See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/308972999

Comparing Tabular and Multidimentional Model in a real BI solution

Article  in  IEEE Latin America Transactions · July 2016

DOI: 10.1109/TLA.2016.7587647

CITATION READS
1 696

5 authors, including:

Alina Simon Maité Torres-Sánchez

The University of Calgary MedCloud Depot
12 PUBLICATIONS   8 CITATIONS    12 PUBLICATIONS   10 CITATIONS   

SEE PROFILE SEE PROFILE

Lucina García Alfredo Simón-Cuevas

University of Havana Universidad Tecnológica de la Habana "José Antonio Echeverría" (CUJAE)
27 PUBLICATIONS   15 CITATIONS    80 PUBLICATIONS   125 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Data Science from the data perspective View project

MODEL RECOMMENDATION OF INFORMATION WITH SEMANTIC NOTE FOR WEB SEARCH ENGINES View project

All content following this page was uploaded by Alfredo Simón-Cuevas on 03 July 2018.

The user has requested enhancement of the downloaded file.

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 7, JULY 2016
Comparing Tabular And Multidimensional Model In
A Real BI Solution
A. Simón, M. Torres, L. García, A. Simón and R. Ravelo
Abstract— The increase of accumulated data amount in
organizations have provoked the emergence of new requirements
of more complex and efficient analysis tools, context in which the
Business Intelligence spring up as a discipline for boarding this
problem. The improvement of the efficiency in the storage and
access to analytical databases has been reported in many
researches, upon which results several companies have
introduced commercial products. Microsoft SQL Server 2012
offers two independent alternatives for creating analytical
models, the classic multidimensional model and the more recent
tabular model. In this paper was carried a comparative analysis
of both models out looking deeply into their features and
potentialities. Several important considerations for undertaking
a new BI project based on Microsoft platform are suggested. A
BI solution that provides particular and integrated visions of the
business status of CIMEX Co. was developed as real context to
perform the comparative analysis. In order to testing the
proposed solution and identifying the strengths and weaknesses
of each model in different scenarios some experiments were
performed.
Keywords— Business Intelligence, Multidimensional Model,
Tabular Model, Columnar Databases, In-memory Databases.
I. INTRODUCCIÓN
L OS AVANCES tecnológicos de los últimos años han
provocado una gran revolución, al incrementar la
disponibilidad de acceso a la información. A medida que ha
aumentado la cantidad de datos acumulados y las exigencias
de los directivos, han proliferado las necesidades de análisis
mucho más complejos para alcanzar el éxito. En este contexto
surge la Inteligencia de Negocios (BI, Business Intelligence)
[1] que reúne un conjunto de metodologías, procesos,
arquitecturas y tecnologías que permiten transformar los datos
en información útil e importante para formular ideas
estratégicas, tácticas y operativas, eficaces para la toma de
decisiones [2]. Numerosas compañías de software han
desarrollado plataformas que ofrecen a las empresas un
producto completo que responde a las diferentes etapas del
proceso de BI, a partir de las cuales es posible generar
soluciones de BI propias. La mayoría de los sistemas de
gestión de bases de datos que ofrecen herramientas para
realizar el procesamiento analítico de grandes volúmenes de
datos (OLAP, On Line Analytic Processing), se apoyan en la
tecnología de almacenamiento orientada a filas/registros (row-
oriented), optimizada para el procesamiento transaccional de
A. Simón, Grupo Empresarial CIMEX, Cuba, asimonc@gmail.com
M. Torres, Universidad de La Habana, Cuba, maitets@matcom.uh.cu
L. García, Universidad de La Habana, Cuba, lucina@matcom.uh.cu
A. Simón, Universidad Tecnológica de La Habana José Antonio
Echeverría, CUJAE, Cuba, asimon@ceis.cujae.edu.cu
R. Ravelo, Universidad de La Habana, Cuba, r.ravelo@lab.matcom.uh.cu
Corresponding author: Alfredo Simón.
3393
los datos [3][4]. Sin embargo, varios autores han defendido la
propuesta del almacenamiento lógico columnar, basado
esencialmente en la transposición de los ficheros para mejorar
el desempeño de las consultas [3]. Mediante esta propuesta se
trata de beneficiar el procesamiento analítico de los datos,
caracterizado por demandas que requieren el agrupamiento o
la agregación de grandes cantidades de datos sobre unas pocas
columnas, desde la perspectiva de los índices de proyección a
través de las filas (column-oriented) [5].
Con el desarrollo del hardware, las tecnologías han
evolucionado ostensiblemente, favoreciendo el
aprovechamiento de las nuevas técnicas de gestión de bases de
datos en memoria (in-memory databases) y el almacenamiento
columnar para la optimización de las consultas en soluciones
analíticas. Un resultado de ello lo constituye Microsoft SQL
Server 2012 (y sus versiones posteriores), el cual ofrece dos
opciones independientes para la creación de los modelos
analíticos que representan la lógica del negocio, el clásico
modelo multidimensional y el reciente modelo tabular que no
constituye un remplazo del modelo multidimensional, sino
otra técnica para la instrumentación del procesamiento
analítico de los datos [6]. El modelo tabular se ha convertido
en una alternativa interesante a considerar en el marco de la
toma de decisiones, especialmente en cuanto a la potenciación
de las funcionalidades de “autoservicio” [6][7].
El surgimiento de esta nueva y atractiva propuesta de
Microsoft para la concepción y desarrollo de soluciones
analíticas constituyó fuente importante de motivación para el
desarrollo de esta investigación, a través de la que se aportan
consideraciones en cuanto a: ¿Por qué se propone un nuevo
modelo de análisis de datos cuando ya existía el modelo
multidimensional con más de una década de explotación?;
¿Cuáles son las ventajas que ofrece el modelo tabular con
respecto a su precedente?; ¿En qué contextos se debe utilizar
uno u otro, o bien si ambos son necesarios? Las interrogantes
han sido analizadas en un entorno organizacional real,
específicamente en el Grupo Empresarial CIMEX.
El Grupo Empresarial CIMEX es líder nacional en el
