ANALISIS DE HERRAMIENTAS DEL ENFOQUE DE INTELIGENCIA …

ANALISIS DE HERRAMIENTAS DEL ENFOQUE DE INTELIGENCIA DE NEGOCIOS: CASO DE ESTUDIO DATOS DE LA BANCA CORPORATIVA Y DE

INVERSION

LEIDY VANESSA RODRIGUEZ MERCHAN

ELIECER MAURICIO MARTINEZ GUZMAN

UNIVERSIDAD PILOTO DE COLOMBIA

FACULTAD DE INGENIERIA DE SISTEMAS

BOGOTA

2018

ANALISIS DE HERRAMIENTAS DEL ENFOQUE DE INTELIGENCIA DE NEGOCIOS: CASO DE ESTUDIO DATOS DE LA BANCA CORPORATIVA Y DE

INVERSION

LEIDY VANESSA RODRIGUEZ MERCHAN

ELIECER MAURICIO MARTINEZ GUZMAN

Proyecto de grado para optar al título de

Ingeniero de sistemas

Director de investigación

LUIS FELIPE HERRERA QUINTERO PhD

UNIVERSIDAD PILOTO DE COLOMBIA

FACULTAD DE INGENIERIA DE SISTEMAS

BOGOTA

2018

Notas de aceptación ___________________________________

___________________________________

___________________________________

___________________________________

___________________________________

___________________________________

___________________________________

Firma del presidente del jurado

___________________________________

Firma del jurado

___________________________________

Firma del jurado

Bogotá, 15,05,2018

Dedicatoria

A Dios por ser quien trazo la línea perfecta para guiarnos hasta el final de nuestra

carrera, él fue quien dispuso en nuestro camino a nuestras familias que con su

gran apoyo, constancia y dedicación depositaron su confianza y creyeron que

sería posible este momento tan importante para cada uno de nosotros.

A nuestras madres quienes con su esfuerzo nos ofrecieron la oportunidad de

comenzar esta carrera y hoy terminarla, cerrando de esta manera un ciclo más de

aprendizaje y abriendo una nueva etapa de accionar frente a cada una de las

metas, sueños e ilusiones que aún quedan pendientes por realizar en el

transcurso de la vida como parte esencial de la realización personal.

Agradecimientos

A Dios, familia, compañeros y Universidad, cada uno por su participación en el

proyecto de investigación, que, al unirse en un solo conjunto, se convirtió en la

base para proyectar los objetivos de nuestro proyecto.

A mi compañero de vida quien fue mi fuerza en todo el proceso, quien además

dedicó gran parte de su tiempo y compartió de manera desinteresada sus

conocimientos para el desarrollo de este proyecto.

A nuestro director de tesis el Ingeniero Luis Felipe Herrera, por su orientación

frente a la manera correcta de abordar y plasmar el propósito de nuestra

investigación.

A nuestra tutora Nelly Stella Beltrán quien con su apoyo en todo el proceso nos

orientó de manera correcta para llevar acabo el resultado correcto de nuestra

investigación

Al economista Juan Sebastián Barrantes quien contribuyo al análisis financiero en

aras de generar valor al área de CIB.

Una vez más a nuestros padres, quienes siempre han creído en nuestras

capacidades y se han esforzado por educarnos como seres con valores,

pensamiento crítico y enfoque social.

TABLA DE CONTENIDO

1. PRESENTACION DEL TRABAJO DE GRADO ............................................... 11

1.1 DEFINICIÓN DEL PROBLEMA ............................................................................................. 11

1.2 JUSTIFICACION ........................................................................................................................ 13

1.3 OBJETIVOS ............................................................................................................................... 14

1.3.1 General ............................................................................................................................. 14

1.3.2 Específicos ........................................................................................................................ 14

2. MARCO REFERENCIAL ................................................................................. 15

2.2 Antecedentes Big Data ............................................................................................................ 16

2.2.1 Data Mining ...................................................................................................................... 20

2.2.2 Big Data Analytics ............................................................................................................. 21

2.2.3 Estandarización del Big Data ............................................................................................ 22

2.2.4 Regulación del Big Data ................................................................................................... 23

2.2.5 Importancia y ventajas del Big Data ................................................................................ 24

2.2.6 Big Data y BDA en el sector financiero ............................................................................. 25

3. INVESTIGACIÓN SOBRE DIFERENTES TECNICAS, METODOLOGIAS Y

HERRAMIENTAS DE INTELIGENCIA DE NEGOCIO. .......................................... 27

3.1. Inteligencia de negocio .......................................................................................................... 27

3.1.1 BDA Tools y la revolución de Hadoop .............................................................................. 29

3.1.2 Técnicas de inteligencia de negocio ................................................................................. 30

3.1.3 Enfoques metodológicos de inteligencia de negocio ...................................................... 31

3.1.4 Herramientas de inteligencia de negocio ........................................................................ 32

3.2. Análisis del estado del arte .................................................................................................... 34

4. DISEÑO METODOLOGICO ............................................................................... 37

4.1. Descripción del proceso .................................................................................................... 37

4.2. Población y muestra ............................................................................................................... 38

4.3 Técnicas e instrumentos ......................................................................................................... 38

4.4 Desarrollo para recolección de requerimientos ..................................................................... 39

5. RESULTADOS ................................................................................................... 41

2

5.1 Análisis comparativo ............................................................................................................... 41

I. A continuación se presenta el análisis de la herramienta Qlik: ............................................. 43

II. A continuación se presenta el análisis de la herramienta Sisense: ...................................... 45

III. A continuación se presenta el análisis de la herramienta Tableau: ..................................... 47

IV. A continuación se presenta el análisis de la herramienta Domo: ....................................... 50

V. A continuación se presenta el análisis de la herramienta Dundas: ...................................... 53

VI. A continuación se presenta el análisis de la herramienta Power BI: ................................... 55

5.2 Comparación de herramientas ............................................................................................... 57

5.3 Especificación de requerimientos ........................................................................................... 63

5.4 Proceso de ETL ........................................................................................................................ 65

5.5 Caso de estudio CIB ................................................................................................................. 65

6. CONCLUSIONES .............................................................................................. 66

7. RECOMENDACIONES ...................................................................................... 67

BIBLIOGRAFIA ...................................................................................................... 68

ANEXOS ................................................................................................................ 72

3

LISTA DE TABLAS

págs.

Tabla 1 Técnicas de inteligencia de negocios 31

Tabla 2 Formato User Stories 39

Tabla 3 Formato de Comparación de las herramientas de BI 40

Tabla 4 Comparación de herramientas de inteligencia de negocio 59

Tabla 5 User Stories 1 63





https://upcedu.sharepoint.com/sites/TESISBI/Shared%20Documents/Business%20intelligence%20Final.docx#_Toc514183608


4

LISTA DE FIGURAS

Ilustración 1 Big Data Organigrama 15

Ilustración 2 Breve línea del tiempo Big Data 16

Ilustración 3 Participación sectorial en el mercado del Big Data (2016) 25

Ilustración 4 Breve historia de la inteligencia de negocio 28

Ilustración 5 Uso de las herramientas en las compañías 33

Ilustración 6 Herramientas de Inteligencia de negocio según sus características 34

Ilustración 7 Cuadrante mágico de Garner 2018 42


5

LISTA DE ANEXOS

Anexo 1: Preguntas Entrevista Anexo 2: Prueba 001 Tableau Desktop Anexo 3: Prueba 002 Power BI Anexo 4: Prueba 003 Qlik Sense Desktop

6

GLOSARIO

Inteligencia de negocio: ―Es el conjunto de estrategias, metodologías, practicas, capacidades y tecnologías enfocadas a la creación y administración de información que nos ayudan a convertir los datos en información de calidad, y dicha información en conocimiento que nos permita una toma de decisiones más acertadas y nos ayude así a mejorar nuestra competitividad.‖1

Orígenes de datos: Según el libro de Salvador Ramos2, son las bases de datos de los sistemas transaccionales (ERP, CRM, RRHH, aplicaciones departamentales.), archivos (texto, libros de Excel y otros tipos de archivos), páginas y servicios web, fuentes open data, etc.

Análisis de datos: Proceso que consiste en inspeccionar, limpiar y transformar datos con el objetivo de resaltar información útil, lo que sugiere conclusiones, y apoyo en la toma de decisiones.3

OnLine Analytical Process (OLAP): Josep Curto y Jordi Conesa4 definen OLAP como un método ágil y flexible para organizar datos, con el fin de recuperar y manipularlos a través de consultas o informes. Existen diferentes tipos de OLAP tales como Multidimensional OLAP, Relational OLAP, Hybrid OLAP, Desktop OLAP e In-memory OLAP.

Cuadros de mando (Dashboard): Según las definiciones en el libro de Josep Curto y Jordi Conesa5, se definen los cuadros de mando como una herramienta que permite entender rápidamente la situación de negocio y son atractivos visualmente. Presentan una cantidad reducida de aspectos de negocio, en su mayoría muestra gráficos e incluye elementos interactivos para potenciar el análisis en profundidad y la comprensión de la información consultada.

Proceso ETL: De acuerdo con Salvador Ramos6, este proceso es una tecnología de integración de datos basada en la consolidación de datos que se usa tradicionalmente para alimentar data Warehouse, data mart, creación de datas y carga de estas.

Base de datos: Es un conjunto exhaustivo de datos estructurados, fiables y homogéneos, organizados independientemente de su utilización y de su implementación en máquina, accesibles en tiempo real, compartibles por usuarios

1 RAMOS, Salvador. Microsoft Business Intelligence. Vea el cubo medio lleno. Albatera: SolidQ Press, 2011. p.9

2 RAMOS, Salvador. BI & Analytics. El arte de convertir datos en conocimiento. Vol. I. Albatera: SolidQ Press, 2016. p.14

3 JUDD, Charles & MCCLELAND. Data Analysis. Harcourt Brace Jovanovich, 1989

4 CORNESA, J., & CURTO, J. Introducción al Business Intelligence. 1 ed. Barcelona: UOC, 2010. p.96

5 CORNESA, J., & CURTO, J. op. cit. p.177

6 RAMOS, Salvador. Microsoft Business Intelligence. Vea el cubo medio lleno. Albatera: SolidQ Press, 2011. p.14-15

7

concurrentes que tienen necesidades de información diferentes y no predecibles en el tiempo. 7

Datos: ―Son la mínima unidad semántica, y se corresponden con elementos primarios de información que son irrelevantes como apoyo a la toma de decisiones, se pueden ver como un conjunto discreto de valores, que no dicen nada sobre el porqué de las cosas y no son orientativos para la acción‖.8

Información: ―Es un conjunto de datos procesados y que tienen un significado relevancia, propósito y contexto, son de utilidad para quién debe tomar decisiones, al disminuir su incertidumbre‖.9 También puede ser vista como un recurso para la generación de nuevas ideas, formulación y selección de estas para convertirlas en proyectos.

Conocimiento: ―Es una mezcla de experiencia, valores, información y know-how que sirve como marco para la incorporación de nuevas experiencias e información, es útil para la acción. Se origina y aplica en la mente de los conocedores. (Davenport & Prusak, L., 1999).‖ 10

Gestión del conocimiento: De acuerdo con José11, podría decirse que la gestión del conocimiento agrupa varias técnicas para gestionar, controlar y transmitir toda la información acumulada en la compañía a lo largo de su historia.

Minería de datos: proceso de seleccionar, explorar, modificar, modelar y valorar grandes cantidades de datos con el objetivo de descubrir conocimiento útil a partir de los datos en bruto de una organización.12

Big data: De acuerdo con la organización internacional de estandarización (ISO), Big Data es un concepto que se refiere a la inhabilidad que presentan las arquitecturas de datos tradicionales para procesar eficientemente nuevos sets de datos. Otros autores13 lo definen como una colección de sets de datos estructurados o no estructurados, que sobrepasan las capacidades de procesamiento de los sistemas de bases de datos convencionales.

7 ELMASRI, Ramez A. Navathe; ELMASRI, Shamkant BRamez A.; NAVATHE, Shamkant B. Fundamentos de sistemas de

bases de datos. Addison Wesley, 2010. p.8 8 MUÑOZ, H., OSORIO, M., & ZÚÑIGA, P. Inteligencia de los negocios. Clave del Éxito en la era de la información. En: Clío

América, 2016. vol. 10, no.20. p.2. 9 MUÑOZ, H., OSORIO, M., & ZÚÑIGA, P. op. cit. p.2. 10

MUÑOZ, H., OSORIO, M., & ZÚÑIGA, P. Inteligencia de los negocios. Clave del Éxito en la era de la información. En:

Clío América, 2016. vol. 10, no.20. p.2. 11

RODRIGUEZ, José. Características de los proyectos de inteligencia de negocio. UOC, 2014. p.10-15 12

MATAMORROS, Rafael. Implantación en una empresa de un sistema de BI SaaS. Ingeniero informático Valencia. Universidad Politécnica de Valencia, 2010. p.32-33 13

SOGODEKAR, Mrunal, et al. "ig data analytics: hadoop and tools. En: Bombay Section Symposium (IBSS), 2016 IEEE.

8

RESUMEN

A medida que crece la información, la exigencia que surge en las organizaciones para administrarla, se convierte en una necesidad y a la vez en un problema de cómo obtener la validez adecuada de los datos, razón por la cual el análisis de datos, su administración y la inteligencia de negocio es la prioridad tecnológica de hoy.

Esta investigación discute la utilización principal del análisis del Big data comparando diferentes herramientas disponibles para la validación de Big Data. Además, este documento discute el caso de estudio de la banca realizado para superar los grandes desafíos y necesidades de datos.

Una organización puede ser más impulsada por los datos mediante el uso de tecnologías Big Data y optando por el proceso de Inteligencia de negocio. Por lo tanto, en esta tesis se responderá la siguiente pregunta de investigación: ¿La inclusión de técnicas y herramientas asociadas a inteligencia de negocio y Big data pueden ayudar a optimizar la toma de decisiones estratégicas/operacionales en el área de la banca corporativa y de inversión?

Palabras claves

Big Data, Datos, Banca, Inteligencia de negocio

9

INTRODUCCION

En los últimos años, el crecimiento exponencial de la información en todo el planeta ha estado en auge, según estudios estadísticos en las redes sociales14, cada segundo en promedio se envían alrededor de 6000 Tweets, se suben 845 fotos a Instagram, el tráfico de red se estima en los 56895 GB, los correos enviados llegan a los 2.692.010, las búsquedas de Google se estiman en 67.023 y al final del día llegan a 3.5 billones de búsquedas, entre muchas otras estadísticas, y seguirá creciendo aún más con la progresiva inclusión de dispositivos de internet de las cosas (IOT) y otras tecnologías que generarán gran cantidad de datos sin procesar almacenados en la red; se espera que el crecimiento de los datos (estructurados, no estructurados y semi-estructurados) desde el 2010 hasta el 2020 sea de 50 veces, aumentando al doble cada dos años, llegando así a los

44.4 ZB (1 zettabyte = bytes) de información. Estos datos se vuelven tan inmanejables debido a su volumen y complejidad que es necesario el uso de tecnologías o herramientas especializadas que se encarguen de procesar y analizar dichos datos, tales como Inteligencia de Negocio, Big Data y analítica de datos.

