T Espe 047750

DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN
CARRERA DE INGENIERÍA EN SISTEMAS E INFORMÁTICA
TESIS PREVIO A LA OBTENCIÓN DEL TÍTULO DE INGENIERO EN

SISTEMAS E INFORMÁTICA
AUTOR: LOZADA PEÑAFIEL, XIMENA NATHALIE
CRUZ TAMAYO, HOLGER DAVID
TEMA: ANÁLISIS, DISEÑO, CONSTRUCCIÓN E IMPLEMENTACIÓN DE

UN DATA WAREHOUSE PARA TOMA DE DECISIONES Y
CONSTRUCCIÓN DE LOS KPI, PARA LA EMPRESA
KRONOSCONSULTING CIA LTDA.
DIRECTOR: ING. PÉREZ, WASHINGTON
CODIRECTOR: ING. DE LA TORRE, ANDRÉS
SANGOLQUÍ, MARZO 2014

I
UNIVERSIDAD DE LAS FUERZAS ARMADAS – ESPE
CERTIFICADO
Ing. Washington Pérez (DIRECTOR DE TESIS)
Ing. Andrés de la Torre (CODIRECTOR DE TESIS)
CERTIFICAN
Que el trabajo titulado “ANÁLISIS, DISEÑO, CONSTRUCCIÓN E

IMPLEMENTACIÓN DE UN DATA WAREHOUSE PARA TOMA DE
DECISIONES Y CONSTRUCCIÓN DE LOS KPI, PARA LA EMPRESA
KRONOSCONSULTING CIA LTDA.”, realizado por la Srta. Ximena Nathalie
Lozada Peñafiel y el Sr. Holger David Cruz Tamayo, ha sido guiado y
revisado periódicamente y cumple normas estatuarias establecidas de la
Universidad de las Fuerzas Armadas - ESPE.
Debido a que constituye un trabajo de excelente contenido científico, que

coadyuvará a la aplicación de conocimientos y al desarrollo profesional, SÍ
recomiendan su publicación.
El mencionado trabajo consta de un documento empastado y un disco

compacto el cual contiene los archivos en formato portátil de Acrobat (PDF).
Se autoriza a la Srta. Ximena Nathalie Lozada Peñafiel y el Sr. Holger David
Cruz Tamayo, que el material se entregue al Ing. Mauricio Campaña, en su
calidad de Director de la Carrera.
Sangolquí, 14 de marzo de 2014
______________________ ______________________
Ing. Washington Pérez Ing. Andrés de la Torre
DIRECTOR CODIRECTOR
II
DECLARACIÓN DE RESPONSABILIDAD
Nosotros, Ximena Nathalie Lozada Peñafiel y Holger David Cruz Tamayo
DECLARAMOS QUE:
El proyecto de grado denominado “ANÁLISIS, DISEÑO, CONSTRUCCIÓN E

IMPLEMENTACIÓN DE UN DATA WAREHOUSE PARA TOMA DE
DECISIONES Y CONSTRUCCIÓN DE LOS KPI, PARA LA EMPRESA
KRONOSCONSULTING CIA LTDA.”, ha sido desarrollado con base a una
investigación exhaustiva, respetando derechos intelectuales de terceros,
conforme las citas que constan el pie de las páginas correspondiente, cuyas
fuentes se incorporan en la bibliografía.
Consecuentemente este trabajo es de nuestra autoría.
En virtud de esta declaración, nos responsabilizamos del contenido,

veracidad y alcance científico del proyecto de grado en mención.
___________________________ ______________________
Ximena Nathalie Lozada Peñafiel Holger David Cruz Tamayo
/CC: 172351432-7 CC: 171475800-8

III
AUTORIZACIÓN DE PUBLICACIÓN
Nosotros, Ximena Nathalie Lozada Peñafiel y Holger David Cruz Tamayo.
Autorizamos a la UNIVERSIDAD DE LAS FUERZAS ARMADAS – ESPE, la
publicación, en la biblioteca virtual de la Institución del trabajo “ANÁLISIS,
DISEÑO, CONSTRUCCIÓN E IMPLEMENTACIÓN DE UN DATA
WAREHOUSE PARA TOMA DE DECISIONES Y CONSTRUCCIÓN DE LOS
KPI, PARA LA EMPRESA KRONOSCONSULTING CIA LTDA.”, cuyo
contenido, ideas y criterios son de nuestra exclusiva responsabilidad y
autoría.
__________________________ ______________________
Ximena Nathalie Lozada Peñafiel Holger David Cruz Tamayo

CC: 172351432-7 CC: 171475800-8
IV
AGRADECIMIENTO
En primer lugar agradezco a nuestro padre Dios por estar vivo con salud y
tener la oportunidad de vivir una vida maravillosa a lado de mi familia,
amigos y compañeros.
La persona a quien nunca me cansaré de dar las gracias es a mi madre
Janeth, quien ha estado conmigo toda mi vida y me ha inculcado los valores,
la conducta y directrices que me han formado. Gracias a mi padre César,
por enseñarme a ser más fuerte en la vida y darme los concejos necesarios
en el momento necesario. A mi hermanita querida Verito que ha sido una
fuente, muy cercana a mi corazón, de estímulo constante en cada uno de los
pasos que doy.
Agradezco también a mí amada Melie y toda la familia, quienes me tuvieron
paciencia, comprensión y amor todo este tiempo de arduas horas de trabajo
y mucho sacrificio.
Gracias a mis profesores que han sembrado el conocimiento como parte de
de mi formación profesional; y, en especial a mis directores de tesis, que
mediante sus guías, hicieron del proyecto de tesis una realidad.
Holger Cruz
V
DEDICATORIA
Todo el trabajo realizado, es parte de una consecuencia de mucho sacrificio,
fuerza y persistencia que en general se la dedico a toda mi familia quienes
siempre han anhelado este paso durante mucho tiempo para continuar
caminando por nuevos objetivos.
Holger Cruz
VI
AGRADECIMIENTO
Agradezco a Dios por darme la vida y una familia unida que día a día han
sido mi apoyo y fortaleza para seguir adelante y cumplir mis sueños.
Gracias a mis padres por sus consejos y por haberme formado en valores
para ser una persona de bien, agradezco cada sacrificio que han hecho
durante toda mi vida para darme lo mejor, por desvelarse junto a mí en mis
largas noches de estudios y enseñarme que un tropezón no es caída, los
amo.
A mis hermanas que han estado a mi lado ayudándome en todo mi proceso
de formación personal y profesional, por ser mis amigas incondicionales y
darme unos hermosos sobrinos que llenan de alegría mi vida y se han
convertido en un motor más para seguir superándome.
Agradezco también al amor de mi vida David por ser quien ha estado a mi
lado apoyándome y dándome fuerzas en todo momento, gracias por
aguantar mi carácter y por ayudarme a culminar este sueño que lo inicie
cinco años atrás y hoy es una realidad.
A mis amigos y profesores en especial mi director y codirector de tesis por
su exigencia y ejemplo de superación profesional.
Ximena Lozada
VII
DEDICATORIA
A mis padres Héctor Lozada e Isabel Peñafiel por ser el pilar fundamental en
toda mi vida, por todo el esfuerzo y sacrificio que siempre han hecho para
darme lo mejor y ser un ejemplo de perseverancia y constancia, además por
brindarme todo su apoyo incondicional en cada momento.
A mis hermanas Jazmina y Verito por siempre estar a mi lado apoyándome y
aconsejándome, por ser mis mejores amigas y mis segundas madres las
quiero ñañitas.
A mis sobrinos Sebastián, Sofía, Valentina y Victoria por amarme y hacer
que mis días sean más felices a su lado, por ser mi inspiración a lo largo de
toda mi carrera.
Ximena Lozada
VIII
ÍNDICE DE CONTENIDOS
CAPÍTULO 1 ...................................................................................................................................... 1
1.1. ANTECEDENTES ................................................................................................................... 1
1.2. PLANTEAMIENTO DEL PROBLEMA............................................................................................. 4
1.3. JUSTIFICACIÓN .................................................................................................................... 5
1.4. OBJETIVOS ........................................................................................................................ 7
1.4.1. OBJETIVO GENERAL .............................................................................................................. 7
1.4.2. OBJETIVOS ESPECÍFICOS ........................................................................................................ 7
1.5. ALCANCE ........................................................................................................................ 7
CAPÍTULO 2 .................................................................................................................................... 10
FUNDAMENTACIÓN TEÓRICA ......................................................................................................... 10
2.1. BASES TEÓRICAS................................................................................................................ 10
2.1.1. DEFINICIONES IMPORTANTES................................................................................................ 10
2.1.1.1. OLTP ........................................................................................................................ 10
2.1.1.2. OLAP........................................................................................................................ 11
2.1.1.3. DATA WAREHOUSING .................................................................................................... 11
2.1.1.4. DATA WAREHOUSE ....................................................................................................... 12
2.1.1.5. OPERATIONAL DATA STORE (ODS) ................................................................................... 13
2.1.1.6. DATA MART. ............................................................................................................... 13
2.2. INTELIGENCIA DE NEGOCIOS (BUSINESS INTELLIGENCE BI) ........................................................... 14
2.2.1. ORÍGENES. ...................................................................................................................... 14
2.2.2. DEFINICIÓN. .................................................................................................................... 17
2.2.3. PROCESO PARA REALIZAR BUSINESS INTELLIGENT. ...................................................................... 18
2.3. BODEGA DE DATOS (DATA WAREHOUSE) ................................................................................ 20
2.3.1. DEFINICIÓN ..................................................................................................................... 20
2.3.2. FUNCIONALIDAD ............................................................................................................... 20
2.3.3. CARACTERÍSTICAS .............................................................................................................. 21
UN DATA WAREHOUSE ES: ............................................................................................................... 21
 ORIENTADO AL NEGOCIO. ........................................................................................................ 21
 INTEGRADO. ......................................................................................................................... 21
 VARIANTE EN EL TIEMPO. ......................................................................................................... 21
 NO VOLÁTIL. ......................................................................................................................... 21
 REDUNDANTE. ...................................................................................................................... 21
2.3.3.1. ORIENTADA AL NEGOCIO................................................................................................. 21
2.3.3.2. INTEGRADA ................................................................................................................. 22
2.3.3.3. VARIANTE EN EL TIEMPO ................................................................................................. 23
2.3.3.4. NO VOLÁTIL................................................................................................................. 24
2.3.3.5. REDUNDANCIA ............................................................................................................. 25
2.3.4. ESTRUCTURA .................................................................................................................... 26
2.3.5. OLTP VS DW .................................................................................................................. 27
2.4. ARQUITECTURA DATA WAREHOUSING .................................................................................... 29
2.4.1. OLTP............................................................................................................................. 30
2.4.2. LOAD MANAGER ............................................................................................................... 31
2.4.2.1. EXTRACCIÓN ................................................................................................................ 32
2.4.2.2. TRANSFORMACIÓN........................................................................................................ 33
2.4.2.2.1. TIPOS DE DATOS Y MEDIDA ........................................................................................ 34
2.4.2.2.2. CODIFICACIÓN ......................................................................................................... 35
2.4.2.2.3. FUENTES MÚLTIPLES. ................................................................................................ 36
2.4.2.2.4. CONVENCIONES DE NOMBRAMIENTO. ........................................................................... 37
2.4.2.2.5. LIMPIEZA DE DATOS .................................................................................................. 38
IX
2.4.2.3. CARGA ....................................................................................................................... 39
2.4.3. DATA WAREHOUSE MANAGER ............................................................................................. 39
2.4.3.1. BASE DE DATOS MULTIDIMENSIONAL ................................................................................. 41
2.4.3.2. TABLAS DE DIMENSIÓN .................................................................................................. 43
2.4.3.2.1. TABLAS DE DIMENSIÓN TEMPORALIDAD. ........................................................................ 44
2.4.3.3. TABLAS DE HECHOS ....................................................................................................... 45
2.4.4. QUERY MANAGER ............................................................................................................. 47
2.4.5. HERRAMIENTAS DE CONSULTA Y ANÁLISIS. ............................................................................... 48
2.4.6. USUARIOS. ...................................................................................................................... 49
2.4.7. VENTAJAS Y DESVENTAJAS DEL DATA WAREHOUSING ................................................................. 50
2.5. INDICADOR DE GESTIÓN (KPI)............................................................................................... 53
2.5.1. IMPORTANCIA DE LOS INDICADORES DE GESTIÓN EMPRESARIAL .................................................... 53
2.5.2. LA CLAVE DEL PROCESO DE SELECCIÓN DE KPI. ......................................................................... 54
2.5.3. CLASIFICACIÓN. ................................................................................................................ 56
2.5.4. SISTEMA DE INDICADORES ................................................................................................... 57
2.6. ANÁLISIS DE LAS METODOLOGÍAS PARA BUSINESS INTELLIGENCE. .................................................. 59
2.7. METODOLOGÍA HEFESTO. ................................................................................................... 61
2.7.1. CARACTERÍSTICAS. ............................................................................................................. 62
2.7.2. PASOS Y APLICACIÓN DE LA METODOLOGÍA. ............................................................................. 63
2.7.2.1. PASO 1. ANÁLISIS DE REQUERIMIENTOS. ............................................................................ 64
2.7.2.1.1. IDENTIFICAR PREGUNTAS ............................................................................................ 64
2.7.2.1.2. IDENTIFICAR INDICADORES Y PERSPECTIVAS ..................................................................... 66
2.7.2.1.3. MODELO CONCEPTUAL .............................................................................................. 66
2.7.2.2. PASO 2. ANÁLISIS DE LOS OLTP. ...................................................................................... 67
2.7.2.2.1. CONSTRUCCIÓN DE LOS INDICADORES ............................................................................ 67
2.7.2.2.2. ESTABLECER CORRESPONDENCIA. ................................................................................. 69
2.7.2.2.3. NIVEL DE GRANULARIDAD. .......................................................................................... 69
2.7.2.2.4. MODELO CONCEPTUAL AMPLIADO................................................................................ 71
2.7.2.3. PASO 3. MODELO LÓGICO DEL DW ................................................................................... 72
2.7.2.3.1. TIPO DE MODELO LÓGICO. ......................................................................................... 72
2.7.2.3.2. DISEÑO TABLAS DE DIMENSIONES. ................................................................................ 73
2.7.2.3.3. TABLAS DE HECHOS. .................................................................................................. 76
2.7.2.3.4. UNIONES. .............................................................................................................. 79
2.7.2.4. PASO 4. INTEGRACIÓN DE DATOS ..................................................................................... 80
2.8. HERRAMIENTAS. ............................................................................................................... 82
2.8.1. MICROSOFT SQL SERVER .................................................................................................... 82
2.8.2. MICROSOFT VISUAL ESTUDIO ............................................................................................... 83
2.8.3. SQL SERVER MANAGEMENT STUDIO ..................................................................................... 84
2.8.4. DEVEXPRESS SUITE ............................................................................................................ 85
2.8.4.1. DXPERIENCE ENTERPRISE ................................................................................................ 85
2.8.4.2. DXTREME ENTERPRISE ................................................................................................... 85
2.8.5. POWERDESIGNER .............................................................................................................. 85
CAPÍTULO 3 .................................................................................................................................... 87
ANÁLISIS Y DISEÑO DEL PROYECTO ................................................................................................ 87
3.1. METODOLOGÍA HEFESTO. ................................................................................................... 87
3.1.1. ETAPA I). ANÁLISIS DE REQUERIMIENTOS. ............................................................................... 87
3.1.1.1. IDENTIFICAR PREGUNTAS ................................................................................................ 87
3.1.1.2. IDENTIFICAR INDICADORES Y PERSPECTIVAS .......................................................................... 89
3.1.1.3. MODELO CONCEPTUAL .................................................................................................. 90
3.1.2. ETAPA II). ANÁLISIS DE OLTP............................................................................................... 91
3.1.2.1. CONSTRUCCIÓN DE LOS INDICADORES. ............................................................................... 91
3.1.2.1.1. MONTO DE CARTERA VENCIDA RECUPERADA. .................................................................. 91
3.1.2.1.2. MONTO DE CARTERA VENCIDA NO RECUPERADA. .............................................................. 92
X
3.1.2.1.3. PAGOS EFECTUADOS. ................................................................................................ 92
3.1.2.1.4. EFICIENCIA DEL EJECUTIVO EN RECUPERAR LA CARTERA. ...................................................... 92
3.1.2.1.5. EFICIENCIA DEL EJECUTIVO EN CONTACTAR LOS CLIENTES. ................................................... 93
3.1.2.1.6. EFICIENCIA DE LA EMPRESA EN RECUPERAR LA CARTERA. ..................................................... 93
3.1.2.1.7. EFICIENCIA DE LA EMPRESA EN CONTACTAR A LOS CLIENTES. ................................................ 94
3.1.2.2. ESTABLECER CORRESPONDENCIA....................................................................................... 94
3.1.2.3. NIVEL DE GRANULARIDAD ............................................................................................. 104
3.1.2.4. MODELO CONCEPTUAL AMPLIADO. ................................................................................. 110
3.1.3. ETAPA III). MODELO LÓGICO DEL DATA WAREHOUSE. .............................................................. 111
3.1.3.1. TIPO DE MODELO LÓGICO DEL DATA WAREHOUSE. .............................................................. 111
3.1.3.2. TABLAS DE DIMENSIÓN. ................................................................................................ 111
3.1.3.3. TABLAS DE HECHOS. .................................................................................................... 114
3.1.3.4. UNIONES. ................................................................................................................. 115
3.2. ANÁLISIS KPI. ................................................................................................................ 115
3.2.1. DEFINICIÓN DEL OBJETIVO DEL ESTUDIO. ............................................................................... 115
3.2.2. MATRIZ DE KPI............................................................................................................... 117
CAPÍTULO 4 .................................................................................................................................. 118
DESARROLLO Y CONSTRUCCIÓN................................................................................................... 118
4.1. APLICACIÓN METODOLOGÍA HEFESTO. ........................................................................................ 118
4.1.1. ETAPA IV). INTEGRACIÓN DE DATOS. ........................................................................................ 118
4.1.1.1. CARGA INICIAL. ................................................................................................................ 119
4.1.1.1.1 PROCESO 1. CARGA FUENTES EXTERNAS AL ÁREA DE DESEMBARCO. ............................................. 119
4.1.1.1.2 PROCESO 2. CARGA DE LAS TABLAS DE DIMENSIÓN AL ÁREA DEL DWH. ........................................ 131
4.1.1.1.3 PROCESO 3. CARGA DE LA TABLA DE HECHOS AL ÁREA DEL DWH. ............................................... 132
4.1.1.2. ACTUALIZACIÓN. .............................................................................................................. 133
4.1.1.3. CONSTRUCCIÓN DEL CUBO DE RECUPERACIÓN DE CARTERA. ........................................................ 134
4.1.1.3.1 CREACIÓN DEL PROYECTO ANALYSIS SERVICES MULTIDIMENSIONAL. ........................................... 135
4.1.1.3.2 CONFIGURACIÓN DE LA CONEXIÓN A LA BASE DEL DWH. .......................................................... 136
4.1.1.3.3 CONFIGURACIÓN DE LA VISTA BASE DEL CUBO MULTIDIMENSIONAL. ............................................ 137
4.1.1.3.4 CREACIÓN DE LAS DIMENSIONES DEL CUBO MULTIDIMENSIONAL................................................. 138
4.1.1.3.5 CREACIÓN DEL CUBO MULTIDIMENSIONAL. ........................................................................... 141
4.1.1.3.6 CREACIÓN DE JERARQUÍAS. ............................................................................................... 144
4.1.1.3.7 CREACIÓN DE INDICADORES. .............................................................................................. 145
4.1.1.3.8 CREACIÓN DE KPI. .......................................................................................................... 147
4.2. APLICACIONES PARA USUARIOS FINALES. ...................................................................................... 149
4.2.1. TABLERO DE CONTROL. ......................................................................................................... 149
4.2.2. APLICACIÓN WEB. .............................................................................................................. 151
CAPÍTULO 5 .................................................................................................................................. 155
CONCLUSIONES Y RECOMENDACIONES........................................................................................ 155
5.1. CONCLUSIONES ............................................................................................................... 155
5.2. RECOMENDACIONES ........................................................................................................ 156
BIBLIOGRAFÍA .............................................................................................................................. 157
XI
LISTADO DE TABLAS
TABLA 1. ANÁLISIS DATA WAREHOUSE NO REDUNDANTE ............................................................. 26

TABLA 2. ANÁLISIS ESTRUCTURA DWH. (DARIO, 2009)................................................................... 27
TABLA 3. OLTP VS. DWH. ................................................................................................................ 28
TABLA 4. CARACTERÍSTICAS DE LA LIMPIEZA DE DATOS. (DARIO B. , 2009) .................................... 38
TABLA 5. COMPARACIÓN METODOLOGÍAS HEFESTO VS. SAS. ....................................................... 61
TABLA 6. TABLA DE DIFERENCIACIÓN ENTRE INDICADORES Y REPORTES. ...................................... 89
TABLA 7. TABLA DE IDENTIFICADORES Y PERSPECTIVAS A SER ANALIZADAS. ................................. 90
TABLA 8. DESCRIPCIÓN DE LOS KPI Y SU PERSPECTIVA. ................................................................ 116
TABLA 9. DESCRIPCIÓN DE LOS KPI Y SU PERSPECTIVA. ................................................................ 117
TABLA 10. ESQUEMA DE PROCESOS ETL DE CARGA FUENTE EXTERNA. ........................................ 119
TABLA 11. ESQUEMA DE PROCESOS ETL DE CARGA TABLAS DIMENSIONES.................................. 131
TABLA 12. ESQUEMA DE PROCESOS ETL DE CARGA TABLA DE HECHOS. ....................................... 132
XII
LISTADO DE FIGURAS
FIGURA 1. ORGANIGRAMA DE LA EMPRESA TOPNOTCH BUSINESS .................................................. 3

