Primera Versin

Diseando un modelo de procesos de inteligencia de negocios con proceso unificado: Estado de Arte.
Edwar Javier Herrera Osorio

Abstract Este artculo presenta como se puede disear un modelo de inteligencia de negocio con los diversos componente que la usan y posible interaccin con el proceso unificado , lo primero es ver los diferentes ciclos que acarrea el diseo de un sistema de inteligencia de negocios, adems se observa los componentes que se aplican a este procesos, por una parte se tiene la construccin de la bodega de datos, que se construye a partir del nivel del modelamiento de los datos, el otro componente es el analizador de informacin se utiliza tcnica OLAP o de minera de datos, por ultimo se realiza una revisin de proceso unificado y su posible interaccin con el proceso de inteligencia de negocios . En la figura 1 se observa en el mapa conceptual de este articulo.
Figura 1. Mapa conceptual inteligencia de negocios con proceso unificado

ndice de trminos Inteligencia de negocios, Bodegas de datos, Modelos conceptuales, UML, modelos Entidad Relacin, diagrama estrella, diagrama de clases, diagrama de estados, minera de datos, OLAP, cubos dimensionales.

I. INTRODUCCIN

termino de inteligencia de negocios ( Business Intelligence) es un concepto que conviene revisar a fondo, en virtud de la posibilidad que ofrece para tomar decisiones ms acertadas y estratgicas para el desarrollo del negocio.
L

CONTENIDO I. INTRODUCCIN II. MODELOS APLICADOS A LA INTELIGENCIA DE NEGOCIOS III. COMPONENTES DEL ENTORNO DE INTELIGENCIA DE NEGOCIOS a. BODEGAS DE DATOS b. HERRAMIENTAS DE ANALISIS IV. INTELIGENCIA DE NEGOCIOS CON UN MODELO DE PROCESO UNIFICADO. V. APROXIMACIONES ACTUALES Y FUTURAS PERCEPCIONES VI. CONCLUSIONES VII. BIBLIOGRAFIA

Este trmino se tiene por referencia en 1958 por parte del investigador H. P. Luhn [20] el cual propone como caractersticas importante de un sistema de inteligencia de negocios el cual propone los siguientes componentes:
Auto abstraccin de documentos. Auto codificacin de documentos. Creacin y actualizacin automtica de perfiles de usuarios. Procesamiento estadstico de los datos. Facilidades de comunicacin y medios de entrada/salida.

Hasta 1989 donde los sistemas de cmputo obtuvieron un desarrollo importante, Howard Dresner considerados por muchos como el padre de la inteligencia de negocios, retom las ideas de Luhn, para reformular la implicacin de estos sistemas y elevar la categora de los entonces llamados sistemas de soporte a las decisiones (DSS Decision Support Systems). l describe como inteligencia de negocios como un conjunto de conceptos y mtodos para mejorar el proceso de decisin utilizando un sistema de soporte basado en hechos.. La inteligencia de negocios se puede definir como el proceso de analizar los bienes o datos acumulados en la

Primera Versin empresa y extraer una cierta inteligencia o conocimiento de ellos. Dentro de la categora de bienes se incluyen las bases de datos de clientes, informacin de la cadena de suministro, ventas personales y cualquier actividad de marketing o fuente de informacin relevante para la empresa. Este artculo presenta primera parte los modelos de procesos aplicados a la inteligencia de negocios propuestos por diversos autores, luego se observan los diferentes componentes que utiliza este proceso, uno de ellos es la bodega de datos sus modelo conceptual, fsico y lgico, el otros el analizador de informacin que puede utilizar tcnicas OLAP y de minera de datos, despus de ver estos componentes se puede ver en el cuarto capitulo una aproximacin al proceso unificado y como este aplica el lenguaje de modelado unificado (UML) para poder dar una aproximacin a su posible aplicacin a los proceso de inteligencia de negocios, en el capitulo quinto se da una aproximacin actual y futuro y el ltimo capitulo se dan las conclusiones. II. MODELOS DE
PROCESOS APLICADOS A LA INTELIGENCIA DE NEGOCIOS

