c:\documents and settings\administrador\escritorio\sistemas\trabajo ayudantia
TRANSCRIPT
Universidad Austral de Chile
Facultad de Ciencias Económicas y Administrativas
Escuela de Ingeniería Comercial
Trabajo Ayudantía
“Data Warehouse”
Integrantes: Ana Barros P.
Viviana Estrada R.
Mº Eugenia Guarda C.
Pamela Quintuprai M.
Asignatura : Sistemas de información
Empresarial.
Ayudante: José luis Carrasco V.
07 de junio de 2010
Introducción
En la actualidad, toda empresa requiere utilizar mecanismos e
instrumentos que le faciliten la correcta toma de decisiones. Para ello,
se necesitan datos y cifras confiables, precisas y oportunas, lo que
trae consigo un mayor requerimiento en la velocidad de la
información. Es aquí donde cobra importancia la utilización de
herramientas que nos ayuden a minimizar el tiempo para analizar
gran cantidad de información con mayor velocidad y precisión.
En un comienzo se contaba únicamente con bases de datos donde se
guardaba la información. Luego aparecieron las bases de datos
relacionales. Finalmente aparecieron nuevos sistemas que no
solamente se dedican a guardar información, sino que tienen un
enfoque gerencial, ofreciendo un apoyo a la toma de decisiones. Es
en este ámbito donde aparece el data warehouses, componente de
Bussines Intelligent que viene a facilitar los requerimientos de manejo
de datos para la correcta toma de decisiones dentro de la empresa.
En el presente informe se exponen una serie de conceptos asociados
al almacenamiento y manejo de información.
Desarrollo de las actividades
Business Inteligente:
Es la habilidad para transformar los datos en información, y la
información en conocimiento, de forma que se pueda optimizar el
proceso de toma de decisiones en los negocios.
Desde un punto de vista más pragmático, y asociándolo directamente
con las tecnologías de la información, podemos definir Business
Intelligence como el conjunto de metodologías, aplicaciones y
tecnologías que permiten reunir, depurar y transformar datos de los
sistemas transaccionales e información desestructurada (interna y
externa a la compañía) en información estructurada, para su
explotación directa (reporting, análisis OLTP / OLAP, alertas) o para su
análisis y conversión en conocimiento, dando así soporte a la toma de
decisiones sobre el negocio. La inteligencia de negocio actúa como un
factor estratégico para una empresa u organización, generando una
potencial ventaja competitiva, que no es otra que proporcionar
información privilegiada para responder a los problemas de negocio:
entrada a nuevos mercados, promociones u ofertas de productos,
eliminación de islas de información, control financiero, optimización
de costes, planificación de la producción, análisis de perfiles de
clientes, rentabilidad de un producto concreto, etc.
Por otro lado, los principales componentes de orígenes de datos en el
Business Intelligence que existen en la actualidad son:
Datamart
Datawarehouse
DW - Almacenes de datos, Bodegas de Datos (Data
warehouses)
ETL - Transformar, Extraer y Cargar datos
DM - Minería de datos (Data mining)
Aplicaciones OLAP - cubos OLAP, procesamiento analítico
línea, Online Analytical Processing and multidimensional
analysis
MIS - Sistemas de Información para la Administración
(Management Information Systems)
Consultas e informes - Information visualization, and
Dashboarding
Calidad de Datos y limpieza de Datos
Sistemas de previsión empresarial
DSS - Apoyo en la toma de decisiones (Decision Support
Systems)
CRM - Customer Relationship Management
Ejemplo:
Aplicar Business Intelligence al análisis de ventas, ayuda a poder
ajustar los precios y bajar los márgenes, pues puedes estudiar como
van a responder las ventas.