mercado comercial mayorista y minorista, y tiene como
principal objetivo la adquisición y la comercialización de
productos y servicios. Adicionalmente constituye uno de los
principales referentes nacionales en cuanto al desarrollo de
herramientas de BI en función de mejorar los procesos de
dirección en la organización.
En el marco de la investigación se concibió y diseñó una
solución computacional basada en el paradigma de BI [1], a
través de la cual se implementaron los modelos
multidimensional y tabular sobre SQL Server 2012 Analysis
Services (SSAS). La solución desarrollada permitió realizar
análisis sobre los principales indicadores comerciales,
3394
contables, económico-financieros y de recursos humanos de la
empresa y proporciona un ambiente para las consultas
dinámicas con funcionalidades de autoservicio, siguiendo una
de las más importantes tendencias de la industria en los
últimos años [6][8]. Al mismo tiempo, constituyó un escenario
práctico real sobre el cual se exploraron los modelos
multidimensional y tabular en el procesamiento analítico de
los datos de la empresa, enriqueciendo las valoraciones
comparativas reportadas por otros autores [9][10][11][12]. El
análisis de los modelos se llevó a cabo mediante cuatro
experimentos realizados sobre todas las sucursales de CIMEX,
obteniéndose como resultado un conjunto de consideraciones
generales en cuanto a las fortalezas y las debilidades de cada
enfoque.
Las contribuciones principales del trabajo son:
- Un análisis comparativo entre los modelos
multidimensional y tabular sobre el desarrollo de una
solución real de BI para una gran empresa.
- Concepciones generales sobre las fortalezas y las
debilidades de cada modelo para una elección más
objetiva ante diferentes escenarios.
El trabajo se organiza a continuación en cinco secciones.
En la sección II, se abordan los conceptos fundamentales del
paradigma de BI, haciendo énfasis en el procesamiento
analítico de los datos sobre la plataforma de Microsoft. En la
sección III, se expone la esencia del modelo tabular. En la
sección IV se enfatiza en el empleo de los modelos analíticos
multidimensional y tabular en la solución BI propia. En la
sección V se realiza una breve comparación de ambos
modelos sobre la base de resultados experimentales.
Finalmente se presentan las conclusiones y líneas futuras en la
sección VI.
II. INTELIGENCIA DE NEGOCIOS
En la actualidad, los encargados de tomar decisiones
reconocen que es imposible actuar basándose solo en la
intuición para hacer crecer una empresa o lograr éxito en el
mercado, sino que es preciso realizar análisis fundamentados
en el comportamiento de los principales indicadores del
negocio [13]. En respuesta a esto, han emergido un conjunto
de conceptos, modelos y tecnologías, cuya integración facilita
la conducción sólida de cualquier institución.
BI constituye una estrategia de desarrollo paulatino de
soluciones computacionales que transforman los datos
primarios en información y conocimiento en función de la
misión y la visión de la organización. Las exigencias actuales
del mercado han motivado que el paradigma BI se convierta
en un modelo tecnológico de control y crecimiento
corporativo para lograr competitividad, de modo que las
soluciones integrales se incorporan a la gestión de las
empresas cubriendo los requerimientos informacionales de sus
ejecutivos. En este ámbito, la presente investigación se centra
en el área del procesamiento analítico de los datos, como
tecnología encargada de garantizar eficientemente la salida de
la información y donde diversas compañías brindan
plataformas para desarrollar soluciones propias. Una de las
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 7, JULY 2016
más difundidas es la plataforma de BI de Microsoft, elegida en
este estudio por las facilidades que brinda, así como por su
utilización a nivel mundial y en CIMEX, como escenario
particular.
Colin White publicó un estudio de los diferentes modelos
que adopta OLAP y cuyo resultado ha sido muy reconocido
[14]. Esta tecnología permite navegar por la información de
forma jerárquica, ofreciendo análisis numéricos y estadísticos,
con la posibilidad de obtener reportes rápidos y flexibles que
favorecen la comprensión del estado del negocio. El Modelo
Multidimensional es una de las propuestas más significativas
para la representación de los datos en función del
procesamiento informacional, el cual está basado en el uso de
un cubo como una estructura multidimensional de los datos,
afín con los sujetos de análisis del negocio, empleando dos
componentes fundamentales: los hechos y las dimensiones.
Por otra parte, en SQL Server 2008 R2 se incorporó una
herramienta para el manejo de tablas dinámicas, llamada
Power Pivot. Power Pivot se ha implementado como un plug-
in y utiliza un motor analítico denominado VertiPaq, cuyo
funcionamiento se apoya en el almacenamiento por columnas
que posibilita procesar millones de registros con bajos tiempos
de respuesta. Esta herramienta extiende las capacidades de
Excel para el análisis de información con cantidades masivas
de datos [15], siendo DAX (Data Analysis Expression) el
lenguaje de codificación de fórmulas analíticas que se utiliza
para definir cálculos personalizados en las tablas dinámicas de
Excel y en los modelos tabulares a través de Power Pivot.
III. MODELO ANALÍTICO TABULAR
La insuficiente autonomía de los ejecutivos ante las
herramientas de soporte a la toma de decisiones ha sido uno de
los frenos del desarrollo informático en las empresas, lo que
conduce a la necesidad de diseñar soluciones computacionales
sobre modelos de datos que respondan mejor a las exigencias
actuales de los usuarios respecto a la dinámica en el análisis
de la información. La concepción e instrumentación del
modelo tabular, introducida con las tablas dinámicas de Excel
está basada en lograr un mayor acercamiento de los directivos
a la interacción, exploración y visualización personalizada de
los datos, potenciando las funcionalidades de “autoservicio”.
A diferencia del enfoque multidimensional, los conceptos
básicos del modelo tabular se heredan del modelo relacional
aunque con roles diferentes. Los conjuntos de datos analíticos
se presentan en tablas pero se manipulan por columnas. Esta
