Sistemas Administrativos y Contables
|
Business Intelligence
| Indice
Indice 1
Business Intelligence 2
Data Warehousing 3
MicroStrategy 11
Business Intelligence
Se conoce como Business Intelligence (BI) al proceso de transformar los datos de las empresas en información útil para tomar decisiones de negocio. Es la respuesta que la tecnología ofrece para apoyar a los decisores de las empresas en la generación y obtención de información relevante, en el momento apropiado, en el lugar correcto, para evaluar indicadores de negocio, permitiéndoles tomar decisiones de una manera más profesional y justificable.
Cuando se clasifican las diferentes necesidades de análisis de información que existen en las organizaciones, claramente surgen cinco estilos diferentes de análisis conceptualizados en cinco perfiles de usuarios:
Usuarios con necesidad de análisis con posibilidades de llegar a nivel transaccional. Por ejemplo, para analizar información sobre afinidad de productos, información sobre determinados clientes, logística de envíos, etc.
Usuarios con análisis muy sumarizados y altamente repetitivos. Por ejemplo, seguimiento de presupuesto y planeamiento, análisis de demanda, monitoreo de KPIs, etc.
Usuarios de alertas y excepciones. Por ejemplo, aviso sobre cumplimiento de cuota a vendedores, envío de perfil de prospects antes de visita, aviso sobre estado de cuentas, etc.
Usuarios que buscan patrones de comportamiento entre los datos de forma automática. Por ejemplo, para detectar patrones en análisis crediticios, de riesgos, contratación de pólizas y análisis impositivos.
Usuarios de informes y consultas. Por ejemplo, análisis financieros, balances, estado de resultados, informes a casa matriz, administración de inventario, informes de ventas, etc.
Acorde a la clasificación de los cinco estilos de BI, existen en la industria 5 mercados claramente definidos de Business Intelligence.
ROLAP (Relational On Line Analytical Processing): Análisis de grandes volúmenes de información con posibilidades de almacenamiento a nivel detallado.
MOLAP (Multidimensional On Line Analytical Processing): Análisis de volúmenes de información reducido a nivel sumarizado.
Broadcasting: Envío de información de forma proactiva a dispositivos como celulares, emails, PDAs y pagers.
Data Mining: Búsqueda automatizada de patrones de comportamiento en entre los datos.
Enterprise Reporting: Confección de informes y consultas acotadas con buena presentación final.
Como vemos, las organizaciones tienen cinco perfiles de análisis y las deberá ir cubriendo de forma ordenada y metodológica con cada una de las tecnologías existentes. Independientemente de la tecnología y la metodología utilizada, toda implementación de BI debe buscar implementarse sobre una plataforma (BI Enterprise Platform). Una plataforma de BI es un conjunto de componentes que interactúan entre sí permitiendo incorporar los cinco estilos de BI de forma adecuada aprovechando al máximo las definiciones ya realizadas hasta el momento. Algunas implementaciones de BI no son plataforma y por lo tanto son simples productos que interactúan pobremente entre ellos sin posibilidad de obtener una solución integral que permite ver a la información de la compañía como un todo y trabajar con una única verdad de datos.
La fuente de información de cualquier herramienta de Business Intelligence es un Data Warehouse, que es además el concepto que dió origen a BI. Es por ello que vamos a analizar las caracterísiticas de un DW.
Data Warehousing
Desde que se inició la era de la computadora, las organizaciones han usado los datos desde sus sistemas operacionales para atender sus necesidades de información. Algunas proporcionan acceso directo a la información contenida dentro de las aplicaciones operacionales. Otras, han extraído los datos desde sus bases de datos operacionales para combinarlos de varias formas no estructuradas, en su intento por atender a los usuarios en sus necesidades de información.
Ambos métodos han evolucionado a través del tiempo y ahora las organizaciones manejan datos no limpios e inconsistentes, sobre los cuales, en la mayoría de las veces, se toman decisiones importantes.
La gestión administrativa reconoce que una manera de elevar su eficiencia está en hacer el mejor uso de los recursos de información que ya existen dentro de la organización. Sin embargo, a pesar de que esto se viene intentando desde hace muchos años, no se tiene todavía un uso efectivo de los mismos.
