Inteligencia de Negocio (Business Intelligence)

La situación actual, dominada por la inmediatez y por la disponibilidad de datos de todo tipo, han provocado que las empresas busquen herramientas y soluciones para poder acceder a todos estos datos, los recojan, almacenen y sean capaces de extraer información para finalmente presentarlos de forma clara y sencilla. Por este motivo surge la inteligencia de negocio que conocemos hoy en día.

La inteligencia de negocio nos permite conocernos mejor como empresa, cuáles son las virtudes y defectos y también conocer mejor a los competidores, cuanto más y mejores datos tengamos, mejor será tu toma de decisiones. Esta tecnología está muy ligada a las nuevas tecnologías y al usuario final, estando muy relacionadas con la nueva base de datos y por supuesto estrechamente influenciada con la aparición del Big Data.

Realmente no es un concepto novedoso como tal, ya que en 1958 ref. 1. Hans Peter Luhn mencionó por primera vez el término “Business Intelligence” (BI) o “Inteligencia de Negocio” en su artículo “A Business Intelligence System”, publicado en 1958. En este artículo, se define este concepto de la siguiente forma: “Es la habilidad de aprender las relaciones de hechos presentados, de forma que guíen las acciones hacia una meta deseada”. Y, aunque esta definición es bastante básica, comparada con las que se manejan en la actualidad, abre las puertas de un gran campo de investigación e innovación, que desemboca en la creación de una de las herramientas más importantes de la actualidad en el campo de las tecnologías de la información.

¿Qué es la Inteligencia del Negocio? (Business Intelligence (BI)) Definición

Actualmente, se denomina Inteligencia de Negocio o Business Intelligence (BI) al conjunto de herramientas, metodologías, aplicaciones, prácticas y capacidades enfocadas a la creación y administración de información, que permite tomar mejores decisiones a los usuarios de una organización. Estos datos e información podrían relacionarse con aspectos tales com conocer las preferencias de los clientes o identificar oportunidades de mejora y crecimiento.

• Accesibilidad información: Fácil y libre acceso a los datos para los usuarios de estas herramientas.
• Soporte para la toma de decisiones: El usuario puede acceder y visualizar los datos y realizar el análisis de estos.
• Orientadas al usuario final: facilidad de uso de las herramientas, las cuales tienen que estar orientadas al usuario final con independiencia del nivel de formación en las tecnologías utilizadas.

El cumplimiento o no de estas tres características, sigue siendo hoy en día una de las referencias para valorar la calidad de la herramienta dentro del campo de la inteligencia de negocio. En resumen, la inteligencia de negocio nos proporciona una serie de técnicas, tecnologías y sistemas que permiten explorar, analizar los datos, y con ello la información contenida en dichos datos, para generar conocimiento.

Así pues, el objetivo básico de la inteligencia de negocio es refutar o apoyar de forma sólida y continuada la toma de decisiones en las organizaciones, de modo que estas tomas de decisiones estén basadas en datos y no en intuiciones, así como proporcionar a las empresas una rápida adaptación a los movimientos del mercado.

Tipos de soluciones de Inteligencia de negocio

Los sistemas de inteligencia de negocio tradicionales utilizan principalmente mecanismos y herramientas de generación de informes para acceder a los datos operacionales-transaccionales almacenados en el almacén de datos. El análisis de estos datos de las transacciones puede ayudar a la organización a detectar patrones y predecir las tendencias de los negocios. En un sistema de inteligencia de negocio tradicional se pueden diferenciar tres capas separadas de datos: capa de presentación, capa de aplicación y capa de base de datos

Es frecuente que, con la arquitectura de tres niveles, sea difícil cumplir objetivos y exigencias de los sistemas modernos de nivel de servicio actuales, tales como el tiempo de respuesta máximo y las tasas de rendimiento mínimas. Esto se debe a las dificultades para predecir tiempos de ejecución en los que la capa de aplicación no conoce la gestión del almacenamiento de datos en las capas de bajo nivel.

