La minería de datos, las herramientas OLAP, junto con los Data Warehouses y Data Marts, entre otros, son algunos de los elementos fundamentales de la Inteligencia de Negocio (BI), reconocida como una de las máximas prioridades actuales de los CIO’s de todo el mundo, debido al valor estratégico e impacto que genera en las empresas.

Por definición, la inteligencia de negocios (BI) busca explorar información y analizarla para obtener nuevos conocimientos que permitan mejorar la gestión de las empresas y organizaciones. Para lograrlo, se requiere de la implementación de software, traducido en diversas herramientas y técnicas de extracción y estructuración de los datos.

Sin embargo, la implementación de la BI no es una tarea sencilla, puesto que supone desafíos que involucran no sólo aspectos técnicos sino también de negocios. Esto significa que las herramientas de software no sirven de nada si no existe una misión y objetivos claros y si no se cuenta con datos confiables.

Por ello, un desafío clave asociado al éxito de una implementación de BI será superar los errores que afectan la calidad de la información, ya que de ello dependerá, en definitiva, el que brinde frutos positivos. En esta tarea, que puede ser muy ardua, habrá que identificar los datos inapropiados, duplicados, inconsistentes, perdidos y erróneos a través de un diagnóstico riguroso que permita posteriormente efectuar su validación y depuración.

En cuanto a la implementación misma, primero se debe establecer los requerimientos del negocio, es decir, determinar qué información es relevante, quiénes la necesitarán y para qué. Al mismo tiempo, se debe establecer cómo se estructurará dicha información y cuáles serán las fuentes desde donde se extraerán los datos. En el caso implementar un sistema orientado a la alta gerencia, asimismo, se requerirá identificar los indicadores clave de desempeño (KPI), así como establecer criterios y objetivos estratégicos para el negocio.

Valor Estratégico

Tradicionalmente, el BI ha sido visto como una herramienta para distribuir información, sin embargo, hoy está tomando un rol más estratégico, siendo considerado por los especialistas como una herramienta fundamental para la transformación del negocio, para innovar y generar ventajas competitivas. Para ello, en los próximos años los proyectos de este tipo apuntarán más decididamente a llevar información de valor a un mayor número de miembros de la organización y a visualizarlas como un apoyo a la interconexión con clientes, proveedores y socios de negocios.

En ese contexto, si la alta gerencia ha comprendido la importancia y el valor estratégico del BI, en lo sucesivo otras áreas de la organización, como la de TI, deberán asumir también un rol más proactivo en este campo. De hecho, según International Data Corp. (IDC), actualmente la inteligencia de negocios representa la primera prioridad de los CIO (Chief Information Officer), ejecutivos cuya misión es representar un puente más directo entre las necesidades del negocio y el área de tecnología.

Ese nivel de prioridad tiene un correlato directo con los resultados, ya que las soluciones de BI ofrecen un altísimo ROI (Retorno sobre la Inversión). En efecto, IDC calcula que estas herramientas pueden generar un 431% de ROI en cinco años, mientras que más del 60% pueden "autopagarse" en sólo dos años.

Herramientas Esenciales

Una solución de BI incluye la implementación de una serie de herramientas y técnicas orientadas a gestionar, explotar, distribuir y estructurar información. Entre ellas, destacan las siguientes:

Query & Report

Las herramientas de Query (consulta) y Report (reporte) son quizá las más conocidas en este ámbito, ya que son fundamentales para el desarrollo y manejo de listados e informes basados en la información presente en los almacenes de datos y Data Marts.

Data Warehouse

Un Data Warehouse (DW) o almacén de datos es una colección de datos que es extraída desde diferentes fuentes de información a lo largo de la empresa (bases de datos departamentales, intranet, sistemas transaccionales, etc.) con la finalidad de permitir la realización de consultas y análisis, fundamentalmente, para ayudar a la toma de decisiones.

Un sistema de DW apunta a disponer de una visión única de los clientes y proveer la mayor cantidad posible de información a los usuarios de la empresa, facilitándose el monitoreo del negocio.

Los datos del DW poseen algunas cualidades fundamentales. La primera de ellas es que están orientados a temas, diferenciándose así de los sistemas transaccionales que estructuran los datos en procesos funcionales. Por otro lado, se trata de datos integrados, es decir, están consolidados, lo cual supone un proceso previo de depuración y homogeneización, etapa que puede ser una de las más complejas al implementar un DW.

Por último, los datos son historiados, ya que mantienen el registro histórico de sus valores, lo cual redunda en que, a diferencia de los sistemas transaccionales, no sean “volátiles”.

Data Mart

Aunque para algunos se trata casi de un sinónimo de Data Warehouse, un Data Mart o cubo de datos puede entenderse como un subconjunto del repositorio de datos, que se orienta a un área específica del negocio, como recursos humanos, ventas o marketing, por ejemplo. En otras palabras, un Data Mart corresponde a un almacén de datos más restringido que un DW en cuanto al volumen de datos que contiene y al alcance dentro de la organización.

Desde ese punto de vista, se trata de un repositorio que requiere menores costos y tiempo para construirse respecto de un DW, teniendo en común el que ambos permiten la realización de consultas, a través del uso de las herramientas OLAP.

Herramientas OLAP

OLAP (On Line Analytical Processing) son un conjunto de herramientas capaces de responder rápida y ágilmente a las solicitudes de información de los usuarios y que deben reflejar cualquier lógica de negocio por las que se consulte.

En contraste con los sistemas transaccionales, OLTP (On Line Transaction Processing), las herramientas OLAP presentan información multidimensional, es decir, desde múltiples perspectivas. Del mismo modo, los sistemas analíticos, al igual que los datos del Data Warehouse, están orientados a temas, y no sólo operan con datos actuales, sino también con datos históricos.

Una de las principales cualidades de las herramientas de OLAP es identificar tendencias, es decir, permiten apoyar la toma decisiones considerando diversas variables, así como también permiten identificar cambios en las preferencias de los clientes. Sin embargo, aunque pueden responder consultas complejas y ratificar información, lo hacen siempre dependiendo del usuario, que es quien define las relaciones a considerar.

Data Mining

El Data Mining (DM) o minería de datos es una técnica orientada a extraer información desde grandes volúmenes de datos y corresponde a una de las claves de la inteligencia de negocios. El DM es un proceso conocido como KDD (Knowledge Discovery in Databases) que consta de tres fases: preparación de los datos, extracción de información e interpretación de los resultados.

Normalmente, el DM se realiza con las llamadas “técnicas de verificación” -en donde se prueba una hipótesis del usuario- y los “métodos de descubrimiento” -búsqueda de patrones (incluyendo las técnicas de predicción)-. Lo anterior se traduce en análisis exploratorios, los cuales se apoyan en herramientas de visualización de datos y construcción de modelos, con el objetivo de realizar predicciones utilizando los patrones detectados en los datos conocidos con información del pasado. De allí que el DM no es una herramienta orientada sólo a las asociaciones estadísticas, sino una tecnología que es fundamentalmente prospectiva, esto es, que permite descubrir nuevos factores, tendencias y asociaciones desconocidas previamente, llegando incluso a ser predictiva.