BI Merca672IGE knma

5.2.2. Tableros de control.

5.2.2. Tableros de control.

El Tablero de Control nace al no existir una metodología clara para enseñar a los directivos a organizar y configurar la información. En un campo en que las ciencias empresariales han podido evolucionar notoriamente dada la revolución de la información generada a finales del siglo XX. Es necesario generar metodologías gerenciales para que las empresas no se basen sólo en su intuición y conocimientos de cada directivo o por la sola inteligencia existente en herramientas informáticas.

Es una herramienta, del campo de la administración de empresas, aplicable a cualquier organización y nivel de la misma, cuyo objetivo y utilidad básica es diagnosticar adecuadamente una situación. Se lo define como el conjunto de indicadores cuyo seguimiento y evaluación periódica permitirá contar con un mayor conocimiento de la situación de su empresa o sector apoyándose en nuevas tecnologías informáticas.

El diagnostico y monitoreo permanente de determinados indicadores e información ha sido y es la base para mantener un buen control de situación en muchas de las disciplinas de la vida. 

Como ejemplo de estos podemos señalar a la: medicina, basada en mediciones para el diagnostico de la salud de los pacientes, a la aviación, cuyos indicadores de tablero de control sintetiza la información del avión y del entorno para evitar sorpresas y permite a los pilotos dirigir el avión a buen puerto; el tablero de un sistema eléctrico o de una represa son otros ejemplos.

Tipos de Tableros.

 Tablero de Control Operativo: Es aquel que permite hacer un seguimiento, al menos diario, del estado de situación de un sector o proceso de la empresa, para poder tomar a tiempo las medidas correctivas necesarias. El Tablero debe proveer la información que se necesita para entrar en acción y tomar decisiones operativas en áreas como las finanzas, compras, ventas, precios, producción, logística, etc.

Tablero de Control Directivo: Es aquel que permite monitorear los resultados de la empresa en su conjunto y de los diferentes temas claves en que se puede segmentarse.

 Tablero de Control Estratégico: Nos brinda la información interna y externa necesaria para conocer la situación y evitar llevarnos sorpresas desagradables importantes respecto al posicionamiento estratégico y a largo plazo de la empresa.

 Tablero de Control Integral: Información relevantes para que la alta dirección de una empresa pueda conocer la situación integral de su empresa. Engloba a las tres perspectivas anteriores.

METODOLOGÍA.

Comienza identificando como áreas clave aquellos "temas relevantes a monitorear y cuyo fracaso permanente impediría la continuidad y el progreso de su empresa o sector dentro de un entorno competitivo, aun cuando el resultado de todas las demás áreas fuera bueno.

 Los indicadores clave son los datos, índices que dan información de la situación de cada área clave. 

A partir de definir áreas e indicadores y apoyando con nuevas tecnologías informáticas se puede conformar una potente herramienta de diagnóstico de situación, por lo cual podría ser llevado en papel pero su uso se potencia más utilizando un EIS. 

Un tablero de control, organiza y presenta la información en una forma fácil de leer, interpretar y de rápido acceso, similar a la de un tablero de un automóvil o la cabina de control de un avión. El tablero de control constituye una herramienta básica para la gestión, ya que provee de la información necesaria  para tomar un rápido conocimiento del estado de situación actual y la probable evolución de la empresa sujeta al análisis.

5.2 Sistemas de soporte.

5.2 Sistemas de soporte.

Un Sistema de Soporte a la Decisión (DSS) es una herramienta de Business Intelligence enfocada al análisis de los datos de una organización. En principio, puede parecer que el análisis de datos es un proceso sencillo, y fácil de conseguir mediante una aplicación hecha a medida o un ERP sofisticado. Sin embargo, no es así: estas aplicaciones suelen disponer de una serie de informes predefinidos en los que presentan la información de manera estática, pero no permiten profundizar en los datos, navegar entre ellos, manejarlos desde distintas perspectivas.

