas por procedencia

El número de pacientes, muestras y análisis recibidos durante el periodo de tiempo seleccionado se visualiza en gráficos de barras en el panel Carga de trabajo. El volumen total aparece indicado en la esquina superior derecha de cada gráfico junto con el cambio neto en el volumen respecto al periodo de 2

tiempo anterior. En función de la duración del periodo elegido, el panel Carga de trabajo puede servir para comprender las tendencias a corto y largo plazo de la carga del laboratorio. El número de pacientes, muestras o análisis procesados por día se visualiza en el gráfico de barras del Volumen diario para el periodo de tiempo seleccionado. Al seleccionar una determinada fecha en el gráfico del Volumen diario se muestra el gráfico de barras del Volumen por hora. Los gráficos referidos al Volumen diario/por hora pueden ser de utilidad para identificar e investigar las tendencias de la carga de trabajo del laboratorio con un elevado grado de granularidad de los datos. El filtrado de los datos a través de los menús desplegables situados en la parte superior del panel del Volumen diario puede ser de utilidad para identificar las tendencias o anomalías en subconjuntos de datos específicos (por ejemplo, determinados casos de prioridad de muestras, tipo de muestras, etc.). La estadística de la Distribución de la carga de trabajo puede ser útil para llevar un seguimiento del crecimiento o intensidad de trabajo del laboratorio respecto a periodos anteriores. El cambio en la Demanda del laboratorio filtrado por tipo de análisis (p. ej. bioquímica clínica, hematología, etc.) se visualiza en el panel Volumen por tipo de análisis para el periodo de tiempo seleccionado. El volumen del laboratorio y el porcentaje del volumen total se visualizan en la tabla para cada tipo de análisis y para el periodo de tiempo actual y anterior. El volumen del laboratorio se registra por tipo de análisis a lo largo del periodo de tiempo actual y anterior en el gráfico de líneas correspondiente. Este gráfico de líneas puede ser de utilidad para identificar y realizar un seguimiento de las tendencias a corto y largo plazo o estacionales y de las anomalías en cuanto a la solicitud de patrones del tipo de análisis. Determinados tipos de análisis pueden tener gran impacto en los ingresos, y la Demanda de estos tipos de análisis puede servir para identificar los patrones de tendencias/ingresos. Mientras la Productividad del laboratorio que es la relación entre las entradas y salidas del laboratorio. Se emplea como una medida de la 3

eficiencia y la eficacia con la que se aprovechan los recursos del laboratorio, y puede ser de utilidad como indicador del valor de la inversión del laboratorio en tecnología. El indicador de la Productividad se obtiene a partir de los datos de las solicitudes de análisis y de los resultados (deducidos del indicador de la Demanda). El seguimiento de la Productividad mínima y máxima a lo largo del tiempo permite al laboratorio identificar: -

El impacto de los esfuerzos para mejorar la productividad del personal

-

El alcance de las mejoras necesarias

-

Como parámetro de productividad, especialmente si se mide en varias áreas del laboratorio.

El número de pacientes, muestras y análisis por Hora-empleado completado por el laboratorio durante un periodo de tiempo seleccionado se muestra en el gráfico de líneas dentro del panel Carga de trabajo por Hora-empleado. El número total de pacientes, muestras y análisis en el periodo de tiempo seleccionado se muestra como barras grises en el gráfico. El impacto que tienen los cambios de la Demanda sobre la Productividad puede conocerse a través de la monitorización del parámetro Carga de trabajo por Horaempleado a lo largo del tiempo. Una Carga de trabajo por Hora-empleado estable (independientemente de los cambios en la carga de trabajo del laboratorio) puede indicar constancia en la Productividad del laboratorio. Las mejoras en la Productividad pueden tener un impacto positivo en el coste por análisis.

Podemos decir entonces que al implementarse el BI con una herramienta gratuito como es Power BI, se llevan a cabo mejoras en el procesamiento de los datos del laboratorio mostrando la información detallada con gráficos en tiempo real, para tener más transparencia y de esta manera anticiparse a problemas como evitar sobrecarga de trabajo ineficiencia en los procesos pre analíticos y Analíticos del Laboratorio. Los Laboratorios más grandes y competitivas no son las que más elementos físicos y/o activos físicos tienen

4

sino las que centralizan, depuran, analizan la información, generando conocimiento de apoyo a través de los indicadores para la toma de decisiones.

1.4 Objetivos de la investigación 1.4.1 Objetivo General. ¿De qué manera la Implementación de Power BI como solución de inteligencia de negocios Influye en el proceso de toma de decisiones de la Demanda y Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú? 1.4.2 Objetivos Específicos. ¿De qué manera la Implementación de Power BI como solución de inteligencia de negocios Influye en el proceso de toma de decisiones de la Demanda en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú?

¿De qué manera la Implementación de Power BI como solución de inteligencia de negocios Influye en el proceso de toma de decisiones de la Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú?

1.5

Aportes

2 MARCO TEÓRICO 2.1 Antecedentes de la investigación 2.1.1 Antecedentes Nacionales Según (Córdova 2013), en su tesis de la Pontificia Universidad Católica Del Perú titulada “análisis, diseño e implementación de una solución de inteligencia de negocios para el área de importaciones en una empresa comercializadora/importadora”; en la cual resume: El presente proyecto de tesis consiste en analizar, diseñar e implementar una solución de inteligencia de negocios, que permita realizar el análisis a nivel gerencial del área de Importaciones y Logística dentro de una empresa que 5

comercializa e importa bienes y que tenga implantado un ERP para las operaciones dentro de sus diversos procesos de negocio. La solución consiste en una serie de elementos gráficos, flexibles y de acceso eficiente a los datos ofrecidos desde distintos orígenes; permitiendo con ello, lograr un análisis adecuado de los datos por volumen y distribuirlos por distintos filtros como fechas, ubicación geográfica, proveedores internacionales, entre otros y dar la facilidad a los usuarios para que interpreten mejor dicha información. De igual modo, la solución permitirá a los usuarios de la alta dirección de las organizaciones de este tipo de empresas tomar mejores decisiones a nivel de gestión en relación a las compras de importación (Córdova 2013). Así mismo concluye: •

Se cumple con el objetivo de realizar las coordinaciones necesarias con las

áreas

involucradas

para

el

levantamiento

respectivo

y

el

correspondiente análisis del problema en la empresa de estudio. Se definieron las reglas del negocio, y se estructuraron las prioridades e indicadores claves que se fundamentarán en los reportes a elaborarse dentro de la solución. Se analizaron y desarrollaron los requerimientos funcionales y no funcionales de cada área involucrada (Córdova 2013). •

La selección de una arquitectura adecuada permite el desarrollo de un sistema de manera rápida y organizada. Para el caso, se logra que el acceso a datos, la lógica de negocio y la interfaz gráfica sean componentes independientes, lo cual permite un sistema flexible y de fácil mantenimiento. De esta forma si se desea por ejemplo cambiar base de datos por algún motivo, este cambio ocasionaría un impacto mínimo en los componentes. La correcta administración y ejecución de los componentes dentro de la fase de extracción como en la explotación garantizan la eficiencia para la captura los datos desde su origen hasta llevarlos hasta el repositorio del datamart (Córdova 2013).

•

Se desarrolló el mapeo respectivo para la extracción, transformación y carga de todos los elementos correspondiente a los datamarts que incluyen la solución de inteligencia de negocios implementada. Se

6

definieron los lineamientos de comparación de arquitecturas y de motores de búsqueda para que se obtenga el óptimo desempeño. El tiempo invertido en las etapas de análisis y diseño minimiza riesgos en la implementación y reduce pérdidas de tiempo, debido a que una acertada definición de funcionalidades permite que los cambios posteriores sean mínimos. Por ejemplo, si se hubiese realizado un análisis rápido y no concienzudo del diagrama de clases, se habrían presentado muchos problemas en la fase de construcción de la jerarquía de bloques, debido a la complejidad presentada (Córdova 2013). •

Cada fase del proyecto fue ejecutada sobre una base metodológica enfocando la gestión de alcance, calidad y tiempo de la metodología PMBOK. El uso de esta metodología para el manejo del proyecto de tesis y los conocimientos en la metodología de programación del ciclo de vida de Ralph Kimball hicieron que se enfoque correctamente las necesidades y cambios dentro del entorno físico y técnico de la solución durante el proceso del mismo (Córdova 2013).

•

El desarrollo de los procesos de extracción transformación y carga son los apropiados según la información requerida por el área.

•

Se diseña un modelo dimensional adecuado según la cantidad y la profundidad de datos que requiere la organización y posee el datamart (Córdova 2013).

•

Las ejecuciones de las consultas de los usuarios fueron debidamente empaquetados para su correcta configuración personalizándose según las necesidades de cada área. La interfaz de consulta es flexible para cada ejecución de los usuarios finales, pero existe una configuración inicial base para las consultas básicas la cual se mantiene almacenado como también la configuración de seguridad para el acceso pertinente de cada tipo de usuario (Córdova 2013).

