You are on page 1of 13

Sistemas de Soporte a la Decisin (DSS)

Un Sistema de Soporte a la Decisin (DSS) es una herramienta de Business Intelligence enfocada


al anlisis de los datos de una organizacin.
En principio, puede parecer que el anlisis de datos es un proceso sencillo, y fcil de conseguir
mediante una aplicacin hecha a medida o un ERP sofisticado. Sin embargo, no es as: estas
aplicaciones suelen disponer de una serie de informes predefinidos en los que presentan la
informacin de manera esttica, pero no permiten profundizar en los datos, navegar entre ellos,
manejarlos desde distintas perspectivas... etc.


El DSS es una de las herramientas ms emblemticas del Business Intelligence ya que, entre otras
propiedades, permiten resolver gran parte de las limitaciones de los programas de gestin. Estas
son algunas de sus caractersticas principales:
Informes dinmicos, flexibles e interactivos, de manera que el usuario no tenga que
ceirse a los listados predefinidos que se configuraron en el momento de la implantacin, y
que no siempre responden a sus dudas reales.
No requiere conocimientos tcnicos. Un usuario no tcnico puede crear nuevos grficos e
informes y navegar entre ellos, haciendo drag&drop o drillthrough. Por tanto, para examinar
la informacin disponible o crear nuevas mtricas no es imprescindible buscar auxilio en el
departamento de informtica.
Rapidez en el tiempo de respuesta, ya que la base de datos subyacente suele ser un
datawarehouse corporativo o un datamart, con modelos de datos en estrella o copo de
nieve. Este tipo de bases de datos estn optimizadas para el anlisis de grandes volmenes
de informacin (veasenalisis OLTP-OLAP).
Integracin entre todos los sistemas/departamentos de la compaa. El proceso de ETL
previo a la implantacin de un Sistema de Soporte a la Decisin garantiza la calidad y la
integracin de los datos entre las diferentes unidades de la empresa. Existe lo que se llama:
integridad referencial absoluta.
Cada usuario dispone de informacin adecuada a su perfil. No se trata de que todo el
mundo tenga acceso a toda la informacin, sino de que tenga acceso a la informacin que
necesita para que su trabajo sea lo ms eficiente posible.
Disponibilidad de informacin histrica. En estos sistemas est a la orden del da
comparar los datos actuales con informacin de otros perodos histricos de la compaa,
con el fin de analizar tendencias, fijar la evolucin de parmetros de negocio... etc.

Diferencia con otras herramientas de Business Intelligence
El principal objetivo de los Sistemas de Soporte a Decisiones es, a diferencia de otras herramientas
como los Cuadros de Mando (CMI) o los Sistemas de Informacin Ejecutiva (EIS), explotar al
mximo la informacin residente en una base de datos corporativa (datawarehouse o datamart),
mostrando informes muy dinmicos y con gran potencial de navegacin, pero siempre con una
interfaz grfica amigable, vistosa y sencilla.


Otra diferencia fundamental radica en los usuarios a los que estn destinadas las plataformas DSS:
cualquier nivel gerencial dentro de una organizacin, tanto para situaciones estructuradas como no
estructuradas. (En este sentido, por ejemplo, los CMI estn ms orientados a la alta direccin).
Por ltimo, destacar que los DSS suelen requerir (aunque no es imprescindible) un motor OLAP
subyacente, que facilite el anlisis casi ilimitado de los datos para hallar las causas raices de los
problemas/pormenores de la compaa.