concepción resulta más simple, flexible y cercana a los
usuarios finales [8][9]. El modelo tabular instrumenta la
mayoría de las funcionalidades analíticas del modelo
multidimensional con efectividad y, en ciertos casos, con
mayor eficiencia [16]. A partir de la versión SSAS 2012
Tabular, el motor de búsqueda VertiPaq fue renombrado como
el motor de búsqueda analítico en memoria xVelocity, y aportó
un cambio sustancial en el rendimiento de las consultas
analíticas dada la utilización de técnicas tales como:
almacenamiento por columnas, compresión de datos, caché en
memoria y algoritmos de escaneo y agregación de datos en
paralelo [17][18].
SIMÓN CUEVAS et al.: COMPARING TABULAR AND MULTIDIMENTIONAL
El almacenamiento por columnas significa que cada página
de datos contiene valores de una sola columna; además, en el
proceso de indización se conservan los valores repetidos solo
una vez y se sustituyen las cadenas de texto y fechas por
números enteros, todo lo cual favorece la compresión de los
datos [16]. Este tipo de almacenamiento tiende a ser utilizado
en sistemas OLAP por su rápido procesamiento y
optimización [19]. En este modelo, el procesamiento de
consultas requiere más uso de CPU que lectura en disco
[20][21]. Cabe destacar que el almacenamiento por columnas
constituye uno de los enfoques emergentes que fundamentan
el desarrollo de Big Data [22]. Por su parte, el modelo
dimensional utiliza el almacenamiento por filas, requiriéndose
más recursos de lectura de disco y menos CPU.
Las bases de datos in-memory utilizan la memoria principal
de la máquina (RAM) para el almacenamiento de los datos.
Desde el punto de vista del usuario final, xVelocity posibilita
rápidos accesos a los datos almacenados en las bases de datos
tabulares utilizando aplicaciones como Excel y Power View,
alcanzándose un incremento (de entre 10 y 100 veces) en el
rendimiento de las consultas [18]. Power View consiste en una
herramienta intuitiva de reportes, mediante la cual los usuarios
pueden interactuar con las vistas de su negocio publicadas en
SSAS, cualquiera sea el modelo analítico [23].
En SSAS 2012 se introduce el Modelo Semántico de
Inteligencia de Negocios (BISM, Business Intelligence
Semantic Model), único para las aplicaciones clientes y
además común a todas las formas de presentación de la
información (ej. reportes, monitores, tableros de mando) [24].
BISM es una plataforma de BI que ofrece capacidades para
presentar la información en el modelo multidimensional (a
través de cubos y dimensiones) y en el modelo tabular (a
través de tablas y relaciones) [9][25], también está presente en
la versión SSAS 2014 pero sin cambios conceptuales [10].
Esta dualidad de modelos y herramientas en la plataforma
BISM, motivó el examen crítico de ambas alternativas en el
desarrollo de una solución real a ser utilizada por directivos de
CIMEX, con la cual se respondiera a los intereses de la
organización. Ello también posibilitaría profundizar en el
estudio de cada enfoque de modo que se identificaran
bondades e insuficiencias, a considerar en futuros desarrollos.
IV. SOLUCIÓN BI BASADA EN LOS MODELOS
MULTIDIMENSIONAL Y TABULAR
1. Problemática informacional en CIMEX
La actividad comercial de CIMEX, de alcance nacional y
con una red de más de un millar de tiendas minoristas que
generan diariamente un gran volumen de datos, constituye una
de las áreas de resultados claves de este grupo empresarial.
Por tanto, resulta imprescindible mantener el control de los
procesos principales que tienen lugar en cada uno de esos
puntos de venta, como: compra, venta, inventario,
transferencia y ajuste, con el objetivo de brindar información
actualizada del estado de los indicadores comerciales a los
analistas y directivos, así como a instancias gubernamentales.
Actualmente se cuenta con almacenes de datos operacionales
3395
(ODS, Operational Data Store) con información diaria
detallada y mecanismos de actualización frecuente. A través
de los ODS se logra tener la información centralizada y
consolidada y se asegura su acceso vía web desde cualquier
establecimiento mediante reportes estáticos, los cuales están
sujetos a esquemas predefinidos y con navegación limitada.
La mayoría de las aplicaciones desarrolladas responde
directamente a los procesos del negocio y no a los sujetos de
análisis. Hasta el momento no había sido posible integrar las
informaciones comerciales, económicas y de recursos
humanos, así como de otras áreas, ni comprobar el grado de
correspondencia entre ellas para evaluar el funcionamiento
integral de la organización. Tampoco se garantizaba la
información histórica que posibilitara el análisis retrospectivo.
Esta problemática es parcialmente resuelta mediante la
solución BI desarrollada, la cual posibilita el análisis
integrando los datos de diferentes áreas de CIMEX, teniendo
en cuenta las contribuciones e inconvenientes del empleo de
los modelos multidimensional y tabular.
2. Propuesta de solución BI
La solución BI se centra en el diseño e implementación de
un almacén de datos orientado al análisis, que contiene la
información comercial, contable, económico-financiera y de
recursos humanos de CIMEX, y su arquitectura se muestra en
la Fig. 1. El diseño del almacén de datos se basa en la
arquitectura de tres capas reportada en [26], conocida como
Enterprise Data Warehouse [27], cuyos componentes
fundamentales son: el data warehouse empresarial (DWE), el
warehouse informacional (WI) y la presentación de la
información.
La primera capa de datos corresponde a los ODS
provenientes de los sistemas transaccionales que poseen
información de los procesos económicos, comerciales y de
recursos humanos. La segunda capa (datos conciliados)
corresponde al DWE, el cual constituye un repositorio único
donde se armoniza la información y se disponen los datos para
el análisis. La tercera capa (datos derivados) corresponde al
WI, que posee un diseño multidimensional donde los datos se
denormalizan para garantizar buenos tiempos de respuestas
durante las consultas informacionales y la navegación. La
solución posee además una capa final de presentación de la
información que proporciona mayor dinamismo a partir de la
experiencia interactiva con los datos sobre SharePoint.