Figura 3. Ciclo de inteligencia de negocios aplicado por Novintel[24]

c. Ciclo de la inteligencia de negocios aplicado por J. Thomas Group Inc. Esta compaa diseo su propio ciclo de inteligencia de negocios [25] que es muy similar al desarrollado por Novintel, el cual posee seis fases que son planeacin y direccin, coleccin de datos, procesamiento de informacin y almacenamiento, anlisis y produccin, diseminacin, usuarios inteligentes y toma de decisiones. En la figura 4 se ve en forma grfica este proceso.

a. Ciclo de gestin de la informacin: Este modelo fue presentado por Chun Wei Choo [23], donde se define el manejo de informacin como un ciclo continuo, una representacin grafica es vista en la figura 2, donde se observan seis fases, estas fases son: informacin que se necesita, su adquisicin, su almacenamiento y organizacin, su distribucin, productos y servicios, su uso.

Figura 4. Ciclo de inteligencia de negocios aplicado por J. Thomas

d. Ciclo de la inteligencia de negocios aplicado por Microsoft.

Figura 2. Ciclo de gestin de la informacin Chun Wei Choo Information Management for the Intelligent Organization: Roles and Implications for the Information Professions

b. Ciclo de la inteligencia de negocios aplicado por Novintel: Es un proceso muy parecido al modelo dado por Choo, es un proceso continuo donde se expresa por medio de un ciclo de vida [24] el cual esta compuesto por ocho pasos que son: anlisis de lo que se necesita, observar y monitorear, coleccin de informacin, estructuracin y eliminacin, anlisis, comunicacin, almacenamiento, retroalimentacin

Esta empresa ha desarrollado su propia teora basada en inteligencia de negocios, es un modelo simple, posee solo cuatro fases pero cada fase va evolucionando para seguir el ciclo, su primera fase es el anlisis, percepcin, accin y medidas. Es la figura 5 se puede observar el ciclo aplicado por Microsoft.

Figura 5. Ciclo de inteligencia de negocios aplicado por Microsoft

Primera Versin

En los modelos aplicados a la inteligencia de negocios se puede ver los cambios entre ellos, uno de los aspectos es el numero de fases, su estructura de de los ciclos, las fuentes de los datos, los mtodos de almacenamiento de informacin, y el tipo de informacin reunida.

III. COMPONENTES DEL INTELIGENCIA DE NEGOCIOS

ENTORNO

DE
Figura 7. Componentes bsicos de una Bodega de Datos. Kimball, R. & Ross, M. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling

Para el desarrollo de solucin de inteligencia de negocios esta compuesta por dos elementos: uno es el componente de la bodega de datos donde se puede ubicar las fuentes de datos, los procesos ubicados en el proceso de extraccin, carga y transformacin (ETL), y la zona de almacenamiento. El otro componente es el anlisis de los datos donde puede salir desde un simple consulta y reporte, donde hay informes predefinidos, hasta la posibilidad de analizar informacin mediante tcnicas OLAP, la utilizacin de tcnicas de minera de datos que permiten encontrar comportamientos en los conjuntos de datos analizados, para realizar, clasificaciones o predicciones, o generar informacin para los EIS (Executive Information Systems), DSS (Decision Support Systems, Sistemas de ayuda a la toma de decisiones) el BSC (cuadro de mandos integral).

i. Sistemas fuente operaciones: son los que guardan las transacciones del negocio, los cuales son la informacin vital para los procesos que se llevan a cargo en la organizacin. Las caractersticas de estos sistemas son desempeo del procesamiento y la disponibilidad. ii. rea de depuracin de datos: Es la zona donde se encuentran los datos que forman la parte transaccional que pueden se usados en la bodega de datos, Es esta parte aparece el proceso de extraccin, carga y transformacin de los datos (ETL), este proceso se lleva por medio de diversas herramientas las cuales permite tener integrados muchos datos de diferentes Fuentes. iii. rea de presentacin de datos: Esta parte es donde se pone los datos en un espacio de almacenamiento de la bodega de datos, los datos son almacenados en las tablas dimensiones y en las tablas de hecho donde se pueden formar diversos datamart.