La razón principal es la manera en que han evolucionado las computadoras, basadas en las tecnologías de información y sistemas. La mayoría de las organizaciones hacen lo posible por conseguir buena información, pero el logro de ese objetivo depende fundamentalmente de su arquitectura actual, tanto de hardware como de software.
El data warehouse, es actualmente, el centro de atención de las grandes instituciones, porque provee un ambiente para que las organizaciones hagan un mejor uso de la información que está siendo administrada por diversas aplicaciones operacionales.
Un data warehouse es una colección de datos en la cual se encuentra integrada la información de la Institución y que se usa como soporte para el proceso de toma de decisiones gerenciales.
Reunir los elementos de datos apropiados desde diversas fuentes de aplicación en un ambiente integral centralizado, simplifica el problema de acceso a la información y en consecuencia, acelera el proceso de análisis, consultas y el menor tiempo de uso de la información.
Las aplicaciones para soporte de decisiones basadas en un data warehousing, pueden hacer más práctica y fácil la explotación de datos para una mayor eficacia del negocio, que no se logra cuando se usan sólo los datos que provienen de las aplicaciones operacionales (que ayudan en la operación de la empresa en sus operaciones cotidianas), en los que la información se obtiene realizando procesos independientes y muchas veces complejos.
Un data warehouse se crea al extraer datos desde una o más bases de datos de aplicaciones operacionales. La data extraída es transformada para eliminar inconsistencias y resumir si es necesario y luego, cargadas en el data warehouse. Este nuevo enfoque ayuda a las personas individuales, en todos los niveles de la empresa, a efectuar su toma de decisiones con más responsabilidad.
La innovación de la Tecnología de Información dentro de un ambiente data warehousing, puede permitir a cualquier organización hacer un uso más óptimo de los datos, como un ingrediente clave para un proceso de toma de decisiones más efectivo. Las organizaciones tienen que aprovechar sus recursos de información para crear la información de la operación del negocio, pero deben considerarse las estrategias tecnológicas necesarias para la implementación de una arquitectura completa de data warehouse.
INTRODUCCION AL CONCEPTO DATA WAREHOUSING
Data warehousing es el centro de la arquitectura para los sistemas de información. Soporta el procesamiento informático al proveer una plataforma sólida, a partir de los datos históricos para hacer el análisis. Facilita la integración de sistemas de aplicación no integrados. Organiza y almacena los datos que se necesitan para el procesamiento analítico, informático sobre una amplia perspectiva de tiempo.
Un Data Warehouse o Depósito de Datos es una colección de datos orientado a temas, integrado, no volátil, de tiempo variante, que se usa para el soporte del proceso de toma de decisiones gerenciales.
Se puede caracterizar un data warehouse haciendo un contraste de cómo los datos de un negocio almacenados en un data warehouse, difieren de los datos operacionales usados por las aplicaciones de producción.
Base de Datos Operacional
|
Data Warehouse
|
Datos Operacionales
|
Datos del negocio para Información
|
Orientado a la aplicación
|
Orientado al sujeto
|
Actual
|
Actual + histórico
|
Detallada
|
Detallada + más resumida
|
Cambia continuamente
|
Estable
| Diferentes tipos de información
El ingreso de datos en el data warehouse viene desde el ambiente operacional en casi todos los casos. El data warehouse es siempre un almacén de datos transformados y separados físicamente de la aplicación donde se encontraron los datos en el ambiente operacional.
Sistemas de información
Los sistemas de información se han dividido históricamente en Sistemás Estratégicos, Sistemas Tácticos y Sistemas Técnico-Operativos
Sistemas Estratégicos, orientados a soportar la toma de decisiones, facilitan la labor de la dirección, proporcionándole un soporte básico, en forma de mejor información, para la toma de decisiones. Se caracterizan porque son sistemas sin carga periódica de trabajo, es decir, su utilización no es predecible, al contrario de los casos anteriores, cuya utilización es periódica.