Figura 1. Arquitectura general de la solución BI.
Una de las principales tareas en el desarrollo de la solución BI
fue identificar los requerimientos informacionales, lo cual se
llevó a cabo a partir de entrevistas e intercambios con los
analistas y directivos. Se modelaron varios sujetos del
3396
negocio, tales como: Ventas por la parte comercial, Mayor
General por la parte contable, Indicadores Financieros en el
escenario económico-financiero y Pagos por la parte de
recursos humanos. La integración de los escenarios comercial
y contable favorece la conciliación entre ellos, para lo cual se
modeló el esquema Validación que se muestra en la Fig. 2.
Figura 2. Esquema dimensional “Validación”.
En el diseño se modelaron las jerarquías entre los atributos
presentes en cada dimensión. En particular, la dimensión
Entidad representa los establecimientos de CIMEX e incluye
varias jerarquías, entre ellas: Entidades, que representa la
estructura organizacional y es una jerarquía no balanceada o
parent-child; y Clasificación Comercial, que categoriza los
establecimientos y es una jerarquía balanceada. Con vistas a
almacenar la historia de los cambios en las dimensiones, se
decidió definir llaves sustitutas y utilizar el método de añadir
un nuevo registro con las modificaciones efectuadas [28]. Otra
característica importante en los modelos multidimensionales
es la granularidad, pues representa el nivel de detalle en el que
se almacenan los registros. En la propuesta, se decidió que
correspondiera al nivel mensual en la dimensión Período y al
nivel de detalle en la dimensión Producto.
3. Desarrollo de la solución BI
El proceso de integración de los datos en las soluciones BI,
conocido por ETCL (Extract, Transform, Cleaning and Load),
agrupa un conjunto de concepciones, técnicas y subprocesos
que se encargan de llevar a cabo las tareas relacionadas con la
obtención, manipulación, depuración y actualización del
almacén de datos [29]. Estos procesos se implementaron para
la población del DWE sobre la herramienta SQL Server 2012
Integration Services (SSIS). Se contempló especialmente la
depuración de los datos en términos de la detección de
incongruencias o información omitida.
El proceso ETCL desarrollado está compuesto por tres
módulos principales que se ejecutan de forma periódica, de
modo que se actualice el repositorio de datos a partir del
estado resultante de la ejecución anterior. En el flujo de
ejecución se implementó la población completa de las
dimensiones utilizando técnicas de concurrencia con el
objetivo de minimizar su costo computacional [29][30]. Las
tablas de hechos correspondientes a los sujetos de análisis del
DWE, contienen un gran volumen de datos por lo que se
pueblan aplicando un filtro por períodos. La población del WI
corresponde a la implementación de las bases de datos
analíticas en SSAS 2012. Este proceso fue instrumentado en
los modos multidimensional y tabular, constituyéndose un
escenario real de validación y evaluación de ambos modelos.
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 7, JULY 2016
En la herramienta SQL Server Data Tools se definieron las
estructuras multidimensionales y tabulares que responden a
los requerimientos informacionales. La fuente de datos en
ambos casos está constituida por el DWE. Algunas
transformaciones fueron aplicadas al origen de datos, por
ejemplo en la creación de columnas calculadas, para lo cual se
utilizó el lenguaje MDX en el modo multidimensional y DAX
en el modo tabular. Una vez delimitada la disposición de la
fuente de datos, se instrumentaron las estructuras para el WI
según los esquemas dimensionales diseñados. En el modelo
tradicional cada esquema se implementó creando cubos
multidimensionales con las medidas y dimensiones
respectivas. En el modelo tabular los esquemas se
implementaron mediante tablas relacionadas entre sí.
En cuanto a las funcionalidades analíticas, el modelo
multidimensional dispone de forma natural de un mayor
número de funciones, y en el tabular algunas de las que no
ofrece originalmente se pueden lograr mediante DAX. Por
ejemplo, el modelo tabular no ofrece las acciones,
agregaciones, relaciones muchos-muchos, reescritura, ni
traducciones, sin embargo, se pueden lograr utilizando DAX:
las medidas semiaditivas, DistinctCount y las jerarquías
parent-child [6][8]. Por otra parte, ambos modelos disponen
de las medidas calculadas, drillthrough, jerarquías, KPI,
particiones y perspectivas.
Entre las funcionalidades más atractivas empleadas en el
WI se encuentran las medidas semiaditivas y las jerarquías
parent-child. Un ejemplo de uso de las medidas semiaditivas
es el cálculo del Saldo Final en el Mayor General. Como en el
modo multidimensional este tipo de agregaciones está incluida
entre las funciones disponibles, su implementación y la de
otras medidas similares se realizó de manera directa; pero en
el modo tabular fue necesario instrumentarlas con fórmulas
DAX. Un ejemplo de utilización de las jerarquías parent-child
es la instrumentación del organigrama de entidades de
CIMEX. Es conveniente acotar que las jerarquías parent-child
del modelo multidimensional en ocasiones son lentas, y
utilizando funciones DAX sobre jerarquías balanceadas en el
modelo tabular pueden resultar más eficientes [6]. Una vez
creadas las estructuras multidimensionales y tabulares, se
implementaron dos procesos ETCL para poblar las respectivas
bases de datos informacionales empleando una tarea del tipo
Analysis Services Processing Task. Ambos se ejecutarán
periódicamente mediante un servicio SQL Server Agent.
La solución propuesta también incluye el componente de
presentación de la información, para lo que aprovechó la
riqueza visual de Power View y las facilidades que ofrece
Power Pivot. Los informes diseñados responden a un conjunto
de consultas frecuentes, facilitan obtener resúmenes de los
principales conceptos comerciales, favorecen el análisis de los
resultados a partir de la visualización en mapas según la
ubicación geográfica de las entidades de CIMEX, así como la
navegación por los distintos niveles jerárquicos. Los
resultados se publican en un sitio de Share Point y pueden ser
editados por los propios directivos según sus intereses.
SIMÓN CUEVAS et al.: COMPARING TABULAR AND MULTIDIMENTIONAL 3397