Los Sistemas de Soporte a la Decisión (Decision Support Systems, DSS) pueden considerarse como una tercera generación de Sistemas de Información, cuyo objetivo es intentar descubrir qué pasaría si se toman una serie de decisiones, o ir más allá proporcionando automáticamente las decisiones o sugerencias que asistan al administrador. Este tipo de sistemas comienza a surgir en la década de los 70, y se definen (Sprague 1983) como:

Sistemas basados en sistemas de cómputo que ayudan a quien toma decisiones enfocados a problemas mal estructurados a través de una directa interacción  con datos y modelos de análisis. 

El DSS es una de las herramientas más emblemáticas del Business Intelligence ya que, entre otras propiedades, permiten resolver gran parte de las limitaciones de los programas de gestión.

Características.

Informes dinámicos, flexibles e interactivos, de manera que el usuario no tenga que ceñirse a los listados predefinidos que se configuraron en el momento de la implantación, y que no siempre responden a sus dudas reales.

No requiere conocimientos técnicos. Un usuario no técnico puede crear nuevos gráficos e informes y navegar entre ellos, haciendo drag&drop o drill through. Por tanto, para examinar la información disponible o crear nuevas métricas no es imprescindible buscar auxilio en el departamento de informática.

Rapidez en el tiempo de respuesta, ya que la base de datos subyacente suele ser un datawarehouse corporativo o un datamart, con modelos de datos en estrella o copo de nieve. Este tipo de bases de datos están optimizadas para el análisis de grandes volúmenes de información.

Integración entre todos los sistemas/departamentos de la compañía. El proceso de ETL previo a la implantación de un Sistema de Soporte a la Decisión garantiza la calidad y la integración de los datos entre las diferentes unidades de la empresa. Existe lo que se llama: integridad referencial absoluta.

Cada usuario dispone de información adecuada a su perfil. No se trata de que todo el mundo tenga acceso a toda la información, sino de que tenga acceso a la información que necesita para que su trabajo sea lo más eficiente posible.

Disponibilidad de información histórica. En estos sistemas está a la orden del día comparar los datos actuales con información de otros períodos históricos de la compañía, con el fin de analizar tendencias, fijar la evolución de parámetros de negocio etc.

Tipos de Sistemas de Soporte a Decisiones.

Sistemas de información gerencial (MIS)
Los sistemas de información gerencial (MIS, Management Information Systems), también llamados Sistemas de Información Administrativa (AIS) dan soporte a un espectro más amplio de tareas organizacionales, encontrándose a medio camino entre un DSS tradicional y una aplicación CRM/ERP implantada en la misma compañía.

Sistemas de información ejecutiva (EIS)
Los sistemas de información ejecutiva (EIS, Executive Information System) son el tipo de DSS que más se suele emplear en Business Intelligence, ya que proveen a los gerentes de un acceso sencillo a información interna y externa de su compañía, y que es relevante para sus factores clave de éxito.

Sistemas expertos basados en inteligencia artificial (SSEE)
Los sistemas expertos, también llamados sistemas basados en conocimiento, utilizan redes neuronales para simular el conocimiento de un experto y utilizarlo de forma efectiva para resolver un problema concreto. Este concepto está muy relacionado con el datamining.

Sistemas de apoyo a decisiones de grupo (GDSS)
Un sistema de apoyo a decisiones en grupos (GDSS, Group Decision Support Systems) es "un sistema basado en computadoras que apoya a grupos de personas que tienen una tarea (u objetivo) común, y que sirve como interfaz con un entorno compartido". El supuesto en que se basa el GDSS es que si se mejoran las comunicaciones se pueden mejorar las decisiones.

   

Videos Business Intelligence

https://drive.google.com/open?id=1Ma0V-ezCoFeOi8tb3tJOc_CfvEVhaLmV

5.2.1 Almacenes de datos (Data Warehouse).

5.2.1 Almacenes de datos (Data Warehouse).

Ralph Kimball

Un Data warehouse (almacén de datos) es una base de datos corporativa que se caracteriza por integrar y depurar información de una o más fuentes distintas, para luego procesarla permitiendo su análisis desde infinidad de perspectivas y con grandes velocidades de respuesta.