Destacan entre estos sistemas: los Sistemas de Información Gerencial (MIS), Sistemas de Información Ejecutivos (EIS), Sistemas de Información Georeferencial (GIS), Sistemas de Simulación de Negocios (BIS y que en la práctica son sistemas expertos o de Inteligencia Artificial-AI).
Sistemas Tácticos, diseñados para soportar las actividades de coordinación de actividades y manejo de documentación, definidos para facilitar consultas sobre información almacenada en el sistema, proporcionar informes y, en resumen, facilitar la gestión independiente de la información por parte de los niveles intermedios de la organización. Entre ellos podemos mencionar sistemas de transmisión de mensajería, sistemas de coordinación y control de tareas (herramientas de work flow) y sistemas que facilitan el tratamiento de documentos.
Sistemas Técnico-Operativos, que cubren el núcleo de operaciones tradicionales de captura masiva de datos (Data Entry) y servicios básicos de tratamiento de datos, con tareas predefinidas (contabilidad, facturación, almacén, presupuesto, personal y otros sistemas administrativos). Estos sistemas están evolucionando con la irrupción de bases de datos relacionales más avanzadas y data warehousing.
Sin embargo, la tecnología data warehousing basa sus conceptos y diferencias entre dos tipos fundamentales de sistemas de información en todas las organizaciones: los sistemas técnico-operacionales y los sistemas de soporte de decisiones. Este último es la base de un data warehouse.
Sistemas técnico-operacionales
Como indica su nombre, son los sistemas que ayudan a manejar la empresa con sus operaciones cotidianas. Estos son los sistemas que operan sobre el “backbone” (columna vertebral) de cualquier empresa o institución, entre las que se tiene sistemas de ingreso de órdenes, inventario, fabricación, planilla y contabilidad, entre otros.
Debido a su volumen e importancia en la organización, los sistemas operacionales siempre han sido las primeras partes de la empresa a ser computarizados. A través de los años, estos sistemas operacionales se han extendido, revisado, mejorado y mantenido al punto que hoy, ellos son completamente integrados en la organización.
Desde luego, la mayoría de las organizaciones grandes de todo el mundo, actualmente no podrían operar sin sus sistemas operacionales y los datos que estos sistemas mantienen.
Sistemas de Soporte de Decisiones
Por otra parte, hay otras funciones dentro de la empresa que tienen que ver con el planeamiento, previsión y administración de la organización. Estas funciones son también críticas para la supervivencia de la organización, especialmente en nuestro mundo de rápidos cambios.
Las funciones como “planificación de marketing”, “planeamiento de ingeniería” y “análisis financiero”, requieren, además, de sistemas de información que los soporte. Las funciones basadas en el conocimiento son los sistemas de soporte de decisiones.
Estos sistemas están relacionados con el análisis de los datos y la toma de decisiones, frecuentemente, decisiones importantes sobre cómo operará la empresa, ahora y en el futuro. Estos sistemas no sólo tienen un enfoque diferente al de los operacionales, sino que, por lo general, tienen un alcance diferente.
Son estos sistemas sobre los se que basa la tecnología data warehousing.
Características de un Data Warehouse
Entre las principales se tiene:
Orientado al tema
Integrado
De tiempo variante
No volátil
Orientado a Temas
Una primera característica del data warehouse es que la información se clasifica en base a los aspectos que son de interés para la empresa. Siendo así, los datos tomados están en contraste con los clásicos procesos orientados a las aplicaciones.
El ambiente operacional se diseña alrededor de las aplicaciones y funciones tales como préstamos, ahorros, tarjeta bancaria y depósitos para una institución financiera. Por ejemplo, una aplicación de ingreso de órdenes puede acceder a los datos sobre clientes, productos y cuentas. La base de datos combina estos elementos en una estructura que acomoda las necesidades de la aplicación.
En el ambiente data warehousing se organiza alrededor de sujetos tales como cliente, vendedor, producto y actividad. Por ejemplo, para un fabricante, éstos pueden ser clientes, productos, proveedores y vendedores. Para una universidad pueden ser estudiantes, clases y profesores. Para un hospital pueden ser pacientes, personal médico, medicamentos, etc.