Ariel sobre su detergente básico, donde sale un niño que se mancha
de helado. Dice algo como:
"Ariel te limpia todo. Todo menos la cartera, ya que Ariel básico es un
20% más barato"
La clave de este anuncio (des del punto de vista BI) es la palabra
“básico”. Ariel, gracias al análisis de datos, se habrá dado cuenta de
que el mayor porcentaje de ventas lo sigue teniendo en su producto
básico, y no en los típicos "con jabón de Marsella","detergente del
futuro", y cosas similares.
ERPs:
Los sistemas de planificación de recursos de la empresa (en
inglés ERP, enterprise resource planning) son sistemas de gestión de
información que integran y automatizan muchas de las prácticas de
negocio asociadas con los aspectos operativos o productivos de una
empresa. Aunque en el día a día no necesitamos estos sistemas, no
deja de ser interesante que haya un amplio abanico de ERP libres,
dada la elevada dependencia que generan estas aplicaciones
respecto del proveedor cuando no son libres, como bien apuntó
Ricardo Galli Aparte de la (importantísima) reducción de costes
aparejada a la libertad del software, donde habitualmente se paga
por el mantenimiento pero no por el software en sí mismo. Entre los
más conocidos de esta lista es OpenBRAVO, pero no es el único
Existen 3 características que definen a un ERP:
1. Son sistemas integrales,
2. son sistemas modulares
3. y adaptables.
Los objetivos principales de los sistemas ERP son:
1. Optimización de los procesos empresariales.
2. Acceso a información confiable, precisa y oportuna.
3. La posibilidad de compartir información entre todos los
componentes de la organización.
4. Eliminación de datos y operaciones innecesarias.
5. Reducción de tiempos y de los costes de los procesos.
Ejemplo:
ERP Propietario:
SAP Business One
Microsoft Dynamics NAV
Sage línea 100
Solmicro
CCS Agresso
ERP Opensource son:
Openbravo
Openxpertya
Tiny ERP
Abanq
ERP SaaS son:
Netsuite
Salesforce
Business by design (creado por SAP)
Intacct
Workday
GSInnovate
ETL
Los procesos ETL (Extraction, Transformation and Loading -
extracción, transformación y carga) son los componentes más
importantes y de valor añadido de una infraestructura de Business
Intelligence (BI). Aún pueden ser invisibles por los usuarios de la
plataforma de BI, los procesos ETL recuperan los datos de todos los
sistemas operativos y les pre-elaboran para las herramientas de
análisis y de reporting. La exactitud de la plataforma BI entera
depende de los procesos ETL.
Los procesos de Extracción, Transformación y Carga constan de
múltiples pasos, cuyo objetivo es transferir datos desde las
aplicaciones de producción a los sistemas de Inteligencia de negocio :
Extracción de los datos desde las aplicaciones y bases de datos
de producción (ERP, CRM, RDBMS, archivos, etc.)
Transformación de estos datos para reconciliarlos en todos los
sistemas source, realizar cálculos o análisis sintáctico de
cadenas, enriquecerlos con información de búsqueda externa
y, además, adaptarlos al formato preciso por el sistema
objetivo (Third Normal Form, Star Schema, Slowly Changing
Dimensions, etc.)
Carga de los datos resultantes en las diversas aplicaciones de
BI:Almacenes de datos históricos generales (data warehouse) o
almacenes de datos empresariales, almacenes de datos
históricos individuales (data mart), aplicaciones OLAP
(Procesamiento analítico en línea) o “cubos”, etc
La latencia de los procesos ETL varía desde los lotes (a veces, de
forma mensual o semanal, pero en la mayoría de los casos
diariamente), al tiempo casi real con actualizaciones más frecuentes
(cada hora, cada pocos minutos, etc.).
Ejemplo:
Kettle ETL-Pentaho Data Integration (PDI?
Kettle Spoon ETL-Transformación gráfica de un proceso ETL de
ejemplo con una herramienta Spoon.
Kettle PAN ETL-ejecución batch de las transformaciones
diseñadas con la herramienta Spoon de PDI.