Según (Savala y Inca 2016), en su tesis de la Universidad Autónoma del Perú titulada “Desarrollo de una solución de inteligencia de negocios para la mejora del proceso de toma de decisiones en el área de administración tributaria de la municipalidad distrital de san bartolo”, que resume: La presente tesis trata sobre el desarrollo de una solución de Inteligencia de Negocios, dicha herramienta nos permitirá mejorar el proceso de toma de decisiones en el área de Administración 7

Tributaria de la Municipalidad Distrital de San Bartolo, haciendo uso de la metodología de Ralph Kimball. El área de Administración Tributaria de la Municipalidad Distrital de San Bartolo diariamente maneja grandes cantidades de información, pero debido a que su sistema actual no soporta el adecuado manejo de grandes volúmenes de información, se establece que en dicha área tiene el inconveniente de usar toda esa información que sirva de apoyo a la toma de decisiones de la gerencia. El proceso de obtención de los reportes es muy tardío y genera esfuerzo innecesario en el personal encargado de la obtención de los reportes solicitados por la gerencia. Por lo antes mencionado es que se plantea el desarrollo de una solución de Inteligencia de Negocios, que nos permitirá reducir los tiempos en el proceso de obtención de los reportes y a su vez disminuirá el esfuerzo desplegado en dicho proceso. En conclusión, la solución final nos mostrará una serie de reportes que permitirán al usuario visualizar el estado actual e histórico de las recaudaciones y las deudas, y en base a ello el gerente podrá tomar decisiones acertadas y plantear nuevas estrategias (Savala y Inca 2016). Así mismo concluye: •

Se observa que se logró reducir el tiempo empleado para generar los reportes en el área de Administración Tributaria en un 96 % aproximadamente (Savala y Inca 2016).

•

Se observa que se logró reducir en un 67 % aproximadamente el tiempo que el gerente de Administración Tributaria empleaba en el análisis de la información obtenida en los reportes (Savala y Inca 2016).

•

Se observa que se logró incrementar en un 75 % aproximadamente el número de reportes generados al día (Savala y Inca 2016).

•

Se observa que se logró incrementar en un 63 % aproximadamente el nivel de satisfacción del gerente de Administración Tributaria respecto al proceso de obtención de los reportes (Savala y Inca 2016). 8

•

Con el desarrollo de la solución de Inteligencia de Negocios se logró mejorar el proceso de Toma de Decisiones en el área de Administración Tributaria de la Municipalidad de San Bartolo (Savala y Inca 2016).

•

Se establecieron las condiciones claras de confidencialidad en el contrato con el proveedor del servicio en la Nube, donde se garantiza que la información almacenada no será sustraída ni interferida por terceros o personas ajenas al área de Administración Tributaria (Savala y Inca 2016).

Según (Rojas 2014), en su tesis de la Universidad de San Marín de Porres titulada “implementación de un data mart como solución de inteligencia de negocios, bajo la metodología de ralph kimball para optimizar la toma de decisiones en el departamento de finanzas de la contraloría general de la república”; que resume: El proyecto surge por la necesidad de los usuarios del Departamento de Finanzas de la Contraloría General de la República para acceder a información confiable de manera rápida. Al tener esta información disponible, los usuarios se pueden centrar en realizar el análisis desde diversos puntos de vista y determinar las acciones que crean conveniente para mejorar su gestión. El procedimiento a realizar por los usuarios para acceder a esta información, es solicitar al Departamento de Tecnologías de la Información, la exportación de datos de la base de datos, luego, estos son proporcionados en un archivo Excel, y después, son depurados, ordenados, organizados y clasificados. El proceso desarrollado manualmente genera diversos problemas, tales como: dependencia del Departamento de Tecnologías de la Información, generación de información con una alta posibilidad de error (proceso manual), inversión de tiempo en procesos mecánicos e Información dispersa en archivos de Excel, dificultando la consulta de datos históricos. El proyecto propone la implementación de una solución de inteligencia de negocios para el Departamento de Finanzas de la Contraloría General de la República, de modo que, esta herramienta automatice el procedimiento que ha sido explicado en el párrafo anterior, y que, en un entorno amigable, permita a los usuarios acceder a información de mejor calidad, más confiable, en menor 9

tiempo y en un repositorio que facilite acceder a información histórica (Rojas 2014). Así mismo concluye: •

Se logró identificar los procesos que permiten llevar a cabo la toma de decisiones, admitiendo se realice un análisis de los requerimientos de la empresa (Rojas 2014).

•

Se estudió el Departamento de Finanzas de la CGR, estableciendo de manera correcta, las medidas que se utilizan en la realización de reportes para la toma de decisiones (Rojas 2014).

. •

Se analizó y seleccionó los datos indispensables para el desarrollo la solución de inteligencia de negocios, lo que garantizó la validez y calidad de los mismos (Rojas 2014)

•

Se construyó un modelo de datos OLAP, que permitió ejecutar las consultas, a partir de información previamente procesada, obteniendo como resultado la flexibilidad al usuario al realizar las diferentes consultas pre elaboradas. Además, se efectuaron las pruebas, para corregir los errores siguiendo la solución de inteligencia de negocios (Rojas 2014).

•

Se diseñó las interfaces, mediante la herramienta QlikView para desplegar el cubo OLAP (Rojas 2014).

Según (Tuñoque y Vilchez 2016) en su tesis de la Universidad Señor de Sipan titulada “Aplicación de inteligencia de negocios haciendo uso del data Warehouse 2.0 en la empresa constructora Beaver para mejorar el proceso de control de información de los centros de costos”, que resume: La presente Tesis tiene por finalidad implementar una Aplicación de Inteligencia de Negocios utilizando Data WAREHOUSE para mejorar la Administración de Datos de los Centros de Costos de la empresa Constructora Beaver L & C S.A.C. Actualmente la empresa no tiene una herramienta que permita analizar el historial de las liquidaciones, actividades de obra in situ, Resumen de Presupuestos de cada uno de los Centros de Costos que hay a nivel nacional.

10

A esto se le suma el desconocimiento de liquidez con que cuentan actualmente los Centros de costos y en forma general cuánto dinero se está manejando y gastando. No se tienen estadísticas de las operaciones de obra que se realizan en los centros de costos. Por lo expuesto se plantea la siguiente interrogante: ¿De qué manera se puede desarrollar Inteligencia de Negocios para la administración de datos de los Centros de Costos de la empresa Constructora BEAVER L & C S.A.C? La finalidad de esta investigación es: Implementar una Aplicación de Inteligencia de Negocios utilizando Data WAREHOUSE para mejorar la Administración de Datos de los Centros de Costos de la empresa Constructora Beaver L & C S.A.C. La hipótesis planteada es: Se aplicó Data WAREHOUSE para el desarrollo de Inteligencia de Negocios, mejorando así la administración de datos de los Centros de Costos en la empresa constructora BEAVER. La elaboración de esta aplicación permitirá utilizar los datos almacenados en el tiempo (información histórica) con el fin de encontrar esquemas e indicadores que sirvan como fuente de consulta a la alta gerencia para tomar decisiones más acertadas el cual contribuyan alcanzar la misión y visión de la organización. La metodología se basa en el Ciclo de Vida Dimensional del Negocio de Kimball (Tuñoque y Vilchez 2016). Así mismo concluye: •

Se analizó la situación interna de la empresa Beaver y se constató que cuenta con reportes de un sistema transaccional cuya valoración por la alta gerencia es de impacto bajo (Tabla 03), es decir que no tiene un aporte significativo como soporte o apoyo en la toma de decisiones, y con respecto (Tuñoque y Vilchez 2016).

•

Se pudo constatar que los indicadores actuales de la empresa Beaver son Reporte de proveedores, gastos, ingresos, liquidaciones, actividades de obra in situ y su impacto es bajo en promedio para el apoyo en la toma de decisiones. Según la alta gerencia (Tuñoque y Vilchez 2016).

•

Se aplicó el proceso ETL, el cual permitió desarrollar y obtener importantes indicadores como, por ejemplo: CUBO OLAP: Liquidaciones de Centros de costos por responsable; CUBO OLAP: Reporte de gastos totales; CUBO OLAP: Reporte Global de Liquidaciones de Centro de costos con Semáforo. Todos estos indicadores están catalogados por la 11

alta gerencia como excelentes por ser un soporte esencial para la toma de decisiones (Tuñoque y Vilchez 2016). •

Se organizó la información de las liquidaciones de los centros de costos basado en un modelo multidimensional desarrollando así una aplicación como es Inteligencia de Negocios, el cual permite mostrar indicadores en tiempo real cuyo impacto valorado por la alta gerencia es alto o excelente porque permite ser un buen apoyo o soporte para la toma de decisiones como, por ejemplo: realizar desembolsos urgentes a centros de costos cuya liquides esta por agotarse o agotado (Tuñoque y Vilchez 2016).

