Documente Academic
Documente Profesional
Documente Cultură
Intelligence con
SQL Server 2016
(Teoría)
INTELIGENCIA DE NEGOCIOS 2
Red de contenidos
DATA WAREHOUSING
INDICADORES
ARQUITECTURA
CONSTRUCCIÓN
ANÁLISIS DE ACCESO AL
REQUERIMIENTO DATA
Y FUENTES WAREHOUSE
METODOLOGÍA
METADATOS
MODELAMIENTO CONSULTAS
Y OLAP MINERIA
DISEÑO DE DATOS
BIG DATA
POBLANDO EL HADOOP
DATA MACHINE
WAREHOUSE
LEARNING
DAD
1
FUNDAMENTOS DE BUSINESS
INTELLIGENCE
1.1. INTRODUCCIÓN Y CONCEPTOS
1.1.1. Inteligencia de Negocio
Figura 3: DashBoard
Fuente.- Tomado de
http://2gc.eu/images/made/5cf576e340e572f3/InPhase_typical_dashboard_made_by_a_PA_800_600.png
Existe una gran cantidad de procesos detrás de una arquitectura de Data Warehouse
de una solución BI de suma importancia. Estos comprenden desde procesos de
extracción que estudian y seleccionan los datos fuente adecuado para el data
warehouse hasta proce so de consulta y análisis de datos que despliegan la
información de una form a fácil de interpretar y analizar.
INTELIGENCIA DE NEGOCIOS 5
Data Warehouse
Un Data Warehouse se crea al extraer datos desde una o más bases de datos de
aplicaciones operacionales. La data extraída es transformada para eliminar
inconsistencias y resumir si es necesario y luego, cargarlas en el Data Warehouse. El
proceso de transformar, crear el detalle de tiempo variante, resumir y combinar los
extractos de datos ayuda a crear el ambiente para el acceso a la información
institucional. Este nuevo enfoque ayuda a las personas individuales, en todos los
niveles de la empresa, a efectuar su toma de decisiones con mayor objetividad.
Con el fin soportar la gran cantidad de información que maneja una empresa, muchas
de ellas despliegan una gran infraestructura tecnológica que soportan Sistemas de
Información. El crecimiento tecnológico tiene varias etapas que van desde la
integración de sistemas, el crecimiento y la implementación. Las condiciones actuales
INTELIGENCIA DE NEGOCIOS 6
de competencia han provocado el que sea necesaria tecnología cada vez más
sofisticadas para responder a las peticiones muy particulares de información. Sistemas
de Procesamiento de Datos (SPD), Sistemas de Manufactura, Administración de
Recursos Empresariales (ERP), Sistemas de Información Ejecutiva (EIS), Sistemas de
Soporte a las Decisiones (DSS), Manejo de Relación con Clientes (CRM), Suministro
de la Cadena de Distribución (SCM) , Sistemas en la nube (CLOUD Computing), etc.,
son algunos de los sistemas que afloran y s e ponen de moda y luego desaparecen
acorde a la evolución de las empresas. Pero algo que no va a desaparecer y es la
necesidad de las empresas de consumir información para atender los distintos
requerimientos del negocio dependiendo de la función que cada empleado desempeñe
en la empresa.
1. Información Estratégica
Soporta principalmente las decisiones del primer nivel de la pirámide organizacional,
respondiendo a las preguntas estratégicas de la empresa. Su característica principal
es que no muestra muchos datos y está asociado a la gerencia visual a través de
indicadores que muestran si se están alcanzando los objetivos y metas o no a nivel
global. Ello permitirá saber cómo se encuentra la empresa ahora y poder tomar
decisiones oportunas.
2. Información Táctica
Esta información da soporte al segundo nivel de la pirámide organizacional. Está
relacionada al plano operativo de la estrategia planteando vías posibles para lograr la
estrategia dictada por los ejecutivos y directivos. Esta información corresponde a un
área o departamento específico de la empresa, siendo su alcance departamental y se
asocia a gerencias o subdirecciones.