Tipos de Sistemas de Soporte a Decisiones
Sistemas de informacin gerencial (MIS)
Los sistemas de informacin gerencial (MIS, Management InformationSystems), tambien
llamados Sistemas de Informacin Administrativa (AIS) dan soporte a un espectro ms
amplio de tareas organizacionales, encontrndose a medio camino entre un DSS tradicional
y una aplicacin CRM/ERP implantada en la misma compaa.
Sistemas de informacin ejecutiva (EIS)
Los sistemas de informacin ejecutiva (EIS, ExecutiveInformationSystem) son el tipo de DSS
que ms se suele emplear en Business Intelligence, ya que proveen a los gerentes de un
acceso sencillo a informacin interna y externa de su compaa, y que es relevante para sus
factores clave de xito.
Sistemas expertos basados en inteligencia artificial (SSEE)
Los sistemas expertos, tambin llamados sistemas basados en conocimiento, utilizan redes
neuronales para simular el conocimiento de un experto y utilizarlo de forma efectiva para
resolver un problema concreto. Este concepto est muy relacionado con el datamining.
Sistemas de apoyo a decisiones de grupo (GDSS)
Un sistema de apoyo a decisiones en grupos (GDSS, GroupDecisionSupportSystems) es "un
sistema basado en computadoras que apoya a grupos de personas que tienen una tarea (u
objetivo) comn, y que sirve como interfaz con un entorno compartido". El supuesto en que
se basa el GDSS es que si se mejoran las comunicaciones se pueden mejorar las decisiones.



Sistemas de Informacin Ejecutiva (EIS)
Un Sistema de Informacin para Ejecutivos o Sistema de Informacin Ejecutiva es una
herramienta software, basada en un DSS, que provee a los gerentes de un acceso sencillo a
informacin interna y externa de su compaa, y que es relevante para sus factores clave de xito.
La finalidad principal es que el ejecutivo tenga a su disposicin un panorama completo del estado
de los indicadores de negocio que le afectan al instante, manteniendo tambin la posibilidad de
analizar con detalle aquellos que no estn cumpliendo con las expectativas establecidas, para
determinar el plan de accin ms adecuado.



De forma ms pragmtica, se puede definir un EIS como una aplicacin informtica que muestra
informes y listados (query&reporting) de las diferentes reas de negocio, de forma consolidada, para
facilitar la monitorizacin de la empresa o de una unidad de la misma.
El EIS se caracteriza por ofrecer al ejecutivo un acceso rpido y efectivo a la informacin
compartida, utilizando interfaces grficas visuales e intutivas. Suele incluir alertas e informes
basados en excepcin, as como histricos y anlisis de tendencias. Tambin es frecuente que
permita la domiciliacin por correo de los informes ms relevantes.
A travs de esta solucin se puede contar con un resumen del comportamiento de una organizacin
o rea especfica, y poder compararla a travs del tiempo. Es posible, adems, ajustar la visin de la
informacin a la teora de BalancedScorecard o Cuadro de Mando Integral impulsada por Norton y
Kaplan, o bien a cualquier modelo estratgico de indicadores que maneje la compaa.



Cuadro de Mando Integral
El Cuadro de Mando Integral (CMI), tambin conocido como BalancedScorecard (BSC) o
dashboard, es una herramienta de control empresarial que permite establecer y monitorizar los
objetivos de una empresa y de sus diferentes reas o unidades.
Tambin se puede considerar como una aplicacin que ayuda a una compaa a expresar los
objetivos e iniciativas necesarias para cumplir con su estrategia, mostrando de forma continuada
cundo la empresa y los empleados alcanzan los resultados definidos en su plan estratgico.

Diferencia con otras herramientas de Business Intelligence
El Cuadro de Mando Integral se diferencia de otras herramientas de Business Intelligence, como los
Sistemas de Soporte a la Decisin (DSS) o los Sistemas de Informacin Ejecutiva (EIS), en que est
ms orientados al seguimiento de indicadores que al anlisis minucioso de informacin. Por otro
lado, es muy comn que un CMI sea controlado por la direccin general de una compaa, frente a
otras herramientas de Business Intelligence ms enfocadas a a la direccin departamental. El CMI
requiere, por tanto, que los directivos analicen el mercado y la estrategia para construir un modelo
de negocio que refleje las interrelaciones entre los diferentes componentes de la empresa (plan
estratgico). Una vez que lo han construido, los responsables de la organizacin utilizan este
modelo como mapa para seleccionar los indicadores del CMI.


