23

APLICACIÓN DE BUSINESS
INTELLIGENCE BASADO EN UN
MODELO DE PRONÓSTICO DE SERIES
DE TIEMPO PARA MEJORAR EL
VOLUMEN DE VENTAS DE LA EMPRESA
FSRL DE LIMA
Autor: Juan Castro1
Asesor: Mg. Sergio Valladares Castillo
e-mail: 1juanp@upeu.edu.pe

Resumen
En la empresa de panificación FSRL las decisiones no son las más adecuadas debido a que la in-
formación de valor no está disponible en el tiempo requerido ni con la calidad suficiente. El pre-
sente artículo tiene como objetivo desarrollar un sistema de inteligencia de negocios basado en
un modelo de pronóstico de ventas en FSRL. La solución consiste en desarrollar un Data mart
de ventas bajo la metodología kimball. El sistema ofrece reportes inteligentes y un pronóstico de
ventas basado en modelos estocásticos con un mínimo porcentaje de error. La empresa evaluará
en un periodo determinado el sistema. Se proyecta obtener pronósticos lo más reales posibles
para la buena toma de decisiones de FSRL.

Índice de términos—BI: inteligencia de negocios, DSS: sistema de apoyo a las decisiones,

EIS: sistema de información para ejecutivos.

I. INTRODUCCIÓN mientas manuales y como consecuencia no hay

una actuación rápida cuando un producto cae en
La empresa de panificación FSRL cuenta con una el mercado.
base de datos operacional, “Figueri”, útil para el
trabajo operativo de ventas, pero no para el nivel En la actualidad la Inteligencia de negocios en el
estratégico, que necesita información procesada, mercado ha ganado mucha acogida debido a la
útil y disponible para tomar decisiones de cali- necesidad de los empresarios en el nivel estraté-
dad. La gerencia necesita información de ventas gico, y la importancia que tiene para resolver pro-
y pronóstico de ventas por los diferentes tipos y blemas estratégicos. La toma de decisiones es un
líneas de productos, conociéndose así la tenden- proceso complejo que requiere el apoyo de todas
cia de las ventas de cada producto y así tomar de- las herramientas disponibles[1]. La organización
cisiones de acuerdo al ciclo de vida del producto. empresarial tiene que analizar el mercado de ma-
El encargado del área de sistemas utiliza excesivo nera que sea capaz de permanecer estable, y ha-
tiempo para recopilar información de la base de cer frente a los cambios del mercado y finalmente
datos y transformarlo en un informe de ventas ser capaz de manejar la gestión del mercado. Para
adecuado a la gerencia y al área de finanzas. El ello, la organización debe actualizar sus procesos
tiempo y el costo para realizar este trabajo son de negocio mediante la utilización de tecnologías
considerables en el caso de que la gerencia pida modernas, como la inteligencia de negocios (BI).
un informe detallado de varios meses. Este pro- Es decir que la implementación de la inteligencia
blema con el tiempo ha generado demora en la de negocios brinda beneficios como el aumento
toma de decisiones debido a que se utiliza herra- de la seguridad en la toma de decisiones estraté-
 Business Intelligence
24

gicas, modificar las múltiples comunicaciones en ayudan a analizar, comparar y resaltar las ten-
la organización y aumentar el conocimiento del dencias de las variables importantes a los ejecu-
mercado [2]. A lo largo de la última década la tivos de alto nivel para que puedan monitorear
inteligencia de negocios ha evolucionado, y cada el desempeño e identificar las oportunidades y
vez más se requiere de datos en tiempo real. Con problemas [6] y [7].
BI se puede generar reportes globales o por sec-
ciones, crear escenarios con respecto a una deci- Un Data mart es un subconjunto de un Data
sión y generar pronósticos de ventas y compras warehouse, donde una parte reducida que alma-
[3]. Lo que la empresa FRLS necesita en el nivel cena un subconjunto específico de los datos de
estratégico es la construcción de un Data Mart de una compañía es ubicada en una base de datos
ventas para el área administrativa. separada para uso personal específico[8], es de-
cir utilizado por un departamento individual.
Los sistemas de apoyo a las decisiones (DSS) Un Data warehouse contiene datos históricos in-
son algunas de las nuevas aplicaciones compu- tegrados. Desde el Data warehouse fluyen datos
tarizadas que actúan como un sistema de apoyo a los distintos departamentos para su uso en su
para ayudar a los administradores a monitorear sistema personalizado de soporte de decisiones
el desempeño operativo o ganar “ inteligencia ” (DSS). Según Ha y Park [9] estas bases de datos o
de los datos históricos[4]. Un DSS eficaz puede Data mart son conocidos como Data warehouse
compilar la información más importante de los departamental. Los datos que residen en el Data
documentos, modelos de negocio y datos brutos warehouse están en un nivel muy granular y los
e incluso ayudar a resolver problemas y tomar datos en el Data mart están en un nivel refinado.
decisiones útiles mediante la utilización de diver- Hay razones organizativas, tecnológicas y econó-
sas herramientas OLAP. Consiste en la integra- micas de por qué el mercado de datos se convier-
te en atractivo así como el Data warehouse crece
en volumen.

