222 SAP BI 2014 Introducción A BI. Componentes de Business Intelligence - Esteve - Casanovasv2

SAP-BI
Plataforma SAP para Business Intelligence

02 Componentes del Business Intelligence
Asignatura 1.4
Esteve Casanovas
SAP-BI. Plataforma SAP para

Business Intelligence
Pg. 1
NDICE Sesin 7
Captulo 1 Datos, Informacin, Conocimiento.
Captulo 2 Calidad del dato
Captulo 3 Conceptos de bases de datos multidimensionales
Captulo 4 Modelos relacional
Captulo 5 Modelo Multidimensional. Conceptos de Hecho y Dimensin
Captulo 6 Modelo Multidimensional. Concepto de indicador
Captulo 7 Componentes y tipos de una base de datos multidimensional
Captulo 8 Componentes de Business Intelligence
Captulo 8.1. Las fuentes de informacin
Captulo 8.2. ETL
Captulo 8.3. El datawarehouse
Captulo 8.3.1. El datawarehouse DataMart
Captulo 8.3. 2 Metadatos.
Captulo 8.4. El motor OLAP
8.5 BIG DATA Data Management
8.6 Las herramientas de visualizacin

Pg. 2

Pg. 3

Pg. 4
Captulo 1 Datos, Informacin, Conocimiento. Definiciones
DATOS
INFORMACIN

CONOCIMIENTO
VENTAJA COMPETITIVA
Pg. 5
Captulo 1 Datos, Informacin, Conocimiento

Fuentes de Informacin
-Sistemas operacionales, o transaccionales que incluyen
aplicaciones desarrolladas a medida, ERP, CRM, SCM,
etc.
-Sistemas de informacin departamentales: componen
diferentes archivos ms informales en los que los
diferentes departamentos pueden almacenar informacin
que tambin puede ser interesante almacenar en el
datawarehouse segn el modelo de negocio:
presupuestos, hojas de clculo, ficheros planos...
- Fuentes de informacin externas, que constituyen un
origen de datos importante para enriquecer la
informacin de la organizacin, por ejemplo se podran
incorporar estadsticas del Instituto Nacional de
Estadstica que completarn la informacin de la que se
dispone.

Pg. 6
Captulo 1 Datos, Informacin, Conocimiento
Ventas
Servicio
al Cliente
Nmero de pedidos
Productos pedidos
Clientes que realizaron
los pedidos
Clientes ms rentables
Pedidos ms frecuentes
Productos ms rentables
% de nuevos clientes
Datos de llamadas de
Qu clientes visitan nuestra

pgina web ?
% pedidos realizados por
nuestros canales de ventas
Qu consulta es ms frecuente?
nuestros clientes
Informacin sobre el log de
nuestra pgina web
Marketing
Distribucin
Nmero de campaas
realizadas y caractersticas
de cada una
% xito de las campaas

Qu tipo de clientes han
respondido mejor a cada una de
las campaas realizadas ?
Productos que salen
Nmero de pedidos retrasados

Distribuidor que tiene el mayor
nmero de retrasos
Tiempo medio de entrega
diariamente del almacn

Tiempo terico de entrega
Fuente : Deloitte & Touche

Pg. 7

Para que los datos se consideren de calidad se debe
comprobar que cumplen con las siguientes caractersticas:
1. Precisin: Los datos deben representar con

precisin la realidad o lo almacenado en una fuente
de datos.
2. Integridad: La estructura entre los datos y sus
relaciones son invariables.
3. Totalidad: Deben estar todos los datos
necesarios.
4. Coherencia: Datos bien definidos y
comprensibles.
5. Validez: El valor de los datos debe encontrarse
entre los rangos aceptables segn las normas de la
organizacin.
6. Accesibilidad: Resulta fcil acceder a los datos.
7. Disponibilidad: Los datos se encuentran
disponibles cuando se necesitan.

Pg. 8

Calidad del dato
Los principales problemas que provoca una baja
calidad en los datos son [Wayne W., 2002] los que
siguen:
En contra partida las ganancias que aportan

la calidad en los datos son:
- Incrementos en la satisfaccin de los

clientes.
- Mayor confianza en los sistemas de anlisis.
- Reduccin de costes.
- Menor dedicacin de recursos a la
conciliacin de datos.
- Incremento de ingresos.
Tiempo extra para conciliar los datos.

Baja credibilidad en el sistema.
Costes extra.
Insatisfaccin de los clientes.
Retraso en el desarrollo de nuevos sistemas.
Prdidas de ingresos.
Problemas de conformidad.

Pg. 9
Captulo 3 Modelo relacional

El modelo relacional desarrollado por E. F. Codd en el ao 1970: Est
formado por tablas y relaciones entre las mismas.
La mayora de las aplicaciones de gestin utilizan bases de datos
fundamentadas en el modelo relacional. El modelo relacional utiliza
un lenguaje de interrogacin conocido por Standard Query Language
(SQL).
El modelo de relacional se basa, pues en tablas con distintos
atributos o campos y las relaciones entre las tablas.
Cada tabla tiene un Clave primaria (Primary key o PK en nuestro
esquema) formada por uno o ms atributos y las tablas se relacionan
entre ellas mediante las Claves externas (Foreign Key o FK en
nuestro esquema) que actan como claves primarias en sus propias
tablas.

Pg. 10
Captulo 3 Modelo relacional

En nuestro ejemplo el Id familia es clave
primaria de la tabla Familia y es la clave
externa de la tabla Subfamilia, lo que nos
permite relacionar una subfamilia con una
familia: dicho de otro modo, conociendo la
subfamilia, el modelo relacional nos permite
conocer a qu familia pertenece.
De cada uno de los tickets de venta tenemos
la siguiente informacin: el nmero de ticket,
la fecha, la hora, el centro, la caja, el
empleado, la forma de pago y el importe total.
Debemos sealar que en los casos del centro,
la caja, el empleado y la forma de pago tan
slo tenemos los identificadores; a partir de
ellos y las relaciones con las tablas
obtendremos el resto de los valores de los
atributos.
Por ejemplo, a partir del Id empleado y la
relacin con la tabla de empleados, podremos
conocer el nombre del cajero y su categora
laboral.

Pg. 11
Captulo 4 Conceptos de bases de datos multidimensionales
Los datos son extrados desde aplicaciones, bases de datos,

archivos, etc. Esta informacin generalmente reside en
diferentes tipos de sistemas, orgenes y arquitecturas y tienen
formatos muy variados.
Los datos son integrados, transformados y limpiados, para
luego ser cargados en el DW.
Principalmente, la informacin del DW se estructura en cubos
multidimensionales, ya que estos preparan esta informacin
para responder a consultas dinmicas con una buena
performance. Pero tambin pueden utilizarse otros tipos de
estructuras de datos para representar la informacin del DW,
como por ejemplo Business Models.
Los usuarios acceden a los cubos multidimensionales del DW
utilizando diversas herramientas de consulta, exploracin,
anlisis, reportes, etc.