Según un estudio de Stratistics15, el mercado global de inteligencia de negocio

espera un crecimiento desde $15.64 billones de dólares en el 2016 a $29.48

billones de dólares para el 2022 con una tasa de crecimiento compuesto anual del

11.1%. Los principales factores que mueven este mercado son la adopción de la

nube, el crecimiento de analítica avanzada, adopción de decisiones basadas en

datos y el surgimiento de las tecnologías habilitadas por IOT, además de la

adopción de la inteligencia negocio en las pequeñas y medianas empresas. Por

otro lado, las inversiones altas de capital y el número limitado de trabajadores

calificados son las limitantes del mercado actualmente.

Hoy en día, como se menciona anteriormente, estas tecnologías están ganando importancia en los escenarios estratégicos de las compañías a nivel mundial, especialmente en el sector financiero, donde la importancia del análisis y comprensión de los datos, pronóstico de tendencias futuras y capacidad de funcionar sin fallas en la toma de decisiones es totalmente critica.16 Por lo cual ―las 14

Internet Live Stats. {En linea}. {mayo, 2018}. Disponible en: www.internetlivestats.com/one-second/ 15

Stratisctis Market Research Consulting. Business Intelligence (BI) – Global Market Outlook (2016-2022). {En linea}. {mayo, 2018}. Disponible en: www.strategymrc.com/report/business-intelligence-bi-market 16

LORENZETTI, Cristina. Business Intelligence Systems in The Financial Industry. Master of Sience in Management, Economics and Industrial Engineering, Milano. Politecnico Di Milano, 2010.

10

principales economías del mundo han avanzado en el reconocimiento de los datos como elemento central para la adaptación a la cuarta revolución industrial y para el apalancamiento del crecimiento económico‖.17 Es por esto por lo que en américa latina la importancia de estas es creciente; para el 2012 según Mario Carbajo et. al.18, Brasil concentraba el 50% de la inversión en BI, seguida de México con el 20% y 25% para centro américa, Argentina con niveles de inversión en torno al 8%, y Perú y Colombia tenían crecimientos de dos dígitos, por lo cual podemos ver que los gobiernos se están interesando paulatinamente en adoptar estas tecnologías para mejorar el crecimiento de sus países a nivel general. De hecho, actualmente en Colombia la importancia de los datos como activo para generar valor social y económico al país es tan importante que es el primer país en américa latina y el octavo en el mundo en creo una herramienta jurídica (CONPES 3920) que controla la explotación de datos definiendo ―un marco jurídico e institucional que maximice la obtención de beneficios del aprovechamiento de datos, permita la cooperación entre los sectores público y privado y refuerce la protección de los derechos de los ciudadanos en la transformación de los datos cuantificables y procesables al que llaman datificacion‖.19

En este sentido se identifica que los elementos de inteligencia de negocio son fundamentales en el crecimiento y competitividad empresarial. De hecho, empresas como IBM a través de soluciones como WATSON, Google a través de Cloud Dataproc, entre otras, ofrecen procesamiento analítico para ayudar a generar información de valor permitiendo generar mejores estrategias para las empresas o sectores que las usen. Es por esto que en este trabajo se abordan principalmente el análisis de diferentes herramientas de inteligencia de negocio que permitan mejorar la generación de estrategias en el sector financiero, específicamente en el área de la banca corporativa y de inversión.

17

DEPARTAMENTO NACIONAL DE PLANEACION(Colombia). Política Nacional de explotación de datos (Big Data). {En línea}. {mayo, 2018}. p.3. Disponible en: https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/3920.pdf

18 CARBAJO, Mario; et. al. Proyecto de investigacion de Business Intelligence en America Latina.Universidad de San Martin

de Porres, 2012. p.14. 19

DEPARTAMENTO NACIONAL DE PLANEACION(Colombia).op. cit.

11

1. PRESENTACION DEL TRABAJO DE GRADO

En esta sección se presentará el problema a abordar, la justificación del porqué

abordar dicho problema y los objetivos propuestos para cumplir con la

investigación.

1.1 DEFINICIÓN DEL PROBLEMA

El crecimiento de los datos en el mundo hace que los mismos sean tratables únicamente por medio de herramientas especializadas debido al volumen de los mismos o a que no son estructurados, y cargar ese volumen de datos no estructurados requiere un proceso complejo y tedioso si no se hace uso de las herramientas. Incluso el transformar los datos estructurados en conocimiento accionable es un trabajo complejo que se extiende más allá de los centros de datos, hasta el borde y en la nube en un entorno hibrido sin fisuras.

Los desafíos que se tienen respecto a esto son la gestión del sistema y el crecimiento de la complejidad de los clusters, el poder de los centros de datos, refrigeramiento y limitaciones espaciales, el almacenamiento, movimiento de datos y gestión de la complejidad, entre otras. De acuerdo con estos desafíos las empresas se enfrentan a un mercado de diferentes herramientas que permiten dar solución a los mismos, pero son tantas y con diferentes funcionalidades que escoger alguna para dar solución a los requerimientos o metas de la empresa se debe realizar un estudio de las mismas para ver cuál de ellas puede dar la mejor solución a un costo razonable de acuerdo al uso que se le hará a la aplicación, pero en general las empresas deciden quedarse con sus antiguos sistemas para analizar la información por simple comodidad.

Tal es el caso en la industria bancaria la cual está experimentando una transformación mundial masiva como resultado de las nuevas tecnologías y del cada vez mayor volumen de información que debe ser procesado, transformado y analizado. La aplicación del Big Data y la analítica se ha convertido en un eje fundamental centrado en diversos procesos de esta industria, muchos de estos asociados al comportamiento de la banca, balances generales y estados de resultados entre otros.

12

Teniendo en cuenta que el aprovechamiento de grandes cantidades de información que agreguen importancia y optimicen la toma de decisiones se presenta como una gran oportunidad, se propone el caso de estudio de la banca corporativa y de inversión donde se evidencian falencias con respecto a las grandes cantidades de datos generados mensualmente los cuales no se están tratando de manera inteligente debido al uso de herramientas convencionales ya obsoletas para su procesamiento y análisis, dejando pasar una excelente oportunidad de negocio.

La presente investigación busca responder a la pregunta: ¿La inclusión de técnicas y herramientas asociadas a inteligencia de negocio y Big data pueden ayudar a optimizar de manera general la toma de decisiones estratégicas/operacionales en el área de la banca corporativa y de inversión?

13

1.2 JUSTIFICACION

El análisis de datos se ha convertido en un problema fundamental y desafiante en el área de la banca corporativa y de inversión, puesto que los datos generados tanto por la banca como por sus clientes son de gran volumen y relevancia para la toma de decisiones.

Es allí donde surge la necesidad de adoptar un enfoque novedoso para mejorar el tratamiento de los datos, brindando una solución de Inteligencia de negocio que pueda dar apoyo a la toma de decisiones empresariales, implementando nuevas estrategias de negocio enfocadas a la creación de información inteligente a partir de los datos almacenados.

La presente investigación pretende generar conciencia en los beneficios al adoptar prácticas enfocadas al aprovechamiento del Big data y uso de herramientas de inteligencia de negocio, brindado así un ágil proceso de gestión de los datos generando diferentes soluciones de los reportes realizados por CIB y con ello suspender las deficiencias presentadas en el área en cuanto a tiempos, informes, estrategias de negocio y por ultimo resaltar la importancia que tienen los datos en el negocio, buscando presentar al lector una visión más amplia que permita identificar oportunidades de aplicabilidad a nivel empresarial.

14

1.3 OBJETIVOS

1.3.1 General

Analizar las herramientas del enfoque de inteligencia de negocios para generar soluciones a la banca corporativa y de inversión.

1.3.2 Específicos

Investigar sobre las diferentes técnicas, metodologías, herramientas y conceptos de la inteligencia de negocio, para el debido tratamiento de datos, generación de estrategias y valor corporativo.

Realizar una comparación de las herramientas de inteligencia de negocios identificando sus bondades y campos de uso.

Generar el proceso de ETL en una herramienta del enfoque de inteligencia de negocio para la creación de escenarios asociados al enfoque del proyecto

Analizar un conjunto de datos suministrados desde la banca corporativa y de inversión en aras de generar valor agregado para el área.

15

2. MARCO REFERENCIAL

A continuación, se mostrarán los temas a abordar en la investigación de Big Data

reflejada en la ilustración 1:

Ilustración 1 Big Data Organigrama

BIg

Dat

a

Línea de tiempo

Data Mining

Analytics

Estandarización

Regulación

BDA Tools

Inteligencia de negocio

Técnicas

Enfoques metodológicos

Herramientas Importancia y

ventajas

BDA en el sector financiero

16

2.2 Antecedentes Big Data

El Big data ha abarcado diferentes aspectos y evolucionado notablemente con el

tiempo, mostrando así una serie de usos desde su explotación, tratamiento,

análisis y administración. Este gran término ha generado una gran importancia en

el mundo entero brindando así estándares y regulaciones del uso de los datos en

cada país. Por consiguiente, se abordarán algunos de los temas relacionados con

el Big data como lo es data, mining, data analytics, estandarización y regulación.

Ilustración 2 Breve línea del tiempo Big Data

Fuente: interlogica.it

El primer cambio fundamental en el manejo de la información podría decirse que data del año 1894, cuando un inventor estadounidense revolucionaría la forma como se procesaba y trataban los datos hasta entonces al crear su famosa máquina de tabulación, donde proponía el uso de patrones en tarjetas perforadas los cuales serían reconocidos por la máquina para reducir el tiempo que tomaría el proceso de censar a la población el cual se estimaba podría tomar entre 8 y 10

17

años en completarse. Gracias a Herman Hollerith el tiempo se redujo a tan solo tres meses de ejecución.20 Para mediados del siglo XX, en se estimaba que el tamaño de las bibliotecas universitarias en norte américa se doblaba en tamaño cada 16 años, siguiendo esta predicción se estimaba que para el año 2040 se manejarían aproximadamente 200 millones de libros en una sola biblioteca, lo cual requeriría de aproximadamente seis mil personas para poderse mantener.21 En 1965 Estados Unidos propuso por primera vez la implementación de un Data Center para guardar datos poblacionales que se volvían cada vez más difíciles de manejar, como las huellas digitales de las personas y las declaraciones de impuestos de los ciudadanos, sin embargo, en su momento la idea fue considerada como una violación a la privacidad de la población.22 En 1976, las compañías empiezan a ver una posibilidad en las máquinas de software para agilizar sus diferentes procesos de negocio, a través de la implementación de MRP’s (Material Requirements Planning), sistemas que buscaban hacer más eficiente el manejo de inventarios y recursos a nivel organizacional.23 Para finales de los 80, el concepto de ―Inteligencia de negocio‖ empieza a ganar popularidad, las empresas empiezan a adoptar sistemas enfocados al análisis de datos buscando generar impacto a partir de ellas en la toma de decisiones y el rendimiento operacional. Aparece por primera vez también el término Big Data, usado por Erik Larson para referirse a una gran cantidad de datos que presentaba dificultad para ser procesada por los sistemas actuales, definición que mantiene su esencia hasta hoy en día.24

20

HOLLERITH, Herman. The electrical tabulating machine. En: Journal of the Royal Statistical Society, Vol. 57, Issue 4,

1894, pp. 678-689. 21

MOLYNEUX, Robert E. What Did Rider Do? An Inquiry into the Methodology of Fremont Rider's" The Scholar and the

Future of the Research Library". En: Libraries & culture, Vol. 29, No. 3, 1994, pp. 297-325. 22

LLEN, R. and SCOTT, P. Data Center Planned Called Privacy Invasion. En: The Lewiston Daily Sun,1966. p.11. 23

ORLICKI, Joseph A. Material requirements planning: the new way of life in production and inventory management.

McGraw-Hill, 1975.

24 MUKHERJEE, Triparna; NATH, Asoke. Big Data Analytics with Service-Oriented Architecture. Exploring Enterprise

Service Bus in the Service-Oriented Architecture Paradigm, 2017, p. 216-234.

18

En la década de los 90, con la aparición del internet y el rápido crecimiento de la velocidad de procesamiento y memoria de los sistemas el almacenamiento digital se presenta como una opción más económica sobre el almacenamiento tradicional. Michale Lesk25 teoriza que en el mundo existen aproximadamente doce mil Petabytes de información. Dado lo anterior se popularizan aún más los sistemas enfocados al análisis de información, se funda QlikTech una compañía productora de software con enfoque en analítica de datos e inteligencia de negocio. Entre el año 2000 y 2010 con el boom de las tecnologías de información y comunicación se produce un impacto directo en la cantidad de información existente en el mundo. En el año 2000, se calcula que en el mundo existían 1.5 billones de Gigabytes de información digital26, cifra que para finales de esta década sería totalmente obsoleta pues Google27 confirma que cada dos días se generaba la misma cantidad de información, que si se sumara toda la data creada desde el comienzo de la humanidad hasta el año 2003. En 2005 se crea Hadoop que de acuerdo con Borthakur28 es un marco de trabajo Open Source diseñado específicamente para el almacenamiento y análisis de grandes sets de datos, su lanzamiento es un éxito completo pues su flexibilidad permite el manejo de información tanto estructurada como no estructurada, presentando una gran oportunidad para el manejo de información de las grandes empresas. Hoy en día se calcula que en el mundo se generan alrededor de 2.5 quintillones de bytes cada 24 horas.29 La cantidad de información que se maneja es cada vez mayor, y el Big Data sigue revolucionando la forma como manejamos y almacenamos nuestra información, dando origen a distintos focos de investigación y software que se discutirán a continuación.

El primer cambio fundamental en el manejo de la información podría decirse que data del año 1894, cuando un inventor estadounidense revolucionaría la forma como se procesaba y trataban los datos hasta entonces al crear su famosa

25

LESK, Michael. How much information is there in the world?. 1997. 26

LYMAN, Peter, et al. How much information?. 2010. 27

SIEGLER, MG. Eric Schmidt: Every 2 days we create as much information as we did up to 2003. En: TechCrunch, Vol. 4,

2010. 28

BORTHAKUR, Dhruba. The hadoop distributed file system: Architecture and design. 2008. 29

WALKER, Ben. Every day big data statistics–2.5 quintillion bytes of data created daily. En: VCloudNews, Vol.5, 2015.