V. ANÁLISIS DE LOS RESULTADOS consultas. Se concibieron cuatro consultas con diferentes

La solución propuesta fue validada y los modelos
multidimensional y tabular fueron evaluados en el
procesamiento analítico de fuentes de datos de CIMEX a
través de cuatro experimentos y considerando los datos de
todas las sucursales de CIMEX de cinco años de historia
(2010-2014). Los experimentos se realizaron en una PC con
sistema operativo Windows 8.1 sobre una arquitectura de 64
bit, CPU QuadCore Intel Core i7-4790 K, 4000 MHz (4400
Mhz with Turbo Boost), 8Mb Cache L3, 2 Mb Cache L2, 24
Gb (DDR3 SDRAM) 2400Mhz, y 240 Gb SSD Kingston de
almacenamiento.
Experimento 1: Se concibió con el objetivo de comprobar
la capacidad de los procesos ETCL implementados para
poblar el DWE, procedimiento que es independiente de los
modelos multidimensional y tabular. Para analizar los tiempos
de ejecución de la carga histórica inicial y estimar su posterior
niveles de complejidad para lograr una mayor riqueza en el
análisis de los resultados, las que se ejecutaron cinco veces
por cada enfoque para tener una mayor precisión en las
mediciones. Las consultas fueron orientadas a lo siguiente:
- Consulta 1: Calcular el margen comercial por tipo de
entidad comercial.
- Consulta 2: Calcular el saldo en cuentas por pagar a
Proveedores por Sucursales.
- Consulta 3: Calcular el débito y el crédito por Tipos de
Cuentas para las entidades de tipo Complejos.
- Consulta 4: Calcular el importe promedio mensual en las
ventas por Líneas de Producto y por Establecimiento.
Todas las consultas se ejecutaron satisfactoriamente y en
las Fig. 3, 4 y 5 se resumen los resultados obtenidos.
5000 4437