WallMart
✓ Pionero en el uso de la información para identificar nuevas
oportunidades de mercado
✓ Uso de datamining masivo, solución basada en Teradata
✓ Caso Clásico: Pañales y Cerveza
Es, sin duda, uno de los ejemplos más clásicos de la llamada Business Intelligence
(BI), utilizado en las escuelas de negocio de todo el mundo para ilustrar cómo el
análisis de los datos de los clientes puede llevar a conclusiones interesantes y
aprovechables en el contexto del denominado Market-Basket Analysis: la correlación
entre los pañales y la cerveza.
Estos dos productos, aparentemente sin ninguna relación, protagonizan esta historia
que los profesores y estudiantes de marketing suelen atribuir a lo que ocurrió en los
hipermercados WalMart, cuando se empezó a utilizar por primera software analítico
para combinar el análisis de los datos de compras de algunas personas obtenidos
gracias a sus tarjetas de fidelización.
NBA
✓ Un resultado interesante fue uno hasta entonces no observado por los
entrenadores de los Knicks de Nueva York. El doble marcaje a un jugador
puede generalmente dar la oportunidad a otro jugador de encestar más
fácilmente.
✓ Mezcla datos de jugadores de baloncesto con imágenes de partidos para
encontrar patrones y apoyar a la generación de estrategias.
✓ “Advanced Scout”, basado en IBM DB2 Universal Database, IBM DB2
Intelligent Miner y Virtual Gold's VirtualMiner
INTELIGENCIA DE NEGOCIOS 9
AC MILAN
✓ El sistema, creado por Computer Associates International, es alimentado por
datos de cada jugador, relacionados con su rendimiento, alimentación y
respuesta a estímulos externos, que se obtienen y analizan cada quince días.
✓ Actualmente el sistema permite predecir alguna posible lesión.
✓ El club está ahorrando dinero evitando comprar jugadores que presenten una
alta probabilidad de lesión.
ODYSSEY
✓ Gobierno Español enjuicia a la empresa Odyssey por apoderarse de 18
toneladas de monedas de Oro.
✓ Un espectacular sistema de tratamiento de datos llamado «Data Mining». Su
funcionamiento es sencillo: se introducen en una base de datos todas las
variables imaginables, desde los lugares en los que hay barcos hundidos hasta
las corrientes marinas predominantes, los puntos más habituales de tormentas
o las rutas que probablemente utilizara cada capitán. De todo ese cóctel, se
extrae un modelo que indica, con una fiabilidad impresionante, en qué puntos
exactos hay más probabilidades de hallar un tesoro. A partir de ese momento,
y después de años de paciente estudio, esa computadora proporciona a
Odyssey un detallado y gigantesco mapa del tesoro sin necesidad de
escudriñar todo el fondo del Atlántico o el Mediterráneo.
SUNAT
✓ SAS, el líder en Inteligencia de Negocios, anunció hoy que la SUNAT, ha
logrado una mejor detección de la subvaloración de mercancías en la principal
aduana peruana, al incrementar en 14 puntos porcentuales el éxito en los
hallazgos en el Proceso de Selección de Canales de Control.
✓ SUNAT es la primera entidad tributaria en latinoamérica en emplear con éxito
técnicas de Minería de Datos en la lucha contra el contrabando y la
subvaluación.
✓ Solución sobre plataforma SAS, Oracle, Informix, Java.
INTELIGENCIA DE NEGOCIOS 10
Data Mart
Orientado a un departamento dentro de la organización, puede ser implementado
como una solución para problemas inmediatos, no es necesario para construir un Data
Warehouse.
El empleo de los Datamarts estará determinado por los que toman decisiones. Por
ejemplo en una empresa el gerente de ventas necesitará analizar la información de su
área, es decir las ventas de la empresa.