•

Finalmente se aplicó las interfaces basadas en código generado por ASP.net,

específicamente

formatos

con

aspx,

la

cual

muestra

intuitivamente los reportes basados en cubos OLAP (Tuñoque y Vilchez 2016). Según (Gutiérres 2014),en su tesis de la Universidad Peruana de Integración Global titulada “Implantación de business intelligence como mejora en la gestion académica del área de coordinación académica de la upig, surco 2015”, que resume: La presente investigación busca explicar en forma muy sencilla que es: “Business Intelligence” o “Inteligencia de Negocio”, su estructura y aplicaciones en la empresa. Este Proyecto está orientado a universidad UPIG específicamente en parte académica el cual tendrá como herramienta para el desarrollo a SQL SERVER 2008R2. Ya que en la institución en estudio no existe una aplicación gerencial que permita tomar decisiones mediante la visualización de información resumida y concreta. Este permitirá tener información a tiempo para ello se realizara un proyecto de inteligencia de Negocios. La inteligencia de Negocios es el análisis de los datos de la empresa, mediante la cual se transforman en información estratégica para el apoyo de la toma de decisiones gerenciales, para ello brinda una serie de herramientas tecnológicas, de consultoría y estrategia. Al contar con la información exacta, en tiempo real, es posible tomar las decisiones y correcciones necesarias antes de que se conviertan en problemas. Las empresas implementan la inteligencia de negocios para comprender y 12

analizar los patrones de comportamiento ingresos, Seguimiento Académicos de estudiantes y docentes, con el fin de identificar las oportunidades de crecimiento. Por lo tanto, cuanto más relevante y útil sea la inteligencia de negocios para la empresa, mejores serán las decisiones que se puedan tomar y mayor será su ventaja competitiva. La orientación de las empresas va hacia sistemas que permitan unificar y administrar su información de manera inteligente. La construcción de una aplicación de soporte a la toma de decisiones este implica la implantación de un Datamart que abarca un área específicamente como es la parte académica del estudiante de la universidad. Por lo tanto, la implementación de Datamart hacia la inteligencia de negocios se realizará en la plataforma SQL SERVER 2008R2 con Analysis Services. El objetivo central de este trabajo, es dar una solución al problema de las necesidades de información para la toma de decisiones de las autoridades y Coordinadores de la UPIG que consiste realizar la implantación de Inteligencia de Negocios usando la plataforma SQL SERVER 2008R2. Para el desarrollo de este proyecto se aplicó la técnica de investigación mixta, porque ésta consiste en la recopilación y tratamiento de datos. Los métodos de investigación que se utilizaron son de investigación analítico-sintéticos e inductivo-deductivos. Las principales conclusiones arrojadas establecen que, Business Intelligence es la habilidad para transformar los datos en información, y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones (Gutiérres 2014). Así mismo concluye: •

Se demostró que con la ayuda de BI mejoro la creación de reportes (Gutiérres 2014).

•

Se demostró que la ayuda de BI incremento la cantidad de tomas de decisiones en el mes (Gutiérres 2014).

•

En la UPIG se obtendrán grandes beneficios al utilizarse el DataMart académico, puesto que se podrá analizar el comportamiento de los 13

estudiantes se podrá tomar mejores decisiones en cuanto al uso de los recursos (Gutiérres 2014). •

El desarrollo de los procesos de extracción, transformación y carga son los apropiados según la información requerida por los directores de carrera (Gutiérres 2014).

• El uso de los indicadores Académicos permitirá realizar el proceso de elaboración de las estrategias para mejorar las decisiones (Gutiérres 2014). 2.1.2 Antecedentes Internaciones Según (Acosta y Flores 2015), en su tesis de la Universidad Católica de Colombia titulada “diseño e implementación de prototipo bi utilizando una herramienta de big data para empresas pymes distribuidoras de tecnología”, que resume: Hoy en día uno de los principales activos de las organizaciones es la información con la que se cuenta y el conocimiento de la misma. Esta se consolida a partir de datos de los clientes, proveedores, servicios, productos, competencia, etc. Pero ya no se trata solo de datos, las empresas normalmente tienen toda esta información en diferentes fuentes, por lo cual se requiere herramientas y estrategias que permitan extraerla y analizarla para obtener este importante activo para las empresas – el conocimiento. La inteligencia de negocios – BI – “Es la habilidad para transformar los datos en información, y la información en conocimiento, de forma que se pueda optimizar el proceso de toma de decisiones en los negocios”1. El engranaje principal que le da fuerza a la máquina de BI es generar conocimiento a partir de datos en sistemas de información, que toda empresa tiene usualmente alojada en diversas bases de datos de la compañía. El análisis de la información se convierte en un factor decisivo para la toma de decisiones para las empresas. 1 SINNEXUS En la actualidad, bajo el término Business Intelligence, “se reconoce como el valor de suministrar hechos e información como soporte a la toma de decisiones”2. El termino Big data se define como – “la tecnología que se usa para administrar, recopilar y guardar los datos”3. Al tener toda la información de algo en particular

14

ya no se habla de un solo dato sino de un hecho que permite conocer y prever un momento basado en su análisis, un conocimiento preciso. Al conocer la información de datos anteriores no se habla de pronosticar lo que va a suceder sino de adelantarse a hechos que se repiten con el tiempo. Con este proyecto, buscamos generar un punto de partida mediante un prototipo que sirva de referente y como una propuesta de innovación para las pymes distribuidoras de tecnología que las proyecte a ser más competitivas en el mercado cada vez más exigente. Basándonos en estudios como los de computerworld – los 50 grandes de la informática - donde podemos ver el “crecimiento en el mercado de tecnología y la participación en el mismo que tienen las PYMES”4 (Acosta y Flores 2015). Así mismo concluye: 

Luego del diseño e implementación de este prototipo se puede comprender como las empresas que utilicen la información para su análisis y generación de conocimiento toman una base del buen rumbo a tomar en el mercado ya que les permite poder apoyarse para tomar decisiones del mismo (Acosta y Flores 2015).



Destacando el papel primordial y fundamental que hace el Business Intelligence con el respaldando Big data en la aportación de conocimiento y en toma de decisiones. Con este modelo la empresa estaría en capacidad de saber en todo momento cuál es el estado de la fuerza de ventas, analizar la rentabilidad por marcas, productos, etc. Según sea la necesidad en su momento, les permitirá tener un poder de observar la empresa como un todo. Los Indicadores que se configuren como principales proporcionan alertas en el rendimiento de cada proceso que la empresa quiera aplicar, todo esto con el fin de llevar a la empresa a su crecimiento y manejo del mercado (Acosta y Flores 2015).



En el trayecto del desarrollo de la tesis buscamos que este prototipo sea una puerta de acceso a estos términos para cualquier negocio incluyendo las grandes empresas como las medianas, puesto que no sería necesario un gran presupuesto para su implementación, ni el uso sofisticado de aplicaciones. Siendo este uno de los más interesantes ítems que una solución Business Intelligence con la ayuda de una herramienta de Big data que permita a empresas tener las mismas capacidades y potencial 15

de rendimiento que un software más sofisticado, para que como en el caso de la empresa de ejemplo se puedan enfocar en otros aspectos como sería su producción y ventas (Acosta y Flores 2015). 

Por otro lado, al realizar este proyecto permite conocer en más profundidad el concepto de Big data de la mano de Business Intelligence. Saber sus orígenes, qué conceptos se encuentran incluidos en él, las técnicas y diferentes herramientas, aplicación de todos estos conceptos y lo más importante la práctica hacia el reto de la laboral (Acosta y Flores 2015).



Se logra que la empresa donde se implementó tuviera un conocimiento no solo de los términos manejados sino llegar a pensar en posibles cambios de estructura para que este recurso valioso como lo es la información sea de su apoyo diario y no sea visto como solo almacenamiento (Acosta y Flores 2015).



El éxito de este desarrollo es fundamentalmente, en el análisis por productos, marcas y clientes que la solución ofrece, reduciendo el elaborar informes a pocos pasos y tiempo. Además se obtiene una manera más dinámica para análisis de información clave para la organización y la generación de alertas posibles que impacten en los indicadores (Acosta y Flores 2015).

Según (Valera y Quispe 2015), en su tesis de la universidad Privada Antenor Orrego titulada “Solución de inteligencia de negocios en la nube bajo la plataforma de microsoft azure y power bi para el proceso de ventas de la empresa book center s.a.c.”, que resume: Books Center librerías es el día de hoy una empresa referente en el ámbito de venta de libros. Con más de 15 años de experiencia, Books Center se ha convertido en un espejo para otras muchas librerías por su sistema de gestión cuidado, moderno y fácilmente adaptable a las circunstancias del mercado, primando, antes, ahora y después, las necesidades del cliente, otorgándole a éste, la oportunidad de conseguir cultura al mejor precio. La empresa Book Center S.A.C necesita mantenerse a la vanguardia de la tecnología para ser líder en el norte del País brindando una mejor atención a sus clientes con diagnóstico temprano y certero a la disposición oportuna de 16

información, permitiendo el mejor control y gestión de ellas. Es por ello que presentamos esta herramienta tecnológica; que permitirá brindar un soporte a las tomas de decisiones para la empresa con información confiable, precisa y oportuna. Teniendo como problemática que los sistemas con los que cuenta la empresa, no fueron desarrollados con el fin de brindar síntesis, análisis, consolidación, búsquedas de datos y algunos datos se encuentran en diferentes fuentes. Los reportes que se emiten son entregados fuera de tiempo y, a la vez también son analizados fuera de fecha, lo que ocasiona un retraso en la toma de decisiones. Ante este problema la solución que se propone solución de inteligencia de negocios en la nube bajo la plataforma de Microsoft Azure y Power BI para el proceso de ventas de la empresa que apoye a la Gerencia brindando información valiosa que dé soporte a la hora de tomar decisiones. Para cumplir con esta necesidad, se utilizó la metodología de Ralph Kimball, SQL Server 2012, Microsoft Azure en la implementación del Data Mart dando como resultado el trabajo que se presenta en este proyecto. Permitiendo brindar un mejor análisis de los datos que maneja la empresa. Este análisis es dinámico, permite que los datos sean accesibles de la forma como el usuario piensa analizarlo. El Data Mart permite a la Gerencia desarrollar estrategias más efectivas (Valera y Quispe 2015). Así mismo concluye: 

Se elaboró el marco teórico respecto al trabajo evolutivo sobre la base de datos en la nube de Microsoft basada en soluciones de inteligencia de negocios (Valera y Quispe 2015).



Se determinó que el alcance del proyecto está en el área de Ventas obteniendo 10 requerimientos que la gerencia necesita, en base a las entrevistas (Valera y Quispe 2015).