Ejemplo de ETLde calidad de datos: implementaciones
interesantes se muestran en el proceso de cargar una bodega
de datos diseñados en el pentaho data integration 3.0.
Interfase Web
Las páginas Web supusieron la aparición de las interfaces web,
interfaces gráficas de usuario con unos elementos comunes de
presentación y navegación que pronto se convirtieron en estándares
de facto. Este tipo de interfaces deben servir de intermediarias entre
unos usuarios genéricos, no acostumbrados generalmente al uso de
aplicaciones informáticas, y unos sistemas de información y procesos
transaccionales que corren por debajo, debiendo posibilitar la
localización de la información deseada, el entendimiento claro de las
funcionalidades ofrecidas, la realización práctica de tareas específicas
por parte de los usuarios y la navegación intuitiva por las diferentes
páginas que forman el sitio web.
Hay dos tipos de interfaces de usuario según su manera de
interactuar: Alfanumérica (intérpretes de pedidos) y gráficas de
usuarios (GUI, Graphic User Interface). Estas últimas permiten
comunicarse con el ordenador de una forma rápida, intuitiva y gráfica
(ventanas, botones, etc.).
En el primer caso se trata de un conjunto de dispositivos que
permiten la interacción hombre-máquina, de forma que
permiten acceder y coger datos del ordenador. Un ejemplo de
este tipo de interfaz es linux, Ms Dos, Unix.
Las Interfaces de software son programas o parte de ellos que
permiten comunicarse con el ordenador. Ejemplos de este tipo
de interfaz son: Fox Toolkit, Object Central (framework
multiplataforma para generar interfaces gráficas para
usuarios),Glow (framework multiplataforma y orientada a
objetos para crear aplicaciones interactivas utilizando OpenGL o
APIs similares como Mesa), GTK+ es un conjunto de
herramientas para crear GUIs. GTK+ (útil tanto para pequeños
proyectos como para aplicaciones completas)
Interfase Cliente-Servidor
La interfaz de cliente incorpora otras herramientas importantes:
Aquellas asociadas al acceso al curso y su gestión.
Junto a estas, se dispone de la posibilidad de realizar los exámenes
propuestos por el tutor o acceder a los eventos definidos por este (por
ejemplo, avisos de clases presenciales). Los eventos se definen como
aquellos hechos o noticias de especial relevancia que emitidos por el
profesor, deben ocupar un papel diferenciado del resto de noticias del
tablón.
Sin embargo, el diseño de ATF no busca que su interfaz cliente se
restrinja al aula virtual desarrollado. No se pensó como un desarrollo
cerrado. La interfaz puede estar constituida por cualquier navegador
comercial. De esta forma, los servicios ofrecidos por el sistema,
pueden ser disfrutados por usuarios (al menos en su mayor parte)
que no dispongan del cliente del Aula Virtual. El Aula Virtual, no
obstante, ofrece una normalización de acceso al sistema y a los
cursos educativos, junto con el uso de las funcionalidades ofrecidas
del sistema ATF.
Ejemplo:
Servidores de archivos: Servidor donde se almacena archivos y
aplicaciones de productividad como por ejemplo procesadores
de texto, hojas de cálculo, etc.
Servidores de bases de datos: Servidor donde se almacenan las
bases de datos, tablas, índices. Es uno de los servidores que
más carga tiene.
Servidores de transacciones: Servidor que cumple o procesa
todas las transacciones. Valida primero y recién genera un
pedido al servidor de bases de datos.
Servidores de Groupware: Servidor utilizado para el
seguimiento de operaciones dentro de la red.
Servidores de objetos: Contienen objetos que deben estar fuera
del servidor de base de datos. Estos objetos pueden ser videos,
imágenes, objetos multimedia en general.