FIGURA 2. PROCEDIMIENTO “GENERACIÓN REPORTES GERENCIALES”. ........................................... 3
FIGURA 3 ESQUEMA PROPUESTO..................................................................................................... 9
FIGURA 4. FASES DE BI (BERNABEU, PROCESO DE BI, 2009). .......................................................... 19
FIGURA 5. CARACTERÍSTICAS DEL DATA WAREHOUSE.................................................................... 21
FIGURA 6. DATA WAREHOUSE, VARIANTE EN EL TIEMPO. ............................................................. 23
FIGURA 7. DATA WAREHOUSE, NO VOLÁTIL................................................................................... 25
FIGURA 8. DATA WAREHOUSE, ESTRUCTURA NIVELES DE ESQUEMATIZACIÓN .............................. 26
FIGURA 9. DATA WAREHOUSING, ARQUITECTURA......................................................................... 30
FIGURA 10. SELECCIÓN OLTP .......................................................................................................... 31
FIGURA 11. SELECCIÓN LOAD MANAGER. ...................................................................................... 32
FIGURA 12. TRANSFORMACIÓN: MEDIDA DE ATRIBUTOS .............................................................. 35
FIGURA 13. TRANSFORMACIÓN: CODIFICACIÓN ............................................................................ 36
FIGURA 14. TRANSFORMACIÓN: FUENTES MÚLTIPLES ................................................................... 37
FIGURA 15. TRANSFORMACIÓN: CONVENCIONES DE NOMBRAMIENTO ........................................ 37
FIGURA 16. CARACTERÍSTICAS DE LA CARGA, ANÁLISIS TIPOS DE CARGA. ..................................... 39
FIGURA 17. SELECCIÓN DATA WAREHOUSE MANAGER. ................................................................. 41
FIGURA 18. CUADRO COMPARATIVO ENTRE LA IMPLEMENTACIÓN ROLAP Y MOLAP. ................... 43
FIGURA 19. TABLAS DE DIMENSIÓN ZONA GEOGRÁFICA, CLIENTE Y TIEMPO. ................................ 44
FIGURA 20. REPRESENTACIÓN MODELO FÍSICO DE TIPO ESTRELLA (HECHOS Y DIMENSIONES). ..... 46
FIGURA 21. ELEMENTO QUERY MANAGER EN LA ARQUITECTURA DATA WAREHOUSING .............. 48
FIGURA 22. ELEMENTO HERRAMIENTAS DE CONSULTA Y ANÁLISIS, ARQUITECTURA DWH ........... 49
FIGURA 23. ELEMENTO USUARIOS, EN LA ARQUITECTURA DATA WAREHOUSING ......................... 50
FIGURA 24. LISTADO DE VENTAJAS QUE OFRECE UN DATA WAREHOUSING. ................................. 51
FIGURA 25. LISTADO DE DESVENTAJAS DE UN DATA WAREHOUSING. ........................................... 52
FIGURA 26. CLASIFICACIÓN DE LOS INDICADORES.......................................................................... 56
FIGURA 27. CLASIFICACIÓN DE LOS INDICADORES POR EL ÁMBITO DE CONTROL .......................... 56
FIGURA 28. CLASIFICACIÓN DE LOS INDICADORES POR DIMENSIÓN .............................................. 57
FIGURA 29. SEMÁFORO MEDICIÓN VISUAL DE DESEMPEÑO. ......................................................... 59
FIGURA 30. METODOLOGÍA HEFESTO............................................................................................. 64
FIGURA 31. ANÁLISIS DE REQUERIMIENTOS, OBTENCIÓN DE INDICADORES Y PERSPECTIVAS........ 66
FIGURA 32. MODELO CONCEPTUAL................................................................................................ 67
FIGURA 33. EJEMPLO. MATRIZ DE MAPEO FUENTE OLTP / VARIABLES........................................... 69
FIGURA 34. EJEMPLO. MATRIZ DE MAPEO OLTP, DESCRIPCIÓN DE CAMPO. .................................. 70
FIGURA 35. MODELO CONCEPTUAL AMPLIADO. ............................................................................ 71
XIII
FIGURA 36. DISEÑO DIMENSIÓN CLIENTES. .................................................................................... 74
FIGURA 37. DISEÑO DIMENSIÓN PUBLICACIONES. ......................................................................... 74
FIGURA 38. DISEÑO DIMENSIÓN ZONAS. ....................................................................................... 74
FIGURA 39. DISEÑO DIMENSIÓN TIEMPO....................................................................................... 75
FIGURA 40. TABLA DE HECHOS CASO 1 (RICARDO, 2010). .............................................................. 77
FIGURA 41. TABLA HECHOS CASO 2 (RICARDO, 2010). ................................................................... 77
FIGURA 42. DISEÑO TABLA DE HECHOS CASO DE ESTUDIO............................................................. 79
FIGURA 43: UNIONES TABLA DE HECHOS VENTAS. ......................................................................... 80
FIGURA 44. MODELO CONCEPTUAL ALTO NIVEL. ........................................................................... 91
FIGURA 45. DIAGRAMA ENTIDAD RELACIÓN DE LA BASE DE DATOS BD_COMUN_TOP. ................. 95
FIGURA 46. CORRESPONDENCIA ENTRE EL DIAGRAMA ENTIDAD RELACIÓN DE LA BASE DE
DATOS BD_COMUN_TOP Y EL MODELO CONCEPTUAL. .................................................................. 96
FIGURA 47. COLUMNAS DE LA FUENTE CARTERA TOP NOTCH........................................................ 97
FIGURA 48. CORRESPONDENCIA ENTRE LAS COLUMNAS DE LA FUENTE CARTERA TOP NOTCH Y
EL MODELO CONCEPTUAL. ............................................................................................................. 98
FIGURA 49. CORRESPONDENCIA ENTRE LAS COLUMNAS DE LA FUENTE REPORTE DE EJECUTIVO
Y EL MODELO CONCEPTUAL. .......................................................................................................... 99
FIGURA 50. CORRESPONDENCIA ENTRE LAS COLUMNAS DE LA FUENTE “OTROS MONTOS
RECUPERADOS” Y EL MODELO CONCEPTUAL. ................................................................................ 99
FIGURA 51. MODELO CONCEPTUAL AMPLIADO. .......................................................................... 111
FIGURA 52. TABLA DIMENSIÓN CLIENTES..................................................................................... 112
FIGURA 53. TABLA DIMENSIÓN EJECUTIVOS. ............................................................................... 113
FIGURA 54. TABLA DIMENSIÓN FECHA. ........................................................................................ 113
FIGURA 55. TABLA DIMENSIÓN CIUDADES. .................................................................................. 114
FIGURA 56. TABLA DE HECHOS RECUPERACIÓN CARTERA. ........................................................... 115
FIGURA 57. UNIONES DE LA TABLA DE DIMENSIONES Y LA TABLA DE HECHOS. ........................... 115
FIGURA 58. FLUJO DE LAS ÁREAS DE DESEMBARCO. .................................................................... 118
FIGURA 59. TAREA PROCESO ETL ASIGNACIÓN PARÁMETROS INICIALES. .................................... 120
FIGURA 60. TAREAS PROCESO ETL DESEMBARCO CARTERA. ........................................................ 120
FIGURA 61. CONSULTA FECHA EN LA QUE SE ESTÁ PROCESANDO. ............................................... 121
FIGURA 62. TAREAS PROCESO ETL DESEMBARCO CLIENTES. ........................................................ 123
FIGURA 63. TAREAS PROCESO ETL DESEMBARCO GESTIÓN. ......................................................... 124
FIGURA 64. TAREAS PROCESO ETL DESEMBARCO CIUDADES........................................................ 126
FIGURA 65. CONSULTA EXTRACCIÓN CIUDADES. .......................................................................... 127
FIGURA 66. TAREAS PROCESO ETL DESEMBARCO RECUPERACIÓN ADICIONAL. ........................... 128
FIGURA 67. TAREAS PROCESO ETL DESEMBARCO EJECUTIVOS. .................................................... 130
FIGURA 68. CONSULTA EXTRACCIÓN EJECUTIVOS. ....................................................................... 130
FIGURA 69. FLUJO DE TAREAS CARGA TABLAS DE DIMENSIÓN AL DWH....................................... 131
XIV
FIGURA 70. FLUJO DE TAREAS CARGA TABLA DE HECHOS AL DWH. ............................................. 133
FIGURA 71. DISEÑO DEL MODELO DEL CUBO MULTIDIMENSIONAL RECUPERACIÓN CARTERA. ... 135
FIGURA 72. SELECCIÓN DEL PROYECTO PARA CREACIÓN DEL CUBO MULTIDIMENSIONAL. .......... 136
FIGURA 73. CARPETAS DE TRABAJO EXPLORADOR DE SOLUCIONES. ............................................ 136
FIGURA 74. PARÁMETROS DE CONEXIÓN A LA BASE DEL DWH. ................................................... 137
FIGURA 75. SELECCIÓN DE TABLAS DE DIMENSIÓN Y HECHOS. .................................................... 138
FIGURA 76. SELECCIÓN MÉTODO GENERACIÓN DIMENSIONES. ................................................... 139
FIGURA 77. SELECCIÓN FUENTE Y NOMBRE PARA LA DIMENSIÓN CIUDADES. ............................. 139
FIGURA 78. SELECCIÓN FUENTE Y NOMBRE PARA LA DIMENSIÓN CLIENTES. ............................... 140
FIGURA 79. SELECCIÓN FUENTE Y NOMBRE DIMENSIÓN EJECUTIVOS. ......................................... 140
FIGURA 80. SELECCIÓN FUENTE Y NOMBRE DIMENSIÓN FECHAS. ................................................ 140
FIGURA 81. SELECCIÓN MÉTODO DE CREACIÓN CUBO MULTIDIMENSIONAL. .............................. 141
FIGURA 82. SELECCIÓN DE LA TABLA FUENTE DEL GRUPO DE MÉTRICAS. .................................... 142
FIGURA 83. SELECCIÓN DIMENSIONES DEL CUBO DE RECUPERACIÓN DE CARTERA. .................... 143
FIGURA 84. ASIGNACIÓN DEL NOMBRE DEL CUBO PARA LA RECUPERACIÓN DE CARTERA. ......... 143
FIGURA 85. ASIGNACIÓN DEL NOMBRE DEL CUBO PARA LA RECUPERACIÓN DE CARTERA. ......... 144
FIGURA 86. JERARQUIZACIÓN DIMENSIÓN FECHAS. .................................................................... 145
FIGURA 87. CÓDIGO MDX PARA CONSTRUIR EL INDICADOR “EFICIENCIA RECUPERACION
CARTERA EJECUTIVO X FECHA”. ................................................................................................... 146
FIGURA 88. CÓDIGO MDX PARA CONSTRUIR EL INDICADOR “EFICIENCIA CONTACTAR
CLIENTES”..................................................................................................................................... 146
FIGURA 89. CÓDIGO MDX PARA CONSTRUIR EL INDICADOR “EFICIENCIA RECUPERACION
CARTERA EMPRESA X FECHA”. ..................................................................................................... 147
FIGURA 90. CÓDIGO MDX PARA CONSTRUIR EL KPI “KPI INCREMENTO RECUPERACION
CARTERA”. ................................................................................................................................... 148
FIGURA 91. CÓDIGO MDX PARA CONSTRUIR EL KPI “KPI INCREMENTO CONTACTAR A LOS
CLIENTES”..................................................................................................................................... 149
FIGURA 92. GRUPO DE BOTONES PARA EL MANEJO DE FICHEROS. .............................................. 150
FIGURA 93. GRUPO DE BOTONES PARA EL MANEJO DE LA FUENTE DE DATOS. ............................ 150
FIGURA 96. GRUPO DE BOTONES DE LA APLICACIÓN WEB. .......................................................... 151
FIGURA 97. PERFIL INICIO DE LA APLICACIÓN WEB. ..................................................................... 152
FIGURA 98. PERFIL TABLA CRUZADA DE LA APLICACIÓN WEB. ..................................................... 153
FIGURA 99. PERFIL KPI DE LA APLICACIÓN WEB. .......................................................................... 153
FIGURA 100. PERFIL REPORTES DE FUENTE Y BODEGA APLICACIÓN WEB..................................... 154
XV
LISTADO DE FÓRMULAS
FÓRMULA 1. CÁLCULO DEL DESEMPEÑO POSITIVO DE UN EMPLEADO .......................................... 58

FÓRMULA 2. CÁLCULO DEL DESEMPEÑO NEGATIVO DE UN EMPLEADO ........................................ 58
FÓRMULA 3. CÁLCULO DEL DESEMPEÑO DE UN EMPLEADO, PARA LA EMPRESA TOP NOTCH
BUSINESS. ...................................................................................................................................... 93
FÓRMULA 4. CÁLCULO DEL INDICADOR EFICIENCIA DEL EJECUTIVO EN CONTACTAR A LOS
CLIENTES, PARA LA EMPRESA TOP NOTCH BUSINESS. .................................................................... 93
FÓRMULA 5. CÁLCULO DEL INDICADOR EFICIENCIA EN RECUPERAR LA CARTERA A NIVEL
EMPRESARIAL, PARA LA EMPRESA TOP NOTCH BUSINESS. ............................................................ 93
FÓRMULA 6. CÁLCULO DEL INDICADOR EFICIENCIA EN CONTACTAR A LOS CLIENTES, PARA LA
EMPRESA TOP NOTCH BUSINESS.................................................................................................... 94
XVI
LISTADO DE ANEXOS
ANEXO 1
ENTREVISTA DE ANÁLISIS EMPRESA TOPNOTCH BUSINESS
ANEXO 2
MATRIZ DE MAPEO FUENTE A BODEGA
ANEXO 3
LISTADO DE ABREVIATURAS ESTANDARIZADAS PARA EL DESARROLLO
ANEXO 4
MANUAL DE USUARIO SISTEMA SATB - BI - DASHBOARD
ANEXO 5
MANUAL DE USUARIO SISTEMA SATB - BI - WEB
ANEXO 6
MANUAL TÉCNICO SISTEMA SATB
ANEXO 7
MANUAL ADMINISTRACIÓN SISTEMA SATB
XVII
GLOSARIO DE ABREVIATURAS
BI Business Intelligence - Inteligencia de Negocios

DEVEXPRESS Development Express to Visual Studio .NET
DWH Data Warehouse.
ETL Extract, transformation and Load.
HOLAP Hybrid Online Analytical Process.
KPI Key Performance Indicators.
MOLAP Multidimensional Online Analytical Processing.
Procesamiento de transacciones en línea (Online
OLAP
Transaction Processing) o sistema transaccional.
ROLAP Processing Analytical On Line Relational.
SATB Sistema de Análisis Topnotch Business.
SQL Structured query language.
Sistema de búsqueda de clientes y ejecutivos de la
TBSEARCH
empresa Topnotch Business
Vocablo inglés que significa “red”, “telaraña” o “malla”. El
WEB concepto se utiliza en el ámbito tecnológico para
nombrar a una red informática
XVIII
RESUMEN
El presente proyecto muestra el desarrollo de una aplicación de Inteligencia
de Negocios, para la empresa KRONOSCONSULTING CIA LTDA., que
incluye el análisis, diseño y construcción de un Data Warehouse y Cubo
multidimensional que permite el análisis de indicadores y Key Performance
Indicators (KPI), aplicados a la recuperación de cartera y la eficiencia en el
contacto de clientes deudores. El objetivo es organizar y centralizar la
información de la empresa en un solo repositorio, optimizando el tiempo de
generación de indicadores situacionales y reportes de la empresa. La
primera etapa enmarca los objetivos, la situación actual y el alcance que se
pretenden al finalizar el presente trabajo. Por otra parte se explica el
fundamento teórico y metodológico que guiará la construcción de la bodega
de información y los indicadores. La metodología seleccionada es HEFESTO
versión 2.0, en la cual detalla todas las etapas necesarias para la
construcción de un Data Warehouse corporativo y los conceptos de
Business Intelligence. En la etapa de construcción se trabajó con las
herramientas de la suite de Microsoft SQL Management SQL 2012, Visual
Studio 2010 y el componente DevExpress en la versión 13.1.
Palabras Clave:
 Inteligencia de Negocio
 Indicadores,
 Bodega de Datos,
 Cuadro de Mando
 HEFESTO
XIX
ABSTRACT
This white paper shows a Business Intelligence (BI) application development
for the KRONOSCONSULTING CIA LTDA. Company. This includes analysis,
design and construction of a data warehouse and multidimensional cube, that
allows the indicators and Key Performance Indicators (KPI) analysis of the
company applied to loan recovery and efficiency in customer contact. The
main objective of the project is to organize and centralize business
information into a single repository, optimizing the time in the generation of
situational indicators and company reports. The first part let know us the
objectives, today situation and the scope of the Project. By other hand it
explains the methodology and theoretical fundaments for the construction of
the DWH and the indicators. The methodology selected was HEFESTO 2.0,
it describe all phases to construct DWH and Business Intelligence solution.
The tools used were suite de Microsoft SQL Management SQL 2012, Visual
Studio 2010 y DevExpress 13.1 component.
Keywords:
 Business Intelligence
 KPI
 Data Warehouse
 Dashboard
 HEFESTO
1
CAPÍTULO 1
Análisis, diseño, construcción e implementación de un Data Warehouse

para toma de decisiones y construcción de los KPI, para la empresa
KRONOSCONSULTING CIA LTDA.
1.1. Antecedentes
La consultora KRONOSCONSULTING CIA LTDA.1, dedicada a realizar
consultorías en varios ámbitos de los negocios, pretende como parte de un
nuevo proyecto de consultoría, dar soporte tecnológico a la empresa
Topnotch Business para resolver su necesidad de evaluación del
desempeño de la organización y sus empleados con una gestión eficiente de
la información actual. La consultora gestionará, administrará y controlará
cada fase del proyecto, interviniendo y extendiendo el soporte en todos los
ámbitos de acción y a todos los participantes.
La empresa Topnotch Business2, se creó en Quito, Ecuador en el año
2005, dedicada a la cobranza externa legal de Movistar y otros clientes con
menor participación. Esta necesidad de negocio surgió debido a que la
empresa Movistar no tenía la capacidad para cobrar las cuentas vencidas de
sus clientes.
1
Nombre propio de la Empresa Consultora dueña del Proyecto.
2
Nombre propio de la Empresa Cliente a la cual va dirigido el Proyecto.
2
La empresa se inició y se mantiene con el manejo de varios tipos de
cartera vencida y cada una de estas se gestionan por uno o varios ejecutivos
de cobranza. Estos contratos se reparten de forma empírica, a cada
ejecutivo según el administrador va adquiriendo experiencia de sus
colaboradores con respecto a la ciudad en la que son más aptos, careciendo
de una estrategia de seguimiento y evaluación de desempeño al personal
para su asignación posterior de los contratos; por lo cual, hace algún tiempo,
ha impactado en el alcance de los objetivos del personal y empresariales
fijados al comienzo de cada año, debido a lo complicado que se hace la
tarea de evaluación del personal en forma manual.
Actualmente toda la información que maneja la empresa Topnotch
Business se realiza en forma manual mediante hojas electrónicas en Excel;
las mismas que representan sus contratos, carteras 3 cobradas, carteras
pendientes y nómina de ejecutivos; y, mediante el sistema “TBSEARCH”4 la
base de sus clientes. El volumen de datos que maneja la empresa es muy
alto al momento de recolectar la información para la construcción de los
reportes; generando así un alto costo en tiempo de procesamiento, como en
recursos.
Los reportes que genera la empresa con periodicidad quincenal y
mensual para el comité gerencial, se generan de forma tardía;
adicionalmente reportes semanales adicionados por cada ejecutivo no se
logran consolidar; lo cual hace imposible un manejo manual adecuado para
3
Listado de operaciones de débito o crédito realizadas por una persona en una empresa.
4
Sistema informático que realiza búsquedas de clientes y ejecutivos de la empresa Topnotch Business
3
presentar la información y generar los “Indicadores de Gestión”5 claves de
éxito de la empresa.
A continuación se representa gráficamente la situación actual de la
empresa, su organigrama y el esquema del proceso de generación de
reportes gerenciales.
Accionistas
Comité Gerencial
Gerente
General
Gerencia
Supervidor Supervisor
Quito Otra Ciudad
Supervisión A Supervisión B
Ejecutivo 1 Ejecutivo 2 Ejecutivo 3 Ejecutivo 4 Ejecutivo 5

Supervisión A Supervisión A Supervisión B Supervisión B Supervisión B
Ejecutivo Cobranza 1 Ejecutivo Cobranza 2 Ejecutivo Cobranza 3 Ejecutivo Cobranza 4 Ejecutivo Cobranza 5
Figura 1. Organigrama de la Empresa Topnotch Business
SQL 2005
Organizaciones
SQL 2008 SQL 2000
Individuos Ejecutivos
Generación Archivo
Cartera Cobranza
Archivo Cartera Reporte Cobranza

TXT XLS Ejecutivos
Sistema de Movistar
Consolidación/Generación
Presentación Reportes Accionistas
Reportes Gerenciales
Toma de decisiones
Figura 2. Procedimiento “Generación reportes Gerenciales”.

5
Parámetro de análisis que mide el estado actual de un proceso, actividad o escenario para poder
tomar decisiones.
4
Se propone, por las gerencias y el grupo de proyecto de tesis que lo
abalan, realizar una propuesta informática que ayude al adecuado
almacenamiento, procesamiento y presentación de la información y la
generación de los KPI6, para la empresa Topnotch Business colaborando de
esta manera con la toma de decisiones pertinentes dentro de la
organización.
1.2. Planteamiento del problema
La empresa Topnotch Business carece de una herramienta que permita
evaluar el desempeño obtenido por cada uno de los empleados y de la
empresa a nivel general, de una forma clara y oportuna. Por tal motivo,
existe un alto riesgo de plantear estrategias empresariales erróneas, que no
permitan alcanzar los objetivos empresariales planteados, y sin poder tener
una evaluación continua sobre el desempeño de sus empleados.
Topnotch Business necesita conocer cuál es el porcentaje de
recuperación de cartera vencida en un determinado tiempo y por cada
ejecutivo de cartera, adicionalmente la construcción de los reportes
gerenciales en los tiempos establecidos y presentación de los Indicadores de
Gestión para medir el desempeño.
6
Key Performance Indicators, los indicadores clave de desempeño son métricas financieras o no
financieras, utilizadas para cuantificar objetivos que reflejan el rendimiento de una organización, y
que generalmente se recogen en su plan estratégico
5
Acorde a esta necesidad la empresa requiere la construcción de un
almacén de datos (Data Warehouse) que permita generar tanto los reportes
gerenciales como la construcción de KPI de los ejecutivos de una forma
confiable, rápida y precisa.
1.3. Justificación
Desde que se inició la era de la computadora, las organizaciones han
usado los datos desde sus sistemas operacionales para atender sus
necesidades de análisis de información. Algunas proporcionan acceso
directo a la información contenida dentro de las aplicaciones; otras, han
extraído los datos desde sus bases de datos para combinarlos de varias
formas no estructuradas y analizar la información, en su intento por tomar
decisiones eficaces y oportunas.
El Data Warehouse, es actualmente, el centro de atención de las
grandes instituciones, porque provee un ambiente base para el análisis
predictivo de la información que está siendo administrada por diversas
aplicaciones/herramientas operacionales.
Subsiguiente a implementar una bodega de datos, es necesario calcular
y presentar el resultado de este análisis de una forma sencilla y a nivel
general, en este caso al Comité Gerencial de la empresa.
Relevancia Social. Ayudar a la empresa, empleados y personas
relacionadas, a mejorar su desempeño con un estímulo de eficacia y mejor
gestión de la empresa.
6
Importancia Tecnológica. El proyecto SATB 7 , se presenta como
solución tecnológica que permita almacenar, procesar y presentar toda la
información necesaria para atender los requerimientos más importantes de
análisis de la empresa. De esta manera se obtiene una ayuda tecnológica,
que hoy carecen, como instrumento organizado, de acceso inmediato e
integrador del proceso de generación de indicadores, KPI, necesarios para el
análisis situacional y toma de decisiones, en la Organización. Además se
complementará el estudio de cómo trabajar en la nueva versión de SQL
Server 2012 con herramientas de Análisis de Datos.
Importancia Económica. Al analizar la información que proveerá el
Data Warehouse por medio de los reportes y de los KPI, se mejora
considerablemente la toma de decisiones y con ello se incurrirá en menores
gastos, mejor administración de los recursos y generación de un mayor
porcentaje de recuperación de la cartera vencida.
Beneficiarios:
 Directos
o Topnotch Business.
 Indirectos
o Consultora “KRONOSCONSULTING CIA LTDA.”
o Sociedad en General.
7
Denominación que se le ha dado al proyecto actual de construcción del Data Warehouse e
Indicadores de desempeño de los empleados.
7
1.4. Objetivos
1.4.1. Objetivo general
Desarrollar una aplicación de Business Intelligence utilizando la
metodología Hefesto con el uso de la herramienta orientada a BI SQL 2012
para la empresa KRONOSCONSULTING CIA LTDA.
1.4.2. Objetivos específicos
 Revisar los conceptos de Data Warehousing, Business Intelligence y
los fundamentos de la Metodología Hefesto.
 Análisis y diseño del proyecto de Business Intelligence SATB,
aplicando la Metodología Hefesto.
 Desarrollo y construcción de los indicadores KPI del proyecto de
Business Intelligence SATB, aplicando la Metodología Hefesto.
1.5. ALCANCE
El presente proyecto de tesis concentrará el estudio de la información del
cliente más importante como es Movistar, sin alterar la fuente de información
con la que opera la empresa Topnotch Business. Por lo cual se realizará:
La identificación de cada fuente de datos que se va a utilizar para la
integración de la información en el Data Warehouse, la información se
encuentra en Hojas de Excel y serán copiadas con periodicidad que se
definirá en el desarrollo del proyecto en una ruta FTP compartida.