Con el análisis de los requerimientos se logró identificar la jerarquía de los datos en cada consulta hecha por el usuario determinando el modelo de datos Starnet.(Ver pág. 55 y 56) (Valera y Quispe 2015).



Al realizar el diseño se identificaron 1 tablas hecho y 6 dimensiones (Valera y Quispe 2015). 17



La construcción del Datamart se realizó utilizando las herramientas de SQL Server 2012, como son SQL Server Data Tools (Business Intelligence Development) y Microsoft Azure (Valera y Quispe 2015).



Se realizaron las pruebas sobre los requerimientos a fin de garantizar el correcto funcionamiento del Datamart, estas pruebas se realizaron utilizando el Power BI en Excel 2013 (Ver Pág. 107) (Valera y Quispe 2015).

Según (Sanchez 2014), en su tesis de la Universidad Nacional Autónoma de México titulada “análisis de información y toma de decisiones para administración de negocios”, que resume: La presente tesis tiene como objetivo mejorar la visión del negocio, en específico del área de Ventas, por medio del análisis de información, además de detectar por medio de indicadores la eficiencia del área. Esto es importante para la toma de decisiones en las empresas, ya que hoy día, pueden presentar pérdidas considerables por no interpretar de forma acertada las enormes cantidades de datos que generan, los cuales deberían de ser transformados en información relevante que ayude a mejorar la efectividad de la institución. Las Tecnologías de Información (TI) forman un papel importante en la vida cotidiana. Se han convertido en parte importante de nuestra vida y por tanto impactan con fuerza a las industrias y grandes empresas; las cuales tienen que recurrir a nuevos métodos tecnológicos para poder satisfacer las necesidades de negocio. Los sistemas de: Planificación de Recursos Empresariales, los de Administración de Relación con los Clientes y los de Recursos Humanos; son aplicaciones implementadas en las organizaciones que la mayoría de las ocasiones se encuentran desarrolladas en plataformas diferentes. A toda esta problemática, se le suman la producción de documentos impresos, archivos de diversas herramientas ofimáticas, entre otros, convirtiendo a las organizaciones en un mar de información, dificultando encontrar la información relevante para tomar decisiones en el proceso de negocio. La Inteligencia de Negocios o Business Intelligence analiza la información de la organización a fin de generar escenarios, pronósticos y reportes que son suministrados a los ejecutivos y analistas para la toma de decisiones. 18

Entre las áreas en que el uso de las soluciones de inteligencia de negocios aporta beneficios encontramos: Ventas (análisis de ventas, detección de clientes importantes,

análisis

de

productos,

líneas,

mercados,

pronósticos

y

proyecciones), Marketing (segmentación y análisis de clientes, seguimiento a nuevos productos), Finanzas (análisis de gastos, rotación de cartera, razones financieras) y Manufactura (productividad en líneas, análisis de desperdicios, análisis de calidad, rotación de inventarios y partes criticas). Los departamentos que se han enlistado son los más comunes, pero esto no delimita que sean los únicos, ya que en donde exista información, se puede implementar una solución de inteligencia de negocios. Este trabajo está conformado por cinco capítulos. En el primero de ellos se presenta el marco teórico de la inteligencia de negocios. En el segundo capítulo se ilustran las diferentes etapas por las que debe pasar todo proceso de Data Warehouse. En el tercer capítulo se muestra un ejemplo aplicando la metodología descrita para la construcción de un sistema de inteligencia de negocios. En el cuarto capítulo se realiza las pruebas de usabilidad y los resultados del sistema de inteligencia de negocio. Finalmente, las conclusiones sobre la implementación de sistema (Sanchez 2014). Así mismo concluye: 

La presente tesis expuso la implementación de un sistema de Business Intelligence, la cual puede ser aplicada a cualquier tipo de organización, tomando como sistema fuente un Data Warehouse montado en una base de Datos Oracle 11.2.0.1.0 y una herramienta de análisis Oracle Business Intelligence 11.1.1.6.0, el cual está basado en un Data Mart de Ventas. El sistema demostró que, mediante un Dashboard, puede determinar la tendencia de la empresa con respecto al tiempo, y si esta va en aumentado en los últimos años (Sanchez 2014).



Se conoce, además, quienes son los diez clientes más importantes en la empresa por año, país y canal de venta, además de saber a detalle las ventas por año, cliente, país, canal de venta, promoción y producto. Por otra parte por medio de un KPI se puede conocer qué canales de venta están cumpliendo con el objetivo de ingresos anualmente (Sanchez 2014).

19



Se logró tener un sistema confiable que brinda la información necesaria para la toma de decisiones. El enfoque dado está dirigido al área de ventas, pero no obstante se puede implementar la misma para cualquier área en la que se requiera hacer análisis (Sanchez 2014).



El aprendizaje obtenido consta de poder ver los datos de otra manera, transformarlos en información que sea útil y proporcionarla en el momento que sea necesaria, quiénes toman decisiones en las organizaciones hoy en día han de tener, si quieren obtener ventajas competitivas, un acceso rápido y fácil a la información estratégica del negocio. La información estratégica confiable puede medirse y monitorearse con facilidad además de compartirse en toda la organización (Sanchez 2014).



Una desventaja que se percibió en la implementación del sistema de Business Intelligence es el tiempo de respuesta de las consultas que genera el modelo de datos, mientras los sistemas transaccionales crecen en volumen de información las consultas tardan más tiempo en resolverse (Sanchez 2014).



El futuro del Business Intelligence es prometedor ya que entre las tendencias destacan el Real Time BI ( Inteligencia de Negocios en Tiempo Real) que se refiere a la capacidad de proporcionar información sobre las operaciones de un negocio tan pronto como éstas ocurran, Big Data que conceptualiza el movimiento de grandes cantidades de información, Mobile BI que proporciona la toma de decisiones desde cualquier lugar por medio de las tecnologías móviles y Social Media que ayudara a realizar análisis de las redes sociales (Sanchez 2014).



Tecnológicamente hablando el área de Business Intelligence representa un reto y una oportunidad para futuros ingenieros que deseen encontrar en los datos de las organizaciones información que cambie el futuro de las mismas (Sanchez 2014).

Según (Rodríguez 2017), en su tesis de la Universidad de Oviedo titulada “Metamodelo Para Integración De Datos Abiertos Aplicado A Inteligencia De Negocios”, que resume: El sector público, en el cumplimiento de sus funciones, genera, gestiona, sufraga y conserva una gran cantidad de información de calidad. Dicha información es potencialmente reutilizable tanto por los

20

ciudadanos como por las empresas. Esa información que obra en poder de las instituciones y administraciones públicas presenta un potencial económico y social enorme a la par que contribuye a la transparencia en la gestión pública y a la generación de confianza por parte de la ciudadanía. La finalidad de las iniciativas open data consiste en hacer públicos los datos en poder de las administraciones públicas y el sector privado para que puedan ser posteriormente reutilizados con la finalidad de generar nuevos conocimientos y aplicaciones que, en muchos casos, añadirán un valor al dato primario y contribuirán a potenciar la innovación. Este reciente paradigma provee a las empresas de enormes oportunidades para sacar provecho de diversos tipos de datos que contribuyan a la toma de decisiones acertadas y por ende mayores posibilidades de éxito en un entorno tan competitivo. La apertura de los datos conlleva beneficios para todos los que participan de ella: para los ciudadanos, para las empresas y para la propia administración. Para las empresas porque a partir de estos datos pueden diseñar y crear nuevos servicios y productos con los que se mejora su productividad y su competitividad; para los ciudadanos porque les permite estar mejor informados respecto a la gestión pública lo que contribuye a que tomen mejor sus decisiones; a la propia administración pública porque el hecho de proporcionar una mayor cantidad de información a sus ciudadanos permite a estos la búsqueda de soluciones a problemáticas para las cuales las instituciones no tienen tiempo ni recursos. El reto está en procesar cantidades enormes de datos y convertirlas en decisiones inteligentes y oportunas, por eso se hace necesario aprovechar esta importante oportunidad de crear valor al combinar y utilizar con eficacia conjuntos de datos de diversas fuentes. La Ingeniería Dirigida por Modelos es una propuesta que se ha venido trabajando desde hace varios años por diversos autores que plantean el uso de modelos como eje fundamental en todo el ciclo de vida de un proyecto de software que reduce el tiempo y esfuerzo en el desarrollo. Este es el camino propuesto para la presentación de un metamodelo, materializado en un lenguaje de dominio especifico, que a partir de una fuente de datos abiertos captura, transporta, transforma y analiza datos, y finalmente permite visualizar información que apoya la toma de decisiones (Rodríguez 2017). Así mismo concluye: 21



La arquitectura propuesta pretende contribuir al uso de los datos abiertos dispuestos por entes públicos o privados y proporcionar información valiosa para el apoyo de la toma de decisiones, sin embargo un aporte real dependerá de aspectos técnicos, semánticos y organizacionales (Rodríguez 2017).



Desde el punto de vista técnico, es necesario establecer parámetros comunes respecto a la información publicada, la calidad, el formato, las licencias, el procesamiento y la carga en cada sitio. Respecto a la semántica, el reto consiste en estandarizar los formatos y establecer un vocabulario de referencia estándar que las distintas administraciones pueden utilizar para facilitar la vinculación de los datos y ampliar el alcance a soluciones nacionales. Por último, desde el punto de vista organizativo, se requiere un fuerte liderazgo de la Administración pública para identificar cuáles son los datos que generan valor añadido, definir indicadores para medir y evaluar iniciativas y reconocer la importancia de los datos abiertos como motor de generación de beneficios económicos, la transparencia y la mejora de la interoperabilidad vertical y horizontal en las administraciones públicas (Rodríguez 2017).