actualización mensual (período de actualización del DWE), se 4000 3531

dividió el experimento en tres fases: (1) Población de los 3000

criterios de análisis; (2) Carga de los datos de las compras en 2000
los últimos cinco años; y (3) Ejecución de todos los procesos 1000 658 639 654
228 115 169
ETCL para cinco años.
0
Como resultados, en la fase 1 se cargaron 1.3 millones de Consul ta 1 Consulta 2 Consul ta 3 Consul ta 4
registros de dimensiones en un tiempo de 9 min; en la fase 2
se cargaron 2.9 millones de registros de hechos de compras de Modo Tabular Modo Multidimensional
cinco años (2010-2014) en un tiempo de 9 min, para un
Figura 3. Consumo de tiempo total de ejecución (ms).
estimado mensual de 48 mil registros en 9 seg.; y en la fase 3
se cargaron aproximadamente 42 millones de hechos
El tiempo total de ejecución de las consultas fue mejor
(correspondientes a todos los procesos) en casi 3 horas, de
usando el modelo tabular (Fig. 3) y también con este modelo
manera que la base de datos SQL alcanzó un tamaño de 6.5
hubo un menor consumo de tiempo de CPU (Fig. 4). Otro
Gb. Los tiempos de ejecución resultantes se consideran
resultado interesante es que los tiempos totales de respuesta
aceptables, dado el volumen de datos manejados y el
para ambos modelos fueron menores que los respectivos
procesamiento necesario para garantizar la integridad
tiempos de CPU, lo cual se debe en gran medida al
referencial y la integración real de los escenarios contable,
aprovechamiento que se logra de la arquitectura multi-núcleo
comercial, económico-financiero y de recursos humanos.
sobre la cual se ejecutaron las consultas. No obstante, en el
Experimento 2: Se concibió con el objetivo de analizar el
caso de la ejecución de las consultas 2 y 3 usando el modelo
comportamiento de cada uno de los modelos implementados
tabular el aprovechamiento de este arquitectura no se
en la población del WI, específicamente, en la población de la
evidencia de forma significativa dado que las tablas
base de datos multidimensional y en la población de la base de
examinadas no superan los 8 millones de registros, por lo que
datos tabular. En la Tabla I se muestran los resultados del
el motor analítico xVelocity las ejecuta en un solo hilo [6].
tiempo total de ejecución el procesamiento de cinco años.
Lógicamente, mediante el experimento también se evidencia
TABLA I el alto consumo de memoria RAM requerido por el modelo
TIEMPO TOTAL DE EJECUCIÓN DE PROCESOS ETL
tabular (Fig. 5), lo que ratifica la necesidad de disponer de
PARÁMETRO MULTIDIMENSIONAL TABULAR elevados recursos de hardware para el uso de esta alternativa.
Tiempo 10 min. 6 min.