8
Levantamiento de los Requerimientos y creación de las matrices de
Mapeo de las fuentes.
 Construcción del Data Warehouse acoplado a los requerimientos
funcionales.
 Construcción de los reportes de la información almacenada en el
Data Warehouse, estos en primera instancia se detallan a
continuación:
o Monto de cartera vencida recuperada por la empresa en un
periodo de tiempo.
o Monto de cartera vencida recuperada por el ejecutivo en un
periodo de tiempo.
o Pagos realizados por los clientes en periodo de tiempo.
o Porcentaje de Clientes contactados en un periodo de tiempo.
o Porcentaje de Clientes contactados por ejecutivo en un periodo
de tiempo.
o Listado de Clientes pendientes de Notificación.
o Listado de Direcciones y números de contacto del Cliente
o Construcción de los KPI,
o Eficiencia del ejecutivo en recuperar la cartera.

9
o Eficiencia del ejecutivo en contactar los clientes.
o Eficiencia de la empresa en recuperar la cartera.
o Eficiencia de la empresa en contactar los clientes.
Generación de los respaldos periódicos del Data Warehouse para
asegurar la disponibilidad de la información en casos de criticidad o desastre
ya sea externa o interna.
INFRAESTRUCTURA PROCESO DE INFORMACION DE ENTRADA
Archivo Cartera
Rec uperación Movistar
Gerente
Servidor Virtual
Archivos Compartidos Colaboradores
XLS Recuperacion
XLS Recuperacion
Servidor Virtual Supervisores

Web
Servidor Físico Red de la empresa RESULTADOS
Servidor Virtual
Administración y Autenticación
Cuadro de Junta Directiva

Mandos
ARQUITECTURA DWH (Fases de la Metodología Hefesto)
Servidor Virtual
Base de Datos
Relacional
Servidor Virtual
Base de Datos
Multidimensional
Figura 3 Esquema Propuesto.

10
CAPÍTULO 2
FUNDAMENTACIÓN TEÓRICA
2.1. Bases teóricas
2.1.1. Definiciones Importantes
Al comenzar se necesita tener cada uno de los términos y su significado,
que se incluyen en las fases de implantación de una herramienta Business
Intelligence, para ello se describen a continuación.
2.1.1.1. OLTP
Es la sigla en inglés de Procesamiento de Transacciones En Línea
(Online Transaction Processing) es un tipo de procesamiento que facilita y
administra aplicaciones transaccionales, usualmente para entrada de datos y
recuperación y procesamiento de transacciones (gestor transaccional). Los
paquetes de software para OLTP se basan en la arquitectura cliente-servidor
ya que suelen ser utilizados por empresas con una red informática
distribuida. (Wikipedia, OLTP, 2013).

11
2.1.1.2. OLAP
Es el acrónimo en inglés de procesamiento analítico en línea (On-Line
Analytical Processing). Es una solución utilizada en el campo de la llamada
Inteligencia empresarial (o Business Intelligence) cuyo objetivo es agilizar la
consulta de grandes cantidades de datos. Para cumplir este objetivo se debe
usar estructuras multidimensionales (o Cubos OLAP) que contienen datos
resumidos de grandes Bases de datos o Sistemas Transaccionales (OLTP);
los mismos sirvan para crear informes de negocios de ventas, marketing,
informes de dirección, minería de datos y áreas similares.
La razón de usar OLAP para las consultas es la rapidez de respuesta.
Una base de datos relacional almacena datos en tablas discretas
normalizadas. Esta estructura en sistemas OLTP es buena, pero para las
complejas consultas multitabla es relativamente lenta; por lo tanto, las bases
de datos multidimensional es el mejor modelo para búsquedas (aunque peor
desde el punto de vista operativo).
La principal característica que potencia a OLAP, es que es lo más rápido
a la hora de ejecutar sentencias SQL de tipo SELECT, en contraposición con
OLTP que es la mejor opción para operaciones de tipo INSERT, UPDATE Y
DELETE (Wikipedia, OLTP, 2013).
2.1.1.3. Data Warehousing
Se entiende por Data Warehousing como el proceso de extraer y filtrar
datos de las operaciones comunes de la organización, procedentes de los

12
distintos sistemas de información operacionales y/o sistemas externos, para
transformarlos, integrarlos y almacenarlos en un depósito o almacén de
datos (Data Warehouse, en inglés) con el fin de acceder a ellos para dar
soporte en el proceso de toma de decisiones de una organización. Es decir,
la finalidad es convertir los datos operacionales en información relacionada y
estructurada, homogénea y de mayor calidad, identificada convenientemente
y que se mantenga en el tiempo, es decir, los datos más recientes no
sustituyen a los precedentes, pero tampoco se acumulan de cualquier
manera, sino que se suelen mantener con un mayor nivel de detalle los
datos actuales, y de manera más agregada los datos anteriores (Curto,
2007).
2.1.1.4. Data Warehouse
Según W. H. Inmon (considerado por muchos el padre del Data
Warehouse), un Data Warehouse es un conjunto de datos orientados por
temas, integrados, variantes en el tiempo y no volátiles, que tienen por
objetivo dar soporte a la toma de decisiones.
Según Ralph Kimball (considerado el principal promotor del enfoque
dimensional para el diseño de almacenes de datos), un Data Warehouse es
una copia de los datos transaccionales específicamente estructurada para la
consulta y el análisis.
Un Data Warehouse proporciona una visión global, común e integrada de
los datos de la organización, independiente de cómo se vayan a utilizar

13
posteriormente por los consumidores o usuarios, con las propiedades
siguientes: estable, coherente, fiable y con información histórica. Al abarcar
un ámbito global de la organización y con un amplio alcance histórico, el
volumen de datos puede ser muy grande (centenas de terabytes). Las bases
de datos relacionales son el soporte técnico más comúnmente usado para
almacenar las estructuras de estos datos y sus grandes volúmenes.
Normalmente en el almacén de datos habrá que guardar información
histórica que cubra un amplio período de tiempo. Pero hay ocasiones en las
que no se necesita la historia de los datos, sino sólo sus últimos valores,
siendo además admisible generalmente un pequeño desfase o retraso sobre
los datos operacionales. En estos casos el almacén se llama almacén
operacional (ODS, Operational Data Store) (Curto, 2007).
2.1.1.5. Operational Data Store (ODS)
ODS es un contenedor de datos activos, es decir datos operacionales
que ayudan al soporte de decisiones y a la operación. Está entre un OLAP y
un OLTP. Su función es integrar los datos al igual que en el Data Warehouse
pero con una ventana de actualización muy pequeña (del orden de minutos)
y con mucho menos detalle. (Wikipedia, Almacén operacional de los datos,
2013).
2.1.1.6. Data Mart.
Un Data Mart es un subconjunto de datos del Data Warehouse con el
objetivo de responder a un determinado análisis, función o necesidad y con

14
una población de usuarios específica. Al igual que en un Data Warehouse,
los datos están estructurados en modelos de estrella o copo de nieve y un
Data Mart puede ser dependiente o independiente de un Data Warehouse.
Por ejemplo, un posible uso sería para el Data Mining.
¿Qué diferencia existe entonces entre un Data Mart y un Data
Warehouse? Su alcance. El Data Mart está pensado para cubrir las
necesidades de un grupo de trabajo o de un determinado departamento
dentro de la organización. Es el almacén natural para los datos
departamentales. En cambio, el ámbito del Data Warehouse es la
organización en su conjunto. Es el almacén natural para los datos
corporativos comunes. (Curto, 2007)
2.2. Inteligencia de Negocios (Business Intelligence BI)
2.2.1. Orígenes.
Howard Dresner, es a quien se le atribuye la creación del término
Business Intelligent, en el año de 1989, cuando era analista del Instituto
Gartner. Así como él, los norteamericanos adquirieron fama por el desarrollo
de las modernas herramientas que se utilizan para el Business Intelligent.
Yves-Michel Marti, científico, profesor y fundador de Egideria, una de las
más grandes empresas europeas de consultoría en Business Intelligence,
reivindica, que el Viejo Continente, es la cuna y la pionera en la aplicación
del concepto de BI. Según Marti, en sus estudios sobre economía
inteligente, uno de los ejemplos señala que a fines del siglo XVI, la reina
15
Isabel I, con el fin de ocupar territorios conquistados, determinó que la base
de la fuerza inglesa fuera “la información y el comercio”, y le solicitó al
filósofo Francis Bacon que inventara un sistema dinámico de información,
que fue ampliamente aplicado por los ingleses
La era antes del BI se sitúa en un pasado cercano, aproximadamente
cuarenta o cincuenta años atrás, durante los años 60 y 70 del siglo XX. En
esa época, las computadoras dejaron de ocupar salas gigantescas, mientras
las empresas comenzaban a considerar a los datos como una posible e
importante fuente de información para la toma de decisiones, aún sin existir
los recursos para el análisis consistente de los datos.
El panorama comenzó a cambiar en la década del 70, con el surgimiento
de las tecnologías de almacenamiento y de acceso a datos – DASD (Direct
Access Storage Device – Dispositivo de Almacenamiento de Acceso
Directo), y SGBD (Sistema de Gestión de Bases de Datos), dos siglas cuyo
principal objetivo era establecer una única fuente de datos para todo el
procesamiento. A partir de ese momento, la computadora comenzó a ser
vista como un coordinador central de las actividades corporativas y la base
de datos fue considerada un recurso básico para la ventaja competitiva.
A comienzos de los 90, la mayoría de las grandes empresas contaba
solamente con Centros de Información (CI), que aun manteniendo un stock
de datos, tenían disponibles en pequeña medida la información. Aun así, los
CI suplían, de cierta manera, las necesidades de los gerentes, al
proporcionar informes y análisis gerenciales. El mercado se volvía más

16
complejo y la Tecnología de la Información mejoraba los programas
informáticos, que generaban información no sólo más precisa sino también
en el momento oportuno para definir acciones que mejoraran el desempeño
de las empresas.
Entre 1992 y 1993, surgió Data Warehouse, una gran base de datos
informativa, es decir, un repositorio de datos consolidados, limpios y
estandarizados. Los especialistas lo consideran la pieza esencial para un
proyecto de Business Intelligence. Ese repositorio no tiene que ser,
necesariamente, un Data Warehouse, sino algo menos complejo, como por
ejemplo un Data Mart (base de datos diseñada especialmente para temas o
áreas específicas), o inclusive una base de datos relacional común,
separada del entorno transaccional (operativo) y dedicada a almacenar la
información utilizada como base para elaborar diferentes análisis y
proyecciones.
El desarrollo tecnológico que permitió crear herramientas para facilitar la
captación, extracción, almacenamiento, filtrado, disponibilidad y
personalización de los datos, llevó a que las corporaciones se interesaran en
soluciones de BI en forma más contundente, principalmente alrededor de
1990, cuando el concepto de Business Intelligence comenzó a difundirse
como una evolución del EIS, Executive Information System, creado a fines
de la década del 70 por investigadores del MIT (Massachusetts Institute of
Technology-EE.UU.).
17
Con el correr de los años, el término Business Intelligence adquirió
mayor alcance e incluyó una serie de herramientas, como el mismo EIS y las
soluciones DSS (Decision Support System – Sistema de Soporte de
Decisiones), Planillas Electrónicas, Generadores de Consultas y de
Informes, Data Marts, Data Mining y Herramientas OLAP (Online Analytical
Process). Todas buscan impulsar la agilidad comercial, dinamizar la toma de
decisiones y perfeccionar las estrategias de relación con los clientes.
Actualmente, las pequeñas, medianas y grandes empresas necesitan del
BI para las más diversas situaciones, desde la toma de decisiones hasta la
optimización del trabajo, reducción de costos, pronóstico de crecimiento,
elaboración de estrategias, rápida detección de desviaciones de
presupuesto, identificación de tendencias de ventas, seguimiento eficiente
de los objetivos planificados, disponibilidad de cuadros comparativos de
rendimiento de empleados, asociados y colaboradores, alineamiento del día
a día con estrategias planteadas a futuro.
Para que un proyecto de BI contribuya al mejor desempeño de una
empresa, deben analizarse dos factores: el costo y los objetivos que se
desea alcanzar - es decir, se debe alinear el proyecto con los intereses y las
estrategias de la corporación. Tomado de (NextGenerationCenter, s.f.)
2.2.2. Definición.
Business Intelligence (BI) o inteligencia de negocios, se lo define como
un concepto que integra el procesamiento y el almacenamiento de grandes

18
cantidades de datos, con el objetivo de poder transformar toda esta
información en conocimiento de alto valor que permita tomar eficientemente
decisiones estratégicas y en tiempo real, a través de un sencillo análisis y
exploración.
2.2.3. Proceso para realizar Business Intelligent.
El proceso se divide en cinco fases, las cuales son:
FASE 1: Dirigir y Planear. En esta fase inicial es donde se deberán
recolectar los requerimientos de información específicos de los diferentes
usuarios, así como entender sus diversas necesidades, para que luego en
conjunto con ellos se generen las preguntas que les ayudarán a alcanzar sus
objetivos. (Ricardo, 2010)
FASE 2: Recolección de Información. Es aquí en donde se realiza el
proceso de extracción de la información tanto interna como externa, los
datos que serán necesarios para encontrar las respuestas a las preguntas
planteadas en la Fase 1. (Ricardo, 2010)
FASE 3: Procesamiento de Datos. En esta fase se integran y cargan los
datos en crudo en un formato utilizable para el análisis. Esta actividad puede
realizarse mediante la creación de una nueva base de datos, agregando
datos a una base de datos ya existente o bien consolidando la información
expuesta en la Fase 2. (Ricardo, 2010)

19
FASE 4: Análisis y Producción. Ahora, se procederá a trabajar sobre los
datos extraídos e integrados, utilizando herramientas y técnicas propias de la
tecnología BI, para crear inteligencia de negocio. Como resultado final de
esta fase se obtendrán las respuestas a las preguntas, mediante la creación
de reportes, indicadores de rendimiento, cuadros de mando, gráficos
estadísticos, etc. (Ricardo, 2010)
FASE 5: Difusión. Finalmente, se les entregará a los usuarios que lo
requieran las herramientas necesarias, que les permitirán explorar los datos
de manera sencilla e intuitiva. (Ricardo, 2010)
Figura 4. Fases de BI
Fuente: (Bernabeu, Proceso de BI, 2009).

20
2.3. Bodega de datos (Data Warehouse)
2.3.1. Definición
Según la definición realizada por William Harvey Inmon, también
conocido como el padre del Data Warehousing, un Data Warehouse es una
colección de datos orientada al negocio, integrada, variante en el tiempo y
no volátil para el soporte del proceso de toma de decisiones de la gerencia.
En otras palabras es una bodega o almacén único de datos
multidimensional o relacional, que almacena datos extraídos y
transformados, para su consolidación, integración y centralización; estos
pueden provenir de distintas fuentes y tipos, haciendo así posible el posterior
análisis y exploración.
2.3.2. Funcionalidad
El Data Warehousing posibilita la extracción de datos de sistemas
operacionales y fuentes externas, permite la integración y homogenización
de los datos de toda la empresa, provee información que ha sido
transformada y sumarizada, para que ayude en el proceso de toma de
decisiones estratégicas. (Bernabeu, HEFESTO: Metodología para la
Construcción de un Data Warehouse, 2010)

21
Orientada
al Negocio
Data
Warehouse
(Colección de Variante
Integrada en el
datos para el tiempo
soporte de toma
de decisiones)
No
volátil
Figura 5. Características del Data Warehouse.
2.3.3. Características
Un Data Warehouse es:
 Orientado al negocio.
 Integrado.
 Variante en el tiempo.
 No volátil.
 Redundante.
2.3.3.1. Orientada al negocio
La primera característica del Data Warehouse, es que la información se
clasifica en base a los aspectos que son de interés para la organización.
Esta clasificación afecta directamente al diseño y la implementación del
almacén de datos, debido a que la estructura del mismo difiere

22
considerablemente a la de los clásicos procesos operacionales orientados a
las aplicaciones. (Bernabeu, HEFESTO: Metodología para la Construcción
de un Data Warehouse, 2010)
Los procesos orientados a la aplicación están relacionados entre los
sistemas transaccionales y el Data Warehouse, ya que en los dos se
necesita una alta accesibilidad a los datos debido a un mayor desempeño y
velocidad en la ejecución de consultas, la premisa de esta relación se debe a
que en un Data Warehouse la información está desnormalizada8, es decir,
con redundancia y que la misma este dimensionada bajo perspectivas; esto
para evitar recorrer por toda la base de datos cuando se realiza las consultas
generales o específicas. Un Data Warehouse permite realizar estas tareas
de consulta de una forma más rápida y eficaz, con ello poder satisfacer una
alta demanda y muy recurrente, en complejos análisis mensuales;
optimizando el tiempo de respuesta e igualándolo al de un sistema
transaccional.
2.3.3.2. Integrada
Esta característica implica que todos los datos fuentes producidos por
distintos departamentos, secciones y aplicaciones (internos o externos),
deben ser consolidados en una instancia antes de ser agregados al Data
Warehouse, y deben por lo tanto ser analizados para asegurar su
consistencia, calidad y limpieza. Cuenta con diversas técnicas y
8
Desnormalización, es el proceso de invertir las transformaciones realizadas durante la
normalización; o sea se debe eliminar las relaciones y redundar la información dentro de una misma
tabla.
23
subprocesos para llevar a cabo sus tareas. Una de estas técnicas son
los procesos ETL: Extracción, Transformación y Carga de Datos.
(Bernabeu, HEFESTO: Metodología para la Construcción de un Data
Warehouse, 2010)
La integración de datos, ayuda a estandarizar las convenciones de
nombres, unidades de medidas y codificaciones, de los múltiples datos
disímiles de las fuentes.
2.3.3.3. Variante en el tiempo
TIEMPO
Figura 6. Data Warehouse, variante en el tiempo.
Esta cualidad que no se encuentra en fuentes de datos operacionales,
garantiza poder desarrollar análisis de la dinámica de la información, como
pronósticos y análisis de tendencias y patrones, todo esto a partir de una
base estadística de información, pues ella es procesada como una serie de
instantáneas, cada una representando un periodo de tiempo. Gracias al sello
de tiempo se podrá tener acceso a diferentes versiones de la misma
información.
Es importante tener en cuenta la granularidad de los datos, así como
también la intensidad de cambio natural del comportamiento de los
fenómenos de la actividad que se desarrolle, para evitar crecimientos
incontrolables y desbordamientos de la base de datos.

24
El intervalo de tiempo y periodicidad de los datos debe definirse de
acuerdo a la necesidad y requisitos de los usuarios. (Bernabeu, HEFESTO:
Metodología para la Construcción de un Data Warehouse, 2010)
2.3.3.4. No volátil
La información es útil para el análisis y la toma de decisiones solo
cuando es estable. Los datos operacionales varían momento a momento, en
cambio, los datos una vez que entran en el Data Warehouse no cambian.
La actualización, o sea, insertar, eliminar y modificar, se hace de forma
muy habitual en el ambiente operacional sobre una base, registro por
registro, en cambio en el depósito de datos, la manipulación básica de estos
es mucho más simple, debido a que solo existen dos tipos de operaciones:
la carga de datos y el acceso a los mismos.
Por esta razón es que en el Data Warehouse no se requieren
mecanismos de control de concurrencia y recuperación. (Bernabeu,
HEFESTO: Metodología para la Construcción de un Data Warehouse, 2010)

25
Figura 7. Data Warehouse, no volátil.
Fuente: (Bernabeu, HEFESTO: Metodología para la Construcción de un

Data Warehouse, 2010).
2.3.3.5. Redundancia
Un Data Warehouse es redundante en un nivel muy bajo, aunque este
recibe la información histórica de diferentes fuentes de sistemas
operacionales, la redundancia de datos entre ambos ambientes es menor
que 1%. Para comprender mejor este análisis, se debe considerar lo
siguiente:
26
Tabla 1. Análisis Data Warehouse no Redundante
No. Consideraciones
1 El periodo de tiempo es muy diferente entre los dos ambientes.
2 Los datos son procesados y experimentan una transformación

considerable, antes de ser cargados al DWH. La mayor parte de los
datos se alteran significativamente al ser seleccionados, consolidados y
movidos al depósito.
3 El Data Warehouse contiene la información de forma resumida y

sumarizada que no se encuentra en el ambiente operacional.
4 En el ambiente operacional existe información que se filtra antes de

pertenecer al Data Warehouse. Estos datos nunca ingresarán, debido a
que no es una información relevante para el proceso de toma de
decisiones.
2.3.4. Estructura
En el Data Warehouse los datos se estructuran de manera muy particular
y existen diferentes niveles de esquematización y detalle que los delimitan.
El nivel de granularidad se obtiene a través de “tablas de hechos” agregadas
y/o pre agregadas.
Figura 8. Data Warehouse, estructura niveles de esquematización
Fuente: (Bernabeu, Estructura Data Warehouse, 2009).

27
A continuación, en la Tabla 2., se describen cada uno de los elementos
que conforman la estructura del Data Warehouse, detallados en la Figura 8.
Tabla 2. Análisis Estructura DWH. (Dario, 2009)
No. Elemento Consideraciones
1 Datos Los datos residentes poseen el más bajo nivel de

actuales granularidad, o sea, se almacenan a nivel de detalle. Su
administración sea costosa y compleja, con el fin de
conseguir que el acceso a la información sea sencillo y
rápido, ya que son bastante voluminosos
2 Datos Representan aquellos datos antiguos a nivel de detalle,

históricos que no son frecuentemente consultados y se almacenan
de forma externa, ya que son pesados y poco requeridos.
3 Datos Son los que provienen desde un bajo nivel de detalle y

ligeramente sumarizan o agrupan los datos bajo algún criterio o
resumidos condición de análisis. Ventas en un determinado mes.
4 Datos Son aquellos datos que se compactan aún más a los

altamente datos ligeramente resumidos. Se guardan en disco y son
resumidos muy fáciles de acceder.
5 Metadatos Representan la información acerca de los datos. De

muchas maneras se sitúa en una dimensión diferente al
de otros datos del DWH, ya que su contenido no es
tomado directamente desde el ambiente operacional.
2.3.5. OLTP vs DWH
Para la comparación entre OLTP y Data Warehouse se presenta una
tabla comparativa entre los dos ambientes, así resumiendo sus diferencias.
28
Tabla 3. OLTP Vs. DWH.
No OLTP Data Warehouse

.
1 Objetivo Soportar actividades Consultar y analizar la

transaccionales diarias. información estratégica y
táctica.
2 Tipo de datos Operacionales. Para la toma de decisiones.
3 Modelo de datos Normalizado. Desnormalizada.
4 Consulta SQL. SQL más extensiones.
5 Datos Actuales. Actuales e históricos.

Consultados
6 Horizonte tiempo 60 – 90 días. 5 – 10 años.
7 Tipos de Repetitivas, predefinidas No previsibles, dinámicas.

consultas
8 Nivel Nivel de detalle. Nivel de detalle y diferentes

Almacenamiento niveles de sumarización.
9 Acciones Alta, baja, modificación Carga y consulta.

disponibles y consulta.
10 Número de Elevado. Medio o bajo.

Transacciones
11 Tamaño Pequeño – Mediano. Grande.
12 Tiempo de Pequeño (segundos - Variable (minutos - horas).

Respuesta minutos)
13 Orientación Orientado a las Orientado al negocio.

aplicaciones.
14 Sello de Tiempo La clave puede tener o La clave tiene un elemento

no un elemento de de tiempo.
tiempo.
15 Estructura Generalmente estable. Generalmente varía de

acuerdo a su propia
evolución y actualización.
El cuadro analizado denota la gran diferencia y el por qué se debe
cambiar nuestro lineamiento tecnológico al de un Data Warehouse si se
requiere analizar los datos.