Pg. 12
Hecho: una operacin que se realiza en el negocio en un tiempo

determinado. Son objeto de anlisis para la toma de decisiones.
Se representan en una caja con su nombre y las medidas que lo
caracterizan
Los Hechos estn estrechamente relacionados con el tiempo.
Los eventos que son estticos no tienen objetivo de anlisis
para un modelo DW, son muy pocos los hechos que no ocurren
con determinada periodicidad en un negocio. Los hechos estn
caracterizados por medidas numricas
Una Dimensin es una caracterstica de un hecho que permite
su anlisis posterior, en el proceso de toma de decisiones
Dimensiones compartidas: pueden existir varios hechos que
sean analizados por dimensiones iguales. (p.e el tiempo)

Pg. 13

DE QU?
CUNDO?
DE DONDE?
QU?
COMO?

A QUIEN?
La tabla de
hechos (aquello
que queremos
medir o analizar
VENTAS) y las
tablas de
dimensiones
(cmo lo
queremos
medir), en
nuestro caso, la
tabla de hechos
ser la de las
VENTAS y las
queremos
analizar por las
dimensiones
siguientes:
CLIENTE,
PRODUCTO,
TIEMPO,
PROMOCIN,
Pg. 14
Captulo 6 Modelo Multidimensional. Concepto de indicador KPI
Indicadores de gestin o
variables son los datos
que estn siendo
analizados. Forman parte
de la tabla de hechos.
Las variables
representan algn
aspecto cuantificable o
medible de los objetos
o eventos a analizar.

Pg. 15
Captulo 6 Modelo Multidimensional. Concepto de indicador KPI

Los KPI deben ser cuantificables y deben medir las mejoras en aquellas actividades que son
crticas para conseguir el xito de la organizacin.
Los KPI deben estar relacionados con los objetivos y con las actividades fundamentales de
nuestra organizacin (aquellas que nos permiten obtener los resultados). Por ejemplo, en
venta por telfono es fundamental atender las llamadas antes de que cuelguen; por lo tanto, el
porcentaje de llamadas atendidas antes de 20 segundos podra ser un KPI.
Si queremos definir un KPI para las ventas, deberemos decidir:
Sobre o unidades.
En qu periodo restamos las devoluciones: en el actual, en el periodo anterior o cuando
se produjeron.
Deberemos fijar un objetivo de ventas a conseguir.
Distintas empresas de un mismo sector pueden tener distintos KPIs en funcin de sus
modelos de negocio, objetivos o su propia idiosincrasia.
Los KPIs que escojamos deben:
Reflejar los objetivos del negocio.
Ser crticos para conseguir el xito.
Ser cuantificables y comparables.
Permitir las acciones correctivas.

Pg. 16
Captulo 6 Modelo Multidimensional. Ejemplo KPIs

Retail increasing your sales KPIs
Retail Financial KPIs
1. Sales per hour Statically compares one sales person

with the other and determines who is efficient in selling
and attending the customers.
2. Average Sale Statically compares the average selling
price of a sales person. The higher statistics shows that
the person has a wide knowledge on the product and the
less statistics reveals that he lacks in the product
knowledge or effective description.
3. Items Per Sale determines the ability of a sales
person compare to sale.
4. Conversion Rate shows how many customers they
have made from the visitors of the store.
5. Wage to Sales Ratio gives a graph comparing the
hourly wages of a sales person to hourly sales they have
made. This KPI determine their performance level and
how effective they are.
1. Accounts Payable Turnover = Avg Accts Payable / (Cost of Sales / 365)

2. Accounts Receivable Turnover Days = Avg Accts Rec / (Credit Sales/365)
3. Acid Test Ratio = (Current Assets - Inventory)/Current Liabilities
4. Admin Cost % = (Administration Costs / Sales )*100
5. Average Inventory = (Beginning of Period Inventory + End of Period Inventory)/2
6. Break-even ($) = Fixed Costs / Gross Margin Percentage
Cash Conversion Cycle = (Days Inventory Outstanding + Days Sales Outstanding +
Days Payable Outstanding)
7. Contribution Margin = (Total Sales - Variable Costs)
8. Cost of Goods = (Retail Price Markup)
9. Gross Margin = Total Sales - Cost of Goods
10. Current Ratio = Current Assets / Current Liabilities
The basic KPI a retailer

1.Sales annual turnover, transaction made, basket
spend, footfall - all against LFL and budget
2. Loss prevention Shrinkage loss, (stock loss or cash
loss)
3. Operational availability, inventory integrity
4. Salary
5. Service Complaints that are made
6. HR development training, coaching, staff turnover
7. Variable costs any expenses made at an additional
cost are avoidable

Retail Customer KPIs

1. Customer GROSS Profit = Customer Sales - Customer Cost of Goods Sold for a period
2. Customer Lifetime Purchase Value - Monetary value of each customer's life time purchases
from the retailer
3. Customer Profitability = Customer Sales - (Customer Returns - Customer Cost of Goods Sold +
Customer Promotion Expenses + Activity Based Cost of Servicing Customer) for a period
4. Customer Purchase Freq Count - Count of customer purchases transactions over a period of
time
5. Customer Purchase Value - Monetary value of each customer purchase during a period with
an average value for all purchases for the period
6. Customer Reference question - A rating from 0 to 10 that indicates if the customer would
recommend the store.
7. Customer Sales by Segment - This formula is dependent upon defining customer segments
(based on age, education, lifestyle, income and other factors) and associating individual
customers to specific segments.
8. Customer Service Staffing = Face to face customer service staff count / total staff count
9. Visit to Buy Ratio = Sales Transaction Count per period / Visit Count Per Period
Pg. 17
Captulo 7 Componentes y tipos de una base de datos multidimensional
Una base de datos multidimensional se forma mediante

una tablas de hechos y n tablas de dimensiones.
Permite tener acceso flexible a los datos, para explorar y
analizar sus relaciones, y consiguientes resultados.
Las bases de datos multidimensionales implican tres
posibles formas de modelo de datos:
Esquema en Estrella (Star Scheme).

Esquema Copo de Nieve (Snowflake Scheme).
Esquema Constelacin o copo de estrellas (Starflake Scheme).

Pg. 18
Esquema en estrella
En las bases de datos usadas para data warehousing, un esquema en estrella es
aquel que tiene una tabla de hechos que contiene los datos de anlisis, rodeada de
las tablas de dimensiones. Este aspecto, de tabla de hechos (o central) ms
grande rodeada de radios o tablas ms pequeas es lo que asemeja con una
estrella.
Este esquema es ideal por su simplicidad y velocidad para ser usado para
anlisis. Permite acceder tanto a datos agregados como de detalle.
Adems, permite reducir el nmero de joins entre tablas y deja a los usuarios
establecer jerarquas y niveles entre las dimensiones.
Finalmente, es la opcin con mejor rendimiento y velocidad pues permite indexar
las dimensiones de forma individualizada sin que repercuta en el rendimiento de la
base de datos en su conjunto.