Figura 6. Componentes del entorno de Inteligencia de negocios

BODEGA DE DATOS Es uno de los componentes del proceso de inteligencia de negocios, en donde se destacan Bill Inmon y Ralph Kimbal. El primero lo define: Una Bodega de Datos es una coleccin de datos integrados orientados a temas, integrados, no-voltiles y variables en el tiempo, organizados para soportar necesidades empresariales[1] y para Kimbal la Bodega de Datos es un coleccin de datos en forma de una base de datos que guarda y ordena informacin que se extrae directamente de los sistemas operacionales (ventas, produccin, finanzas, marketing, etc.) y de datos externos [2].Ambos punto de vista han tenido amplia aceptacin, pero el ms utilizado es el Kimbal. Componente de una bodega de datos En la Figura 7 se puede observar los componentes de una bodega de datos dados por Kimbal [2].

iv. Herramienta de acceso de datos: Es la parte donde el usuario puede tomar y realizar las diversas consultas para formar los famosos cubos dimensionales, los cuales pueden ser usados para la generacin de reportes e indicativos cuando ocurre un proceso OLAP, o se le puede aplicar un proceso de minera de datos para descubrir conocimiento, el cual la organizacin no conoca. Niveles para el modelamiento de los datos El modelamiento de los datos es una tcnica que almacena los inventarios, formas, tamaos, contenidos, y reglas de los elementos de los datos usados en el alcance en proceso del negocio [3]. El resultado del modelamiento de los datos es un tipo de mapa que se describe en uso del dato en el proceso. Tradicionalmente, se encuentran tres niveles para el modelamiento de los datos en las bodegas de datos. Estos son los tres niveles: conceptual, lgico y el fsico (Figura 8).

Primera Versin

En ese sentido Alkis Simitsis y Panos Vassilia [10] proponen un modelo conceptual para este proceso, el cual consiste en un modelo grfico y fue implementado en una herramienta llamada ARKTOS. Mapeo de Datos
Figura 8 Niveles Para el modelamiento de los datos.

i. Modelos Conceptuales En la actualidad se encuentran vigentes varios modelos de los cuales se pueden destacar: Modelo Hecho-Dimensional (Golfarelli)[4]. Modelo Multidimensional/ER (Sapia)[5]. Modelo Estrella/ER (Tryfona) [6]. Modelo GOLD (Trujillo)[7]. Modelo Husemann [8]. Modelo YAM2[9].

Este paso es importante despus de la extraccin de los datos es pasarlo al de un espacio temporal al espacio definitivo en la bodega de datos, en este sentido Philip A. Bernstein y Erhard Rahm [11] expresan dos escenarios relativos a la carga en la bodega de datos que son presentado como casos de estudio. El primero es el mapeo entre la fuente de datos y la bodega de datos y el otro es el mapeo entre la bodega de datos y un data mart.
En trminos de la industria existen varias aproximaciones para que se puedan realizar mapeo entre ellos y en el proceso de diseo de la ETL. Una aproximacin es Common Warehouse Metamodel (CWM)[12], que es un estndar abierto dado por OMG para la integracin de las bodegas de datos y las herramientas de anlisis de negocio, basadas en el uso compartido de los meta datos. Este estndar es basado en tres estndares industriales, meta object facility (MOF), UML y XML por medio del Metada Interchange (XMI).

En la tabla 1 se encuentra una comparacin de los diferentes modelos que se aplican al modelo multidimensional.

iii. MODELO LGICO En el modelo lgico de una bodega de datos hay que tener en cuenta: Unos del ms importante aspecto en la implementacin proviene en el momento realizar el diagrama estrella. En la facilidad de comunicacin entre toda la gente involucrada en el diseo de la bodega de datos para modelar los diverso aspectos. Verificar todas las diferentes parte en la bodega de datos (Dimensiones, hechos, proceso de extraccin, transformacin y carga (ETL), herramientas OLAP) Verificado lo anterior ya se puede pensar en una buena implantacin de la bodega de datos, revisando sobre todo la plataforma donde se va instalar, el optimo de ubicacin de los datos (Bases de datos distribuidas, centralizadas), distribucin de informacin en varios disco (RAID), el motor de bases de datos se va usar, sistemas operativos, e hbridos. ANALISIS DE DATOS Minera de datos La minera consiste en una tcnica enmarcada en conseguir conocimiento partiendo de un conjunto de datos a los cuales se le aplica unos algoritmo para sacar patrones o tendencia nuevas en donde los usuarios de estos datos no tenan conocimiento. En la minera de datos se renen varias areas como son la estadstica, la inteligencia artificial, la computacin grafica, las bases de datos, y el procesamiento masivo.