29
2.4. Arquitectura Data Warehousing
La arquitectura comprende todos los elementos que interactúan entre sí,
y su función específica en un proceso de Data Warehousing. El proceso de
general se detalla a continuación:
 La fuente para la obtención de los datos son extraídos de diferentes
fuentes; tales como: aplicaciones, bases de datos, archivos, etc. La
información obtenida generalmente reside en diferentes tipos de
sistemas, orígenes y arquitecturas y tienen formatos muy variados.
 Los datos son integrados, transformados y limpiados, para luego ser
cargados en el Data Warehouse.
 La información del DWH se estructura en cubos multidimensionales,
mediante los cuales se prepara la información para responder a
consultas dinámicas con un buen comportamiento. Pero también
pueden utilizarse otros tipos de estructuras de datos para representar
la información del DWH, como por ejemplo Business Models.
 Los usuarios acceden a los cubos multidimensionales, Business
Models (u otro tipo de estructura de datos) del DWH utilizando
diversas herramientas de consulta, exploración, análisis y reportes.
La figura 9., representa los elementos que intervienen en el proceso de
Data Warehousing, que en los literales puntos posteriores serán detallados.

30
Figura 9. Data Warehousing, arquitectura
Fuente: (Bernabeu, Arquitectura Data Warehouse, 2009).
2.4.1. OLTP
OLTP (Online Transaction Processing), esta fase analiza toda aquella
información transaccional que genera la empresa diariamente, además, de
las fuentes externas que se extrae información. Entre los OLTP más
habituales que pueden existir en cualquier organización se encuentran:
 Archivos de textos.
 Hojas de cálculos.
 Hipertextos.
 Bases de datos transaccionales.
Estos objetos contienen informes semanales, mensuales, anuales, etc.,
que sirven para el análisis de las variable del negocio.
En la Figura 10 se enmarca donde se encuentra el primer elemento de la
arquitectura
31
Figura 10. Selección OLTP
Fuente: (Bernabeu, OLTP, 2009).
2.4.2. Load Manager
La fase de Integración de Datos agrupa una serie de técnicas y
subprocesos que ayudan a cumplir con las tareas relacionadas a la
extracción, manipulación, control, integración, depuración de datos, carga y
actualización el Data Warehouse. Es decir, todas las tareas que se realizan
desde el momento que se toman datos de varias fuentes hasta que se
cargan en el Data Warehouse. Este proceso es también conocido como los
procesos ETL (Extracción, Transformación y Carga).
El proceso de Extracción, se realiza mediante un grupo de técnicas
específicas para tomar la información indicada, en base a los diferentes
criterios de negocio y así mantenerlos en un almacenamiento intermedio.
Subsiguiente proceso es la Transformación, en el cual se procede a
realizar aquellas técnicas que analizan los datos para verificar que sean
correctos y válidos.
32
Finalmente se tiene el proceso de Carga de Datos, se agruparán por
ejemplo técnicas propias de la carga y actualización del DWH.
A continuación, se detallará cada uno de estos procesos; se presenta el
procedimiento que lleva a cabo el ETL y se enumerarán cuáles son sus
principales tareas
Figura 11. Selección Load Manager.
2.4.2.1. Extracción
Basándose en los requisitos de los usuarios, se estudian las diversas
fuentes OLTP que se tengan a disposición, y en esta subfase se extrae la
información que sea más importante y se considere relevante al caso.
Si los datos operacionales residen en un SGBD relacional, el proceso de
extracción se puede reducir a consultas en SQL o rutinas programadas. En
cambio, si se encuentran en un sistema no convencional o fuentes externas,
ya sean textuales, hipertextuales, hojas de cálculos, etc., la obtención de los
mismos puede ser un tanto más dificultoso, debido a que, por ejemplo, se
tendrán que realizar cambios de formato y/o descarga de información a partir
de alguna herramienta específica. (Dario B. , 2009)

33
Una vez que los datos son seleccionados y extraídos, se guardan en un
almacenamiento intermedio, lo cual permite, entre otras ventajas:
 No depender de la disponibilidad de los OLTP.
 Facilitar la integración de las diversas fuentes, internas y externas.
 Almacenar y gestionar los metadatos que se generarán en los
procesos ETL.
 Manipular los datos sin interrumpir, paralizar los OLTP, ni tampoco el
DWH.
Esta área de almacenamiento intermedio, también conocida como área
de Desembarco, es generalmente una base de datos donde la información
puede ser almacenada en tablas temporales, tablas auxiliares, etc. estos
datos son los que poblaran el Data Warehouse luego de su transformación.
2.4.2.2. Transformación
Como parte de la Integración de datos la Transformación convierte la
información inconsistentes en un conjunto de datos compatibles y
congruentes, para que puedan ser cargados en el Data Warehouse. Estas
acciones se llevan a cabo debido a las variadas fuentes de las que se extrae
la información, y es muy importante conciliar un formato y forma única,
definiendo estándares para que todos los datos que ingresarán al Data
Warehouse estén integrados y estructurados, bajo un lineamiento general de
la empresa de forma técnica.

34
Los casos más comunes en los que se deberá realizar integración, son
los siguientes:
 Tipos de Datos y Medida.
 Codificación.
 Fuentes múltiples.
 Convenciones de nombramiento.
Además de lo antes mencionado, esta subfase es la encargada de
realizar, entre otros, los procesos de Limpieza de Datos (Data Cleansing) y
Calidad de Datos.
2.4.2.2.1. Tipos de Datos y Medida
Los tipos de datos y su longitud que comúnmente se utiliza para
representar los atributos de una entidad, varían considerablemente entre sí,
a través de los diferentes OLTP. Así se tiene que al registrar el tamaño o la
longitud de un activo determinado, de acuerdo a la aplicación que se emplee
para tal fin, las unidades de depreciación puede ser expresada en años,
meses, días, etc.
Como razonamiento de lo expuesto, se debe estandarizar los tipos de
datos de los atributos y sus longitudes, para que todas las fuentes de datos
expresen sus valores de igual manera.

35
Figura 12. Transformación: medida de atributos
2.4.2.2.2. Codificación
Una inconsistencia muy típica que se encuentra al intentar integrar varias
fuentes de datos, es la de contar con más de una forma de codificar un
atributo en común, así, en el campo “estado”, algunos diseñadores
completan su valor con “0” y “1”, otros con “Apagado” y “Encendido”, otros
con “off” y “on”, etc. Lo que se debe realizar en estos casos, es seleccionar o
recodificar estos atributos, para que cuando la información llegue al DWH,
esté integrada de manera uniforme. (Dario B. , 2009)
En la Figura 13., se puede apreciar la estandarización al seleccionar una
de varias formas de codificar, entonces cuando surge una codificación
diferente a la seleccionada, se procede a su transformación.

36
Figura 13. Transformación: codificación
2.4.2.2.3. Fuentes múltiples.
Esta característica en un Data Warehouse, deriva de tener un mismo
elemento en varias fuentes. El concepto de fuentes múltiples infiere que la
información no se halla en un solo repositorio de información, sino que, se
puede encontrar en varios tipos de repositorios de diferente tecnología, estos
pueden ser, archivos planos, archivos Excel, bases de datos relacionales,
base de datos orientadas a objetos.
Para resolver este problema, se debe elegir aquella fuente que se
considere más fiable y apropiada, claro, luego de un análisis muy enfocado a
la forma de realizar los procesos del negocio con el usuario.

37
Figura 14. Transformación: fuentes múltiples
2.4.2.2.4. Convenciones de nombramiento.
En la mayoría de los casos, al construir un Data Warehouse, un mismo
atributo es nombrado de diversas maneras en las diferentes fuentes de
extracción; por ejemplo, cuando se refiere al nombre de un cliente; así se
tiene: “nombre”, “nombre_cliente”, “razon_social”, “cliente”, etc., se debe
crear y utilizar la convención para el nombramiento del atributo que sea más
comprensible para los usuarios.
Figura 15. Transformación: convenciones de nombramiento

38
2.4.2.2.5. Limpieza de datos
EL objetivo principal es filtrar los datos erróneos, inconsistentes e
irrelevantes construyendo estrategias y acciones particulares para cada uno
de los conceptos que se requiera cargar en el Data Warehouse.
Las acciones más típicas que se pueden llevar a cabo al encontrarse con
Datos Anómalos (Outliers) son:
Tabla 4. Características de la Limpieza de datos.

Fuente: (Dario B. , 2009)
No. Datos Anómalos Datos Faltantes

(Outliers) (Missing Values)
1 Ignorarlos. Ignorarlos.
2 Eliminar la columna. Eliminar la columna.
3 Filtrar la columna. Filtrar la columna.
4 Filtrar la fila errónea, ya Filtrar la fila errónea, ya que a veces

que a veces su origen, se su origen, se debe a casos
debe a casos especiales. especiales.
5 Reemplazar el valor Reemplazar el valor
6 Discretizar los valores de Esperar hasta que los datos

las columnas. faltantes estén disponibles.
EJ.:
de 1 a 2, poner “bajo”;
de 3 a 7, “óptimo”;
de 8 a 10, “alto”.
Un punto muy importante que se debe tener en cuenta al elegir alguna
acción, es el de, identificar el porqué de la anomalía, para luego actuar en
consecuencia, con el fin de evitar que se repitan, agregándole de esta
manera más valor a los datos de la organización.

39
2.4.2.3. Carga
Esta función se encarga de realizar las tareas relacionadas con la carga
inicial y carga diaria; siendo esta última dividida en dos: la Carga de registros
nuevos y Actualización de los registros antiguos. Con más detalle se analiza
los tipos de carga en la Figura 16.
•Mntener la estructura del DW, y trata

temas relacionados con:
•Relaciones muchos a muchos.
•Claves Subrogadas.
Carga •Dimensiones Lentamente
Cambiantes.
•Dimensiones Degeneradas.
Actualización o
mantenimiento
periódico
Carga Inicial
•Intervalo de tiempo predefinido para tal operación (Initial Load)
•Identificar si se han producido cambios en las
fuentes originales de los datos recogidos
•Primera carga de datos que se le realizará al DW.

•Tiempo alto en carga.
•Carga registros totales.
•Fecha, más de cinco años.
Figura 16. Características de la carga, análisis tipos de carga.
2.4.3. Data Warehouse Manager
El Data Warehouse Manager tiene como características y funciones:
 Generalmente se forma al combinar un SGBD con software y
aplicaciones dedicadas de bases multidimensionales.

40
 Almacena la información de forma multidimensional, es decir, a través
de tablas de hechos y tablas de dimensiones con o sin jerarquía.
 Gestiona las diferentes estructuras de datos que se construyan sobre
el Data Warehouse, como los Cubos Multidimensionales y Business
Models.
 Gestiona y mantiene metadatos de las estructuras creadas.
 Además, el DWH Manager se encarga de las siguientes actividades:
o Transformar e integrar la información de las diversas fuentes
de extracción y de almacenamiento intermedio en un modelo
adecuado para la toma de decisiones.
o Realizar todas las funciones de definición y manipulación del
repositorio de datos, tanto para los temporales como para la
estructura Data Warehouse, para poder soportar todos los
procesos de gestión del mismo.
o Ejecutar y definir las políticas de particionamiento de tablas. El
objetivo de la tarea es obtener una mayor eficiencia y
rendimiento en las consultas al aminorar el manejo del volumen
de los datos. Esta política debe aplicarse sobre la tabla de
hechos que es en la que se almacena toda la información que
será analizada y bajo un proceso de análisis con el usuario
sobre la forma de consultar la información.

41
o Realizar copias de respaldo, ya sean, incrementales o totales
de la información del Data Warehouse, de una forma
calendarizada y planificada.
Figura 17. Selección Data Warehouse Manager.
2.4.3.1. Base de datos multidimensional
Una base de datos multidimensional es aquella base de datos en donde
su información se almacena en una estructura multidimensional, conformada
por tablas de dimensión y tablas de hechos. Se ha determinado
conceptualmente tres variantes de modelamiento, puntualizando las
consultas de soporte de decisión, estas son:
Esquema en Estrella (Star Scheme). El esquema en estrella está
formada por una tabla de hechos base y de varias tablas de dimensiones
relacionadas a esta, a través de las claves de relación. Es el esquema más
simple de interpretar y permite optimizar los tiempos de respuesta ante las
consultas de los usuarios. Este esquema, siendo el más eficiente, es
soportado por la mayoría de las herramientas de consulta y análisis, y los
metadatos son fáciles de documentar y mantener, pero hay que tomar en

42
cuenta que es el menos robusto para la carga de la información y es el más
lento de construir.
Esquema Copo de Nieve (Snowflake Scheme). El esquema copo de
nieve consiste en una tabla de hechos central relacionada con una o más
tablas de dimensiones, las que a su vez pueden estar relacionadas con otras
tablas de dimensiones. Este esquema representa el modelo en estrella pero
con las dimensiones organizadas en forma jerarquías.
Esquema Constelación o copo de estrellas (Star flake Scheme). El
esquema constelación está compuesto por una serie de esquemas en
estrella. Consta de una tabla de hechos principal y una o más tablas de
hechos auxiliares, relacionadas con sus respectivas tablas de dimensiones.
La implementación de estos esquemas puede ser diversa, pero
generalmente requieren que toda la estructura de datos este desnormalizada
totalmente o en un pequeño grado de normalización dependiendo del
esquema; esto, con el objetivo de mejorar la ejecución de consultas y el
análisis. Los diferentes tipos de implementación son los siguientes:
 Relacional — ROLAP. Esquema frecuentemente utilizado y el más
antiguo con estructuras relacionales entre entidades.
 Multidimensional — MOLAP. Esquema actual que permite analizar la
información cambiando la forma de la consulta en un Cubo.
 Híbrido — HOLAP. Combina los dos esquemas antes mencionados.

43
Figura 18. Cuadro comparativo entre la implementación ROLAP y

MOLAP.
2.4.3.2. Tablas de Dimensión
Las tablas de dimensión permiten definir cómo están los datos
organizados lógicamente y describen la forma para analizar el contexto del
negocio; además se caracterizan por contener datos cualitativos. En la
Figura 19., se muestran algunos ejemplos de clarificación.

44
Ejemplo 1 Ejemplo 2 Ejemplo3
LOCALIZACION T IEMPO CLIENTE

localizacionId <pi> temporalidadId <pi> clienteId <pi>
pais anio cedula
provincia semestre nombreCompleto
canton trimestre clienteId <pi>
ciudad mes
parroquia dia
localizacionId <pi> temporalidadId <pi>
Figura 19. Tablas de Dimensión zona geográfica, cliente y tiempo.
Como se puede observar en la Figura 19., cada tabla posee un
identificador único como clave primaria y al menos un atributo de referencia
que describe los criterios de análisis relevantes a el enfoque de análisis,
estos son por lo general de tipo texto. Cada tabla de dimensión podrá
contener los siguientes campos:
 Clave principal, que de la unicidad de la tabla.
 Claves foráneas, en una jerarquía.
 Datos de referencia primarios, datos que identifican la dimensión, por
ejemplo, nombre del cliente.
 Datos de referencia secundarios: datos que complementan la
descripción de la dimensión, por ejemplo, e-mail del cliente o fax del
cliente.
2.4.3.2.1. Tablas de Dimensión Temporalidad.
En un Data Warehouse la creación y el mantenimiento de una tabla de
dimensión de temporalidad es casi obligatorio, debido a su importancia en el

45
análisis de los datos; la definición de granularidad y estructuración de la
misma depende de la dinámica del negocio. Esta tabla determina la
ocurrencia de un hecho en una temporalidad específica, representando de
esta manera, diferentes fotos de una misma situación en temporalidades
distintas.
Es importante tener en cuenta que la dimensión de temporalidad ayuda
de sobre manera a los usuarios a realizar el análisis sobre las operaciones
realizadas teniendo en cuenta mes del año en que se produjeron, día,
quincena, trimestre, semestre, año, estación, etc.
Así mismo, si se requiere analizar los datos por fecha expresada en
(año, mes, día, etc.) y por hora expresada en (hora, minuto, segundo, etc.),
lo más recomendable es confeccionar dos tablas de dimensión tiempo; una
contendrá los datos referidos a la fecha y la otra los referidos a la hora.
(Dario B. , 2009)
La recomendación es almacenar en la tabla de dimensión tiempo un
campo que se refiera al día Juliano 9 . Almacenar este campo permitirá
realizar consultas que involucren condiciones de filtrado de fechas desde-
hasta, mayor que, menor que, etc., de manera sencilla. (Dario B. , 2009)
2.4.3.3. Tablas de Hechos
Las tablas de Hechos son la base central de los esquemas
multidimensionales porque contienen datos cuantitativos, los cuales son
9
El día juliano se representa a través de un número secuencial e identifica unívocamente cada día.
46
instantáneos en el tiempo; y, permiten al usuario filtrarlos, agruparlos y
explorarlos a través de condiciones definidas en las tablas de dimensiones.
Toda la información presente en las tablas de hechos constituyen el
volumen de la bodega, y pueden estar compuestos por millones de registros
dependiendo del nivel de detalle y la historia que el negocio requiere
alcanzar.
Para el registro del hecho, este debe poseer una clave primaria única
compuesta por las claves primarias de las tablas de dimensiones
relacionadas. En la Figura 20., se clarifica el concepto con un ejemplo del
diagrama físico que se genera.
FK_VENTAS_RELAT IONS_LOCALIZA
FK_VENT AS_RELAT IONS_PRODUCT O
LOCALIZACION
PRODUCTO
localizacionId int <pk>
pais varchar(60) productoId int <pk>
provincia varchar(60) nombre varchar(100)
canton varchar(60)
ciudad varchar(60)
parroquia varchar(60) VENT AS
localizacionId int <fk2>
clienteId int <fk3>
temporalidadId int <fk4>
productoId int <fk1>
importeTotal numeric(20,3)
utilidad numeric(20,3)
T IEMPO
temporalidadId int <pk> CLIENT E
anio varchar(4)
semestre varchar(1) clienteId int <pk>
trimestre varchar(1) cedula
FK_VENT AS_RELAT IONS_CLIENT E varchar(14)
mes varchar(2)
FK_VENT AS_RELATIONS_T IEMPO nombreCompleto varchar(250)
dia varchar(2)
Figura 20. Representación modelo físico de tipo estrella (Hechos y

dimensiones).
47
2.4.4. Query Manager
Esta función realiza las operaciones, tales como soportar los procesos
de gestión y ejecución de consultas relacionales (Join y agregaciones), y de
consultas propias del análisis de datos (drill-up y drill-down).
El componente recibe las consultas de los usuarios, las aplica a la
estructura de datos correspondiente (cubo multidimensional, Business
Models, etc.) y devuelve los resultados obtenidos. Generalmente esta tarea
consiste en la obtención de indicadores a partir de los datos que se
encuentran en la tabla de hechos; estos restringidos por las propiedades o
condiciones de los atributos que hayan sido creados.
Las operaciones que se pueden realizar sobre modelos
multidimensionales y que son las que verdaderamente les permitirán a los
usuarios explorar e investigar los datos en busca de respuestas, son:
 Drill-down. Permite apreciar los datos en un mayor detalle.
 Drill-up. Permite apreciar los datos en menor nivel de detalle.
 Drill-across. Funciona de forma similar a drill-down pero agrega un
atributo a la consulta como nuevo criterio de análisis.
 Roll-across. Funciona de forma similar a drill-down pero quita un
atributo a la consulta eliminando un criterio de análisis.
 Pivot. Permite seleccionar el orden de visualización de los atributos e
indicadores.
48
 Page. Presenta el cubo dividido en secciones, a través de los valores
de un atributo como páginas de un libro.
 Drill-through. Permite apreciar los datos en su máximo nivel de
detalle.
Figura 21. Elemento Query Manager en la Arquitectura Data

Warehousing
Fuente: (Bernabeu, Query Manager, Arquitectura Data Warehouse, 2009).
2.4.5. Herramientas de consulta y análisis.
Las herramientas se basan en sistemas para realizar consultas sobre los
datos que se encuentran en el Data Warehouse. Estas consultas se realizan
a través de una interfaz gráfica y una serie de pasos, los usuarios generan
consultas al Query Manager, este a su vez realiza la extracción de
información al Data Warehouse Manager y los resultados obtenidos se los
devuelve a la herramienta que se los solicitó para ser presentada al usuario.
Las herramientas más usadas son:

49
 Reportes y Consultas.
 Dashboards.
 Data Mining.
EIS (Executive Information System) es un componente que proporciona
medios sencillos para consultar, analizar y acceder a la información del
negocio que se encuentra almacenada en el Data Warehouse.
Figura 22. Herramientas de consulta y análisis, Arquitectura DWH
Fuente: (Bernabeu, Herramientas de consulta y análisis, Arquitectura Data Warehouse,

2009).
2.4.6. Usuarios.
Los usuarios que posee el Data Warehouse son aquellos que se
encargan de tomar decisiones y de planificar las actividades del negocio a
través de las herramientas mencionadas buscando respuestas a la situación
del negocio; siendo estos parte clave del proceso de análisis inicial en la
integración, limpieza de datos, etc., para poder conseguir que la información
posea toda la calidad posible.

50
Figura 23. Elemento Usuarios, en la Arquitectura Data Warehousing
Fuente:(Bernabeu, Arquitectura Data Warehouse, 2009).
2.4.7. Ventajas y Desventajas del Data Warehousing
A continuación se presenta un esquema de las ventajas y desventajas al
implementar un Data Warehousing:
ESPACIO EN BLANCO
INTENCIONAL
51
Transforma
Integra y consolida
datos orientados
diferentesafuentes
las aplicaciones
de datos en
(internas
información
y/o externas) y
orientada
departamentos
a la toma deempresariales.
decisiones.
Provee la capacidad de analizar y explotar las diferentes áreas de trabajo

y de realizar un análisis inmediato de las mismas.
Permite reaccionar rápidamente a los cambios del mercado.
Aumenta la competitividad en el mercado.
Elimina la producción y el procesamiento de datos que no son utilizados

ni necesarios, producto de aplicaciones mal diseñadas o ya no utilizadas.
Ventajas
Mejora la entrega de información, es decir, información completa,

correcta, consistente, oportuna y accesible. Información que los
usuarios necesitan, en el momento adecuado y en el formato apropiado.
Logra un impacto positivo sobre los procesos de toma de decisiones.

Cuando los usuarios tienen acceso a una mejor calidad de información,
la empresa puede lograr por sí misma: aprovechar el enorme valor
potencial de sus recursos de información y transformarlo en valor
verdadero;
Aumento de la eficiencia de los encargados de tomar decisiones.
Permite la toma de decisiones estratégicas y tácticas.
Figura 24. Listado de ventajas que ofrece un Data Warehousing.

52
Requiere una gran inversión, debido a que su correcta construcción
no es tarea sencilla y consume muchos recursos, además, su misma
implementación implica desde la adquisición de herramientas de
consulta y análisis, hasta la capacitación de los usuarios.
Existe resistencia al cambio por parte de los usuarios.
Los beneficios del almacén de datos son apreciados en el mediano y

largo plazo. Además, su correcta utilización surge de la propia
experiencia.
Desventajas
Infravaloración de los recursos necesarios para la captura, carga y

almacenamiento de los datos.
Infravaloración del esfuerzo necesario para su diseño y creación.
Incremento continuo de los requerimientos de los usuarios.
Subestimación de las capacidades que puede brindar la correcta

utilización del DWH y de las herramientas de BI en general.
Figura 25. Listado de desventajas de un Data Warehousing.

