Qué es Business Intelligence
● Transformación de datos de la compañía en conocimiento para obtener una ventaja competitiva.
● 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 o para su análisis y conversión en conocimiento como soporte a la toma de decisiones sobre el negocio.
● “Se entiende por BI al conjunto de metodologías, aplicaciones prácticas y capacidades enfocadas a la creación y administración de información que permite tomar mejores decisiones a los usuarios de una organización” (Josep Curto).
Ciclo de vida del BI
Extracción de la información desde Sistemas Operacionales hacia un Repositorio Centralizado (Datawarehouse, Datamart).
Usuarios equipados con herramientas de análisis transforman la información en conocimiento (informes, consultas, minería de datos).
En base a los hechos, tendencias y patrones encontrados (insights) se toman decisiones . Pueden ser sencillas cómo “aumentar la producción” o complejas generadas por algoritmos estadísticos.
Las decisiones generan Planes de Acción para generar valor para la organización.
Una vez ejecutado el plan, los Sistemas Operacionales capturan el impacto en la
organización, el cual se evalúa y el ciclo empieza nuevamente.
Que es un Datawarehouse
● Repositorio que organiza y almacena datos que pueden ser utilizados de forma eficiente para apoyar la toma de decisiones.
● Repositorio de datos que proporciona una visión global, común e integrada de los datos de la organización, con independencia de cómo se vayan a emplear, posteriormente por los diferentes usuarios.
Modelo Estrella
● El esquema de estrellas es un enfoque de modelado maduro ampliamente adoptado por los almacenes de datos relacionales. Requiere que los modeladores clasifiquen las tablas del modelo con dimensiones hechos.
Tablas de Dimensiones
Las Tablas de dimensiones describen entidades empresariales (lascosasque se modelan). Las entidades pueden incluir productos, personas, lugares y conceptos, incluido el propio tiempo. La tabla más coherente de un esquema de estrella es una tabla de dimensiones de
fecha. Una tabla de dimensiones contiene una columna (o columnas) de clave que actúa como identificador único y columnas descriptivas.
Tablas de Hechos
Una tabla de hechos o una entidad de hecho es una tabla o entidad de un esquema de estrella o copo de nieve que almacena medidas para medir el negocio, como las ventas, el coste de las mercancías o las ganancias.
Las tablas y entidades de hechos agregan medidas o los datos numéricos de un negocio. Para medir los datos de una tabla o entidad de hechos, todas las medidas de una tabla o entidad de hechos debe corresponder al mismo grano.
El modelado de datos es el proceso de analizar y definir todos los diferentes tipos de datos que su negocio recopila y produce, así como las relaciones entre esos bits de datos.
Niveles de abstracción de datos
Un Modelo de datos conceptual define la estructura general de su negocio y sus datos. Se utiliza para organizar los conceptos del negocio y lo definen las partes interesadas en la empresa, así como los ingenieros y arquitectos de datos.
Un modelo de datos lógico se basa en el modelo de datos conceptual e incluye atributos específicos de los datos dentro de cada entidad y las relaciones entre esos atributos. Por ejemplo, el cliente
A compra el producto B al vendedor C.Este es un modelo técnico de las reglas y estructuras de datos definidas por los ingenieros, los arquitectos de datos y los analistas de negocios, que ayuda a tomar decisiones sobre qué modelo físico precisan los datos y el negocio.
Un modelo de datos físico es la implementación específica del modelo de datos lógico y lo crean los administradores de la base de datos y los desarrolladores.
Está desarrollado para una herramienta de base de datos y una tecnología de almacenamiento de datos específicas, y contiene conectores de datos para hacer llegar la información a los usuarios a través de todos los sistemas de negocio según sea necesario.
Business Analytics
Se entiende por Business Analytics el conjunto de estrategias, tecnologías y sistemas que permiten analizar el rendimiento pasado de una organización para poder predecir comportamientos futuros, así como para detectar patrones ocultos en la información.
Big Data
Se entiende por big data el conjunto de estrategias, tecnologías y sistemas para el almacenamiento, procesamiento, análisis y visualización de conjuntos de datos complejos, que frecuentemente pero no siempre, viene definida por volumen, velocidad, variedad y veracidad.
Data Marts
Son un subconjunto de los almacenes de datos enfocados y de valor para un departamento determinado de la empresa, para un conjunto de usuarios o incluso para un análisis de datos específico.