El método de series de tiempo utiliza datos his-

tóricos para estimar resultados futuros. En este
tipo se encuentran el promedio móvil, la extra-
polación, la predicción lineal, la estimación de
tendencias y la curva de crecimiento. En este
método se deben tomar en cuenta los siguientes
factores: factores de ajustes de ventas; son aque-
llos que influyen en el aumento o disminución de
las ventas. Periodicidad es el número de veces en
que el producto se vende en un periodo de tiem-
po. Otro método son los causales o econométri-
cos, se basan en analizar las variables que causan
el evento y poder predecir su comportamiento
en el futuro. Entre los métodos que pertenecen a
ción de datos provenientes de múltiples fuentes y este tipo están el análisis de regresión lineal o no
está diseñado para dar solución a los problemas lineal y la econometría.
y toma de decisiones mediante la compilación de
información de fuentes dispares[5]. El uso de los métodos de pronósticos es variable,
mayormente se combinan varios métodos cuan-
Un sistema de información ejecutiva (EIS) es un titativos y cualitativos. Los pronósticos reducen
tipo de sistema de gestión de información desti- el riesgo de la decisión, usando todas las herra-
nada a facilitar y apoyar a la toma de decisiones. mientas disponibles para anticipar el resultado
Es comúnmente considerado como una forma más probable. Para los ejecutivos de las empresas
especializada del sistema de apoyo a las decisio- es indispensable para una mejor dirección.
nes (DSS). El énfasis está en las pantallas gráficas
y de uso fácil del interfaces de usuario. Ofrecen Existen factores que se denominan elementos de
informes, alertas y semáforos. En general, los EIS cambio, estos son los que afectan a la demanda
 Facultad de Ingeniería y Arquitectura - UPeU
25

de las ventas. Si no fuera por estos elementos, los go se especifican los diferentes grados de detalle
volúmenes de ventas serían una línea horizontal, dentro de cada concepto del negocio.
y se podría saber fácilmente las ventas futuras,
básicamente son cinco: (1) la tendencia a largo E. Especificación de aplicación de usuario final
plazo, (2) el ciclo, (3) fluctuaciones estacionales, En esta etapa se identifican los roles o perfiles de
(4) variaciones del calendario, (5) acontecimien- usuarios para los diferentes tipos de aplicaciones
tos irregulares. necesarias en base al alcance de los perfiles detec-
tados (gerencial, analista del negocio, vendedor,
Según Nojek, S. [1] un error significante en el etc.). No todos los usuarios del Data mart necesi-
pronóstico de ventas podría dejar a una empresa tan el mismo nivel de análisis.
sin la materia prima o insumos necesarios para
su producción, o podría generarle un inventario F. Selección e instalación de productos
demasiado grande. Utilizando el diseño de arquitectura técnica
como marco es necesario evaluar y seleccionar
La identificación y estimación de modelos de se- los componentes específicos de la arquitectura,
ries temporales han sido desarrolladas para pro- como la plataforma de hardware, el motor de
cesos estacionarios, que pueden clasificarse en base de datos, la herramienta de ETL, las he-
autorregresivos (AR), de medias móviles (MA) o rramientas de acceso, etc. Una vez evaluados y
procesos mixtos (ARMA). seleccionados los componentes determinados se
procede con la instalación y prueba de los mis-
mos en un ambiente integrado de Data mart.