Servidores Web: Se usan como una forma inteligente para
comunicación entre empresas a través de Internet. Este
servidor permite transacciones con el acondicionamiento de un
browser específico
Modelos de Datos
ER (Entidad Relación): El modelo de datos más extendido es
el denominado ENTIDAD/RELACIÓN (E/R).En el modelo E/R se parte de
una situación real a partir de la cual se definen entidades y relaciones
entre dichas entidades:
Entidad : Objeto del mundo real sobre el que queremos almacenar
información (Ej: una persona). Las entidades están compuestas de
atributos que son los datos que definen el objeto (para la entidad
persona serían DNI, nombre, apellidos, dirección,...). De entre los
atributos habrá uno o un conjunto de ellos que no se repite; a este
atributo o conjunto de atributos se le llama clave de la entidad,
(para la entidad persona una clave seria DNI). En toda entidad
siempre hay al menos una clave que en el peor de los casos estará
formada por todos los atributos de la tabla. Ya que pueden haber
varias claves y necesitamos elegir una, lo haremos atendiendo a
estas normas:
Que sea única.
Que se tenga pleno conocimiento de ella.- ¿Por qué
en las empresas se asigna a cada cliente un número de
cliente?.
Que sea mínima, ya que será muy utilizada por el gestor
de base de datos.
Relación : Asociación entre entidades, sin existencia propia en el
mundo real que estamos modelando, pero necesaria para reflejar las
interacciones existentes entre entidades. Las relaciones pueden ser
de tres tipos:
o Relaciones 1-1: Las entidades que intervienen en la
relación se asocian una a una (Ej: la entidad HOMBRE, la
entidad MUJER y entre ellos la relación MATRIMONIO).
o Relaciones 1-n: Una ocurrencia de una entidad está
asociada con muchas (n) de otra (Ej: la entidad EMPERSA,
la entidad TRABAJADOR y entre ellos la relación
TRABAJAR-EN).
o Relaciones n-n: Cada ocurrencia, en cualquiera de las
dos entidades de la relación, puede estar asociada con
muchas (n) de la otra y viceversa (Ej: la entidad ALUMNO,
la entidad EMPRESA y entre ellos la relación MATRÍCULA).
Notación empleada para elaborar modelos E-R:
Ejemplo de diagrama E-R
UML (Lenguaje de Modelado Unificado): Lenguaje Unificado de
Modelado es el lenguaje de modelado de sistemas de software más
conocido y utilizado en la actualidad; está respaldado por el OMG
(Object Management Group). Es un lenguaje gráfico para visualizar,
especificar, construir y documentar un sistema, es decir, permite la
representación conceptual y física. UML ofrece un estándar para
describir un "plano" del sistema (modelo), incluyendo aspectos
conceptuales tales como procesos de negocio y funciones del
sistema, y aspectos concretos como expresiones de lenguajes de
programación, esquemas de bases de datos y componentes
reutilizables. Es importante resaltar que UML es un "lenguaje de
modelado" para especificar o para describir métodos o procesos. Se
utiliza para definir un sistema, para detallar los artefactos en el
sistema y para documentar y construir. En otras palabras, es el
lenguaje en el que está descrito el modelo. UML cuenta con varios
tipos de diagramas, los cuales muestran diferentes aspectos de las
entidades representadas.
Ejemplo:
OO (Orientado a Objetos): Los sistemas basados en modelos de
datos orientados a objeto fueron inspirados a partir del paradigma de
programación orientada a objeto. Entre los primeros lenguajes
orientados a objetos podemos citar Smalltalk y Simula. Ejemplos más
recientes son C++, CIOS, CLU y JAVA.
El modelo de bases de datos orientado a objetos se basa en el
concepto de encapsulamiento de datos y código que opera sobre
estos en un objeto. Los objetos estructurados se agrupan en clases. El
conjunto de clases está estructurado en sub y superclases basado en
una extensión del concepto ISA del modelo Entidad - Relación. Puesto
que el valor de un dato en un objeto también es un objeto, es posible
representar el contenido del objeto dando como resultado un objeto
compuesto. El modelo orientado a objetos se basa en encapsular
código y datos en una única unidad, llamada objeto. El interfaz entre
un objeto y el resto del sistema se define mediante un conjunto de
mensajes.