Tipos de Cuadros de Mando
El Cuadro de Mando Operativo (CMO), es una herramienta de control enfocada al seguimiento de
variables operativas, es decir, variables pertenecientes a reas o departamentos especficos de la
empresa. La periodicidad de los CMO puede ser diaria, semanal o mensual, y est centrada en
indicadores que generalmente representan procesos, por lo que su implantacin y puesta en marcha
es ms sencilla y rpida. Un CMO debera estar siempre ligado a un DSS (Sistema de Soporte a
Decisiones) para indagar en profundidad sobre los datos.
El Cuadro de Mando Integral (CMI), por el contrario, representa la ejecucin de la estrategia de
una compaa desde el punto de vista de la Direccin General (lo que hace que sta deba estar
plenamente involucrada en todas sus fases, desde la definicin a la implantacin). Existen
diferentes tipos de cuadros de mando integral, si bien los ms utilizados son los que se basan en la
metodologa de Kaplan & Norton. La principales caractersticas de esta metodologa son que
utilizan tanto indicadores financieros como no financieros, y que los objetivos estratgicos se
organizan en cuatro reas o perspectivas: financiera, cliente, interna y aprendizaje/crecimiento.
La perspectiva financiera incorpora la visin de los accionistas y mide la creacin de valor
de la empresa. Responde a la pregunta: Qu indicadores tienen que ir bien para que los
esfuerzos de la empresa realmente se transformen en valor? Esta perspectiva valora uno de
los objetivos ms relevantes de organizaciones con nimo de lucro, que es, precisamente,
crear valor para la sociedad.
La perspectiva del cliente refleja el posicionamiento de la empresa en el mercado o, ms
concretamente, en los segmentos de mercado donde quiere competir. Por ejemplo, si una
empresa sigue una estrategia de costes es muy posible que la clave de su xito dependa de
una cuota de mercado alta y unos precios ms bajos que la competencia. Dos indicadores
que reflejan este posicionamiento son la cuota de mercado y un ndice que compare los
precios de la empresa con los de la competencia.
La perspectiva interna recoge indicadores de procesos internos que son crticos para el
posicionamiento en el mercado y para llevar la estrategia a buen puerto. En el caso de la
empresa que compite en coste, posiblemente los indicadores de productividad, calidad e
innovacin de procesos sean importantes. El xito en estas dimensiones no slo afecta a la
perspectiva interna, sino tambin a la financiera, por el impacto que tienen sobre las
rbricas de gasto.
La perspectiva de aprendizaje y crecimiento es la ltima que se plantea en este modelo de
CMI. Para cualquier estrategia, los recursos materiales y las personas son la clave del xito.
Pero sin un modelo de negocio apropiado, muchas veces es difcil apreciar la importancia
de invertir, y en pocas de crisis lo primero que se recorta es precisamente la fuente
primaria de creacin de valor: se recortan inversiones en la mejora y el desarrollo de los
recursos.

Pese a que estas cuatro son las perspectivas ms genricas, no son "obligatorias". Por ejemplo, una
empresa de fabricacin de ropa deportiva tiene, adems de la perspectiva de clientes, una
perspectiva de consumidores. Para esta empresa son tan importantes sus distribuidores como sus
clientes finales.
Una vez que se tienen claros los objetivos de cada perspectiva, es necesario definir los indicadores
que se utilizan para realizar su seguimiento. Para ello, debemos tener en cuenta varios criterios: el
primero es que el nmero de indicadores no supere los siete por perspectiva, y si son menos, mejor.
La razn es que demasiados indicadores difuminan el mensaje que comunica el CMI y, como
resultado, los esfuerzos se dispersan intentando perseguir demasiados objetivos al mismo tiempo.
Puede ser recomendable durante el diseo empezar con una lista ms extensa de indicadores. Pero
es necesario un proceso de sntesis para disponer de toda la fuerza de esta herramienta.
No obstante, la aportacin que ha convertido al CMI en una de las herramientas ms significativas
de los ltimos aos es que se cimenta en un modelo de negocio. El xito de su implantacin radica
en que el equipo de direccin se involucre y dedique tiempo al desarrollo de su propio modelo de
negocio.