Inadvertidamente se puede usar datos no compatibles con otros Datamarts que luego
alarguen el tiempo de unificación.
Data Warehouse
La construcción del Data Warehouse se va haciendo por etapas que normalmente
corresponden a las principales áreas operativas de la empresa. Por ejemplo: Área de
Ventas, Área Financiero Contable, Área de Recursos Humanos, etc. Estas áreas
reciben el nombre de Data Marts.
Los Data Warehouses (Base de Datos OLAP, On-Line Analytical Processing) son
diseñados para cumplir con un conjunto de metas, las cuales son muy diferentes de
los objetivos de un sistema transaccional (OLTP, On-Line Transaction Processing).
Por ejemplo, una meta de los OLTP es maximizar la concurrencia mediante el uso de
locks, dicho objetivo no es pertinente en el diseño de DW donde las operaciones son
sólo de consulta, es decir del tipo SELECT.
Sin lugar a dudas, el Data Warehousing es parte integral de lo que algunos autores
definen como la “Era de la Información” ya que posibilita la construcción y
mantenimiento de estructuras destinadas al análisis de los datos, transformando los
datos en información y la información en conocimiento.
Estos nuevos conceptos fueron definidos por los padres del DataWarehouse, Bill
Inmon y Ralph Kimball, cuyas visiones las revisaremos luego.
William Inmon:
“El Data Warehouse es una colección de datos,
orientados a un tema, integrados, no volátiles, variantes
en el tiempo, organizados para el apoyo a toma de
Ralph Kimball:
“Un Data Warehouse es una copia de los datos
transaccionales, específicamente diseñada para realizar
✓ “Nada enloquece más a un gerente que tener dos personas que le presenten el
mismo resultado de negocio, pero con diferentes cifras”.
DATO
INFORMACIÓN
CONOCIMIENTO
INTELIGENCIA DE NEGOCIOS 12
Componentes Funcionales
Los componentes funcionales que son parte del proceso son la adquisición de datos,
el almacenamiento y el acceso por parte de usuarios finales.
Infraestructura
INFRAESTRUCTURA INFRAESTRUCTURA
TÉCNICA OPERATIVA
1.2.2. Tendencias en BI
La forma de llevar a cabo este proceso hoy día puede ser muy diferente, dependiendo
de la madurez tecnológica de la empresa, de su efectividad en la recogida de datos,
de sus capacidades de almacenamiento, etc. Sin embargo, existen unos factores
diferenciales que marcan la línea entre unas organizaciones y otras . Agilidad,
automatización y movilidad serían los pilares fundamentales del BI de última
generación.
✓ BYOD: las políticas de Bring Your Own Device impulsarán la necesidad de contar
con Mobile Intelligence en las empresas. Para ello, la tecnología ha de apoyar esta
evolución. Entre las tendencias en BI se encuentran las soluciones multiplataforma,
que hacen posible no tener que depender de un dispositivo en concreto, sino poder
contar con esa libertad que redunda en la productividad y los resultados.
✓ La nube baja a tierra: el cloud será considerado como una opción más, dejará de
marcar la diferencia como lo había hecho hasta ahora y su uso será
completamente rutinario. La aceptación generalizada por parte de los usuarios,
que han aparcado sus recelos en cuanto a la seguridad de sus datos es el
impulsor principal de este cambio de perspectiva, que exigirá que todas las
soluciones de BI deban estar preparadas para la nube.
OLTP poseen volatilidad de datos (los datos sólo permanecen en el sistema por un
periodo corto de tiempo) a diferencia de las soluciones analíticas, que requieren de
datos históricos para generar diversas perspectivas de análisis. Otra diferencia es la
actualizaciones frecuente de los datos (la información es modificada muchas veces en
el día), mientras que las aplicaciones analíticas realizan operaciones normalmente, de
sólo lectura.