Pg. 19
Esquema en estrella

Pg. 20
Ilustracin esquema en estrella

DE QU?
CUNDO?
DE DONDE?
QU?
COMO?

A QUIEN?
Pg. 21
Esquema copo de nieve
Es una estructura ms compleja que el esquema en estrella.
Tiene dimensiones implementadas con ms de una tabla de datos
Minimiza el espacio en disco.
Su rendimiento es peor.
La finalidad es normalizar las tablas y as reducir el espacio de

almacenamiento al eliminar la redundancia de datos

Pg. 22
Ilustracin esquema copo de nieve

Pg. 23
Esquema en constelacin
Este esquema se utiliza principalmente cuando queremos dividir una tabla de

hechos para una mejor comprensin.
La divisin de la tabla de hechos se realiza slo cuando nos queremos enfocar

en la agregacin sobre algunos hechos y dimensiones.
El modelo este puede ser una solucin adecuada cuando por ejemplo hay una tabla
de hechos de venta (con un nivel de detalle hasta un da y el numero de factura) y
hay otra tabla de factos con los Pronsticos (con los campos clave: mes, cdigo
articulo, cdigo cliente).

Pg. 24
Ilustracin de esquema en constelacin

REGIONES
DEPARTAMENTOS
EMPLEADOS
PAISES
TRABAJOS
LOCALIZACIONES

HISTORIAL_TRABAJO
Pg. 25
Captulo 8 Componentes de Business Intelligence

Los componentes son:
Fuentes de informacin, de las cuales partiremos para alimentar de informacin el

datawarehouse.
Proceso ETL de extraccin, transformacin y carga de los datos en el datawarehouse. Antes de
almacenar los datos en un datawarehouse, stos deben ser transformados, limpiados, filtrados y
redefinidos. Normalmente, la informacin que tenemos en los sistemas transaccionales no est
preparada para la toma de decisiones.
El propio datawarehouse o almacn de datos, con el Metadata o Diccionario de datos. Se busca
almacenar los datos de una forma que maximice su flexibilidad, facilidad de acceso
y administracin.
El motor OLAP, que nos debe proveer capacidad de clculo, consultas, funciones de
planeamiento, pronstico y anlisis de escenarios en grandes volmenes de datos. En la
actualidad existen otras alternativas tecnolgicas al OLAP, que tambin desarrollaremos en el
presente captulo.
Las herramientas de visualizacin, que nos permitirn el anlisis y la navegacin a travs de los
mismos.

Pg. 26
Captulo 8.1. Las fuentes de informacin
Las fuentes de informacin a las que podemos acceder son:

Bsicamente, de los sistemas operacionales o transaccionales, que incluyen aplicaciones
desarrolladas a medida, ERP, CRM, SCM, etc.
Sistemas de informacin departamentales: previsiones, presupuestos,
hojas de clculo, etctera.
Fuentes de informacin externa, en algunos casos comprada a terceros, como por ejemplo
estudios de mercado (Nielsen en distribucin de gran consumo, IMS de la industria
farmacutica). Las fuentes de informacin externas son fundamentales
para enriquecer la informacin que tenemos de nuestros clientes. En algunos casos es
interesante incorporar informacin referente, por ejemplo, a poblacin, nmero de habitantes,
etc. Podemos acceder a informacin de este tipo en la web del Instituto Nacional de Estadstica
(www.ine.es).

Pg. 28
OLTP (Online Transactional Processing)

Los sistemas OLTP estn diseados para gestionar un gran nmero de peticiones
concurrentes sobre sus bases de datos, y que los usuarios puedan insertar, modificar, borrar
y consultar dichos datos. Estn enfocados a que cada operacin (transaccin) trabaje con
pequeas cantidades de filas, y a que ofrezcan una respuesta rpida. Habitualmente utilizan
sistemas de bases de datos relacionales para gestionar los datos, y suelen estar altamente
normalizados. En ellos es muy importante la integridad de los datos, y deben cumplir las
propiedades ACID (Atomicity, Consistency, Isolation, Durability):
Atomicidad: una operacin, o se realiza por completo o no se realiza, nunca debe quedar
a medias.
Consistencia: slo se ejecutan las operaciones que cumplen las reglas de integridad de la
base de datos.
Aislamiento (Isolation): una operacin no puede afectar a otras, dos transacciones sobre
los mismos datos son independientes y no generan errores entre s.
Durabilidad: una vez realizada una operacin, sta es persistente y no se puede deshacer.
Como ejemplo de este tipo de sistemas, podemos citar un ERP, un CRM, aplicaciones
departamentales, aplicaciones de ventas, de comercio electrnico, y un largo etctera. En
general cualquier aplicacin con la que el usuario interacta para introducir datos
operacionales al sistema

Pg. 29
Captulo 8.2. ETL
Los procesos de Extraccin, Transformacin y Carga constan de mltiples

pasos, cuyo objetivo es transferir datos desde las aplicaciones de produccin a
los sistemas de Inteligencia de negocio.
Es el proceso que permite a las organizaciones extraer datos desde mltiples
fuentes, reformatearlos y recodificarlos y cargarlos en otros sistemas, bases de
datos o aplicaciones para realizar un proceso de anlisis.

Pg. 30
Captulo 8.2. ETL Esquema del Proceso

El Job desarrollado
Orgenes de datos
Job Designer
Procesos a implementar
Esquema completo del Job
Transformacin (MAP)

Componente tMap del grupo Processing
Pg. 31
Captulo 8.2. ETL premisas fundamentales
Criticidad alta: de ella dependen el

resto de las fases del proyecto.
Costosa: puede resultar fuente

potencial de costes inesperados.
Multidisciplinar:
adems
de
solvencia tcnica, requiere una
comprensin del negocio y del
significado de los datos.
Especfica: porque los datos
necesarios para la minera de datos
deben ajustarse a criterios de
contenido, calidad y formato muy
concretos.
Son procesos ocultos para los
usuarios.

Pg. 32
Captulo 8.2. ETL - Extraccin
Normalmente la extraccin se realiza sobre diferentes sistemas fuente.

Cualquier proceso de extraccin requiere un anlisis detallado, para
que la extraccin sea adecuada en calidad de datos y duracin (que
viajen slo los datos necesarios, hay que establecer los filtros y
selecciones en el proceso de extraccin, no en el de carga)
La extraccin puede ser especifica en lenguaje de codificacin para
cada uno de los sistemas a los que nos dirigimos.
Las extracciones pueden ejecutarse peridicamente o tras un evento.

Aunque hay herramientas ETL rara vez pueden acceder a todas las
aplicaciones de nuestro sistema operacional.
El impacto en el sistema origen ha de ser mnimo.
Los procesos de extraccin deben programarse en fechas y horas

donde el sistema origen est ms descargado.