En general, aunque el sistema de inteligencia de negocio estándar tradicional puede ofrecer una visión futura de negocio, es bien sabido que estos sistemas son lentos para muchos escenarios de datos actuales, rígidos, y el mantenimiento requiere un conocimiento profundo. Con el incremento de potenciales nuevas fuentes de datos y tipos, las soluciones de inteligencia de negocio tradicionales se desarrollan para proporcionar inteligencia a diferentes escalas y desde distintas perspectivas:

• Inteligencia de negocio operativa
• Inteligencia de negocio de situación
• Inteligencia de negocio ad hoc

1. Inteligencia de negocio operacional (en tiempo real)

La presión de la competitividad entre los negocios hoy en día ha incrementado la necesidad de una inteligencia de negocio que se capaz de efectuarse casi a tiempo real, también llamado BI operacional.El objetivo del BI operacional es reducir la diferencia entre el tiempo de adquisición de datos y el tiempo de análisis de datos (la latencia). La reducción de la latencia permite al sistema realizar las acciones apropiadas cuando ocurre un evento, casi de inmediato. El objetivo que persigue, por tanto, es que las empresas puedan detectar los patrones o las tendencias temporales sobre los datos operativos de transmisión.

2. Inteligencia de negocio de autoservicio

La inteligencia de negocio de autoservicio permite a los usuarios finales crear consultas e informes analíticos sin la participación del departamento de IT. La principal característica de estas soluciones es que la interfaz de usuario debe ser fácil de usar, por lo que no se requiere un conocimiento técnico del almacén de datos.

Arquitectura de un Sistema de Business Intelligence:

Para poder entender y visualizar la arquitectura completa de una solución de inteligencia de negocio, es fundamental comprender previamente cuál es el flujo de datos End-to-End desde los sistemas origen, hasta los usuarios finales. Viendo cómo es el flujo de información, la mejor manera de hacer uso de las arquitecturas de inteligencia de negocio empresarial es dividir la arquitectura global en:

• Back-end: Asociada con la recopilación de datos y la organización de datos (ETL y almacén de datos en los sistemas tradicionales).
• Front-end: Donde los datos son analizados y mostrados al usuario (reporting en los sistemas tradicionales)

Tradicionalmente se habla de tres capas:

1. Extracción o proceso ETL (extraer, transformar y cargar – ETL: Extract, Transform and Load) es el sistema que importa los datos de los sistemas transaccionales típicamente de las bases de datos de los ERP (Sistemas de Manejo administrativo) los convierte en datos “útiles”, con sentido, y los carga de manera estructurada en repositorios de Business Intelligence.

En un sistema de inteligencia de negocio empresarial, una de las fuentes que siempre estará presente es el sistema transaccional que soporta y mantiene las operaciones de la compañía. Los datos de transacciones se generan cuando se procesan las transacciones y se almacenan en el servidor de procesamiento de transacciones en línea (OLTP), también denominado fuentes de datos operacionales.Tal y como sus siglas indican, el proceso ETL está compuesto por las fases de extracción, transformación y carga. Partiendo de la premisa de que el objetivo principal del proceso ETL es precisamente extraer los datos de diferentes orígenes para procesarlos de forma conjunta y almacenarlos en una estructura de datos diseñada para optimizar el análisis de esta información, este proceso ETL se encarga de realizar funciones como:

1. Limpiar los datos, eliminando y corrigiendo los errores que haga falta.
2. Proporciona medidas y análisis de fuentes y datos para cuantificar la veracidad de los datos.
3. Realiza la unificación de fuentes.
4. Estructura y homogeneiza los datos.

2. Almacenamiento / Repositorio de datos. Contiene los datos que utilizan los usuarios desde el punto de vista lógico y físico. Desde los servidores OLTP, los datos se extraen, transforman y almacenan en un almacén de datos o Data Warehouse, que es un repositorio de datos estructurados.

Se pueden aplicar diferentes técnicas de optimización de consultas en el almacén de datos para acelerar el análisis de datos y la consulta de análisis puede ejecutarse en el almacén de datos. La aceleración adicional se puede lograr mediante la creación de submodelos de datos o Data Marts, que son subconjuntos del almacén de datos. Obviamente, en un sistema de inteligencia de negocio, además de las fuentes de datos tradicionales, es decir, datos de transacción, las fuentes de datos de BI están evolucionando para incluir hasta los mensajes de redes sociales, intranet, dispositivos móviles, sensores, etc.