19

máquina de tabulación, donde proponía el uso de patrones en tarjetas perforadas los cuales serían reconocidos por la máquina para reducir el tiempo que tomaría el proceso de censar a la población el cual se estimaba podría tomar entre 8 y 10 años en completarse. Gracias a Herman Hollerith el tiempo se redujo a tan solo tres meses de ejecución.30 Para mediados del siglo XX, en se estimaba que el tamaño de las bibliotecas universitarias en norte américa se doblaba en tamaño cada 16 años, siguiendo esta predicción se estimaba que para el año 2040 se manejarían aproximadamente 200 millones de libros en una sola biblioteca, lo cual requeriría de aproximadamente seis mil personas para poderse mantener.31 En 1965 Estados Unidos propuso por primera vez la implementación de un Data Center para guardar datos poblacionales que se volvían cada vez más difíciles de manejar, como las huellas digitales de las personas y las declaraciones de impuestos de los ciudadanos, sin embargo, en su momento la idea fue considerada como una violación a la privacidad de la población.32 En 1976, las compañías empiezan a ver una posibilidad en las máquinas de software para agilizar sus diferentes procesos de negocio, a través de la implementación de MRP’s (Material Requirements Planning), sistemas que buscaban hacer más eficiente el manejo de inventarios y recursos a nivel organizacional.33 Para finales de los 80, el concepto de ―Inteligencia de negocio‖ empieza a ganar popularidad, las empresas empiezan a adoptar sistemas enfocados al análisis de datos buscando generar impacto a partir de ellas en la toma de decisiones y el rendimiento operacional. Aparece por primera vez también el término Big Data, usado por Erik Larson para referirse a una gran cantidad de datos que presentaba dificultad para ser procesada por los sistemas actuales, definición que mantiene su esencia hasta hoy en día.34

30

HOLLERITH, Herman. The electrical tabulating machine. En: Journal of the Royal Statistical Society, Vol. 57, Issue 4,

1894, pp. 678-689. 31

MOLYNEUX, Robert E. What Did Rider Do? An Inquiry into the Methodology of Fremont Rider's" The Scholar and the

Future of the Research Library". En: Libraries & culture, Vol. 29, No. 3, 1994, pp. 297-325. 32

LLEN, R. and SCOTT, P. Data Center Planned Called Privacy Invasion. En: The Lewiston Daily Sun,1966. p.11. 33

ORLICKI, Joseph A. Material requirements planning: the new way of life in production and inventory management.

McGraw-Hill, 1975.

34 MUKHERJEE, Triparna; NATH, Asoke. Big Data Analytics with Service-Oriented Architecture. Exploring Enterprise

Service Bus in the Service-Oriented Architecture Paradigm, 2017, p. 216-234.

20

En la década de los 90, con la aparición del internet y el rápido crecimiento de la velocidad de procesamiento y memoria de los sistemas el almacenamiento digital se presenta como una opción más económica sobre el almacenamiento tradicional. Michale Lesk35 teoriza que en el mundo existen aproximadamente doce mil Petabytes de información. Dado lo anterior se popularizan aún más los sistemas enfocados al análisis de información, se funda QlikTech una compañía productora de software con enfoque en analítica de datos e inteligencia de negocio. Entre el año 2000 y 2010 con el boom de las tecnologías de información y comunicación se produce un impacto directo en la cantidad de información existente en el mundo. En el año 2000, se calcula que en el mundo existían 1.5 billones de Gigabytes de información digital36, cifra que para finales de esta década sería totalmente obsoleta pues Google37 confirma que cada dos días se generaba la misma cantidad de información, que si se sumara toda la data creada desde el comienzo de la humanidad hasta el año 2003. En 2005 se crea Hadoop que de acuerdo con Borthakur38 es un marco de trabajo Open Source diseñado específicamente para el almacenamiento y análisis de grandes sets de datos, su lanzamiento es un éxito completo pues su flexibilidad permite el manejo de información tanto estructurada como no estructurada, presentando una gran oportunidad para el manejo de información de las grandes empresas.

2.2.1 Data Mining

Hoy en día se calcula que en el mundo se generan alrededor de 2.5 quintillones de bytes cada 24 horas.39 La cantidad de información que se maneja es cada vez mayor, y el Big Data sigue revolucionando la forma como manejamos y almacenamos nuestra información, dando origen a distintos focos de investigación y software que se discutirán a continuación.

35

LESK, Michael. How much information is there in the world?. 1997. 36

LYMAN, Peter, et al. How much information?. 2010. 37

SIEGLER, MG. Eric Schmidt: Every 2 days we create as much information as we did up to 2003. En: TechCrunch, Vol. 4,

2010. 38

BORTHAKUR, Dhruba. The hadoop distributed file system: Architecture and design. 2008. 39

WALKER, Ben. Every day big data statistics–2.5 quintillion bytes of data created daily. En: VCloudNews, Vol.5, 2015.

21

La minería de datos puede ser definida como ―el descubrimiento de estructuras interesantes, inesperadas o de valor en grandes sets de datos‖.

Consiste en un proceso secundario a una recolección de datos previa con el propósito de encontrar estructuras, patrones, o relaciones entre otras, es decir, trabaja sobre una colección de información que fue recolectada con otro propósito y busca encontrar relaciones entre los datos aparentemente inútiles para generar un valor agregado que pueda ser de utilidad para el negocio.

Las herramientas de minería de datos pueden ser clasificadas en dos clases principalmente40

Herramientas con enfoque a la construcción de modelos. Buscan generar modelos descriptivos a partir de la forma actual de los datos por medio de la implementación de modelos estadísticos como el modelo de regresión o el modelo de Bayes entre otros.

Herramientas con enfoque al descubrimiento de patrones. Buscan encontrar estructuras locales entre las grandes cantidades de datos aparentemente irrelevantes, por ejemplo, la ocurrencia de grandes cantidades de eventos adversos o no adversos.

Aunque la minería de datos es un proceso grandemente implementado en diferentes industrias, apenas se está consolidando como una capacidad clave para el para el aprovechamiento del Big Data, sin embargo es importante resaltar que aún existe una gran brecha de hardware para la implementación de una minería de datos efectiva en el campo, pues se necesitaría de una gran inversión por parte de los accionistas de una organización para crear un sistema basado en nodos que pueda dar el soporte necesario que Big Data requiere.41

2.2.2 Big Data Analytics

El análisis de datos de Big Data (BDA), se define como el uso de técnicas avanzadas de análisis aplicadas a grandes y diversas cantidades de datos ya

40

HAND, David J. Principles of data mining. En: Drug safety No.30, Issue 7, 2007. pp. 621-622. 41

Wu, Xindong, et al. Data mining with big data. En: IEEE transactions on knowledge and data engineering 26.1 (2014): 97-107.

22

sean estructurados, semi-estructurados o no estructurados, de diferentes fuentes y tamaños. 42

El objetivo principal del BDA, es mejorar el proceso de toma de decisiones, haciéndolas más rápidas y más eficientes por medio de datos que antes se consideraban inútiles o inaccesibles para el negocio, para esto se apoya de diferentes técnicas como la minería de datos, estadística y machine learning entre otras, siempre enfocándose en generar una sinergia entre el histórico de datos del negocio y la data actual para obtener nuevas percepciones que puedan apoyar el proceso de toma de decisiones.

Hoy en día BDA gracias a su potencial estratégico/operacional es considerada como una característica clave para el mejoramiento del rendimiento de cualquier negocio.43 De acuerdo con Liu, BDA es considerado como un diferenciador clave en el rendimiento de las organizaciones, pues en su estudio se demostró que su implementación puede disminuir los costos de adquisición de nuevos clientes aproximadamente en un 47% y aumentar la ganancia general del negocio en un 8%. 44

Junto con el campo relacionado de inteligencia de negocio (BI), la implementación de BDA presenta una oportunidad de gran impacto a diferentes campos, pues a través de sus estrategias enfocadas al negocio tiene mucho que aportar, hoy en día sus aplicaciones varían desde comercio electrónico, inteligencia de marketing, gobierno de negocio hasta el sector financiero y de salud. 45

2.2.3 Estandarización del Big Data

Gracias al constante y exponencial crecimiento de los datos desde el boom del Big Data, la organización internacional de normalización (ISO), presentó en 2014 el estándar ISO/IEC JTC 1, donde se identifican los términos claves del campo y

42

IBM. Big Data Analytics. {En linea}. {marzo, 2018}. Disponible en: https://www.ibm.com/analytics/hadoop/big-data-analytics 43

WAMBA, Samuel Fosso, et al. Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 2017, vol. 70, p. 356-365. 44

Liu, Y. Big Data and predictive business analytics. En: The Journal of Business Forecasting, No. 33, 2014. pp. 40-42. 45

CHEN, Hsinchun; CHIANG, Roger HL; STOREY, Veda C. Business intelligence and analytics: from big data to big impact. MIS quarterly, 2012, p. 1165-1188.

https://www.ibm.com/analytics/hadoop/big-data-analytics,

https://www.ibm.com/analytics/hadoop/big-data-analytics,

23

cuyo objetivo radicó en proponer una base de recomendaciones y definiciones basándose en las definiciones de las diferentes industrias para evitar ambigüedades y/o entropía investigativa en el futuro. En la actualidad se sigue trabajando bajo el estándar JTC1.

2.2.4 Regulación del Big Data

Hasta este año Estados Unidos, Inglaterra, Corea del sur, Japón, Australia, Francia y China eran los únicos países con políticas públicas nacionales autónomas e integrales para la explotación de datos. Colombia se sumó a la lista, convirtiéndose en el primer país en Latinoamérica con una política pública para la explotación de datos (Big Data), gracias a esto con la aprobación del documento CONPES 3920, el Estado Colombiano se posicionó como líder en la región al ser el octavo país en el mundo, con una política pública integral que habilita el aprovechamiento de los datos para generar desarrollo social y económico. 46

Según el documento hay 4 ejes estructurales que son necesarios para impulsar la explotación de Big Data en el país:

Generación de datos digitales (insumo), Cultura de datos (demanda), Capital humano para la explotación de datos (oferta) Marco jurídico, ético e institucional.

En palabras del director del Departamento Nacional de Planeación ―Avanzar en

una cultura del uso de los datos es una muestra del desarrollo y progreso de un

país, tenemos que reconocer los datos como un activo estratégico de la Nación.

Con la aplicación de la política de Big Data, para 2022 el 100 % de las entidades

del Estado tendrán proyectos de Big Data que permitan mejorar la relación del

estado con el ciudadano".47

46

COLOMBIA, DEPARTAMENTO NACIONAL DE PLANEACION. Colombia primer país en Latinoamérica con una política pública para la explotación de datos Big Data. {En línea}. {abril,2018}. Disponible en: https://www.dnp.gov.co/Paginas/Colombia-primer-pa%C3%ADs-en-Latinoam%C3%A9rica-con-una-pol%C3%ADtica-p%C3%BAblica-para-la-explotaci%C3%B3n-de-datos-Big-Data.aspx 47

COLOMBIA, DEPARTAMENTO NACIONAL DE PLANEACION.DNP expone en encuentro mundial resultados de primeros proyectos Big Data. {En línea}. {abril,2018}. Disponible en: https://www.dnp.gov.co/Paginas/DNP-expone-en-encuentro-mundial-resultados-de-primeros-proyectos-Big-Data.aspx

24

2.2.5 Importancia y ventajas del Big Data

Cómo se mencionaba en las secciones anteriores, cada día se generan aproximadamente 2.5 quintillones de datos, estudios recientes confirman que el 90% de la información existente hasta el día de hoy fue creada en los últimos dos años.48 Por medio de la interacción con todos los datos disponibles de una organización, el negocio enfrenta grandes oportunidades de generar impacto tanto en sus inversiones como en sus ganancias. De acuerdo con IBM49 por medio del aprovechamiento adecuado del Big Data una organización puede:

Descubrir nuevos patrones y relaciones de datos que generen impacto en el negocio.

Obtener un entendimiento mayor de los clientes, servicios y consumo de productos.

Apoyar y mejorar la toma de decisiones a través de la recolección de información más detallada, impactando la variabilidad de los datos.

Predecir resultados y tendencias de negocio antes de su ocurrencia con mayor precisión.

Acelerar la identificación y correlación de problemas operacionales. Mejorar el desarrollo de productos y servicios de nuevas generaciones.

Otros estudios como el de Chen y Chiang50, muestran un claro impacto en diversos sectores como:

Comercio electrónico e inteligencia de mercadeo: Creación de estrategias de mercadeo y productos a nivel personal, aumentos en la satisfacción de los clientes, incremento en ventas en general.

Gobierno electrónico y políticas. Transformación de los gobiernos, mayor participación ciudadana, mejoras en la transparencia de los procesos gubernamentales y equidad en la población.

Salud: Mejoras en la calidad del sector de la salud, mayor participación de los pacientes en la toma de decisiones y un mejor servicio a largo plazo.

Seguridad pública. Aumenta notoriamente en general, menores crímenes y mayor sentimiento de seguridad por parte de la ciudadanía.

48

IBM. Bringing Big Data to the Enterprise. {En linea}. {abril, 2018}. Disponible en: https://www-01.ibm.com/software/sg/data/bigdata/. 49

IBM. op. cit. {En linea}. {abril, 2018}. Disponible en: https://www-01.ibm.com/software/sg/data/bigdata/. 50

CHEN, Hsinchun; CHIANG, Roger HL; STOREY, Veda C. Business intelligence and analytics: from big data to big impact. MIS quarterly, 2012, p. 1165-1188.

25

Aunque se considera que BDA/BI aún se encuentra en tempranas etapas de desarrollo y algunos problemas de Big Data siguen siendo enfrentados cada día, la inversión correcta puede traer grandes beneficios al negocio. ―Como su nombre lo dice, Big Data implica, Grandes cantidades de datos, grandes sistemas, grandes desafíos y finalmente resultados vistos en grandes ganancias.‖ 51

2.2.6 Big Data y BDA en el sector financiero

De acuerdo con el análisis semi-annual de Big Data Analytics publicado por la IDC la renta que obtienen los negocios de Big Data y BDA aumentará de 130.1 billones (2016) y 150.8 billones (2017) a más de 210 billones para 2020, el sector bancario es el segundo inversionista más grande del mercado de Big Data (Ver imagen) habiendo invertido casi casi 17 billones en soluciones de Big Data y BDA en el año solamente en el año 2016. Se calcula que la industria es responsable por un 13.3% de la tasa de crecimiento anual compuesto, confirmando que las soluciones con enfoque en BDA/BI están más que en el radar de los ejecutivos de las grandes compañías, pues se han convertido un pilar clave para su funcionamiento Se espera que la inversión en soluciones relacionadas con BDA/BI mantenga un crecimiento anual compuesto del 11.9% hasta el 2020. 52

Ilustración 3 Participación sectorial en el mercado del Big Data (2016)

51

RADHIKA, P., et al. Confrontation and opportunities of big data—A survey. En Big Data Analytics and Computational Intelligence (ICBDAC), 2017 International Conference on. IEEE, 2017. p. 153-157. 52

FRAMINGHAM, Mass. Big Data and Business Analytics Revenues Forecast to Reach $150.8 Billion this year, led by Banking and manufacturing investments, according to IDC.IDC Analyze the future, 2017.

26

Fuente: Informe Anual Asobancaria (2018)

En 2015 McKinsey & Company53 reportó que en Europa una docena de bancos que decidieron implementar Machine Learning en el área de análisis estadístico de datos obtuvieron un aumento en sus ventas del 10% y una baja del 20% en su inversión. Otro estudio realizado por el diario Central Banking54 en Agosto de 2017 enfocado a analizar como los bancos gobiernan, manejan y procesan el Big Data encontró que los bancos centrales cada vez destinan una mayor parte de su presupuesto para el manejo de datos, doblando el presupuesto que usaron en el 2016 en 2017, logrando que el área de Big Data sea una de las más activas en los nuevos proyectos de la banca, se concluye que su impacto es tan grande que está llevando a la reforma de departamentos enteros.

A continuación, se describirá el área de caso de estudio la banca corporativa y de inversión con las sub áreas encargadas de llevar la gestión de los procesos relacionados con el tratamiento de los grandes clientes.

53

BRUSSELS, Jacques, et al. Artificial Intelligence. The next digital frontier. McKinsey Global Institute, 2017. 54

GLASS, Emma. Big data in central banks. 2017 survey. Central Banking, 2017.