Pg. 33

El proceso ETL se divide en 5 subprocesos:
1. Extraccin: Este proceso recupera los datos fsicamente de las distintas fuentes de
informacin. En este momento disponemos de los datos en bruto.
2. Limpieza: Este proceso recupera los datos en bruto y comprueba su calidad,
elimina los duplicados y, cuando es posible, corrige los valores errneos y completa
los valores vacos, es decir se transforman los datos -siempre que sea posible- para
reducir los errores de carga. En este momento disponemos de datos limpios y de
alta calidad.
3. Transformacin: Este proceso recupera los datos limpios y de alta calidad y los
estructura y sumariza en los distintos modelos de anlisis. El resultado de este
proceso es la obtencin de datos limpios, consistentes, sumarizados y tiles.
4. Integracin: Este proceso valida que los datos que cargamos en el datawarehouse
son consistentes con las definiciones y formatos del datawarehouse; los integra en
los distintos modelos de las distintas reas de negocio que hemos definido en el
mismo. Estos procesos pueden ser complejos.
5. Actualizacin: Este proceso es el que nos permite aadir los nuevos datos al
datawarehouse.

Pg. 34

1. Extraccin
La extraccin de los datos se puede realizar bien de forma manual o bien utilizando
herramientas de ETL. De forma manual significa programar rutinas utilizando
lenguajes de programacin (por ejemplo: COBOL) que extraigan los datos de las
fuentes de datos origen, aunque en otros casos se opta por las utilidades de replicar
la base de datos que tienen los motores de bases de datos. La alternativa ms
rentable es la que proveen las herramientas especializadas62 de ETL, ya que han sido
diseadas para llevar a cabo esta funcin y nos permiten visualizar el proceso y
detectar los errores durante el proceso o durante la carga. Cada vez ms los motores
de bases de datos tienen mejores funcionalidades de ETL.
El principal objetivo de la extraccin es extraer tan slo aquellos datos de los
sistemas transaccionales que son necesarios y prepararlos para el resto de los
subprocesos de ETL.

Pg. 35
Captulo 8.2. ETL - Transformacin

2. Limpieza
Los sistemas transaccionales contienen datos que no han sido
depurados y que deben ser limpiados.
Las herramientas ETL tienen funcionalidades de limpieza de datos,
aunque existen herramientas especializadas para ello. En proyectos
de CRM, la limpieza de los datos es clave: los nombres y las
direcciones de los clientes siempre necesitan ser limpiados,
eliminar duplicados, etc.
Si no llevamos a cabo este subproceso de forma exquisita,
crearemos escpticos al mostrar los resultados si, por ejemplo,
mostramos los mejores clientes de nuestra organizacin y
aparecen duplicados; en tal caso, lo ms habitual es que se
cuestione la validez del modelo.

Pg. 36

cules son las causas que provocan que los datos estn
sucios?,
Valores por defecto: En la caja no saben la referencia de un producto e introducen
el cdigo 999 y el precio a mano.
Ausencia de valor.
Campos que tienen distintas utilidades: Para algunos clientes ponemos una
informacin y para otros, otra distinta.
Valores crpticos.
Valores contradictorios.
Uso inapropiado de los campos, por ejemplo en las direcciones de los clientes.
Vulneracin de las reglas de negocio.
Reutilizacin de claves primarias con valores que se haban utilizado en el pasado.
Identificadores que no son nicos.
Problemas de carga de antiguos sistemas o de integracin entre sistemas.
Seleccin del primer valor de una lista por defecto.

Pg. 37

La limpieza de datos se divide en distintas etapas, que vamos a describir:
Depurar los valores (Parsing): Este proceso localiza e identifica los elementos
individuales de informacin en las fuentes de datos y los asla en los fi cheros
destino. Por ejemplo: separar el nombre completo en nombre, primer apellido,
segundo apellido, o la direccin en: calle, numero, piso, etctera.
Corregir (Correcting): Este proceso corrige los valores individuales de los atributos
usando algoritmos de correccin y fuentes de datos externas. Por ejemplo:
comprueba una direccin y el cdigo postal correspondiente.
Estandarizar (Standardizing): Este proceso aplica rutinas de conversin para
transformar valores en formatos definidos (y consistentes) aplicando procedimientos
de estandarizacin y definidos por las reglas del negocio. Por ejemplo: trato de Sr.,
Sra., etc. o sustituyendo los diminutivos de nombres por los nombres
correspondientes.
Relacionar (Matching): Este proceso busca y relaciona los valores de los registros,
corrigindolos y estandarizndolos, basndose en reglas de negocio para eliminar
duplicados. Por ejemplo: identificando nombres y direcciones similares.
Consolidar (Consolidating): Este proceso analiza e identifica relaciones entre
registros relacionados y los junta en una sola representacin.

Pg. 38

3. Transformacin
La transformacin de los datos se hace partiendo de los datos una vez limpios.
Transformamos los datos de acuerdo con las reglas de negocio y los estndares que
han sido establecidos. La transformacin incluye: cambios de formato, sustitucin de
cdigos, valores derivados y agregados.
Los agregados, como por ejemplo la suma de las ventas, normalmente se precalculan
y se almacenan para conseguir mayores rendimientos cuando lanzamos las consultas
que requieren el clculo de totales al datawarehouse.
4. Integracin
La ltima etapa es la de integracin en el datawarehouse: es el momento en el que
cargamos los datos y debemos comprobar si, por ejemplo, los totales de ventas que
hemos cargado coinciden con la informacin que resida en nuestro sistema transaccional, as como si los valores que tienen los registros cargados corresponden a
los definidos en el datawarehouse. Es fundamental comprobar que se ha desarrollado
correctamente, ya que en caso contrario pueden llevar a decisiones errneas a los
usuarios.
5. Actualizacin
Este proceso determina la periodicidad con el que haremos nuevas cargas de datos al
datawarehouse.

Pg. 39
Normalizar
Codificar
Fusionar
Dividir
Crear
Generar
Derivar
Calcular
Validar
Corregir
Convertir
En la transformacin se puede usar tanto lenguaje de programacin

como aplicaciones especficas de ETL.

Pg. 40
Captulo 8.2. ETL - Carga
Es importante destacar que deben cargarse tanto datos

maestros como datos transaccionales.
La carga de datos puede realizarse de manera acumulada

en el sistema destino, o cargar de nuevo todos los datos.
La fase de carga interacta directamente con la base de
datos de destino
Al igual que el proceso de extraccin debe efectuarse
cuando el sistema analtico tenga menos carga (por la
noche).
Debe intentarse
siempre que sea posible
procesamiento en paralelo, mediante cadenas
proceso.

el
de
Pg. 41
Captulo 8.2. ETL ejemplos de aplicaciones del mercado

En la actualidad las herramientas de ETL permiten componer los procesos ETL mediante
asistentes grficos.
Algunas de las herramientas ETL actuales:
XMLoder
SAS Data Integration Studio & DataFlux
Ab Initio
Barracuda Software (Integrator)
MakeWare Soluciones Tecnologicas http://www.makeware.net
Benetl
Biable http://www.visiontecnologica.com
BITool - ETL Software http://www.bitool.com/
BOPOS TLOG-4690 rhiscom (back-office POS)
CloverETL [1]
Cognos Decisionstream
Data Integrator (herramienta de Business Objects)
Data Migraton Toolset de Backoffice Associates (BoA)
Genio, Hummingbird
IBM Websphere DataStage (Previously Ascential DataStage)
Informatica PowerCenter
metaWORKS ( Document Tools)
Microsoft DTS (incluido en SQL-Server 2000)
Microsoft Integration Services (MS SQL Server 2005)
MySQL Migration Toolkit
Scriptella ETL - Libre, Apache-licensed ETL
Talend Open Studio
Oracle Warehouse Builder
WebFocus-iWay DataMigrator Server

Pg. 42
Captulo 8.2. ETL diagrama ETL en sistemas SAP

Pg. 43
Captulo 8.2. ETL diagrama ETL en sistemas SAP (2)

Pg. 44
Un datawarehouse es una coleccin de informacin creada para

soportar las aplicaciones de toma de decisiones
Debe estar orientado sobre un rea, integrado, indexado

al tiempo, es un conjunto no voltil de informacin que soporta la
toma de decisiones.