53
2.5. Indicador de gestión (KPI).
KPI (Key Performance Indicators), o Indicadores Clave de Desempeño,
miden el nivel del desempeño de un proceso, enfocándose en el "cómo"
evaluando el resultado de los procesos y su cumplimiento. (Sixtinagroup)
Los indicadores clave de desempeño son métricas, usadas para evaluar
el rendimiento de un proceso, persona o entidad organizacional de forma
cuantificativa en base a sus objetivos planteados, que generalmente se
recogen en su plan estratégico.
Los indicadores son indispensables para la mejora continua, puesto que
“lo que no se mide no se puede controlar, y lo que no se controla no se
puede gestionar”.
Por tanto KPI no es un término tecnológico, generado por el Business
Intelligence, sino, es un concepto ligado a la Gestión Empresarial. No
obstante, el desarrollo de la tecnología y de especialidades como el
Business Intelligence, han permitido que el proceso para medir, controlar y
presentar la información se haga de un modo mucho más eficiente y rápido.
2.5.1. Importancia de los Indicadores de Gestión Empresarial
Los indicadores estratégicos son importantes en la Gestión Empresarial

debido a que:
 Ayudan a interpretar lo que está ocurriendo en la organización.
 Definen la necesidad de introducir cambios y/o mejoras a un proceso

determinado o actuación.
54
 Sirven como apoyo importante al proceso de toma de decisiones
estratégicas a los comités gerenciales, especialmente cuando las
variables se salen de los límites establecidos, o se requiere proponer
una nueva meta.
 Facilitan el compromiso de mejores resultados.
2.5.2. La Clave del Proceso de Selección de KPI.
Las mediciones más comunes apuntan a tener indicadores como los
siguientes:
 Calidad de los productos y servicios.
 Rentabilidad del negocio.
 Cumplimiento de planificaciones.
 Productividad de los empleados.
 Tiempos de desarrollo de trabajos.
 Eficacia de los procesos.
 Eficacia en los cobros.
 Crecimiento.
 Control de costos.
 Uso de los recursos.
 Nivel de innovación y desempeño de la infraestructura
tecnológica.
55
De forma generalizada, los indicadores ayudan a las entidades
organizacionales a determinar si los recursos y cotos se están manejando
acertadamente, ayudando a que el comité gerencial tenga una noción clara
de lo que acontece en un momento específico para tomar medidas
correctivas y oportunas.
Para poder definir KPI se suele aplicar el acrónimo SMART, ya que los
indicadores tienen que ser:
 eSpecíficos (Specific)
 Medibles (Measurable)
 Alcanzables (Achievable)
 Realista (Realistic)
 a Tiempo (Timely)
ESPACIO EN BLANCO
INTENCIONAL
56
2.5.3. Clasificación.
Figura 26. Clasificación de los indicadores
Fuente: (Bernabeu, Clasificación KPI, 2013).
Figura 27. Clasificación de los indicadores por el ámbito de control

57
Figura 28. Clasificación de los indicadores por dimensión
2.5.4. Sistema de Indicadores
Un sistema de Indicadores está estructurado por: el Indicador, el nivel
base, el valor actual, la meta, y el uso de semáforos para la evaluación del
desempeño del Indicador.
Las tareas y metas que se propone alcanzar una unidad organizacional,
deben expresarse de una forma medible, que permitan evaluar el grado de
cumplimiento o avance de los mismos. Es aquí donde el uso de indicadores
tiene mayor fortaleza. Los indicadores pueden ser de tipo positivos o
negativos.
58
Indicadores Positivos.- Son aquellos indicadores, que un aumento en su
valor o tendencia, estaría indicando un avance hacia la situación deseada. El
nivel de cumplimiento o desempeño, se mide mediante la fórmula 1:
−
ñ = ∗ 100%
−
Fórmula 1. Cálculo del desempeño positivo de un empleado

(SIXTINA CONSULTING GROUP, 2012).
Indicadores Negativos.- Son aquellos indicadores, que una disminución
de su valor o tendencia, estaría indicando un avance en la situación
deseada. Su nivel de desempeño se mide por:
−
ñ = ∗ 100%
−
Fórmula 2. Cálculo del desempeño negativo de un empleado

(SIXTINA CONSULTING GROUP, 2012).
Base.- Nivel Base, refiérase a la métrica inicial o nivel estándar que toma
el indicador, y representa el desempeño logrado antes del efecto de mejora
de las iniciativas estratégicas.
Valor.- Es el valor actual que representa las mediciones período a
período del indicador, las cuales se ven afectadas por los efectos de las
iniciativas estratégicas.
Meta.- Es el nivel esperado del indicador que la organización desea
lograr luego de ejecutar exitosamente las acciones de mejora.
Semáforos.- Los semáforos representan una manera más fácil de
observar el nivel de desempeño de los indicadores; donde el color verde

59
representa un desempeño esperado o mejorado, el color amarillo un
desempeño que puede alarmar el objetivo atado al indicador y el rojo indica
un desempeño inaceptable.
Desempeño esperado
Desempeño preocupante
Desempeño inaceptable
Figura 29. Semáforo medición visual de desempeño.
2.6. Análisis de las Metodologías para Business Intelligence.
Dentro de este análisis se basarán las dos metodologías ágiles más
conocidas para el desarrollo de proyectos BI, estas son Metodología Hefesto
y la Metodología desarrollada por SAS (The SAS Rapid Data Warehouse
Methodology).
Metodología Hefesto, Como una gran aportación se menciona a
continuación, fue creada por Bernabéu Ricardo Darío (disponible con
licencia GNU FDL). El libro es un resumen muy completo de todo lo
relacionado con el Business Intelligence y los DWH, y puede ser un punto de
partida de gran calidad para entrar en materia. En la segunda parte del libro
se desarrolla la metodología Hefesto, creada y revisada por esta persona,
que además ha compartido con todo el mundo con licencia GNU su
completo trabajo.
60
La metodología está orientada a la construcción de DWH para Análisis
Dimensional (OLAP) y comprende las siguientes fases:
 Análisis de Requerimientos.
 Análisis de los OLTP.
 Modelo Lógico del DWH.
 Procesos ETL.
Metodología SAS, creada por SAS Institute, la cual es iterativa, y está
basada en el desarrollo incremental del proyecto de Data Warehouse
dividido en cinco fases que son:
 Definición de los objetivos.
 Definición de los requerimientos de información.
 Diseño y modelización.
 Implementación.
 Revisión.
61
Tabla 5. Comparación metodologías Hefesto vs. SAS.
Metodología más
No. Hefesto SAS adecuada para el
proyecto
1 Tamaño del Proyecto Pequeños - Medianos Medianos-Grandes Hefesto
Tiempo en el análisis Extenso por ser
2 Medio una sola vez Hefesto
y diseño iterativo
Tiempo en
3 Medio Medio Ambos
construcción.
4 Etapa de implantación NO SI SAS
Guías y prácticas se
5 SI Algunas Hefesto
aplican a SQL
Fácil entendimiento
6 SI NO Hefesto
principiantes
Revisión Post
7 NO SI SAS
Implantación
Una vez realizada la comparación entre las dos metodologías se puede
seleccionar Hefesto como la metodología más compatible para desarrollar el
proyecto SATB.
2.7. Metodología Hefesto.
La Metodología Hefesto está enfocada en dar lineamientos para la
construcción de Data Warehouse de una manera ordenada, entendible, útil y
sencilla, para que quién la revise sepa lo que está haciendo.
La construcción e implementación de un Data Warehouse posee una
gran adaptabilidad a cualquier ciclo de vida de desarrollo de software;
excepto en algunas fases en particular, las acciones que se han de realizar
serán muy diferentes. Lo que se debe tener muy en cuenta, es no entrar en
la utilización de metodologías que requieran fases extensas para reunir los
requerimientos y análisis, fases de desarrollo monolítico que conlleve
demasiado tiempo y fases de despliegue muy largas.

62
2.7.1. Características.
Esta metodología cuenta con las siguientes características:
 Está basada en los requerimientos de los usuarios, por lo cual su
estructura es capaz de adaptarse con facilidad y rapidez ante los
cambios en el negocio.
 Reduce la resistencia al cambio, ya que involucra a los usuarios
finales en cada etapa para que tome decisiones respecto al
comportamiento y funciones del Data Warehouse.
 Es independiente del tipo de ciclo de vida que se emplee para
contener la metodología.
 Utiliza modelos conceptuales y lógicos, los cuales son sencillos de
interpretar y analizar.
 Los objetivos y resultados esperados en cada fase se distinguen
fácilmente y son sencillos de comprender.
 Es independiente de las herramientas que se utilicen para su
implementación.
 Es independiente de las estructuras físicas que contengan el DWH y

de su respectiva distribución.
 Cuando se culmina con una fase, los resultados obtenidos se

convierten en el punto de partida para llevar a cabo el paso siguiente.
 Se aplica tanto para Data Warehouse como para Data Mart.

63
2.7.2. Pasos y aplicación de la Metodología.
Para comenzar a utilizar Hefesto, se debe considerar un marco previo de
análisis, describiendo las características principales de la empresa, como
son: misión, visión, objetivos, organigrama, políticas, estrategias, metas,
procesos involucrados; esto para comprender mejor el funcionamiento y
accionar de la empresa, interpretando cada decisión que se tome con
respecto a la implementación y diseño del DWH. En la Figura 30., se
muestra el esquema metodológico.
ESPACIO EN BLANCO
INTENCIONAL
64
Figura 30. Metodología Hefesto
Fuente: (Ricardo, 2010).
2.7.2.1. Paso 1. Análisis de Requerimientos.
2.7.2.1.1. Identificar preguntas
Se recolectan las necesidades de información de los usuarios y se
obtienen las preguntas claves del negocio. Estas puedan llevarse a cabo
usando varias técnicas como: entrevistas, lluvia de ideas, cuestionarios,
observaciones, etc.
65
El objetivo principal de esta fase, es la de obtener e identificar las
necesidades de información clave de alto nivel, que es esencial para llevar a
cabo las metas y estrategias de la empresa, y que facilitará una eficaz y
eficiente toma de decisiones. Estas necesidades pueden ser guiadas por los
procesos principales existentes en la empresa, generando así variables de
análisis como las ventas por una determinada fecha, se debe tener en
cuenta que no todo se puede abarcar en este análisis sino establecer
prioridades de análisis, para luego en una siguiente fase ir incrementado
más procesos de análisis. Un ejemplo del resultado de análisis sería:
 Se desea conocer la cantidad de unidades facturadas de las
publicaciones a los clientes, en cada zona y en un periodo de tiempo
determinado.
 Se desea conocer la cantidad de unidades de reposición de las
determinado.
 Se desea conocer la cantidad de unidades vendidas de las
determinado.
 Se desea conocer el porcentaje de devoluciones de las publicaciones
realizadas por los clientes, en cada zona y en un periodo de tiempo
determinado, etc.
66
2.7.2.1.2. Identificar indicadores y perspectivas
Luego, se deben identificar los indicadores, generalmente valores
numéricos, resultantes de los interrogativos y sus respectivas perspectivas
de análisis, mediante las cuales se construirá el modelo conceptual de datos
del DWH, con el fin de contestar las preguntas planteadas.
Figura 31. Análisis de requerimientos, obtención de indicadores y

perspectivas.
La Figura 31., representa el análisis realizado para obtener los
indicadores y perspectivas en base a las preguntas realizadas en el punto
2.7.2.1.1.
2.7.2.1.3. Modelo Conceptual
El modelo conceptual se basa en el análisis del anterior punto, el cual
permite identificar el indicador que se va a modelar en conjunto a sus
perspectivas y medidas. Así se tiene el siguiente modelo:

67
Unidades
Clientes
facturadas
Unidades de
Publicaciones reposición
Venta
Zonas Unidades
Vendidas
Tiempo Porcentaje
Devolución
Figura 32. Modelo Conceptual.
2.7.2.2. Paso 2. Análisis de los OLTP.
Se analiza los OLTP para determinar, cómo se construirán los
indicadores, señalar las correspondencias con los datos fuentes y para
seleccionar los campos de estudio de cada perspectiva.
2.7.2.2.1. Construcción de los Indicadores
 Unidades Facturadas:
Hechos: Unidades Facturadas
Función de sumarización: SUM
Este indicador representa la sumatoria de las unidades que se han

facturado de una publicación en particular.
68
 Unidades de Reposición:
Hechos: Unidades de Reposición
Este indicador representa la sumatoria de las unidades facturadas como
reposición de una publicación en particular.
 Unidades Vendidas:
Hechos: Unidades Facturadas + Unidades de Reposición - Unidades
Acreditadas
Este indicador representa la sumatoria de las unidades que se han
facturado de una publicación en particular, incluyendo las reposiciones y
descontando las unidades acreditadas de la misma.
 Porcentaje de Devoluciones:
Hechos: (Unidades Acreditadas / (Unidades Facturadas + Unidades de
Reposición)) * 100
Este indicador representa la relación entre las sumatorias de las
unidades acreditadas y las unidades facturadas, incluyendo las reposiciones,
de cada publicación, y se obtiene al dividir estas cantidades,
respectivamente y multiplicarlas por 100.

69
2.7.2.2.2. Establecer Correspondencia.
Para realizar este paso se debe tener un esquema claro del diagrama del
sistema operacional que tiene la empresa a ser analizada.
Se puede implementar una matriz de mapeo de fuente, indicando de qué
base de datos, tablas y campos; es la correspondencia de cada perspectiva
o indicador.
TIPO BASE DE
TIPO VARIABLE TABLA RUTA CAMPOS FORMULA
FUENTE DATOS
BASE DE
PERSPECTIVA CLIENTES VENDEDORES BANCS BDD=P012BAND
TODOS
ESQUEMA=FNSONLP
DATOS
BASE DE
PERSPECTIVA PUBLICACIONES INGRESOS BANCS BDD=P012BAND
TODOS
ESQUEMA=FNSONLP
DATOS
BASE DE
PERSPECTIVA ZONAS RECORRIDOS BANCS BDD=P012BAND
TODOS
ESQUEMA=FNSONLP
DATOS
UNIDADES BASE DE
INDICADOR HISTORICOS PORTAL BDD=P012BAND
CANTFACT
ESQUEMA=FNSONLP
FACTURADAS DATOS
DEVOLUCION
PORCENTAJE BASE DE i= DEVOLUCION
INDICADOR HISTORICOS PORTAL BDD=P012BAND
CANTFACT
ESQUEMA=FNSONLP
DEVOLUCIÓN DATOS (CANTFACT + RPOSICION)
RPOSICION
Figura 33. Ejemplo. Matriz de mapeo Fuente OLTP / Variables.
2.7.2.2.3. Nivel de granularidad.
Para definir el nivel de granularidad se debe examinar y seleccionar los
campos que contendrá cada perspectiva, ya que será a través de estos por
los que se manipularán y filtrarán los indicadores. Primero viene la
descripción del campo; para esto, de la matriz Fuente OLTP definida, se
puede agregar una columna en la cual se describa el concepto del campo
mediante una previa investigación de su sentido, ya sea consultado a los
expertos, diccionarios o mediante reuniones con el usuario.

70
Figura 34. Ejemplo. Matriz de mapeo OLTP, descripción de campo.
Luego de exponer frente al usuario los datos existentes, explicando su
significado, valores posibles y características, este debe decidir cuáles son
los que se considera relevantes para consultar los indicadores y cuáles no.
Con respecto a la perspectiva “Tiempo”, que es la pieza fundamental que
determinará la granularidad del depósito de datos, los datos más típicos que
pueden emplearse son los siguientes:
 Año
 Semestre
 Cuatrimestre
 Trimestre
 Número de mes
 Nombre del mes
 Quincena
 Decena
71
 Semana
 Número de día
 Nombre del día
 Estación del año
2.7.2.2.4. Modelo Conceptual ampliado.
Es el Modelo Conceptual original, pero incluido los atributos que servirán
para el análisis del cliente.
Clientes
Unidades facturadas
CodVend
SUM(Uni. Facturadas)
RazonSoc
Publicaciones
Nombre
NumRevista Unidades de reposición
SUM(Uni. Reposición)
Zonas
Venta
Recorridos
Unidades Vendidas
Tiempo SUM( Uni. Facturadas /
Año (Uni. Reposición+ Uni.
Semestre Acreditadas)).
Cuatrimestre
Trimestre
Número de mes
Nombre del mes
Porcentaje Devolución
Quincena
SUM( Uni. Acreditadas /
Decena (Uni. Facturadas + Uni.
Semana Reposición)).
Número de día
Nombre del día
Estación del año
Figura 35. Modelo Conceptual ampliado.

72
2.7.2.3. Paso 3. Modelo lógico del DWH
Este paso, modelo lógico10, define cuál será el tipo de esquema que se
implementará. Después, se confeccionarán las tablas de dimensiones y las
tablas de hechos, para luego efectuar sus respectivas uniones.
Se debe seleccionar cuál será el tipo de esquema que se utilizará para
contener la estructura del depósito de datos, que se adapte mejor a los
requerimientos y necesidades del usuario. Es muy importante definir
objetivamente que tipo de esquema se empleará [15], ya que esta decisión
afectará considerablemente la elaboración del modelo lógico de la bodega
de datos.
2.7.2.3.1. Tipo de Modelo lógico.
Para el caso de estudio se define un esquema de tipo estrella11, debido a
las siguientes características que ayudan a la construcción del modelo por
sus ventajas:
 Posee los mejores tiempos de respuesta.
 Su diseño es fácilmente modificable.
 Existe paralelismo entre su diseño y la forma en que los usuarios

visualizan y manipulan los datos.
 Simplifica el análisis.
 Facilita la interacción con herramientas de consulta y análisis.

10
Modelo Lógico, es la representación de una estructura de datos, que puede procesarse y
almacenarse en algún SGBD.
11
Los esquemas de modelamiento se revisaron en el punto 2.4.3.1. de este documento.
73
2.7.2.3.2. Diseño tablas de dimensiones.
Este paso, se aplicará por igual a todos los tipos de esquemas lógicos.
Lo primero que se hará será crear las dimensiones del mismo, para ello se
tomará cada perspectiva con sus atributos relacionados y se les realizará el
siguiente proceso:
 Se elegirá un nombre que identifique la dimensión.
 Se añadirá un campo que represente su clave principal.
 Se redefinirán los nombres de los atributos si es que no son lo
bastante explicativos.
A continuación, se presentan los diseños de las tablas de dimensiones
del caso de estudio presentado:
Perspectiva “Clientes”,
La nueva tabla de dimensión tiene el nombre “CLIENTE”.
Se le agregó una clave principal con el nombre “idCliente”.
Se modificó el nombre del campo “CodVend” por “CodCliente”.
Se modificó el nombre del campo “RazonSoc” por “Cliente”.

74
CLIENTE
Clientes
idCliente
CodVend
CodCliente
RazonSoc Cliente
Figura 36. Diseño dimensión Clientes.
Perspectiva “Publicaciones”,
La nueva tabla de dimensión tiene el nombre “PUBLICACION”.
Se le agregó una clave principal con el nombre “idPublicacion”.
Se modificó el nombre del campo “Nombre” por “Publicacion”.
Se modificó el nombre del campo “NumRevista” por “Edicion”.
PUBLICACION
Publicaciones
idPublicacion
Nombre
Publicación
NumRevista Edicion
Figura 37. Diseño dimensión Publicaciones.
Perspectiva “Zonas”,
La nueva tabla de dimensión tiene el nombre “ZONA”.
Se le agregó una clave principal con el nombre “idZona”.
Se modificó el nombre del campo “Recorrido” por “Zona”.
ZONA
Zonas idZona
Recorrido Zona
Figura 38. Diseño dimensión Zonas.

75
Perspectiva “Tiempo”,
La nueva tabla de dimensión tiene el nombre “FECHA”.
Se le agregó una clave principal con el nombre “idFecha”.
Se modificó el nombre del campo “Año” por “Anio”.
Se modificó el nombre del campo “Número del mes” por “NumeroMes”.
Se modificó el nombre del campo “Nombre del mes” por “NombreMes”.
Se modificó el nombre del campo “Quincena” por “QuincenaMes”.
Se modificó el nombre del campo “Decena” por “DecenaMes”.
Se modificó el nombre del campo “Semana” por “SemanaMes”.
Se modificó el nombre del campo “Número del día” por “NumeroDia”.
Se modificó el nombre del campo “Nombre del día” por “NombreDia”.
Se modificó el nombre del campo “Estación del año” por “Estacion”.
Tiempo FECHA
Año idFecha
Semestre Anio
Cuatrimestre Semestre
Trimestre Cuatrimestre
Número del mes Trimestre
NumeroMes
Nombre del mes
NombreMes
Quincena
Quincena
Desena Desena
Semana Semana
Número del día NumeroDia
Nombre del mdía NombreDia
Estación del año Estacion
Figura 39. Diseño dimensión Tiempo.
76
2.7.2.3.3. Tablas de hechos.
En este paso, se definirá las tablas de hechos, que contendrán los
indicadores de estudio. Para los esquemas en estrella y copo de nieve, se
realizará lo siguiente:
 Al igual que las dimensiones, se le deberá asignar un nombre a la
tabla de hechos que en este caso represente la información
analizada, área de investigación, negocio enfocado, etc.
 Se definirá su clave primaria, que se compone de la combinación de
las claves primarias de cada dimensión que se utilizará para generar
las consultas.
 Se renombrarán las tablas de hechos o indicadores si es que no
llegasen a ser lo suficientemente explícitos.
Casos que se deben considerar al momento de definir las tablas de
hechos:
Caso 1: Si en dos o más preguntas figuran los mismos indicadores pero
con diferentes dimensiones de análisis, existirán tantas tablas de hechos
como preguntas cumplan esta condición.

77
Figura 40. Tabla de Hechos Caso 1 (Ricardo, 2010).
Caso 2: Si en dos o más preguntas figuran diferentes indicadores con
diferentes dimensiones de análisis, existirán tantas tablas de hechos como
preguntas cumplan esta condición.
Figura 41. Tabla Hechos Caso 2 (Ricardo, 2010).
Caso 3: Si el conjunto de preguntas cumplen con las condiciones de los
dos puntos anteriores se deberán unificar aquellos interrogantes que posean
diferentes indicadores pero iguales dimensiones de análisis, para luego
reanudar el estudio de las preguntas.