II. METODOLOGÍA G. Diseño físico

Se focaliza sobre la selección de las estructuras
Para el desarrollo del Data mart se adoptó el ciclo necesarias para soportar el diseño lógico. Un ele-
de vida dimensional del negocio según [13], que mento principal de este proceso es la definición
consta de 10 etapas. de estándares del entorno de la base de datos. La
indexación y las estrategias de la partición se de-
A. Planificación terminan también en esta etapa.
En esta etapa se concentra en identificar la de-
finición y el alcance del proyecto del Data mart H. Diseño y desarrollo:
basándose en los requerimientos del negocio, y Esta etapa es típicamente la más subestimada de
finalmente en el desarrollo del plan del proyecto, las tareas en un proyecto de Data mart, aquí se
seguimiento y la monitorización. realiza la extracción, la transformación y la car-
ga (ETL process). Es decir obtener los datos que
B. Definición de requerimientos permitirán efectuar la carga del Modelo Físico
Se realiza la interpretación correcta de los dife- diseñado. Asimismo, en el proceso de transfor-
rentes requerimientos, entendiendo los factores mación se convierten o recodifican los datos a
claves que guían el negocio, ya que los requeri- fin de poder efectuar la carga efectiva del Modelo
mientos deben determinar el alcance del Data Físico. Por otra parte, los procesos de carga de
mart. datos son los procesos requeridos para poblar el
Data mart.
C. Diseño de arquitectura técnica
Se debe tener en cuenta tres factores: los re- I. Desarrollo de aplicación de usuario final
querimientos del negocio, los actuales entornos Después de la especificación de las aplicaciones
técnicos y las directrices técnicas y estratégicas para usuarios finales, el desarrollo involucra con-
futuras planificadas por la compañía para poder figuraciones de los metadatos y construcción de
establecer el diseño de la arquitectura técnica del reportes específicos. Los usuarios acceden al DM
entorno de Data mart. por medio de herramientas de productividad ba-
sadas en GUI (Graphical User Interface). De he-
D. Modelado dimensional cho existen multitud de estas herramientas para
Se empieza por definir una matriz donde se de- proveer a los usuarios.
terminará la dimensión de cada indicador y lue-
 Business Intelligence
26

J. Implementación torregresivo, y se incluye en el reporte de la de-

La implementación representa la convergencia manda de productos por ruta y semanas de la
de la tecnología de solución. Hay varios factores distribuidora de la empresa FSRL.
extras que aseguran el correcto funcionamiento,
entre ellos se encuentran la capacitación, el so- El modelo autorregresivo de orden está dado por:
porte técnico, la comunicación y las estrategias  
de feedback. Todas estas tareas deben tenerse en
cuenta antes de que cualquier usuario pueda te- Expresado en términos del operador de retardos,
ner acceso al DM.
 
 
I. MODELO PROPUESTO DE SOLUCIÓN Donde   es un proceso de ruido blanco y
  son los parámetros del modelo.
Como se mencionó inicialmente, la empresa Fi-
gueri SRL no cuenta con un sistema de inteligen-
cia de negocios y pronóstico de ventas, y que es
indispensable para la empresa tomar decisiones
óptimas y a menor tiempo posible. Lo que se pre-
tende desarrollar es una solución de inteligencia
de negocios que ayude a la toma de decisiones al
nivel estratégico de Figueri (FSRL). Proveer un
pronóstico de ventas utilizando un modelo de
pronóstico de series de tiempo, con el objetivo de
determinar la proyección del comportamiento
de las ventas con un mínimo porcentaje de error.
Se utilizó la metodología Kimball. Esta metodo-  
logía se fundamenta en el ciclo de vida dimen- Figura 1: Pronóstico de una Variable
sional del negocio, usada para el desarrollo e im-
plementación del Data mart, un repositorio de
información orientado al área específica de ven- II. CONSTRUCCIÓN DE LA SOLUCIÓN
tas. El desarrollo se realizó bajo el marco de un
sistema que apoya a la evaluación y comparación El sistema de inteligencias de negocios consta de
de alternativas de solución (DSS). la elaboración de un Data mart, que tiene cuatro
dimensiones y una tabla de hechos, estos son car-
Los resultados muestran información sobre la gados usando Microsoft SQL Server Integration
tendencia de las ventas, el porcentaje de parti- Services, el paquete construido se muestra en la
cipación de sus clientes en el total de ventas, el figura 3.
detalle de las ventas en meses y años, es decir un
sistema que maneje indicadores y que incluya
alertas de negocio.

El Data mart no es capaz de realizar un análisis

predictivo por sí mismo, es decir pronósticos de
ventas que es exactamente lo que necesitamos
para la toma de decisiones. Para ello nos basa-
remos en un modelo de pronóstico de series de  
tiempo que tiene la función de clasificar, agrupar Figura 2. Paquete de ETL
y predecir en base a la información (historial)
que proporciona el Data mart. Los cubos de la solución son ventas por clientes
y por productos, fueron elaborados en Micros-
En el desarrollo del modelo de pronóstico de trategy Desktop. Los reportes son informaciones
serie de tiempo, se está utilizando el modelo au- tomadas del Data Mart y son presentadas en la
 Facultad de Ingeniería y Arquitectura - UPeU
27

plataforma web de Microstrategy, como se mues-

tra en las figuras 4 y 5.