La alineación alrededor de las áreas de los temas afecta el diseño y la implementación de los datos encontrados en el data warehouse. Las principales áreas de los temas influyen en la parte más importante de la estructura clave.
Las diferencias entre la orientación de procesos y funciones de las aplicaciones y la orientación a temas, radican en el contenido de la data a nivel detallado. En el data warehouse se excluye la información que no será usada por el proceso de sistemas de soporte de decisiones, mientras que la información de las orientadas a las aplicaciones, contiene datos para satisfacer de inmediato los requerimientos funcionales y de proceso, que pueden ser usados o no por el analista de soporte de decisiones.
Integración
El aspecto más importante del ambiente data warehousing es que la información encontrada al interior está siempre integrada.
La integración de datos se muestra de muchas maneras: en convenciones de nombres consistentes, en la medida uniforme de variables, en la codificación de estructuras consistentes, en atributos físicos de los datos consistentes, fuentes múltiples y otros.
Convenciones de nombre consistentes: Distintos usuarios de las diversas fuentes de datos que alimentan a un data warehouse puede referirse a un mismo concepto en formas diferentes. Dentro del data warehouse, se asegura de llamar a un mismo objeto de una única manera, generalmente en términos que entienda el usuario
Medida uniforme de variables: En forma similar a la convención de nombres, la información a integrar puede estar en diferentes medidas (por ejemplo, en metros cúbicos, kilogramos, onzas, etc.). En un data warehouse, los datos deben ser consistentes.
Codificación: Otra forma de integración posible hace referencia a mantener una única nomenclatura. Por ejemplo, una aplicación puede utilizar las letras ‘M’ y ‘F’ para almacenar el sexo de una persona. Otra aplicación puede utilizar números enteros. Un data warehouse que integre estas dos aplicaciones debe tener una única forma de referirse al género.
El mismo elemento puede derivarse desde fuentes múltiples. En este caso, el proceso de transformación debe asegurar que la fuente apropiada sea usada, documentada y movida al depósito. Cualquiera que sea la forma del diseño, el resultado es el mismo - la información necesita ser almacenada en el data warehouse en un modelo globalmente aceptable y singular, aun cuando los sistemas operacionales subyacentes almacenen los datos de manera diferente.
Para realizar todo este tipo de integraciones es preciso contar con un proceso de Extracción, Transformación y Carga (ETL) que tome los datos de las fuentes transaccionales y las almacene en el data warehouse de una forma consistente.
De Tiempo Variante
Toda la información del data warehouse es requerida en algún momento. Esta característica básica de los datos en un depósito, es muy diferente de la información encontrada en el ambiente operacional. En éstos, la información se requiere al momento de acceder. En otras palabras, en el ambiente operacional, cuando usted accede a una unidad de información, usted espera que los valores requeridos se obtengan a partir del momento de acceso.
Como la información en el data warehouse es solicitada en cualquier momento (es decir, no “ahora mismo”), los datos encontrados en el depósito se llaman de “tiempo variante”. La información almacenada en un data warehouse corresponde a un horizonte largo de tiempo - desde cinco a diez años. El horizonte de tiempo representado para el ambiente operacional es mucho más corto - desde valores actuales hasta sesenta a noventa días.
No Volátil
La información es útil sólo cuando es estable. Los datos operacionales cambian sobre una base momento a momento. La perspectiva más grande, esencial para el análisis y la toma de decisiones, requiere una base de datos estable.
La diferencia primordial en este aspecto entre un ambiente operacional y un data warehouse es que, mientras que en el primero hay una gran cantidad de inserciones, modificaciones y borrado de datos, en el segundo solamente se realizan inserciones. Además, mientras que en un ambiente operacional las actualizaciones se realizan de manera constante (en cualquier instante durante su operación) y en forma granular (cada transacción se almacena a medida que ocurre), en un data warehouse los datos se cargan esporádica y masivamente, durante el proceso ETL.
Esta característica, permite al administrador de un data warehouse realizar tareas que mejoren la performance del mismo.
Extracción, Transformación y Carga de los Datos
Se requieren herramientas de gestión de datos para extraer datos desde bases de datos y/o archivos operacionales, luego es necesario manipular o transformar los datos antes de cargar los resultados en el data warehouse.