8000
6307
En la Tabla I se puede apreciar que el tiempo de población 5307
6000
fue menor en el modelo tabular, lo que evidencia la capacidad
4000 3063
del motor analítico xVelocity. Es preciso señalar que en este
modelo el volumen de datos se maneja completamente en la 2000 360 644 729 667
120
RAM, a diferencia del multidimensional, que almacena los 0
datos en disco, lo que resulta más apropiado para enormes Consul ta 1 Consulta 2 Consul ta 3 Consul ta 4
volúmenes de datos. El tamaño del WI obtenido fue de 600-
Modo Tabular Modo Multidimensional
700 Mb.
Experimento 3: Se diseñó con el objetivo de comparar Figura 4. Consumo de tiempo de CPU (ms).
ambos modelos en cuanto a su eficiencia en la respuesta a
3398
1366 1375 1360 1389
1,500
1,000
500
127 112 120 153
0
Consul ta 1 Consulta 2 Consul ta 3 Consul ta 4
Modo Tabular Modo Multidimensional
Figura 5. Consumo de memoria RAM (Mb).
Experimento 4: Se concibió con el objetivo de explorar la
capacidad de la solución BI y de los modelos instrumentados
para responder a los intereses organizacionales, con énfasis en
la presentación de los resultados.
Como punto de partida, se elaboraron diez informes a
través de Excel y Power View dando respuesta a las solicitudes
contempladas y poniéndose a disposición de los usuarios
finales las facilidades de “autoservicio” para su creación y
actualización, que podían variar según el modelo analítico
subyacente. En la Fig. 6 se muestra un ejemplo de un reporte
que visualiza los saldos de cuentas por cobrar y pagar de las
sucursales. En el caso del modo tabular, siempre que se contó
con datos de ubicación geográfica, fue posible visualizar los
valores de las ventas por entidades en gráficos de mapas con
posibilidades de navegación (Fig. 7). Sin embargo, utilizando
el modelo multidimensional el resultado solo se pudo
presentar de manera tradicional, o sea, en forma de tablas.
Figura 6. Ejemplo de informe utilizando Power View sobre Share Point.
Figura 7. Visualización de la información a través de un mapa.
Los resultados obtenidos muestran que el uso del modelo
tabular con grandes volúmenes de datos exige elevados
recursos de hardware, específicamente, memoria principal,
reafirmando lo planteado por Russo [6]. En la Tabla II se
IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 7, JULY 2016
muestran las características esenciales de los servidores de
SSAS que se deben tener en cuenta para la selección del
modelo a utilizar según los recursos disponibles [6].
TABLA II
CARATERÍSTICAS DE LOS SERVIDORES DE SSAS
CARACTERÍSTICAS MULTIDIMENSIONAL TABULAR
RAM Menos (16/32 Gb) Bastante (64/128Gb)
Velocidad de RAM Es importante Es crucial
Número de CPU 4 / 8 / 16 4 / 8 / 16
Velocidad de CPU Menos importante Es crucial
Utilización de SSD Fuertemente recomendado No se utiliza
Velocidad de la red Importante Importante
En general, se recomienda instrumentar ambos tipos de
modelos a la vez en las soluciones BI y propiciar que sean
aplicados convenientemente en dependencia de los objetivos
definidos y los recursos disponibles. La instrumentación del
modelo tabular resulta apropiada en escenarios que requieran
la creación de un data warehouse con pequeño volumen de
datos y capacidades limitadas de hardware. Este modelo
resulta más familiar a los desarrolladores de bases de datos,
por lo que pueden desarrollar sus soluciones BI con relativa
rapidez. El modelo multidimensional incorpora numerosas
funcionalidades para la creación de soluciones BI con una
lógica de negocio compleja y que requieran el manejo de datos
en el orden de los terabytes. Por estas razones se considera que
el modelo multidimensional en SSAS 2012 sigue siendo la
opción más completa para el desarrollo de bases de datos
analíticas. Sin embargo, el modelo tabular puede responder
satisfactoriamente en escenarios restringidos y favorecer la
aceptación del usuario final en el entorno. Se comprobó que
las técnicas utilizadas en el motor de búsquedas del modelo
tabular (almacenamiento por columnas, compresión de datos,
caché en memoria, entre otras), lo proveen de un
comportamiento superior en cuanto al rendimiento de las
consultas analíticas. Respecto a la presentación de los datos, el
modelo tabular ofrece a los ejecutivos mejores facilidades para
la exploración de la información y potencia el autoservicio.
VI. CONCLUSIONES
En el presente trabajo fueron evaluados los modelos
multidimensional y tabular a través del desarrollo de una
solución real de BI que integró información comercial,
contable, económico-financiera y de recursos humanos de
CIMEX Co. Se constató que el modelo tabular no constituye
un aporte conceptualmente diferente, sino una implementación
alternativa del modelo dimensional de datos para la
herramienta de procesamiento analítico SSAS 2012. No
obstante, el uso de técnicas como el almacenamiento columnar
y las bases de datos in-memory en la implementación del
modelo tabular le proporciona cualidades prometedoras y de
interés actual. Las comparaciones cualitativas y
experimentales realizadas arrojaron que el modelo tabular es
más conveniente en escenarios con pequeños volúmenes de
datos y capacidades limitadas de hardware, por otra parte, el
multidimensional es más apropiado para modelar soluciones
más complejas y de grandes volúmenes de datos. El motor de
SIMÓN CUEVAS et al.: COMPARING TABULAR AND MULTIDIMENTIONAL
búsquedas del modelo tabular lo provee de un comportamiento
superior en cuanto al rendimiento de las consultas analíticas,
con respecto a su precedente. Los resultados alcanzados
respaldan la concepción realizada en términos informacionales
y el modelo de solución propuesto.
REFERENCIAS
[1] B. Evelson and N. Nicolson, "Topic Overview: Business Intelligence".
Forrester Report, 2008. [En Línea]. Disponible en:
https://www.forrester.com/report/Topic+Overview+Business+Intelligen
ce/-/E-RES39218.
[2] M. Mertens, T. Krahn and H. J. Appelrath, "Utilizing Structured
Information from Multiple External Sources in the Context of the
Multidimensional Data Model". LNBIP, vol. 157, pp. 88-99, 2013.
[3] A. Albano, L. De Rosa, C. Dumitrescu, L. Goglia, R. Goglia, and V.
Minei, "Another Example of a Data Warehouse System Based on
Transposed Files". LNCS, vol. 3896, pp. 1110-1114, 2006.
[4] O. Boateng, J. Singh, Greeshma, and P. Singh, "Data Warehousing".
Business Intelligence Journal, vol. 5, no. 2, pp. 224-234, 2012.