Los almacenes de datos tienen una orientación corporativa que pretende conseguir que cualquier departamento pueda acceder a la información de cualquiera de los otros mediante un único medio, así como obligar a que los mismos términos tengan el mismo significado para todos. Un data mart es un almacén de datos históricos relativos a un departamento de una organización, así que puede ser simplemente una copia de parte de un data warehouse para uso departamental.

El término Datawarehouse fue acuñado por primera vez por Bill Inmon se caracteriza por ser:

·         Orientado a temas

Temas de interés a las áreas de la corporación o compañía sobre las que se requiere hacer un análisis.

·         Integrado

Consiste en poner en un formato consistente los datos provenientes de diversas fuentes.

·         No volátil

Una vez entrados los datos al almacén, estos no cambian, debido a que el propósito de un almacén de datos es permitir el análisis de lo que ha ocurrido.

·         De tiempo variante

Cambios sobre el tiempo para descubrir tendencias e identificar patrones ocultos; es exacta para algún momento en el tiempo.

Otra característica del datawarehouse ya que permiten saber la procedencia de la información, su periodicidad de refresco, su fiabilidad, forma de cálculo, entre otras.

Los metadatos serán los que permiten simplificar y automatizar la obtención de la información desde los sistemas operacionales a los sistemas informacionales.

Los objetivos que deben cumplir los metadatos, según el colectivo al que va dirigido, son:

v  *Dar soporte al usuario final, ayudándo a acceder al datawarehouse con su propio lenguaje de negocio, indicando qué información hay y qué significado tiene.

v  *Ayudar a construir consultas, informes y análisis, mediante herramientas de Business Intelligence como DSS, EIS o CMI.

v  *Dar soporte a los responsables técnicos del datawarehouse en aspectos de auditoria, gestión de la información histórica, administración del datawarehouse, elaboración de programas de extracción de la información, especificación de las interfaces para la realimentación a los sistemas operacionales de los resultados obtenidos.

Proceso de construcción de un almacén de datos

Elementos que integran un almacén de datos

Metadatos (datos acerca de los datos)

Describen cuál es la estructura de los datos que se van a almacenar y cómo se relacionan.

En el ámbito de los data warehouse el metadato juega un papel fundamental, su función consiste en recoger todas las definiciones de la organización y el concepto de los datos en el almacén de datos, debe contener toda la información concerniente a:

Funciones ETL (Extracción, Transformación y Carga):

Se crea a partir de los sistemas operaciones de una compañía:

Extracción: obtención de información de las distintas fuentes tanto internas como externas.

Transformación: filtrado, limpieza, depuración, homogeneización y agrupación de la información.

Carga: organización y actualización de los datos y los metadatos en la base de datos.

Middleware

Es un término genérico que se utiliza para referirse a todo tipo de software de conectividad que ofrece servicios u operaciones que hacen posible el funcionamiento de aplicaciones distribuidas sobre plataformas heterogéneas. Estos servicios funcionan como una capa de abstracción de software distribuida, que se sitúa entre las capas de aplicaciones y las capas inferiores (sistema operativo y red).

API La interfaz de programación de aplicaciones

Lenguaje y formato de mensaje utilizado por un programa para activar e interactuar con las funciones de otro programa o de un equipo físico.

Diferencias entre Base de Datos y Almacén de Datos.

Base de Datos Operacional	Almacén de Datos
Datos operacionales	Datos del negocio para Información
Orientado a aplicación	Orientado al sujeto
Actual	Actual + Histórico
Detallada	Detallada + Resumida
Cambia continuamente	Estable

Estructura lógica del Almacén de Datos.

La estructura lógica de un Almacén de Datos está compuesta por los siguientes niveles:

·       Metadatos. Describen la estructura de los datos contenidos en el almacén.