Tomar los datos desde varias bases de datos operacionales y transformarlos en datos requeridos para el depósito, se refiere a la transformación o a la integración de datos. Las bases de datos operacionales, diseñadas para el soporte de varias aplicaciones de producción, frecuentemente difieren en el formato.
Los mismos elementos de datos, si son usados por aplicaciones diferentes o administrados por diferentes software DBMS, pueden definirse al usar nombres de elementos inconsistentes, que tienen formatos inconsistentes y/o ser codificados de manera diferente. Todas estas inconsistencias deben resolverse antes que los elementos de datos sean almacenados en el data warehouse.
Software en un data warehouse
La información estratégica sobre clientes importantes o un exitoso lanzamiento de producto, se almacena en gigabytes de datos de marketing o índice de transacciones de venta. Esa información debe ser extraída de alguna forma para la toma de decisiones.
En este caso se necesita software especializado que permita capturar los datos relevantes en forma rápida y pueda verse a través de diferentes dimensiones de los datos. El software no debería limitarse únicamente al acceso a los datos, si no también, al análisis significativo de los datos. En efecto, transformar los datos de la información cruda o no procesada, en información útil para la empresa.
Los softwares o herramientas de negocios inteligentes (BI: Business Intelligence) se colocan sobre la plataforma data warehousing y proveen este servicio. Debido a que son el punto principal de contacto entre la aplicación del depósito y la gente que lo usa, estas herramientas pueden constituir la diferencia entre el éxito o fracaso de un depósito.
Los software usados en un data warehouse se clasifican en Herramientas de Consulta y Reporte, Herramientas de Base de Datos Multidimensionales/OLAP (On Line Analytical Processing), Sistemas de Información Ejecutivos y Herramientas Data Mining.
Herramientas de Consulta y Reporte
Existe una gran cantidad de poderosas herramientas de consulta y reporte en el mercado. Algunos proveedores ofrecen productos que permiten tener más control sobre qué procesamiento de consulta es hecho en el cliente y qué procesamiento en el servidor.
Las más simples de estas herramientas son productos de reporte y consultas básicas. Ellos proporcionan desde pantallas gráficas a generadores SQL (o más preciso, generadores de acceso-llamada a base de datos).
Más que aprender SQL o escribir un programa para acceder a la información de una base de datos, las herramientas de consulta al igual que la mayoría de herramientas visuales, le permiten apuntar y dar un click a los menús y botones para especificar los elementos de datos, condiciones, criterios de agrupación y otros atributos de una solicitud de información.
La herramienta de consulta genera entonces un llamado a una base de datos, extrae los datos pertinentes, efectúa cálculos adicionales, manipula los datos si es necesario y presenta los resultados en un formato claro.
Se puede almacenar las consultas y los pedidos de reporte para trabajos subsiguientes, como está o con modificaciones. El procesamiento estadístico se limita comúnmente a promedios, sumas, desviaciones estándar y otras funciones de análisis básicas.
Para hacer consultas más accesibles a usuarios no-técnicos, los productos tales como Crystal Reports de Seagate, Impromptu de Cognos, Reportsmith de Borland, Intelligent Query de IQ Software, Esperant de Software AG y GQL de Andyne, ofrecen interfases gráficas para seleccionar, arrastrar y pegar.
Herramientas OLAP
Los generadores de reporte tienen sus limitaciones cuando los usuarios finales necesitan más que una vista estática de los datos, que no sean sujeto de otras manipulaciones. Para estos usuarios, las herramientas del procesamiento analítico en línea (OLAP - On Line Analytical Processing), proveen capacidades “Slide y Dice”.
Las primeras soluciones OLAP estuvieron basadas en bases de datos multidimensionales (MDDBS). Algunos proveedores ofrecen ahora la técnica OLAP relacional (Relational On Line Analytical Processing - ROLAP), que explora y opera en el data warehouse directamente usando llamadas SQL estándares. Las herramientas de pantallas permiten retener los pedidos multidimensionales, pero el motor ROLAP transforma las consultas en rutinas SQL. Entonces se recibe los resultados tabulados como una hoja de cálculos multidimensional o en alguna otra forma que soporte rotación, drilling down y reducción.