PROPIETARIO DEL DATO (DATA OWNER)
Es la persona que se encarga de la definición conceptual de los datos, sus estándares y los requisitos de negocio. Además, promueve la calidad de los datos y su disponibilidad para todas las personas que lo requieran.
USUARIO DEL DATO (DATA USER)
Un usuario del dato es cualquier persona que esté usando datos para conseguir poner en marcha sus responsabilidades. Es un colaborador con el propietario de datos porque se encarga de definir las exigencias del uso que se quieren dar a los datos, tales como la calidad, la prontitud, o la disponibilidad, entre otras.
RESPONSABLE DE LA SEGURIDAD DE LA INFORMACIÓN
En él se denegará el establecer principios y normas de seguridad para una correcta captura, almacenamiento y uso de la información.
Además, debe implantar procesos y herramientas para la protección y seguridad de los datos.
ARQUITECTO DE DATOS
Es la persona que ha adquirido la responsabilidad de definir la arquitectura técnica necesaria para dar cobertura a las necesidades de todos los cargos anteriores.
Además, implanta sistemas que cubren las necesidades del resto de las funciones.
Por último, define metodologías de desarrollo de sistemas que aseguren el gobierno de los datos desde su origen.
RESPONSABLE DE LA CALIDAD DEL DATO
Concreta los indicadores necesarios para medir la calidad de los datos y ejecutar los mismos identificando debilidades que requieran de planes de “remediación”.
RESPONSABLE DEL GOBIERNO DEL DATO (CDO)
El CDO delimita y certifica el cumplimiento y la adecuada puesta en marcha del modelo de gobierno y gestión de datos. Tiene varias responsabilidades:
– Concretar y regular la estrategia, proyectos y actividades relacionadas con la gestión de datos.
– Fijar las responsabilidades de los diferentes usuarios y sus roles asignados en la gestión del dato y establecer el modo en que deben actuar, asegurando su participación. -Concretar y liderar principios y criterios relativos al gobierno, calidad, arquitectura y clasificación de datos. – Precisar las normativas internas que se requieren y que permiten una adecuada gestión de los datos, logrando su implementación, ejecución y cumplimiento. -Definir y organizar los procesos, metodologías de control y herramientas de gobierno de datos para evaluar y gestionar el ciclo de vida completo del dato
Carácterísticas de un DW
Orientado a la información relevante
Datos Integrado
Información no volátil
Variable en el tiempo
La inteligencia de negocios comenzó a utilizarse por los proveedores de software y consultores de tecnologías de la información como un servicio de cómputo para describir la infraestructura de almacenamiento, integración, reportes y análisis de datos que vienen integrados en los entornos de datos.
La infraestructura de inteligencia de negocios recolecta, almacena, limpia y pone la información relevante a disposición de los gerentes, apoyándose en bases de datos, repositorios de datos y últimamente Hadoop de Big Data, y las plataformas de inteligencia de negocios tanto de software propietario como de software por los proveedores de soluciones de software, que se centra más en las herramientas y técnicas para analizar y comprender los datos mediante soluciones de analítica con modelos estadísticos y de minería de datos.
Desde un punto de vista gerencial y empresarial, el análisis de los datos históricos y actuales, situaciones reales y el examen del desempeño/rendimiento proporciona a los administradores y restantes usuarios de los sistemas de BI la capacidad de adquirir conocimientos (Insights) que les facilite tomar decisiones más informadas y mejores.
El proceso de BI se basa en la transformación de los datos a información, su conversión en conocimiento, para una mejor toma de decisiones y, por último, la realización de las acciones correspondientes y adecuadas.
Los tres Pilares de la Inteligencia Empresarial
– Business Intelligence
– Business analytics
– Big data
“Se entiendo por BI al conjunto de metodologías, aplicaciones prácticas y capacidades enfocadas a la creación y administración de información que permite tomar mejores decisiones a los usuarios de una organización” (Josep Curto). El objetivo principal de BI es facilitar el acceso interactivo (de ser posible en tiempo real), a datos, facilitar la manipulación de los mismos y dar a los gerentes de negocios y analistas la capacidad de conducir el análisis adecuadamente. El proceso de BI se basa en la transformación de los datos en información.
Se entiende por Business Analytics el conjunto de estrategias, tecnologías y sistemas que permiten analizar el rendimiento pasado de una organización para poder predecir comportamientos futuros, así como para detectar patrones ocultos en la información. Es la aplicación directa de modelos a los datos del negocio. El análisis de negocio implica el uso de herramientas de DSS, especialmente modelos que asisten a las tomas de decisiones.