Pg. 45

El DW Manager presenta las siguientes caractersticas y funciones principales:
Almacena los datos de forma multidimensional, es decir, a travs de tablas de hechos
y tablas de dimensiones.
Gestiona las diferentes estructuras de datos que se construyan o describan sobre el
DW, como Cubos Multidimensionales, Business Models, etc.
Gestiona y mantiene metadatos.
Adems, el DW Manager se encarga de:

Transformar e integrar los datos fuentes y del almacenamiento intermedio en un
modelo adecuado para la toma de decisiones.
Realizar todas las funciones de definicin y manipulacin del depsito de datos, para
poder soportar todos los procesos de gestin del mismo.
Ejecutar y definir las polticas de particionamiento. El objetivo de realizar esto, es
conseguir una mayor eficiencia y performance en las consultas al no tener que manejar
todo el grueso de los datos.
Realizar copias de resguardo incrementales o totales de los datos del DW.

Pg. 46

Si no se construyera un datawarehouse y se recuperara
la informacin directamente de los sistemas
operacionales, para analizarla a travs de una hoja de
clculo por ejemplo, apareceran problemas surgidos
de los errores y del tiempo la mayora de ellos:
- Pueden cometerse errores al introducir la
informacin de las diferentes fuentes.
- El proceso de extraer la informacin de las
fuentes operacionales y la introduccin en la hoja
de clculo conllevara mucho tiempo.
- Si se necesitara posteriormente informacin ms
detallada, habra que repetir el proceso.
-Habra que repetir el proceso tambin cuando los
datos cambiaran
-El trabajo de construir un datawarehouse corporativo
puede generar inflexibilidades, o ser costoso y requerir
plazos de tiempo que las organizaciones no estn
dispuestos a aceptar. En parte, estas razones
originaron la aparicin de los Data Mart

Pg. 47

Los factores que deberamos tener en cuenta
cuando estamos evaluando una alternativa
tecnolgica para la construccin de un
datawarehouse son:
Tamao del datawarehouse: Es el volumen de
datos que contiene el datawarehouse.
Complejidad de los esquemas de datos: Si el
modelo de datos es complejo, puede dificultar la
optimizacin y el rendimiento de las consultas.
Nmero de usuarios concurrente: ste es un factor
determinante. Si distintos usuarios pueden lanzar
consultas concurrentes (a la vez), el datawarehouse
debe gestionar sus recursos
para poder dar respuesta a las distintas consultas.
Complejidad de las consultas: Si las consultas
necesitan acceder a un nmero elevado de tablas y
los clculos a realizar son complejos, podemos
poner en dificultades al motor de
la base de datos del datawarehouse.

Pg. 48
Captulo 8.3.1. El datawarehouse - DataMart
DataMart: productos o aplicaciones que utilizan la tecnologa Data

Warehouse adaptada a las necesidades de las empresas medias, o a un
rea o departamento de una empresa grande. Podemos entenderlo como
una parte o subconjunto de un datawarehouse.
El hecho de que sea una parte de un DW no lo hace ms sencillo.
Normalmente primero debe realizarse el DW para poder obtener el
DataMart posteriormente.
Las ventajas operativas que proporciona un DataMart son:
Crea un conjunto de datos que se usan en unos casos determinados y por los
usuarios de un rea determinada.
Mejora el rendimiento en una serie de consultas determinadas.
Mejora el rendimiento de todo el DW al parcelar los mbitos de consulta. Es
decir, slo se interroga a parte de los datos y no a todos.

Pg. 49
Captulo 8.3. El datawarehouse - DataMart

La manera de implementar esta solucin es construir un datamart e ir construyendo
tantos como se necesiten por rea de negocio. Esta solucin es sencilla de
implementar y no requiere mucho presupuesto, pero conlleva el problema de que
podran existir inconsistencias entre los diferentes datamart, y la informacin
corporativa se contradira.

Pg. 50
Datamining
Creacin de un modelo de datos y una lgica (modelo matemtico) a

partir de un DW que permite clasificar, segmentar y predecir el
comportamiento de los datos.
Las aplicaciones ms frecuentes son:
Comportamiento de consumidores (hbitos de compra)

En Banca y Seguros: anlisis de riesgo, patrones de comportamiento de
clientes.
En general para toma de decisiones
Estudios de sanidad
Estudios demogrficos
Procesos Industriales (componentes qumicos, compuestos, mezclas, esmaltes,
procesos, etc.)
Diseo de Bases de Datos.
Ingeniera inversa (dados una base de datos desnormalizarla para que luego el
sistema la normalice).
Mejora de Consultas (si se descubren dependencias funcionales nuevas u otras
condiciones evitables).

Pg. 51
Captulo 8.3. 2 Metadatos.
Describen cul es la estructura

de los datos que se van a
almacenar
y
cmo
se
relacionan.
Podemos entenderlo como el
modelo de datos con todas los
atributos,
definiciones
y
jerarquas.
En cualquier base de datos,
pero especialmente en una
analtica, los datos maestros y
sus atributos dan integridad a
los resultados obtenidos.

Pg. 52
Captulo 8.3. 2 Metadatos

3.4.9. Metadatos
Los metadatos son datos que describen o dan informacin de otros datos,
que en este caso, existen en la arquitectura del Data Warehousing. Brindan
informacin de localizacin, estructura y significado de los datos,
bsicamente mapean los mismos.
El concepto de metadatos es anlogo al uso de ndices para localizar
objetos en lugar de datos.
Es importante aclarar que existen metadatos tambin en las bases de datos
transaccionales, pero los mismos son transparentes a los usuarios. La gran
ventaja que trae aparejada el Data Warehousing en relacin con los
metadatos es que los usuarios pueden gestionarlos, exportarlos,
importarlos, realizarles mantenimiento e interactuar con ellos, ya sea
manual o automticamente.