27

3. INVESTIGACIÓN SOBRE DIFERENTES TECNICAS, METODOLOGIAS Y HERRAMIENTAS DE INTELIGENCIA DE NEGOCIO.

3.1. Inteligencia de negocio

A continuación, se mostrará una breve línea de tiempo de la inteligencia de

negocio y los últimos estudios relacionados con en este campo.

28

Ilustración 4 Breve historia de la inteligencia de negocio

Fuente: B-Eye Network

En el transcurso de los últimos dos años, se demuestra el creciente interés en el uso de herramientas de negocio por la cantidad de estudios y publicaciones relacionadas en el tema. A continuación, se mencionan algunos:

El estudio llamado ―A survey on business intelligence tools for university dashboard development‖55, donde se realizó una comparación de las herramientas SpagoBI, Tableau, Pentaho, Qlik Sense, Jaspersoft y Jedox, para uso en un entorno académico. Los autores concluyen que mejor opción para el proyecto sería el uso de una herramienta de tipo Open Source, sin embargo, aclaran que esta decisión se ve en gran parte afectada por la disponibilidad de dinero por parte de la institución.

―Comprehensive Study of Data Analytics Tools (RapidMiner, Weka, R tool, Knime)‖ 56 publicado en el 2016, fue un estudio enfocado al análisis de las cuatro herramientas open source más dominantes en el mercado en el año de

55

M. S. Gounder, V. V. Iyer and A. A. Mazyad. A survey on business intelligence tools for university dashboard development. 3rd MEC International Conference on Big Data and Smart City (ICBDSC), Muscat. 2016. pp. 1-7. 56

S. Dwivedi, P. Kasliwal and S. Soni. Comprehensive study of data analytics tools (RapidMiner, Weka, R tool, Knime), Symposium on Colossal Data Analysis and Networking (CDAN), Indore. 2016. pp. 1-8.

29

publicación basándose en el volumen de datos que soportan, el tiempo de respuesta y facilidad de uso entre otros. Se concluyó que, por facilidad de uso y su flexibilidad para integrarse con librerías de terceros, la mejor herramienta sería KNIME, en segundo lugar, estaría Weka, y para expertos en el tema se recomienda RapidMiner.

―Comparative study of tools for Big Data Analytics: An Analytical Study‖.57 Se enfocó en la importancia de usar herramientas para análisis de datos, en este caso Big Data, a través de la comparación de las diferentes herramientas disponibles en el mercado. El estudio concluyó que el ser eficiente en la selección de una herramienta para el manejo de datos de una organización conlleva a un manejo eficiente de los datos y puede impactar positivamente la toma de decisiones.

3.1.1 BDA Tools y la revolución de Hadoop

Hadoop es un marco de trabajo de código abierto desarrollado originalmente por Yahoo en 2005 enfocado al almacenamiento y procesamiento de grandes cantidades de datos, su importancia radica en su capacidad para consultar y escribir en diversos sistemas distribuidos eficientemente por medio del principio de paralelismo entre los nodos de los procesadores de una máquina. Hadoop cumple el principio de alta disponibilidad, abriendo caminos a los datos desde diferentes máquinas en caso de presentarse un fallo de hardware. Adicionalmente, no requiere de un hardware especializado pues sus requerimientos son mínimos.

Gracias a su aparición, construir servidores más grandes dejó de ser una prioridad. Con la llegada de la era del Big Data el interés por Hadoop crece cada día. Actualmente los desarrolladores lo están usando para la creación de nuevas aplicaciones con enfoque al procesamiento de Big Data. 58

En la actualidad las herramientas con enfoque en inteligencia de negocio dominan el mercado empresarial del análisis de datos ya que, a través de estas, el negocio obtiene una gran cantidad de ventajas, como son:

57

S. K. Sahu, M. M. Jacintha and A. P. Singh. Comparative study of tools for big data analytics: An analytical study. En: International Conference on Computing, Communication and Automation (ICCCA), Greater Noida, 2017, pp. 37-41. 58

GAO, Song, et al. Constructing gazetteers from volunteered big geo-data based on Hadoop. Computers, Environment and Urban Systems, 2017, vol. 61, p. 172-186.

30

Optimización en la toma de decisiones Análisis, control y monitoreo de operaciones en sistemas empresariales (como

ERP) Mejora de procesos internos Análisis de recursos Reducción de costos Incremento en ganancias Incremento en la eficiencia toma de decisiones en sistemas OLAP Generación de reportes y dashboards interactivos con información de valor,

entre otras.

En términos más generales, de acuerdo con Kumar59, la inteligencia de negocio provee información detallada a partir de históricos de información para apoyar la toma de decisiones basada en hechos reales, identifica oportunidades de negocio nuevas, soporta el entendimiento del comportamiento del cliente, ayuda a establecer objetivos de negocio realistas e incrementa grandemente la eficiencia del negocio.

Compañías como Amazon, American Express, BDO y Netflix entre otras han adoptado el modelo de inteligencia de negocio a su favor, utilizando la información obtenida para mejorar sus estrategias de mercado y rendimiento del negocio.60

3.1.2 Técnicas de inteligencia de negocio

En esta sección trabajaremos con respecto a las técnicas de inteligencia de negocio que tienen una relación estrecha con el concepto de Big Data y ambas tecnologías van de la mano en pro de realizar un mejor análisis de la información. El manejo que se le da a la información tiene bases de técnicas estadísticas o probabilísticas y la inteligencia de negocio comparte esto, ―la inteligencia de negocio es un campo influenciado por técnicas estadísticas tradicionales y a su vez la minería de datos comparte esta característica dado que algunas de sus técnicas son usadas en inteligencia de negocio, algunas de ellas son la clasificación, el agrupamiento, patrones secuenciales, predicción, regresión,

59

KUMAR, Vikas. Data analysis using business intelligence tool. Diss. Sciences, 2013. 60

O´NEILL, Eleanor. 10 companies that are using big data. {En linea}. {marzo,2018}. Disponible en: https://www.icas.com/ca-today-news/10-companies-using-big-data

31

métodos multidimensionales, entre otras.‖61 Para el adecuado manejo de los datos en inteligencia de negocio se deben aplicar en ciertos casos o de acuerdo a sus necesidades diferentes técnicas que permitan aprovechar la información proveniente de estos para generar nueva con la cual poder realizar estrategias de negocio más concretas o entender mejor el negocio. Estas técnicas pueden clasificarse en técnicas de inteligencia de negocio, las cuales presentaremos en la tabla 1.

Tabla 1 Técnicas de inteligencia de negocios

TÉCNICA DESCRIPCIÓN

Modelamiento predictivo

Pronóstico de probabilidades y tendencias.

Predice un valor los atributos de un ítem en los datos específico usando modelos estadísticos.

Predice un valor para un atributo de un dato en específico.

Minería de datos descriptiva y caracterización

La caracterización provee un resumen conciso de los datos.

La minería de datos descriptiva está basada sobre los datos y el análisis, define modelos para las bases de datos, y un pronostica las tendencias. Es usada en segmentación y análisis de grupos.

Asociación, análisis causal y correlación Para identificar las relaciones entre los atributos

Clasificación Determinar la clase de elemento de datos.

OLAP (Online Analytical Processing)

Permite analizar diferentes dimensiones de datos multidimensionales

Modelos de visualización Transformando los hechos descubiertos en diagramas, histogramas y otras formas de visualización.

Agrupamiento y análisis de valores atípicos Dividiendo datos en pedazos y agrupando ítems con las mismas características.

Análisis prescriptivo

Encontrando el mayor camino de acción para una situación dada.

Incluye optimización y simulación.

Análisis exploratorio de datos (EDA) Explora un conjunto de datos sin una dependencia fuerte sobre modelos o suposiciones para identificar patrones.

Fuente: Business Intelligence Techniques: A Perspective from Accounting and Finance

3.1.3 Enfoques metodológicos de inteligencia de negocio

61

JAYANTHI, Ranjan. Business Intelligence: Concepts, components, techniques and benefits. En: Journal of theoretical and applied information technology, Vol. 9, No.1, 2009. p.68

32

Al hablar de inteligencia de negocio es importante considerar los enfoques metodológicos principales que mueven el campo, pues a través de su implementación ofrecen distintas posiciones para resolver un problema de investigación. A continuación, se enuncian algunos de los enfoques más relevantes con base en la descripción de Jorge Fernández y Enric Mayol62 en su artículo sobre inteligencia de negocio:

Enfoque impulsado por los usuarios, la demanda o el prototipo: orientado hacia la confección de prototipos para la obtención de los requisitos que sean lo suficientemente precisos, mostrando al usuario un prototipo funcional.

Enfoque impulsado por los datos: centrado en los datos, en cómo se encuentran estructurados, quien los usa, la forma en que los usan, cuales datos son los más usados o consultados con mayor frecuencia, la relación de los datos.

Enfoque impulsado por la cadena de valor: basado en la cadena de valor de la inteligencia de negocio, usando parte del enfoque impulsado por datos, pero seleccionando únicamente aquellos que traerían valor para el negocio.

Enfoque impulsado por los procesos: basado en el análisis de los procesos de negocios, la información que pueden generar y de donde obtienen la misma.

Enfoque impulsado por los eventos: basado en dividir los procesos de negocio en datos, función y organización, lo cual permite tener un análisis funcional de la organización.

Enfoque impulsado por objetivos: se basa en el objetivo de los procesos estratégicos de la organización en cuando a la interacción entre clientes y usuarios permitiendo establecer necesidades de información e interrelaciones que permiten la creación de la estructura del sistema de inteligencia de negocio.

Enfoque impulsado por modelos: permite tener un puente entre el negocio y el departamento de TI, intentando proporcionar la base para desarrollar soluciones rápidas

Los anteriores enfoques son algunos de todos los empleados en proyectos de inteligencia de negocio. Para el presente proyecto se pretende usar el enfoque impulsado en los datos y el enfoque impulsado en los objetivos o requerimientos del área a través de los cuales los cuales se permitirá simular un proyecto de inteligencia de negocio en el área de la banca corporativa y de inversión luego se hacer un análisis de herramientas que permitan llegar a este objetivo.

3.1.4 Herramientas de inteligencia de negocio

En la actualidad existen más de 64 herramientas enfocadas en inteligencia de negocio, cada una con diferentes características, pero con la misma finalidad de

62

FERNANDEZ, Jorge; MAYOL, Enric. Factores críticos de éxito de un proyecto de Business Intelligence. En: Novática, N° 211, 2011, p.17-22.

33

generar nuevas estrategias y puntos de vista del negocio a través del análisis de los datos. Dado lo anterior, el incremento en el uso de estas ha permitido la evolución de varias empresas, permitiéndoles expandir sus ganancias o mirar nuevos sectores.

Ilustración 5 Uso de las herramientas en las compañías

Fuente: Bi Survey

En el sector bancario se usan estas herramientas para mejorar la toma de decisiones estratégicas, la elaboración de una cartera de productos más rentable, las relaciones con sus clientes, la prospección de clientes, entre otras tantas vitales para el sector. Esto permite a los bancos que usen estas herramientas posicionarse en un lugar más alto que su competencia, pero no por usar la herramienta únicamente, sino también por hacer el correcto análisis de los datos proporcionados por la misma.

84%

78%

70%

68%

37%

29%

19%

16%

22%

30%

32%

27%

23%

48%

Estándar/Enterprise reporting

Ad hoc query

Basic data analys

Dasboard/Scorecards

Budgeting and plannig

Financial consolidation

Advanced analysis

USO DE HERRAMIENTAS EN LAS COMPAÑIAS

EN USO PLANEADO

34

Fuente: Bi Survey

3.2. Análisis del estado del arte

En esta sección se presenta el análisis del estado del arte, el cual tiene por objetivo determinar la forma como ha sido tratado el tema de inteligencia de negocio, como se encuentra el avance de conocimiento del mismo y cuáles son las tendencias para el desarrollo de la problemática que se llevará a cabo

Aunque podría decirse que las organizaciones llevan utilizado los datos para tomar decisiones informadas aproximadamente desde comienzos del siglo XX63, la inteligencia de negocio y el análisis de datos en general han visto un acelerado

63

Tedlow RS. Giants of enterprise: seven business innovators and the empires they built. New York (NY): Harper Collins; 2009.

Ilustración 6 Herramientas de Inteligencia de negocio según sus características

35

interés tanto a nivel académico como en su implementación a partir de la década de 1990, lo cual se ha evidenciado principalmente en áreas comerciales como: presupuesto, finanzas y gestión empresarial64.

Se ha demostrado que la inteligencia de negocio puede contribuir a la toma de decisiones en cualquier organización, impactando positivamente el nivel de satisfacción de los clientes, así como la lealtad de los mismos.65 El sector bancario es uno de los más interesados y líderes en estas tendencias, recientes estadísticas muestran que después de la industria de manufactura es la segunda industria que más dinero invierte al año en soluciones de inteligencia de negocio/Big data, por lo que es responsable aproximadamente 13% tasa de crecimiento anual compuesto en el mercado.

El análisis de información y la inteligencia de negocio están encontrando cada vez más aplicaciones en diferentes áreas de estudio, en los últimos dos años se han realizado investigaciones para mejorar la calidad del agua, mejorar la agilidad de los hospitales, aprendizaje organizacional, criptografía cuántica, la industria de comercio, contaduría y en general para mejorar la calidad del proceso de toma de decisiones en un nivel empresarial. 66

El gobierno colombiano está llevando a cabo grandes esfuerzos para promover el buen aprovechamiento de la información, con la aprobación del CONPES 3920 en abril de 2018, la explotación del Big Data pasó a ser una prioridad para el país. Sin embargo, la industria financiera en Colombia aún enfrenta grandes desafíos para alcanzar el nivel de madurez deseado para la implementación exitosa de sistemas de BI/BDA, la congestión y redundancia de datos, falta de información, conocimiento y baja calidad de reportes generados son de los principales desafíos que deben ser superados antes de avanzar. Adicionalmente en un reporte publicado por ASOBANCARIA a comienzos de 2018, se habla de nuevas barreras a las que se enfrenta el país para el desarrollo del Big Data, entre estas están el desarrollo de nuevas capacidades tecnológicas, el recurso humano, identificación de datos útiles, objetivos y protección de datos y ciberseguridad entre otras.67

64

RICHARDS, Gregory, et al. Business intelligence effectiveness and corporate performance management: An empirical analysis. Journal of Computer Information Systems, 2017, p. 1-9. 65

Qureshi, N. A., Khan, B. A., & Saif, J. A. (2017). Business Intelligence Systems in the Holistic Infrastructure Development Supporting Decision-Making in Organizations. 66

Rikhardsson, P., & Yigitbasioglu, O. (2018). Business intelligence & analytics in management accounting research: Status and future focus. International Journal of Accounting Information Systems, 29, 37-58. 67

GOMEZ, Santiago, et. al. Big data: aprovechando los datos, el nuevo gran activo. {En línea}. {marzo, 2018}. Disponible en: http://www.asobancaria.com/wp-content/uploads/2018/02/1124-C-05-02-2018-1.pdf

36

El objetivo actual de la analítica de datos consiste en proveer herramientas que puedan ayudar al desarrollo y mantenimiento del negocio a través de la implementación de procesos como la inteligencia de negocio68, aunque la adopción de estos sistemas puede presentar grandes dificultades, el dejar pasar estas oportunidades de negocio puede repercutir gravemente en el futuro del negocio, especialmente en un sector tan competitivo como lo es sector financiero.