Se entiende por big data el conjunto de estrategias, tecnologías y sistemas para el almacenamiento, procesamiento, análisis y visualización de conjuntos de datos complejos, que frecuentemente pero no siempre, viene definida por volumen, velocidad y variedad.
El valor real se encuentra en lo que se puede hacer con los datos. No es la cantidad de información lo que marca la diferencia, sino que se trata de nuestra capacidad para analizar series extensas y complejas de datos que van más allá de todo lo que hubiéramos podido hacer anteriormente.
Extracción: Es el proceso de identificación y recolección de datos relevantes de diferentes fuentes. Normalmente los datos extraídos de fuentes de datos internas y externas no están integrados y pueden ser incompletos y estar duplicados.
Transformación: Aplica un conjunto de reglas de unificación de datos básicos para transformar los datos desde el origen al destino.
Carga: Es necesario garantizar que esta operación se realiza correctamente y empleando el menor número de recursos posible.
Visión Gerencial de la Inteligencia de Negocios
Metodología Turban en su obra sobre Inteligencia de Negocios considera que un sistema de BI tiene cuatro componentes importantes:
– Datawarehousing
– Business Analytics, colección de herramientas para manipulación, minería y análisis de los datos
de los almacenes de datos o DW.
– Business Performance Management, Gestión del rendimiento del negocio, mediante la
monitorización y análisis del desempeño.
– Interfaces de usuario, por ejemplo, cuadros de mando o dashboard.
Metodología Laudon, apoya su arquitectura en las sucesivas ediciones de su obra Sistemas de Información, que consta de seis componentes en lo que ellos denominas entorno de inteligencia de negocios.
Fuentes de datos(datos del entorno de negocio)
Infraestructura de Inteligencia de Negocios.
Herramientas de Analítica de Negocios
Interfaces de usuario
¿QUÉ ES EL BUSINESS INTELLIGENCE?
Transformación de datos de la compañía en conocimiento para obtener una ventaja competitiva.
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 OLAP, Minería de Datos, etc.) o para su análisis y conversión en conocimiento como soporte a la toma de decisiones sobre el negocio.
INFORMACIÓN OPERATIVA
Es la información que utiliza el personal operativo para realizar las operaciones que mantiene en funcionamiento el negocio.
El horizonte de tiempo de esta información es de corto plazo y sirve principalmente para Administración y Control.
Ejemplos:
Información de los despachosdel día desde un Centro de Distribución.
– Nivel de endeudamiento de un cliente que solicita un crédito.
– Ficha de Mantención de una determinada Maquinaria.
INFORMACIÓN TÁCTICA
Es la información utilizada por los coordinadores de área y directores operativos (mandos medios) para dirigir la ejecución de las operaciones por parte del personal operativo.
El horizonte de tiempo de esta información es de mediano plazo y gobierna las decisiones tácticas.
Ejemplos
Ventas Mensuales.
– Cantidad de fallos mensuales en el proceso de producción.
– Porcentaje de las colocaciones en mora.
– Gastos de Personal
INFORMACIÓN ESTRATÉGICA
Es la información utilizada por los altos ejecutivos para direccionar el negocio hacia la consecución de los objetivos estratégicos.
El horizonte de tiempo de esta información es de largo plazo y gobiernan las decisiones estratégicas.
Ejemplos:
Retorno sobre el Patrimonio(ROE).
– Nivel de Endeudamiento.
– Tendencias del Mercado.
– Clima Laboral.
VENTAJAS
Disposición de la información correcta en el momento adecuado para la toma de decisiones:
-No es necesario solicitar a diferentes departamentos, con los consiguientes tiempos de espera, la información que se requiere para tomar decisiones.
-La información está almacenada en un único lugar.
-La extracción se realiza de manera sencilla y en tiempo real
Define indicadores que permiten medir el desempeño del Negocio:
-Información de calidad y confiable.
-Reportes Operacionales, Tácticos y Estratégicos.
Provee la capacidad de evaluar distintos escenarios al mismo tiempo:
Permite analizar diferentes situaciones que pudiesen afectar el negocio.
Permite adelantar las posibles decisiones estratégicas.
Permite reaccionar rápidamente a eventos inesperados.
Permite que una tendencia negativa se convierta en acciones positivas para
la organización.
Permite realiza análisis predictivos
Permite integrar en un solo cuadro la información generada por distintas áreas:
Permite una mirada completa de la organización.