Pg. 53

Las funciones que cumplen los metadatos en el ambiente Data Warehousing son muy importantes
y significativas, algunas de ellas son:
Facilitan el flujo de trabajo, convirtiendo datos automticamente de un formato a

otro.
Contienen un directorio para facilitar la bsqueda y descripcin de los
contenidos del DW, tales como: bases de datos, tablas, nombres de atributos,
sumarizaciones, acumulaciones, reglas de negocios, estructuras y modelos de
datos, relaciones de integridad, jerarquas, etc.
Poseen un gua para el mapping , de cmo se transforman e integran los datos
de las fuentes operacionales y externos al ambiente del depsito de datos.
Almacenan las referencias de los algoritmos utilizados para la esquematizacin
entre el detalle de datos actuales, con los datos ligeramente resumidos y stos
con los datos altamente resumidos, etc.
Contienen las definiciones del sistema de registro desde el cual se construye el
DW.

Pg. 54

Se pueden distinguir tres diferentes tipos de Metadatos:
Los metadatos de los procesos ETL, referidos a las diversas fuentes utilizadas,
reglas de extraccin, transformacin, limpieza, depuracin y carga de los datos
al depsito.
Los metadatos operacionales, que son los que bsicamente almacenan todos
los contenidos del DW, para que este pueda desempear sus tareas.
Los metadatos de consulta, que contienen las reglas para analizar y explotar la
informacin del almacn, tales como drill-up y drill-down. Son estos metadatos
los que las herramientas de anlisis y consulta emplearn para realizar
documentaciones y para navegar por los datos.
El trmino mapping, se refiere a relacionar un conjunto de objetos, tal como
actualmente estn almacenados en memoria o en disco, con otros objetos. Por
ejemplo: una estructura de base de datos lgica, se proyecta sobre la base de datos
fsica.

Pg. 55
Captulo 8.4. El motor OLAP
OLAP (On-Line Analytical Processing). Es una solucin utilizada en Business

Intelligence, consiste en consultas a estructuras multidimensionales.
El objetivo es agilizar la consulta de grandes cantidades de datos
Tcnicamente la principal caracterstica de OLAP, es que es ms rpido a la hora
de hacer selects, en contraposicin con OLTP que es la mejor opcin para
INSERTS, UPDATES Y DELETES.

Pg. 56
Captulo 8.4. El motor OLAP Caracterstcas
La
gestin
OLAP
de
la
departamentalmente estructurada.
informacin
es
Comparado con un sistema OLTP, el sistema OLAP se

caracteriza por:
Menos volumen de datos

Flexible
Personalizado
Precategorizado
Las fuentes de datos son generalmente sistemas OLTP

Pg. 57
Captulo 8.4. El motor OLAP Cubos Multidimensionales
Cubos de datos: conjunto formado por todas las tablas de

dimensiones y las tabla de hechos.

Pg. 58

hemos cambiado la dimensin clientes por la de libros

Pg. 59

Tambin podemos seleccionar (en ingls dicing) slo algunas de
las celdas, por ejemplo: Cules son las ventas al cliente 2, de los
libros 1 y 2, en el ao 1?

Pg. 60

O lo que nos puede interesar es el total de libros, mximo nivel de
agregacin (en ingls roll-up)

Pg. 61

Imaginemos que tenemos libros de dos materias distintas: El libro 1 y el libro 2 son
de la materia A y el libro 3 de la materia B. Partiendo del cubo anterior de las ventas
agregadas, bajamos a ms detalle (en ingls drill-down) a travs de la jerarqua
materias. En ese caso obtendramos:

Pg. 62
Captulo 8.4. El motor OLAP Cubos Multidimensionales navegacin
Drill Down: consiste en ir bajando por los diferentes niveles

de datos e ir desglosando la informacin hasta llegar al nivel
ms detallado.
Drill up: consiste en ir subiendo y agregando la informacin
de los diferentes niveles de datos hasta subir al nivel ms
agregado.
Drill cross: permite hacer anlisis usando el nivel horizontal
entre los diferentes elementos.
Drill Through: esta utilidad nos permite dar un salto desde la
consulta que estamos realizando hasta otra fuente de datos.

Pg. 63
Captulo 8.4. El motor OLAP Tipos de sistemas OLAP
ROLAP (relacional OLAP)

Sistema OLAP que almacena los datos en un motor relacional motor relacional.
La informacin esta muy detallada aunque su uso sea analtico.
Nivel muy alto de normalizacin, compartiendo incluso dimensiones.
Su punto fuerte es poder trabajar analticamente con un volumen muy importante de datos.
MOLAP (multidimensional OLAP)
Sistema OLAP que almacena los datos en un motor multidimensional.
La informacin est agregada o precalculada, esto optimiza el tiempo de respuesta pero el
volumen de informacin a tratar no puede ser muy voluminosos.
HOLAP (Hybrid OLAP)
Almacena algunos datos en un motor relacional y otros uno multidimensional.
DOLAP (Dessktop OLAP)
Los datos se hayan en el escritorio o terminal dels usuario. No necesito conexin.

Pg. 64
Pasos de una consulta OLAP
Los usuarios seleccionan o establecen qu datos desean obtener del

DW, mediante las interfaces de la herramienta que utilice.
La herramienta recibe el pedido de los usuarios, construye la consulta

(utilizando la metadata) y la enva al Query Manager. El usuario no
debe construir consultas con SQL.
El Query Manager ejecuta la consulta sobre la estructura de datos con
la que se est trabajando (cubo multidimensional, tablas plana, etc.).
El Query Manager obtiene los resultados de la consulta.

El Query Manager enva los datos a la herramienta de consulta y
anlisis.
La herramienta presenta a los usuarios la informacin requerida.
Los usuarios tienen capacidad de navegacin sobre la consulta

obtenida.

Pg. 65
Caracteristicas de navegacin OLAP (II)
Permite recolectar y organizar la informacin analtica necesaria para los usuarios y

disponer de ella en diversos formatos, tales como tablas, grficos, reportes, tableros
de control, etc.
Soporta anlisis complejos de grandes volmenes de datos.
Complementa las actividades de otras herramientas que requieran procesamiento
analtico en lnea.
Presenta a los usuarios una visin multidimensional de los datos (matricial) para
cada tema de inters del negocio.
Es transparente al tipo de tecnologa que soporta el DW, ya sea ROLAP, MOLAP u
HOLAP.
No tiene limitaciones con respecto al nmero mximo de dimensiones permitidas.
Permite a los usuarios, analizar la informacin basndose en ms criterios que un
anlisis de forma tradicional.
Al contar con muestras grandes, se pueden explorar mejor los datos en busca de
respuestas.
Permiten realizar agregaciones y combinaciones de los datos de maneras complejas
y especficas, con el fin de realizar anlisis ms estratgicos.