Un objeto tiene asociado:
un conjunto de variables que contienen los datos del objeto. El
valor de cada variable es un objeto.
Un conjunto de mensajes a los que el objeto responde.
Un método, que es un trozo de código para implementar cada
mensaje. Un método devuelve un valor como respuesta al
mensaje.
El término mensaje en un contexto orientado a objetos, no
implica el uso de un mensaje físico en una red de computadoras, si
no que se refiere al paso de solicitudes entre objetos sin tener en
cuenta detalles específicos de implementación.
La capacidad de modificar la definición de un objeto sin
afectar al resto del sistema está considerada como una de las
mayores ventajas del modelo de programación orientado a
objetos.
Ejemplo:
Consideremos un objeto que representa una cuenta bancaria.
Tal objeto contiene variables de ejemplares número- cuenta y
saldo. Asumamos que un banco ha estado pagando un 6% de
interés en todas las cuentas, pero ahora está cambiando su
política de pagar un 5% si el saldo es menor que $180.000, o un
6% si el saldo es mayor o igual que $180.000. Para la mayoría de
los modelos de datos, hacer este ajuste significaría cambiar el
código en uno o más programas de aplicación. Para el modelo
orientado a objetos, el único cambio se hace en el método pago-
interés.
Describir cada etapa del diseño de un DW
“Un Data Warehouse no se puede comprar, se tiene que construir”, la
construcción e implantación de un Data Warehouse es un proceso
evolutivo. Este proceso se tiene que apoyar en una metodología
específica para este tipo de procesos, si bien es más importante que
la elección de la mejor de las metodologías, el realizar un control para
asegurar el seguimiento de la misma. En las fases que se establezcan
en el alcance del proyecto es fundamental el incluir una fase de
formación en la herramienta utilizada para un máximo
aprovechamiento de la aplicación. El seguir los pasos de la
metodología y el comenzar el Data Warehouse por un área específica
de la empresa, nos permitirá obtener resultados tangibles en un corto
espacio de tiempo. Planteamos aquí la metodología propuesta por
SAS Institute: la "Rapid Warehousing Methodology" basada en el
desarrollo incremental del proyecto de Data Warehouse dividido en
cinco fases:
Definición de los requerimientos de información
Tal como sucede en todo tipo de proyectos, sobre todo si involucran
técnicas novedosas como son las relativas al Data Warehouse, es
analizar las necesidades y hacer comprender las ventajas que este
sistema puede reportar.
Diseño y modelización
Los requerimientos de información identificados durante la anterior
fase proporcionarán las bases para realizar el diseño y la
modelización del Data Warehouse.
En esta fase se identificarán las fuentes de los datos (sistema
operacional, fuentes externas) y las transformaciones necesarias
para, a partir de dichas fuentes, obtener el modelo lógico de datos del
Data Warehouse. Este modelo estará formado por entidades y
relaciones que permitirán resolver las necesidades de negocio de la
organización.
El modelo lógico se traducirá posteriormente en el modelo físico de
datos que se almacenará en el Data Warehouse y que definirá la
arquitectura de almacenamiento del Data Warehouse adaptándose al
tipo de explotación que se realice del mismo.
La mayor parte estas definiciones de los datos del Data Warehouse
estarán almacenadas en los metadatos y formarán parte del mismo.
Implementación
La implantación de un Data Warehouse lleva implícitos los siguientes
pasos:
Extracción de los datos del sistema operacional y
transformación de los mismos.
Carga de los datos validados en el Data Warehouse. Esta carga
deberá ser planificada con una periodicidad que se adaptará a
las necesidades de refresco detectadas durante las fases de
diseño del nuevo sistema.