Permite detectar de áreas y procesos desviadas de los objetivos y estrategias
Capacidad de retroalimentar el conocimiento adquirido
Pone a disposición el historial de eventos acontecidos y las consecuencias sobre el negocio
Pone a disposición el historial de decisiones tomadas y el impacto que generó en la organización
Extracción de la información desde Sistemas Operacionales hacia un Repositorio Centralizado (Datawarehouse, Datamart).
Usuarios equipados con herramientas de análisis transforman la información en conocimiento (informes, consultas, minería de datos).
En base a los hechos, tendencias y patrones encontrados(insights) encontrados se toman decisiones . Pueden ser sencillas como “aumentar la producción” o complejas generadas por algoritmos estadísticos.
4. Las decisiones generan Planes de Acción para generar valor para la organización
5. Una vez ejecutado el plan, los Sistemas Operacionales capturan el impacto en la organización, el cual se evalúa y el ciclo empieza nuevamente
SOLUCIONES BUSINESS INTELLIGENCE
Se pueden clasificar en:
Consultas e Informes Simples.
Cubos OLAP
Excutive Information System (EIS)
Decisión Support System (DSS)
Data Mining
Knowledge Managemente System
CONSULTAS E INFORMES SIMPLES
Permiten obtener información de la compañía de manera simple, aunque sus capacidades analíticas son limitadas.
Muestra la información de manera estática., Las dimensiones de análisis están predefinidas., Los KPIs a mostrar están predefinidos.
CUBOS OLAP (ON-LINE ANALYTICAL PROCESSING)
Estructuras Multidimensionales que contiene datos resumidos de grandes Bases de Datos o Sistemas Transaccionales (OLTP). Se usa en informes de negocios de ventas, marketing, informes de dirección, minería de datos y áreas similares. Rapidez de respuesta., Gran capacidad de análisis., Está compuesto por hechos numéricos o métricas: de transacciones, etc. La información se visualiza a través de dimensiones organizadas en Jerarquías: día- mes-año, ciudad-regio, país, etc.
CUBOS OLAP (TIPOS)
ROLAP: Típicamente, los datos son detallados, evitando las agregaciones y las tablas se encuentran desnormalizadas. Ventajas:
• Análisis de una enorme cantidad de datos. • Flexibilidad. • Espacio.
MOLAP: Para optimizar los tiempos de respuesta, el resumen de la información es usualmente calculado por adelantado. Estos valores precalculados o agregaciones son la base de las ganancias de desempeño de este sistema
Ventajas:
• Rapidez. Además:
• HOLAP • WOLAP • RTOLAP
¿DATAWAREHOUSE ES BI?
Tener un Datawarehouse no significa hacer Business Intelligence, así como la ausencia de éste tampoco significa no hacerla. Es un concepto que facilita y sirve de base para las demás técnicas y herramientas del Business Intelligence.
¿QUÉ ES UN DATA WAREHOUSE?
Repositorio Centralizado de Datos diseñado para dar apoyo al proceso de toma de decisiones.
Características Orientado a la Información Relevante
Se diseña pensando en los procesos clave de la empresa y su cadena de valor: ventas, compras, producción, etc.
No diseñado para soportar procesos operacionales: facturación, gestión de pedidos, etc
Datos Integrados.
Se integran distintas fuentes de información:
-Sistemas Operacionales
-Datos inestructurados internos y/o externos.
-Información del Mercado • Etc.
Información no Volátil
• Los datos almacenados no son actualizados , solo incrementados.
Variable en el Tiempo
-Los sistemas Transaccionales muestran el estado actual de los hechos.
-Un DWH almacena imágenes (snapshots) en diferentes momentos del
tiempo reflejando la historia de los datos a través del tiempo.
Inmon
:
-Gran Complejidad (usuarios IT)
-Mirada Corporativa
-Estructura Top-Down
-Los Datamart son resumen o agregaciones
-Mayor costo de implementación inicial
Kimball
:
-Menor Complejidad (usuarios finales)
-Mirada por área de la empresa
-Estructura Bottom-Up
-Los Datamart en conjunto componen el DataWarehouse
-Menor costo de implementación, pero más costoso al escalar
“Un Data Warehouse no es más que una colección de Datamart”
RALPH KIMBALL“Puedes atrapar todos los pececillos del océano, ponerlos juntos y aun así no harán una ballena”
¿QUE APORTA UN DHW?