La participación ciudadana real es esencial, la frustración y la falta de confianza en las instituciones en muchos países son altas, por lo que no es ninguna sorpresa cuando la gente expresa escepticismo respecto a que la apertura de los datos del gobierno contribuirá a solucionar problemas. Probablemente los problemas más difíciles de superar no son técnicos o semánticos, sino más bien aquellos relativos al entendimiento de que la información pertenece a todos y que el empoderamiento de las administraciones públicas es esencial para compartir su información con otros en este caso en particular actores de la cadena agroindustrial. En este sentido, la investigación sobre nuevos mecanismos que contribuyan a facilitar la búsqueda, extracción análisis y uso de datos abiertos es necesaria para aprovechar el potencial del Open Goverment Data (Rodríguez 2017).

22



Con la herramienta descrita es posible facilitar el uso de los datos abiertos disponibles por entes públicos y privados con el ánimo de aprovechar su potencial. Una de las necesidades más críticas del sector agroindustrial es consolidar la información. Los expertos consideran que el modelo podría ser una oportunidad y herramienta de cambio siempre y cuando los actores interesados la conozcan y participen activamente en su mejoramiento a partir de su experiencia. Una mejora de esta propuesta es la integración de los datos abiertos con datos propios de tal manera que el usuario pueda usar datos históricos y tomar decisiones a partir de la realidad de su quehacer y la realidad del ambiente en el que se desempeña (Rodríguez 2017).



En el capítulo 1 de este documento se plantearon un grupo de objetivos específicos, los cuales están estructurados con el fin de validar la hipótesis planteada, los mismos han sido cumplidos durante el desarrollo de esta tesis doctoral. Se presenta la contratación de los mismos (Rodríguez 2017).

Según (Oña 2013), en su tesis de la Universidad Central de Ecuador titulada “Estudio Y Diseño De Un Modelo De Inteligencia De Negocios Empresarial Y Desarrollo De Un Caso De Estudio Con La Herramienta Oracle Bi”, que resume: El proyecto planteado surge al ver como en la actualidad existen empresas que manejan gran cantidad de datos, pero a la hora de tomar decisiones, no tienen un alto grado de conocimiento que sirva como patrones de comportamiento para analizar y mejorar el desempeño de un negocio. Por esta razón se propone realizar el diseño de un modelo de Inteligencia de Negocios Empresarial junto al desarrollo de un ejemplo práctico como caso de estudio a través de la herramienta Oracle tanto para la base de datos como para el modelo de BI, y de esta manera facilite la realización de análisis tanto estratégicos como operativos a través del tiempo, permitiendo crear reportes dinámicos y ayudando a los directivos a mejorar la toma de decisiones así como el desempeño del negocio, agregándole valor a la empresa para que sea cada vez más competitiva y rentable (Oña 2013). Así mismo concluye:

23



La solución de Inteligencia de Negocios planteada para el presente proyecto cumple con los requerimientos establecidos en la etapa de análisis y diseño del modelo siendo de gran importancia para obtener la información que el personal necesita y así tomar decisiones acertadas para el negocio (Oña 2013).



Para toda solución de Inteligencia de Negocios es importante conocer el proceso de negocio del cual se va a realizar un modelo, el cual soporte los requerimientos solicitados por los usuarios (Oña 2013).



Al realizar el presente caso de estudio utilizando la metodología de Ralph Kimball en conjunto con la metodología SCRUM el tiempo empleado en su realización se acorta debido a los avances cortos y a los prototipos realizados además que es posible obtener información en cuestión de días a causa de los prototipos presentados como avances (Oña 2013).



La solución de Inteligencia de Negocios permite a los usuarios visualizar la información a través de los reportes de la Herramienta de BI de una manera más segura, evitando errores al manipular los datos si se realizaran reportes manuales (Oña 2013).

2.2 Bases teóricas de las variables 2.2.1 Power BI Es una colección de servicios de software, aplicaciones y conectores que funcionan conjuntamente para convertir orígenes de datos sin relación entre sí en información coherente, interactiva y atractiva visualmente. Tanto si se trata de una sencilla hoja de cálculo de Excel como de una colección de almacenes de datos híbridos locales o basados en la nube, Power BI le permite conectar fácilmente los orígenes de datos, visualizar

24

(o descubrir) lo más importante y compartirlo con quien quiera (Ccance 2017).

Figura 1 – Estructura de la herramienta de Power BI

Fuente: (Ccance 2017).

Las partes de Power BI Power BI consta de una aplicación de escritorio de Windows denominada Power BI Desktop, un servicio SaaS (software como servicio) en línea denominado servicio Power BI, y aplicaciones móviles de Power BI disponibles para teléfonos y tabletas Windows, así como para dispositivos iOS y Android (Ccance 2017).

Figura 2 – Las partes de la herramienta de Power BI 25

Fuente : (Ccance 2017). Ante este problema la solución que se propone solución de inteligencia de negocios en la nube bajo la plataforma de Microsoft Azure y Power BI para el proceso de ventas de la empresa que apoye a la Gerencia brindando información valiosa que dé soporte a la hora de tomar decisiones. Para cumplir con esta necesidad, se utilizó la metodología de Ralph Kimball, SQL Server 2012, Microsoft Azure en la implementación del Data Mart dando como resultado el trabajo que se presenta en este proyecto. Permitiendo brindar un mejor análisis de los datos que maneja la empresa. Este análisis es dinámico, permite que los datos sean accesibles de la forma como el usuario piensa analizarlo. El Data Mart permite a la Gerencia desarrollar estrategias más efectivas. (Valera y Quispe 2015).

2.2.2 Business Intelliguence Business Intelligence es un conjunto de conceptos, métodos, y tecnologías diseñadas para convertir los datos de una organización en información útil y, eventualmente, conocimiento. Con esta tecnología, cada miembro de la organización puede, en tiempo real, realizar análisis que se ajusten a sus necesidades para decidir líneas de actuación en función de los datos anteriores, o pronosticar de forma precisa resultados futuros (Rojas 2014). SQL Server 2008 es una plataforma escalable de Business Intelligence optimizada para la integración de datos, elaboración de informes y análisis que hace posible poner al alcance de todos usuarios la inteligencia empresarial. (Criptoy, 2014). Virtualización y consolidación de servidores: La virtualización de servidor, también conocida como virtualización de hardware, es un tema de plena actualidad en el mundo de IT debido a que permite reducir de manera drástica los costes y mejorar la agilidad de las organizaciones. Consolidación de servidores SQL Server 2008 puede contribuir a reducir los costes de hardware y mantenimiento mediante una solución de consolidación de servidores flexible que aporta un rendimiento y una manejabilidad extraordinarios a las organizaciones. e. (Criptoy, 2014).

26

Conocida también como Business Intelligence (BI), se refiere a la recolección de información generada por los procesos de negocio. Esto incluye la tecnología usada en estos procesos y la información obtenida de los mismos. Las empresas normalmente recopilan información con el fin de determinar el entorno del negocio, y recopilan información de los estudios de mercado, las ventas, la industria y los competidores. Las organizaciones competitivas acumulan información con el fin de obtener gran ventaja competitiva y preservan esa información como capacidad de competitividad para algunas instancias. La información que se recopila para la Inteligencia de Negocios es principalmente proveniente de fuentes internas, como son los trabajadores que intervienen en las ventas. La segunda fuente proviene de los clientes, los proveedores, la competencia y en general de las tendencias de la tecnología, la economía y la cultura. La tecnología de Inteligencia de Negocios es el proceso que convierte los datos en información y luego en conocimiento. Las personas que participan de los procesos de negocio deben utilizar software y otras tecnologías que les permitan obtener, almacenar, analizar y permitir acceso a data, presentarla de manera simple y de manera manejable. Las Inteligencias de Negocios normalmente usan indicadores claves de performance (KPI), que son métricas financieras y no financieras que permiten medir los objetivos e indicadores dependiendo del giro de la compañía. Dentro de Inteligencia de Negocios los principales son los siguientes: - Balanced Scorecard - Customer Relationship Management (CRM) - Business Process Re-engineering - Datamining and Datawarehouses. - OLAP - AQL - Associative Query Logic (Rojas 2015).

En el libro optaremos, como hemos avanzado en los Objetivos del libro, por el término anglosajón de Business Intelligence, ya que ha sido muy difundido y es comúnmente utilizado. La traducción más habitual es la de “Inteligencia de Negocio” (LLuis 2007).

27

El objetivo básico de la Business Intelligence es apoyar de forma sostenible y continuada a las organizaciones para mejorar su competitividad, facilitando la información necesaria para la toma de decisiones. El primero que acuñó el término fue Howard Dresner que, cuando era consultor de Gartner, popularizó Business Intelligence o BI como un término paraguas para describir un conjunto de conceptos y métodos que mejoraran la toma de decisiones, utilizando información sobre qué había sucedido (hechos) (LLuis 2007). Mediante el uso de tecnologías y las metodologías de Business Intelligence pretendemos convertir datos en información y a partir de la información ser capaces de descubrir conocimiento (LLuis 2007). Para definir BI partiremos de la defi nición del glosario de términos de Gartner6: “BI es un proceso interactivo para explorar y analizar información estructurada sobre un área (normalmente almacenada en un datawarehouse), para descubrir tendencias o patrones, a partir de los cuales derivar ideas y extraer conclusiones. El proceso de Business Intelligence incluye la comunicación de los descubrimientos y efectuar los cambios (LLuis 2007). Las áreas incluyen clientes, proveedores, productos, servicios y competidores.” Pero descompongamos detalladamente esta defi nición: • Proceso interactivo: al hablar de BI estamos suponiendo que se trata de un análisis de información continuado en el tiempo, no sólo en un momento puntual. Aunque evidentemente este último tipo de análisis nos puede aportar valor, es incomparable con lo que nos puede aportar un proceso continuado de análisis de información, en el que por ejemplo podemos ver tendencias, cambios, variabilidades, etc (LLuis 2007). • Explorar: En todo proyecto de BI hay un momento inicial en el que por primera vez accedemos a información que nos facilita su interpretación. En esta primera fase, lo que hacemos es “explorar” para comprender qué sucede en nuestro negocio; es posible incluso que descubramos nuevas relaciones que hasta el momento desconocíamos (LLuis 2007). • Analizar: Pretendemos descubrir relaciones entre variables, tendencias, es decir, cuál puede ser la evolución de la variable, o patrones. Si un cliente tiene una serie de características, cuál es la probabilidad que otro con similares características actué igual que el anterior (LLuis 2007).