68

Mathaisel, D. F., & Comm, C. L. The Use of Business Intelligence to Market the Sustainability of" Unique Products‖. 2017. p. 1.

37

4. DISEÑO METODOLOGICO

Esta sección tiene como objetivo definir el diseño metodológico de la

investigación, en primer lugar, se describe el proceso y la metodología a usar,

luego se define la población y muestra, para finalmente definir las técnicas e

instrumentos que se usarán en el desarrollo de la investigación con base en el

caso de estudio de la banca corporativa.

4.1. Descripción del proceso

La metodología usada en la investigación es una metodología hipotético-

deductiva, la cual parte desde la observación del área de la banca corporativa y de

inversión (CIB), que será el caso de estudio de la investigación, en cuanto al

manejo que se les da a los datos o a la información entrante para generar nuevas

estrategias de negocios con el fin de entablar nuevas relaciones que permitan una

interacción más sólida entre ambas partes. Así pues, observamos que en el área

de CIB en los bancos de la ciudad de Bogotá usan la herramienta Microsoft Excel

como primera opción para el almacenamiento y posterior análisis de los datos

entrantes diariamente. Lo cual llevo a preguntarnos si esa herramienta brindará

todo lo necesario para analizar los datos de esa área, y a formular la siguiente

hipótesis de investigación:

El uso de tecnologías enfocadas en inteligencia de negocio influirá positivamente

en la toma de decisiones del área de CIB.

De ser cierta esta hipótesis el beneficio que traería este tipo de herramientas al

área de CIB seria considerable. Para saber la veracidad de esta, se define el tipo

de investigación según el problema propuesto y los objetivos planteados como un

estudio descriptivo con un enfoque cualitativo para comprender la manera cómo,

al usar una herramienta del enfoque de inteligencia de negocios en el área de CIB,

generar valor para la misma en términos de generación de nuevas estrategias de

negocio. Se podrá así, realizar la contrastación de la hipótesis a través de un

análisis de una serie de datos del área, los cuales muestran históricos financieros

en cuanto a saldos de la banca, totales anuales y comportamientos del área.

38

El procedimiento de análisis en la investigación se divide en tres fases:

Fase I. Investigación: se realizará la planificación de las actividades necesarias para dar cumplimiento de la investigación y se realizará una revisión documental para construir el marco conceptual y teórico; se buscarán los datos base para hacer las pruebas y se inicia el acercamiento con las áreas de banca corporativa en los bancos mencionados anteriormente por medio de entrevistas estructuradas y semi estructuradas.

Fase II. Descripción y Análisis: se realizará la construcción general de los requerimientos del área de banca corporativa, por medio de entrevistas las cuales serán plasmadas en historias de usuarios para su interpretación, estudio y cumplimiento por medio de criterios de aceptación, y por último se realizará comparación de herramientas de inteligencia de negocio de acuerdo con criterios establecidos.

Fase III. Interpretación: se realizará la selección de las herramientas de

inteligencia de negocio para el debido estudio de la banca corporativa y de inversión, realizando pruebas que demuestren el cumplimiento de los criterios de aceptación, brindando dashboards que permitan la realización de un análisis financiero.

4.2. Población y muestra

Para obtener la información necesaria del área de banca corporativa y de inversión se tomaron como población los principales bancos que cuentan con esta área en Bogotá, entre los cuales están el banco BBVA, el banco de Bogotá, el banco Davivienda y el banco Colpatria, de los cuales se tomaron dos de estos como muestra para obtener los requerimientos y metas del área en general (Colpatria y BBVA).

4.3 Técnicas e instrumentos

Para la recolección de datos se usaron los siguientes métodos:

Entrevista estructurada: contando con doce preguntas dirigidas hacia el área de la banca corporativa y de inversión permitiendo obtener información clave para la recolección de los requerimientos y metas del área.

Entrevista no estructurada: trabajando con preguntas abiertas de acuerdo

con la conversación, en la búsqueda de profundizar algún tema en

39

específico o resaltar el mismo. En este caso definiciones o acciones

financieras tomadas por el área para realizar algo en específico hacia sus

clientes o sus productos y servicios.

4.4 Desarrollo para recolección de requerimientos

Para el proceso de análisis y especificación de requerimientos se ha escogido un acercamiento ágil basado en un Desarrollo Orientado al Comportamiento, (ver sección 2.4) conocido en inglés como BDD (Behaviour Driven Development), el cual se refleja en cómo las historias de usuario (user stories) están escritas y de las cuales se parte desde un requerimiento de negocio para su diseño.

Las historias de usuario se realizarán bajo el siguiente formato:

Para los criterios de análisis y comparación de las herramientas se establecerá la siguiente tabla:

User Story No. TITULO

Requerimiento

Criterio de aceptacion

Tabla 2 Formato User Stories

40

Tabla 3 Formato de Comparación de las herramientas de BI

Qlik Sense Sisense Tableau Domo Dundas Power BI

Eficiencia

Presentación de los datos

Facilidad de uso

OLAP

Visualización interactiva

Conexión BD

Rendimiento

Multiplataforma

Seguridad

Perfiles de usuarios

ETL

Modelos dimensionales

Soporte en línea

Licenciamiento

Manejo de volumen de

datos

Método de distribución

Disco Duro

Memoria

Hardware

Conexión Cloud

Lenguaje multiparadigma

41

5. RESULTADOS

El objetivo de la presente sección es presentar los resultados obtenidos durante la segunda y tercera fase del proceso investigativo, que hacen referencia a la descripción y análisis de las herramientas de inteligencia de negocio, y una interpretación de los datos cargados en las mismas. En primer lugar, se realizará el análisis y comparación de las herramientas y luego se especificarán los requerimientos de la banca corporativa y se realizara la interpretación financiera de los resultados.

5.1 Análisis comparativo

Como se menciona en la sección 3.1.4 y soportada por la ilustración 5, existen variedad de herramientas con enfoque en inteligencia de negocio con la capacidad de optimizar diferentes aspectos en una compañía. Es por esto por lo que se considera pertinente realizar un análisis de las mismas para focalizar cuales de ellas ofrecerán más beneficios al negocio de acuerdo con sus necesidades. Para el área de la banca corporativa y de inversión se decidió analizar seis de las principales herramientas que se usan actualmente con base en la documentación de estas (Tableau69, Dundas70, Domo71, Sisense72, Power BI73 y Qlik74), encuestas y análisis expuestos por empresas consultoras y de investigación de las tecnologías de información tales como Gartner75, BI-Survey76, SoftwareAdvice77 y Selecthub78 que muestran las ventajas y desventajas de las herramientas, cuáles son las que están mejor posicionadas al momento, cuáles son sus características y como manejan las visualizaciónes y conectores a bases de datos o fuentes externas. El siguiente grafico muestra las aplicaciones tendencias a comienzos del 2018 realizadas por Gartner.

69

TABLEAU. {En línea}. {marzo, 2018}. Disponible en: https://www.tableau.com 70

DUNDAS. {En línea}. {marzo, 2018}. Disponible en: https://www.dundas.com/Support/learning/documentation 71

DOMO. {En línea}. {marzo, 2018}. Disponible en: https://developer.domo.com 72

SISENSE. {En línea}. {marzo, 2018}. Disponible en: https://documentation.sisense.com 73

POWER BI. {En línea}. {marzo, 2018}. Disponible en: https://docs.microsoft.com/en-us/power-bi 74

QLIK. {En línea}. {marzo, 2018}. Disponible en: https://www.qlik.com 75

GARTNER. The 2018 Analytics and BI Magic Quadrant highlights. {En linea}. {mayo, 2018}. Disponible en: https://www.gartner.com/webinar/3856063/player?commId=305487&channelId=5502&srcId=1-4730952011&webinarType=ondemand 76

BI-SURVEY. Comparison of the Best Business Intelligence Software products in 2018. {En línea}. {mayo, 2018}. Disponible en: https://bi-survey.com/business-intelligence-software-comparison 77

SOFTWARE ADVICE. Business Intelligence Tools. {En línea}. {mayo, 2018}. Disponible en: https://www.softwareadvice.com/bi/ 78

SELECT HUB. Compare BI Software. {En línea}. {mayo, 2018}. Disponible en: https://selecthub.com/categories/business-intelligence-bi

42

Ilustración 7 Cuadrante mágico de Garner 2018

Fuente: The 2018 Analytics and BI Magic Quadrant highlights.

Para ello se realizó una comparación básica de las herramientas teniendo en cuenta los siguientes factores:

Propietario o Desarrollador

Descripción de la herramienta

Licenciamiento

Funciones principales

Productos de la compañía

Seguridad

Ventajas

Inconvenientes

Clientes actuales

43

Esto brindará al lector una visión más general de las herramientas a tratar, con el enfoque de identificar las herramientas que mejor se acoplen a los requerimientos del área de la banca corporativa y de inversión. A continuación, se presentan los resultados de dicha comparación:

Ilustración 8. Herramientas de inteligencia de negocio seleccionadas para comparación.

I. A continuación se presenta el análisis de la herramienta Qlik:

Propietario o desarrollador: QlikTech International AB.

Descripción de la herramienta: Es una aplicación independiente de visualización y descubrimiento de datos diseñada para individuos, grupos y organizaciones, permite formular y dar respuesta a preguntas sobre la marcha, la ruta hacia el conocimiento, y brinda la capacitación individual o colectiva para tomar decisiones en colaboración.79 Qlik Sense admite la interfaz OLE DB (Object Linking and Embedding, Database) para conexión con fuentes de datos externas. Se puede acceder a un gran número de fuentes de datos externas mediante OLE DB. Sus herramientas de visualización y generación de Dashboard y scorecards permiten la gestión de los datos de un negocio en tiempo real.

Licenciamiento: Posee dos versiones, Desktop y Enterprise. La versión desktop es gratuita con acceso ilimitado, mientras que la versión Enterprise es de pago con previa consulta a la empresa solicitándole sus datos y los de la empresa en donde trabaja si aplica.

79

QLIK. {En línea}. {marzo, 2018}. Disponible en: https://www.qlik.com/es-es/products/qlik-sense

44

Funciones principales: permite descubrir puntos de vista con respecto a sus datos que otras herramientas tal vez no logren ver. No está restringido a una exploración lineal dentro de vistas parciales de los datos, y se tiene total flexibilidad con una plataforma de datos analítica en la nube que soporta el espectro total de los casos de uso de la inteligencia de negocio. Además, permite un análisis interactivo que facilitará la búsqueda de información en sus datos respondiendo rápidamente a las preguntas que le realicen a través de sus visualizaciones innovadoras de fácil uso.

Productos de la compañía: Qlik Sense Cloud, Qlik analytics, QlikView, Qlik NPrint, Qlik GeoAnalytics y Qlik DataMarket.

Seguridad: a través de recursos internos y externos gestiona el acceso, la autenticación, autorización y el gobierno de los datos en cuatro niveles: Seguridad en la red, seguridad en el servidor, procesos de seguridad y seguridad en las aplicaciones. El primer nivel usa protocolos web usando capas de transporte de seguridad(TLS) para encriptar la información intercambiada entre servicios, servidores y clientes, el segundo nivel permite que la seguridad del sistema operativo controle el acceso a los certificados, almacenamiento, memoria y recursos de CPU, el tercer nivel permite mitigar los riesgos de seguridad y manejar eventos sin anticipación a través de pruebas en el desarrollo, y la cuarta es basada en un control de accesos basado en atributos que proporciona un marco integral para gobernar las capacidades del usuario.

Ventajas:

La facilidad de generación de informes por los usuarios finales, desde que se tienen los procesos de ETL, la simpleza de implementar requiere poco tiempo de mantenimiento.

La automatización y distribución de la información permite mostrar los indicadores claves de negocio lo cual garantiza la disponibilidad de la información.

Ahorrar tiempo Unicidad y consistencia de los datos mediante una única forma de calcular los

KPI de la compañía.

Inconvenientes:

Solo se puede instalar en Windows o Windows server, si se desea usar otro sistema operativo toca usar paquetes para ello.

No publican su precio en línea, a menos que se les contacte

45

Clientes actuales: más de 45000 organizaciones en más de 100 países en el mundo, entre ellas se encuentran, Adtran Inc, Centerstone Research Institude, Cisco, Banque Neuflize OBC, Federazione Lombarda di Banche di Credito Cooperativo, Finanmadrid, Global Retail Bank, HSBC Group Turkey, OdeaBank, Swedbank, entre otras.

II. A continuación se presenta el análisis de la herramienta Sisense:

Propietario o desarrollador: Sisense Inc,

Descripción de la herramienta: Sisense es una herramienta de inteligencia de negocios que simplifica la toma de decisiones en las empresas que tienen dificultades para dar sentido a los grandes y dispersos volúmenes de datos, proporcionando una solución que les permite preparar, analizar y visualizar un conjunto de datos complejo gracias a su facilidad de uso, su agilidad, su flexibilidad y su capacidad de producir resultados y cuestión de días en vez de meses. La tecnología de Sisense permite que los usuarios y analistas de datos y negocios exploren libremente sus datos sin depender de un mosaico de herramientas o asistencia de un área de tecnología extensa, más que todo en el caso en el que los escenarios de análisis son complejos.

De acuerdo con la documentación de Sisense80 se observa que la arquitectura de ellos se divide en aplicaciones de Front-End y el servidor de inteligencia de negocios, los cuales permiten el buen funcionamiento en diferentes aplicaciones y sobre diferentes fuentes de datos.

Licenciamiento: Sisense tiene un modelo de licenciamiento anual con la solución completa y permite una prueba gratis de 14 días para su producto

Funciones principales: El motor In-Chip ™ de Sisense permite a los usuarios analizar cantidades masivas de datos a una velocidad sin precedentes, mientras que su arquitectura Single-Stack ™ elimina la línea de ensamblaje de

80

SISENSE. {En línea}. {marzo, 2018}. Disponible en: https://documentation.sisense.com

46

herramientas que normalmente habría sido necesaria para manejar datos difíciles (base de datos, ETL, herramientas de visualización)

Productos de la compañía: N/A

Seguridad: La seguridad fuerte es crítica para las empresas de software, especialmente con aplicaciones que almacenan o acceden a datos altamente sensibles como inteligencia de negocio. Sisense usa prácticas de seguridad rigurosas para asegurar que las organizaciones puedan implementarlo de forma segura y de acuerdo con sus necesidades únicas, además de combinar procesos rigurosos y regulares de pruebas con tecnologías estándar como métodos de encriptación, autenticación y control de accesos.

A esta solución en seguridad se le realizan pruebas regularmente de acuerdo con el estándar industrial OWASP de pruebas incluyendo recolección de información, pruebas de gestión de configuración y despliegue, pruebas de gestión de identidad, pruebas de autenticación, pruebas de autorización, criptografía, entre otras.

Ventajas:

Ofrece una versión basada en la nube Habilidad para trabajar con grandes volúmenes de datos usando un

acercamiento de base de datos columnar versus filas lo cual facilita el uso de grandes consultas.

Provee cuadros de mandos fáciles de entender con buenos widgets, variedad de tipos de gráficos, y vistas informativas sobre KPI y métricas.