Facilita la recogida y validación diaria de la información: Todos los días el sistema carga los datos que cada departamento haya generado. Posibilita el control y comunicación interdepartamental: La información agregada diariamente es traducida a lenguaje de negocio, se hace visible y accesible a todos los miembros de la organización.Ofrece información en tiempo real sobre el estado de la empresa: lo que permite tomar decisiones acertadas y en base a la realidad presente de la compañía..Alineamiento de toda la organización: toda la empresa irá en la misma dirección, hablará el mismo lenguaje y dispondrá de la misma información.
Se debe identificar aquellos problemas que tienen actualmente los usuarios:
¿Cómo acceden a la información?
¿Tienen la información que necesita?
Tienen la información cuando la necesitan (oportunidad de la información)
¿La calidad del dato es insuficiente?
¿Se dedica excesivo tiempo a la realización de los informes?
Existen varias versiones de la “verdad”
Nformación general del esquema de estrella
El esquema de estrella es un enfoque de modelado maduro ampliamente adoptado por los almacenes de datos relacionales. Requiere que los modeladores clasifiquen las tablas del modelo como dimensiones o hechos.
Las tablas de dimensiones describen entidades empresariales (las cosas que se modelan). Las entidades pueden incluir productos, personas, lugares y conceptos, incluido el propio tiempo. La tabla más coherente de un esquema de estrella es una tabla de dimensiones de fecha. Una tabla de dimensiones contiene una columna (o columnas) de clave que actúa como identificador único y columnas descriptivas.
Normalmente, las tablas de dimensiones contienen un número relativamente pequeño de filas. Por el contrario, las tablas de hechos pueden contener un gran número de filas y seguir creciendo con el tiempo.
Las tablas de hechos pueden almacenar observaciones o eventos, y pueden ser pedidos de ventas, existencias, tasas de cambio, temperaturas, etc. Una tabla de hechos contiene columnas de clave de dimensiones relacionadas con las tablas de dimensiones y columnas de medida numéricas.
Las columnas de clave de dimensiones determinan la dimensionalidad de una tabla de hechos, mientras que los valores de clave de dimensiones determinan la granularidad de una tabla de hechos.
Por ejemplo, imagine una tabla de hechos diseñada para almacenar objetivos de ventas que tiene dos columnas de clave de dimensiones Date y ProductKey.
Resulta fácil comprender que la tabla tiene dos dimensiones.
Pero la granularidad no se puede determinar sin tener en cuenta los valores de clave de dimensiones.
En este ejemplo, imagine que los valores almacenados en la columna Date son el primer día de cada mes. En este caso, la granularidad está en el nivel mes- producto.
Dimensiones de copo de nieve
Una dimensión de copo de nieve es un conjunto de tablas normalizadas para una sola entidad de negocio. Por ejemplo, Adventure Works clasifica los productos por categoría y subcategoría.
Los productos se asignan a subcategorías y, a su vez, las subcategorías se asignan a categorías.
En el almacén de datos relacionales de Adventure Works, la dimensión de producto se normaliza y se
almacena en tres tablas relacionadas: DimProductCategory, DimProductSubcategory y DimProduct.
Si usa su imaginación, puede imaginarse las tablas normalizadas colocadas hacia fuera de la tabla de hechos, formando un diseño de copo de nieve.
¿Por qué es importante el modelado de datos?
Un modelo de datos integral y optimizado ayuda a crear una base de datos lógica simplificada que elimina la redundancia, reduce los requisitos de almacenamiento y permite una recuperación eficiente.
También equipa a todos los sistemas con una «única fuente de verdad“ que es esencial para operaciones eficaces y cumplimiento regulatorio. El modelado de datos es un paso clave en al menos dos funciones.
Con el creciente número de datos y usuarios, las organizaciones necesitan una manera de convertir los datos sin procesar en información accionable para la toma de decisiones. No es de extrañar que la demanda de analíticas de datos haya crecido drásticamente. La visualización de datos hace que los datos sean aún más accesibles para los usuarios al presentarlos gráficamente.
Los modelos de datos actuales transforman los datos sin procesar en información útil que puede convertirse en visualizaciones dinámicas. El modelado de datos prepara los datos para el análisis, depuración, definición de indicadores y dimensiones y jerarquías.
La importancia de los modelos de datos en los indicadores
Consistencia y coherencia: Los modelos de datos proporcionan una estructura estandarizada para la recopilación y almacenamiento de datos. Esto asegura que los indicadores se basen en la misma información, lo que garantiza su consistencia y coherencia.