Pg. 66
8.5 BIG DATA Data Mangement

STAMFORD, Conn., September 23, 2013
Gartner Survey Reveals That 64 Percent of Organizations Have Invested or Plan to Invest in Big Data in 2013
Big data investments in 2013 continue to rise, with 64 percent of organizations investing or planning to
invest in big data technology compared with 58 percent in 2012, according to a survey by Gartner, Inc.
However, less than eight percent of survey respondents have actually deployed.

http://jagalindo.blogspot.com.es/
Pg. 67
martes, 22 de
8.6 Las herramientas de visualizacin
La visin de conjunto y valoracin de Gartner group sobre los productos BI
Principales productos de BI del mercado

Pg. 68
Productos BI Cuadrante mgico de Gartner Group 02/2013
Gartner changed the name of this Magic Quadrant from

"Business Intelligence Platforms" to "Business
Intelligence and Analytics Platforms" to emphasize the
growing importance of analysis capabilities to the
information systems that organizations are now
building. Gartner defines the business intelligence (BI)
and analytics platform market as a software platform
that delivers 15 capabilities across three categories:
integration, information delivery and analysis.

Integration
BI infrastructure
Metadata management
Development tools
Collaboration
Information Delivery
Reporting
Dashboards.
Ad hoc query
Microsoft Office integration
Search-based BI
Mobile BI
Analysis
Online analytical processing
(OLAP)
Interactive visualization
Predictive modeling and data
mining
Scorecards
Prescriptive modeling
Pg. 69
Visionarios
Los Visionarios son los proveedores que tienen la
capacidad de predecir sobre cmo evolucionar el
mercado, pero que sin embargo tienen menos capacidad
comprobada de ofrecer servicios en esa visin. En los
mercados tempranos, este estado es normal. En los
mercados ms maduros, puede reflejar una estrategia
competitiva para empresas ms pequeas o incluso para
empresas
grandes que tratan de diferenciarse.
A menudo tratan de introducir nuevas tecnologas,
servicios o modelos de negocio, para lo cual necesitan
construir una fortaleza financiera, tener servicio y
soporte, ventas y canales de distribucin. Supone una
apuesta en firme por su producto.
El hecho de que los visionarios se lleguen a convertir en
challengers o en lderes depende de cmo las empresas
acepten la nueva herramienta o tecnologa que ofrecen.

Pg. 70
Rivales
Los rivales o challengers tienen una
gran capacidad para establecerse. Son
empresas grandes con buenas
herramientas, que rivalizan directamente
con
las ofrecidas por los leaders.
Las grandes empresas pueden fluctuar
entre los proveedores Challengers y los
lderes segn sus ciclos de produccin o
segn un cambio en las necesidades
de la compaa.

Pg. 71
Jugadores del sector

Los niche players o jugadores del sector son proveedores que
tienen herramientas que se adaptan solamente a un nicho de
mercado, o bien son compaas con una capacidad limitada
para innovar o superar a otros proveedores. Esto puede ser
porque se centran en una funcionalidad o la regin geogrfica,
o acaban de llegar al mercado.
Las herramientas de estos proveedores pueden tener una
funcionalidad bastante amplia pero con escasa aplicacin y
capacidades de soporte y una lista de clientes relativamente
limitada. No tiene an visin de su producto.
No significa que las herramientas de estos proveedores sean
malas, depende de las necesidades de organizacin, una de
estas soluciones puede ser un ajuste perfecto para las
necesidades de los usuarios de la empresa cliente. Sin
embargo, si va en contra de la direccin del mercado puede
ser una eleccin arriesgada, porque su viabilidad a largo plazo
puede verse amenazada.

Pg. 72
Lderes
El sello distintivo de los lderes es que se centran
en invertir en sus herramientas hasta el punto que
lideran el mercado. Como resultado, los lderes
pueden convertirse en ejemplos a seguir y dan
directrices con sus productos al resto de
compaas de cmo debe ir evolucionando el
mercado.
Son empresas que poseen una gran trayectoria, y
disfrutan de una gran visibilidad en el mercado.
Los lderes suelen ser los proveedores de un
amplio nicho del mercado, ya que desarrollan los
requisitos generales del mismo. Sin embargo,
puede que no respondan a necesidades
especficas de empresas que necesiten una
herramienta ms especializada.

Pg. 73
Productos BI Cuadrante mgico de Gartner Group 01/2011
Qe considera Gartner group como virtudes de una herramienta BI, entre

otras muchas cosas que hay en el informe, destacamos:
BI tools must be simple, mobile and "fun" in order to expand use and value.
Intuitive, fun interfaces: BI business users are demanding the same

experience from their BI tools that they have come to enjoy with their
personal tools.
Mobile: The need for more intuitive and interactive BI tools and
applications extends to users on the go, but the vast majority of
organizations have yet to embrace mobile BI. But this is set to change
very quickly with the proliferation of Apple's iPhone and iPad products,
Business user data mashups (mezclar y desmenuzar): Business
user data mashup capabilities accelerate the analytic process and will
also extend

Pg. 74
Principales Productos BI
Microsoft SQL Server Analysis Services
QlikWiew
IBM Cognos
Oracle Business Intelligence Suite
MicroStrategy
SAS
Board International
Pentaho

Pg. 75
Microsoft SQL Server Analysis Services

Proporciona procesamiento analtico en lnea (OLAP) y minera de datos.
Se basa en una combinacin de tecnologas de servidor y cliente, reforzadas por el uso de un entorno de
desarrollo y administracin especializado
Modelo de objetos bien definido para disear, crear, implementar y mantener aplicaciones de Business
Intelligence

Pg. 76
Qlikview, principales caractersticas

Consolida datos tiles procedentes de mltiples fuentes en una sola
aplicacin
Explora las asociaciones entre los datos
Permite una toma de decisiones social a travs de una colaboracin
segura y en tiempo real
Visualiza los datos con unos grficos atractivos y tecnolgicamente
avanzados
Busca en la totalidad de datos, de forma directa e indirecta
Interacta con aplicaciones, cuadros de mando y anlisis interactivos
Accede, analiza y captura datos de dispositivos mviles

Pg. 77
Modelo Asociativo
Multifuente
Carga todos los datos en

memoria, quedando
relacionados y
permitiendo dar
respuesta a preguntas
que no estaban
preparadas
Visualiza Mapas
Accede a mximas
capacidades de
geoanlisis
Integra diferentes
orgenes de datos
Fcil de usar - Autoservicio
Grfico e intuitivo.
Enfocado a usuario
de negocio.
Bsqueda googleliana
Rpido despliegue
Busca la informacin
que necesitas con la
misma facilidad que lo
haces en google.
44% desplegaron
QlikView en 1 Mes
77% desplegaron
QlikView en 3 Meses
Multidispositivo
Sin licencias ni
desarrollos adicionales.
Data discovery
BI dirigido por el usuario

que da ms valor a la
facilidad de uso que a las
funcionalidades
Consultoria y
servicios
reducidos
TCO bajo
ROI Inmediato
Pg. 78
Introduccin a la familia IBM Cognos 10

BI al alcance de todos
Toma de decisiones con todos

los productos
Definido para el tamao de su
organizacin
Construido
para
proteger
inversiones en el futuro
La nica solucin integrada de Reporting, Anlisis y Planificacin diseada

especficamente para PYMES

Pg. 79
IBM Cognos
Sus productos se engloban en cuatro reas
concretas
Cuadros de indicadores y cuadros de mando
Monitoriza el rendimiento con cuadros de mando y
mtricas fciles de utilizar.
Reporting y Anlisis
Convierte la estrategia en planes, presupuestos y
previsiones liderados por Finanzas con una alta
participacin de toda la organizacin.
Planificacin, presupuestos y previsin empresarial
Crea y distribuye planes, presupuestos y previsiones.
Consolidacin, reporting y anlisis financieros
Genera informes y analiza datos financieros
multidimensionales y relacionales para obtener mejores
resultados.