 
Figura 6: Gráficos de Pronósticos

 
Figura 3: Cuota de Distribuidor
I. VALIDACIÓN

El proyecto se evaluará en un periodo determi-

nado por la empresa. Los resultados se verifica-
rán detalladamente con los datos de la empresa.

Se utilizó la prueba estadística de Ljung-Box,

para determinar la validez del modelo de pro-
nóstico de series de tiempo.

 
Figura 4: Tendencia de Ventas

Donde  tamaño de la muestra,  longitud del

rezago.
Para el pronóstico de ventas, que será el traba-
Ho: Las autocorrelaciones son independientes.
jo a futuro, se desarrollará con el software SPSS
Ha: Las autocorrelaciones no son independientes.
Clementine 12.0. Se codificará el modelo de pro-
nóstico de series de tiempo utilizando las capas
y las variables necesarias, así como información
estructurada. Podrá profundizar y predecir solu-
ciones para poder resolver mejor los problemas
I. CONCLUSIONES
de negocio que suponen un reto, como el pronós-
tico de las devoluciones y productos malogrados. Al utilizar el sistema de soporte a la toma de de-
cisiones, la empresa tuvo una disminución en el
porcentaje de devolución, y en el porcentaje de
rotación de productos.

Los pronósticos del sistema ayudaron en la toma

de decisiones a futuro, generando mayores ven-
tas, y nuevas estrategias de marketing.

Las series de tiempo agregan mayor confianza

al considerar la estacionalidad, y los ciclos de las
ventas de la empresa FSRL, ya que los productos
 
de esta empresa tienen estacionalidad y ciclos de
Figura 5: Clementine
demanda fluctuantes.

Después de haber aplicado la prueba estadística

de Ljung-Box, si el Q calculada excede el valor
 Business Intelligence
28

Q crítico de la tabla ji cuadrada al nivel de sig- [4] F. Zada, S. K. Guirguis, and A. H. Sedky,
nificancia seleccionado, no se acepta la hipótesis “Development of a Dynamic Model for
nula de que todos los coeficientes de autocorrela- Data-Driven DSS”, Journal of Emerging
ción son iguales a cero; por lo menos algunos de Trends in Computing and Information
ellos deben ser diferentes de cero. Sciences, 2012.
[5] N. F. o. E. Statistics, Forum Guide to Deci-
Se recomienda utilizar este tipo de sistema en sion Support Systems: A Resource for Edu-
empresas medianas y grandes, porque agrega cators (NFES 2006-807). Washington, DC:
una opción para tomar decisiones respecto a las National Center for Education Statistics,
clásicas soluciones de inteligencia de negocios. 2006.
[6] M. M. Azad, M. B. Amin, and M. Alauddin,
FIGURAS “Executive Information System”, IJCSNS
Figura 2: Pronóstico de una variable...................7 International Journal of Computer Science
Figura 3. Paquete de ETL......................................7 and Network Security, 2012.
Figura 4: Cuota de Distribuidor...........................7 [7] I. Lungu, “Executive Information Systems”,
Figura 5: Tendencia de Ventas..............................7 Revista Informatica Economica, 2005.
Figura 6: Clementine.............................................7 [8] N. L. Parracia, Datawarehousing. Argenti-
Figura 7: Gráficos de Pronósticos........................8 na: El Cid Editor | apuntes, 2009.
[9] S. H. Ha and S. C. Park, “Application of
data mining tools to hotel data mart on the
REFERENCIAS Intranet for database marketing”, Expert
Systems with Applications, 1998.
[1] V. Bures, T. Otcenaskovs, and V. Jasikova, [10] P. Das and S. Chaudhury, “Prediction of
“The evaluation of external data resource retail sales of footwear using feedforward
for business intelligence applications: the and recurrent neural networks”, Neural
example of the Czech Republic”, Journal of Computing and Applications, vol. 16, pp.
Systems Integration, 2012. 491-502, 2006.
[2] M. Bahrami, S. M. Arabzad, and M. Ghor- [11] H. Cruse, Neural Networs as Cybernetic
bani, “Innovation In Market Management Systems. Germany: Brains, Minds & Me-
By Utilizing Business Intelligence: Intro- dia, 2006.
ducing Proposed Framework,” Procedia - [12] B. Y. Shih and Y. S. Chung, “The Develop-
Social and Behavioral Sciences, vol. 41, pp. ment of a CFM Hybrid Artificial sale Fo-
160-167, 2012. recasting Model”, International Journal of
[3] R. Sanchez, Business Intelligence (BI) - To Electronic Business Management, 2008.
BI or not to BI. Argentina: El Cid Editor | [13] R. Kimball, The Data Werehouse Lifecycle
apuntes, 2009. Toolkit. New York: Wiley, 2008.