Características
• Diseño orientado a la transacción
• Volatilidad de los datos
• Soporte limitado a la toma de decisiones
Ejemplos
• Cobranzas
• Sistema de control de asistencia
• Control de almacén
OLAP permite a los usuarios una fácil y amigable navegación por la información
obteniendo el nivel de granularidad (detalle) que requiera para la toma de decisiones.
Asimismo, puede generar cálculos adicionales en base a los datos existentes. Los
servicios OLAP proveen múltiples formas y niveles de análisis gracias a que los datos
se encuentran estructurados con esta finalidad. De esta manera, el usuario puede
realizar comparaciones entre periodos anteriores o paralelos, encontrar patrones y
tendencias, aislar un grupo de datos con características específicas para realizar un
análisis más profundo y sobretodo de una manera amigable, rápida y confiable.
Características OLAP
• Es consolidada. La data se centraliza desde diferentes orígenes de datos en un
repositorio central único a la cual tienen accesos los usuarios de toda la
organización.
• Es consistente. Los usuarios deben obtener una única versión de los datos no
importando de qué área provengan las consultas ni el momento en que ellas se
realicen.
INTELIGENCIA DE NEGOCIOS 16
Ejemplo
Para la cadena de tiendas de alquiler de videos que posee 3 sucursales, el sistema
OLAP le permite presentar información consolidada por cada sucursal, compararla y
tomar decisiones apropiadamente.
INTELIGENCIA DE NEGOCIOS 17
TIENDA
Miraflores San Borja Surco
CATEGORIA
Drama 120 100 85
Comedia 250 210 190
Ciencia Ficción 52 25 45
Infantil 90 75 70
Terror 40 20 28
Sin embargo, la tienda de alquiler de videos también desearía ver cómo se desarrollan
las ventas en el tiempo. Para hacer esto, se necesitarían varias hojas de cálculo.
De esta manera, las medidas que deseamos visualizar del negocio se encontrarán
almacenadas en la intersección de las perspectivas de análisis, en sectores llamados
“celdas” del cubo, como se grafica a continuación:
MARZO
FEBRERO
ENERO
DRAMA 110 88 65
CIENCIA
FICCIÓN 29 20 20
INFANTIL 74 64 35
TERROR 27 17 12
INTELIGENCIA DE NEGOCIOS 18
Siguiendo con el ejemplo anterior, con este cubo podemos ahora tomar rebanadas del
mismo para responder preguntas como:
Bill Inmon
Bill Inmon es universalmente reconocido con el “Padre del Data Warehouse”. Tiene
más de 26 años de experiencia en el campo de las bases de datos y diseño de Data
Warehouses, ha publicado cerca de 40 libros y más de 350 artículos en las más
importantes revistas especializadas. Su libro más reconocido es “Building
DataWarehouse” Bill Inmon ve la necesidad de transferir la información de los
diferentes OLTP (Sistemas Transaccionales) de las organizaciones a un lugar
centralizado donde los datos puedan ser utilizados para el análisis (sería el CIF o
Corporate Information Factory). Insiste además en que ha de tener las siguientes
características:
Al tener este enfoque global, es más difícil de desarrollar en un proyecto sencillo (pues
estamos intentando abordar el “todo”, a partir del cual luego iremos al “detalle”).
Ralph KimBall
Ralph Kimball fue co-inventor de Xerox Star Workstation, el primer producto comercial
en usar iconos y ventanas. Fue Vice-presidente de Metaphor Computer Systems,
fundador y CEO de Red Brick Systems. Kimball es un referente de la metodología
dimensional para diseñar grandes Data Warehouses, fue el que realmente explotó al
máximo el tema de Data Warehousing.