Pg. 80
IBM Cognos
MicrosQuery and Reporting. Comprehensive query and reporting capabilities to make

smarter decisions.
Analysis. Analysis for everyone.
Scorecarding. At-a-glance information to successfully link strategy to operations.
Dashboarding. High-impact information presentation to monitor, measure and manage

corporate performance.
Real-time Monitoring. Up-to-the second, relevant information within the context of your BI
information.
Statistics. Statistical analysis incorporated into your business reporting.
Planning and Budgeting. High-performance enterprise planning software for budgeting,
forecasting and analysis.
Extending BI. Convenient methods for delivering business intelligence to a wider audience.
Collaborative BI. Modern tools for collaborating, building stronger teams and stimulating
better decisions.

Pg. 81

Principales Caractersticas:
Comprehensive BI functionality built on a unified infrastructure Reduce cost and

increase productivity with a common infrastructure for producing and delivering
enterprise reports, scorecards, dashboards, ad hoc analysis, and OLAP analysis
Powerful user experience Increase user adoption with a powerful, task-oriented
navigation framework. Features such as rich visualization, interactive dashboards, a
vast range of animated charting options, OLAP style interactions and innovative
search and actionable collaboration capabilities deliver an unrivaled end-user
experience
Unified business model Ensure that all metrics, calculations and definitions are
uniformly consistent to provide better alignment and visibility across the organization
Hot-Pluggable Integrate with all popular extraction, transformation and load tools,
databases, business applications, application servers, security tools, enterprise
portals, and desktop tools
Best-in-class scalability, reliability and performance Optimize performance while
simplifying systems configuration and lifecycle management. An integrated systems
management console provides superior scalability, high availability, and security
benefits, while making upgrades and systems management effortless

Pg. 82

Pg. 83
SAS Enterprise BI Server
Portal and customizable dashboards
Business visualization
Web and desktop reporting
Microsoft Office integration
Query and analysis
OLAP storage and OLAP data exploration interface
Business metadata management
Flexible deployment options
Guided analysis and model development
Applications development

Pg. 84
Board international
Especialistas en BI y CPM (Corporate Performance Management)
BI
Generacin de informes
Anlisis
Dashboards
Scorecards
CPM
Presupuestos, planificacin y previsiones
Anlisis de rentabilidad
Gestin de la estrategia
Informes establecidos por ley

Pg. 85
Board international

Pg. 86
Pentaho
Solucin de cdigo abierto
Pentaho Data Integration - Cleanse and integrate data wherever it exists

Pentaho Reporting - Access data and deliver information to the
organization
Pentaho Analysis - Explore and analyze data interactively with rapid

response
Pentaho Dashboards - Get immediate visibility into metrics and KPIs
Pentaho Data Mining - Discover hidden patterns and indicators of future

performance

Pg. 87
SAP Business Objects PORTFOLIO

Pg. 88
SAP Business Objects. LANDSCAPE DE PRODUCTOS SAP BI. 2011

Pg. 89
SAP Business Objects. PRINCIPALES COMPONENTES. 2011

BO proporciona toda la informacin en el formato preferido por
el usuario.

Pg. 90
SAP Business Objects. Fuentes de informacin y Clientes.

Objetivo de la plataforma SAP Busimess Objects BI Platform

Pg. 91
SAP Business Objects. Fuentes de informacin y Clientes.

Usos de la plataforma BI segn perfiles de usuario.

Pg. 92

222 SAP BI 2014 Introducción A BI. Componentes de Business Intelligence - Esteve - Casanovasv2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

222 SAP BI 2014 Introducción A BI. Componentes de Business Intelligence - Esteve - Casanovasv2

Uploaded by

Copyright:

Available Formats

SAP-BI

Plataforma SAP para Business Intelligence

SAP-BI. Plataforma SAP para

SAP-BI. Plataforma SAP para

Captulo 1 Datos, Informacin, Conocimiento.

SAP-BI. Plataforma SAP para

Captulo 1 Datos, Informacin, Conocimiento.

SAP-BI. Plataforma SAP para

Captulo 1 Datos, Informacin, Conocimiento. Definiciones

SAP-BI. Plataforma SAP para

Captulo 1 Datos, Informacin, Conocimiento

SAP-BI. Plataforma SAP para

Captulo 1 Datos, Informacin, Conocimiento

Qu clientes visitan nuestra

% xito de las campaas

Productos que salen

Nmero de pedidos retrasados

diariamente del almacn

Fuente : Deloitte & Touche

SAP-BI. Plataforma SAP para

Captulo 2 Calidad del dato

1. Precisin: Los datos deben representar con

SAP-BI. Plataforma SAP para

Captulo 2 Calidad del dato

En contra partida las ganancias que aportan

- Incrementos en la satisfaccin de los

Tiempo extra para conciliar los datos.

SAP-BI. Plataforma SAP para

Captulo 3 Modelo relacional

SAP-BI. Plataforma SAP para

Captulo 3 Modelo relacional

SAP-BI. Plataforma SAP para

Captulo 4 Conceptos de bases de datos multidimensionales

Los datos son extrados desde aplicaciones, bases de datos,

SAP-BI. Plataforma SAP para

Captulo 5 Modelo Multidimensional. Conceptos de Hecho y Dimensin

Hecho: una operacin que se realiza en el negocio en un tiempo

SAP-BI. Plataforma SAP para

Captulo 5 Modelo Multidimensional. Conceptos de Hecho y Dimensin

SAP-BI. Plataforma SAP para

Captulo 6 Modelo Multidimensional. Concepto de indicador KPI

SAP-BI. Plataforma SAP para

Captulo 6 Modelo Multidimensional. Concepto de indicador KPI

SAP-BI. Plataforma SAP para

Captulo 6 Modelo Multidimensional. Ejemplo KPIs

Retail Financial KPIs

1. Sales per hour Statically compares one sales person

1. Accounts Payable Turnover = Avg Accts Payable / (Cost of Sales / 365)

The basic KPI a retailer

SAP-BI. Plataforma SAP para

Retail Customer KPIs

Captulo 7 Componentes y tipos de una base de datos multidimensional

Una base de datos multidimensional se forma mediante

Esquema en Estrella (Star Scheme).

SAP-BI. Plataforma SAP para

SAP-BI. Plataforma SAP para

SAP-BI. Plataforma SAP para

Ilustracin esquema en estrella

SAP-BI. Plataforma SAP para

Esquema copo de nieve

Es una estructura ms compleja que el esquema en estrella.

Tiene dimensiones implementadas con ms de una tabla de datos

Minimiza el espacio en disco.