3. Análisis y Aplicaciones de Gestión. Son las que permiten hacer búsquedas, informes, análisis y fabricar los cubos multidimensionales, también llamados cubos OLAP, MOLAP etc. Esta información almacenada en el Data Warehouse y/o submodelos debe ser accesible para el usuario analista mediante herramientas diseñadas para este propósito, de una forma ágil, eficiente e intuitiva.

Tecnologías como, por ejemplo, ref.7 Pentaho Business Analytics, nos proporciona esta capacidad, muy centrada en el procesamiento de la información y en ETL. Pentaho Business Analytics es una plataforma de Software de Business Intelligence Open Source comercializada por Pentaho bajo un modelo de pago por soporte y software complementario que facilita la instalación y utilización del producto.

Por otro lado, destacan varias herramientas de visualización QlikView, Tableau y PowerBI que agilizan el trabajo de análisis de forma visual datos. En los Últimos tiempos PowerBI (Microsoft) está ganando seguidores y en la actualidad, Power BI es líder en interés del mercado y con una tendencia al alza, mientras que Qlik y Tableau se han estabilizado en segundo y tercer lugar respectivamente. Aunque Qlik y Tableau son productos de BI increíbles, están desarrollados por fabricantes que se centran sólo en esta área. Microsoft desarrolla todo tipo de soluciones de negocio (ERPs, CRMs, Bases de Datos, Machine Learning, Infraestructura Cloud, etc.) y está conectando Power BI con todas sus soluciones creando un entorno de soluciones empresariales sin igual en el mercado. Además, Microsoft ha realizado grandes esfuerzos en enlazar Power BI con soluciones de competidores (Amazon WS, Salesforce, SAP, etc.). ref.8.

Inteligencia de negocio y analítica de negocio: BI y BA

El concepto de inteligencia de negocio se confunde a veces con el concepto de analítica de negocio o analítica avanzada. La analítica de negocio se refiere al análisis avanzado de datos o al análisis conjunto de BI. Esta fusión de ambos también recibe el nombre de BI de nueva generación.

Es importante diferenciar entre herramientas de inteligencia de negocio y soluciones de inteligencia de negocio. Las soluciones de inteligencia de negocio utilizan herramientas de inteligencia de negocio adquiridas por las organizaciones y aprovechan las enormes cantidades de datos de los almacenes de datos o Data Warehouse existentes y sistemas transaccionales, así como información estructurada y no estructurada de estas y otras fuentes, para proporcionar información y conocimientos que faciliten la toma de decisiones. Para apreciar mejor las diferencias, se expone a continuación qué tipo de respuestas persiguen resolver cada una de estas prácticas:

La inteligencia   de   negocio   pretende   resolver   preguntas   como:   ¿qué   ocurrió?,¿cuándo?, ¿quién?, ¿cuántos? Usa para ello sistemas de informes, KPIs, alertas, cuadros de mando, Scorecards, OLAP (cubos, drilling), Ad-hoc query, BI en tiempo real, etc. Sin embargo, la analítica avanzada o Business Analytics pretende responder preguntas como: ¿por qué ocurrió?, ¿volverá a ocurrir?, ¿qué pasaría si cambiamos el valor de X? Usa para ello análisis estadístico, Data Mining, modelos predictivos, Big Data, análisis multivariable, etc. Ref.9.

Inteligencia de negocio y el Big Data

Las soluciones de inteligencia de negocio se utilizan cada vez más como capa Front-End para sistemas de Big Data. Esta misma afirmación se puede hacer de forma inversa: la tecnología Big Data se usa cada vez más para implementar o complementar la arquitectura Back-End de las soluciones de inteligencia de negocio.El software de inteligencia de negocio de nueva generación ofrece un back-end y herramientas de integración flexibles, que permiten conectarse a una gran gama de fuentes de datos. Esto, junto con simples interfaces de usuario, hace que las herramientas sean adecuadas para arquitecturas de Big Data.