Sisense cubre gran parte de los atributos de análisis y reportes

Inconvenientes:

Los cubos elásticos no son del todo amigables al usuario debido a que en

algunos casos el usuario debe escribir código SQL. Requiere experiencia técnica Los cuadros de mando solo interactúan en la web, para los usuarios que

trabajan con acceso a la web en tiempo real es perfecto, pero para otros no. No publican su precio en línea, a menos que se les contacte

47

Clientes actuales: Sisense se mueve en los mercados de Australia, Canadá, Europa, Alemania, Reino Unido y Estados Unidos, algunas de las empresas que usan el producto son Rolls Royce, Nasdaq, Wix, Juniper Networks, Flight Centre, VMWare, Molina HealthCare, Hewlett Packard Enterprise, Motorola, Fujitsu, Airbus, Verizon Wireless, Philips, LeadSpace, entre otros.

III. A continuación se presenta el análisis de la herramienta Tableau:

Propietario o desarrollador: Tableau Software

Descripción de la herramienta: Tableau es una herramienta de inteligencia de negocio que ha sido muy agresiva en el mercado debido a su facilidad de uso (productos para arrastrar y soltar campos principalmente), cualquier persona puede analizar los datos con estos productos sin tener un conocimiento técnico, como lo dijo un entrevistado por la revista Forbes “Fue fácil para alguien conectarse a internet, y ellos podían empezar a aprender de inmediato. En un día o dos, la persona fue competente y podía hacer mucho más en Tableau que lo que podía llegar a hacer en Excel”81 y esto es gracias a que el programa es intuitivo, no necesita de conocimientos de programación, solo necesita buenos puntos de vista para analizar los datos.

La solución permite que las empresas se conecten, visualicen y compartan datos rápidamente con una experiencia eficiente y sin interrupciones, desde la PC hasta el iPad. Puede crear y publicar paneles, y luego compartirlos con socios, colegas o clientes, pero sin la necesidad de habilidades de programación. Si ya está utilizando un servicio de Tableau (Tableau Online o Tableau Server), no habrá obstáculos para permitir que los datos fluyan sin problemas de una plataforma a otra.

Licenciamiento: para su versión web, la edición personal cuesta 35 dólares al mes, para la edición profesional cuesta 70 dólares por mes, el servidor cuesta 35 dólares al mes, la versión en línea cuesta 42 dólares al mes, pero se factura anualmente todos. Si se es estudiante le permiten usar la aplicación personal por un año gratuitamente, solo se debe acreditar que es estudiante.

81

GROENFELDT, Tom. A Tableau Solution to Those Excel Blues. Forbes, 2013.

48

Funciones principales: deja hacer una revisión histórica de los datos permitiendo la opción de volver a versiones anteriores en los libros de trabajos y permite la conectividad a varias fuentes de datos.

El uso intuitivo de la herramienta permite a los usuarios realizar análisis de datos con solo arrastrar botones, también permite el uso de características de colaboración para los grupos de trabajo, estas se encuentran en un cuadro de mando público que es de fácil uso y además la gestión de dispositivos móviles que permite el soporte a toda la organización asegura que las actividades se puedan completar sin importar en donde se encuentre la persona.

Tableau ofrece a los usuarios un confiable equipo de expertos para dar soporte y automatiza las actualizaciones de los datos para ayudar a las compañías a tener información fresca sin malgastar el tiempo, además de la posibilidad de elegir entre desplegar en la nube o en sus servidores locales haciendo su producto flexible

Productos de la compañía:

Tableau Desktop: Esta versión está disponible en dos ediciones, la profesional

que soporta todas las fuentes de datos y se conecta con Tableau server para realizar analíticas basadas en la web, y la edición personal que soporta únicamente Excel, Access y fuentes de datos en formato csv, esta no posee soporte del servidor. Ambas ediciones son con fines comerciales y están disponibles para propósitos académicos por un año gratuito.

Tableau Server: Esta versión es una solución de inteligencia de negocio para

móviles y en línea. Generalmente la usan para publicar Dashboard con la versión de escritorio y compartirlo en las organizaciones. Esta soporta las mismas fuentes de datos que la versión de escritorio y es compatible con todos los navegadores en plataformas y dispositivos.

Tableau Online: Es una versión alojada del servidor que permite además de

compartir información entre colegas, permite una facilidad de encontrar respuestas en minutos. Provee 100 Gigas de almacenamiento para la licencia comercial.

49

Tableau Public: Esta versión está pensada más para usuarios que compartan constantemente información en la red, permitiéndole mostrar historias de datos interactivas.

Seguridad: Tableau provee soluciones de seguridad comprensibles que balancean la variedad sofisticada de requerimientos con implementación y uso simple. A nivel empresarial manejan características para gestionar la autenticación, permisos, datos y seguridad en la red, lo cual permite tener un esquema completo de seguridad.

En cuanto a la autenticación, Tableau soporta tres tipos de autenticación más la opción de permitir accesos anónimos al sistema que son Microsoft Active Directory, autenticación local gestionada por el servidor de Tableau y autenticación confiable que crea relaciones de confianza entre el servidor de Tableau y uno o más servidores web.

La seguridad de datos es otra opción para tener en cuenta dado la importancia de esta en toda la organización, y más aún si se envían datos a entidades externas. Tableau ofrece flexibilidad en ayudar a las organizaciones a cumplir sus requerimientos de seguridad de tres diferentes maneras: Implementando la seguridad en la base de datos, implementando la seguridad en Tableau, o creando un método hibrido donde la información del usuario tenga datos correspondientes en la base de datos.

Ventajas:

Visualización interactiva de los datos Facilidad de uso Permite variedad en fuentes de datos Permite usar APIs para extracción sistemática de datos Escalable tanto en hardware como en memoria Seguridad Interfaz gráfica atractiva Servicio al cliente Bajo precio

Inconvenientes:

50

Preparación inicial de los datos para ser cargados No posee informes financieros Necesita de conocimientos técnicos al conectarse a bases de datos

Clientes actuales: Tiene más de 50000 cuentas de clientes, algunas de las empresas que usan el software son AeroMexico, SpaceX, University of Birmingham, Allstate Insurance, Priority HealthCare, Audi AG, Symetra Financial, Banco Nacional de Costa Rica, Bank of America, Barclays, CitiBank, EverBank Direct, Aeria Games, U.S. Bank, DirectTV Colombia, Skype, Ferrari, entre muchas otras de diferentes sectores.

IV. A continuación se presenta el análisis de la herramienta Domo:

Propietario o desarrollador: Domo, Inc.

Descripción de la herramienta: Domo es una plataforma de manejo empresarial con enfoque en inteligencia de negocio cuyas soluciones de negocio funcionan sobre la nube y son entregadas al cliente como un servicio (Software as a Service), entre sus funcionalidades más conocidas se destaca su capacidad para conectarse directamente a más de 500 data sources diferentes desde cualquier punto de la organización82, la facilidad que posee para la creación de Dashboards y gráficos a partir de los datos ofreciendo soporte móvil como de escritorio y su sólida arquitectura en la nube enfocada a ser una expansión de la arquitectura existente del negocio en lugar de ser un remplazo para la misma.

Licenciamiento: tienen cuatro opciones para los usuarios, una prueba gratis, una versión estándar, una versión profesional y una versión empresarial, las últimas tres se pagan anualmente, pero para saber el precio exacto hay que contactarlos no muestran información en la web.

Funciones principales: Más que un producto Domo funciona como un ―Sistema Operativo‖ para la organización, se enfoca principalmente en la recolección de data desde diferentes fuentes y su actualización y mantenimiento en tiempo real.

82

DOMO. {En línea}. {marzo, 2018}. Disponible en: https://www.domo.com/connectors#/

51

―Domo pone a trabajar todos los datos de una empresa para todos los empleados de esta‖83

Domo parte de la premisa de que una plataforma de manejo empresarial debe ser flexible al cliente, por lo que sus soluciones están enfocadas al rol específico de cada área de la organización, Domo se especializa en las necesidades específicas de cada rol y despliega soluciones netamente en la nube para los mismos.

Entre sus características más destacadas se encuentran:

Magic ETL: Permite limpiar, combinar y transformar los datos sin conocimiento

previo de SQL, así como programar tareas de transformación de datos a través de esta herramienta. Gracias a ―Magic‖ Domo ha hecho posible que cualquier individuo pueda extraer y transformar datos fácilmente sin afectar la calidad de estos y sin necesitar alguna habilidad técnica.

DataFlows. Permite el uso de lenguaje común SQL para acceder, transformar,

limpiar e interactuar con el data warehouse del cliente sin necesidad de salir de Domo.

Blend. Permite al usuario la combinación de diversas fuentes de datos en una

sola plataforma por medio de una interfaz interactiva que puede ser usada por un usuario común.

Card Builder: Es el interpretador de datos de Domo, con sólo añadir un Data

source, Card builder es capaz de interpretar los datos, así como dar sugerencias sobre su visualización buscando generar impacto y claridad en los datos. Card Builder se encarga de la visualización y descubrimiento de los datos y permite realizar

Buzz: Domo ha integrado a su suite de servicios la plataforma de colaboración

Buzz, a través de la cual tanto equipos como individuos pueden compartir en tiempo real datos desde cualquier fuente, asignar proyectos y tareas y crear canales de chat para equipos todo desde una sola conversación.

Alert Center: El centro de alertas de Domo funciona como una consola donde

se informa el manejo que se está dando a los datos de la organización, en el centro de alertas el usuario puede consultar que nueva data está siendo añadida, la modificación de data existente y cuáles datos están siendo vistos

83

DOMO. {En línea}. {marzo, 2018}. Disponible en: https://www.domo.com/product

52

más frecuentemente, a través del centro de alertas el usuario puede acceder a las diferentes discusiones, gráficos o Dashboard con solo un click.

Analyzer: Provee la habilidad de filtrar u organizar los datos en card builder o

en páginas enteras de Domo para proveer una vista específica de los datos, ya sea una región, un periodo de tiempo o cualquier filtro sin necesidad de alterar la vista de los demás usuarios.

Workbench 4. Workbench es una herramienta para la adquisición de datos

utilizada por Domo para la recolección de datos desde cualquier data source soportado de forma segura y flexible, soportando incluso cifrado y descifrado de la información.

Domo Apps: Appstore propio donde se ofrecen diversas aplicaciones basadas

en el rol de los usuarios de la organización para la creación de nuevos Dashboard, gráficos, etc.


Seguridad: Domo ofrece diferentes capas de seguridad para la protección de los datos, entre sus modelos soportados se encuentran el modelo BYOE (Bring Your Own Ecnryption) permitiendo al cliente utilizar su propio software de cifrado y manipular sus propias llaves de cifrado, el modelo SSO (Single Sign On), procedimiento por el cuál un usuario se autentica y autoriza en un servidor a través de una sola instancia de autenticación y el 2FA (Two Factor Authentication), método de autenticación basado en el método MFA (Multi Factor Authentication)84

El equipo de TI tiene control completo de la seguridad interna de los datos, la accesibilidad y permisividad sobre los mismos, por lo que se cuenta con un gobierno confiable sobre los datos bajo el control del usuario en todo momento85, Domo protege la data del cliente a través de:

Múltiples capas de seguridad tanto físicas como lógicas. Un modelo de acceso a la información basado en permisos y separación de

tareas. Evaluación de amenazas para cada característica. TLS 84

DOMO. {En línea}. {marzo, 2018}. Disponible en: https://www.domo.com/roles/it 85

DOMO. {En línea}. {marzo, 2018}. Disponible en: https://www.domo.com/trust

53

Monitoreo extenso de logs provenientes de la red, sistema y eventos de las aplicaciones.

Ventajas:

Integra datos de diferentes fuentes en la nube, instalando un programa en la

red del usuario que captura la información y la sube a la nube. Puede cargar datos estructurados y no estructurados desde cualquier fuente a

una sola vista. Ofrece más de 100 conectores a fuentes de datos Soporte al cliente

Inconvenientes:

No publican su precio en línea, a menos que se les contacte Pocas actualizaciones Extracción de datos desde la nube un poco difícil

Clientes actuales: Posee más de 1000 clientes entre los cuales se encuentran DHL, Mastercard, Ebay, Univision, National Geographic, Colony American Finance, Apria Health Care, entre muchas otras.

V. A continuación se presenta el análisis de la herramienta Dundas:

Propietario o desarrollador: Dundas Data Visualization, Inc.

Descripción de la herramienta: La solución de Dundas ofrece control total sobre los datos para que puedan ser enviados en la vía más rápida, además de permitir a los usuarios de negocios tener un total control de los datos, personalizando los reportes y creando contenido relevante y procesable para el fácil consumo.

Esta herramienta consolida múltiples herramientas de analítica en cuadros de mando consistentes, y usa aplicaciones para facilitar la personalización y ajuste de datos para varios sectores de información en la industria reduciendo los costos corporativos.

54

Licenciamiento: el costo depende del número de usuarios y sobre grandes despliegues, con pagos anuales o a perpetuidad

Funciones principales: Ofrece un buen conjunto de características para el descubrimiento de los datos con funciones para la preparación de datos, análisis visual y análisis avanzados guiados. Utiliza tecnología de Microsoft permitiendo al usuario soporte en Microsoft SQL Server y ofrece un amplio conjunto de conectores de datos, así como funciones para el acceso a datos en tiempo real y en caché. Algunas de las características puntuales son:

Está basado en navegadores web, por lo cual no es necesario descargar o

instalar ninguna aplicación. Facilidad de administración, control total y la seguridad y la gobernación

necesarios para despliegues a gran escala. Permite conectarse con cualquier fuente de datos Trabaja en cualquier dispositivo que utilice la tecnología HTML5 La plataforma de ETL es completamente personalizable Capacidad de compartir datos entre usuarios Interfaz intuitiva


Seguridad: La jerarquía de seguridad es típicamente usada para implementar filtros dependientes de usuarios y su principal diferencia entre un cubo de datos basado en una jerarquía de seguridad y un cubo de datos basado en atributos personalizado es que puede almacenar o almacenar en memoria caché los datos al usar la jerarquía de seguridad.

Dundas permite crear grupos de seguridad que facilitan el control a los conectores de datos, tablas virtuales, dimensiones, KPIs, cuadros de mandos y otros recursos. Esto para permitir o denegar el acceso a un grupo en vez de configurarlo para cada usuario (ya sea usuario de los cuadros de mandos, usuarios de las ventanas, usuarios de los grupos de ventanas u otros grupos de seguridad).

Ventajas:

55

Accesible en múltiples plataformas Fácil uso al ejecutar análisis y crear visualizaciones, cuadros de mandos e

informes No hay necesidad de conocimientos técnicos

Inconvenientes:

Falta documentación para desarrolladores No posee una comunidad de usuarios

Clientes actuales: Clientes de un gran rango de industrias y líneas de negocio, algunos de ellos son Siemens, The Boeing Company, Absorb, NHS, HP, Scotiabank, entre otras.

VI. A continuación se presenta el análisis de la herramienta Power BI:

Propietario o desarrollador: Microsoft

Descripción de la herramienta: Power BI es un conjunto de aplicaciones de análisis de negocios que permite analizar datos y compartir información. Esta se actualiza en tiempo real y está disponible en todos sus dispositivos. Asimismo, puede acceder a sus datos e informes desde cualquier lugar con las aplicaciones móviles de Power BI Mobile, que se actualizan automáticamente con los cambios que se realicen en los datos. Además de lo anterior, Power BI es una herramienta de mashup de datos y creación de informes que incluye numerosas características.