78
Para los esquemas constelación se tiene como objetivo realizar las
siguientes actividades:
 Las tablas de hechos se deben confeccionar teniendo en cuenta el
análisis de las preguntas realizadas por el usuario en pasos anteriores
y sus respectivos indicadores y dimensiones.
 Cada tabla de hechos debe poseer un nombre que la identifique,
contener sus indicadores correspondientes y su clave debe estar
formada por la combinación de las claves de las dimensiones que
intervendrán.
 Antes de continuar, vale la pena recordar que las perspectivas fueron
convertidas en dimensiones en el paso anterior, razón por la cual, las
preguntas realizadas por el usuario son examinadas a través de
indicadores y dimensiones.
A continuación se presenta la tabla de hechos, del caso de estudio:
La tabla de hechos tiene el nombre “VENTAS”.
Su clave principal es la combinación de las claves principales de las
tablas de dimensiones antes definidas: “idCliente”, “idPublicacion”, “idZona”
e “idFecha”.
Los hechos creados se corresponden con los indicadores y son

renombrados:
79
“Unidades Facturadas” por “CantFac”.
“Unidades de Reposición” por “CantRep”.
“Importe Total de Ventas” por “Importe”.
“Porcentaje de Devoluciones” por “PorcDev”.
VENTAS
idCliente
idPublicacion
idFecha
idZona
CantFac
CantRep
Importe
PorcDev
Figura 42. Diseño Tabla de Hechos caso de estudio.
2.7.2.3.4. Uniones.
Para los tres tipos de esquemas, se realizarán las uniones
correspondientes entre sus tablas de dimensiones y sus tablas de hechos;
estas relaciones son iguales a las que se realizan en los SGBD. Como se
muestra en el caso de estudio:

80
Figura 43: Uniones tabla de hechos Ventas.
2.7.2.4. Paso 4. Integración de Datos
Por último, utilizando técnicas de limpieza y calidad de datos, procesos
ETL, etc., se definirán políticas y estrategias para la Carga Inicial del DWH y
su respectiva actualización.
En esta parte del proyecto, se debe tener completamente definido el
modelo lógico del DWH, para posteriormente definir las operaciones que
permitan poblar el DWH; a estas operaciones se las conoce como ETL y su
propósito es el de asegurar la integridad de la información en la bodega de
datos.
81
Una vez construido el modelo se debe realizar la Carga Inicial y/o
actualización [16] de la información; la primera vez será la Carga Inicial12 y
posteriormente solo actualizaciones. Previo a poblar la bodega de datos se
debe tener en cuenta las siguientes consideraciones:
 Evitar que el DWH sea cargado con valores faltantes o anómalos.
 Establecer condiciones y restricciones para asegurar que solo se
utilicen los datos de interés.
 Cuando se trabaja con un esquema constelación, tener presente que
varias tablas de dimensiones serán compartidas con diferentes tablas
de hechos, ya que ciertas restricciones se pueden contraponer al
aplicar a cierta tabla de hechos con respecto a otra.
 Primero se cargarán los datos de las dimensiones y luego los de las
tablas de hechos. En el caso en que se esté utilizando un esquema
copo de nieve, cada vez que existan jerarquías de dimensiones, se
comenzarán cargando las tablas de dimensiones del nivel más
general al más detallado.
 Es importante tener presente, que al cargar los datos en las tablas de
hechos pueden utilizarse preagregaciones 13 , ya sea al nivel de
granularidad de la misma o a otros niveles diferentes.
12
Refiérase al punto 2.4.2.3. de este documento donde se explica la carga inicial.
13
Tablas que se usan para almacenar información en forma resumida, con un nivel de agregación
mayor al obtenido inicialmente.
82
Finalmente al concluir todas las etapas de la metodología Hefesto se
cuenta con toda la información de análisis y diseño necesaria para empezar
la construcción del sistema.
2.8. Herramientas.
Las herramientas en que se basa la construcción del sistema se detallan
a continuación.
2.8.1. Microsoft SQL Server
Microsoft SQL Server es un sistema para la gestión de bases de datos
producido por Microsoft basado en el modelo relacional. Sus lenguajes para
consultas son T-SQL y ANSI SQL14.
Microsoft SQL Server 2012 está basado en una plataforma Cloud-Ready,
o sea una plataforma lista para la nube que ayuda a las empresas a construir
soluciones basadas en la nube con mucha rapidez, hacia el almacenamiento
y servicios en la nube, además con todas las herramientas y seguridad
requerida para hacerlo. Otra característica del SQL Server 2012 es que
mejora el rendimiento y disponibilidad de sus aplicaciones es el SQL Server
AlwaysOn; con este componente, se podrá tener el “Uptime” 15 y se logra
reducir el “Downtime”16 gracias a la función integrada de alta disponibilidad y
recuperación de desastres de forma tal que, su aplicación este siempre
14
Fuente de consulta Wikipedia.
15
Uptime, es una medida en que una máquina, generalmente una computadora, ha trabajado y está
disponible.
16
Downtime, se refiere a periodos de tiempo cuando un sistema no está disponible.
83
disponible y todos sus datos dentro de la misma estén siempre seguros.
Gracias a la mejora en rendimiento y refinación en el manejo de recursos, es
posible reducir el número de equipos inactivos mientras se ahorra costos de
TI.
“SQL Server 2012 Edición Business Intelligence” es una plataforma
completa con la cual las organizaciones pueden crear y desplegar
soluciones de BI seguras, escalables y manejables.
2.8.2. Microsoft Visual Estudio
Microsoft Visual Studio es un entorno de desarrollo integrado (IDE, por
sus siglas en inglés) para sistemas operativos Windows. Soporta varios
lenguajes de programación tales como Visual C++, Visual C#, Visual J#, y
Visual Basic .NET, al igual que entornos de desarrollo web como ASP.NET.
Aunque actualmente se han desarrollado las extensiones necesarias para
muchos otros.
Visual Studio permite a los desarrolladores crear aplicaciones, sitios y
aplicaciones web, así como servicios web en cualquier entorno que soporte
la plataforma .NET (a partir de la versión .NET 2002).
“Visual Studio 2010 Professional”, es la herramienta esencial para las
personas que realizan tareas de desarrollo básico, la cual simplifica la
compilación, la depuración y el despliegue de las aplicaciones en una
variedad de plataformas incluyendo SharePoint y la Nube. También viene
con el soporte integrado para el desarrollo con pruebas y con las

84
herramientas de depuración que ayudan a garantizar soluciones de alta
calidad en la construcción de proyectos tecnológicos.
2.8.3. SQL Server Management Studio
SQL Server Management Studio, es un entorno integrado para obtener
acceso, configurar, administrar y desarrollar todos los componentes de SQL
Server, el cual combina un amplio grupo de herramientas gráficas con una
serie de editores de script enriquecidos que permiten a desarrolladores y
administradores de todos los niveles obtener acceso SQL Server.
SQL Server Management Studio combina las características del
Administrador corporativo, el Analizador de consultas y Analysis Manager,
herramientas incluidas en versiones anteriores de SQL Server, en un único
entorno. Además, SQL Server Management Studio funciona con todos los
componentes de SQL Server, como Reporting Services e Integration
Services. De este modo, los desarrolladores pueden disfrutar de una
experiencia familiar y los administradores de bases de datos disponen de
una herramienta única y completa que combina herramientas gráficas fáciles
de usar con funciones avanzadas de scripting.17
Permite la creación de proyectos BI, con todas las fases necesarias
desde la construcción del Data Warehouse usando técnicas de conexión
avanzadas a las fuentes, construyendo y administrando los ETL, hasta
presentar todo el análisis al usuario final.
17
Fuente obtenida de la página web oficial de Microsoft.
85
2.8.4. DevExpress Suite
Es el conjunto de herramientas de desarrollo de software más completa
para desarrolladores .NET., que permite crear aplicaciones para Windows,
Web, Móviles y Tablets.
2.8.4.1. DXperience Enterprise
El principal objetivo es la generación de soluciones para el desarrollo de
aplicaciones de negocio para Windows Forms, y soluciones interactivas para
la Web que están preparadas para las nuevas tecnologías del futuro.18
2.8.4.2. DXtreme Enterprise
Las herramientas DXtreme permiten a desarrolladores crear soluciones
innovadoras para aplicaciones multiplataforma y para dispositivos con
Windows 8, iPad y smartphones como el iPhone y Android.
Con las herramientas de DXtreme los desarrolladores crean
aplicaciones mediante HTML5, CSS y JavaScript para implementar
aplicaciones web interactivas y crear la mejor experiencia para el usuario.19
2.8.5. PowerDesigner
PowerDesigner es una herramienta de diseño que permite el modelado
de diagramas de relaciones, entidades y luego transformarlos en Diagramas
físicos, y la administración de metadatos.

18
Fuente obtenida de la página web http://www.sas.com.mx/Software/DevExpress.
19
Fuente obtenida de la página web http://www.sas.com.mx/Software/DevExpress.
86
Además cuenta con la opción de crear scripts para crear sus bases de
datos con todas sus tablas para diferentes motores de la bases de datos
PowerDesigner permite:
 Aumentar la productividad. Alinea el negocio y la tecnología de la
información (TI) para ayudar a mejorar la productividad global de
la organización.
 Soportar entornos abiertos. Proporciona un apoyo abierto para
entornos heterogéneos.
 Incluir funciones de personalización. Es altamente personalizable
para ayudar a hacer cumplir las normas y garantizar su
cumplimiento.
 Diseñar diagramas para la empresa compleja. Facilita la
implementación de arquitectura empresarial debido a la captura
de forma intuitiva de las intersecciones entre todas las capas de la
arquitectura y la perspectiva de la Empresa.

87
CAPÍTULO 3
ANÁLISIS Y DISEÑO DEL PROYECTO
3.1. Metodología Hefesto.
3.1.1. Etapa I). Análisis de Requerimientos.
En el análisis realizado se ha encontrado dos tipos de requerimientos:
Requerimientos de consulta o reportes generales, que se generan a
partir del Data Warehouse y solo serán descritos dentro de la metodología.
Requerimientos de análisis del negocio, en los cuales se aplica la
metodología Hefesto.
3.1.1.1. Identificar preguntas
Las necesidades claves obtenidas del análisis del negocio de la empresa

Topnotch Business son las siguientes:
 Se desea conocer el monto de cartera vencida recuperada por la

empresa en un periodo de tiempo y zona.
 Se desea conocer el monto de cartera vencida recuperada por el

ejecutivo en un periodo de tiempo y zona.
88
 Se desea conocer el monto de cartera vencida no recuperada por el
ejecutivo en un periodo de tiempo y zona.
 Se desea conocer los pagos realizados por los clientes en un periodo
de tiempo y zona.
 Se desea conocer porcentaje de Clientes contactados en un periodo
de tiempo.
 Se desea conocer porcentaje de Clientes contactados por ejecutivo
en un periodo de tiempo.
 Se desea conocer el listado de Clientes pendientes de Notificación.
 Se desea conocer el listado de Direcciones y números de contacto
del Cliente
 Se desea conocer la eficiencia del ejecutivo en recuperar la cartera.
 Se desea conocer la eficiencia del ejecutivo en contactar los clientes.
 Se desea conocer la eficiencia de la empresa en recuperar la
cartera.
 Se desea conocer eficiencia de la empresa en contactar los clientes.
A continuación se presenta una matriz separando indicadores de
consultas directas a la base de datos:

89
Tabla 6. Tabla de diferenciación entre indicadores y reportes.
No. CONSULTAS INDICADORES

Se desea conocer porcentaje de Se desea conocer el monto de cartera
1 Clientes contactados en un periodo vencida recuperada por la empresa en
de tiempo. un periodo de tiempo y por zona.
Se desea conocer porcentaje de Se desea conocer el monto de cartera
2 Clientes contactados por ejecutivo vencida recuperada por el ejecutivo en
en un periodo de tiempo. un periodo de tiempo y por zona.
Se desea conocer el monto de cartera
Se desea conocer el listado de
3 vencida no recuperada por el ejecutivo
Clientes pendientes de Notificación.
en un periodo de tiempo y zona.
Se desea conocer el listado de Se desea conocer los pagos realizados
4 Direcciones y números de contacto por los clientes en un periodo de tiempo
del Cliente y zona.
Se desea conocer la eficiencia del
5
ejecutivo en recuperar la cartera.
Se desea conocer la eficiencia del
6
ejecutivo en contactar los clientes.
Se desea conocer la eficiencia de la
7
empresa en recuperar la cartera.
Se desea conocer eficiencia de la
8
empresa en contactar los clientes.
Las necesidades de información están acorde a los objetivos y
estrategias de la empresa, ya que con esta información se proveerá un
ámbito para la toma de decisiones, que para Topnotch Business será de
gran ayuda ya que le permitirá analizar el desempeño de los ejecutivos de
cobranza, para así lograr obtener una ventaja competitiva.
3.1.1.2. Identificar indicadores y perspectivas
La tabla 7., representa el análisis realizado para obtener los indicadores
y perspectivas en base de las preguntas realizadas en el punto 3.1.1.

90
Tabla 7. Tabla de identificadores y perspectivas a ser analizadas.
No. PREGUNTAS INDICADORES PERSPECTIVAS

Monto de cartera vencida
Clientes
1 recuperada por la empresa en
un periodo de tiempo y zona.
recuperada
Tiempo
2 recuperada por el ejecutivo en
un periodo de tiempo y zona
Monto de cartera vencida no
Monto de cartera vencida Ejecutivos
3 recuperada por ejecutivo en un
no recuperada
periodo de tiempo y zona.
Pagos realizados por los
Zona
4 clientes en un periodo de tiempo Pagos efectuados
y zona.
Eficiencia del ejecutivo en Eficiencia del ejecutivo en
5
recuperar la cartera. recuperar la cartera. 
Eficiencia del ejecutivo en Eficiencia de la empresa en
6
contactar los clientes. contactar los clientes. 
Eficiencia de la empresa en Eficiencia de la empresa en
7
recuperar la cartera. recuperar la cartera. 
Eficiencia de la empresa en Eficiencia del ejecutivo en
8
contactar los clientes. contactar los clientes. 
3.1.1.3. Modelo Conceptual
En esta etapa, se construirá un modelo conceptual a partir de los
indicadores y perspectivas obtenidas en el paso anterior.
Modelo Conceptual: descripción de alto nivel de la estructura de la base
de datos
91
Monto de
cartera
Eficiencia recuperada
del ejecutivo Pagos
en recuperar efectuados
la cartera
Eficiencia de
la empresa
Ejecutivo en recuperar
la cartera
Eficiencia
Zona del ejecutivo
COBRANZA en contactar
los clientes
Eficiencia de
la empresa
Cliente en contactar
los clientes.
Monto de
Tiempo cartera no
recuperada
Figura 44. Modelo conceptual alto nivel.
3.1.2. Etapa II). Análisis de OLTP.
Se analiza los OLTP para determinar, cómo se construirán los

indicadores, señalar las correspondencias con los datos fuentes y para
seleccionar los campos de estudio de cada perspectiva.
3.1.2.1. Construcción de los Indicadores.
3.1.2.1.1. Monto de cartera vencida recuperada.
Este indicador se representa mediante la función de agregación suma;
para el caso la sumatoria de cartera recuperada en un periodo de tiempo,

92
zona y por cada ejecutivo. Para saber el monto recuperado por la empresa
se analiza quitando la perspectiva ejecutivo.
Tabla de Hechos: Cartera recuperada
3.1.2.1.2. Monto de cartera vencida no recuperada.
Este indicador representa la sumatoria de cartera no recuperada en un
periodo de tiempo, zona y por todos los ejecutivos. Para saber el monto
recuperado por la empresa se analiza quitando la perspectiva ejecutivo.
Tabla de Hechos: Cartera no recuperada
3.1.2.1.3. Pagos efectuados.
Este indicador representa la sumatoria de efectuados por cliente en un
periodo de tiempo, zona y por ejecutivos.
Tabla de Hechos: Pago
3.1.2.1.4. Eficiencia del ejecutivo en recuperar la cartera.
Este indicador representa la eficiencia del ejecutivo en recuperar cartera
vencida en un periodo de tiempo y zona.

93
Tabla de Hechos: Eficiencia del ejecutivo en recuperar la cartera.
Función:
− %
ñ = ∗ 100%
− %
Fórmula 3. Cálculo del desempeño de un empleado, para la empresa

Top Notch Business.
3.1.2.1.5. Eficiencia del ejecutivo en contactar los clientes.
Este indicador representa la eficiencia del ejecutivo en contactar clientes
en un periodo de tiempo y zona.
Tabla de Hechos: Eficiencia del ejecutivo en contactar los clientes
Función:
− %
ñ = ∗ 100%
− %
Fórmula 4. Cálculo del indicador Eficiencia del ejecutivo en contactar a

los clientes, para la empresa Top Notch Business.
3.1.2.1.6. Eficiencia de la empresa en recuperar la cartera.
Este indicador representa la eficiencia de la empresa en recuperar
cartera vencida en un periodo de tiempo, zona y por todos los ejecutivos.
Tabla de Hechos: Eficiencia de la empresa en recuperar la cartera
Función:
− %
ñ = ∗ 100%
− %
Fórmula 5. Cálculo del indicador Eficiencia en recuperar la cartera a

nivel empresarial, para la empresa Top Notch Business.
94
3.1.2.1.7. Eficiencia de la empresa en contactar a los clientes.
Tabla de Hechos: Eficiencia de la empresa en contactar los clientes
Función:
− %
ñ = ∗ 100%
− %
Fórmula 6. Cálculo del indicador Eficiencia en contactar a los clientes,

para la empresa Top Notch Business.
Este indicador representa la eficiencia la empresa en contactar clientes
en un periodo de tiempo, zona y por todos los ejecutivos.
3.1.2.2. Establecer Correspondencia.
Las correspondencias OLTP para el proyecto se derivan de varias
fuentes, por lo cual se analizará cada caso en particular para definir la
respectiva correspondencia.
Fuente “BD_COMUN_TOP”.- Base de datos en la cual se encuentran
clientes, ejecutivos, direcciones postales y direcciones telefónicas. Los
clientes y ejecutivos se encuentran generalizados en un concepto llamado
participantes (tabla IP) y especializado en los conceptos individuos (tabla
IDV) y organizaciones (tabla ORG); para las direcciones se generaliza en el
concepto de localizaciones (tabla LO) y se especializa en direcciones
postales (tabla PST_ADR) y direcciones telefónicas (tabla TEL_ADR). En la
Figura 45., se describe el diagrama entidad relación de esta fuente.

95
INVOLUCRADOS INDIVIDUOS
INV_X_LOCACION IP_ID
IDV_ID
IP_ID ADR_INCOM_F
ACC_BAL_REQ_F
LO_ID EFF_DT
BRTH_DT
IP_X_LO_TP_ID
DIRECCIONES END_DT
CTR_BNK_SEC_ID
PST_ADR_ID
EFF_DT IP_LCS_ID
CITY_ID
ADR_NM
RANK NM
CTY_NLTY_ID
BOX_NO
END_DT IP_TP_ID
CTY_RSDNC_ID
BLD_NO
LOG_PCS_ID LOG_PCS_ID
DEATH_DT
CITY_ID
PRIM_RLTNP_TP_ID
DEATH_NOTF_DT
CTY_ID
UNQ_ID_SRC_STM
FRG_RSD_EFF_DT
CNTY_ID
TAX_CD_TP_ID
GVN_NM
DSTC
IP_CRE_RZ_ID
GVM_EXC_EMP_F
PRS_ID
IP_BNK_LKD_F
INR_RPT_SDRY_IDY_CL_ID
STE_ID
IP_BNK_SRC_ID
MDL_NM
STR_DRC
IP_ELIM_RZ_ID
ORG_CORP_PRN_ID
STR_NM
BSC_DATA_INCOM_F
PLLY_EXD_F
LOCALIZACIONES ADR_TP_ID
IDV_SPS_FL_NM
LO_ID
SURNM1
UNQ_ID_SRC_STM
SURNM2
LO_TP_ID
THRD_NM
PRN_LO_ID
LOG_PCS_ID
LO_NM
GND_ID
EFF_DT
IDV_LCS_TP_ID
END_DT IDENTIFICACIONES
IP_ID IDV_AGE_SEG_ID
DSC ORGANIZACIONES
EFF_DT CTF_TP_ID
LOG_PCS_ID ORG_ID
IP_ID_TP_ID IDV_MAR_ST_TP_ID
CTR_BNK_SEC_ID
IP_ID_NBR PLC_PTY_ID
CITY_ID_RDN
END_DT IDV_INCM_SEG_ID
CTY_NLTY_ID
LOG_PCS_ID HSG_TNR_TP_ID
DSLV_DT
IP_ID_CTY_ID IDV_SALE_SEG_ID
ESTB_DT
PRY_IDN_F
ORG_CORP_PRN_ID
ORG_LAW_TP_ID
TELEFONOS
TEL_ADR_ID ORG_LGL_STC_TP_ID
TEL_ADR_GRNLR_ID ORG_LCS_TP_ID
TEL_DVC_TP_ID ORG_PPS
CTY_TEL_CODE ORG_PPS_DT
PRIM_CMRCL_NM EMPLEADOS
TEL_CODE
EMPE_ID
LCL_NO RGST_BSN_NM
UNQ_ID_SRC_STM
EXN REG_MCTL_REG_DT
EMP_LCS_TP_ID
FULL_TEL_NO HSG_TNR_TP_ID
EMP_LCS_TP_DT
ELC_ADR_TP_ID LOG_PCS_ID
CITY_ID_CNST EMPE_NO
ADR_TP_ID
ORG_SALE_SEG_ID LOG_PCS_ID
Figura 45. Diagrama entidad relación de la base de datos

BD_COMUN_TOP.
Posterior a identificar la fuente, se procede a realizar la correspondencia
entre el modelo conceptual y el diagrama entidad relación.

96
96
Figura 46. Correspondencia entre el Diagrama ER de la base de datos BD_COMUN_TOP y el modelo conceptual.
97
Fuente “CARTERA TOP NOTCH”.- Base de datos que proviene de un
archivo plano, en la cual se encuentran los montos que se deben recuperar,
asociados al cliente, zona, dirección, forma de pago, fecha, días de mora y
persona de contacto. En la Figura 47., se describen las columnas que tiene
la fuente.
COLUMNAS
MTX CIUDAD_COMP
COD_CLIENTE CEDULA
F_ACT_CUENTA RUC
STATUS_CUENTA VIP_CODE
FORMA_PAGO CICLO
TARJETA DIAS_ACTUAL
CUENTA_TARJETA DIAS_0
BANCO DIAS_30
CUENTA_BANCO DIAS_60
TIPO_CLIENTE DIAS_90
BILLGROUP DIAS_120
COMPANIA DIAS_150
NOMBRES DIAS_180
APELLIDOS DIAS_210
DIRECCION1 DIAS_240
DIRECCION2 DIAS_270
DIRECCION3 DIAS_300
CIUDAD DIAS_330
TEL_CASA DIAS_360
TEL_OFI DIAS_390
FAX DIAS_TOTAL
CONTACTO1 VENCIMIENTO
TEL_CONTACTO1 PAGOS
CONTACTO2 AJUSTES
TEL_CONTACTO2 DIFERENCIA
DIR_COMP1 ASIGNACION
DIR_COMP2 FECHA ASIGNACION
DIR_COMP3 STATUS
Figura 47. Columnas de la fuente CARTERA TOP NOTCH.
Correspondencia entre el modelo conceptual y las columnas de la fuente
proveniente de los archivos planos.

98
Figura 48. Correspondencia entre las columnas de la fuente CARTERA

TOP NOTCH y el modelo conceptual.
Fuente “REPORTE EJECUTIVO”.- Base de datos que proviene de un
archivo plano, en la cual se encuentran los montos recuperados y el
resumen de la gestión realizada por el ejecutivo. En la Figura 49., se
describen las columnas que tiene la fuente.