Los usuarios pueden conectarse a una amplia gama de fuentes de datos, que incluyen sistemas Hadoop, bases de datos NoSQL, plataformas en cloud y almacenes de datos convencionales, lo que proporciona una visión unificada de todos los datos. Además, dado que las herramientas suelen ser bastante sencillas, el uso de la inteligencia de negocio como capa de presentación o front-end en los sistemas Big Data permite ser utilizada potencialmente por un amplio número de usuarios, y no únicamente por arquitectos de datos altamente especializados.

Conclusiones:

En este artículo se ha revisado el concepto de inteligencia de negocio o Business Intelligence (BI) como pieza clave para la ayuda en la toma de decisiones de las empresas y se ha realizado una introducción a la analítica de última generación. Tal y como se ha descrito, la arquitectura tradicional de inteligencia de negocio de tres niveles sigue siendo válida. Sin embargo, no es suficiente para proporcionar análisis en tiempo real, conocer la situación y proporcionar capacidades de autoservicio, exigencias cada vez más presentes en las organizaciones actuales con gran parte de la información en la nube.

Para ello, ha surgido la inteligencia de negocio de última generación, es decir, la inteligencia de negocio operativa, la inteligencia de negocio de situación/posición y la inteligencia de negocio de autoservicio. Cada una de ellas está especializada en la realización de un aspecto. Estos sistemas de inteligencia de negocio han adquirido una importancia extrema en aquellas compañías donde los datos se convierten en activos empresariales. La nueva generación de inteligencia de negocio está en sus inicios y existen varios desafíos tanto en la arquitectura de back-end como en el análisis de front-end.

Otro aspecto que está tomando un carácter importante en el Business Intelligence de las empresas es el Procesamiento del Lenguaje Natural (Natural Language Processing – NLP) y la Minería de Texto con el fin de analizar la opinión de sus consumidores y las tendencias de mercado. Tendremos que dotar a la empresa de la infraestructura necesaria para procesar esa cantidad de datos y de las herramientas necesarias como Hadoop, Spark. Utilizar en algunos casos bases de datos convencionales SQL y otras veces no convencionales del tipo NoSQL, utilizando MongoDB y Casandra.

Finalmente tendremos que incluir el Aprendizaje Automático (Machine Learning) mediante modelos supervisados y no supervisados, selección de modelos, modelos conexionistas (Redes Neuronales y Deep Learning) para poder generar los informes en tiempo real de forma totalmente automática cuando el usuario lo requiera.

Referencias

1. Luhn,H.P. “A BusinessIntelligence System”. IBMJournal; 1958. pp.314-319.
2. Hey, J: The Data, Information, Knowledge, Wisdom Chaim: The MetaphoricalLink.
3. Sánchez Ávila María Fernanda. (2016, abril 24). Definición y soluciones deInteligencia de Negocios. https://www.gestiopolis.com/definicion-soluciones-inteligencia-negocios/
4. Universidad de Salamanca, Sistemas de Gestión empresarial, BusinessIntelligence, https://diarium.usal.es/id00710310/2016/03/16/business-intelligence/
5. Kimball, R.; Caserta, J. The Data Warehouse ETL Toolkit: Practical Techniquesfor Extracting, Cleaning, Conforming, and Delivering Data. John Wiley & Sons;2011
6. Análisis del modelo de almacenamiento MOLAP frente al modelo dealmacenamiento ROLAP, Comparing the MOLAP the ROLAP storage models,Marysol Tamayo1 y Francisco Javier Moreno.http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-56092006000300016
7. Pentaho Business Analytics, https://help.hitachivantara.com/Documentation/Pentaho/7.1/0D0/Pentaho_B usiness_Analytics
8. Sinnexus. (2007). Business Intelligence. Informática estratégica:http://www.sinnexus.com/business_intelligence/
9. Lluís Cano, J. (s.f.). BUSINESS INTELLIGENCE: COMPETIR CONINFORMACIÓN. Esade Business School. https://itemsweb.esade.edu/biblioteca/archivo/Business_Intelligence_competir _con_informacion.pdf

Escrito por Raúl Galán Rodríguez