28

• Información estructurada y datawarehouse: La información que utilizamos en BI está almacenada en tablas relacionadas entre ellas. Las tablas tienen registros y cada uno de los registros tiene distintos valores para cada uno de los atributos. Estas tablas están almacenadas en lo que conocemos como datawarehouse o almacén de datos. Más adelante lo defi niremos con mayor precisión, pero se trata de una base de datos en las que se almacenan dichas tablas (LLuis 2007). • Área de análisis: Todo proyecto de BI debe tener un objeto de análisis concreto. Nos podemos centrar en los clientes, los productos, los resultados de una localización, etc. que pretendemos analizar con detalle y con un objetivo concreto: por ejemplo, la reducción de costes, el incremento de ventas, el aumento de la participación de mercado, el ajuste de previsiones de venta, el cumplimiento los objetivos de venta presupuestados, etc (LLuis 2007). • Comunicar los resultados y efectuar los cambios: Un objetivo fundamental del BI es que, una vez descubierto algo, sea comunicado a aquellas personas que tengan que realizar los cambios pertinentes en la organización para mejorar nuestra competitividad (LLuis 2007). El origen de la Business Intelligence va ligado a proveer acceso directo a la información a los usuarios de negocio para ayudarles en la toma de decisiones, sin intervención de los departamentos de Sistemas de Información. En el año 2005, en las conferencias del Simposio de Gartner en Australia7, se llevó a cabo una encuesta informal a los asistentes de distintas presentaciones (150 técnicos y usuarios de negocio). La encuesta incluía 14 opciones de posibles defi niciones de Business Intelligence e incluso permitía que los propios asistentes expresaran su propia defi nición. El 43% de ellos defi nía Business Intelligence como: “El uso de información que permite a las organizaciones dirigir de la mejor forma, decidir, medir, gestionar y optimizar el alcance de la efi ciencia y los resultados fi nancieros.” (LLuis 2007) Un 16% afi rmaban que Business Intelligence es: “La habilidad de proporcionar datos/información en un proceso (o aplicación) funcional para permitir mostrar un hecho específi co y que en ese contexto puede originar una acción.” (LLuis 2007) Otro 16% veía Business Intelligence como: 29

“El acceso al análisis de fuentes de información cuantitativa que permita mostrar a sus usuarios alinear mejor a las personas y los procesos con los objetivos del negocio.” (LLuis 2007) Menos del 5% veía Business Intelligence cómo: “Herramientas y tecnologías (reporting8 y minería de datos) que ayudan a los analistas a trabajar la información.” (LLuis 2007) Los dos hechos más críticos de la encuesta fueron que los asistentes entendían que el valor de Business Intelligence iba más allá la distribución de información y que está fuertemente relacionado con la consecución de los objetivos de negocio (LLuis 2007) Una defi nición9 más amplia es la que proponen en The datawarehouse Institute: “Business Intelligence (BI) es un término paraguas que abarca los procesos, las herramientas, y las tecnologías para convertir datos en información, información en conocimiento y planes para conducir de forma efi caz las actividades de los negocios. BI abarca las tecnologías de datawarehousing los procesos en el ‘back end10’, consultas, informes, análisis y las herramientas para mostrar información (estas son las herramientas de BI) y los procesos en el ‘front end’” (LLuis 2007).

2.3

Definición de términos básicos

2.3.1 Sistemas transaccionales OLTP Los

OLTP

(Online

Transaction

Processing)

son

sistemas

transaccionales que están altamente afinados para realizar su trabajo rápidamente, usualmente en tiempo real, y a menudo con el uso de mainframes y otros servidores grandes. Capturan las transacciones de un negocio y las persisten en estructuras relacionales llamadas base de datos. Las características principales de los sistemas OLTP son: - Realizan transacciones en tiempo real del proceso de un negocio, con lo cual los datos almacenados cambian continuamente. Los sistemas OLTP en sus transacciones conducen procesos esenciales del negocio.

30

- Los sistemas OLTP son los responsables del mantenimiento de los datos, ya sea agregando datos, realizando actualizaciones o bien eliminándolos. - Las estructuras de datos deben estar optimizadas para validar la entrada de los mismos, y rechazarlos si no cumplen con determinadas reglas de negocio. - Para la toma de decisiones, proporciona capacidades limitadas ya que no es su objetivo, por lo tanto, no es prioridad en su diseño. Si se quisiera obtener determinada información histórica relativa al negocio consultando un sistema OLTP, se produciría un impacto negativo en el funcionamiento del sistema. 2.3.2 Online Analytical Prcessing La tecnología OLAP es una forma específica para representar datos financieros, operacionales, comerciales y estadísticos orientados a los ejecutivos, especialistas y analistas. Está diseñada para ayudar a la toma de decisiones y una mejor comprensión de la información. La idea central es poder contestar las preguntas de los usuarios, de una forma fácil, poderosa e intuitiva. Un sistema OLAP permite a los usuarios entrar en detalles y generalizar, filtrar, ordenar, rankear y reagrupar datos, calculándose totales intermediarios y finales en forma instantánea. La tecnología OLAP permite un uso más eficaz de los almacenes de datos para el análisis en línea, lo que proporciona respuestas rápidas a consultas analíticas complejas e iterativas. Los modelos de datos multidimensionales de OLAP y las técnicas de agregados de datos organizan y resumen grandes cantidades de datos para que puedan ser evaluados con rapidez mediante el análisis en línea y las herramientas gráficas. Los sistemas OLAP proporcionan la velocidad y la flexibilidad necesarias para dar apoyo al analista en tiempo real. Cabe indicar que la tecnología OLAP tiene como base el proceso de transacciones en línea (OLTP). Las siguientes son características que la tecnología OLAP posee:

31

- Las bases de datos de OLAP tienen un esquema que está optimizado para que las preguntas realizadas por los usuarios sean respondidas rápidamente. - Las preguntas que se le hacen a un OLAP, deben permitir un uso interactivo con los usuarios. - Los cubos de OLAP almacenan varios niveles de datos conformados por estructuras altamente optimizadas que responden a las expectativas de negocio de la empresa. - Un sistema OLAP está preparado para realizar informes complejos de una manera simple. - OLAP proporciona una vista de datos multidimensional. Los cubos proporcionan una vista de los datos multidimensional que se extiende más allá del análisis de dos dimensiones que puede proporcionar una simple planilla de cálculo utilizada como tal. - Los usuarios pueden cambiar fácilmente las filas, las columnas, y las páginas en informes de OLAP, pudiendo leer la información de la manera que se crea más conveniente para el análisis. 2.3.3 Data Warehouse Es un repositorio de información extraída de otros sistemas corporativos, sean estos sistemas transaccionales, bases de datos departamentales, o Intranet de la compañía, a la que los hombres de negocios de la empresa pueden acceder. Los sistemas Data Warehouse están orientados a procesos de consultas en contraposición con los procesos transaccionales, sus tablas pueden no estar normalizadas y se admite redundancia en los datos. Mejor dicho, la Data Warehouse es un sistema, no un producto, en el que se almacenan datos. Es una técnica para consolidar y administrar datos de variadas fuentes con el propósito de responder preguntas de negocios y tomar decisiones, de una forma rápida. Una Data Warehouse se vale de una base de datos relacional diseñada para el acceso rápido y análisis y no al proceso transaccional. La Data Warehouse separa la carga del análisis y normalmente contiene datos históricos derivados de datos transaccionales.

32

Sus principales características son: - Orientado hacia información relevante de la organización - Datos integrados - Variable en el tiempo - No Volátil

Si el sistema ETL se diseña adecuadamente, puede extraer los datos de los sistemas de origen de datos, aplicar diferentes reglas para aumentar la calidad y consistencia de los mismos Especificación y desarrollo de aplicaciones de BI: Las aplicaciones de BI son la cara visible de la inteligencia de negocios: los informes y aplicaciones de análisis proporcionan información útil a los usuarios. Para concluir con el proyecto, se realizó la contrastación de la hipótesis, las conclusiones y finalizando con las recomendaciones (Gutiérres 2014). 2.3.4 Data Mart Es una Data WareHouse solo que más pequeña; en otras palabras, es una Data Warehouse orientada a algún tema. Los Data Mart suelen ser usados por un departamento o grupo de usuarios en una compañía, para un conjunto definido de tareas. Una Data Mart se considera independiente, ya que recibe datos desde un Data Warehouse. Los Data Mart aislados, es decir los que toman sus datos directamente desde sistemas transaccionales y no dependen de otros Data Warehouse, recién el nombre de “Data Marts Independientes”.