Para Ralph Kimball el Data Warehouse es un conglomerado de todos los Data Marts
dentro de una empresa, siendo una copia de los datos transaccionales estructurados
de una forma especial para el análisis, de acuerdo al Modelo Dimensional (no
normalizado), que incluye, las dimensiones de análisis y sus atributos, su organización
jerárquica, así como los diferentes hechos de negocio que se quieren analizar. Por un
lado tenemos tablas para las representar las dimensiones y por otro lado tablas para
los hechos (las facts tables). Los diferentes Data Marts están conectados entre sí por
la llamada bus structure, que contiene los elementos anteriormente citados a través de
las dimensiones conformadas (que permiten que los usuarios puedan realizar querys
conjuntos sobre los diferentes Data Marts, pues este bus contiene los elementos en
común que los comunican). Una dimensión conformada puede ser, por ejemplo, la
dimensión cliente, que incluye todos los atributos o elementos de análisis referentes a
INTELIGENCIA DE NEGOCIOS 20
los clientes y que puede ser compartida por diferentes Data Marts (ventas, pedidos,
gestión de cobros, etc).
Para compartir una visión desde distintos puntos de vista, es necesario tener un
diagrama. El mismo permite ver algo complicado y hacerlo inteligible mediante el uso
de analogías que simplifican y ayudan a separar una solución compleja en
componentes pequeños.
Los requerimientos de un Data Warehouse son tan variados y diversos como sus
usuarios. Estos requerimientos se pueden analizar desde la perspectiva de cada
usuario.
La capa de transporte:
La capa de infraestructura:
UNIDAD
2
MODELAMIENTO DIMENSIONAL
2.1. DISEÑO DE UN DATAMART
2.1.1. Modelamiento Dimensional
Conceptos preliminares
• Área temática
• Modelo conceptual
• Modelo lógico
• Modelo físico
✓ Área temática
✓ Modelo Conceptual
Representación gráfica y textual del análisis que identifica los datos que necesita una
organización para lograr su misión, sus metas, sus objetivos, funciones y estrategias.
Un modelo de datos identifica entidades y sus relaciones entre ellas, proporcionando
una visión conceptual del negocio.
✓ Modelo lógico
✓ Modelo físico
Es la instancia física del modelo lógico. Está conformado por los estándares de
codificación, tipos de datos, longitudes, constraints, índices, particiones.
✓ Hechos
✓ Dimensiones
Hechos
Los Hechos serían aquéllos datos que nos proporcionan una información cuantitativa
sobre las características del Negocio que queremos analizar. En nuestro caso, los
Hechos serán los datos de la acción (“Precio Apertura”, “Precio Cierre”, “Máximo
Diario”, “Mínimo Diario”, “Volumen”).
Dimensión
Por otra parte, las Dimensiones buscan determinar un contexto para el análisis de los
Hechos. Se trata de grupos homogéneos de elementos, en muchas ocasiones,
jerarquizados. Su papel es promocionar la información contenida en los Hechos.
Las Dimensiones pueden estar jerarquizadas o no. Por ejemplo, los elementos de la
dimensión tiempo son jerarquizables, y se pueden representar en un esquema en
árbol. El primer término es “Año”, siendo sus descendientes “Trimestres”, que a su vez
tienen como descendientes a los “Meses”, éstos a las “Semanas”, etc. En este
contexto, definimos al “Elemento Padre” como el elemento superior en la jerarquía
dado un elemento (“Año es el Elemento Padre de “Trimestres”) y como “Elemento
Hijo” a los elementos inferiores en la jerarquía dado un elemento (“Meses es el
Elemento Hijo de Semanas”).