Beneficios de la implantacin de un Cuadro de Mando Integral
La fuerza de explicitar un modelo de negocio y traducirlo en indicadores facilita el
consenso en toda la empresa, no slo de la direccin, sino tambin de cmo alcanzarlo.
Clarifica cmo las acciones del da a da afectan no slo al corto plazo, sino tambin al largo
plazo.
Una vez el CMI est en marcha, se puede utilizar para comunicar los planes de la empresa,
aunar los esfuerzos en una sola direccin y evitar la dispersin. En este caso, el CMI acta
como un sistema de control por excepcin.
Permita detectar de forma automtica desviaciones en el plan estratgico u operativo, e
incluso indagar en los datos operativos de la compaa hasta descubrir la causa original
que di lugar a esas desviaciones.

Riesgos de la implantacin de un Cuadro de Mando Integral
Un modelo poco elaborado y sin la colaboracin de la direccin es papel mojado, y el
esfuerzo ser en vano.
Si los indicadores no se escogen con cuidado, el CMI pierde una buena parte de sus
virtudes, porque no comunica el mensaje que se quiere transmitir.
Cuando la estrategia de la empresa est todava en evolucin, es contraproducente que el
CMI se utilice como un sistema de control clsico y por excepcin, en lugar de usarlo como
una herramienta de aprendizaje.
Existe el riesgo de que lo mejor sea enemigo de lo bueno, de que el CMI sea perfecto, pero
desfasado e intil.

Datamining (Minera de datos)
El datamining (minera de datos), es el conjunto de tcnicas y tecnologas que permiten explorar
grandes bases de datos, de manera automtica o semiautomtica, con el objetivo de encontrar
patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un
determinado contexto.
Bsicamente, el datamining surge para intentar ayudar a comprender el contenido de un
repositorio de datos. Con este fin, hace uso de prcticas estadsticas y, en algunos casos, de
algoritmos de bsqueda prximos a la Inteligencia Artificial y a las redes neuronales.
De forma general, los datos son la materia prima bruta. En el momento que el usuario les atribuye
algn significado especial pasan a convertirse en informacin. Cuando los especialistas elaboran o
encuentran un modelo, haciendo que la interpretacin que surge entre la informacin y ese modelo
represente un valor agregado, entonces nos referimos al conocimiento. Vea ms diferencias entre
datos, informacin y conocimiento.



Aunque en datamining cada caso concreto puede ser radicalmente distinto al anterior, el proceso
comn a todos ellos se suele componer de cuatro etapas principales:
Determinacin de los objetivos. Trata de la delimitacin de los objetivos que el cliente
desea bajo la orientacin del especialista en data mining.
Preprocesamiento de los datos. Se refiere a la seleccin, la limpieza, el enriquecimiento, la
reduccin y la transformacin de las bases de datos. Esta etapa consume generalmente
alrededor del setenta por ciento del tiempo total de un proyecto de data mining.
Determinacin del modelo. Se comienza realizando unos anlisis estadsticos de los datos,
y despus se lleva a cabo una visualizacin grfica de los mismos para tener una primera
aproximacin. Segn los objetivos planteados y la tarea que debe llevarse a cabo, pueden
utilizarse algoritmos desarrollados en diferentes reas de la Inteligencia Artificial.
Anlisis de los resultados. Verifica si los resultados obtenidos son coherentes y los coteja
con los obtenidos por los anlisis estadsticos y de visualizacin grfica. El cliente
determina si son novedosos y si le aportan un nuevo conocimiento que le permita
considerar sus decisiones.