Los administradores ROLAP deben afrontar algunas veces las tareas (agobiantes) de desarrollar las rutinas SQL para agregar e indexar los datos ROLAP, así como, asegurar la traducción correcta de los pedidos multidimensionales en la ventana de comandos SQL.
Lo bueno es que estas tecnologías evolucionan rápidamente y/o pueden proveer una pronta solución OLAP. Algunos productos ejemplos son PowerPlay de Cognos, Business Objects con el software del mismo nombre, Brio Query de Brio Technology y una serie de DSS Agent/DSS Server de MicroStrategy.
Los retos administrativos y de desarrollo de OLAP, a diferencia de las encontradas con las herramientas de consulta y reporte, son generalmente más complejos. Definiendo el OLAP y el software de acceso a los datos, se requiere un claro entendimiento de los modelos de datos de la corporación y las funciones analíticas requeridas por ejecutivos, gerentes y otros analistas de datos.
Sistemas de Información Ejecutivos
Las herramientas de sistemas de información ejecutivos (Executive Information Systems - EIS), proporcionan medios sumamente fáciles de usar para consulta y análisis de la información confiable. Generalmente se diseñan para el usuario que necesita conseguir los datos rápidamente, pero quiere utilizar el menor tiempo posible para comprender el uso de la herramienta.
El precio de esta facilidad de uso es que por lo general existen algunas limitaciones sobre las capacidades analíticas disponibles con el sistema de información ejecutivo. Además, muchas de las herramientas de consulta/reporte y OLAP/multidimensional, pueden usarse para desarrollar sistemas de información ejecutivos.
El concepto de sistema de información ejecutivo es simple: los ejecutivos no tienen mucho tiempo, ni la habilidad en muchos casos, para efectuar el análisis de grandes volúmenes de datos. El EIS presenta vistas de los datos simplificados, altamente consolidados y mayormente estáticas.
La forma más común de EIS es el llamado centro de comandos, tablero de control, o balanced scorecard. En él se presentan en forma gráfica y altamente sumarizada los indicadores clave del negocio (KPI: Key Performance Indicator). Existe toda una teoría acerca de cómo debe realizarse un tablero de control. Básicamente, debe ser capaz de mostrar, en forma rápida y visual, la evolución de una compañía, y debe poder ser operado por usuarios de escaso conocimiento técnico.
Herramientas de data mining
Data mining es una categoría de herramientas de análisis open-end. En lugar de hacer preguntas, se toma estas herramientas y se pregunta algo “interesante”, una tendencia o una agrupación peculiar, por ejemplo. El proceso de data mining extrae los conocimientos guardados o información predictiva desde el data warehouse sin requerir pedidos o preguntas específicas. Una herramienta de data mining es capaz de obtener tendencias, agrupaciones de datos, y de identificar qué variables inciden más fuertemente en cuáles. Por ejemplo, tomando como base las compras en un supermercado, una herramienta de este tipo debe ser capaz de analizar que productos se venden juntos, cuales no, obtener tendencias, y reconocer grupos de productos.
Para contar con un cierto grado de confianza en sus conclusiones, y debido a su carácter estadístico, esta clase de herramientas requieren de grandes volúmenes de información, y de ahí su estrecha vinculación con data warehousing.
Las herramientas Mining usan algunas de las técnicas de computación más avanzadas como:
redes neuronales,
detección de desviación,
modelamiento predictivo y
programación genética,
para generar modelos y asociaciones. Mining es un dato-conducido, no una aplicación-conducida.
El Intelligent Miner de IBM para AIX soporta sofisticadas técnicas mining, así como las funciones de preparación de los datos para extraer información desde bases de datos Oracle o Sybase y cargarlos en DB2 para mining. Con su opción Data Mine para el motor Red Brick Warehouse 5.0, Red Brick integra la funcionalidad de un data mining y la arquitectura de almacenamiento.