Surrogate Key
Nivel de Granularidad
Mientras mayor sea el nivel de detalle de los datos, se tendrán mayores posibilidades
analíticas, ya que los mismos podrán ser resumidos o sumarizados. Es decir, los datos
que posean granularidad fina (nivel de detalle) podrán ser resumidos hasta obtener
una granularidad media o gruesa. No sucede lo mismo en sentido contrario, ya que por
ejemplo, los datos almacenados con granularidad media podrán resumirse, pero no
tendrán la facultad de ser analizados a nivel de detalle. O sea, si la granularidad con
que se guardan los registros es a nivel de día, estos datos podrán sumarizarse por
semana, mes, semestre y año, en cambio, si estos registros se almacenan a nivel de
mes, podrán sumarizarse por semestre y año, pero no lo podrán hacer por día y
semana.
de datos consiste en una sola tabla grande de datos que son descritos usando
dimensiones y medidas. Existen 02 tipos de esquemas:
Modelo Star
El modelo estrella (Star Schema) está compuesto de una tabla central llamada tabla
de Hechos (Fact Table) y de una o varias tablas periféricas llamadas Tabla de
Dimensiones (Dimensional Table).
Modelo Snowflake
Por otro lado, un modelo STAR es bastante más sencillo que un modelo
SNOWFLAKE. El modelo SNOWFLAKE es más difícil de entender, y sus procesos de
carga de datos son más complejos.
Así tenemos:
El rectángulo representa los hechos (medidas), los círculos mayores son las
dimensiones, los círculos pequeños corresponden a los atributos de las dimensiones y
las líneas permiten la relación entre estos elementos:
Modelo Dimensional.-
Enunciado:
Las tarjetas pueden ser de dos tipos: “VISA” y “MASTERCARD”. También se desea
visualizar los créditos y pagos por cada vendedor y cada cliente. Cada cliente
pertenece a un distrito, cada distrito a una provincia y cada provincia a un
departamento. Cada vendedor pertenece a una agencia, y cada agencia pertenece a
un distrito, cada distrito a una provincia y cada provincia a un departamento. Las
métricas deben visualizarse como totalizados anuales, semestrales, trimestrales y
mensuales. Diseñe las dimensiones, las medidas y el modelo de datos.
Solución:
- Dimensión Cliente
. Departamento
.. Provincia
… Distrito
…. Nombre cliente
Obsérvese el uso de la notación de puntos para representar a los niveles. El nivel más
superior se representa por un punto al lado izquierdo, el nivel siguiente por dos puntos,
y así sucesivamente.
Respecto de la dimensión Vendedor, se sabe que cada vendedor está en una agencia,
cada agencia en un distrito, cada distrito en una provincia y cada provincia en un
departamento. Por tanto, los niveles de la dimensión Vendedor son:
- Dimensión Vendedor
. Departamento
.. Provincia
… Distrito
…. Agencia
….. Nombre Vendedor
Por otro lado, las tarjetas de crédito pueden ser de dos tipos: “VISA” y
“MASTERCARD”.
. Tipo Tarjeta
.. Nro. Tarjeta
Por último, las medidas deben visualizarse como totalizados anuales, semestrales,
trimestrales y mensuales. Por lo general, todo data mart tiene una dimensión que
representa las escalas temporales. En este caso, existe una dimensión llamada
Tiempo, que tiene la siguiente estructura:
- Dimensión Tiempo
. Año
.. Semestre
… Trimestre
…. Mes
Measures (medidas): Son valores cuantitativos que almacenan las métricas del
negocio. Están representados por columnas numéricas en la fact table.
Ejemplo:
- Cantidad Vendida
- Monto Vendido
- Impuestos
- Gasto
INTELIGENCIA DE NEGOCIOS 36
- Costo
Dimensión:
Las preguntas que nos permiten identificarlas son: ¿Quién?, ¿Qué?, ¿Cuándo?,
¿Dónde? ¿A quién?
Son las áreas temáticas, líneas del negocio o sujetos del negocio.
Definidas como un grupo de uno o más atributos, separados y distintos uno de otros
(es decir, que no se comparten atributos).