Carga de trabajo en las fases de un proyecto de datamining

En resumen, el datamining se presenta como una tecnologa emergente, con varias ventajas: por un
lado, resulta un buen punto de encuentro entre los investigadores y las personas de negocios; por
otro, ahorra grandes cantidades de dinero a una empresa y abre nuevas oportunidades de negocios.
Adems, no hay duda de que trabajar con esta tecnologa implica cuidar un sinnmero de detalles
debido a que el producto final involucra "toma de decisiones".
En el artculo Data Mining: Torturando a los datos hasta que confiesen, Luis Carlos Molina
proporciona una visin muy clarificadora sobre la minera de datos, incluyendo interesantes
ejemplos de aplicaciones de la misma. Recomendamos su lectura.

Datawarehouse
Un Datawarehouse es una base de datos corporativa que se caracteriza por integrar y depurar
informacin de una o ms fuentes distintas, para luego procesarla permitiendo su anlisis desde
infinidad de pespectivas y con grandes velocidades de respuesta. La creacin de un datawarehouse
representa en la mayora de las ocasiones el primer paso, desde el punto de vista tcnico, para
implantar una solucin completa y fiable de Business Intelligence.
La ventaja principal de este tipo de bases de datos radica en las estructuras en las que se almacena
la informacin (modelos de tablas en estrella, en copo de nieve, cubos relacionales... etc). Este tipo
de persistencia de la informacin es homognea y fiable, y permite la consulta y el tratamiento
jerarquizado de la misma (siempre en un entorno diferente a los sistemas operacionales).

El trmino Datawarehouse fue acuado por primera vez por Bill Inmon, y se traduce literalmente
como almacn de datos. No obstante, y como cabe suponer, es mucho ms que eso. Segn defini el
propio Bill Inmon, un datawarehouse se caracteriza por ser:
Integrado: los datos almacenados en el datawarehouse deben integrarse en una estructura
consistente, por lo que las inconsistencias existentes entre los diversos sistemas
operacionales deben ser eliminadas. La informacin suele estructurarse tambin en
distintos niveles de detalle para adecuarse a las distintas necesidades de los usuarios.
Temtico: slo los datos necesarios para el proceso de generacin del conocimiento del
negocio se integran desde el entorno operacional. Los datos se organizan por temas para
facilitar su acceso y entendimiento por parte de los usuarios finales. Por ejemplo, todos los
datos sobre clientes pueden ser consolidados en una nica tabla del datawarehouse. De esta
forma, las peticiones de informacin sobre clientes sern ms fciles de responder dado que
toda la informacin reside en el mismo lugar.
Histrico: el tiempo es parte implcita de la informacin contenida en un datawarehouse.
En los sistemas operacionales, los datos siempre reflejan el estado de la actividad del
negocio en el momento presente. Por el contrario, la informacin almacenada en el
datawarehouse sirve, entre otras cosas, para realizar anlisis de tendencias. Por lo tanto, el
datawarehouse se carga con los distintos valores que toma una variable en el tiempo para
permitir comparaciones.
No voltil: el almacn de informacin de un datawarehouse existe para ser ledo, pero no
modificado. La informacin es por tanto permanente, significando la actualizacin del
datawarehouse la incorporacin de los ltimos valores que tomaron las distintas variables
contenidas en l sin ningn tipo de accin sobre lo que ya exista.
Otra caracterstica del datawarehouse es que contiene metadatos, es decir, datos sobre los datos.
Los metadatos permiten saber la procedencia de la informacin, su periodicidad de refresco, su
fiabilidad, forma de clculo... etc.
Los metadatos sern los que permiten simplificar y automatizar la obtencin de la informacin
desde los sistemas operacionales a los sistemas informacionales.
Los objetivos que deben cumplir los metadatos, segn el colectivo al que va dirigido, son:
Dar soporte al usuario final, ayudndole a acceder al datawarehouse con su propio
lenguaje de negocio, indicando qu informacin hay y qu significado tiene. Ayudar a
construir consultas, informes y anlisis, mediante herramientas de Business Intelligence
como DSS, EIS o CMI.
Dar soporte a los responsables tcnicos del datawarehouse en aspectos de auditora,
gestin de la informacin histrica, administracin del datawarehouse, elaboracin de
programas de extraccin de la informacin, especificacin de las interfaces para la
realimentacin a los sistemas operacionales de los resultados obtenidos... etc.
Por ltimo, destacar que para comprender ntegramente el concepto de datawarehouse, es
importante entender cual es el proceso de construccin del mismo, denominado ETL (Extraccin,
Transformacin y Carga), a partir de los sistemas operaciones de una compaa:
Extraccin: obtencin de informacin de las distintas fuentes tanto internas como externas.
Transformacin: filtrado, limpieza, depuracin, homogeneizacin y agrupacin de la
informacin.
Carga: organizacin y actualizacin de los datos y los metadatos en la base de datos.