Licenciamiento: Power BI ofrece tres soluciones para las empresas las cuales son Power BI Desktop que es de licenciamiento gratuito, Power BI Pro que cuesta 9.99 dólares por usuario al mes y la versión Power BI Premium que tienen un precio por capacidad por nodo al mes que depende de la cantidad de usuarios que usaran la herramienta.

Funciones principales:

56

Combina datos de bases de datos, archivos y servicios web diversos con

herramientas visuales que ayudan a comprender y corregir problemas de formato y calidad de los datos automáticamente.

Posee más de veinte objetos visuales integrados y una dinámica comunidad de visualizaciones personalizadas.

Publicación de informes con seguridad en la organización. Unifica todos los datos de su organización, ya sea en la nube o localmente Posee complementos para Excel y otras basadas en la nube con un buen

potencial Facilidad de compartir informes y cuadros de mandos.

Productos de la compañía: Power BI, Power BI Desktop, Power BI Pro, Power BI Premium.

Seguridad: En cuanto a seguridad de los datos, usa dos repositorios principales para almacenar y administrar datos: los datos que se cargan de los usuarios se envían normalmente al almacenamiento de Azure BLOB, y todos los metadatos, así como los artefactos para el sistema mismo, se almacenan en la Base de datos SQL de Azure

Además, usa seguridad dinámica para restringir el acceso a los datos a través de seguridad por niveles en los informes, basados en las credenciales de acceso de los usuarios. Esto lo hacen por medio de tablas de usuarios en el modelo y las funciones de nombre de usuario cuando se crean los roles de los usuarios.

Ventajas:

Bajo costo Emparejamiento con los productos de Microsoft Actualizaciones consistentes Fácil integración con Excel Comunidad activa, y documentación de ayuda Multiplataforma

Inconvenientes:

57

Con grandes cantidades de datos genera retrasos en algunas ocasiones y la solución es usar una conexión en vivo.

Complejo de entender completamente dado que tiene una gama de productos por optar dentro del mismo, componentes complejos como gateways, servicios de Power BI, entre otras que hace que el usuario tenga dificultad de entender cuál es mejor para su negocio.

Clientes actuales: Algunos de sus clientes son McAfee, Commune de Musson, Webjet Limited, Fesco, Mercedes-Benz, Kuwait Finance House, Nations TrustBank, Vipps, Kohler, Celestica, Dell, Adobe, entre otras.

5.2 Comparación de herramientas

Se observó que, en su mayoría, las herramientas estudiadas actualmente ya han sido adoptadas por entidades del sector financiero, resaltando la importancia que juega el análisis de datos en este frente. La herramienta más implementada por clientes de dicho sector es Tableau, punto que se tuvo en consideración al momento de seleccionar las herramientas a probar en el caso de estudio. Otro factor para tener en cuenta al evaluar las herramientas es la facilidad de uso, dado que en algunos casos se requiere de conocimientos técnicos/especializados con los que el área de la banca corporativa no cuenta.

En la selección de criterios de comparación a tener en cuenta para el análisis de herramientas, se partió de los requerimientos especificados en conjunto con el área, vistos en la sección 5.3 del documento, con el objetivo de contribuir al análisis del caso de estudio del proyecto. También se tuvo en cuenta la investigación de cada herramienta expuesta en la sección 5.1, profundizando en sus capacidades técnicas, experiencia ofrecida al usuario y rendimiento entre otras.

Cada herramienta fue evaluada bajo los criterios que se exponen a continuación, haciendo uso de datos aleatorios, buscando simular escenarios reales de aplicación:

58

Eficiencia: Evaluando si la herramienta tiene un buen rendimiento en el procesamiento de consultas con un gran volumen de datos. Es importante que el rendimiento sea bueno dado que en el área de CIB la toma de decisiones debe realizarse en tiempos estimados.

Presentación de los datos: Evaluando si la presentación de manera visual es comprensible para el usuario y que brinde así una fácil comprensión de la información.

Rendimiento: Evaluando si la herramienta presenta errores, bugs o latencia durante su ejecución.

Seguridad: Evaluando si los datos del negocio se encuentran almacenados localmente o en la nube, accesos a los modelos y capas de seguridad que tenga la herramienta.

Facilidad de uso: Evaluar si un usuario sin experiencia puede encontrar e

identificar las características y que tan fácil es usarlas.

Procesamiento analítico en línea consultas ad hoc (OLAP): Evalúa si la herramienta permite al usuario tener libertad de definir consultas. OLAP permite a los usuarios realizar análisis ad hoc considerando múltiples dimensiones y proveyendo la información necesaria para tener un mejor proceso de toma de decisiones.

Visualización interactiva de datos: Evalúa si la herramienta permite la

interacción entre el usuario y los cuadros de mando, informes y gráficos.

Conexión a bases de datos: Evalúa si cuenta con múltiples conexiones a diferentes fuentes de datos.

Multiplataforma: Evalúa si la herramienta puede ser instalada en diferentes

sistemas operativos.

Perfil de usuarios: Evalúa si la herramienta permite crear jerarquías de usuarios.

Extracción, transformación y carga (ETL): Evalúa el proceso de ETL

incorporados en la herramienta.

Integración de modelos dimensionales: Evalúa si la herramienta permite la incorporación de modelos dimensionales (Modelo estrella, copo de nieve).

59

Soporte en línea: Evalúa si la herramienta permite el acceso a recursos en línea como tutoriales, soporte al usuario, chat y comunidades.

Licenciamiento: Evalúa si la herramienta cuenta con licencia gratuita o con

planes de licenciamiento.

Manejo de volumen de datos: Evalúa cómo se comporta la herramienta al cargar grandes volúmenes de datos.

Método de distribución: Evalúa como se entrega el software al cliente.

Disco Duro: Evalúa el espacio mínimo requerido por la herramienta para poder ser ejecutada en una maquina

Hardware: Evalúa si la herramienta necesita de una maquina física donde instalarse en la organización o puede ser netamente cloud.

Conexión Cloud: Evalúa si la herramienta implementa alguna arquitectura basada en Cloud donde la información no se encuentre en un servidor centralizado adentro de la organización.

Lenguaje multiparadigma: Evalúa si la herramienta integra diversos lenguajes de programación para la realización de Scripts, extracción de datos, etc.

La siguiente tabla muestra la comparación de las herramientas con cada uno de los criterios mencionados anteriormente:

Tabla 4 Comparación de herramientas de inteligencia de negocio

Qlik Sense Sisense Tableau Domo Dundas Power BI

Eficiencia SI SI SI N/A SI SI

Presentación de los datos

Conocimiento técnico

(QlikView)

SI SI SI SI SI

Facilidad de uso

Conocimiento técnico

SI SI SI Conocimiento

técnico SI

OLAP SI SI SI SI SI SI

Visualización interactiva

SI SI SI SI SI SI

Conexión BD SI SI SI SI SI SI

60

Rendimiento

Optimo

Optimo

Optimo

Optimo

Optimo

Optimo

Multiplataforma Windows Windows Windows

Mac Full Windows Windows

Seguridad Alta Alta Alta Regular Alta Regular

Perfiles de usuarios

SI SI SI SI SI SI

ETL SI SI SI SI SI SI

Modelos dimensionales

SI

SI SI SI SI SI

Soporte en línea

SI SI SI SI SI SI

Licenciamiento Comercial Comercial Comercial Comercial Comercial Gratuita/

Comercial

Manejo de volumen de

datos SI SI SI SI SI SI

Método de distribución

Local Local Local SAAS Local Local

Disco Duro 3 GB 4 GB 15 GB N/A 50 GB 1 GB

Memoria 8 GB 8 GB 8 GB N/A 8 GB 1 GB

Hardware SI SI SI NO SI SI

Conexión Cloud

QLIK CLOUD SENSE

SISENSE CLOUD

TABLEAU ONLINE, CLOUD

NETAMENTE CLOUD

Puede ser implementada Cloud, pero no se ofrece este servicio

Basada en Cloud

Lenguaje multiparadigma

Qlik script, SQL, Nativo Qlik, Python,

R

Java Script, SQL, R

SDK (C, C++, Java,

Python) R, SQL

R, SQL

Dundas Script,

JavaScript, .NET, Python, PHP, SQL, R

DAX, ―M‖, SQL,

MDX, R, .NET,

Python, NodeJS

De acuerdo con el análisis comparativo expuesto en la tabla 4 y el proceso investigativo de cada herramienta, se llegó al siguiente análisis:

Todas las herramientas analizadas a excepción de Domo utilizan recursos (Disco, memoria, procesador) de la maquina local del usuario, se observó el rendimiento de cada una de las herramientas con ayuda del monitor de recursos de Windows al momento de realizar operaciones en las mismas y se encontró que los recursos mantuvieron un estado óptimo durante su ejecución. Domo al ser una herramienta netamente Cloud ejecuta todas las operaciones en sus servidores y solo requiere de un navegador web para su uso.

61

Los resultados arrojados en los diferentes dashboard diseñados en las herramientas fueron fáciles de comprender y no requieren de conocimientos técnicos por parte del usuario para su entendimiento exceptuando el caso de uno de los productos de Qlik (QlikView), el cuál presentó complejidad al momento de realizar operaciones en los gráficos, pues utiliza un lenguaje nativo del producto. La información desplegada en los dashboards se presenta como un gran apoyo para la toma de decisiones a nivel operacional o estratégico.

Entre las diferentes herramientas y el usuario se obtuvo un grado alto de satisfacción en cuanto a la facilidad con la que se interactúa con los gráficos, brindando así libertad de explorar, buscar y pivotar entre los diferentes objetos. Domo y Tableau sólo permiten manejar un gráfico por cada hoja; A diferencia de las demás herramientas, donde se permite trabajar diversos gráficos en una sola hoja.

El modelo asociativo que manejan algunas de las herramientas (Power BI, Qlik) mejora la exploración y análisis interactivos de los datos, en donde todos estos se reúnen y se indexan para encontrar todas las asociaciones posibles en los datos, en todas las fuentes de datos.

Existen herramientas de visualización basadas en Queries, las cuales limitan a los usuarios a tener vistas fragmentadas e incompletas obligando a elegir cómo unir los datos basados en las limitaciones de SQL. Un ejemplo de este se visualiza en el siguiente grafico

Qlik brinda una gran ventaja frente a la visualización de los datos, su motor asociativo de indexación provee una alta calidad en cuanto al análisis de datos generando un fuerte impacto en la calidad de la experiencia de visualización. Otras herramientas como Power Bi, Tableau, y Domo manifiestan una fácil interacción entre la data, segmentación de datos, y poseen una documentación previa en cada una de las paginas para fomentar el auto aprendizaje por parte del usuario.

Se evidencio que todas las herramientas permiten la creación de una experiencia personalizada para cada usuario o grupos de usuarios, a través de permisos que permiten filtrar la información que cada usuario o grupo puede ver de acuerdo con su rol en la organización.

La conexión a fuentes de datos es muy amplia en cada una de las herramientas contando con desde 32 conectores hasta más de 300 en algunos casos, a diversas fuentes de datos, dichos conectores son sencillos de utilizar y poseen tiempos de conexión generalmente rápidos.

En Cada una de las herramientas se manejan servidores que ofrecen una fuerte capa de seguridad sobre la información almacenada, afianzando la

62

confianza de los usuarios sobre los productos, un ejemplo de esta característica es la bolsa electrónica de valores NASDAQ la cual utiliza Sisense como plataforma para el manejo de sus datos, brindando un alto estándar en cuanto al suministro de información financiera al público. Aunque Domo utiliza protocolos de seguridad de última generación para enviar la información a sus servidores, presenta las mismas falencias que cualquier servicio alojado en la nube, es decir, no se conoce el paradero real de la información la cual puede estar distribuida en servidores desconocidos en el mundo.

Todas las herramientas analizadas cuentan con un Analyzer, el cual se

encarga de ejecutar los modelos para evaluar su rendimiento e informar al usuario sobre las celdas o variables que están consumiendo recursos de más. Las herramientas analizadas fomentan el uso de buenas prácticas especificando el tratamiento ideal para las variables y el buen uso de todos los sets de análisis.

Todas las herramientas poseen conectores especializados para la extracción de información desde sistemas basados en Hadoop, ofreciendo soporte a una de las tecnologías más usadas para el manejo de Big Data.

Con excepción de Domo y Power BI, las demás herramientas presentan una limitante de hardware para su implementación a nivel empresarial, es decir requieren un servidor dedicado con altas condiciones de memoria y espacio de almacenamiento para la ejecución del producto.

Herramientas como Domo y Power BI a pesar de ser excelentes opciones, presentan una gran desventaja frente a las demás para el caso de estudio del proyecto (CIB), pues al ser servicios Cloud, no se tiene control sobre la ubicación de la información sensible del negocio, lo cual es un aspecto fundamental de confidencialidad en el sector financiero.

La curva de aprendizaje de Tableau es notoriamente menos drástica que la de las demás herramientas, posee una interfaz de aprendizaje intuitivo (Drag and Drop) y no requiere de conocimientos técnicos para su ejecución, por ende cualquier persona fuera del sector de TI debería estar en capacidad total de manejarla y sacar provecho de ella por su cuenta.

Todas las herramientas poseen opciones del producto en Cloud, por lo que no es necesario de un servidor dedicado para su implementación a nivel empresarial.

En general las herramientas poseen requerimientos mínimos bastante alcanzables en términos de memoria y almacenamiento, sin embargo un factor

63

a tener en cuenta es que dichos recursos deben escalar conforme al tamaño del negocio.

Todas las herramientas poseen soporte e integración con diferentes lenguajes de programación/scripting, permitiendo incorporar funciones de programación no nativas de las herramientas que pueden ser de alto impacto para la optimización tanto del proceso ETL como de la visualización de la información.

Tableau cuenta con innovadores complementos para potenciar los dashboards generados a través de la herramienta, un claro ejemplo de esta ventaja es el aclamado ―Viz in a tooltip‖, a través del cual es posible vincular elementos de un dashboard a pequeñas vistas con estadísticas generadas independientemente, las cuales son desplegadas ―on hover‖ es decir al acercar el puntero al elemento asociado.

5.3 Especificación de requerimientos

Con base en las entrevistas no estructuradas que se realizaron en conjunto con el área de CIB, se especificaron las siguientes historias de usuario:

User Story No. 1 Comportamiento de la banca

Requerimiento Como Director de area quisiera visualizar el comportamiento de la

banca en el tiempo

Dado que el usuario accedio a la herramienta se visualizara un

grafico con dimensiones año y saldo

Dado que el usuario dio clic sobre el grafico podra interactuar de

forma dinamica en los datos

Dado que el usuario dio clic sobre el grafico podra visualizar los

datos de comportamiento


Tabla 5 User Stories 1

64




User Story No. 2 Balance del area

Requerimiento Como Analista de area el quisiera ver el balance de la banca en el

tiempo


grafico con dimensiones año y tipo (balance)






User Story No. 3 Estado de resultados

Requerimiento Como Transaccional del area quisiera visualizar el estados de

resultados por trimestre


grafico con dimensiones trimestre y saldo del estado de las

cuentas






User Story No. 4 Participación de los productos y/o servicios

Requerimiento Como Analista del area quisiera visualizar el beneficio brindado en

los ultimos meses en el area

Dado que el usuario accedió a la herramienta se mostrara una

tabla con el porcentaje total de los balances y resultados actuales

en el área


forma dinamica en la tabla




65


5.4 Proceso de ETL

Para realizar el proceso de ETL (extracción, transformación y carga), se llevó acabo la selección de 3 de las herramientas analizadas (Tableau, Qlik Sense, Power BI), en las cuales se realizaron pruebas haciendo uso de bases de datos públicas del área (CIB) obtenidas desde internet

Las pruebas realizadas en cada una de las herramientas se ven reflejadas en los (Anexos 3,4 y 5), describiendo el proceso trabajado en cada una de ellas, un modelo de Dashboard para la visualización de los datos y una conclusión.