Están en una dimensión distinta al resto de niveles.

·       Datos detallados actuales. Obtenidos directamente del procesado de los datos.

Forman el nivel más bajo de detalle.

Ocupan mucho espacio.

Se almacenan en disco, para facilitar el acceso.

·      Datos detallados históricos. Igual que los anteriores, pero con datos correspondientes al pasado.

Se suelen almacenar en un medio externo, ya que su acceso es poco frecuente.

·         Datos ligeramente resumidos. Primer nivel de agregación de los datos detallados actuales.

Corresponden a consultas habituales.

Se almacenan en disco.

·         Datos muy resumidos. Son el nivel más alto de agregación.

Corresponden a consultas que se realizan muy a menudo y que se deben obtener muy rápidamente.

Suelen estar separados del Almacén de datos, formando Supermercados de Datos (Data Marts).

Estructura física del Almacén de Datos.

La estructura física puede presentar cualquiera de las siguientes configuraciones:

Arquitectura centralizada. Todo el Almacén de datos se encuentra en un único servidor.

Arquitectura distribuida. Los datos del Almacén se reparten entre varios servidores. Asignando cada servidor a uno o varios temas lógicos.

Arquitectura distribuida por niveles. Refleja la estructura lógica del Almacén, asignando los servidores en función del nivel de agregación de los datos que contienen. Un servidor está dedicado para los datos de detalle, otro para los resumidos y otro para los muy resumidos.

Cuando los datos muy resumidos se duplican en varios servidores para agilizar el acceso se habla de Supermercados de datos (Data Marts).

Data Warehouse en la nube.

La primera área de transformación es el impulso para aumentar la agilidad general. La gran mayoría de los departamentos de TI están experimentando un rápido aumento de la demanda de datos. Los directivos quieren tener acceso a más y más datos históricos, mientras que al mismo tiempo, los científicos de datos y los analistas de negocios están explorando formas de introducir nuevos flujos de datos en el almacén para enriquecer el análisis existente, así como impulsar nuevas áreas de análisis.

La segunda área de transformación gira en torno a la necesidad de mejorar el control de costes. Existe una creciente necesidad de hacer más con cada vez menos recursos, al mismo tiempo que se garantiza que todos los datos sensibles y estratégicos estén completamente asegurados, a lo largo de todo el ciclo de vida, de la manera más rentable.

La importancia de la nube para el data warehouse está directamente vinculado a tres factores clave:

Mejora de la agilidad: Con mucho trabajo puesto ahora en torno al big data, las empresas buscan aprovechar los nuevos flujos de datos y nuevos tipos de análisis más ricos para apoyar e impulsar nuevas áreas, tales como: analítica de clientes de 360º, anaĺisis predictivo, detección de fraude, análisis de IoT y el establecimiento de los datos como centro de beneficio. Es más rápido, más fácil y más eficiente iniciar estos nuevos proyectos centrados en los datos utilizando los servicios en la nube.

Mayor control de costes: Los activos de datos deben estar protegidos a lo largo de todo el ciclo de vida. Los servicios en la nube deben facilitar todo esto, siendo más rentables ya que todas las características de seguridad se pueden habilitar de forma predeterminada y mejorada, y actualizada de forma transparente.

Co-Localización para una carga más rápida: La mayoría de los data warehouses generan datos directamente desde aplicaciones clave, como entrada de pedidos, ventas, finanzas y fabricación. Por lo tanto, tiene mucho sentido ubicar conjuntamente el data warehouse junto con los sistemas fuente que ya se estén ejecutándose en la nube. La ubicación conjunta ofrece una carga de datos más rápida, lo que significa que los usuarios obtienen un acceso más oportuno a sus datos.

https://www.youtube.com/watch?v=IUV02qF8Ezw&feature=youtu.be

5.1 INTRODUCCIÓN A LA INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE "BI")

hans-peter-luhn-ibm-1958

Hans Peter Luhn en 1958 acuño el  término en el artículo “A Business Intelligence System”, donde hace mención de la definición: la habilidad de aprender las relaciones de hechos presentados de forma que guíen las acciones hacia una meta deseada.