[5] M. Stonebraker, D. J. Abadi, A. Batkin, X. Chen, M. Cherniack, M.
Ferreira, E. Lau, A. Lin, S. Madden, E. O'Neil, P. O'Neil, A. Rasin, N.
Tran and S. Zdonik, "C-Store: A Column-oriented DBMS". Proc. of the
31st VLDB Conference, Trondheim, Norway, pp. 553 - 564, 2005.
[6] M. Russo, A. Ferrari and C. Webb, "Microsoft SQL Server 2012
Analysis Services: The BISM Tabular Model". Microsoft Press, 2012.
[7] A. Ferrari, "An Analysis Services Case Study: Using Tabular Models in
a Large-scale Commercial Solution". Microsoft White Paper, 2014.
[8] T. Lachev, Applied Microsoft SQL Server 2012 Analysis Services:
Tabular Modeling, Atlanta, GA, USA: Prologika Press, 2012.
[9] L. Vitt and S. Cameron, "Choosing a Tabular or Multidimensional
Modeling Experience in SQL Server 2012 Analysis Services".
Microsoft White Paper, 2012.
[10] "Comparing Tabular and Multidimensional Solutions (SSAS)". MSDN
Library, 2014.
[11] K. S. Goff, "The Baker’s Dozen: 13 Differences Between Analysis
Services OLAP and Tabular". CODE Magazine, 2013.
[12] A. Whittles, "Analysis Services Tabular or Multidimensional? A
performance comparison". 2013. [En Línea]. Disponible en:
http://www.purplefrogsystems.com/blog/2014/03/analysis-services-
tabular-or-multidimensional-a-performance-comparison/
[13] J. C. Aranibar, Sistemas de Información Gerencial para la
Administración del Desempeño Empresarial. La Paz, Bolivia: Gráfica
Holding s.r.l., 2013.
[14] N. Pendse, "OLAP Architectures". The OLAP Report, 2005.
[15] "Power Pivot Add-in". Microsoft Support Web Site. 2010. [En Línea].
Disponible en: http://office.microsoft.com/en-001/excel-help/power-
pivot-add-in-HA101811050.aspx
[16] M. Russo, "BISM: Multidimensional vs. Tabular". Microsoft TechEd
2012, 2012.
[17] "xVelocity in SQL Server 2012". Microsoft TechNet Library, 2012. [En
Línea]. Disponible en: https://technet.microsoft.com/en-
us/library/hh922900%28v=sql.110%29.aspx
[18] D. Leland, "Introducing xVelocity in-memory technologies in SQL
Server 2012 for 10-100X performance". 2012. [En Línea]. Disponible
en:
https://blogs.technet.microsoft.com/dataplatforminsider/2012/03/08/intr
oducing-xvelocity-in-memory-technologies-in-sql-server-2012-for-10-
100x-performance/
[19] P. Lake and P. Crowther, Concise Guide to Databases. A practical
Introduction. Springer-Verlag London: Springer, 2013.
[20] J. Sirmon, G. Galloway, C. Gross and K. Gulati, "Performance Tuning
of Tabular Models in SQL Server 2012 Analysis Services". Microsoft
White Papers, 2013. [En Línea]. Disponible en:
https://msdn.microsoft.com/en-us/library/dn393915.aspx
[21] J. Sirmon and H. Steen, "Hardware Sizing a Tabular Solution (SQL
Server Analysis Services)". Microsoft White Papers, 2013. [En Línea].
Disponible en: https://msdn.microsoft.com/en-us/library/jj874401.aspx
[22] J. Hurwitz, A. Nugent, F. Halper and M. Kaufman, Big Data For
Dummies: John Wiley & Sons, Inc., 2013.
[23] "Power View: Explore, visualize, and present your data". Microsoft
Support Web Site, 2013. [En Línea]. Disponible en:
View publication stats
3399
http://office.microsoft.com/en-001/excel-help/power-view-explore-
visualize-and-present-your-data-HA102835634.aspx
[24] P. Savjani, BI Solutions using SSAS Tabular Model Succinctly.
Morrisville, USA: Synsfusion Inc., 2014.
[25] P. Myers, "Introducing the BI Semantic Model in Microsoft SQL
Server". Microsoft White Papers, 2012.
[26] B. Devlin, Data Warehouse from Architecture to Implementation,
Addison Wesley Longman, Inc. 1997.
[27] R. Kimball and M. Ross, The Data Warehouse Toolkit : The Complete
Guide to Dimensional Modeling, 3th Ed. United States of America:
Wiley Computer Publishing, 2002.
[28] M. Véliz, "Herramienta genérica para la población del Data Warehouse
Empresarial". Tesis de Maestría en Ciencia de la Computación.,
Facultad de Matemática y Computación. Universidad de La Habana,
Cuba, 2009.
[29] K. S. P. Srinivasu and S. C. Satapathy, "Optimization of ETL Work
Flow in Data Warehouse". Int. J. on Computer Science and Engineering
(IJCSE), vol. 4, no. 9, pp. 1579-1586, 2012.
[30] A. Karagiannis, P. Vassiliadis and A. Simitsis, "Scheduling strategies
for efficient ETL execution". Information Systems, vol. 38, no. 6, pp.
927-945, 2013.
AGRADECIMIENTOS
Agradecemos al Grupo de Investigación de Bases de Datos y
Recuperación de Información de la Universidad de La Habana, por
brindar el marco propicio para el desarrollo de investigaciones de
rigor científico en el mundo de la Inteligencia de Negocios. Además,
agradecemos al Grupo Empresarial CIMEX, por permitir desarrollar
y enriquecer esta investigación en un contexto real, especialmente a
Datacimex, su empresa de desarrollo de tecnologías informáticas.
Alina Simón Cuevas es Licenciada en Ciencia de la
Computación (2006) en la Universidad de La Habana. Máster
en Ciencia de la Computación (2016) por la Facultad de
Matemática y Computación de la Universidad de La Habana.
Especialista principal del Grupo de Inteligencia de Negocios
de la empresa Datacimex, perteneciente al Grupo Empresarial CIMEX.
Miembro del grupo de investigación de Bases de Datos y Recuperación de
Información de la Universidad de La Habana.
Maité Torres Sánchez, es Licenciada en Ciencia de la
Computación (2013) en la Universidad de La Habana.
Profesora del Departamento de Programación e Ingeniería de
Software de la Facultad de Matemática y Computación de esa
universidad. Miembro del grupo de investigación de Bases de
Datos y Recuperación de Información.
Lucina García Hernández, es Doctora en Ciencias
Matemáticas, especialidad en Ciencia de la Computación, en
la Universidad de Leningrado, URSS (1984). Profesora
Consultante de la carrera de Licenciatura en Ciencia de la
Computación en la Facultad de Matemática y Computación
de la Universidad de la Habana. Dirige el Grupo de Investigación de Bases de
Datos y Recuperación de Información.
Alfredo Simón Cuevas es Doctor en Ciencias Técnicas,
especialidad en Computación (2009), en la Universidad
Tecnológica de La Habana José Antonio Echeverría, CUJAE.
Profesor del Departamento de Inteligencia Artificial e
Infraestructura de Sistemas Informáticos de la Facultad de
Ingeniería Informática de la CUJAE. Dirige el Grupo de Investigación de
Procesamiento de Lenguaje Natural e Ingeniería de Conocimiento.
Raudel Ravelo Suárez, es Licenciado en Ciencia de la
Computación (2015) en la Universidad de La Habana.