Explotación del Data Warehouse mediante diversas técnicas
dependiendo del tipo de aplicación que se de a los datos:
Query & Reporting
On-line analytical processing (OLAP)
Executive Information System (EIS) ó Información de
gestión
Decision Support Systems (DSS)
Visualización de la información
Data Mining ó Minería de Datos, etc.
La información necesaria para mantener el control sobre los datos se
almacena en los metadatos técnicos (cuando describen las
características físicas de los datos) y de negocio (cuando describen
cómo se usan esos datos). Dichos metadatos deberán ser accesibles
por los usuarios finales que permitirán en todo momento tanto al
usuario, como al administrador que deberá además tener la facultad
de modificarlos según varíen las necesidades de información.
Con la finalización de esta fase se obtendrá un Data Warehouse
disponible para su uso por parte de los usuarios finales y el
departamento de informática.
Revisión La construcción del Data Warehouse no finaliza con la
implantación del mismo, sino que es una tarea iterativa en la que se
trata de incrementar su alcance aprendiendo de las experiencias
anteriores. Después de implantarse, debería realizarse una revisión
del Data Warehouse planteando preguntas que permitan, después de
los seis o nueve meses posteriores a su puesta en marcha, definir
cuáles serían los aspectos a mejorar o potenciar en función de la
utilización que se haga del nuevo sistema.
Diseño de la estructura de cursos de formación Con la
información obtenida de reuniones con los distintos usuarios se
diseñarán una serie de cursos a medida, que tendrán como objetivo el
proporcionar la formación estadística necesaria para el mejor
aprovechamiento de la funcionalidad incluida en la aplicación. Se
realizarán prácticas sobre el desarrollo realizado, las cuales
permitirán fijar los conceptos adquiridos y servirán como formación a
los usuarios.
Modelos de DW:
El data warehouse está elaborado en base al Modelo
Multidimensional. La estructura básica del DW consta de dos
elementos Tablas y Esquemas.
Como cualquier base de datos relacional, un DW se compone de
tablas. Hay dos tipos básicos de tabla.
Tablas Fact o tablas de hecho: Contienen los valores de las
medidas de negocios, por ejemplo: ventas promedio en dólares,
número de unidades vendidas, etc.
Tablas Lock-up o tablas de dimensiones: Contienen el detalle de
los valores que se encuentran asociados a la tabla Fact.
Los Esquemas son la colección de tablas en DW
Hay dos categorías básicas: Esquemas Estrellas (Star Schema) y
Esquemas en Copo de Nieve (Snowflake Schema).
Esquema Estrella (Star Schema)
El esquema estrella recibe su nombre producto de la estructura que
se forma cuando la tabla de hecho está rodeada de las tablas
dimensionales.
Todo objeto de análisis es un hecho. Este hecho se representa en el
modelo dimensional en forma de tabla de hechos. Los hechos son
analizados a su vez, a través de las dimensiones o componentes
(tantas como dimensiones participen en la descripción del hecho),
que se representan en el modelo dimensional a partir de las tablas de
dimensiones.
En el esquema estrella una sola tabla de hecho está relacionada a
cada tabla de dimensión. Las tablas de dimensiones son enlazadas a
la tabla de hechos mediante referencias de una llave foránea. La llave
primaria de la tabla fact recibe el nombre de clave compuesta o
concatenada debido a que se forma de la composición (o
concatenación) de las llaves primarias de las tablas dimensionales a
las que está unida. Así entonces, se distinguen dos tipos de columnas
en una tabla fact: columnas fact y columnas key. Donde la columna
fact es la que almacena alguna medida de negocio y una columna key
forma parte de la clave compuesta de la tabla.
Los hechos tienen columnas de datos denominadas métricas y las
dimensiones tienen columnas que representan los niveles de
jerarquías.
Ejemplo:
Tenemos Ventas y sus dimensiones: Tiempo, Localización y Producto.
Alguna métrica de ventas seria número de unidades vendidas y valor
de la venta. En cuanto a los niveles de jerarquía de las dimensiones
encontraríamos para la dimensión Tiempo día, semana y mes, para la
localización tendríamos almacén, población, provincia, para la
dimensión Producto encontraríamos producto, familia, departamento.