Facilitan el análisis: Los modelos de datos bien diseñados permiten una fácil recuperación y manipulación de los datos. Esto simplifica el proceso de cálculo y análisis de los indicadores, lo que a su vez facilita la toma de decisiones informadas.
3. Relaciones y dependencias: Los modelos de datos definen las relaciones y dependencias entre diferentes conjuntos de datos. Esto es crucial para indicadores que dependen de información de múltiples fuentes, ya que asegura que las conexiones entre los datos sean claras y precisas.
4. Actualización y mantenimiento: Los modelos de datos adecuados hacen que el proceso de actualización y mantenimiento de los indicadores sea más eficiente. Al tener una estructura bien definida, los cambios en los datos pueden ser reflejados rápidamente sin afectar negativamente la integridad de los indicadores.
5. Reducción de errores: Un buen modelo de datos incluye validaciones y restricciones que ayudan a reducir errores en la entrada de datos. Esto es crucial para garantizar la precisión y confiabilidad de los indicadores.
6. Escalabilidad: A medida que la cantidad de datos aumenta con el tiempo, un modelo de datos adecuado permite que los indicadores sean escalables y puedan manejar grandes volúMenes de información sin comprometer su rendimiento.
Establecer a los responsables de carga y reporte de datos por cada reporte
Los indicadores requieren de un esfuerzo de medición consistente, más aún, al inicio del proceso de implantación. Por este motivo, es indispensable definir a todos los responsables para realizar la carga y reporte de los datos.
Es una forma efectiva de hacer esto, es identificando una persona para cada tablero de indicadores que sea la encargada de coordinar la obtención de la data proveniente de procesos y áreas diferentes en la empresa, además, es necesario llevar a cabo las coordinaciones que resulten necesarias.
Modelo de Datos para la Generación de Medidas
El «modelo de datos para la generación de medidas» es un concepto utilizado en el ámbito de la informática y la gestión de datos. Se refiere a una estructura o representación organizada de datos que permite la generación, almacenamiento, y análisis de medidas o métricas relacionadas con un sistema o proceso.
Este modelo puede variar según el contexto y los requisitos de la aplicación. En el contexto de bases de datos, puede incluir tablas, campos y relaciones para registrar y calcular diferentes medidas. Por ejemplo, en el análisis de ventas, el modelo de datos podría incluir tablas de clientes, productos, ventas y cálculos para medir ingresos, ganancias, o ventas por período de tiempo.
En términos generales, el objetivo del modelo de datos para la generación de medidas es proporcionar una estructura coherente y unificada para recopilar y gestionar información relevante para la toma de decisiones, el análisis y la presentación de resultados.
¿Qué es el modelado de datos?
El modelado de datos es el proceso de analizar y definir todos los diferentes tipos de datos que su negocio recopila y produce, así como las relaciones entre esos bits de datos.
Mediante el uso de texto, símbolos y diagramas, los conceptos de modelado de datos crean representaciones visuales de los datos que se capturan, almacenan y utilizan en su negocio.
A medida que su empresa determina cómo y cuándo se utilizan los datos, el proceso de modelado de datos se transforma en un ejercicio de comprensión y clarificación de sus requisitos de datos.
Ventajas del Modelado de Datos
Al modelar sus datos, puede documentar qué tipo de datos tiene, cómo los utiliza y los requisitos de administración relacionados con el uso, la protección y la gobernanza de la información. Estas son algunas de las ventajas del modelado de datos:
-Permite crear una estructura de colaboración entre los equipos de TI y los equipos comerciales.
-Al definir las necesidades y los usos de los datos, revela oportunidades para mejorar los procesos comerciales.
-Permite ahorrar tiempo y dinero en las inversiones de TI y de los procesos gracias a una planificación adecuada.
-Reduce errores (así como la introducción de datos redundantes, lo que contribuye a generar problemas) y, al mismo tiempo, mejora la integridad de los datos.
-Aumenta la velocidad y el rendimiento de la recuperación y el análisis de datos gracias a la planificación de la capacidad y el crecimiento.
-Permite establecer y supervisar indicadores clave de rendimiento adaptados a sus objetivos empresariales.
-No se trata solo de los resultados del modelado de datos, sino de cómo se obtienen esos resultados.