Una de las claves del xito en la construccin de un datawarehouse es el desarrollo de forma
gradual, seleccionando a un departamento usuario como piloto y expandiendo progresivamente el
almacn de datos a los dems usuarios. Por ello es importante elegir este usuario inicial o piloto,
siendo importante que sea un departamento con pocos usuarios, en el que la necesidad de este tipo
de sistemas es muy alta y se puedan obtener y medir resultados a corto plazo.
Principales aportaciones de un datawarehouse
Proporciona una herramienta para la toma de decisiones en cualquier rea funcional,
basndose en informacin integrada y global del negocio.
Facilita la aplicacin de tcnicas estadsticas de anlisis y modelizacin para encontrar
relaciones ocultas entre los datos del almacn; obteniendo un valor aadido para el negocio de
dicha informacin.
Proporciona la capacidad de aprender de los datos del pasado y de predecir situaciones
futuras en diversos escenarios.
Simplifica dentro de la empresa la implantacin de sistemas de gestin integral de la relacin
con el cliente.
Supone una optimizacin tecnolgica y econmica en entornos de Centro de Informacin,
estadstica o de generacin de informes con retornos de la inversin espectaculares

Bases de datos OLTP y OLAP
OLTP - On-Line TransactionalProcessing
Los sistemas OLTP son bases de datos orientadas al procesamiento de transacciones. Una
transaccin genera un proceso atmico (que debe ser validado con un commit, o invalidado con un
rollback), y que puede involucrar operaciones de insercin, modificacin y borrado de datos. El
proceso transaccional es tpico de las bases de datos operacionales.
El acceso a los datos est optimizado para tareas frecuentes de lectura y escritura. (Por
ejemplo, la enorme cantidad de transacciones que tienen que soportar las BD de bancos o
hipermercados diariamente).
Los datos se estructuran segn el nivel aplicacin (programa de gestin a medida, ERP o
CRM implantado, sistema de informacin departamental...).
Los formatos de los datos no son necesariamente uniformes en los diferentes
departamentos (es comn la falta de compatibilidad y la existencia de islas de datos).
El historial de datos suele limitarse a los datos actuales o recientes.

OLAP - On-Line AnalyticalProcessing
Los sistemas OLAP son bases de datos orientadas al procesamiento analtico. Este anlisis suele
implicar, generalmente, la lectura de grandes cantidades de datos para llegar a extraer algn tipo
de informacin til: tendencias de ventas, patrones de comportamiento de los consumidores,
elaboracin de informes complejos etc. Este sistema es tpico de los datamarts.
El acceso a los datos suele ser de slo lectura. La accin ms comn es la consulta, con muy
pocas inserciones, actualizaciones o eliminaciones.
Los datos se estructuran segn las reas de negocio, y los formatos de los datos estn
integrados de manera uniforme en toda la organizacin.
El historial de datos es a largo plazo, normalmente de dos a cinco aos.
Las bases de datos OLAP se suelen alimentar de informacin procedente de los sistemas
operacionales existentes, mediante un proceso de extraccin, transformacin y carga (ETL).