5.5 Caso de estudio CIB

Para el caso de estudio del proyecto, se seleccionaron tres herramientas en las que se realizó el proceso de ETL haciendo uso de bases de datos públicas del área (CIB) obtenidas desde internet, con el objetivo de generar valor a la misma a partir de la creación de diferentes escenarios.

Las herramientas seleccionadas fueron Tableau, Power BI y Qlik Sense, pues se tuvo en cuenta que además de cumplir satisfactoriamente los requerimientos del

User Story No. 5 Tendencias

Requerimiento Como Economista del area quisiera visualizar las tendencias

generadas según los tipos de recaudos

Dado que el usuario accedio a la herramienta se mostrara el

comportamiento asociado a los recaudos

Dado que el usuario dio clic sobre el grafico podrá interactuar de

forma dinámica




66

área, hoy en día son consideradas tendencia en el mercado de la inteligencia de negocio y análisis de datos. En los anexos 3, 4 y 5 del documento se evidencia el proceso realizado en cada una de las herramientas.

A partir de los resultados generados en las diferentes herramientas, se procedió a realizar un análisis de tipo financiero para lo cual se contó con el apoyo de un integrante del área de CIB, quien con base en la solución generada apoyo en la deducción del valor inmediato que el área podía obtener al adoptar una herramienta con enfoque en inteligencia de negocio. Entre los resultados obtenidos se destacan:

Se pudo observar claramente los recaudos que han dejado los clientes y la tendencia de los mismos, permitiendo generar planes de acción frente a los posibles cambios.

Las tendencias observadas brindan un panorama más general del activo y pasivo del banco, ofreciendo un acercamiento más claro tanto a la necesidad del mercado como a las estrategias a tomar con base en los diferentes cambios en los datos.

Se pueden generar estrategias que abarquen grandes cambios en tasas de rentabilidad, revisión de exoneraciones, planes de contingencia para conseguir más recursos, revisión de posibles fugas de clientes, planes de negocio, acciones concretas sobre el manejo del presupuesto, y asignar a las áreas encargadas la labor de evaluar las tasas de cumplimiento para con los clientes.

6. CONCLUSIONES

Gracias a la extensiva investigación y estudio que se llevaron a cabo tanto en el ámbito del Big Data y análisis de datos, como en el área de CIB se lograron identificar fácilmente las técnicas, metodologías y herramientas de inteligencia de negocio, que permitieran generar soluciones eficaces con base en los requerimientos y necesidades expuestas por la banca.

67

Se realizó un análisis comparativo de las herramientas tendencia en el mercado, con base en encuestas y análisis expuestos por empresas consultoras y de investigación de las tecnologías de información; identificando sus bondades y campos de uso, cuyo resultado fue clave en la selección de las herramientas que fueron sometidas al caso de estudio del proyecto.

Se seleccionaron las tres herramientas con mayor viabilidad para tratar los datos asociados al área de CIB, con base en el análisis comparativo realizado y los requerimientos de la banca, en las cuales se realizó el proceso de extracción transformación y carga de datos con el objetivo de simular escenarios reales de aplicación que permitieran identificar posibles estrategias/oportunidades de negocio.

La inclusión de técnicas y herramientas asociadas al Big Data (BI/BDA) se presenta como una gran oportunidad para agilizar el proceso de toma de decisiones estratégicas/operacionales en el área de banca corporativa y de inversión, sin embargo, el sector financiero debe haber alcanzado un nivel de madurez deseado para que dicha inclusión no resulte contraproducente.

El optar por un acercamiento ágil para el proceso de recolección y especificación de requerimientos, facilitó en gran medida el desarrollo del proyecto, en términos de documentación y pruebas.

7. RECOMENDACIONES

El análisis propuesto en la investigación se basó en las herramientas de inteligencia de negocio que actualmente son tendencia, pero existen varias opciones que pueden ajustarse a los requerimientos del área, estas podrían ser una alternativa a las propuestas en el presente trabajo y se abre la posibilidad de realizar un estudio posterior con ellas.

68

Por otro lado, una recomendación pertinente se da en la prospección de los clientes nuevos en el área, debido a que se necesita un estudio de las acciones que tiene dado cliente con su capital, de acuerdo a las entrevistas realizadas al área, y actualmente este proceso lleva tiempo debido a que la información se encuentra en diferentes fuentes de datos, por ende el uso de esta tecnología permitiría correlacionar estos datos con respecto a unos criterios que maneja el área siendo un beneficio y evidenciando los posibles clientes a los cuales acercarse, y en el momento de una visita tener la información necesaria para poder mostrarle al cliente que beneficios podría tener al entablar relaciones con el banco o el área como tal.

BIBLIOGRAFIA

CORNESA, J.; BRAULIO, N. & CURTO, J. Customer Analytics. Mejorando la inteligencia del cliente a través de los datos. Barcelona: UOC, 2014. 76 p.

PANIAGUA, E.; MEYER, C. & SANDS, L. Big Data. El Poder de los Datos. Madrid: Fundación innovación Bankinter, 2015. 82 p.

CORNESA, J. & CURTO, J. Introducción al Business Intelligence. 1 ed. Barcelona: UOC, 2010. 240 p.

69

SHERMAN, Rick. Business Intelligence GuideBook. From data integration to analytics. Elsevier, 2015. 513 p.

HOWSON, C. Successful Business Intelligence: Unlock the value of BI & Big Data. (M. G. Hill, 2 Ed.) United States: Mac Graw Hill, 2015. 309 p.

ROLDÁN, J. L.; GALÁN, J. L. & CEPEDA, G. A. Los sistemas de inteligencia de negocio como soporte a los procesos de toma de decisiones en las organizaciones. En: Papeles de economía española, 2012. No.132. p. 239-260

ABELLO, A.; SAMOS, G. & JIMENEZ, J. La factoría de información corporativa. UOC, 2013. 44 p.

RODRIGUEZ, José. Características de los proyectos de inteligencia de negocio. UOC, 2014. 50 p.

GIRONES, J. Algoritmos. UOC, 2013. 74 p.

MUÑOZ, H.; OSORIO, M. & ZÚÑIGA, P. Inteligencia de los negocios. Clave del Éxito en la era de la información. En: Clío América, 2016. Vol. 10, no.20. P.p. 194 - 211. RAMOS, Salvador. BI & Analytics. El arte de convertir datos en conocimiento. Vol. I. Albatera: SolidQ Press, 2016. 44 p.

RAMOS, Salvador. Microsoft Business Intelligence. Vea el cubo medio lleno. Albatera: SolidQ Press, 2011. 128 p.

BRIJS, Bert. Business Analytics for business intelligence. CRC Press, 2012. 316 p.

MATAMORROS, Rafael. Implantación en una empresa de un sistema de BI SaaS. Ingeniero informático Valencia. Universidad Politécnica de Valencia, 2010. 183 p.

AIMACAÑA, Doris. Análisis, diseño e implementación de una data mart. Ingeniero informático. Quito Universidad Central del ecuador, 2013. 140 p.

ALTER, Steven. A Taxonomy of decision support systems. En: Sloan Management Review, 1977. pp.39-56.

CODREANU, Diana. Modelling financial-accounting decisions by means of OLAP tools. En: Database Systems Journal, 2011. Vol II, No 1. pp.23-32.

LIU, Shaun & HELLER, Jack. A record oriented, grammar driven data translation model. New York: State university of New York at Stony Brook. 19 p.

70

WOHLFART, Eva. A detailed comparison of information visualization tools using a reference data set. Viena, 2007,104p. Tesis de maestría. Universidad Técnica de Viena. Facultad de Informática.

GOUNDER, Mohan; VASUDEVAN, Vani & AL MAZYAD, Abdulaziz. A Survey on Business Intelligence tools for University Dashboard development. {En línea}. {marzo 2018}. Disponible en: (https://ieeexplore.ieee.org/document/7460347/).

YADRANJIAGHDAM, Baba; POOL, Nathan & TABRIZI, Nasser. A survey on real-time big data analytics. Aplications and tools. {En línea}. {marzo 2018}. Disponible en: (https://ieeexplore.ieee.org/abstract/document/7881376/).

CHAUDHURI, Surajit; DAYAL, Umeshwar & NARASAYYA, Vivek. An overview of business intelligence technology. En: Communications of the acm. Vol. 54, No 8 (ago. 2011); pp.88-98.

QIHAI, Zhou; TAO, Huang & TAO, Wang. Analysis of business intelligence and its derivative. Financial intelligence. {En línea}. {marzo 2018}. Disponible en: (https://ieeexplore.ieee.org/document/4606219/).

ILYES, Mohamed. Application and survey of business intelligence (bi) tools within the context of military decision making. Monterrey, 2012,103 p. Tesis (Maestría de ciencias en sistemas tecnológicos). Naval postgraduate school.

ATRIWAL, Labhansh, et al. Business intelligence tools for big data. En: Journal of basic and applied engineering research. Vol. 3, Issue 6; (Abr-Jun, 2016). pp. 505-509.

MAREFATI, Maryam & MOHSEN, Seyyed. Business intelligence system in banking industry. Case study of Saman Bank of Iran. {En linea}. {marzo, 2018}. Disponible en: (https://www.researchgate.net/publication/271587869_Business_Intelligence_System_in_Banking_Industry_Case_Study_of_Samam_Bank_of_Iran?enrichId=rgreq-8dabea62a081fb2d1f4364846323f483-XXX&enrichSource=Y292ZXJQYWdlOzI3MTU4Nzg2OTtBUzozNzMxMjMzNDcxNzMzODJAMTQ2NTk3MDk0NjI3OQ%3D%3D&el=1_x_3&_esc=publicationCoverPdf).

SANJIB, Sahu; M MARY, Jacintha & AMIT, Singh. Comparative study of tools for big data analytics. An analytical study. {En línea}. {marzo, 2018}. Disponible en: (https://ieeexplore.ieee.org/document/8229827/).

RADHIKA, P.; PRANEEL, Kumar; Sailaja, S & GAYATRI, V. Confrontation and opportunities of big data. A survey. {En línea}. {marzo, 2018}. Disponible en: (https://ieeexplore.ieee.org/document/8070827/).

71

MICHAEL, Nancy; RAISSI, Mehna & GOVIL, Anju. How to become a data-driven bank. {En línea}. {febrero 2018}. Disponible en: (https://www.moodysanalytics.com/-/media/whitepaper/2017/how-to-become-a-data-driven-bank.pdf).

BRANDAO, Andreia, et al. A benchmarking analysis of open-source business intelligence tools in healthcare environments. En: MDPI Journal information. Vol. 7. Issue 4; (Octubre 2016). 16 p.

MANOOCHEHR, Najmi, MEHRAN, Sepehri & SPIDEH, Hashemi. The evaluation of business intelligence maturity level in Iranian banking industry. {En línea}. {marzo 2018}. Disponible en: (https://ieeexplore.ieee.org/document/5646571/).

BORA, Tuccaroglu & MUESSER, Nat. The Readiness of Banks for the Application of Business Intelligence Solutions. {En línea}. {abril 2018}. Disponible en: (https://ieeexplore.ieee.org/document/7753435/).

Rueter, Marc, FIELDS, Ellie. Tableau for the Enterprise: An overview for IT. {En línea}. {febrero 2018}. Disponible en: (https://www.tableau.com/learn/whitepapers/tableau-enterprise).

A, Martin; M, Manjula & VENKATESAN, Prasanna. A business intelligence model to predict bankruptcy using financial domain ontology with association rule mining algorithm. En: International Journal of Computer Science. Vol. 8, issue 3, No. 2; (mayo 2011). pp. 211-218.

DIVYAKANT, Agrawal; SUDIPTO, Das & AMR EL, Abbadi. Big data and cloud computing: Current state and future opportunities. {En línea}. {marzo 2018}. Disponible en: (https://openproceedings.org/2011/conf/edbt/AgrawalDA11.pdf).

SHARMA, Ravi; DJIAW, Veronica. Realising the strategic impact of business intelligence tools. En: VINE. Vol 41, No. 2; (2011). pp. 113-131.

HSINCHUN, Chen; CHIANG, Roger & STOREY, Veda. Business intelligence and analytics: From big data to big impact. MIS Quarterly, Vol. 36, No. 4 (diciembre 2012), pp. 1165-1188.

MUHMMAD I., Nofal & ZAWIYAH M., Yusof. Integration of business intelligence and enterprise resource planning within organizations. En: Procedia Technology, Vol. 11, (2013). pp. 658-665.

RIMPLE M., Taneja. Business Intelligence in banking sector: A step forward to customer delight. En: Journal of management, Vol. II, Issue No. 2, (noviembre-enero 2014). pp. 32-36.

DASH W., Desheng; CHEN, Shu-heng & OLSON, David. Business intelligence in risk management: Some recent progresses. En: Information Sciences, Vol. 256, (2014). pp. 1-7.

72

MORO, Sergio; CORTEZ, Paulo & RITA, Paulo. Business intelligence in banking: A literatura analysis from 2002 to 2013 using text mining and latent dirichlet allocation. En: Expert Systems with Applications, Vol. 42, (2015). pp. 1314-1324.

SANDOVAL, L. Design of business intelligence applications using big data technology. {En línea}. {abril 2018}. Disponible en: (https://ieeexplore.ieee.org/document/7428454/).

HASSAN A., Ayat A. A proposed application of business intelligence in microfinance sector in Sudan. A case study of agricultural bank. Sudan, 2016, 121p.Thesis (M.Sc. degree in Computer Science). Sudan University of Science and Technology. College of graduate studies.

ROUHANI, Saeed & RABIEE, Sogol. A success assessment model for BI tools implementation: An empirical study of banking industry. En: International Journal of Business Intelligence Research, Vol. 7, Issue 1 (enero-junio 2016). pp. 25-44.

SOGODEKAR, Mrunal, et al. Big data analytics: Hadoop and tools. {En línea}. {febrero 2018}. Disponible en: (https://ieeexplore.ieee.org/abstract/document/7940204/).

CHAWDA, Rahul & THAKUR, Ghanshyam. Big data and advanced analytics tools. {En línea}. {febrero 2018}. Disponible en: (https://ieeexplore.ieee.org/document/7570890/).

DEPARTAMENTO NACIONAL DE PLANEACION(Colombia). Política Nacional de explotación de datos (Big Data). {En linea}. {abril, 2018}. Disponible en: https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/3920.pdf

ANEXOS

Anexo 1: Preguntas Entrevista

Anexo 2: Prueba 001 Tableau Desktop

73

Anexo 3: Prueba 002 Power BI

Anexo 4: Prueba 003 Qlik Sense Desktop

ANALISIS DE HERRAMIENTAS DEL ENFOQUE DE INTELIGENCIA …

Documents

Transcript of ANALISIS DE HERRAMIENTAS DEL ENFOQUE DE INTELIGENCIA …