Niveles de abstracción de datos
Un modelo de datos conceptual define la estructura general de su negocio y sus datos. Se utiliza para organizar los conceptos del negocio y lo definen las partes interesadas en la empresa, así como los ingenieros y arquitectos de datos.
Por ejemplo, puede tener datos de clientes, empleados y productos, y cada uno de esos cubos de datos, llamados entidades, tendrá relaciones con otras entidades. Tanto las entidades como las relaciones entre ellas se definen en el modelo de datos conceptual.
Niveles de abstracción de datos
Un modelo de datos lógico se basa en el modelo de datos conceptual e incluye atributos específicos de los datos dentro de cada entidad y las relaciones entre esos atributos. Por ejemplo, el cliente A compra el producto B al vendedor C.
Este es un modelo técnico de las reglas y estructuras de datos definidas por los ingenieros, los arquitectos de datos y los analistas de negocios, que ayuda a tomar decisiones sobre qué modelo físico precisan los datos y el negocio
Niveles de abstracción de datos
Un modelo de datos físico es la implementación específica del modelo de datos lógico y lo crean los administradores de la base de datos y los desarrolladores.
Está desarrollado para una herramienta de base de datos y una tecnología de almacenamiento de datos específicas, y contiene conectores de datos para hacer llegar la información a los usuarios a través de todos los sistemas de negocio según sea necesario.
Este tipo de modelo es la culminación que han propiciado los otros modelos: la implementación real del conjunto de datos.
Cómo afectan los conceptos del modelado de datos a los análisis
El modelado de datos, la ciencia de datos y el análisis de datos van de la mano: necesita un modelo de datos de calidad para obtener el análisis más concluyente con una inteligencia empresarial efectiva que sirva de orientación en futuras decisiones.
El proceso de creación de un modelo de datos implica solicitar a cada unidad de negocio que observe cómo contribuye a los objetivos globales de la organización.
Además, un modelo de datos sólido implica un rendimiento analítico optimizado, sin importar cuán grande y complejo sea (o llegue a ser) su conjunto de datos.
Con todos los datos claramente definidos, resulta mucho más fácil analizar exactamente cuáles son necesarios.
Como ya ha configurado las relaciones entre los atributos de los datos en el modelo, resulta sencillo analizar y ver las consecuencias a medida que se cambian los procesos, los precios o la dotación de personal.
¿Cuál es el factor más importante en el modelado de datos?
Lo más importante que debe tener en cuenta en el modelado de datos es establecer unos cimientos sólidos para una base de datos que pueda cargar, recuperar y analizar rápidamente grandes volúMenes de información.
Un concepto de modelado de datos eficaz requiere asignar los datos empresariales, las relaciones entre los datos y la forma en que estos se utilizan.
¿Por qué necesitamos métricas?
Las métricas se utilizan para impulsar mejoras y ayudar a las empresas a centrar su personal y sus recursos en lo que es importante.
En general, las métricas deben reflejar y apoyar las distintas estrategias de todos los aspectos de la organización, como las finanzas, el marketing, la competencia, las normas o los requisitos y expectativas de los clientes.
Las métricas indican las prioridades de la empresa y ofrecen una ventana al rendimiento, la ética y la ambición. En última instancia, las métricas ayudarán a decidir a la organización:
-De dónde viene
-Hacia dónde se dirige
-Cómo van las cosas
-Cuando se alcanzan los objetivos
-Ejemplos de métricas de ventas
-Duración media del ciclo del cliente
-Es el tiempo que pasa desde el momento en el cual se entra en contacto
con un lead, hasta que se cierra la venta, convirtiéndose así en cliente.
-Para calcularlo, debes contar con el tiempo de cada cliente, una cifra que
puedes obtener fácilmente a través de una plataforma de gestión de
clientes o al aplicar la siguiente fórmula:
-Duración media del ciclo del cliente = Sumatoria del tiempo de cada
cliente / Número de clientes Por ejemplo, si tienes 4 clientes, con los siguientes tiempos: 3 meses, 1 mes, 5 meses, 2 meses. Duración media del ciclo del cliente = 11 meses / 4 clientes = 2.75 meses.
Entonces el tiempo medio de conversión de mis clientes es de 2.75 meses.
Ejemplos de métricas de ventas – Tasa de cierre o de conversión
Esta métrica hace referencia a la cantidad de ventas cerradas durante un periodo determinado, teniendo como base el total de clientes potenciales.