El acceso a los datos de toda la empresa a veces no es conveniente (o necesario) para determinados usuarios que solo necesitan un subconjunto de estos datos, en estos casos se utilizan los Datamarts. El concepto Datamart es una especialización del datawarehouse, y está enfocado a un departamento o área específica, como por ejemplo los departamentos de Finanzas o Marketing. Permitiendo así un mejor control de la información. 33

Los principales beneficios de utilizar Datamarts son: -

Acelerar las consultas reduciendo el volumen de datos a recorrer

-

Estructurar los datos para su adecuado acceso por una herramienta

-

Dividir los datos para imponer estrategias de control de acceso.

-

Segmentar los datos en diferentes plataformas hardware.

-

Permite el acceso a los datos por medio de un gran número de herramientas del mercado, logrando independencia de estas (Gutiérres 2014)

2.3.5 Dimensiones Son los diferentes puntos de vista por los que queremos analizar la información. Las dimensiones contienen los diversos atributos que queremos analizar, además se estructuran en forma jerárquica, conforme a diferentes niveles de detalle. Las tablas de dimensiones se construyen con todos los atributos que incluyen de una forma des normalizada y con una clave que identifica el mínimo nivel de detalle. Podemos distinguir varios tipos de dimensiones: 

Dimensiones normales: aquellas que agrupan diferentes atributos que están relacionados por el ámbito al que se refieren (todas las características de un cliente, los diferentes componentes de la dimensión tiempo, etc).



Dimensiones causales: son atributos que pueden causar cambios en los procesos de negocio (por ejemplo, la dimensión promoción en el proceso de negocio de ventas).



Dimensiones heterogéneas: que agrupan conjuntos heterogéneos de atributos, que no están relacionados entre sí.



Dimensiones roll-up: es un subconjunto de otra, necesarias para el caso en que tenemos tablas de hechos con diferente granularidad (ver la entrada anterior del blog).



Dimensiones Junk: agrupa indicadores de baja cardinalidad como pueden ser flags o indicadores.

34



Dimensiones role-playing: cuando una misma dimensión interviene en una tabla de hechos varias veces (por ejemplo, la fecha en una tabla de hechos donde se registran varias fechas referidas a conceptos diferentes), es necesario reutilizar la misma dimensión, pues no tiene sentido crear tantas dimensiones como usos se hagan de ella. En consecuencia, se definen las dimensiones roleplaying. Podemos crear vistas sobre la tabla de la dimensión completa que nos permiten usarla varias veces o jugar con los alias de tabla. La misma dimensión juega un rol diferente según el sitio donde se utiliza.



Dimensiones degeneradas: no tienen ningún atributo y por tanto, no tienen una tabla específica de dimensión. Incluyen para ellas un identificador en la tabla de hechos, que identifica completamente a la dimensión (por ejemplo, un pedido de ventas). Nos interesa tener determinada la transacción (para realizar data mining, por ejemplo), pero los datos interesantes de este elemento los tenemos repartidos en las diferentes dimensiones (cliente, producto, etc).



Mini dimensiones o dimensiones Outrigger: conjunto de atributos de una dimensión que se extraen de la tabla de dimensión principal, pues se suelen analizar de forma diferente. El típico ejemplo son los datos socio demográficos asociados a un cliente (que se utilizan, por ejemplo, para la data mining).

2.3.6 Métricas Son valores que recogen el proceso de una actividad o los resultados de la misma y son usados por los analistas en sus query’s para medir la performance del comportamiento de un proceso o un objeto del negocio. Las medidas candidatas son los datos numéricos, pero no cada atributo numérico en una medida candidata. Estas medidas proceden del resultado de la actividad de negocio. 

Métricas de realización de actividad: miden la realización de una actividad. Por ejemplo, la participación de una persona en un evento.

35



Métricas de resultado de una actividad: recogen los resultados de una actividad. Por ejemplo, la cantidad de unidades vendidas.

2.3.7 Indicadores Es una variable dimensional unitaria, expresada como un cociente, que correlaciona dos variables cualesquiera. A través de este concepto es posible relacionar diversas variables presentes en los procesos de una empresa. Ejemplo: N° Ciclos/Hora, LtsComb, /Maquina. La importancia de un indicador radica en la particularidad de informar al usuario el estado actual del sistema. Revelar el estado del sistema, nos permitirá tomar decisiones preventivas o correctivas de acuerdo a los resultados de las comparaciones entre el valor esperado y el valor obtenido del sistema. 3 METODOS Y MATERIALES 3.1 Hipótesis de la investigación 3.1.1 Hipótesis General Hi: Desarrollo si la Implementación de Power BI como solución de inteligencia de negocios Influye en el proceso de toma de decisiones de la Demanda y Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú. 3.1.2 Hipótesis Específicas H1: La Implementación de Power BI como solución de inteligencia de negocios Permitirá en el proceso de toma de decisiones de la Demanda en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú

H2: La Implementación de Power BI como solución de inteligencia de negocios Permitirá en el proceso de toma de decisiones de la Productividad en el laboratorio central de la Fuerza área del Perú (FAP) de Lima-Perú

36

3.2 Variables de estudio. 3.2.1 Definición conceptual Variable Independiente(VI): Implementación de Power BI como solución de inteligencia de negocios La nueva herramienta de Microsoft que permite analizar y utilizar su información para mejorar la toma de decisiones, con gran facilidad para obtener datos de Querys o preparar modelos directamente en Power BI Desktop. Mediante Querys realizados en sus datos de orígenes Power BI permite sincronizar sus datos y obtener toda la interactividad deseada, sin embargo este tipo de tareas corresponde a las características del Query generado, el cual puede tener restricciones a nivel de la fecha generada, de los atributos utilizados y los datos proporcionados en el Query, lo cual tiene efectos en la flexibilidad que se puede hacer en Power BI, ya que estará restringido el análisis a realizar de acuerdo a las características que tiene el modelo y por otra parte el uso de una sola tabla con toda la información hace que los cálculos a obtener tomen más tiempo al tener que evaluar toda la tabla. Sin embargo, permite que la vista o consulta generada se realice en el lenguaje nativo, permitiendo obtener informes con la información básica a utilizar por el usuario final (Datawin 2017) Variables Dependientes: Demanda: Demanda es la carga de trabajo del laboratorio y permite definir los costes e ingresos del mismo. El indicador de la Demanda se obtiene a partir del número de pacientes, muestras y análisis únicos solicitados y obtenidos en el periodo de tiempo seleccionado. El seguimiento de la Demanda a lo largo del tiempo ayuda a los laboratorios a identificar cambios en: •

el número total de muestras

•

la solicitud de patrones por muestra

•

el grupo de análisis o muestras de un tipo específico

•

el número de muestras recibidas por procedencia

37

El cambio en la Demanda del laboratorio filtrado por tipo de análisis (p. ej. bioquímica clínica, hematología, etc.) se visualiza en el panel Volumen por tipo de análisis para el periodo de tiempo seleccionado. El volumen del laboratorio y el porcentaje del volumen total se visualizan en la tabla para cada tipo de análisis y para el periodo de tiempo actual y anterior. El volumen del laboratorio se registra por tipo de análisis a lo largo del periodo de tiempo actual y anterior en el gráfico de líneas correspondiente. Este gráfico de líneas puede ser de utilidad para identificar y realizar un seguimiento de las tendencias a corto y largo plazo o estacionales y de las anomalías en cuanto a la solicitud de patrones del tipo de análisis. Determinados tipos de análisis pueden tener gran impacto en los ingresos, y la Demanda de estos tipos de análisis

puede

servir

para

identificar

los

patrones

de

tendencias/ingresos. Productividad: Productividad es la relación entre las entradas y salidas del laboratorio. Se emplea como una medida de la eficiencia y la eficacia con la que se aprovechan los recursos del laboratorio, y puede ser de utilidad como indicador del valor de la inversión del laboratorio en tecnología. El indicador de la Productividad se obtiene a partir de los datos de las solicitudes de análisis y de los resultados (deducidos del indicador de la Demanda). El seguimiento de la Productividad mínima y máxima a lo largo del tiempo permite al laboratorio identificar: •El impacto de los esfuerzos para mejorar la productividad del personal •El alcance de las mejoras necesarias

38

•Como parámetro de productividad, especialmente si se mide en varios laboratorios 3.2.2 Definición operacional Cuadro 1. Definición operacional de las variables

Variables Independientes Implementación de Power BI como solución de inteligencia de negocios

Dimensiones - TIEMPO DE ENTREGA PREDECIBLE (PTAT)

Unidades Minutos

El PTAT es una indicación de la capacidad del laboratorio para entregar regularmente resultados según el tiempo de entrega acordado • El exceso de desempeño (es decir, cumplir con los objetivos de PTAT demasiado pronto cuando no es clínicamente relevante) puede indicar un posible desperdicio de recursos • El desempeño insuficiente significa que el laboratorio no puede cumplir con las necesidades de sus clientes • Al utilizar esta parte de la consola de la plataforma de BI puede: • Trabajar más cerca de los clientes para poder definir mejor el nivel de servicio requerido • Informar cómo se desempeñó el laboratorio en relación a los objetivos de nivel de servicio - TIEMPO EN USO DEL ANALIZADOR

El seguimiento del Tiempo de actividad del analizador puede ayudar al laboratorio a identificar si los analizadores se utilizan a su capacidad máxima y también observar las posibles tendencias como la frecuencia del tiempo de inactividad del analizador

Variables Dependientes

Dimensiones - VOLUMEN DE CARGA DE TRABAJO TOTAL

Demanda

Muestra la cantidad total de pacientes, muestras y pruebas durante el período de tiempo seleccionado.