Otros ejemplos de herramientas data mining comerciales incluyen Darwin de Thinking Machines, herramientas de visualización de datos en MDDB de SAS Institute, SGI MineSet y Focus 6 Serie de Visualización y Análisis de Information Builders.
A continuación evaluaremos una herramienta de tipo OLAP, que permite crear Sistemas de Información Gerencial: MicroStrategy 7i.
MicroStrategy
MicroStrategy es una empresa de origen norteamericano, que se dedica a la venta de productos y servicios relacionados con Business Intelligence. Cuenta con 25 empleados en Argentina y alrededor de 900 en el mundo. Tiene presencia directa en 14 países y presencia a través de distribuidores en 40 países.
Productos
En cuanto a sus productos, tiene soluciones para los 5 estilos de Business Intelligence (explicados en la primera sección):
MicroStrategy Desktop es una herramienta cliente-servidor permite generar reportes de cualquier tipo de complejidad, y está orientado a todo tipo de usuarios. MDX Adapter y OLAP Services son complementos que agregar funcionalidad y mejora la performance de MicroStrategy Desktop, además de proveer conectividad con otras herramientas de BI.
MicroStrategy Web está diseñado para usuarios de escaso conocimiento técnico y permite generar reportes de mediana a sencilla complejidad. MicroStrategy Report Services sirve para generar reportes corporativos, con un alto grado de diseño gráfico. Por último, MicroStrategy NarrowCast envía automáticamente reportes a celulares, emails, pagers y PDAs.
Resumiendo, los productos desarrollados para cada estilo de BI son:
ROLAP: MicroStrategy Desktop
MOLAP: MicroStrategy Web, MicroStrategy Office, MDX Adapter y OLAP Services
Broadcasting: MicroStrategy NarrowCast
DataMining: MicroStrategy Desktop
Enterprise Reporting: Report Services
Servicios
MicroStrategy brinda a sus clientes educación, consultoría y soporte técnico relacionado a su plataforma de productos de BI.
Situación actual de Business Intelligence
Hoy en día, BI es una tecnología que genera -según la revista Trends Consulting, miembro del grupo IT Trends- ventas por U$S 3000 millones en todo el mundo, incluyendo productos, servicios y tecnología. Es un mercado altamente atomizado, es decir, con una gran diversidad de productos y donde no hay un líder que tenga prácticamente un monopolio.
En el siguiente gráfico se muestra la distribución de soluciones de Bussines Intelligence en empresas argentinas.
Cabe destacar que tanto SAP como Oracle tienen soluciones de BI que son incluídas sin costo. Estas aplicaciones, tienen una potencia menor que aquellas provistas por empresas que se dedican exclusivamente a BI, como MicroStrategy o Cognos.
El costo mínimo de una solución de BI llave en mano, inlcuyendo hardware varía entre U$S 35000 y U$S 100000. Por lo tanto, para que una empresa empiece a pensar en un software de este tipo, debe evaluar desembolsar una suma de ese orden. Además, debe tener una “cultura de bases de datos relacionales”, es decir, tener previamente gran parte de sus sistemas informatizados.
Las soluciones de BI están más orientadas a incrementar las ventas que a reducir costos. Esto se logra mejorando la base instalada (logrando vender más productos o servicios a clientes actuales) y obteniendo nuevos clientes.
Si bien en Argentina todavía se discute la utilidad de una herramienta de este tipo, a nivel mundial las empresas no tienen dudas. Es difícil estimar el retorno de inversión porque no se está mejorando un proceso productivo sino que se utiliza como soporte para la toma de decisiones y en definitiva la utilidad depende de las acciones que se realicen en base al análisis de la información. Empero, el retorno de inversión es de alrededor del 500 %. Más llamativo aún es el payback, es decir, el tiempo de retorno de inversión: entre 1 semana y 1 mes. Un ejemplo es, una empresa que utilizó una herramienta de BI para detectar fraudes: cuando detectó el primer fraude cubrió los gastos de implementación. Otro caso destacable es el de una empresa multinacional que tenía planes de retirarse del país luego de la debacle financiera, y un éxito rotundo con una herramienta de BI hizo que se quede en la Argentina.
I.T.B.A. – 2003
|