En el año 1989 que Howard Dresden (analista de Gartner), propone una definición más formal del BI, la cual es: “conceptos y métodos para mejorar las decisiones de negocio mediante el uso de sistemas de soporte basados en hechos”.

Entonces... ¿Qué es la inteligencia de negocios?

Ventajas de la inteligencia de negocios

• Una plataforma de tecnología integrada que se añadiría a las inversiones ya realizadas por una organización, para proporcionar información de alta calidad a cada computadora o servidor de cada departamento de una empresa, añadiendo valor en cada paso del proceso y proporcionando una versión única de la realidad.
• Acceso amplio y potenciado a las capacidades de análisis ya conocidas que ayudan a conocer el pasado de una organización para controlar y comunicar el presente y predecir el futuro con fiabilidad.
• Interfaces de usuario personalizadas que “se adapten a cada tarea”, concebida y diseñadas para todos los niveles de experiencia y patrones de uso de los usuarios de la información (como expertos, ejecutivos, gerentes, tecnólogos, etc.).
• Una gama de soluciones para satisfacer la demanda de información y generación de informes de diferentes sectores de actividad (servicios financieros, fabricación, telecomunicaciones, salud, etc.) y de toda la empresa (gestión del rendimiento empresarial, inteligencia de clientes, inteligencia financiera, gestión del capital humano, inteligencia de la cadena de suministro, etc.)

Beneficios de un sistema de inteligencia de negocio

¿Por qué apostar por la inteligencia de negocio?

       ·         Existen numerosos factores por los cuales una empresa debe apostar por la Inteligencia de Negocio y los más importantes son:

       ·         Incrementar los ingresos, reducir costos, competir efectivamente.

       ·   La BI debe ayudar a las empresas a conseguir una visión integral y oportuna de la información, aportando conocimiento para una efectiva toma de decisiones.

       ·         Gestionar la complejidad.

       ·         La BI debe ayudar a las empresas a organizar sus datos para su fácil análisis y minería, para descubrir patrones de comportamiento y tendencias que son difíciles de detectar.

       ·         Explotar las inversiones existentes.

       ·   La BI debe ayudar a las organizaciones a hacer uso intensivo de las inversiones en tecnologías de la información ya existentes, añadiendo valor al integrar y analizar los datos almacenados en los sistemas operacionales.

Aplicaciones en distintos departamentos

Los BI realizan aportaciones a los distintos departamentos de una empresa ya que cada uno acumula diferentes datos que pueden ser procesados, para optimizar a la organización, de tal modo que:

• Departamento de marketing.- Identifica los segmentos de cliente y ayuda a estudiar su comportamiento.
• Departamento de compras.- Vincula información para relacionar costo/beneficio.
• Departamento de producción.- Analiza el rendimiento de cualquier proceso operativo.
• Departamento de ventas.- Permite comprender las necesidades de los clientes, para aprovechar oportunidades en el mercado.
• Departamento económico-financiero.- Información al momento al respecto de presupuestos, proyecciones, tesorería, etc.
• Departamento de atención al cliente.- identificar segmentos del mercado, cliente individuales y retiene a los clientes más rentables.
• Departamento de recursos humanos.- Analiza los parámetros que más afectan al departamento para su buen funcionamiento.

EJEMPLOS:

Bibliografía

• Caralt, J. C. (2010). INTRODUCCIÓN AL BUSINESS INTELLIGENCE. Barcelona: UOC.
• Río, L. M. (2006). MÁS ALLÁ DEL BUSINESS INTELLIGENCE. Barcelona: GESTIÓN 2000
• cmigestion. (27 de Junio de 2009). cmigestion. Obtenido de cmigestion: http://www.cmigestion.es/2009/business-intelligence/business-intelligence-para-pymes-y-ii/