Tabla 1 Comparacin modelos conceptuales multidimensionales

ii. MODELO FSICO Los modelos fsicos consisten en desarrollar los diversos aspectos que tratan de la obtencin de los datos como es el proceso de ETL y el diseo de la bodega de datos

Proceso ETL Es uno de los procesos que ms tiempo lleva tiempo en la construccin de las bodegas de datos ya que de este proceso se aplica la carga de los datos en las dimensiones y en las tablas de hecho.

Primera Versin

5 Los mtodos de minera de datos ms usados son basados en pruebas de aprendizaje maquinal, patrones de reconocimiento y en modelos estadsticos: Clasificacin, agrupamiento, regresin, entre otros se puede ver una descripcin de cada uno se pude ver en el artculo From Data Mining to Knowledge Discovery in Databases[19]. OLAP Son sistemas que se alimentas de datos generados por los sistemas transaccionales, y permiten el anlisis multidimensional de los datos que facilita la creacin de resmenes e informes. Segn Marc Gyssens [26] OLAP posee cuatro funcionalidades que son: Posibilidad de generar consultas a travs de interfases simples y declarativas Capacidad de reestructurar informacin en un modelo dimensional. Posibilidad de clasificar o agrupar un conjunto de datos para poder realizar una sumarizacin. Puede realizar agregaciones en el estndar SQL La unidad de datos es el cubo dimensional (Figura 10), que es una representacin de los diferentes datos para su anlisis, su estructura se define por medio de dimensiones y de medidas, las medidas se derivan de las la tablas de hechos. Los cubos OLAP utilizan los esquemas de las bodegas de datos (Estrella o copo de nieve) como origen de sus datos.

Una definicin forma es dada por [19] como: Un proceso no trivial de identificacin vlida, novedosa, potencialmente til y entendible de patrones comprensibles que se encuentran ocultos en los datos., adems se ve la minera de datos como un parte del proceso para la bsqueda de conocimiento en la bases de datos (KDD). Este proceso se puede ver en la figura 9.

Figura 9. Pasos en el KDD Tomado de [19]

A. Principales caractersticas y objetivos en la minera de datos: Explorar los datos se encuentran en las bases de datos y bodega de datos. En el proceso se encuentran a menudo descubrimientos de resultados valiosos e inesperados. Debido a la gran cantidad de datos se pueden usar procesamientos paralelos. Se producen cinco tipos de informacin: Asociaciones, secuencias, clasificaciones, agrupamientos y pronsticos. B. Fases para el desarrollo de un proceso de minera de datos: Para el proceso de minera de datos aplican cuatro faces Filtrado de datos Seleccin de variables Extraccin de conocimiento Interpretacin y evaluacin

Figura 10. Cubo dimensional en una, dos y tres dimensiones.

C. Divisiones La minera de datos se puede dividir en dos tipo, (1) en verificacin y el (2) en la bsqueda. En la verificacin el sistema se es limitado a confirmar alguna hiptesis, En la bsqueda es un sistema autnomo para la encontrar nuevo patrones. Este se puede subdividir en prediccin que es un sistema que pretenden analizar hechos histricos y predecir lo que puede ocurrir, y los sistemas de descripcin que consisten en encontrar patrones que no son fciles de encontrar por si solo por los usuarios. Los modelos matemticos ms usados para aplicar en la minera de datos son: Los lgicos y los estadsticos.

IV. INTELIGENCIA DE NEGOCIOS UN MODELO CON PROCESO UNIFICADO En el proceso de inteligencia de negocios aparece un ciclo de vida el se puede aproximar al desarrollo de software basado en el proceso unificado, el cual esta divido en cuatro partes que son: el inicio, elaboracin, construccin y transicin, y un flujo de trabajo bsico que lo compone los requerimientos, el anlisis, el diseo, implementacin, pruebas, mantenimiento, una revisin despus del desarrollo, es un modelo iterativo e incremental [27] en la figura 11 se puede ver este proceso