99
Figura 49. Correspondencia entre las columnas de la fuente REPORTE

DE EJECUTIVO y el modelo conceptual.
Fuente “OTROS MONTOS RECUPERADOS”.- Archivo plano en el cual
se encuentran montos recuperados por otras empresas de cobranzas
asociadas a la empresa TOPNOTCH BUSINESS. En la Figura 50., se
describen las columnas que tiene la fuente.
Figura 50. Correspondencia entre las columnas de la fuente “OTROS

MONTOS RECUPERADOS” y el modelo conceptual.
100
Las relaciones identificadas fueron las siguientes:
 La tabla “LOCALIZACIONES” está relacionada con la perspectiva
“Zona”.
 La tabla “IDENTIFICACIONES” está relacionada con la perspectiva
“Clientes”.
 La tabla “EMPLEADOS” está relacionada con la perspectiva
“Ejecutivos”.
 El campo “CITY_ID_RDN de la tabla ORGANIZACIONES” se
relaciona con la perspectiva “CLIENTE”.
 El campo “CTY_NLTY_ID de la tabla ORGANIZACIONES” se
 El campo “DSLV_DT de la tabla ORGANIZACIONES” se relaciona
con la perspectiva “CLIENTE”.
 El campo “ESTB_DT de la tabla ORGANIZACIONES” se relaciona
 El campo “PRIM_CMRCL_NL de la tabla ORGANIZACIONES” se
 El campo “RGST_BSN_NM de la tabla ORGANIZACIONES” se

 El campo “NM de la tabla INVOLUCRADOS” se relaciona con la

perspectiva “CLIENTE”.
101
 El campo “IP_TP_ID de la tabla INVOLUCRADOS” se relaciona con la
 El campo “UNQ_ID_SRC_STM de la tabla INVOLUCRADOS” se
 El campo “CTY_RSDNC_ID de la tabla INDIVIDUOS” se relaciona
 El campo “DEATH_DT de la tabla INDIVIDUOS” se relaciona con la
 El campo “GVN_NM de la tabla INDIVIDUOS” se relaciona con la
 El campo “MDL_NM de la tabla INDIVIDUOS” se relaciona con la
 El campo “SURNM1 de la tabla INDIVIDUOS” se relaciona con la
 El campo “SURNM2 de la tabla INDIVIDUOS” se relaciona con la
 El campo “THRD_NM de la tabla INDIVIDUOS” se relaciona con la
 El campo “NOMBRES de la tabla CARTERA” se relaciona con la
102
 El campo “APELLIDOS de la tabla CARTERA” se relaciona con la
 El campo “CÉDULA de la tabla CARTERA” se relaciona con la
 El campo “RUC de la tabla CARTERA” se relaciona con la perspectiva
“CLIENTE”.
 El campo “CIUDAD de la tabla CARTERA” se relaciona con la
perspectiva “Zona”.
 El campo “DIAS_TOTAL de la tabla CARTERA” se relaciona con la
perspectiva “TIEMPO”.
 El campo “FECHA ASIGNACION de la tabla CARTERA” se relaciona
con la perspectiva “TIEMPO”.
 El campo “ASIGNACIÓN de la tabla CARTERA” se relaciona con la
perspectiva “EJECUTIVO”.
 El campo “DIRECCIÓN1 de la tabla GESTION” se relaciona con la
 El campo “TELF_CASA de la tabla GESTION” se relaciona con la
 El campo “CÉDULA de la tabla GESTION” se relaciona con la
103
 El campo “DESCUENTO de la tabla GESTION” se relaciona con la
perspectiva “PAGOS EFECTUADOS”.
 El campo “FECHA de la tabla GESTION” se relaciona con la
perspectiva “TIEMPO”.
 El campo “EJECUTIVO3 de la tabla GESTION” se relaciona con la
perspectiva “EJECUTIVO”.
 El campo “TOTAL de la tabla GESTION” se relaciona con la
perspectiva “EFICIENCIA DE LA EMPRESA EN RECUPERAR
CARTERA”.
perspectiva “MONTO DE CARTERA RECUPERADA”.
perspectiva “EFICIENCIA DEL EJECUTIVO EN RECUERAR
CARTERA”.
perspectiva “MONTO DE CARTERA NO RECUPERADA”.
 El campo “GESTION de la tabla GESTION” se relaciona con la
perspectiva “EFICIENCIA DEL EJECUTIVO EN CONTACTAR LOS
CLIENTES”.
 El campo “CIUDAD de la tabla GESTION” se relaciona con la
perspectiva “Zona”.
104
 El campo “ANIO de la tabla OTROS MONTOS RECUPERADOS” se
relaciona con la perspectiva “TIEMPO”.
 El campo “MES de la tabla OTROS MONTOS RECUPERADOS” se
relaciona con la perspectiva “TIEMPO”.
 El campo “MONTO de la tabla OTROS MONTOS RECUPERADOS”
se relaciona con el indicador “Monto de Cartera Recuperada”.
3.1.2.3. Nivel de granularidad
Una vez establecidas las correspondencias, se analizaron los campos de
cada tabla y por cada fuente de información a la que se hace referencia. El
proceso que se utilizó fue examinar la base de datos para intuir los
significados de cada campo, y luego se consultó con el encargado del
sistema el significado de cada uno de los campos, investigación que evita
cualquier tipo de mal interpretación.
 Para la perspectiva “Cliente”, los datos disponibles son los siguientes:
FUENTE: BD_COMUN_TOP
TABLA: IDENTIFICACIONES
o IP_ID: identificador de la tabla.
o EFF_DT: Fecha de vigencia del registro.
o IP_ID_TP_ID: Tipo de identificación del cliente puede ser ruc,
pasaporte o cédula.
105
o IP_ID_NBR: Número de identificación.
o END_DT: Fecha de finalización del registro.
o IP_ID_CTY_ID: País de donde proviene la identificación.
o PRY_IDN_F: Muestra si la identificación es primaria o no; un
cliente puede tener cédula y pasaporte.
TABLA: ORGANIZACIONES
o CITY_ID_RDN: Ciudad donde se encuentra ubicada la
organización.
o CTY_NLTY_ID: País de nacionalidad donde se encuentra la
empresa.
o DSLV_DT: Fecha de disolución de la empresa.
o ESTB_DT: Fecha de constitución de la empresa.
o PRIM_CMRCL_NL: Nombre comercial de la empresa.
o RGST_BSN_NM: Nombre de registro de la empresa.
TABLA: INVOLUCRADOS
o NM: Nombre completo de la empresa o persona natural.
o IP_TP_ID: Identifica si es una persona jurídica o natural.
o UNQ_ID_SRC_STM: Es código de original del sistema fuente.

106
TABLA: INDIVIDUOS
o CTY_RSDNC_ID: Es el país de residencia de las personas

naturales.
o DEATH_DT: Fecha de fallecimiento de la persona natural.
o GVN_NM: Primer nombre de la persona natural.
o MDL_NM: Segundo nombre de la persona natural.
o SURNM1: Primer apellido de la persona natural.
o SURNM2: Segundo apellido de la persona natural.
o THRD_NM: Tercer nombre de la persona natural.
FUENTE: CARTERA TOP NOTCH
o NOMBRES: Nombres de los clientes.
o APELLIDOS: Apellidos de los clientes.
o CEDULA: Identificación del cliente.
o RUC: Identificación de personas jurídicas.
FUENTE: REPORTE DE EJECUTIVO
o DIRECCION1: Dirección de residencia o donde labora el

cliente.
o TELF_CASA: Teléfono del domicilio del cliente.
o CEDULA: Es la identificación del cliente.

107
 Con respecto a la perspectiva “Zona”, los datos disponibles son los
siguientes:
TABLA: LOCALIZACIONES
o LO_ID: Identificación única de la tabla.
o UNQ_ID_SRC_STM: Código original del sistema fuente.
o EFF_DT: Fecha de vigencia del registro
o LO_TP_ID: Tipo de dirección, puede ser postal, electrónica.
o LO_NM: Nombre de la localización, si es un domicilio teléfono,
fax o correo electrónico.
o END_DT: Fecha de finalización de vigencia del registro
o DSC: Detalle de la localización.
o CIUDAD: Ciudad donde reside el cliente o empresa.
o CIUDAD: Ciudad donde reside el cliente o empresa.
 Con respecto a la perspectiva “Ejecutivo”, los datos disponibles son
los siguientes:
108
FUENTE: EMPLEADOS
o EMPE_ID: Código identificador de la tabla.
o UNQ_ID_SRC_STM: Código original del sistema fuente.
o EMP_LCS_TP_IT: Identificador del tipo de empleado.
o EMP_LCS_TP_DT-Fecha de ingreso del empleado.
o EMPE_NO: Número de empleado.
o ASIGNACIÓN: Ejecutivo al que está asignado al cliente para su
debida gestión.
o EJECUTIVO3: Persona que realiza la gestión de cobranza.
 Con respecto a la perspectiva ”TIEMPO”, los datos disponibles son
los siguientes:
o Granularidad para esta perspectiva es:
 Año.
 Semestre.
 Mes.
 Semana.
109
o Descripción del campo asociado a la fuente “CARTERA TOP
NOTCH” y a la perspectiva.
 FECHA ASIGNACIÓN: Fecha en que se asignó al
ejecutivo la cuenta.
o Descripción del campo asociado a la fuente “REPORTE DE
EJECUTIVO” y a la perspectiva.
 FECHA: Fecha en que se realizó la gestión de
cobranza.
Cuando toda la información se recolectó, el siguiente paso fue consultar
a los usuarios cuales eran los datos que se consideran de interés para
analizar los indicadores ya expuestos. Los resultados obtenidos fueron los
siguientes:
 Perspectiva “Cliente”.
o NOMBRES
o APELLIDOS
o COMPANIA
 Perspectiva “Ejecutivo”.
o ASIGNACION
110
 Perspectiva “Tiempo”.
o “Semana”. Referido al número de semana del mes.
o “Mes”. Referido número de mes.
o “Trimestre”. Referido al número de trimestre.
o “Semestre”. Referido al nombre del mes.
o “Año”. Referido al número de año.
 Perspectiva “Zona”.
o “CIUDAD” de la fuente “CARTERA TOP NOTCH”. Ya que esta
hace referencia a la ciudad donde se encuentra la persona a
realizar la cobranza.
3.1.2.4. Modelo Conceptual ampliado.
El modelo conceptual ampliado resultado del análisis del punto 3.1.2.3,
se representa en la Figura 51.

111
recuperada
SUM(Monto Recuperado)
Clientes
CEDULA
RUC
NOMBRES Monto de cartera vencida no recuperada
APELLIDOS SUM(Monto Recuperado – Monto por Recuperar)
COMPANIA
Eficiencia del ejecutivo en

Ejecutivos
recuperar la cartera
ASIGNACION
( (MontoRecuperado-100%) /
NM
(MontoARecuperar-100%) )*100%
Recuperación
de Cartera
Tiempo Eficiencia del ejecutivo en contactar los
ANIO clientes
SEMETR E
TRIMESTRE ( (ClientesContactados-100%) /
MES (ClientesAContactar-100%) )*100%
SEMAN
Pagos efectuados
SUM(MontoRecuperado)
Ciudades
CIUDAD
Eficiencia de la empresa en recuperar la

cartera
( (MontoTotalRecuperado-100%) /
(MontoTotalARecuperar-100%) )*100%
Eficiencia de la empresa en contactar los

clientes
( (TotalClientesContactados-100%) /
(TotalClientesAContactar-100%) )*100%
Figura 51. Modelo Conceptual ampliado.
3.1.3. Etapa III). Modelo lógico del Data Warehouse.
3.1.3.1. Tipo de modelo lógico del Data Warehouse.
El esquema que se usará para el modelamiento del Data Warehouse
será de tipo estrella.
3.1.3.2. Tablas de dimensión.
Las perspectivas analizadas para el diseño de las tablas de dimensión
son: Cliente, Ejecutivo, Tiempo y Zona.

112
Perspectiva Cliente:
 Nombre de la tabla de dimensión: CLIENTES.
 Clave principal autogenerada: IDENTIFICADOR_CLIENTE.
 Nombre de los campos de la tabla:
o NUMERO_IDENTIFICACION, proviene de las columnas
CEDULA y RUC.
o TIPO_IDENTIFICACION, campo calculado en base a si existe
información en las columnas CEDULA y RUC.
o NOMBRE_CLIENTE, proviene de las columnas NOMBRES,
APELLIDOS Y COMPANIA.
 Gráficamente:
CLIENTES
IDENTIFICADOR_CLIENTE <pi> DMN_ID_PK <M>
TIPO_IDENTIFICACION Variable characters (15)
NUMERO_IDENTIFICACION Variable characters (13)
NOMBRE_CLIENTE Variable multibyte (200)
IDR_CLI <pi>
Figura 52. Tabla dimensión Clientes.
Perspectiva Ejecutivo:
 Nombre de la tabla de dimensión: EJECUTIVOS.
 Clave principal autogenerada: IDENTIFICADOR_EJECUTIVO.

113
o CODIGO_ORIGINAL_EJECUTIVO, proviene de la columna
ASIGNACION.
o NOMBRE_EJECUTIVO, proviene de la columna NM.
 Gráficamente:
EJECUTIVOS
IDENT IFICADOR_EJECUTIVO <pi> DMN_ID_PK <M>
CODIGO_ORIGINAL_EJECUTIVO Variable characters (15)
NOMBRE_EJECUTIVO Variable characters (200)
IDR_EJC <pi>
Figura 53. Tabla dimensión Ejecutivos.
Perspectiva Tiempo:
 Nombre de la tabla de dimensión: FECHA.
 Clave principal autogenerada: IDENTIFICADOR_FECHA.
 El nombre de los campos se mantiene excepto el de año que cambia
por ANIO.
 Gráficamente:
FECHA
IDENTIFICADOR_FECHA <pi> DMN_ID_PK <M>
ANIO Integer
SEMESTRE Integer
TRIMESTRE Integer
MES Integer
SEMANA Integer
IDR_FEC <pi>
Figura 54. Tabla dimensión Fecha.

114
Perspectiva Zona:
 Nombre de la tabla de dimensión: CIUDADES.
 Clave principal autogenerada: IDENTIFICADOR_CIUDAD.
o NOMBRE_CIUDAD, proviene de la columna CIUDAD.
 Gráficamente:
CIUDADES
IDENTIFICADOR_CIUDAD <pi> DMN_ID_PK <M>
NOMBRE_CIUDAD Variable characters (100)
IDR_CIU <pi>
Figura 55. Tabla dimensión Ciudades.
3.1.3.3. Tablas de hechos.
La tabla de hechos resultado del análisis representa el proceso principal
de la empresa que es la recuperación cartera; a continuación se describe su
diseño:
 Nombre de la tabla de hechos: RECUPERACION_CARTERA.
 Clave principal autogenerada: IDENTIFICADOR_CIUDAD.
o NOMBRE_CIUDAD, proviene de la columna CIUDAD.

115
 Gráficamente:
RECUPERACION_CARTERA
MONTO CARTERA VENCIDA_RECUPERADA DMN_MONTO
MONTO CARTERA VENCIDA NO RECUPERADA DMN_MONTO
EFICIENCIA_RECUPERACION_CARTERA DMN_MONTO
EFICIENCIA_CONTACTO_CLIENTES DMN_MONTO
PAGOS_EFECTUADOS DMN_MONTO
IDR_RCP_CTR <pi>
...
Figura 56. Tabla de Hechos Recuperación Cartera.
3.1.3.4. Uniones.
En este paso se realizan las uniones de las dimensiones Tiempo,

Clientes, Ejecutivos y Ciudades con la tabla de hechos
Recuperacion_Cartera. Gráficamente las uniones se describen en la Figura
57.
CLIENTES
EJECUTIVOS
IDENTIFICADOR_CLIENTE <pi> DMN_ID_PK <M>
TIPO_IDENTIFICACION Variable characters (15) IDENTIFICADOR_EJECUTIVO <pi> DMN_ID_PK <M>
Relationship_2 Relationship_1
NUMERO_IDENTIFICACION Variable characters (13) CODIGO_ORIGINAL_EJECUTIVO Variable characters (15)
NOMBRE_CLIENTE Variable multibyte (200) NOMBRE_EJECUTIVO Variable characters (200)
IDR_CLI <pi> IDR_EJC <pi>
... ...
RECUPERACION_CARTERA
MONTO CARTERA VENCIDA_RECUPERADA DMN_MONTO
MONTO CARTERA VENCIDA NO RECUPERADA DMN_MONTO
EFICIENCIA_RECUPERACION_CARTERA DMN_MONTO
EFICIENCIA_CONTACTO_CLIENTES DMN_MONTO
PAGOS_EFECTUADOS DMN_MONTO
IDR_RCP_CTR <pi>
...
FECHA
IDENTIFICADOR_FECHA <pi> DMN_ID_PK <M> CIUDADES
ANIO Integer IDENTIFICADOR_CIUDAD <pi> DMN_ID_PK <M>
SEMESTRE Integer NOMBRE_CIUDAD Variable characters (100)
TRIMESTRE Integer Relationship_3 Relationship_4
IDR_CIU <pi>
MES Integer
...
SEMANA Integer
IDR_FEC <pi>
...
Figura 57. Uniones de la tabla de dimensiones y la tabla de hechos.
3.2. Análisis KPI.
3.2.1. Definición del Objetivo del Estudio.
Mediante consulta a los directivos de la empresa, se determinó que se
quiere abarcar estrategias que involucren la parte financiera y estratégica.
Por lo cual, se han definido los siguientes objetivos estratégicos:

116
Tabla 8. Descripción de los KPI y su perspectiva.
No. PERSPECTIVA OBJETIVO
1 Financiera Incrementar la recuperación de

cartera de la empresa.
2 Estratégica Incrementar la eficiencia de la
empresa en contactar a los
clientes.
ESPACIO EN BLANCO
INTENCIONAL
117
117
3.2.2. Matriz de KPI.
Tabla 9. Descripción de los KPI y su perspectiva.
N° DEFINIR ACLARAR CONCEPTUALIZAR FORMULAR
Incrementar la Aumentar la Que la recuperación de la Incremento recuperación de cartera en (USD$) =

recuperación de recuperación de cartera de la empresa, en
1 ∑ $
cartera de la cartera en un 2% dólares, del año actual sea ; = , … ( )
empresa. anualmente mayor que el año anterior ∑ $
Incrementar la Aumentar la
Comparar el número de % Devolución por Producto Defectuoso =
eficiencia de la eficiencia en
clientes contactos versus el
2 empresa en contactar a los
número total de clientes #
contactar a los clientes en un 3%
asignados.
clientes. semanalmente.
118
CAPÍTULO 4
DESARROLLO Y CONSTRUCCIÓN
4.1. Aplicación Metodología Hefesto.
4.1.1. Etapa IV). Integración de datos.
Una vez construido el modelo lógico, este tiene que ser probado con los
datos que vienen de las distintas fuentes, utilizando técnicas de limpieza y
calidad de datos, procesos ETL, etc.; posteriormente se definirán las reglas y
políticas para su respectiva actualización, como parte del gobierno de la
información. Para la carga se ha implementado dos áreas un área temporal
llamada Desembarco y el área del DWH. En la Figura 58., se especifica el
flujo entre las dos.
Área Desembarco Área DW
Flujos Flujos Carga Dimensiones Flujos Carga Hechos
22/10/2013 23/10/2013 22/10/2013 23/10/2013
Figura 58. Flujo de las áreas de Desembarco.

119
4.1.1.1. Carga Inicial.
El esquema de procesos para la construcción de cada ETL que permite
la Carga Inicial de todo el ambiente del DWH involucra tres fases principales,
que son:
 ETL para la carga de las fuentes externas al área de Desembarco.
 Procesos ETL para la carga de las tablas dimensión.
 Procesos ETL para la carga de la tabla de hechos.
4.1.1.1.1 Proceso 1. Carga fuentes externas al área de Desembarco.
Este proceso se lleva a cabo con el siguiente esquema de ETL:
Tabla 10. Esquema de procesos ETL de carga fuente externa.
No. Nombre ETL

1 1_CRG_CFG_FEC_PCS.dtsx
2 2_CRG_DCO_CARTERA.dtsx
3 3_CRG_DCO_CLIENTES.dtsx
4 4_CRG_DCO_GESTION.dtsx
5 5_CRG_DCO_CIUDAD.dtsx
6 6_CRG_DCO_RECUPERACION_ADICIONAL.dtsx
7 7_CRG_DCO_EJECUTIVOS.dtsx
 ETL Asignación parámetros iniciales (1_CRG_CFG_FEC_PCS).
El proceso contiene la tarea de asignación de la fecha de proceso para
todo el esquema que carga las fuentes externas al área de desembarco y
estableciendo “PROCESANDO” a la bandera “ESTADO” de la tabla de
configuración de Fechas procesadas “BDWH_CFG_PRC”. En la Figura 59.,
se muestra la tarea del ETL.

120
Figura 59. Tarea proceso ETL Asignación parámetros iniciales.
 ETL Desembarco Cartera (2_CRG_DCO_CARTERA).
El proceso contiene las tareas para desembarcar la fuente externa
Cartera; el archivo del que se lee tiene el siguiente formato: CARTERA TOP
NOTCH AL dd-mm-yyyy.txt. El flujo de tareas que llevan a cabo este proceso
se muestra en la Figura 60.
Figura 60. Tareas proceso ETL Desembarco Cartera.

121
A continuación se describe con un mayor detalle las tareas que involucra
este proceso:
o Búsqueda dinámica del archivo cartera.- Esta tarea consiste
en asignar el valor de la fecha de actual, usando la consulta
que se indica en la Figura 61., a la variable general del
proceso “FEC_ACT”, para armar la cadena dinámica de
conexión al archivo externo.
Figura 61. Consulta fecha en la que se está procesando.
o Truncamiento tabla cartera desembarco.- Tarea que trunca
la tabla de cartera “TAB_CTR”.
o Asignación fecha de proceso variable “FEC_ULT_EJE”.-
Se asigna la fecha actual a la variable “FEC_ULT_EJE”, para
derivar la columna Fecha de proceso al flujo de ejecución.
o Desembarco Cartera.- Esta tarea contiene las siguientes
subtareas:
 Extracción Archivo Cartera.- Extrae el archivo de
Cartera (CARTERA TOP NOTCH AL dd-mm-yyyy.txt),
según la cadena de conexión armada para la fecha de
proceso.
122
 Conversión de los campos.- Todos los campos de la
fuente son convertidos al tipo y tamaño de la tabla
destino “TAB_CTR”.
 Adición Columnas Derivadas.- En la información
convertida se añade el campo “FEC_PCS”, con la fecha
de procesamiento.
 Fuente Destino.- Finalmente se mapean las columnas
con la información transformada y las derivadas para
ser enviadas a cargar a la tabla “TAB_CTR” del área de
desembarco.
 ETL Desembarco Clientes (3_CRG_DCO_CLIENTES).
El proceso contiene las tareas para desembarcar la información de
clientes usando la tabla anteriormente cargada de cartera “TAB_CTR” que
se encuentra en el área de desembarco. El flujo de tareas que llevan a cabo
este proceso se muestra en la Figura 62.

123
Figura 62. Tareas proceso ETL Desembarco Clientes.
o Truncamiento tabla clientes.- Tarea que trunca la tabla de
clientes “TAB_CLI”.
o Desembarco Clientes.- Esta tarea contiene las siguientes
subtareas:
 Extracción tabla Cartera.- Extrae la información, de la

fecha de proceso, de la tabla Cartera “TAB_CTR” para
extraer los clientes.

convertida se reemplaza el campo “NUM_IDE” quitando
todos los espacios encontrados.

destino “TAB_CLI”.
124
ser enviadas a cargar a la tabla “TAB_CLI” del área de
desembarco.
 ETL Desembarco Clientes (4_CRG_DCO_GESTION).
El proceso contiene las tareas para desembarcar la información de la
gestión de recuperación de cartera realizada por cada empleado; el archivo
del que se lee tiene el siguiente formato: REPORTE_GESTION_001_dd-
mm-yyyy.txt. El flujo de tareas que llevan a cabo este proceso se muestra en
la Figura 63.
Figura 63. Tareas proceso ETL Desembarco Gestión.

125
o Búsqueda dinámica del archivo gestión.- Esta tarea
consiste en asignar el valor de la fecha de actual, usando la
consulta que se indica en la Figura 61., a la variable general
del proceso “FEC_ACT”, para armar la cadena dinámica de
conexión al archivo externo.
o Truncamiento tabla cartera desembarco.- Tarea que trunca
la tabla de cartera “TAB_GES_EJC”.
o Asignación fecha de proceso variable “FEC_ULT_EJE”.-
Se asigna la fecha actual a la variable “FEC_ULT_EJE”, para
derivar la columna Fecha de proceso al flujo de ejecución.
o Desembarco Gestión Ejecutivo.- Esta tarea contiene las
siguientes subtareas:
 Extracción Archivo Gestión.- Extrae el archivo de
Gestión (REPORTE_GESTION_001_dd-mm-yyyy.txt),
según la cadena de conexión armada para la fecha de
proceso.
convertida se añade el campo “FEC_PCS_GES”, con la
fecha de procesamiento.
destino “TAB_GES_EJC”.
126
 Tabla Destino.- Finalmente se mapean las columnas
ser enviadas a cargar a la tabla “TAB_GES_EJC” del
área de desembarco.
 ETL Desembarco Clientes (5_CRG_DCO_CIUDAD).
El proceso contiene las tareas para desembarcar la información de las
ciudades usando la tabla anteriormente cargada de cartera “TAB_CTR” que
se encuentra en el área de desembarco. El flujo de tareas que llevan a cabo
este proceso se muestra en la Figura 64.
Figura 64. Tareas proceso ETL Desembarco Ciudades.
o Truncamiento tabla ciudades.- Tarea que trunca la tabla de
clientes “TAB_CIU”.
127
o Desembarco Clientes.- Esta tarea contiene las siguientes
subtareas:
fecha de proceso, de la tabla Cartera “TAB_CTR” para
extraer las ciudades, usando la consulta de la Figura 65.
Figura 65. Consulta extracción Ciudades.
destino “TAB_CIU”.
ser enviadas a cargar a la tabla “TAB_CIU” del área de
desembarco.
 ETL Desembarco Recuperación Adicional
(6_CRG_DCO_RECUPERACION_ADICIONAL).
128
El proceso contiene las tareas para desembarcar la información de los
montos adicionales recuperados usando el archivo con el siguiente formato:
RecuperacionNoAsignadaTopNotch_dd-mm-yyyy.txt. El flujo de tareas que
llevan a cabo este proceso se muestra en la Figura 66.
Figura 66. Tareas proceso ETL Desembarco Recuperación Adicional.
o Lectura Configuración.- Tarea que lee la configuración y
asigna a la variable general del proceso, para saber la fecha
de lectura del archivo.
o Borrado Tabla Temporal.- Tarea que trunca la tabla de
recuperación adicional “TAB_RCP_CTR_NO_ASG”.
o Desembarco Monto Recuperación Adicional.- Esta tarea
contiene las siguientes subtareas:

129
fecha de proceso, del archivo fuente
“RecuperacionNoAsignadaTopNotch_dd-mm-yyyy.txt”.
destino “TAB_RCP_CTR_NO_ASG”.
ser enviadas a cargar a la tabla
“TAB_RCP_CTR_NO_ASG” del área de desembarco.
 ETL Desembarco Ejecutivos (7_CRG_DCO_EJECUTIVOS).
El proceso contiene las tareas para desembarcar la información de los
ejecutivos, usando la base de datos fuente “” y cruzando las tablas “IP” y
“EMPE”. El flujo de tareas que llevan a cabo este proceso se muestra en la
Figura 67.
130
Figura 67. Tareas proceso ETL Desembarco Ejecutivos.
o Borrado Tabla Temporal.- Tarea que trunca la tabla de

recuperación adicional “TAB_EMP”.
o Desembarco Ejecutivo.- Esta tarea contiene las siguientes

subtareas:
 Extracción tablas fuentes.- Extrae la información, de la

fecha de proceso, de la tabla “IP” y “EMPE” usando la
consulta que se indica en la Figura 68.
Figura 68. Consulta extracción Ejecutivos.