Las métricas son indicadores que nos permiten cuantificar los hechos
y siempre hay que intentar buscar métricas que sean aditivas. Una
métrica es aditiva cuando es sumarizable por todas sus dimensiones.
Otro ejemplo: Una fábrica tiene 50 unidades en el almacén en Enero.
En Febrero tiene 30 y en Marzo 10. Esta métrica no es sumarizable,
ya que 50+30+10 no da el inventario final del trimestre. Esto suele
pasar bastante con la dimensión TIEMPO.
Esquemas en Copo de Nieve (Snowflake Schema)
Esquema en copo de nieve (bola de nieve) es una variedad más
compleja del esquema estrella. El afinamiento está orientado a
facilitar mantenimiento de dimensiones.
Lo que distingue a la arquitectura en copo de nieve de la esquema
estrella, es que las tablas de dimensiones en este modelo
representan relaciones normalizadas (3NF) y forman parte de un
modelo relacional
de base de datos
Con varios usos del esquema en bola de nieve, el más común es
cuando las tablas de dimensiones están muy grandes o muy
complejas y es muy difícil representar los datos en esquema estrella
Por ejemplo, si una tabla dimensional de los clientes (CUSTOMERS)
contiene un millón de filas, sería una idea buena crear una tabla con
grupos de clientes (CUSTOMER_GROUPS) y mover los datos comunes
para cada grupo de clientes a esta tabla. El tamaño de estas dos
tablas será mucho menor que de una tabla no normalizada con todos
los datos de clientes
El problema es que para extraer datos de las tablas en esquema de
copo de nieve, a veces hay que vincular muchas tablas en las
sentencias SQL que puede llegar a ser muy complejo y difícil para
mantener.
Modelo Data warehouse: Supermercado
Análisis
EL data warehouse descrito anteriormente es el de un supermercado,
donde se identificaron cuatro variables importantes para su
funcionamiento y análisis. La primera variable es la de los
proveedores donde se debe identificar el tipo de área a la cual
pertenecen los productos que suministran. Una segunda variable es la
de los productos donde identificamos el tipo de productos, el área y
departamento en el cual se clasifican en el supermercado, además
esta variable se relaciona con la variable tiempo ya que es en esta
relación que se observa el tiempo (día, mes, semestre, año) en que se
tarda en vender estos productos, en la variable tiempo es donde se
recopilara la información de las ventas en espacios de tiempo
determinados para los distintos tipos análisis requeridos por los
usuarios, como por ejemplo se puede mencionar: que productos son
los que más se venden, en que sucursal hay mas ventas, etc.
Finalmente la variable sucursal donde identificamos desde donde se
encuentra la sucursal numero uno a las sucursales a nivel país, y se
relaciona con las demás variables ya que es aquí donde observamos
el tiempo de venta de los productos, que productos fueron los más
vendidos en una sucursal y a cuales se les debe potenciar más, a que
proveedor se debe fortalecer, entre otros.
Conclusión
Las organizaciones están comprendiendo que para ser competitivas
necesitan administrar la información de manera eficaz y eficiente al
igual que cualquier otro recurso. En este sentido, se debe comprender
que la producción, distribución, seguridad, almacenamiento y
recuperación de toda la información en la organización implica ciertos
costos.
En la actualidad no sólo basta poseer, organizar y utilizar la
información en función de las operaciones regulares de la empresa,
se debe gestionar la información de manera tal que permita
diferenciarse de la competencia, en consecuencia el uso y la
implementación adecuada de los sistemas de información son fuentes
de ventajas competitivas. Por consiguiente aquellos programas que
ayuden y soporten la toma de decisiones a un nivel más estratégicos
desempeñan roles críticos en la organización, ejemplos de estos
programas son: CMI, DSS, EIS, ERP, CMR.