Primera Versin V. APROXIMACIONES ACTUALES Y FUTURAS PERCEPCIONES

En la actualidad se encuentran el modelo Gold y YAM2 para disear almacenes de datos basados en UML, pero estos modelos se quedan en la parte acadmica, y no se han implementado en estos momentos por parte de los fabricantes de software, un ejemplo de lo anterior es el modelo GOLD se encuentra en versin 1.4 UML y no se ha rediseado hacia el estndar actual. El cual permite realizar ms diagramas y posible extensiones hacia el desarrollo de una herramienta en cdigo abierto para el desarrollo de bodegas de datos, En el componente de ETL se encuentra modelos bsico pero no estandarizados al igual que en la proceso de anlisis de datos. Trabajo a Futuro Definir una mtrica para diagramas de mapeo de datos. Realizar diagramas de transformacin de datos basados en especificaciones como son OCL[14], datalog [15]y QVT[16] Realizar la modelo ETL basado en UML Realizar la modelo de minera de datos basado en UML Realizar una herramienta integrada para el desarrollo de inteligencia de negocios basado en UML, en un solo entorno.

Fig. 11 Proceso Unificado

Si el desarrollo de una solucin de inteligencia de negocios se enmarca con el proceso unificado (P.U.) se encuentra que se puede aplicar a los diferentes componentes las ayudas usadas para este proceso que es la utilizacin estndar del UML. UML es leguaje de modelo unificado [22], el cual posee una diversidad de diagramas los aplicados a los componentes de la inteligencia de negocios pueden dar una nueva forma en el desarrollo. Un componte de la inteligencia de negocios lleva la ventaja aplicando el proceso unificado ese componentes son las bodegas de datos [21]. En este proceso hay un aspecto interesante que han donde varios investigadores han realizado adelantos es la parte de seguridad como se puede ver en [22], donde se presenta como una extensin en UML al modelo de seguridad al modelo multidimensional, esta extensin presenta un nivel de estereotipos, restricciones y valores etiquetado, esto permite aumentar la seguridad al nivel de los datos, comportamientos y roles de usuarios que son los elementos principales del modelo de seguridad en los modelos dimensionales que afectan las dimensiones, los hechos y las jerarquas. Pero en proceso de anlisis de datos no se han sido explorados. En la tesis doctoral de Trujillo [21], se ve como aplicando los modelos del proceso unificado en el desarrollo de una bodega de datos sale una metodologa la cual puede dar al usuario y a los desarrolladores una mejor perspectiva del modelo de negocio y poderlo desarrollar en un mejor tiempo, realizando las respectivas etapas que llevan este proceso.

VI. CONCLUSIN La necesidad que posee las empresas de estandarizar y poder compartir su informacin hace posible el desarrollo de diversos modelos para el desarrollo de proceso de inteligencia de negocios. Se ha dado a ver un conjunto de modelos, los cuales poseen beneficios como desventajas, y saber cual debe usar va de mano del ejecutor del desarrollo del proyecto. Se encuentra prctico en el Mercado de la industria estndares los cuales puede permitir fcilmente la interoperabilidad entre diversas herramientas asistidas por computador (CASE), las cuales pueden ayudar en la ejecucin de un desarrollo de un proceso de inteligencia de negocios. Se observa adems que el proceso de inteligencia de negocio es un proceso donde incluye varias parte donde el desarrollo lgico, un desarrollo conceptual y un desarrollo fsico y visto de esta forma se le pueda aplicar el proceso unificado para poder realizar procesos de este tipo en todas sus etapas con lo cual se puede ver este proceso como un proceso de desarrollo de software. Lo que se plantea es despus de mirar el entorno y las diversas propuestas, realizar una con el mayor beneficio donde se pueda integrar todo el desarrollo de una solucin de inteligencia de negocios.