131
para cargar la tabla “TAB_EMP” del área de
desembarco.
4.1.1.1.2 Proceso 2. Carga de las tablas de dimensión al área del DWH.
Tabla 11. Esquema de procesos ETL de carga tablas dimensiones.
No. Nombre ETL

1 8_CRG_DWH_DIMENSIONES.dtsx
 ETL Carga Dimensiones (8_CRG_DWH_DIMENSIONES).
El proceso contiene las tareas para cargar las tablas que van a servir
como insumo para la construcción de las dimensiones del cubo, la fuente
que usa son las tablas del área de desembarco. El flujo de tareas que llevan
a cabo este proceso se muestra en la Figura 69.
Figura 69. Flujo de tareas carga tablas de dimensión al DWH.

132
o Mantenimiento Fechas.- Tarea que carga la fecha de
procesamiento a la tabla “FEC” del área de desembarco hacia
el área del DWH.
o Mantenimiento Dimensión Ciudades.- Tarea que carga las
ciudades a la tabla “CIU” del área de desembarco hacia el área
del DWH.
o Mantenimiento Dimensión Clientes.- Tarea que carga los
clientes a la tabla “CLI” del área de desembarco hacia el área
del DWH.
o Mantenimiento Dimensión Ejecutivos.- Tarea que carga los
ejecutivos a la tabla “EJC” del área de desembarco hacia el
área del DWH.
4.1.1.1.3 Proceso 3. Carga de la tabla de hechos al área del DWH.
Tabla 12. Esquema de procesos ETL de carga tabla de hechos.
No. Nombre ETL

1 9_CRG_DWH_HECHOS.dtsx
 ETL Carga Hechos (9_CRG_DWH_HECHOS).
El proceso contiene las tareas para cargar la tabla que va a servir como
insumo para la construcción de los hechos del cubo, la fuente que usa son
133
las tablas del área de desembarco. El flujo de tareas que llevan a cabo este
proceso se muestra en la Figura 70.
Figura 70. Flujo de tareas carga tabla de hechos al DWH.
o Asignación Fecha a procesar.- La tarea asigna, al proceso
en general, la fecha en la que se debe realizar cada acción.
o Eliminación data fecha a procesar.- Tarea para borra la
información de la tabla de hechos “RCP_CTR” según la fecha
en la que se va a procesar.
o Carga tabla Hechos.- Tarea que carga la tabla de hechos
“RCP_CTR”, del área de desembarco hacia el área del DWH.
4.1.1.2. Actualización.
El proceso ETL para la actualización del DWH es muy similar al de la
Carga Inicial pero definidas las siguientes políticas de actualización, que han
sido elaboradas a través de las reuniones con los usuarios; y son las
siguientes:
134
 La información se actualizará el último día de cada mes.
 Para hacer un reproceso se necesita establecer la fecha de
reproceso en la tabla de configuraciones, tener los archivos con la
fecha de reproceso en la ruta compartida y finalmente correr el flujo.
 Estas acciones se realizarán durante un periodo de prueba, posterior
a este tiempo se analizará la manera más eficiente de generar las
actualizaciones; decisión que se basará en el estudio de los cambios
que se producen en los OLTP y que afectan al contenido del Data
Warehouse.
4.1.1.3. Construcción del Cubo de Recuperación de Cartera.
A continuación se creará el cubo multidimensional para la recuperación
de cartera, que será llamado “CARTERA” y que estará basado en el modelo
lógico diseñado en el punto 3.1.3.4 basados en la metodología Hefesto. La
figura 71., presenta el diseño de las tablas dentro de la herramienta
Microsoft SQL Manager 2012.

135
Figura 71. Diseño del modelo del cubo multidimensional Recuperación

Cartera.
Cabe denotar que todas las tareas de construcción del cubo
multidimensional, que se describirán en los pasos a continuación, serán
enfocadas a las herramientas de Microsoft como son: SQL Manager 2012 y
Visual Studio 2010.
4.1.1.3.1 Creación del proyecto Analysis Services Multidimensional.
El primer paso a realizar es crear un proyecto de tipo Business
Intelligence – Analysis Services. La figura 72., describe visualmente el tipo
de proyecto a crear dentro Visual Studio.

136
Figura 72. Selección del proyecto para creación del Cubo

Multidimensional.
4.1.1.3.2 Configuración de la conexión a la base del DWH.
Situados en el área de trabajo del proyecto, se observa cuatro
principales carpetas en el explorador de Soluciones, la primera carpeta con
el nombre “Data Sources” servirá para crear las conexiones del cubo
multidimensional. En la Figura 73, se visualizan las carpetas mencionadas.
Figura 73. Carpetas de trabajo Explorador de Soluciones.
Para crear el objeto de conexión a la base de datos se da un clic derecho
sobre la carpeta “Data Sources” y se elige la opción “New Data Source”,

137
posteriormente se procede a establecer los parámetros de conexión como se
muestra en la Figura 74.
Figura 74. Parámetros de conexión a la base del DWH.
4.1.1.3.3 Configuración de la vista base del Cubo Multidimensional.
En la carpeta “Data Sources Views” se da clic derecho, se selecciona
“New Data Sources View”, se escoge la conexión y se seleccionan las tablas
de dimensión y hechos a diseñar. En la Figura 75., se visualiza la selección
de las tablas.
138
Figura 75. Selección de tablas de dimensión y hechos.
4.1.1.3.4 Creación de las dimensiones del Cubo Multidimensional.
En la carpeta “Dimensions” se da clic derecho, se selecciona “New
Dimension” y se procede con las siguientes acciones de creación de
dimensión:
1. Selección del método de creación.- Esta opción permite
seleccionar el método de generación de las tablas fuente para crear
la dimensión. Para la construcción de todas las dimensiones del Cubo
de Recuperación de Cartera se selecciona la primera opción “Use an
existing table”, como se visualiza en la Figura 76.

139
Figura 76. Selección método generación dimensiones.
2. Selección de la tabla base de la dimensión.- En esta opción se
selecciona la vista fuente, la tabla base de la dimensión, la columna
clave de la tabla y la columna nombre de la dimensión. Las figuras a
continuación describen la creación de las dimensiones: ciudades,
fechas, ejecutivos y clientes.
Figura 77. Selección fuente y nombre para la dimensión CIUDADES.

140
Figura 78. Selección fuente y nombre para la dimensión CLIENTES.
Figura 79. Selección fuente y nombre dimensión EJECUTIVOS.
Figura 80. Selección fuente y nombre dimensión FECHAS.

141
4.1.1.3.5 Creación del Cubo Multidimensional.
Para crear el cubo de Recuperación de Cartera se da clic sobre la
carpeta “Cubes” y se selecciona la opción “New Cube”. Posteriormente se
realizan las siguientes acciones:
1. Selección del método de creación del cubo.- En este paso
seleccionar la primera opción “Use existing tables” como se muestra
en la Figura 81.
Figura 81. Selección método de creación Cubo Multidimensional.
2. Selección de la tabla del grupo de medidas. Este paso permite
elegir la tabla en donde está el grupo de métricas. Para el cubo de
Recuperación de Cartera se tiene en la tabla “CARTERA”.

142
Figura 82. Selección de la tabla fuente del grupo de métricas.
3. Selección de las dimensiones.- En este paso se podrá elegir las
dimensiones que formarán parte de la construcción del cubo, como
se visualiza en la Figura 83.

143
Figura 83. Selección dimensiones del Cubo de Recuperación de

Cartera.
4. Asignación del nombre del Cubo.
Figura 84. Asignación del nombre del Cubo para la Recuperación de

Cartera.
144
Como paso final de la construcción del cubo, este se muestra en la
Figura 85.
Figura 85. Asignación del nombre del Cubo para la Recuperación de

Cartera.
4.1.1.3.6 Creación de Jerarquías.
Existe una sola jerarquía que se creará y pertenece a la dimensión
Fecha, la cual será visualizada en la Figura 86.

145
Figura 86. Jerarquización dimensión FECHAS.
4.1.1.3.7 Creación de Indicadores.
En este momento se crearán los indicadores que serán incluidos en el
cubo “Recuperación de Cartera”:
 De la tabla de hechos “CARTERA”, se procederá a crear el indicador
“EFICIENCIA RECUPERACION CARTERA EJECUTIVO X FECHA”,
basado en el siguiente código MDX:

146
Figura 87. Código MDX para construir el indicador “EFICIENCIA

RECUPERACIÓN CARTERA EJECUTIVO X FECHA”.

“EFICIENCIA CONTACTAR CLIENTES”, basado en el siguiente
código MDX:

CONTACTAR CLIENTES”.
147
“EFICIENCIA CONTACTAR CLIENTES”, basado en el siguiente
código MDX:

RECUPERACIÓN CARTERA EMPRESA X FECHA”.
4.1.1.3.8 Creación de KPI.
Los KPI que serán construidos en el cubo de Recuperación de Cartera
se mencionan a continuación:
 De la tabla de hechos “CARTERA”, se procederá a crear el KPI “KPI
INCREMENTO RECUPERACIÓN CARTERA”, que analiza el
incremento en la recuperación de cartera entre los dos últimos
periodos cargados. El KPI está basado en el siguiente código MDX:

148
Figura 90. Código MDX para construir el KPI “KPI INCREMENTO

RECUPERACIÓN CARTERA”.
 De la tabla de hechos “CARTERA”, se procederá a crear el KPI “KPI
INCREMENTO CONTACTAR A LOS CLIENTES”, que analiza el
incremento en contactar a los clientes entre los dos últimos periodos
cargados. El KPI está basado en el siguiente código MDX:

149
Figura 91. Código MDX para construir el KPI “KPI INCREMENTO

CONTACTAR A LOS CLIENTES”.
4.2. Aplicaciones para Usuarios Finales.
4.2.1. Tablero de Control.
El cubo se ha explotado usando la herramienta de Microsoft Visual
Studio 2010 creando una aplicación de Windows para construir el Tablero de
control con conexión al cubo multidimensional.
El tablero de control es una herramienta gráfica para crear, editar y
visualizar cuadros de mando; ofrece las siguientes perspectivas:

150
 Fichero: Permite crear, guardar o cargar un tablero de control desde
cero o desde una plantilla.
Figura 92. Grupo de botones para el manejo de Ficheros.
 Fuentes de Datos: Sirve para definir las conexiones a las fuentes de

datos utilizadas por los componentes.
Figura 93. Grupo de botones para el manejo de la Fuente de Datos.
 Componentes: Para agregar y configurar los distintos componentes
que conforman el tablero de control; componentes visuales como
cuadro de texto, tablas, tablas cruzadas, gráficas de barras, gráficas
de pastel, indicador o fichas.
Para empezar a diseñar un tablero de control es necesario iniciar el
servicio de SQL Server Analysis Services y ejecutar la aplicación de
Windows ( ).
151
La creación de tableros de control se encuentra en mayor detalle en el
Manual de Usuario del Tablero de Control en el Anexo D.
A continuación, en la Figura 95., se visualiza el cuadro de mandos
aplicado a graficar los indicadores de Recuperación Cartera por Ejecutivo y
empresa.
4.2.2. Aplicación WEB.
El cubo también se ha explotado usando la herramienta de Microsoft

Visual Studio 2010 creando una aplicación Web para la intranet de la
empresa TopNotch Business.
La aplicación Web ofrece las siguientes perspectivas:
Figura 96. Grupo de botones de la aplicación Web.

152
 Inicio: Permite describir el objetivo de la aplicación Web y presenta
algunas gráficas relacionadas a la empresa.
 Tabla Cruzada: Componente para explotar el cubo basadas en los
montos de recuperación como métricas y las dimensiones de
visualización.
 KPI: Contiene una tabla cruzada que presenta a los dos KPI
construidos.
 Reportes: Esta sección cuenta con reportes diseñados para validar la

última data que se cargó de la fuente versus la bodega de
información DWH.
El detalle de como interactuar con la aplicación Web se encuentra en
mayor detalle en el Manual de Usuario aplicación Web en el Anexo E.
A continuación se visualizan los perfiles de la aplicación Web.
Figura 97. Perfil Inicio de la aplicación Web.

153
Figura 98. Perfil Tabla Cruzada de la aplicación Web.
Figura 99. Perfil KPI de la aplicación Web.

154
Figura 100. Perfil Reportes de fuente y bodega aplicación Web.

155
CAPÍTULO 5
CONCLUSIONES Y RECOMENDACIONES
5.1. Conclusiones
La teoría del Data Warehousing, Business Intelligence y la metodología
Hefesto permite la implementación correcta de cada uno de los pasos para
la construcción del Data Warehouse, de forma estructurada y organizada.
Por otra parte, un punto importante a destacar, es el costo en tiempo
tomado en la fase de análisis de requerimientos y OLTP de la metodología
Hefesto, por la carencia de documentación y procesos claros sobre el
negocio; lo cual implica un mayor esfuerzo en la construcción del proyecto y
un desfase en la planificación.
SATB logró muy buenos resultados al realizar la carga de la información
y el posterior análisis de la información multidimensional; este referente le
permitirá, a la empresa TopNotch Business, tomar las decisiones
estratégicas oportunas para el cumplimiento de sus objetivos empresariales.

156
5.2. Recomendaciones
Realizar un plan de mantenimiento y actualización, tanto para el software
como para la infraestructura; procedimiento importante para mantener en
correcto funcionamiento el Data Warehouse, debido a su demandante
crecimiento en espacio físico.
Crear y administrar los niveles de acceso a los usuarios, bajo un listado
de acceso controlado a los servidores, aplicación, reportes y cubo
multidimensional, protegiendo a la información de la empresa.
Definir claramente los lineamientos y roles de cada una de las áreas
involucradas (e-Governance), para que de esta manera exista una buena
integración y manejo del proyecto tecnológico.
Incrementar la funcionalidad de la aplicación Web del proyecto SATB,
operativizando todos los elementos de análisis multidimensional existente en
la aplicación de escritorio.
157
BIBLIOGRAFÍA
Bernabeu, D. (6 de Mayo de 2009). Arquitectura Data Warehouse. Obtenido de

HEFESTO: Metodología para la Construcción de un Data Warehouse:
http://www.dataprix.com/32-oltp
Bernabeu, D. (13 de Mayo de 2009). Estructura Data Warehouse. Obtenido de
HEFESTO: Metodología para la Construcción de un Data Warehouse:
http://www.dataprix.com/data-warehousing-y-metodologia-hefesto/i-data-
warehousing-investigacion-y-sistematizacion-conceptos-8
Bernabeu, D. (6 de Mayo de 2009). Herramientas de consulta y análisis,
Arquitectura Data Warehouse. Obtenido de HEFESTO: Metodología para la
Construcción de un Data Warehouse: http://www.dataprix.com/data-
warehousing-y-metodologia-hefesto/i-data-warehousing-investigacion-y-
sistematizacion-concepto-17
Bernabeu, D. (6 de Mayo de 2009). OLTP. Obtenido de HEFESTO: Metodología
para la Construcción de un Data Warehouse: http://www.dataprix.com/data-
warehousing-y-metodologia-hefesto
Bernabeu, D. (12 de Mayo de 2009). Proceso de BI. Obtenido de DATAPRIX:
http://www.dataprix.com/data-warehousing-y-metodologia-hefesto/1-
business-intelligence/13-proceso-bi
Bernabeu, D. (6 de Mayo de 2009). Query Manager, Arquitectura Data Warehouse.
Obtenido de HEFESTO: Metodología para la Construcción de un Data
Warehouse: http://www.dataprix.com/blogs/bernabeu-dario/hefesto-v20
Bernabeu, D. (19 de Julio de 2010). HEFESTO: Metodología para la Construcción
de un Data Warehouse. Obtenido de http://tgx-
hefesto.blogspot.com/2010/07/hefesto-v20.html
Bernabeu, D. (17 de 04 de 2013). Clasificación KPI. Obtenido de HEFESTO:
Metodología para la Construcción de un Data Warehouse:
http://www.dataprix.com/category/tags/indicadores
Curto, J. (7 de Octubre de 2007). Information Management: Wordpress. Obtenido de
Information Management:
http://informationmanagement.wordpress.com/2007/10/07/data-warehousing-
data-warehouse-y-datamart/
Dario, B. (12 de Mayo de 2009). Dataprix Knowledge is the Goal. Obtenido de
http://www.dataprix.com/data-warehousing-y-metodologia-hefesto/i-data-
warehousing-investigacion-y-sistematizacion-conceptos-8
Dario, B. (6 de 5 de 2009). Load Manager. Obtenido de Load Manager:
http://www.dataprix.com/33-load-manager
158
NextGenerationCenter. (s.f.). DiálgoTI. Obtenido de NextGenerationCenter:
http://www.google.com.ec/url?sa=t&rct=j&q=&esrc=s&frm=1&source=web
&cd=1&cad=rja&ved=0CDYQFjAA&url=http%3A%2F%2Fwww.dialogoti.
com%2Far%2FscriptServices%2FcourseToPdf.ashx%3FcourseId%3D7d6f05
8a-2ecd-42a4-8d0b-
ff610aa97548&ei=sz1aUoOxCNHpkAe40oCoBw&usg=AFQjC
Ralph, k., & Ross, M. (2002). The data warehouse toolkit : the complete guide to
dimensional modeling (Second ed.). Toronto, United States of America:
Wiley Computer Publishing. Recuperado el 19 de 10 de 2013
Ricardo, I. B. (19 de Julio de 2010). HEFESTO, Metodología para la Construcción
de un. Córdoba, Argentina.
SIXTINA CONSULTING GROUP. (2012). Biblioteca de Indicadores. Obtenido de
http://www.sixtinagroup.com/herramientas-y-recursos/biblioteca-de-
indicadores/
Sixtinagroup. (s.f.). Biblioteca de Indicadores (KPIs). Obtenido de
http://www.sixtinagroup.com/herramientas-y-recursos/biblioteca-de-
indicadores/
Wikipedia. (8 de Marzo de 2013). Almacén operacional de los datos. Obtenido de
http://es.wikipedia.org/wiki/Almac%C3%A9n_operacional_de_los_datos
Wikipedia. (27 de Mayo de 2013). OLTP. Obtenido de
http://es.wikipedia.org/wiki/OLTP

T Espe 047750

Cargado por

Copyright:

Formatos disponibles

T Espe 047750

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

T Espe 047750

Cargado por

Copyright:

Formatos disponibles

DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN

CARRERA DE INGENIERÍA EN SISTEMAS E INFORMÁTICA

TESIS PREVIO A LA OBTENCIÓN DEL TÍTULO DE INGENIERO EN

AUTOR: LOZADA PEÑAFIEL, XIMENA NATHALIE

CRUZ TAMAYO, HOLGER DAVID

TEMA: ANÁLISIS, DISEÑO, CONSTRUCCIÓN E IMPLEMENTACIÓN DE

DIRECTOR: ING. PÉREZ, WASHINGTON

CODIRECTOR: ING. DE LA TORRE, ANDRÉS

SANGOLQUÍ, MARZO 2014

CARRERA DE INGENIERÍA EN SISTEMAS E INFORMÁTICA

Ing. Washington Pérez (DIRECTOR DE TESIS)

Ing. Andrés de la Torre (CODIRECTOR DE TESIS)

Que el trabajo titulado “ANÁLISIS, DISEÑO, CONSTRUCCIÓN E

Debido a que constituye un trabajo de excelente contenido científico, que

El mencionado trabajo consta de un documento empastado y un disco

Sangolquí, 14 de marzo de 2014

UNIVERSIDAD DE LAS FUERZAS ARMADAS – ESPE

CARRERA DE INGENIERÍA EN SISTEMAS E INFORMÁTICA

Nosotros, Ximena Nathalie Lozada Peñafiel y Holger David Cruz Tamayo

El proyecto de grado denominado “ANÁLISIS, DISEÑO, CONSTRUCCIÓN E

Consecuentemente este trabajo es de nuestra autoría.

En virtud de esta declaración, nos responsabilizamos del contenido,

Sangolquí, 14 de marzo de 2014

Ximena Nathalie Lozada Peñafiel Holger David Cruz Tamayo

/CC: 172351432-7 CC: 171475800-8

UNIVERSIDAD DE LAS FUERZAS ARMADAS – ESPE

CARRERA DE INGENIERÍA EN SISTEMAS E INFORMÁTICA

Nosotros, Ximena Nathalie Lozada Peñafiel y Holger David Cruz Tamayo.

Autorizamos a la UNIVERSIDAD DE LAS FUERZAS ARMADAS – ESPE, la

publicación, en la biblioteca virtual de la Institución del trabajo “ANÁLISIS,

DISEÑO, CONSTRUCCIÓN E IMPLEMENTACIÓN DE UN DATA

WAREHOUSE PARA TOMA DE DECISIONES Y CONSTRUCCIÓN DE LOS

KPI, PARA LA EMPRESA KRONOSCONSULTING CIA LTDA.”, cuyo

contenido, ideas y criterios son de nuestra exclusiva responsabilidad y

Sangolquí, 14 de marzo de 2014

Ximena Nathalie Lozada Peñafiel Holger David Cruz Tamayo

tener la oportunidad de vivir una vida maravillosa a lado de mi familia,

La persona a quien nunca me cansaré de dar las gracias es a mi madre

Janeth, quien ha estado conmigo toda mi vida y me ha inculcado los valores,

la conducta y directrices que me han formado. Gracias a mi padre César,

en el momento necesario. A mi hermanita querida Verito que ha sido una

fuente, muy cercana a mi corazón, de estímulo constante en cada uno de los

pasos que doy.

Agradezco también a mí amada Melie y toda la familia, quienes me tuvieron

paciencia, comprensión y amor todo este tiempo de arduas horas de trabajo

Gracias a mis profesores que han sembrado el conocimiento como parte de

de mi formación profesional; y, en especial a mis directores de tesis, que

mediante sus guías, hicieron del proyecto de tesis una realidad.

Todo el trabajo realizado, es parte de una consecuencia de mucho sacrificio,

fuerza y persistencia que en general se la dedico a toda mi familia quienes

caminando por nuevos objetivos.

sido mi apoyo y fortaleza para seguir adelante y cumplir mis sueños.

largas noches de estudios y enseñarme que un tropezón no es caída, los

A mis hermanas que han estado a mi lado ayudándome en todo mi proceso

de formación personal y profesional, por ser mis amigas incondicionales y

darme unos hermosos sobrinos que llenan de alegría mi vida y se han

convertido en un motor más para seguir superándome.

Agradezco también al amor de mi vida David por ser quien ha estado a mi

lado apoyándome y dándome fuerzas en todo momento, gracias por