Ejemplo:
Por Tienda
Por Vendedor
Por Producto
Por Semana
Por Departamento
Por Marca
Por Mes
Por Territorio de Ventas
Por País
Ejemplo:
Dimensión Tiempo
INTELIGENCIA DE NEGOCIOS 37
Dimensión Producto
Tipos de Dimensiones:
✓ Regular Dimensión:
✓ Dimensiones Roll-up
MES_DIM DIA_DIM
Mes_Key Dia_Key
Nombre_Mes dia
Año Mes_Key
CUOTAVENDEDOR_FACT VENTADIARIA_FACT
Mes_Key Dia_Key
Vendedor_Key Vendedor_Key
Cuota_MontoVenta Cliente_Key
Producto_Key
Cuota_MontoVenta
✓ Role-Playing Dimensión:
Una dimension puede ser usada múltiples veces sobre el mismo cubo/measure group.
Se ve dos dimensiones distintas:
TiempoVencimiento
TiempoPago
TIEMPO_DIM TARJETA_FACT
Tiempo_Key Tiempo_Key_Vencimiento
Año Tiempo_Key_Pago
Semestre Cliente_Key
Trimestre Vendedor_Key
Mes TipoTarjeta_Key
creditos_concedido
pagos
Esto sucede cuando un campo que se utilizará como criterio de análisis posee el
mismo nivel de granularidad que los datos de la tabla de hechos, y que por lo tanto no
se pueden realizar agrupaciones o sumarizaciones a través de este campo. Los
"números de orden", "números de ticket", "números de transacción", etc, son algunos
ejemplos de dimensiones degeneradas.
La inclusión de estos campos en las tablas de hechos, se lleva a cabo para reducir la
duplicación y simplificar las consultas.
INTELIGENCIA DE NEGOCIOS 39
VENTADIARIA_FACT
Nro_Factura
Tiempo_Key_Envio
Tiempo_Key_Pago
Vendedor_Key
Cliente_Key
Producto_Key
Unidades_Vendida
Monto_Vendido
Para explicar esta problemática, se tomará como ejemplo la relación existente entre
ríos y provincias, es decir: Una provincia tiene uno o más ríos, y un río pertenece a
una o más provincias. Además, se tomará como referencia las siguientes tablas
pertenecientes a un OLTP, que contienen básicamente los datos relacionados a ríos y
provincias:
Atributos.-.
Son las características del negocio. Un grupo de atributos crean una Dimensión.
Jerarquías.-.
Es la distribución de los atributos en niveles.
Ejemplo:
✓ Jerarquía Ubicación:
Departamento
Provincia
Distrito
✓ Jerarquía Calendario:
Año
Trimestre
Distrito
INTELIGENCIA DE NEGOCIOS 40
Niveles.-.
Es una forma de organizar los atributos de una dimensión. Los niveles permiten
realizar la técnica BI llamada Drill Down / Drill UP.
Ejemplo:
✓ Jerarquía Ubicación:
Departamento Nivel 1
Provincia Nivel 2
Distrito Nivel 3
Caso Pinacoteca:
De los cuadros se quiere analizar su nombre, medidas, fecha en la que fue pintado y
técnica usada para pintarlo. Cada cuadro es pintado por un determinado pintor
(nombre, país, ciudad, fecha de nacimiento y fecha de fallecimiento). Un pintor pueden
pertenecer o no a una escuela.
Los pintores pueden tener también uno o varios mecenas que los protegen (nombre,
país, ciudad de nacimiento, fecha de nacimiento y muerte). Asimismo, se desea
conocer la fecha en que se inicia y termina el mecenazgo con cada pintor). A su vez
un mismo mecenas puede serlo de varios pintores. Mecenas es la persona que apoya
económicamente al pintor para realizar su trabajo.
Solución:
Identificando Medidas:
▪ Cantidad de cuadros
▪ Tiempo de permanencia
▪ Número de visitas
▪ Monto recaudado
Identificando Dimensiones:
▪ Cuadro
▪ Pintor
▪ Pinacoteca
▪ Mecenas
▪ Tiempo
▪ Escuela
INTELIGENCIA DE NEGOCIOS 41
▪ Tipo de Entrada
INTELIGENCIA DE NEGOCIOS 42