Porcentaje

Unidades

Número de Pacientes

39

- CARGA DE TRABAJO PROMEDIO/HORAS-HOMBRE Estos indicadores muestran la productividad de su fuerza laboral. Al incrementar la productividad de sus recursos humanos, el costo por prueba mejorará.

Cantidad de Fuerza Laboral

- DISTRIBUCIÓN DEL GRUPO DE PRUEBA

Productividad

Muestra la distribución de diferentes tipos de pruebas, así como también los cambios en el promedio. También muestra cómo la mezcla de prueba cambia con el tiempo

Distribución de las Pruebas

- CARGA DE TRABAJO PROMEDIO/HORAS-HOMBRE

Promedio de Horas Hombre

(Esto le permite visualizar su carga de volumen de trabajo por los pacientes, muestras y pruebas)

- CARGA DE TRABAJO vs. CARGA DE TRABAJO/HORAS-HOMBRE

Eficiencia del personal

3.3 Diseño de la investigación Pre Experimental: Se demostrará la hipótesis a través de métodos experimentales. No tiene un Grupo Control para comparación de resultados. Solo se hará en una entidad específica. Ge

O1 X O2

Dónde: Ge = Grupo Experimental: Es el grupo conformado por toda la producción del Laboratorio Central de la FAP. O1 = Son los valores de los indicadores de la Variable Dependiente en la PrePrueba, antes de implementarse Inteligencia de Negocios. X = Es el estímulo, tratamiento o condición experimental. (Inteligencia de Negocios). O2 = Son los valores de los indicadores de la Variable Dependiente en la PostPrueba, después de implementarse Inteligencia de Negocios. 40

Descripción: Se trata de la conformación intencional de un grupo experimental (Ge) conformado por toda la producción del Laboratorio central de la FAP, al cual a sus indicadores de Pre-prueba (O1), se le administra un estímulo o tratamiento experimental, Inteligencia de Negocios como estímulo (X) para solucionar el problema de dicho proceso, luego se espera que se obtenga (O 2). Por lo tanto, se espera que los valores O2 sean mejores que los valores O1. 3.4 Población y muestra de estudio 3.4.1 Población Las unidades a analizar son todas los indicadores o dimensiones que servirán para la toma de decisiones de la producción y la de demanda del Laboratorio central de la FAP. 3.4.2 Muestra Para esta investigación se realizará un muestreo intencional (no aleatorio) y se tomará una muestra de 30 toma de decisiones ya que se trata de un valor adecuado, estándar y se utiliza en varios procesos de investigación. 3.5 Técnicas e instrumentos de recolección de datos 3.5.1 Técnicas En la siguiente tabla (ver Tabla 1) detallaremos las técnicas que usaremos para la recolección de información necesaria para poder seguir con el desarrollo del presente proyecto de tesis.

Tabla 1: Técnicas de recolección de información Fuente: Elaboración Propia

TÉCNICAS

DESCRIPCIÓN

Hemos observado como es el proceso de Toma de Decisiones en el Laboratorio central de la Observación directa

FAP. También se hizo la observación sobre la participación de los roles que cumplen en el proceso tanto la Jefatura del Laboratorio, Los Técnicos, los Médicos y los Tecnólogos Médicos.

41

Se realizó una entrevista a la jefatura del Realización de entrevistas

Laboratorio y a la Secretaria quien es la encargado de generar los reportes solicitados por la Jefatura respecto a la producción de toda las Unidades del Laboratorio central de la FAP.

Revisión documentaria

Hemos consultado libros como material de apoyo, así como también artículos científicos y diferentes tesis que estén relacionados al tema.

3.5.2 Instrumentos En la siguiente tabla (ver Tabla 2) detallaremos los instrumentos que emplearemos para la recolección de información necesaria para poder seguir con el desarrollo de la tesis.

Tabla 2: Instrumentos de recolección de información Fuente: Elaboración Propia

INSTRUMENTOS

DESCRIPCIÓN

Cuestionarios

Hemos utilizado dos formatos de cuestionarios, uno dirigido a la Jefatura del Laboratorio, y otro dirigido a la Secretaria encargado de generar los reportes solicitados por la jefatura del Laboratorio central de la FAP.

Libreta de apuntes

Hemos utilizado una libreta de apuntes estándar para registrar los datos sobre la infraestructura tecnológica con el cual actualmente se trabaja en la entidad, así como también detalles relacionados al proceso de la obtención de reportes.

42

3.6 Métodos de análisis de datos Al culminar procesamiento de datos, se logrará obtener resultados y determinar la situación actual y las diferencias que se muestran después de la implementación de la solución del proyecto.

4 IV. ASPECTOS ADMINISTRATIVOS 4.1 Presupuesto

43

4.1. Cronograma de actividades

44

5 V. REFERENCIAS 5.1 BIBLIOGRAFICAS Acosta, y Flores. «"DISEÑO E IMPLEMENTACIÓN DE PROTOTIPO BI UTILIZANDO UNA HERRAMIENTA DE BIG DATA PARA EMPRESAS PYMES DISTRIBUIDORAS DE TECNOLOGÍA".» Tesis, Bogota, 2015. Ccance. «Servicio Integral Informático.» Manual, 2017. Córdova. «ANÁLISIS, DISEÑO E IMPLEMENTACIÓN DE UNA SOLUCIÓN DE INTELIGENCIA DE NEGOCIOS PARA EL ÁREA DE IMPORTACIONES EN UNA EMPRESA COMERCIALIZADORA/IMPORTADORA.» Tesis, Lima, 2013. Gutiérres. «"MPLANTACION DE BUSINESS INTELLIGENCE COMO MEJORA EN LA GESTION ACADEMICA DEL AREA DE COORDINACION ACADEMICA DE LA UPIG, SURCO 2015".» Tesis, Lima, 2014. LLuis. «BUSINESS INTELLIGENCE: COMPETIR CON INFORMACIÓN.» De LLuis, 393. 2007. Oña. «"ESTUDIO Y DISEÑO DE UN MODELO DE INTELIGENCIA DE NEGOCIOS EMPRESARIAL Y DESARROLLO DE UN CASO DE ESTUDIO CON LA HERRAMIENTA ORACLE BI".» Trabajo de Graduacion, Quito- Ecuador, 2013. Rodríguez. «“METAMODELO PARA INTEGRACIÓN DE DATOS ABIERTOS APLICADO A INTELIGENCIA DE NEGOCIOS”.» Tesis Doctoral, Oviedo, 2017. Rojas. «2MPLANTACION DE BUSINESS INTELLIGENCE COMO MEJORA EN LA GESTION ACADEMICA DEL AREA DE COORDINACION ACADEMICA DE LA UPIG, SURCO 2015".» s.f. Rojas. «IMPLANTACION DE BUSINESS INTELLIGENCE COMO MEJORA EN LA GESTION ACADEMICA DEL AREA DE COORDINACION ACADEMICA DE LA UPIG, SURCO 2015.» Tesis, Lima, 2014. Rojas. «IMPLEMENTACIÓN DE UN DATA MART COMO SOLUCIÓN DE INTELIGENCIA DE NEGOCIOS, BAJO LA METODOLOGÍA DE RALPH KIMBALL PARA OPTIMIZAR LA TOMA DE DECISIONES EN EL DEPARTAMENTO DE FINANZAS DE LA CONTRALORÍA GENERAL DE LA REPÚBLICA.» Tesis, Chiclayo, 2014. Sanchez. «"ANÁLISIS DE INFORMACIÓN Y TOMA DE DECISIONES PARA ADMINISTRACIÓN DE NEGOCIOS".» Tesis, México D.F, 2014. Savala, y Inca. «DESARROLLO DE UNA SOLUCIÓN DE INTELIGENCIA DE NEGOCIOS PARA LA MEJORA DEL PROCESO DE TOMA DE DECISIONES EN EL ÁREA DE ADMINISTRACIÓN TRIBUTARIA DE LA MUNICIPALIDAD DISTRITAL DE SAN BARTOLO.» Tesis, Lima, 2016. Takimoto. «APLICACIÓN METODOLÓGICA DE INTELIGENCIA DE NEGOCIOS EN EL PROCESO DE TOMA DE DECISIONES DE EGEMSA.» Tesis para optar el Grado de Máster, Piura, 2013. Tuñoque, y Vilchez. «"Aplicación de inteligencia de negocios haciendo uso del data Warehouse 2.0 en la empresa constructora Beaver para mejorar el proceso de control de información de los centros de costos".» Tesis, Pimentel, 2016. 45

Valera, y Quispe. «“SOLUCION DE INTELIGENCIA DE NEGOCIOS EN LA NUBE BAJO LA PLATAFORMA DE MICROSOFT AZURE Y POWER BI PARA EL PROCESO DE VENTAS DE LA EMPRESA BOOK CENTER S.A.C.”.» Tesis, Trujillo, 2015.

6

ANEXOS:

6.1

Organigrama

6.2

Mapa de Ubicaciones

46

6.3

Proceso Actual

6.4

Diagrama de Casos de Uso del Planteamiento de Problema

47

6.5

Proceso con la Solución

6.6

Diagrama de Casos de Uso para el Proceso Propuesto

6.7

Diagrama de Clase de Indicadores de Demanda y Productividad

48

7

Anexo 1: Matriz de consistencia

49

7.1

Porque Elegir Power BI

50

7.2

Cuadrante de Gartner

51

7.3

Comparación de Proveedores de BI

52