Primera Versin REFERENCES

[1] [2] W. Inmon, Building the data warehouse. Wiley, 2002. R. Kimball and M. Ross, The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling. Wiley, 2002. [Online]. Available: http://www.sigmod.org/sigmod/record/issues/0309/R17.AnisimovBook Review.pdf S. Allen. Data Modeling for Everyone, Curlingstone Publishing, 2002. M. Goldarelli, D. Maio, and S. Rizzi. The Dimensional fact Model: A Conceptual Model for Data Warehouses. International Journal of Cooperative Information systems (IJCIS), 7 (2-3): 215-247, June & September 1998. C. Sapia, M. Blaschka, G. Hofling, and B. Dinter. Extending the E/R Model for the Multidimensional Paradigm. In Proceeding of the 1 ST International Workshop on Data Warehouse and Data Mining (DWDM98), volumen 1552 of Lecture Notes in computer Science, pages 105-116, Singapore, November 19- 20 199. Springer- Velang N. Tryfona. F. Busborg, and J.G. Christiansen. starER: A Conceptual Model for Data Warehouse Desing. In proceedings of the ACM 2 nd international Workshop on Data Warehousing and OLAP (DOLAP`99), pages 3-8, Kansas City, USA, November 6 1999. ACM. J. Trujillo. The GOLD model: An Object Oriented multidimensional data model for multidimensional database, Symposium on Applied Computing Proceedings of the 2000 ACM, symposium on Applied computing- Volume 1, Italy, pages 346-350, 2000. ACM. B. Husemann, J. Lechtenborger, G. Vossen, Conceptual Data Warehouse Desing, Proceeding of the International Workshop on Design and Management of Data Warehouses (DMDW2000), StockHolm, Sweden. A. Abello, J. Samos, and F. Saltor. YAM2 (Yet Another Multidimensiona Model): An extension of UML. In International database Engineering applications Symposium (IDEAS02), pages 172181, Edmoton Canada, July 17-19 2002. IEEE Computer Society P. Vassliadis, A. Simitsis, and S. Skiadopoulos. Conceptual Modeling for ETL Processes. In proceeding of the ACM 5 th International Workshop on Data Warehousing and OLAP (DOLAP 2002), pages 1421, McLean, USA, November 8 2002. ACM P.A Berntein and E. Rahm. Data Warehouse Scenarios for model Management, In Proceeding of the 19 th international Conference on Conceptual Modeling (ER00), Volumen 1920 of lecture Notes in computer Science, page 1 15, salt Lake City, USA, October 9 12 200. Springer Verlag Object Management Group (OMG). Common Warehouse Metamodel (CWM), version 1.1, consultado marzo de 2008 Internet: http://www.omg.org/technology/documents/modeling_spec_catalog.htm Devedzic, V. Knowledge discovery and data mining in databases. Handbook of Software Engineering and Knowledge Engineering Fundamentals, World Scientific Publishing Co., Singapore, pp 615-637, Jan 2001. Object Management Group (OMG). Object Constraint Language (OCL), version 1.5, consultado marzo de 2008 Internet: http://www.omg.org/technology/documents/formal/ocl.htm S. Naqvi and S. Tsur, A logical Language for Data and knowledge Bases. Computer science Press, 1989 QVT-Partner. Revised MOF 2.0 Query/ Views/ Transformations RFP consultado marzo de 2008 Internet: http://www.omg.org/cgibin/doc?ad/05-03-02 Object Management Group (OMG). Unifie Modeling Language (UML), version 2.0, consultado marzo de 2008 Internet: http://www.uml.org/ N. Binh, A. Tjoa, R. Wagner, An Object Oriented Multidimensional data modelo for OLAP, In proceeding of first International Conference on Web- Age Information Management, Springer, Shanghai, China, 2000. U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, From Data Mining to Knowledge Discovery in Databases, American Association for Artificial Intelligence pag 37 -54. 1996 H. P. Luhn, A Business Intelligence System, IBM Journal, 1958, pag 314-319. J. Trujillo, Data WareHouse Desig with UML, PHD. Thesis, Universidad de Alicante, 2005. E. Fernndez, J. Trujillo, R. Villarroel, M.Piattini, Developing secure data warehouses with a UML extensin, Elsevier, 2006 Chun Wei Choo, Information Management for the Intelligent Organization: Roles and Implications for the Information Professions, Digital Libraries Conference, 1995

7
[24] methods have to be applied. Novintel, Novintels business intelligence cycle, 2007. Available http://www.novintel.com/default.asp?24 [25] J. Thomas Group Inc. 2003. Available at: http://www.mindspring.com/~jt-group/default.htm. (Acceso en mayo de 2008). [26] Marc Gyssens (LUC), Laks V.S. Lakshmanan (CUM). A foundation for multidimensional databases, In Proc. Of the 22nd VLDB Conference, Mumbai (Bombay), India, 1996. [27] Jacobson I., Booch G., & Rumbaugh J. (1999). The Unified Software Development Process. Addison Wesley.

[3] [4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15] [16]

[17] [18]

[19]

[20] [21] [22] [23]