Para obtener la tasa de cierre, debes aplicar la siguiente fórmula:
• Tasa de cierre = ventas cerradas en el mes / leads totales durante ese mes
La fórmula puede ser aplicada para medir la efectividad del equipo de ventas en general y puede también aplicarse para cada vendedor.
Además, este indicador, permite analizar si es necesario implementar una estrategia para generar leads más calificados, hacer seguimiento y convertirlos en clientes con mayor agilidad.
Por ejemplo, si al finalizar el mes cuentas con una base de 300 leads y logras cerrar 20 ventas: Tasa de cierre = 20 / 300 = 0.066 x 100 = 6.66%.
Esto significa que la tasa de cierre de tu equipo es de 6.66%. En otras palabras, de todos los clientes potenciales, se concretó la venta con el 6.66%.
Ejemplos de métricas de ventas – Leads para un cliente
Esta métrica se desprende de la anterior (tasa de cierre) porque es el cálculo inverso, que pretende averiguar cuántos leads necesitas tener para cerrar una venta.
Para calcularlo, necesitas la información sobre el total de leads en un periodo determinado y el número de ventas.
Luego, debes aplicar la siguiente fórmula:
• Leads para un cliente = número de leads totales / número de ventas totales Continuando con las cifras del ejemplo anterior:
Leads para un cliente = 300 / 20 = 15.
Esto significa que, para lograr 1 venta, necesitas tener 15 leads o clientes potenciales.
Ejemplos de métricas de ventas – Tasa de ventas de cada vendedor
Este indicador mide el desempeño de cada vendedor, calculando su participación en las ventas totales durante un periodo determinado (mes / trimestre / semestre / año), de acuerdo con la necesidad de la empresa.
Ventas por vendedor = número ventas de un vendedor en un período de tiempo / número ventas totales en el mismo periodo.
Por ejemplo: si un vendedor realiza 150 ventas en un mes y el total de ventas del equipo es de 500, entonces: Ventas por vendedor = 150 / 500 = 0.3 x 100 = 30%.
Esto significa que el 30% de las ventas del mes fueron realizadas por ese vendedor.
Este cálculo podría hacerse también con el valor de las ventas, en vez de la cantidad de ventas. La fórmula varía de la siguiente forma:
Valor ventas por vendedor = Valor ventas de un vendedor en un período de tiempo / Valor ventas totales en el mismo periodo.
Así, si el vendedor cerró ventas por 5.000 pesos y el total de las ventas del mes fue de 40.000 pesos, entonces: Valor ventas por vendedor = 5.000 / 40.000 = 0.125 x 100 = 12.5%.
Esto significa que ese vendedor fue responsable del 12.5% del valor de las ventas del mes.
Ejemplos de métricas de ventas –
Costo de adquisición del cliente (CAC)
Esta métrica responde a la pregunta “¿Cuánto le cuesta a una empresa conseguir un cliente?”. En este cálculo intervienen los costos de marketing, ventas, publicidad, representación, relaciones públicas y todo lo que se realice para promover el cierre de la venta.
Se calcula aplicando la siguiente fórmula:
CAC = Costos de marketing + ventas / número de clientes
Por ejemplo, si en el periodo de un mes, una empresa tiene costos de marketing por 10.000 pesos, de ventas por 8.000 pesos y logra convertir 10 clientes durante ese mismo periodo, el cálculo sería:
CAC = (10.000 + 8.000) / 10 = 1.800 pesos.
Esto quiere decir, que para la empresa adquirir un cliente, debe invertir en promedio 1.800 pesos
Es un indicador interesante, porque facilita la toma de decisiones para mejorar el retorno de la inversión (Roí) y obtener más beneficios para la empresa. Por ejemplo, disminuir el CAC a través de una inversión más estratégica en publicidad y marketing. Teniendo un mayor alcance con la misma inversión, se logra un incremento en el número de clientes y se reduce el CAC.
Ejemplos de métricas de ventas – Ganancia bruta por cliente
Otro importante cálculo que se puede desprender de esta métrica es la ganancia bruta por cliente.
La fórmula para calcular la ganancia bruta por cliente es:
• Ganancia bruta por cliente = ganancia promedio por cliente – CAC
Por ejemplo, si la ganancia promedio de cada cliente es de 3.000 pesos y el costo de adquisición es de 1.800, el cálculo se vería así:
Ganancia bruta por cliente = 3.000 – 1.800 = 1.200 pesos.
Esto significa que de cada venta a un cliente se recibe una ganancia bruta de 1.200 pesos.